基于近紅外光譜技術分析的鮮食葡萄果實的無損檢測與品質(zhì)鑒定.pdf

1、中國是水果生產(chǎn)大國，果樹資源豐富，栽培歷史悠久；自1993年以來，我國水果產(chǎn)量和種植面積均一直穩(wěn)居世界首位。近年來，盡管我國水果產(chǎn)量不斷增加，但水果出口量仍然很小，其原因是水果商品化程度低、品質(zhì)稍差且良莠混雜，導致在國際市場中競爭力弱。影響我國水果商品化程度和競爭力的一個重要原因是果品采后處理技術的落后，尤其是我國水果分級能力弱，檢測效率低。傳統(tǒng)的水果品質(zhì)鑒別和分級方法費時費力，易受到人為因素（如嗅覺、味覺、喜好）的干擾，且對果實內(nèi)部的

2、營養(yǎng)成分缺乏客觀和理性的判別標準。而化學分析法需要對果品進行破碎后逐一檢測，往往檢測的樣本數(shù)量有限，難以保證抽樣的代表性，從而無法實現(xiàn)快速無損檢測?，F(xiàn)行的一些果品采后流水線檢測和分級設備通常僅僅依據(jù)果實大小或重量進行粗略分級，且設備的專用性要求較高，利用率低下。因此，開發(fā)一種快速、高效、無損的果品檢測技術，以滿足果品大規(guī)模品質(zhì)分析和分級處理的需要，提高果品采后處理的標準化水平，是當前水果生產(chǎn)中亟待解決的問題。
　　近年來，隨著計算

3、機技術的迅速發(fā)展和化學計量學方法應用的不斷深入，近紅外光譜成像技術因其具有檢測速度快、效率高、成本低等多方面優(yōu)點，被越來越多地應用于醫(yī)藥、化工、農(nóng)業(yè)、食品等相關行業(yè)領域。目前，由于果品中內(nèi)含物分布的不均一性，以及光譜分析數(shù)據(jù)處理方法帶來的判別模型差異性和不穩(wěn)定性，要求我們對基于近紅外光譜技術分析的果品快速無損檢測方法進行進一步優(yōu)化。
　　本研究以鮮食葡萄果實為試材，嘗試采用近紅外光譜技術與化學計量學方法相結(jié)合的方法，建立果實的快速

4、無損檢測和品質(zhì)鑒定方法。試驗首先選取建模樣品，并按照一定比例隨機分為建模集和驗證集；應用近紅外光譜技術采集供試樣品的原始光譜數(shù)據(jù)。采用多元散射校正（MSC）、導數(shù)、平滑等方法對原始光譜進行預處理，根據(jù)所測組分含量和光譜特征選取合適的光譜波長范圍；再進一步利用偏最小二乘（partial least square，PLS）法和判別分析（discriminant analysis，DA）法，建立水果近紅外光譜的定量模型和定性模型，用于水果樣品

5、中內(nèi)含物的含量預測，以及不同葡萄品種、成熟度、病蟲果實的區(qū)分和鑒定。本試驗研究對于建立鮮食葡萄果實的快速無損檢測和品質(zhì)鑒定方法，提高水果的采后處理水平和商品化程度，推動葡萄栽培生產(chǎn)和產(chǎn)業(yè)發(fā)展，都將具有十分重要的意義。本論文試驗取得了以下主要結(jié)果：
　　1、采用偏最小二乘法（PLS）建立了葡萄果實品質(zhì)組分含量的混合指標定量分析模型，研究和分析了不同光譜預處理方法、光譜范圍的選定對模型預測性能的影響。在此基礎上，以夏黑、溫克、巨峰二次

6、果為樣品建立了三個混合定量模型，對果實總酚、總糖、果糖、蔗糖、可溶性固形物5項品質(zhì)指標進行了預測分析。結(jié)果表明，多元散射校正（MSC）+一階導數(shù)（1st derivative）+Norris平滑為適宜的近紅外光譜數(shù)據(jù)的預處理方法，預測結(jié)果除少數(shù)指標的相關系數(shù)較低，在0.77~0.89之間，其余指標均在0.90以上，均方根誤差在0.022~1.41之間，表征模型預測結(jié)果良好。
　　2、建立了葡萄果實14個樣本集的單一指標模型，與混合

7、指標模型相比，預測精度高，專用性強，總體模型水平較高。利用建好的模型對未知果實樣品的品質(zhì)組分含量進行定量分析，以評估模型的實際預測能力。其中，在用于預測單個樣品時，以“溫克”葡萄果實為例，采用外部驗證的方式對隨機選取的果實樣品進行預測，結(jié)果表明，果實總酚、果糖、蔗糖、可溶性固形物、總糖5個品質(zhì)成分的預測值與化學測定真值接近，預測結(jié)果較好。在用于預測批量樣品時，以“巨峰”葡萄二次果為例，對10個未知果實樣品中的品質(zhì)組分含量進行預測，均取得

8、理想的預測結(jié)果。
　　3、運用判別分析（DA）方法，對夏黑、巨玫瑰、醉金香、藤稔、比昂扣、京亞、紅富士、金手指、巨峰、溫克10個不同品種共計114個葡萄果實樣品建立了定性識別模型。結(jié)果表明，在采用SNV+一階導數(shù)+Norris平滑或SNV+log10+Norris平滑的兩種光譜數(shù)據(jù)預處理方法時，模型的正確識別率最高，達到了92.11％。采用主成分分析法（PCA）剔除異常光譜樣品，10個供試葡萄品種能得到顯著區(qū)分；表明建立的定性模型

9、能夠?qū)︴r食葡萄果實樣品進行品種識別分析。
　　4、為了鑒別同一葡萄品種的不同成熟度果實樣品，采用定性分析中的判別分析（DA）方法，對“溫克”葡萄的未成熟、轉(zhuǎn)色期、成熟期3種不同成熟度果實樣品（共計45個樣本）建立定性識別模型；結(jié)果表明，采用SNV+一階導數(shù)+Norris平滑的光譜數(shù)據(jù)預處理方法，模型的正確識別率為88.89%，不同成熟度果實樣品能夠得到顯著區(qū)分。
　　5、為了鑒別同一葡萄品種的不同成熟度及病害果實樣品，采用定