《柚果內(nèi)部品質(zhì)無損檢測 可見-近紅外光譜法》

ICS

CCS

團體標(biāo)準(zhǔn)

T/GDNBXXXX—2023

柚果內(nèi)部品質(zhì)無損檢測

可見/近紅外光譜法

Non-destructivetestingofpomelointernalqualityby

visible/near-infraredspectroscopy

（征求意見稿）

在提交反饋意見時，請將您知道的相關(guān)專利連同支持性文件一并附上。

XXXX-XX-XX發(fā)布XXXX-XX-XX實施

廣東省農(nóng)業(yè)標(biāo)準(zhǔn)化協(xié)會??發(fā)布

T/GDNBXXXX—2023

柚果內(nèi)部品質(zhì)無損檢測可見/近紅外光譜法

1范圍

本文件規(guī)定了柚果設(shè)備、無損測量方法、建模方法、結(jié)果輸出等。

本文件適用于采后柚果可溶性固形物含量、含水量和汁胞硬粒化品質(zhì)參數(shù)同步無損檢測，不適用于

仲裁檢驗。

2規(guī)范性引用文件

下列文件中的內(nèi)容通過文中的規(guī)范性引用而構(gòu)成本文件必不可少的條款。其中，注日期的引用文件，

僅該日期對應(yīng)的版本適用于本文件；不注日期的引用文件，其最新版本（包括所有的修改單）適用于本

文件。

GB/T8210柑桔鮮果檢驗方法

GB/T8858水果、蔬菜產(chǎn)品中干物質(zhì)和水分含量測定方法

3術(shù)語和定義

下列術(shù)語和定義適用于本文件。

3.1

總可溶性固形物含量totalsolublesolidcontent，TSSC

可溶性固形物指果實中的總糖、總酸、維生素、礦物質(zhì)等所有可溶解于水的化合物的總稱。基本包

含了水果中的大部分成分含量，因此也是評價水果是否好吃的最主要指標(biāo)。而總糖占其中的75%～85%，

可直接反映出水果甜度高低。

3.2

含水量moisturecontent，MC

含水量是表示果蔬組織水分狀況的一個常用指標(biāo)。對于水果而言，含水量的多少對品質(zhì)有著很大的

影響。含水量高時，水果堅挺飽滿，光澤鮮艷，鮮嫩可口，但容易受到機械傷害和病原物侵染；水果組

織失水后，就會出現(xiàn)萎蔫皺縮，品質(zhì)下降，商品價值降低。所以，測定水果組織含水量具有重要的實踐

意義。水果組織的含水量可用水分含量占鮮重的質(zhì)量分數(shù)（%）來表示。

3.3

汁胞硬?；痸esiclegranulation

汁胞硬粒化是柑橘類水果中汁液囊的一種生理失調(diào)，其汁液囊變硬、干燥膨大，風(fēng)味寡淡，木質(zhì)化

變硬，口感丟失。

3.4

校驗集validationset

在機器學(xué)習(xí)中，研究和構(gòu)建算法用來對數(shù)據(jù)進行學(xué)習(xí)和預(yù)測是一個常見任務(wù)，這些算法是通過基于

數(shù)據(jù)驅(qū)動的預(yù)測或決策工作，即對輸入的數(shù)據(jù)搭建數(shù)學(xué)模型。訓(xùn)練集用于用來訓(xùn)練模型或確定模型參數(shù)。

校驗集用于用來調(diào)參、選擇特征以及調(diào)整其他和學(xué)習(xí)算法相關(guān)的選項。

3.5

預(yù)測集validationset

測試集檢驗最終選擇最優(yōu)的模型的性能如何。

3.6

偏最小二乘回歸partialleastsquaresregression，PLSR

偏最小二乘回歸是一種多元回歸分析的建模方法，是將樣本采集的數(shù)據(jù)與其理化測定值同時進行分

析，最大程度提取兩者之間相關(guān)性信息，在對數(shù)據(jù)矩陣進行分解降維的同時進行回歸分析，可用于組分

1

T/GDNBXXXX—2023

復(fù)雜的樣品體系。數(shù)據(jù)矩陣分解和回歸交互運算同時進行，得到的特征值向量直接與被測品質(zhì)參數(shù)或者

屬性值進行相關(guān)性分析。

4原理

可見近近紅外光譜儀（VisibleNearInfraredSpectrumInstrument，Vis-NIRS）波長范圍為350

nm～2526nm，近紅外光是介于可見光和中紅外之間的電磁波，可見光對被測樣本顏色變化較敏感，近

紅外光主要是對含氫基團X-H（X=C、N、O）振動的倍頻和合頻吸收，使得經(jīng)過被測樣本反射或者

透射的近紅外光攜帶被測樣本相關(guān)品質(zhì)信息。通過建立光譜與待測參數(shù)之間的對應(yīng)關(guān)系（稱為分析模型），

通過光譜和對應(yīng)關(guān)系，能很快得到所需要的質(zhì)量參數(shù)數(shù)據(jù)。分析方法包括校正和預(yù)測兩個過程：

1）在校正過程中，收集一定量有代表性的樣品（一般需要100個樣品以上），在測量其光譜圖的

同時，根據(jù)需要使用有關(guān)標(biāo)準(zhǔn)分析方法進行測量，得到樣品的各種質(zhì)量參數(shù)，稱之為參考數(shù)據(jù)。通過化

學(xué)計量學(xué)對光譜進行處理，并將其與參考數(shù)據(jù)關(guān)聯(lián)，這樣在光譜圖和其參考數(shù)據(jù)之間建立起一一對應(yīng)映

射關(guān)系，通常稱之為模型。對于建立模型所使用的校正方法視樣品光譜與待分析的性質(zhì)關(guān)系不同而異，

常用的有多元線性回歸，主成分回歸，偏最小二乘，人工神經(jīng)網(wǎng)絡(luò)和拓撲方法等；

2）在預(yù)測過程中，使用近紅外光譜儀測定待測樣品的光譜圖，通過軟件自動對模型庫進行檢索，

選擇正確模型計算待測質(zhì)量參數(shù)。

5儀器

PAL-GrapeMust型數(shù)字折光儀，ATAGO（愛拓）中國分公司；游標(biāo)卡尺（測量范圍0?mm～300?mm），

上海申韓量具有限公司；DHC-9030A型電熱鼓風(fēng)干燥箱，上海一恒科學(xué)儀器有限公司。

可見/近紅外透射光譜檢測系統(tǒng)：計算機、QE65Pro型光譜儀（光譜范圍：350?nm～1100?nm，光

譜分辨率：3.6?nm，像素間隔分辨率：0.75?nm，像素：1024×58（1044×64總像素），狹縫：100?um，

信噪比：1000：1（全信號），光路：f/4，交叉式Czerny-Turner，暗噪聲：3RMScounts，積分時間：

8ms～60min）、實驗暗箱、光源、光纖、自動校準(zhǔn)黑白參考板、電源和托盤等。

6樣品集的選擇

參與定標(biāo)的柚子樣品分為沙田柚跟蜜柚兩種，都來自廣東梅州，柚子樣品應(yīng)精選無損傷的柚子，至

少需要選擇100個以上，剔除外部破損和畸形的蜜柚，擦拭蜜柚外部污漬，擦拭晾干后存于室溫（19?℃～

21?℃）靜置24?h。

7分析步驟

7.1樣品參考數(shù)據(jù)測定

7.1.1總可溶性固形物含量（TSSC）測試

采集Vis-NIRS光譜后通過數(shù)字袖珍折光儀進行TSSC評估。將柚子樣品去皮，得到果肉，然后粉碎

均質(zhì)，用紗布過濾出汁液為樣液。TSSC測試按GB/T?8210執(zhí)行。

7.1.2含水量測試

按GB/T8858執(zhí)行。

7.1.3汁胞硬粒化測試

Vis-NIRS光譜采樣后進行汁胞硬?；u估。沙田柚由于汁胞硬?；ǔＴ谑斋@后約3個月發(fā)生，

因此在儲存3至5個月之間每隔一天取樣兩個儲存的柚子果實；而蜜柚則根據(jù)其生長期，每周采集20

個柚子果實樣本進行實驗。通過將柚子果實縱向切成1/8來測試汁胞硬?；y量硬?；娣e與總果

實面積之間的比率。汁胞硬粒度為0表示比率為0%，汁胞硬粒度為1表示比率在0%和10%之間，汁胞

硬粒度為2表示比率在10%和25%之間，汁胞硬粒度為3表示比率在25%和40%之間，汁胞硬粒度為4

2

T/GDNBXXXX—2023

表示比率大于40%。

7.2檢測模型建立

采用建模軟件，優(yōu)化參數(shù)，進行光譜預(yù)處理。同時，使用偏最小二乘法(PLSR)，利用化學(xué)計量學(xué)原

理建立檢測模型。

7.2.1檢測模型的選擇

根據(jù)檢測指標(biāo)選用對應(yīng)的檢測模型，其Vis-NIRS光譜應(yīng)能代表試樣的特征。

7.2.2光譜數(shù)據(jù)采集

光譜數(shù)據(jù)收集過程中，測定條件以及樣品和環(huán)境溫度盡量保持一致。光譜信號通過柚子從右側(cè)傳輸

到左側(cè)，每個樣品僅采樣一次，以對應(yīng)于裝配線上的應(yīng)用。

將柚子果實的莖端排列在托盤上，由QEPRO和光譜儀獲得的光譜信號波長分別為400nm～1100?nm。

預(yù)采樣過程為：（1）保存暗電流值D，（2）保存參考值R（3.6cm厚光譜校準(zhǔn)硫酸鋇材料面板）。最

后，在柚子采樣檢測器響應(yīng)值(P)下，柚子的傳輸率等于（P?D）/(R?D)。

7.2.3總可溶性固形物含量的檢測模型建立

應(yīng)用SavitzkyGolay（SG）來降低不平滑噪聲。再用標(biāo)準(zhǔn)正態(tài)變量（SNV）方法對光譜進行歸一

化，將競爭性自適應(yīng)重新加權(quán)采樣（CARS）應(yīng)用于939個光譜響應(yīng)值（400nm～1100nm）的特征提取。

最后采用偏最小二乘回歸（PLSR）用于構(gòu)建總可溶性固形物含量的檢測模型。模型中，各品質(zhì)指標(biāo)（SSC）

與光譜數(shù)據(jù)間內(nèi)部關(guān)系如下式所示：

-

(n×m)(n×m）(h×s)

(n×s)=+(h×s)+(n×s)

(h×m)λ

TEU(n×h)

式中：CQF

P

C(n×s)——n個樣本的被測屬性值或品質(zhì)指標(biāo)值矩陣；

T(n×m)——n個樣本具有m個數(shù)據(jù)信息矩陣；

E(n×m)——數(shù)據(jù)參數(shù)矩陣的殘差矩陣；

P(h×m)——數(shù)據(jù)參數(shù)載荷陣；

U(n×h)——被測屬性或品質(zhì)指標(biāo)濃度特征因子陣；

λ(n×h)——數(shù)據(jù)參數(shù)特征因子陣。

Q(h×s)——被測屬性或品質(zhì)指標(biāo)的濃度載荷陣；

F(n×s)——被測屬性或品質(zhì)指標(biāo)濃度矩陣殘差知陣。

7.2.4含水量的檢測模型建立

采用SavitzkyGolay（SG）和乘法散射校正法（MSC）處理光譜數(shù)據(jù)去除不平滑和散射噪聲，采用

遺傳算法（GA）進行選擇特征。最后，采用偏最小二乘回歸（PLSR）構(gòu)建柚子含水量檢測模型。

7.2.5汁胞硬粒化的檢測模型建立

基于SavitzkyGolay（SG)處理來降低不平滑噪聲，采用偏最小二乘回歸（PLSR）構(gòu)建造粒度檢測

模型。

7.2.6評價指標(biāo)

評價指標(biāo)有：決定系數(shù)（thecoefficientofdetermination，R2）和均方根誤差（rootmeansquare

error，RMSE）等，適用于衡量模型精度。

2

yi-yi

2i_actual_predictl

R=1-2

ii

iy_actual-y_mean

3

T/GDNBXXXX—2023

2

i

y-y_predictl/n

i

=12

i_acituali

iy_actual-y_mean/n

-

n2

2

RMSE=y_actual-y_predict/n

i=1

2

模型評價通過內(nèi)部交叉驗證（校驗集