柚果內(nèi)部品質(zhì)無(wú)損檢測(cè) 可見(jiàn)近紅外光譜法-征求意見(jiàn)稿

1T/GDNBXXXX—2023柚果內(nèi)部品質(zhì)無(wú)損檢測(cè)可見(jiàn)/近紅外光譜法本文件規(guī)定了柚果設(shè)備、無(wú)損測(cè)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?；焚|(zhì)參數(shù)同步無(wú)損檢測(cè)，不適用于仲裁檢驗(yàn)。2規(guī)范性引用文件下列文件中的內(nèi)容通過(guò)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(duì)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(yàn)方法GB/T8858水果、蔬菜產(chǎn)品中干物質(zhì)和水分含量測(cè)定方法3術(shù)語(yǔ)和定義下列術(shù)語(yǔ)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(shí)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?；景怂械拇蟛糠殖煞趾浚虼艘彩窃u(píng)價(jià)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(gè)常用指標(biāo)。對(duì)于水果而言，含水量的多少對(duì)品質(zhì)有著很大的影響。含水量高時(shí)，水果堅(jiān)挺飽滿，光澤鮮艷，鮮嫩可口，但容易受到機(jī)械傷害和病原物侵染；水果組織失水后，就會(huì)出現(xiàn)萎蔫皺縮，品質(zhì)下降，商品價(jià)值降低。所以，測(cè)定水果組織含水量具有重要的實(shí)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?jǐn)?shù)（%）來(lái)表示。3.3汁胞硬?；痸esiclegranulation汁胞硬粒化是柑橘類(lèi)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(yàn)集validationset在機(jī)器學(xué)習(xí)中，研究和構(gòu)建算法用來(lái)對(duì)數(shù)據(jù)進(jìn)行學(xué)習(xí)和預(yù)測(cè)是一個(gè)常見(jiàn)任務(wù)，這些算法是通過(guò)基于數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)或決策工作，即對(duì)輸入的數(shù)據(jù)搭建數(shù)學(xué)模型。訓(xùn)練集用于用來(lái)訓(xùn)練模型或確定模型參數(shù)。校驗(yàn)集用于用來(lái)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(xiàng)。3.5預(yù)測(cè)集validationset測(cè)試集檢驗(yàn)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(cè)定值同時(shí)進(jìn)行分析，最大程度提取兩者之間相關(guān)性信息，在對(duì)數(shù)據(jù)矩陣進(jìn)行分解降維的同時(shí)進(jìn)行回歸分析，可用于組分2T/GDNBXXXX—2023復(fù)雜的樣品體系。數(shù)據(jù)矩陣分解和回歸交互運(yùn)算同時(shí)進(jìn)行，得到的特征值向量直接與被測(cè)品質(zhì)參數(shù)或者屬性值進(jìn)行相關(guān)性分析。4原理可見(jiàn)近近紅外光譜儀（VisibleNearInfraredSpectrumInstrument，Vis-NIRS）波長(zhǎng)范圍為350nm～2526nm，近紅外光是介于可見(jiàn)光和中紅外之間的電磁波，可見(jiàn)光對(duì)被測(cè)樣本顏色變化較敏感，近紅外光主要是對(duì)含氫基團(tuán)X-H（X=C、N、O）振動(dòng)的倍頻和合頻吸收，使得經(jīng)過(guò)被測(cè)樣本反射或者透射的近紅外光攜帶被測(cè)樣本相關(guān)品質(zhì)信息。通過(guò)建立光譜與待測(cè)參數(shù)之間的對(duì)應(yīng)關(guān)系（稱為分析模型通過(guò)光譜和對(duì)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(cè)兩個(gè)過(guò)程：1）在校正過(guò)程中，收集一定量有代表性的樣品（一般需要100個(gè)樣品以上在測(cè)量其光譜圖的同時(shí)，根據(jù)需要使用有關(guān)標(biāo)準(zhǔn)分析方法進(jìn)行測(cè)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(guò)化學(xué)計(jì)量學(xué)對(duì)光譜進(jìn)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(duì)應(yīng)映射關(guān)系，通常稱之為模型。對(duì)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?fù)浞椒ǖ龋?）在預(yù)測(cè)過(guò)程中，使用近紅外光譜儀測(cè)定待測(cè)樣品的光譜圖，通過(guò)軟件自動(dòng)對(duì)模型庫(kù)進(jìn)行檢索，選擇正確模型計(jì)算待測(cè)質(zhì)量參數(shù)。5儀器PAL-GrapeMust型數(shù)字折光儀，ATAGO（愛(ài)拓）中國(guó)分公司；游標(biāo)卡尺（測(cè)量范圍0mm～300mm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?？梢?jiàn)/近紅外透射光譜檢測(cè)系統(tǒng)：計(jì)算機(jī)、QE65Pro型光譜儀（光譜范圍：350nm～1100nm，光譜分辨率：3.6nm，像素間隔分辨率：0.75nm，像素：1024×58（1044×64總像素），狹縫：100um，信噪比：1000：1（全信號(hào)），光路：f/4，交叉式Czerny-Turner，暗噪聲：3RMScounts，積分時(shí)間：8ms～60min）、實(shí)驗(yàn)暗箱、光源、光纖、自動(dòng)校準(zhǔn)黑白參考板、電源和托盤(pán)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(lái)自廣東梅州，柚子樣品應(yīng)精選無(wú)損傷的柚子，至少需要選擇100個(gè)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℃~7分析步驟7.1樣品參考數(shù)據(jù)測(cè)定7.1.1總可溶性固形物含量（TSSC）測(cè)試采集Vis-NIRS光譜后通過(guò)數(shù)字袖珍折光儀進(jìn)行TSSC評(píng)估。將柚子樣品去皮，得到果肉，然后粉碎均質(zhì)，用紗布過(guò)濾出汁液為樣液。TSSC測(cè)試按GB/T8210執(zhí)行。7.1.2含水量測(cè)試按GB/T8858執(zhí)行。7.1.3汁胞硬?；瘻y(cè)試Vis-NIRS光譜采樣后進(jìn)行汁胞硬粒化評(píng)估。沙田柚由于汁胞硬粒化通常在收獲后約3個(gè)月發(fā)生，因此在儲(chǔ)存3至5個(gè)月之間每隔一天取樣兩個(gè)儲(chǔ)存的柚子果實(shí)；而蜜柚則根據(jù)其生長(zhǎng)期，每周采集20個(gè)柚子果實(shí)樣本進(jìn)行實(shí)驗(yàn)。通過(guò)將柚子果實(shí)縱向切成1/8來(lái)測(cè)試汁胞硬?；y(cè)量硬?；娣e與總果實(shí)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43T/GDNBXXXX—2023表示比率大于40%。7.2檢測(cè)模型建立采用建模軟件，優(yōu)化參數(shù)，進(jìn)行光譜預(yù)處理。同時(shí)，使用偏最小二乘法(PLSR)，利用化學(xué)計(jì)量學(xué)原理建立檢測(cè)模型。7.2.1檢測(cè)模型的選擇根據(jù)檢測(cè)指標(biāo)選用對(duì)應(yīng)的檢測(cè)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(guò)程中，測(cè)定條件以及樣品和環(huán)境溫度盡量保持一致。光譜信號(hào)通過(guò)柚子從右側(cè)傳輸?shù)阶髠?cè)，每個(gè)樣品僅采樣一次，以對(duì)應(yīng)于裝配線上的應(yīng)用。將柚子果實(shí)的莖端排列在托盤(pán)上，由QEPRO和光譜儀獲得的光譜信號(hào)波長(zhǎng)分別為400nm～1100nm。預(yù)采樣過(guò)程為1）保存暗電流值D2）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(cè)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(cè)模型建立應(yīng)用SavitzkyGolay（SG）來(lái)降低不平滑噪聲。再用標(biāo)準(zhǔn)正態(tài)變量（SNV）方法對(duì)光譜進(jìn)行歸一化，將競(jìng)爭(zhēng)性自適應(yīng)重新加權(quán)采樣（CARS）應(yīng)用于939個(gè)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(cè)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：C(n×s)=+Q(h×s)+F(n×s)式中：C(n×s)——n個(gè)樣本的被測(cè)屬性值或品質(zhì)指標(biāo)值矩陣；T(n×m)——n個(gè)樣本具有m個(gè)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(cè)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(cè)屬性或品質(zhì)指標(biāo)的濃度載荷陣；F(n×s)——被測(cè)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(cè)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(jìn)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(cè)模型。7.2.5汁胞硬?；臋z測(cè)模型建立基于SavitzkyGolay（SG)處理來(lái)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(cè)模型。7.2.6評(píng)價(jià)指標(biāo)評(píng)價(jià)指標(biāo)有：決定系數(shù)（thecoefficientofdetermination，R2）和均方根誤差（rootmeansquareerror，RMSE）等，適用于衡量模型精度。R2=1-σiy_ctual-y_redictl2σiy_ctual-y_ean24T/GDNBXXXX—20232iy_actual/nσi=1-2iy_actual/nσi=1-y_predictl2/nσiii2/nσiy_actual-y_mean2/nn2/nRMSE=RMSE=i=1y_actual-y_predict模型評(píng)價(jià)通過(guò)內(nèi)部交叉驗(yàn)證（校驗(yàn)集）和樣本測(cè)試（預(yù)測(cè)集）進(jìn)行。其中，校驗(yàn)集決定系數(shù)（R2cal）和預(yù)測(cè)集決定系數(shù)（R2pre）越高，伴隨校驗(yàn)均方根誤差（RMSEC）和預(yù)測(cè)集均方根誤差（RMSEP）值越低，模型精度越好。檢測(cè)模型的決定系數(shù)、均方根誤差參見(jiàn)附錄A。7.2.7檢測(cè)模型的更新在對(duì)來(lái)自與建模所用樣品集不同產(chǎn)地、不同成熟度、不同栽培方式或不同年份等的果實(shí)進(jìn)行檢測(cè)前，需要升級(jí)定標(biāo)模型，操作上將新采集到的具有代表性的柚子果實(shí)25個(gè)～45個(gè)，掃描其近紅外光譜，用標(biāo)準(zhǔn)理化分析方法測(cè)定相應(yīng)的總可溶性固形物含量、含水量和汁胞硬粒化程度，然后將這些樣品相應(yīng)參數(shù)加入到檢測(cè)訓(xùn)練集中，用原有的檢測(cè)方法進(jìn)行計(jì)算，即獲得升級(jí)的檢測(cè)模型。5T/GDNBXXXX—2023（資料性）校正模型校正評(píng)價(jià)指標(biāo)檢測(cè)模型的決定系數(shù)、均方根誤差見(jiàn)表A.1。表A.1校正模型校正評(píng)價(jià)指標(biāo)6T/GDNBXXXX—2023[1]GB/T1.1標(biāo)準(zhǔn)化工作導(dǎo)則第1部分：標(biāo)準(zhǔn)化文件的結(jié)構(gòu)和起草規(guī)則[2]孫瀟鵬,劉燦燦,陸華忠等.基于近紅外透射光譜與機(jī)器視覺(jué)的蜜柚汁胞?；旨?jí)檢測(cè)[J].食品科學(xué)技術(shù)學(xué)報(bào),2021,39(01):37-45.[3]孫瀟鵬,徐賽,陸華忠.基于光譜技術(shù)與光學(xué)仿真的柚果在線檢測(cè)托盤(pán)設(shè)計(jì)與試驗(yàn)[J].食品與機(jī)械,2019,35(12):56-62.DOI:10.13652/j.issn.1003-5788.2019.12.011.[4]Xu，S.;Lu，H.;Liang，X.;Ference，C.;Qiu，G.;Fan，C.ModelingandDe-NoisingforNondestructiveDetectionofTotalSolubleSolidContentofPomelobyUsingVisible/NearInfraredSpectroscopy.Foods2023，12，2966./10.3390/foods1215