近红外光谱技术无损检测苹果中糖度含量(近红外光谱法)

基于红外光谱的苹果糖度无损检测系统关键字：基于红外光谱的苹果糖度无损检测系统本文为Word文档，感谢你的关注！摘要利用近红外漫反射定量技术，设计了苹果糖度无损检测系统，采用最小二乘法建立了近红外光谱与苹果糖度之间的数学定量模型，对模型进行校验，得到苹果糖度实际值与预测值的相关性。

相关系数为0.7521，RMSE=1.1818。

采用980nm的激光二�O管作为特征光源。

光源经过苹果内部产生漫反射光信号，该信号被光电传感器采集。

用微控制器处理该信号再加上外围电路组成无损检测系统。

【关键词】苹果近红外光谱无损检测苹果富含矿物质和维生素，是人们最常食用的水果之一，是低热量食物，易被人体吸收，有“活水”之称，可以溶解硫元素，使皮肤润滑柔嫩，深受人们喜爱。

随着人们生活水平提高，人们对于苹果的含糖量有了新要求，但传统的折光仪有损检测时耗时、费力和效率低；无损的检测仪又携带不便、操作复杂、使用条件苛刻和价格昂贵等缺点不能普及推广使用。

因此在此基础上本文设计了这套无损检测系统，它具有便携、操作简单和低成本的特点。

国内外在苹果糖度的无损检测方面做过很多的研究，在国外如LammertynJeroen等人在2000年，在11363-6060cm-1范围内利用光纤探头对Jonadold苹果糖分含量进行了近红外光谱反射特性的试验研究，通过偏最小二乘法分析得出两者的相关系数在0.79-0.91之间；Zou等人在2007年利用遗传算法、间隔偏最小二乘法（iPLS）进行特征波段的挑选，提高了苹果糖度模型的预测精度；Liu等人在2007年分析了不同测量距离对苹果糖度无损检测的影响；在国内，刘燕德等人在2010年建立了红富士苹果糖度的近红外漫反射主成分回归PCR多元校正模型，得出相关系数：=0.844，标准校正误差SEC=0.729；韩东海等人在2014年利用近红外光谱结合混合线性分析法的一种变形算法HLA/XS建立苹果糖度校正模型，得出：=0.87611、标准预测误差SEP=0.4848；王加华等人利用近红外漫反射光谱结合主成分回归PCR和偏最小二乘法PLS研究了苹果糖度无损检测，通过比较二者的相关系数、标准校正误差和预测标准误差，得出偏最小二乘法PLS模型更优。

苹果无损检测技术之光谱检测苹果无损检测技术之光谱检测光谱技术是果品内部质量检测中应用最广泛的技术，利用果品对光的吸收、散射、反射和投射等特性得到的光谱信息，从而对果品内部品质（硬度、脆度、酸甜度）、内部病变（水心病、褐腐病、霉心病、果实褐变）以及外部损伤等情况进行无损检测，具有检测速度快、操作简便、精确度较高、非破坏性的特点。

光谱分析法主要有近红外光谱、拉曼光谱和高光谱成像检测技术等。

1 近红外光谱技术近红外光谱（Near-infrared Spectroscopy，NIRS）是介于可见光谱区和中红外光谱区之间的电磁波，波长范围为780~2526nm。

NIRS技术结合人工智能算法，可以实现苹果的内部品质和苹果病害的有效检测。

在检测苹果的内部品质方面，孙炳新等采用NIRS技术在643.26~985.11nm的波长范围内建立了红富士苹果脆度和有效酸度的预测模型，模型相关系数分别达到0.941和0.925。

Jha等，在900~1700nm近红外波长范围检测苹果内部品质，分别采用最小二乘法（Least Squares，LS）和多元线性回归（Multiple Linear Regression，MLR）建立苹果含糖量、酸度、酸甜比的模型，其中MLR模型得到的预测结果较好，其多重相关系数分别为0.887、0.890、0.893，实现对苹果的含糖量和酸甜比等指标的无损检测。

王转卫等利用NIRS技术测量了发育后期3个月内“富士”苹果在833~2500nm 波长范围内的光谱特性，结合化学计量学方法建立了预测可溶性固形物含量（Soluble Solid Content，SSC）、硬度、pH值和含水率的最小二乘支持向量机和极限学习机模型，并分析了主成分分析（Principal Component Analysis，PCA）、连续投影算法和无信息变量消除法等3种降维方法对模型预测性能的影响，从而获得了对苹果不同检测对象的最佳模型方法。

基于可见-近红外透射光谱技术的苹果水心病和糖度检测研究基于可见-近红外透射光谱技术的苹果水心病和糖度检测研究摘要：随着农业技术的不断进步和人们对食品安全的关注，农产品质量检测变得越来越重要。

本研究以苹果为研究对象，通过采用可见-近红外透射光谱技术，结合主成分分析、偏最小二乘回归分析等统计方法，进行苹果水心病和糖度的检测研究。

结果表明，可见-近红外透射光谱技术能够有效地用于苹果水心病和糖度的检测，具有很高的准确性和可行性。

1. 引言苹果是世界上最重要和最广泛种植的水果之一，但苹果水心病和糖度的检测一直是生产者和消费者关注的问题。

水心病会使苹果内部出现大量空洞，严重影响苹果的食用价值和商业价值。

而糖度则是苹果的一个重要品质指标，直接关系到口感好坏。

因此，开发一种快速、准确、非破坏性的检测方法，对于苹果的种植管理和市场销售具有重要意义。

2. 实验方法2.1 实验材料本研究选取了来自不同产地、品种和病情的近500个苹果样品作为研究对象。

2.2 透射光谱采集使用可见-近红外光谱仪，对样品透射光谱进行采集。

每个样品进行三次光谱扫描，然后取平均值。

2.3 数据预处理利用主成分分析对原始光谱数据进行降维处理，选取前10个主成分来表示样本的信息。

2.4 建模和验证使用偏最小二乘回归（PLSR）建立苹果水心病和糖度的预测模型。

将样本数据分为训练集和测试集，用训练集建立模型，再用测试集验证模型的准确性。

3. 结果与讨论3.1 苹果水心病的检测通过PLSR建立的苹果水心病预测模型，对测试集的预测结果进行了评估。

结果显示，模型的预测精度达到了93%，说明可见-近红外透射光谱技术能够有效地用于苹果水心病的检测。

3.2 苹果糖度的检测同样地，通过PLSR建立的苹果糖度预测模型，对测试集的预测结果进行了评估。

结果显示，模型的预测精度达到了96%，说明可见-近红外透射光谱技术能够有效地用于苹果糖度的检测。

4. 结论与展望本研究结果表明，可见-近红外透射光谱技术结合PLSR分析方法能够有效地用于苹果水心病和糖度的检测。

红富士苹果糖度的近红外光谱检测分析试验研究摘要：近红外光谱分析技术具有无前处理、无污染、无破坏性、重现性好、检测速度快等优点，结合偏最小二乘回归法对苹果进行定量建模分析，可促进苹果的检测和刷选。

分析结果表明该技术所给出的分析精度可以和传统分析方法相媲美，相关系数(R)为0.979，预测均方根误差(RMSEP)为0.263。

通过本研究得出：应用近红外光谱检测苹果糖度是可行的，为今后快速无损评价苹果提供了理论依据。

关键词：近红外光谱；苹果；糖度；OPUS；建模Using NIR Spectra in Non-Invasive Measurements of the Red Fuji AppleSugar ContentAbstract: Near-infrared spectroscopy technique has advantages such as no pre-treatment, no pollution, good repeatability, speediness, and non-destructive combined with partial least squares regression model for quantitative analysis of Apple, which can promote the detection of apple and the apple’s election. The results show that the precision of the analysis technique can be given comparable to traditional methods, the correlation coefficient(R) is 0.979, and the root mean square prediction error (RMSEP) is 0.263. Through this study we can find that the brix of apple tested by the Near Infrared Spectroscopy is feasible, and it provides the basis of theory for the rapid non-destructive evaluation.Key words: Near-infrared spectrum; Apple; Sugar Content; OPUS; Model引言近红外光谱技术作为一种分析手段是从上世纪50年代开始的，并在80年代以后的10多年里发展最快、最引人注目的光谱分析技术，是光谱测量技术与化学计量学学科的有机结合，被誉为分析的巨人。

文章编号 2095-1531（2020）03-0482-10不同产地苹果糖度可见近红外光谱在线检测刘燕德1,2 *，徐　海1,2，孙旭东1,2，姜小刚1,2，饶　宇1,2，徐　佳1,2，王军政1,2（1. 华东交通大学 机电与车辆工程学院，江西 南昌 330013；2. 水果智能光电检测技术与装备国家地方联合工程研究中心，江西 南昌 330013）摘要：为了实现不同产地苹果糖度的快速在线无损检测，减少产地差异对近红外光谱检测模型的影响，建立了不同产地苹果糖度的在线检测通用模型。

首先，采用水果动态在线检测设备采集了包括栖霞、洛川与会宁3个产地的红富士苹果的漫透射光谱。

其次，采用偏最小二乘算法（PLS ），结合无信息变量消除（UVE ）方法，筛选出58个特征变量，建立了苹果糖度的UVE-PLS 通用模型，该模型对个体产地预测集及总预测集的均方根误差分别为0.50~0.74°Brix 与0.63°Brix ，较原始个体模型分别提高了23.2%~44.4%与35.7%。

最后，提出了一个新的外部验证样本集对模型性能进行评价，其残留预测偏差为2.33，预测值在±1.0°Brix 和±1.5°Brix 误差范围内的占比分别为85%与100%。

实验结果表明：建立多个产地苹果糖度的在线检测通用模型，能够提高其他产地样本糖度的预测稳健性，并且采用合适的波长筛选方法能够简化模型。

开发不同产地水果内部品质通用模型在波长有限的光谱设备中具有良好的应用潜力。

关 键 词：在线检测；近红外光谱；糖度；偏最小二乘中图分类号：O657.33 文献标志码：A doi ：10.3788/CO.2019-0128On-line detection of soluble solids content of apples from differentorigins by visible and near-infrared spectroscopyLIU Yan-de 1,2 *，XU Hai 1,2，SUN Xu-dong 1,2，JIANG Xiao-gang 1,2，RAO Yu 1,2，XU Jia 1,2，WANG Jun-zheng 1,2（1. School of Mechatronics & Vehicle Engineering , East China Jiaotong University , Nanchang 330013, China ；2. National and Local Joint Engineering Research Center of Fruit Intelligent PhotoelectricDetection Technology and Equipment , Nanchang 330013, China ）* Corresponding author ，E-mail : jxliuyd@Abstract : In order to realize fast, on-line, non-destructive testing of the Soluble Solids Content (SSC) of apples from different origins, and to reduce the effect of origin variability on NIR models, a universal model for predicting the SSC of apples from different origins is established. Firstly, the diffuse transmission spectra of Fuji apples from Qixia, Luochuan and Huining are collected with fruit dynamic online detection equip-ment. Then, 58 characteristic variables are selected and a UVE-PLS universal model for predicting the SSC收稿日期：2019-06-21；修订日期：2019-08-20基金项目：国家自然科学基金（No.31760344）；江西省创新能力建设项目（No.S2016-90）Supported by National Natural Science Foundation of China(No.31760344); Jiangxi Provincial Project for In-novation Capacity Construction(No.S2016-90)第 13 卷　第 3 期中国光学Vol. 13　No. 32020年6月Chinese OpticsJun. 2020of apples is established using the Partial Least Squares (PLS) algorithm combined with Uninformative Vari-able Elimination (UVE). The root mean square errors of single-origin prediction sets and the total-origin pre-diction set are 0.50~0.74° Brix and 0.63° Brix, respectively, which increase by 23.2%~44.4% and 35.7% re-spectively compared to the original individual model. Finally, a new external sample set is used to assess the performance of the model, showing a residual prediction deviation of 2.33 and ratios of the predicted values within the error range of ±1.0° Brix and ±1.5° Brix of 85% and 100%, respectively. Experimental results in-dicate that the establishment of a universal model for on-line detection of the SSC of apples, including those from multiple origins can improve the robustness of predicting the SSC of the samples from other origins. The results also show that an appropriate wavelength screening method can simplify the model. The develop-ment of a common model for the internal quality of fruit from different origins has strong potential for applic-ations in wavelength-limited spectroscopy equipment.Key words: online detection；near infrared spectroscopy；soluble solids；partial least squares1 引　言苹果是一种被广泛生产及消费的水果品类，其富含抗氧化成分，如抗坏血酸和多酚类化合物，可以对各种退化性疾病起到预防作用[1-2]。

苹果含糖量近红外检测系统的研究的开题报告一、选题背景随着人们对食品品质和安全的要求日益提高，快速、准确地检测食品中的成分和质量成为了首要任务。

苹果作为一种广泛食用的水果，其品质的评价往往以含糖量作为一个重要的指标。

目前，传统的检测方法多采用化学方法，需要耗费大量的时间和人力物力，并且存在化学废弃物的处理问题。

随着近红外技术的发展，利用近红外光谱技术来检测苹果中的含糖量成为了一种新的方法。

二、选题意义本研究的目的是建立苹果含糖量近红外检测系统，主要包括制备样品、建立模型和应用模型等步骤。

通过对不同品种和不同成熟度的苹果进行近红外光谱分析，建立苹果含糖量近红外预测模型，实现对苹果含糖量的快速、准确检测，并为苹果生产提供技术手段和方法。

三、选题目标1.建立苹果含糖量近红外检测系统；2.优化近红外光谱分析方法，提高预测的精准度；3.建立苹果含糖量预测模型，验证模型的准确性；4.应用模型进行实际测量，测试其实用性。

四、选题内容1.苹果含糖量的测量方法与标准；2.近红外光谱技术的基本原理及其应用；3.实验设备的选取与搭建；4.样品的制备、收集及处理；5.建立苹果含糖量近红外预测模型；6.对模型进行验证及应用。

五、预期结果1.成功建立苹果含糖量近红外检测系统；2.优化近红外光谱分析方法，提高预测精准度；3.建立苹果含糖量预测模型，并通过实验验证和应用检验证明其准确性和实用性；4.为苹果生产提供可靠的含糖量检测手段和技术支持，促进苹果的质量控制及产业升级。

六、参考文献1. De Nijs, M., van de Voort, F. R., & Sedman, J. (2005). Application of Near-Infrared (NIR) Spectroscopy in the Food Industry. Journal of Agricultural and Food Chemistry, 53(24), 9751-9766.2. Dong, H., Cheng, F., Wang, X. M., & Liu, F. Q. (2016). Non-destructive prediction of apple quality attributes by integrating the visible and near infrared spectroscopy. Food Chemistry, 197, 466-471.3. Fearn, T., & Riccioli, C. (2017). Near Infrared Spectroscopy in food science and technology. John Wiley & Sons.4. Martelo-Vidal, M. J., Franco-Morgado, P., & Vázquez-Rowe, I. (2016). Advances in Food Analysis by Near Infrared Spectroscopy. Frontiers in Microbiology, 7, 1786.5. Shen, F., Liu, J., & Li, M. (2015). Non-destructive prediction of apple moisture content by near-infrared spectroscopy based on wavelet packet transform and partial least squares regression. Journal of the Science of Food and Agriculture, 95(8), 1682-1689.。

水果糖度和酸度的近红外光谱无损检测研究水果糖度和酸度的近红外光谱无损检测研究近年来，随着人们对食品安全和品质的关注度不断提高，无损检测技术在食品行业中的应用变得越来越重要。

水果作为一种常见的食品，其糖度和酸度是评价其品质和口感的重要因素之一。

本文旨在研究利用近红外光谱技术来无损检测水果糖度和酸度的可行性和有效性。

一、近红外光谱技术的原理和特点近红外光谱技术是一种应用于分析化学和食品科学领域的非破坏性检测方法。

其原理是利用近红外光在样品上的吸收和反射特性，通过采集和分析光谱信息，来推断样品的组成和特征。

相比于传统的化学分析方法，近红外光谱技术具有简单、快速、经济、无污染等优点，因此被广泛应用于食品质量检测领域。

二、水果糖度和酸度的相关性分析糖度是指水果中可溶性糖的含量，主要由葡萄糖、果糖和蔗糖等组成，直接影响水果的甜度和口感。

酸度是指水果中酸性物质所含量的度量，通常以酸度值（以柠檬酸或苹果酸等为基准）来表示，直接影响水果的酸味和口感。

研究表明，糖度和酸度在一定程度上呈负相关关系，即水果的糖度增加，酸度相对减少。

三、构建水果糖度和酸度的近红外光谱模型在实验中，我们选取了常见的水果品种，例如苹果、梨、葡萄等，并结合传统化学分析方法，测定了它们的糖度和酸度。

同时，使用近红外光谱仪器对水果样品进行光谱扫描，获取了相应的近红外光谱数据。

首先，对原始光谱数据进行预处理，包括去除基线漂移、正则化处理、光谱平滑等。

然后，利用光谱数据和对应的糖度和酸度数据建立回归模型。

常用的回归方法包括偏最小二乘回归（PLSR）和支持向量机回归（SVM-R）等。

通过交叉验证和模型评价指标，筛选出最优的模型。

四、模型验证和应用为了验证模型的准确性和鲁棒性，我们采用了不同批次、不同品种和不同处理条件下的水果样品进行实验。

实验结果表明，基于近红外光谱的模型能够准确预测水果的糖度和酸度，与传统化学分析方法的结果一致。

同时，模型对于各个水果品种和处理条件具有较好的适应性和稳定性。

水果糖度和酸度的近红外光谱无损检测研究一、本文概述随着食品工业的发展和消费者对食品品质要求的提高，水果的品质检测成为了食品安全和质量控制的重要环节。

其中，糖度和酸度作为评价水果品质的重要指标，对于水果的分级、贮藏和加工具有重要意义。

传统的水果糖度和酸度检测方法通常基于化学分析，这些方法虽然准确，但操作繁琐、耗时且对样品具有破坏性。

因此，开发一种快速、无损且准确的水果糖度和酸度检测方法具有重要意义。

近红外光谱技术作为一种无损检测技术，近年来在食品安全和品质控制领域得到了广泛应用。

近红外光谱技术通过分析样品在近红外波段的光谱信息，可以实现对样品内部成分和结构的快速检测。

这种技术具有操作简便、检测速度快、无需化学试剂、对样品无破坏性等优点，因此在水果糖度和酸度的无损检测中展现出巨大的潜力。

本文旨在研究近红外光谱技术在水果糖度和酸度无损检测中的应用。

通过采集不同种类和品质水果的近红外光谱数据，结合化学分析方法和统计分析手段，建立水果糖度和酸度的快速无损检测模型。

对模型的准确性和稳定性进行评估，为近红外光谱技术在水果品质检测中的实际应用提供理论支持和实践指导。

本文的研究不仅有助于推动近红外光谱技术在水果品质检测领域的发展，也为食品安全和质量控制提供了新的技术手段。

二、近红外光谱技术原理近红外光谱（Near-Infrared Spectroscopy，NIRS）是一种无损检测技术，其基本原理在于利用物质对近红外光的吸收、反射或透射特性来获取其内部组成和结构信息。

近红外光是指波长范围在780 nm 至2500 nm之间的电磁辐射，这个波段内的光具有较强的穿透能力，能够深入物质内部并与物质中的分子或原子发生相互作用。

在水果糖度和酸度的检测中，近红外光谱技术主要利用水果内部成分对近红外光的吸收特性。

当近红外光通过水果时，不同波长的光会被不同分子或官能团吸收，形成独特的吸收光谱。

这些光谱信息包含了水果内部的糖度、酸度等化学成分的信息，通过对光谱数据的分析和处理，可以实现对水果糖度和酸度的无损检测。

- 9 -高 新 技 术水果是人们日常生活中重要的食物。

水果质量是人们在消费过程中关注的重点。

对于水果品质的检验分为外在检测和内在检测。

外部检测包括颜色、大小和缺陷，内部检测包括味道、甜度和水分。

外部质量可以通过肉眼观察，而对于内部质量检测来说，通常通过有损检测和无损检测来检测内部质量。

有损检测技术可以准确确认果实的内在品质，但会破坏果实，即经过检测后水果就不能食用了。

不同的无损性技术（例如声学、核磁共振和近红外光谱（NIRS））均为在无损条件下测定水果品质的有效途径。

该文主要探讨近红外光谱（NIRS）的实验表现和实用价值。

1 近红外光检测水果糖度理论基础水果糖分在近红外光谱波段的光下有特殊的吸收光谱[1]，并可以通过仪器接收相应的光电信号。

我国是苹果种植大国[2]，对苹果质量的甄选分级可以提高我国产出果品的国际竞争力。

1.1 近红外光谱近红外光是指波长介于可见光和中红外光之间的电磁波。

美国材料试验协会（ASTM）将近红外光谱区定义为780 nm~2 526 nm，并将近红外波段分为2个部分：近红外短波（780 nm~1 100 nm）和近红外长波（1 100 nm~2 526 nm）[3]。

在近红外区域的吸收带内，测量信息主要是分子内部含氢基团（OH -、NH -以及CH -官能团）的倍频吸收及其伸缩振动、晚期振动合频的吸收信息[4]。

1.2 近红外光谱特征近红外光谱属于红外光谱，该谱区的信息主要由几种基频的倍频以及组合频率共同构成，具有以下特点：1） 近红外光谱是记录分子振动基频的倍频和合频的光谱区，被采集的信息主要为OH -、NH -和CH -官能团的倍频吸收，及其伸缩振动、弯曲振动合频的吸收信息。

现代近红外光谱是把光谱测量技术、化学计量学和计算机技术融为一体的间接分析技术，一般会建立校正模型，以实现定性或定量分析未知样本的目标。

2） 信息量大。

近红外光谱区域除了具有不同程度的倍频吸收外，还包括多种组合频率干扰，因此光谱波段复杂。