基于可見/近紅外光譜的柑橘糖度在線檢測分選系統的設計與試驗

劉豪，龔中良，文韜，王志宇，代興勇

基于可見/近紅外光譜的柑橘糖度在線檢測分選系統的設計與試驗

劉豪，龔中良*，文韜，王志宇，代興勇

(中南林業科技大學機電工程學院，湖南 長沙 410004)

在6GF–4型林果無損檢測與分選成套設備中，設計了基于可見/近紅外光譜的柑橘糖度在線檢測分選系統，系統主要包括傳輸裝置、光譜采集裝置、控制系統以及分選裝置。系統在柑橘果實運動狀態中采集其光譜信息，并通過所建立的果實糖度模型進行同步計算，根據所得糖度值對柑橘果實實現在線分選。在光譜采集裝置中設計了雙透鏡式光路，可改變投射于柑橘果實上的光斑大小，通過研究比較試驗參數積分時間和光斑尺寸大小，得出系統的最佳采集參數為積分時間100 ms，光斑尺寸設置為小，樣本移動速率為5個/s。建立的SPXY–CARS– PLSR柑橘糖度在線檢測模型校準集和預測集的決定系數分別為0.938和0.836，校準集和預測集的均方根誤差分別為0.273 °Brix和0.418 °Brix。使用未參與建模的25個柑橘果實樣本進行外部驗證集的在線檢測和分選，結果在1°Brix的誤差范圍內，檢測糖度的準確率為92%；當樣本分為4個等級時，系統分選正確率為92%；當樣本分為3個等級時，系統分選正確率可達100%。

柑橘；糖度；在線檢測；可見/近紅外光譜；積分時間；光斑尺寸

可見/近紅外光譜(Vis–NIR)檢測技術已經應用于梨黑心病的無損檢測[1]、柑橘黃龍病的無損檢測[2]、茶油原產地鑒別[3]、芒果成熟度檢測[4]、花生蛋白組分檢測[5]等，對類球狀水果的可溶性固形物含量的在線檢測和分級也已取得進展[6]。ZHAO等[7]開發了蘋果內部品質自動檢測與分類機器人系統，利用末端執行器抓取蘋果時采集近紅外光譜，對蘋果可溶性固形物含量進行預測，預測均方根誤差為0.393，單個樣本的分類耗時約為5.2 s。李龍等[8]設計了蘋果內外品質檢測分級系統，采用漫反射檢測方式，預測集均方根誤差為0.448 7，單個樣本的檢測時間為0.71 s。劉燕德等[9]采用漫透射光路，以托盤式果杯運輸方式進行番茄的糖度含量和碰傷情況同時在線檢測，其中，糖度含量預測均方根誤差為0.43，分選正確率為91%。高榮杰[10]以4個環形布置且向下傾斜的鹵鎢燈照射樣本赤道部位，以3個/s、積分時間100 ms的試驗條件采集光譜信息，建立的蘋果糖度預測模型預測集相關系數為0.89，均方根誤差為0.69 oBrix。

筆者在6GF–4型林果無損檢測與分選成套設備中設計了雙透鏡式光路的柑橘糖度的在線檢測分選系統：通過改變光斑大小，并以不同采集參數在線采集柑橘果實的可見/近紅外光譜，建立柑橘果實糖度的預測模型；將最優預測模型應用于糖度分選系統，進行了綜合性能測試與外部驗證。

1　柑橘糖度在線檢測分選系統的結構與工作原理

柑橘糖度在線檢測與分選系統的結構如圖1所示。系統主要包括傳輸裝置、光譜采集裝置、控制系統和分選裝置。

圖1　柑橘糖度在線檢測與分選系統的結構

傳輸裝置采用鏈傳動方式，通過變頻器進行調速，利用雙錐滾子式果杯運輸柑橘果實，以減少碰撞損傷，便于后續分級。光譜采集裝置如圖2所示。以帶有燈杯的鹵素燈作為光源，直流電源，電壓12 V，功率50 W，燈杯型號為MR16。為盡量減少光源光照強度的損失，完成對光斑大小的調節，采用雙凸透鏡光路：中間的凸透鏡使用插拔式模塊裝載，當模塊未裝載透鏡時，柑橘表面形成小光斑，光斑直徑約40 mm；裝載凸透鏡時形成大光斑，光斑直徑約80 mm。因光路裝置需裝載于在線設備上，為節省空間，采用45°平面鏡，以減小產線垂直方向占用空間。出射光路中同樣也裝備了1個凸透鏡，安裝方向相反，主要起到準直光線的作用。為進一步提高光譜采集強度，減小光束發散角，出射光路末端增加了光纖準直鏡。光路置于黑箱箱體中，裝置進出口加裝黑色遮光簾，以減小雜散光的影響。

1　散熱風扇；2　鹵素燈；3　插拔式模塊；4　平面鏡；5　凸透鏡；6　柑橘樣本；7　雙錐滾子式果杯；8　凸透鏡；9　平面鏡；10　準直鏡；11　接收光纖；12　黑箱箱體。

控制系統主要由PLC、光電位置傳感器和自行開發的光譜檢測軟件共同組成。傳輸路徑上設有光電位置傳感器，果杯通過時觸發一次光電開關，光譜儀接收光電位置傳感器的高電平信號后，實時采集柑橘果實的可見/近紅外光譜數據，檢測軟件實現采集參數的設置以及光譜數據的實時記錄與分析，根據導入的糖度預測模型對柑橘果實糖度進行實時檢測并得出對應糖度，再發送對應的指令到PLC，當柑橘被傳輸到對應分級箱位置時，分級裝置根據設置的程序驅動對應的電磁分級撥桿，完成柑橘糖度的在線檢測與分選。

柑橘糖度在線檢測與分選系統控制器選用三菱PLC，型號為FX3U–64MT。光譜儀為海洋光學公司(美國)FLAME–S–VIS–NIR–ES光譜儀，探測器配置索尼ILX511B線陣硅基檢測器，檢測波長范圍為350～1050 nm，像素個數為2048，即波長點個數為2048。

2　光譜信息采集與糖度測定

2.1　光譜信息采集

選取70個果徑65～85 mm柑橘果實樣本，清洗后編號，在20 ℃、相對濕度40%的室內存放24 h后，在線采集它們的可見/近紅外光譜信息。

對光譜檢測的積分時間的長短以及光斑大小進行對比分析，以確定最佳采集參數。試驗采取的傳輸速度為5個/s，積分時間分別為50、80、100 ms，積分時間的更改在自主開發的軟件上完成。設備運行平穩后開始試驗，關閉光源，以采集暗光譜數據；打開光源，以空氣作為試驗參比，采集亮光譜數據。柑橘果實樣本均通過人工放置，以確保位姿均為樣品果梗與光路方向平行，赤道面與光路垂直，以降低果梗對光信號的影響。每一樣本在相同條件下采集3次，計算其平均光譜作為每個樣品的最終光譜。為盡可能消除雜散光對光譜檢測的影響，采用樣本的透射率作為建模分析和檢測數據。

在對光斑大小性能檢測時，入射光路中插入裝載有透鏡的插拔式模塊或未裝載透鏡的插拔式模塊，使用2種光斑條件下采集到的所有樣本的平均光譜進行對比。

基于確定的最佳采集參數，采集124個柑橘果實樣本的在線光譜，每個樣本以同樣姿態采集3次，取其平均光譜作為最終數據建模用光譜。

2.2　柑橘果實糖度值的測定

采集柑橘果實光譜數據后，將柑橘果實剝皮并套上過濾袋，使用手動榨汁機壓榨出汁并編號。使用清水標定零點后，滴取樣本汁液于糖度計(PAL–1型)的檢測槽內。每個樣品重復測量3次，取其平均值作為糖度參考值。

3　柑橘果實糖度預測模型的建立

模型性能通過校正集和預測集的決定系數(c2和p2)和均方根誤差(RMSEC和RMSEP)進行評價，c2和p2越接近于1，RMSEC和RMSEP越小且越接近，則模型的穩定性與精度越好[11]。試驗采用X–Y共生距離法(SPXY)，以3∶1的比例進行樣本集的劃分。由于在線采集過程中會受到雜散光、機械振動的影響，因而采用SG平滑對所采集的光譜數據進行預處理，以提高信噪比[12]。光譜數據中各波長點之間存在多重共線性，這會降低模型精度以及增加預測模型計算所需時間，所以對光譜數據進行特征波長選取，以提升模型預測準確性和實用性。采用競爭自適應重加權算法(CARS)進行特征波長選取，上述數據分析過程均在Matlab2019a中進行。模型的建立方法為偏最小二乘回歸法(PLSR)，建模計算運用Unscrambler X10.4完成。

3.1　積分時間對建模結果的影響

積分時間決定光譜儀探測器單次采集光子信息的持續時間，其值的大小通常需要小于樣本運輸周期，在線檢測時各部件的通訊時間以及數據處理時間也需要考慮在內。光譜儀外觸發接口響應延遲時間約35 ms，采用PLC接收光電門信號以及發送脈沖需20 ms左右，光譜儀讀取FIFO緩存數據和程序計算時間合計約30 ms，為確保在線檢測時不發生信息紊亂，通常需要留出波動時間約10 ms：因此，采用積分時間50、80、100 ms采集樣本光譜信息，對比分析建模效果。

從70個柑橘果實不同積分時間的透射率(圖3)可看出，不同積分時間的平均光譜波峰、波谷出現的位置類似，在650、700、800 nm附近出現了較為明顯的波峰，在680 nm和820 nm附近出現了較為明顯的波谷；在600～800 nm，隨著積分時間的增加，透射率也增加，這表明積分時間的增加可能在譜圖中反映出更多的樣本內部品質信息。

圖3　柑橘果實不同積分時間的透射率

為探究積分時間對建模結果的影響，使用70個柑橘果實樣本在不同積分時間下的光譜數據進行PLSR建模。由于光譜儀獲取的光譜信號在兩端的信噪比較低，為避免噪聲信號干擾和數據冗雜對建模結果造成負面影響，選取波長500～850 nm的光譜數據建模，建模結果(表1)表明，積分時間為100 ms時，校正集和預測集的決定系數分別為0.873和0.794，校正集和預測集的均方根誤差分別為0.386 °Brix和0.433 °Brix，建模效果最好，這表明積分時間的增加與模型性能呈正相關。

表1　不同積分時間的糖度預測模型結果

3.2　光斑大小對建模結果的影響

分別采集大光斑狀態和小光斑狀態下的柑橘果實光譜數據，所得平均光譜如圖4所示。與積分時間的影響相比，光斑大小的影響較小，波峰、波谷的出現波段仍然相近，小光斑在710 nm附近的透射率略高于大光斑的，這可能是在有限的積分時間里，小光斑較高的光照效率使得透射率更高。

圖4　柑橘果實在不同光斑狀態下的透射率

相同速度和相同積分時間條件下，光斑大小能夠對光譜檢測造成影響。柑橘果實屬于非均勻介質，介質內部的密度起伏以及分子的各向異性會使得光能量的空間分布發生變化，而光斑區域的縮小，在取得較高光照效率的同時，使得光路過程中的散射程度降低，接收光路能夠獲取更多樣本信息。為驗證光斑大小對建模結果的影響，取相同波段500～850 nm數據進行PLSR建模，建模結果(表2)表明，小光斑的建模效果優于大光斑的，可見雙透鏡光路設計可有效優化在線檢測效果。

表2　不同光斑大小的糖度預測模型結果

3.3　在線檢測模型的建立

調整積分時間為100 ms、光斑為小光斑、柑橘移動速度為5個/s，采用SPXY方法對124個柑橘果實樣本進行校正集和預測集的劃分，校正集與預測集的平均值接近且糖度最大值與最小值均在校正集內。競爭性自適應重加權算法(CARS)[13]是一種基于蒙特卡羅隨機采樣和PLS決定系數的特征波長選取方法。CARS算法隨著運行次數的增加，保留的波長變量越來越少，在前23次運行中，均方根誤差隨著運行次數的增加而減少，23次運行之后，均方根誤差隨著運行次數的增加而增加，此時特征波長個數為67個。由運行次數與各變量回歸系數的變化關系可知，在運行次數為23時，交互驗證均方根誤差出現最低點，故保留波長為23次運行結果的67個特征波長。

在建模方法中，對比了劃分集合后的原始光譜進行偏最小二乘建模和經過CARS篩選特征波長后再進行偏最小二乘建模2種建模方式，結果如表3所示。

表3　糖度預測模型的比較

經過CARS篩選特征波長后，與原始光譜數據相比，波長個數大幅減少，僅為原始光譜波長個數的5.68%。與原始光譜相比，CARS能夠較好地優化建模結果。圖5為所建立的SPXY–CARS–PLSR模型結果，a為校正集，b為預測集。

圖5　SPXY–CARS–PLSR模型對校正集和預測集柑橘果實糖度的預測

4　柑橘糖度的在線檢測及分選

將所建立的模型數據導入自行開發的分級軟件中，采用未參與建模的25個柑橘果實樣本進行在線檢測及分選，將樣本編號并采用人工上果，每個樣本測試3次。根據GB/T 12947—2008《鮮柑橘》中對柑橘的分級指標數，將柑橘分為3個等級[14]。結合樣本實際測量值的分布情況，采用2種分級策略對分選性能進行評估：設置分選等級數為3時，糖度≤12、12＜≤14、>14，區間跨度為2 °Brix；設置分選等級數為4時，糖度≤12、12＜≤13.5、13.5＜≤15、>15，區間跨度為1.5 °Brix。柑橘果實糖度在線檢測分選結果(表4)表明，3次檢測結果的方差均小于0.3，說明該系統檢測性能較穩定，重復性好。在1 °Brix的誤差范圍內，糖度檢測的準確率為92%。當分選等級數為3時，32%的樣本檢測值臨近分級節點(±0.2)，容易因較小預測誤差而造成分級錯誤。為更合理地對系統性能進行評估，分級誤差范圍設置為等級上下限差值的1/4。在此標準下，當分級數為3時，分級正確區間為≤12.5、11.5＜≤14.5、>13.5，系統分選正確率為100%；當分級數為4，分級正確區間為≤12.38、11.63＜≤13.88、13.13＜≤15.38、>14.63，系統分選正確率為92%，未被正確分級的樣本均被分選在了相鄰的分級箱內。

表4　柑橘果實糖度在線檢測分選驗證結果

表4(續)

5　結論

開發設計了基于可見/近紅外光譜的柑橘糖度在線檢測與分選系統，并開發了相應的控制程序。通過在光譜采集裝置上設計雙透鏡式光路，對積分時間和光斑大小進行比較與優化，確定最佳積分時間為100 ms，光斑為小光斑，可取得最好的建模效果?；谠撛囼灄l件，建立了SPXY–CARS– PLSR柑橘糖度在線檢測模型，并進行了外部驗證分選試驗，在1 °Brix的誤差范圍內，糖度檢測的準確率為92%。當樣本糖度被分為4個等級時，系統分選正確率為92%；當樣本糖度被分為3個等級時，系統分選正確率為100%，表明該系統可實現對柑橘糖度的在線實時檢測與分選。

[1] SUN X D，ZHU K，JIANG X G，et al．Non-destructive detection of blackheart and soluble solids content of intact pear by online NIR spectroscopy[J]．The Journal of Supercomputing，2020，76(5)：3173–3187．

[2] 劉燕德，肖懷春，鄧清，等．柑桔黃龍病近紅外光譜無損檢測[J]．農業工程學報，2016，32(14)：202–208．

[3] 文韜，鄭立章，龔中良，等．基于近紅外光譜技術的茶油原產地快速鑒別[J]．農業工程學報，2016，32(16)：293–299．

[4] 向陽，林潔雯，李亞軍，等．芒果雙面成熟度在線檢測分級系統[J]．農業工程學報，2019，35(10)：259–266．

[5] 趙思夢，于宏威，高冠勇，等．花生蛋白組分及其亞基含量近紅外分析檢測方法[J]．光譜學與光譜分析，2021，41(3)：912–917．

[6] HUANG Y F，DONG W T，CHEN Y，et al．Online detection of soluble solids content and maturity of tomatoes using Vis/NIR full transmittance spectra[J]. Chemometrics and Intelligent Laboratory Systems，2021，210：104243．

[7] ZHAO M，PENG Y K，LI L．A robot system for the autodetection and classification of apple internal quality attributes[J]．Postharvest Biology and Technology，2021，180：111615．

[8] 李龍，彭彥昆，李永玉．蘋果內外品質在線無損檢測分級系統設計與試驗[J]．農業工程學報，2018，34(9)：267–275．

[9] 劉燕德，饒宇，孫旭東，等．番茄碰傷和可溶性固形物近紅外光譜同時在線檢測[J]．光譜學與光譜分析，2019，39(12)：3910–3915．

[10] 高榮杰．水果糖度可見/近紅外光譜在線檢測方法研究[D]．南昌：華東交通大學，2012．

[11] TIAN X，FAN S X，LI J B，et al．Comparison and optimization of models for SSC on-line determination of intact apple using efficient spectrum optimization and variable selection algorithm[J]．Infrared Physics and Technology，2019，102：102979．

[12] 文韜，鄭立章，龔中良，等．基于近紅外光譜技術的茶油脂肪酸含量的快速檢測[J]．湖南農業大學學報(自然科學版)，2016，42(6)：676–681．

[13] LI H D，LIANG Y Z，XU Q S，et al．Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta，2009，648(1)：77–84．

[14] 單楊，劉偉，李高陽．柑橘工業國際標準體系建設研究[J]．中國食品學報，2014，14(6)：1–8．

Design and experiment of an online detection and sorting system for citrus sugar content based on visible/near infrared spectroscopy

LIU Hao，GONG Zhongliang*，WEN Tao，WANG Zhiyu，DAI Xingyong

(School of Mechanical and Electrical Engineering, Central South University of Forestry and Technology, Changsha, Hunan 410004, China)

In the 6GF-4 forest fruit non-destructive testing and sorting equipment, an online citrus sugar content detection and sorting system was designed based on visible/near-infrared spectroscopy technology. The system mainly includes transmission devices, spectral acquisition devices, control systems, and sorting devices, which achieves spectral information collection during citrus movement, and synchronously calculates through the established sugar content model, achieving online sorting based on the obtained sugar content values. A dual lens optical path has been designed in the spectral acquisition device, to change the size of the light spot transmitted on citrus fruits. By comparing and analyzing the integration time and spot size of the experimental parameters, it is found that the optimal collection parameters for the system were the integration time of 100 ms, the spot size set to small, and the sample movement rate of 5 pieces/s. An SPXY-CARS-PLSR online detection model was established for citrus sugar content. The determination coefficients is 0.938 and 0.836 for the calibration and prediction sets of the model, respectively. The root mean square error is 0.273 °Brix and 0.418 °Brix for the calibration and prediction sets, respectively. 25 citrus samples not involved in modeling were used for online detection and sorting of external validation sets. It is found that the detecting sugar contents are within the error range of 1 °Brix with the accuracy of 92%. When the sample is divided into 4 levels, the system’s sorting accuracy is 92%; When the samples are divided into three levels, the system’s sorting accuracy can reach 100%.

citrus; sugar content; online detection; visible/near-infrared spectroscopy; integration time; spot size

TP271+.4

A

1007–1032(2023)04–0497–06

10.13331/j.cnki.jhau.2023.04.019

2022–03–11

2023–04–08

湖南省科學技術廳研發計劃項目(2018NK2066)；湖南省自然科學基金項目(2020JJ4142)；湖南省教育廳林業杰青培養科研項目(XLK202108–7)；湖南省教育廳重點項目(20A515)

劉豪(1996—)，男，四川南充人，碩士研究生，主要從事農產品品質無損檢測技術應用研究，liuhaolh@csuft.edu.cn；*通信作者，龔中良，博士，教授，主要從事農業裝備自動化、機電一體化技術及應用研究，gzlaa@163.com

劉豪，龔中良，文韜，王志宇，代興勇．基于可見/近紅外光譜的柑橘糖度在線檢測分選系統的設計與試驗[J]．湖南農業大學學報(自然科學版)，2023，49(4)：497–502．

LIU H，GONG Z L，WEN T，WANG Z Y，DAI X Y．Design and experiment of an online detection and sorting system for citrus sugar content based on visible/near infrared spectroscopy[J]．Journal of Hunan Agricultural University(Natural Sciences)，2023，49(4)：497–502．

http://xb.hunau.edu.cn

責任編輯：羅慧敏

英文編輯：吳志立