《Foods》:Near-Infrared Hyperspectral Imaging to Predict Intact Sweet Tamarind Fruit Quality
编辑推荐:
甜罗望子果实质量由其总可溶性固形物(TSS)、可滴定酸度(TA)以及TSS/TA比值决定,这对消费者满意度至关重要。因此,需要采用非破坏性技术评估甜罗望子果实品质。本研究探究了波长范围935–1720 nm的近红外高光谱成像(NIR-HSI)能否作为一种非破坏
甜罗望子果实质量由其总可溶性固形物(TSS)、可滴定酸度(TA)以及TSS/TA比值决定,这对消费者满意度至关重要。因此,需要采用非破坏性技术评估甜罗望子果实品质。本研究探究了波长范围935–1720 nm的近红外高光谱成像(NIR-HSI)能否作为一种非破坏性方法,用于评估甜罗望子果实的TSS、TA和TSS/TA比值,并依据商业标准将其分类。研究人员应用基于NIR-HSI的化学计量学和机器学习建模,进行定量和定性分析。利用偏最小二乘回归(PLSR)和支持向量机回归(SVMR)建立了测定TSS、TA及TSS/TA比值的校准模型。优化了结合一阶导数和标准正态变量(SNV)光谱预处理方法,以建立用于TSS测定的SVMR模型;优化了多元散射校正(MSC)光谱预处理方法,以开发用于TA评估的SVMR模型;优化了一阶导数光谱预处理方法,以建立用于TSS/TA比值的SVMR模型。预测相关系数(Rp)分别为0.959、0.961和0.957,预测均方根误差(RMSEP)分别为1.102%、0.369%和7.850,性能偏差比(RPD)分别为3.29、3.52和3.34,对应于TSS、TA和TSS/TA比值的评估。研究人员采用偏最小二乘判别分析(PLS-DA)和支持向量机分类(SVMC)依据商业酸度标准(≤4%)对甜罗望子果实进行分类。采用SNV光谱预处理的SVMC模型在区分标准与不合格甜罗望子果实方面取得了最佳预测结果,准确率达82.86%。近红外高光谱成像可用于非破坏性预测罗望子果实品质,并可应用于在线分选,在工厂环境中对单个甜罗望子果实进行分级和质量控制。
**论文解读文章:基于近红外高光谱成像的完整甜罗望子果实品质无损预测研究**
**研究背景与现存问题**
甜罗望子(*Tamarindus indica* L.)是一种具有重要商业价值的热带水果,其独特的风味源于甜味与酸味的平衡,而营养成分丰富,富含碳水化合物、蛋白质、矿物质及生物活性化合物。全球新鲜甜罗望子的出口量在2024年超过120万吨,总价值逾20亿美元。然而,生产者与出口商面临果实甜度和酸度不一致的挑战。决定果实品质的关键参数——总可溶性固形物(TSS,反映糖分含量)、可滴定酸度(TA,以酒石酸计)以及TSS/TA比值——无法通过外观检测确定。传统的化学分析方法(如TSS的折射计测量和TA的滴定法)耗时、具破坏性、劳动密集且因使用化学品而不环保。此外,商业标准要求甜罗望子果实的TA不得超过4%,因此亟需一种非破坏性、快速且可靠的方法来评估并分级整果品质。近红外光谱(NIRs)结合化学计量学虽已广泛应用于水果品质检测,但传统NIR仅能获取单点光谱,对于长荚形的甜罗望子果实,需多点测量后平均,难以在生产线上实施。近红外高光谱成像(NIR-HSI)将成像与光谱技术结合,可获取整个果实的空间光谱数据(三维数据立方体),从而提供更具代表性的整体信息,但其在甜罗望子果实上的应用尚未见报道。
**研究目的与结论**
本研究旨在探讨利用波长935–1720 nm的NIR-HSI技术,非破坏性测定完整甜罗望子果实的TSS、TA及TSS/TA比值,并根据商业标准(TA≤4%)将其分为标准果实与不合格果实。研究人员采用115个产自泰国碧差汶府的‘Si Thong’品种甜罗望子商业级果实(无裂纹缺陷),利用推扫式高光谱相机(Specim FX17e)在反射模式下获取整果的高光谱图像,同时将果实分离为果肉、种子和果壳进行单独扫描。化学分析时,因果肉水分低,先稀释后测定TSS和TA,再乘以稀释因子得出原始值。通过主成分分析(PCA)去除背景,提取整果感兴趣区域(ROI)的平均光谱作为独立变量。本研究的主要结论为:NIR-HSI结合支持向量机回归(SVMR)和支持向量机分类(SVMC)模型能够准确预测甜罗望子果实的品质参数并实现商业分级,其中SVMR模型的预测相关系数(R
p)均高于0.95,SVMC模型的分类准确率达82.86%。该技术具备快速、非破坏性、准确可靠的特点,可应用于工厂环境的在线分选系统。该论文发表在《Foods》期刊上。
**主要技术方法**
本研究采用的关键技术方法包括:1)**近红外高光谱成像系统**:在反射模式下以935–1720 nm波长范围、3.46 nm间隔扫描完整甜罗望子果实(单次扫描,速度15 mm/s);2)**光谱预处理**:为校正散射、基线漂移和噪声,应用了Savitzky–Golay平滑、一阶/二阶导数、多元散射校正(MSC)和标准正态变量(SNV)等方法;3)**定量建模**:采用偏最小二乘回归(PLSR)和支持向量机回归(SVMR)建立TSS、TA及TSS/TA比值的预测模型,通过5折交叉验证优选预处理方法;4)**定性分类**:使用偏最小二乘判别分析(PLS-DA)和支持向量机分类(SVMC)将果实分为标准(TA≤4%)和不合格(TA>4%)两类;5)**样本分配**:全部115个样本按70:30比例分为校准集(n=80)和预测集(n=35),采用Kennard–Stone算法确保覆盖变异性。
**研究结果**
**3.1 光谱数据**
对115个甜罗望子整果的ROI平均光谱进行分析,原始吸收光谱在1180–1220 nm和1400–1470 nm处出现两个宽峰。果肉、种子、果壳及整果的归一化光谱特征相似,主要峰值位于约1200 nm和1425 nm,分别对应C–H二级倍频(与碳水化合物和糖相关)和O–H一级倍频(与水相关)。二阶导数光谱有效分离重叠峰,在980 nm和1425 nm处显示负峰(O–H伸缩倍频,指示水分),1170 nm处(C–H伸缩二级倍频,指示纤维)和1208 nm处(C–H伸缩二级倍频,指示碳水化合物)。
**3.2 TSS、TA及TSS/TA比值预测模型**
通过比较PLSR与SVMR在不同光谱预处理下的性能(校准集R
cv、RMSECV;预测集R
p、RMSEP),发现SVMR模型整体优于PLSR模型。最优SVMR模型参数:TSS预测采用一阶导数+SNV预处理(R
p=0.959,RMSEP=1.102%,RPD=3.29);TA预测采用MSC预处理(R
p=0.961,RMSEP=0.369%,RPD=3.52);TSS/TA比值预测采用一阶导数预处理(R
p=0.957,RMSEP=7.850,RPD=3.34)。散点图显示预测值与实测值接近45°线,表明模型可靠。
**3.3 标准与不合格甜罗望子果实分类**
基于TA商业标准(≤4%为合格),115个样本中89个合格、26个不合格。使用PLS-DA和SVMC进行分类,SVMC结合SNV预处理在预测集上取得最佳分类性能:准确率82.86%,特异度81.48%,灵敏度87.5%,错误率17.14%。混淆矩阵显示,SVMC在校准集的准确率为88.75%,预测集为82.86%,表明尽管存在类别不平衡(合格样本远多于不合格样本),模型仍具有足够潜力。
**讨论与结论**
讨论部分指出,支持向量机(SVM)模型无论在定量还是定性分析中均优于偏最小二乘(PLS)模型,这可能是由于光谱信息与品质参数之间存在非线性关系。NIR-HSI相较于传统NIR的优势在于:一次扫描即可获取整个果实的代表性光谱,无需多点测量,适用于长荚形甜罗望子的快速检测。研究同时观察到,在980、1170、1208和1425 nm处的吸收峰可为工业多光谱在线分选系统提供可行性依据。结论部分总结如下(翻译原文结论):本研究表明,近红外高光谱成像(NIR-HSI)技术在预测甜罗望子果实的核心品质属性(包括TSS、TA及TSS/TA比值)以及基于TA商业标准进行品质分类方面具有潜力。在定量研究中,研究人员优化了光谱预处理方法以建立校准模型:采用一阶导数结合SNV建立TSS的SVMR模型,MSC建立TA的SVMR模型,一阶导数建立TSS/TA比值的SVMR模型。结果清楚表明,SVMR模型的预测精度对于甜罗望子果实是可接受的。同样,在定性研究中,研究人员优化了SNV光谱预处理下的SVMC模型用于基于TA商业标准分类甜罗望子果实。因此得出结论,NIR-HSI可被开发为甜罗望子果实品质评估系统。它是一种快速、非破坏性、准确可靠的技术,能够通过单次测量获得长荚形果实(如甜罗望子)的信息。结果显示在980、1170、1208和1425 nm处的峰值可支持可行工业多光谱在线分选系统的实施。该技术可商业化开发用于单个完整甜罗望子果实的分级和分类。