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。
测量信号的数字化和分析过程的绿色化又使该技术具有典型的时代特征。
近红外光谱分析技术的工作原理可以简单的概括为：如果样品组成相同,则其光谱也相同，反之亦然。
如果我们建立了光谱与待测参数之间的对应关系(称为分析模型)，那么，只要测得样品的光谱，通过光谱和上述对应关系，就能很快得到所需要的质量参数数据。
目前国内研究情况如下：刘燕德和应义斌研究认为：当光纤与苹果表面距离为0mm时，所建立的校正模型对未知样品的预测效果最好；利用主成份回归方法，用0mm 距离所采集的光谱建立红富士苹果糖度的近红外模型，其样品预测值和实测值之间的R和SEC分别为 0.844 和 0.729SEP 和偏差（Bias）分别为 0.864 和 0.318，近红外光谱漫反射技术无损检测苹果的糖度具有可行性。
屠振华等利用傅里叶近红外光谱无损检测苹果的硬度，用动态向后间隔偏最小二乘、动态向后间隔偏最小二乘结合遗传算法和反复的遗传算法分析苹果硬度的特征波长，表明用遗传算法并结合间隔偏最小二乘法选择的特征波长，不但降低了模型的复杂度，而且提高了模型的预测精度；苹果硬度的特征波长和果胶的特征吸收峰有一致性。
国外研究情况为：Guoqiang Fan等（2009）用可见-近红外光谱技术对红富士苹果的坚实度和SSC进行检测研究，比较不同光源位置和检测部位对预测模型的影响，用PLS法在650nm～920nm波段范围内建立预测模型，结果表明：用二阶导数预处理后的光谱所建立的坚实度和SSC模型预测效果较好，多光源且与苹果茎轴垂直的放置位置有助于提高模型的预测精度；坚实度和SSC的较优模型验证时的R分别为 0.8136 和 0.9532。
1材料和方法1.1实验材料1.1.1实验仪器本实验中光谱测量仪器采用的是Bruker公司的MPA近红外光谱仪，以及用来获取测量糖度所需的苹果汁的专用榨汁机、滴管等，苹果糖度的测量仪器采用的是ATAGO公司的PAL迷你数显折射计，数据处理和建模工具使用的是近红外光谱仪配套的OPUS化学计量分析软件。
1.1.2实验样品实验中用的是在批发市场买的四箱个体大小在150g-450g的红富士苹果。
同时通过对已经购买的苹果进行预处理，选取成熟度一致、无病虫害、无机械损伤的苹果95个。
样品预处理的过程很重要，因为异常样品严重影响了校正模型的预测能力，所以必须要将异常样品剔除。
本实验中用于建模的有80个，用于验证模型的有15个。
整个过程在室温下进行，约20度左右。
1.2近红外光谱测量首先将苹果洗干净，然后在20℃的室温进行实验。
然后，在苹果上端一处、中部两处、下端一处画上圆圈，作为光谱采集点。
最后，用 MPA 型傅立叶变换近红外光谱仪（德国Bruker光学仪器公司生产）采集近红外光谱，仪器参数设置为：固定光纤探头，波长范围为 12800cm-1～4000cm-1，分辨率为 8 cm-1，扫描次数为32scans。
1.3苹果糖度测量上述苹果的光谱采集完成后，立即取光谱采集点附近的果肉10g，然后对苹果进行糖度测量。
对苹果糖度的测量使用的是专用的糖度计，在测量过程中对苹果汁要进行充分的搅拌使其均匀以及需要注意多次测量去平均值。
最后将测量的结果保存在相应的EXCEL表中。
2模型建立2.1光谱预处理在近红外光谱的采集过程中，经常会由于仪器的状态、样品状态与测量条件的差异造成近红外光谱发生细微的变化，因此在用化学计量学方法建立模型时，消除光谱数据无关信息和噪声的预处理方法变的十分关键和重要。
对每一个建模样品，通常要用多张谱图确定其重复性。
如果同一样品的谱图不能被鉴定，必须用数据预处理方法使它们比较相似，以消除偏移或不同线性基线的变化。
常用的处理方法有矢量归一法、一阶导数、二阶导数、最小-最大归一法、消除常数偏移量等。
通常较优的模型要有较高的 R2、较小的 RMSECV 和 RMSEP、RMSECV/RMSEP 的值越接近 1 越好。
由于不知道哪种预处理方法最好，因此需要对各种方法进行比较。
通过OPUS软件，我们可以对各个方法以及各方法的组合进行验证，比如一阶导数和减去一条直线的组合。
其各个方法的比较结果图2-1如下所示。
图2-1 光谱优化方法比较图我们知道，交叉验证均方根RMSECV越小越好，故对RMSECV进行升序排列，从中我们发现采取消除常数偏移量的方法效果最好，由上图可知，当数值为36，维数为10，光谱频率在9403cm-1-7498.2cm-1和6106.9cm-1-5446.2m-1,采用消除常数偏移量时，RMSECV最小，R2为96.01。
因此该实验中对光谱进行消除常数偏移量的预处理。
使用参数的值为36，选定方法和参数后对光谱数据进行优化。
优化后的光谱如下图2-2所示。
图2-2 优化后的光谱2.2检验模型的建立2.2.1定量校验方法优化采集好的光谱之后，我们需要建立定量模型。
首先我们需要对优化后的光谱数据建立初步检验模型，OPUS中检验结果如下图2-3所示，图2-3 初步检验模型2.2.2检验模型的优化检验方法初步确立之后我们需要对其进行验证和优化。
改善模型的第一步应该放在体系中包含大量信息的组的PLS 回归上。
从上图中我们可以发现，我们可以发现两个异常点，表明预测值和真值之间的还存在误差，所以还需要对模型进行不断的优化。
我们将异常的点剔除之后，其优化结果如下图2-4所示，其中RMSECV为0.305，R2为96.69。
图2-4 检验模型的优化结果2.2.3定量模型的确定将所有的异常点剔除之后，我们就可以创建化学模型，就需要将方法的参数组成文件。
定量软件提供产生报告文件的手段，报告列出了定量方法所有的关键信息。
在OPUS中我们将产生的扩展名为.q2 的方法文件保存下来，该文件将用于进行定量分析。
3定量分析比起设置定量方法来说，未知样品的分析是一件容易的工作。
样品的含量应该落在建模系列所覆盖的含量范围之内。
在进行定量分析过程中，我们选取了通过刷选的15个苹果进行预测，同时测量对应的苹果的糖度来进行验证，比较结果如图3-1所示。
图3-1 校验模型的验证结果从上图中我们可以看到真值和预测值之间的存在一些误差，从上面比较中可以发现除了编号为92号的苹果误差较大外，其他苹果真值和预测值之间的马氏距离不超过0.019，在可接受范围内。
下图3-2中以图的形式形象的表示出预测值和真值之间的关系，通过分析比较结果的RMSEP为0.263，Bias为0.031，SEP为0.27，RPD为4.47。
图3-2 真值和预测值的图表表示3结论与展望苹果的糖度含量指标是能够反映苹果品质的一个关键指标，常规的检测方法虽然能够给出较为精确的分析结果，但是不是无损分析，导致分析成本高，无法结合到实际应用中。
本文中采用近红外光谱分析技术用于苹果糖度含量的快速检测，实验结果表明，该技术能够较为准确的快速测量目标糖度含量，只要是符合刷选条件的苹果拿来测量都能得到苹果的糖度，从糖度可以看出苹果是否好吃。
该实验还存在一些问题，比如样本还不够，测量准确度还不够高等。
因此还存在很多地方需要改进。
另外，还能够对实验进行拓展研究，比如有损苹果、苹果质地等方面的研究。
参考文献[1]陆婉珍,袁洪福,褚小立.近红外光谱仪器.北京:化学工业出版社,2011.2[2]褚小立.化学计量学方法与分子光谱分析技术.北京:化学工业出版社,2011.7[3]严衍禄.近红外光谱分析基础与应用.北京:中国轻工业出版社,2004.10[4]陈鑫,刘飞.蚁群算法在苹果糖度近红外光谱分析波长选择中的应用,期刊,2013-10-15[5]雷松泽,姚红革.近红外光谱分析技术在水果品质无损检测上的应用.期刊,2009-07-15[6]孙力,张世庆,林颢,蔡健荣,陈全胜.苹果糖度近红外光谱检测系统参数优化. 期刊,2010-07-20[7]孙炳新,匡立学,徐方旭,苏阳,赵静.冯叙桥苹果有效酸度的近红外无损检测研. 期刊,2013-04-10[8]宗莉,薛娴,王涛,尤全刚.近红外光谱分析技术在水果内部品质无损检测中的应用.安徽农业科学,2010[9]杨振锋,丛佩华,聂继云,李静,李海飞.我国苹果产业现状、存在问题及建议.北方果树,2006[10]王加华,潘璐,李鹏飞,韩东海.苹果糖度近红外光谱分析模型的温度补偿.光谱学与光谱分析,2009。