果蔬光学参数测量及其在品质检测方面的研究进展

光子在果蔬组织内部的传输规律可以由吸收系数、散射系数等光学参数来表征。果蔬光学参数与果蔬组织内部的化学成分、组织结构密切相关,是分析果蔬品质的一类重要指标。果蔬光学参数的测量为了解光子在果蔬组织的传输规律,以及开发新型的果蔬品质光学无损检测方法提供了途径。为了追踪这项技术在果蔬方面的最新研究进展,本文对时间分辨、空间分辨、频域分辨和积分球技术这4种光学参数测量技术的原理和特点进行简单介绍,并着重介绍了2001—2017年期间,其在果蔬组织光学参数的测量及品质检测方面的应用进展,旨在为果蔬光学参数测量技术的研究和应用提供参考。

苹果果肉可溶性固形物、可溶性糖与光学性质的关联

为加深理解光学技术检测果实可溶性固形物含量的机理,采用单积分球技术定量分析苹果低温贮存(0 ℃,150 d)期间可溶性固形物、总可溶性糖、果糖、葡萄糖和蔗糖与吸收和散射性质的关系,并利用偏最小二乘回归建立含量预测模型。结果显示,贮存期间,可溶性固形物和可溶性糖含量的下降伴随着吸收系数和约化散射系数的减小,呈现很高的正相关关系(r为0.768~0.992)。其中,这些可溶性成分与吸收系数的相关性更高。在3 种可溶性糖中,可溶性固形物与蔗糖最相关(r=0.961)。且两者与吸收系数和约化散射系数的平均相关性(r为0.890~0.963)均高于果糖和葡萄糖(r为0.813~0.910),对应的预测模型也更优,预测决定系数Rp分别为0.886~0.893和0.864~0.906。结果表明,光学性质能够预测可溶性固形物含量的原因可能是可溶性糖(尤其是蔗糖)与光学性质高度相关。该研究为光学技术检测果实品质提供理论参考。

基于计算机视觉对苹果脆片外观品质分级

[目的]为了开发苹果脆片自动化分级技术,利用计算机视觉对苹果脆片外部品质进行无损检测研究。[方法]通过对苹果脆片的大小、形状、颜色、纹理特征的感官评分建立苹果脆片外部品质等级评价标准。首先,利用计算机视觉系统获取脆片图像,经图像处理后,进行特征提取;然后,通过比较数据离差标准化和标准差标准化处理对费歇尔线性判别(FLD)、偏最小二乘法判别分析(PLS-DA)、支持向量机(SVM)3种模型建模效果的影响,确定合适的数据预处理方式;并分别基于这3种模型对预测样本进行分级;最后,采用连续投影算法(SPA)筛选最佳特征参数,并比较3种模型的建模和预测结果,确定最佳分级模型。[结果]数据经离差标准化处理后建模效果更好;FLD、PLS-DA、SVM 3种模型中SVM模型分级效果最好,其建模集和预测集分级准确率分别为99.1%和98.0%;基于SPA算法筛选得到了面积、圆形度、对比度的均值、能量的均值、对比度的均方差、熵的均方差这6个特征参数,基于特征参数的SVM模型建模集和预测集分级准确率分别为98.7%和97.3%。[结论]该研究实现了苹果脆片的外观品质的自动检测和分级,为苹果脆片的计算机视觉自动分级提供了技术支持。

桃果实采后光学特性与硬度及果胶物质的关系

[目的]本文旨在探讨桃果实采后储藏过程中光学特性对质地变化的响应规律。[方法]采用单积分球系统结合反向倍加法对水蜜桃品种‘霞晖八号’储藏过程中光吸收(吸收系数,μa)和散射特性(约化散射系数,μ′s)变化规律进行研究,并结合储藏过程中果实硬度及果胶组分(水溶性果胶、原果胶及原果胶指数)含量变化,分析光学特性与硬度及果胶组分的关系。在此基础上,结合多元数据统计分析和化学计量学,构建基于光学特性参数的桃果实硬度及果胶组分的含量预测模型。[结果]储藏过程中,桃果实硬度逐渐下降,下降幅度达90%;总果胶含量无明显变化,水溶性果胶含量显著增加,原果胶含量及原果胶指数(PI)呈显著下降趋势(P<0.05);μa无明显变化,而μ′s逐渐下降。硬度与水溶性果胶含量负相关,而与原果胶含量及PI正相关,且与PI相关性最高(r=0.902)。同时,硬度和PI与散射性质的相关性较高(r≥0.965),且两者基于散射性质构建的预测模型结果也较优(Rp^2≥0.751)。[结论]果胶物质(尤其是PI)与散射性质高度相关。因此,通过光学特性能够预测果实硬度。

基于近红外高光谱成像技术的鸡蛋污染过程中菌落总数可视化研究

[目的]为探讨鸡蛋污染过程中微生物总量无损预测的可行性,本文研究了一种基于近红外高光谱成像技术可视化鸡蛋中菌落总数的无损预测方法。[方法]将鸡蛋样本在接种大肠杆菌和铜绿假单胞菌的混合菌悬液后储存,采集并统计不同污染程度鸡蛋样本的原始高光谱信息和菌落总数信息;在完成最佳预处理方法筛选后,结合连续投影算法(SPA)分别建立了基于全波段和特征波段光谱信息下的偏最小二乘法(PLS)和支持向量机(SVM)菌落总数预测模型;优选出相对最佳预测模型后进一步实现对鸡蛋内部污染程度的可视化研究。[结果]二阶导数预处理效果相对最佳,其中交叉验证集相关系数R_(CV)为0.88,交叉验证集均方根误差为0.82 lg(CFU·g^(-1));鸡蛋中菌落总数的相对最佳预测模型为基于特征波段下SVM模型,其中建模集相关系数R_C为0.88,预测集相关系数R_P为0.84,建模集和预测集均方根误差分别为0.86和0.97 lg(CFU·g^(-1));根据鸡蛋内部污染程度及光谱特性的差异,建立了鸡蛋内部污染程度伪彩色图像。[结论]近红外高光谱成像技术结合化学计量学及图像处理方法,可实现对鸡蛋内部菌落总数的无损预测及污染程度的可视化,该技术可以为鸡蛋的安全性在线检测提供参考。