基于SiPLS算法的近红外光谱检测梨可溶性固形物含量.pdfVIP

第30卷，第1期 光谱实验室 V01．30，No．1 20．13年1月 ChineseJournal 013 ofSpectroscopyLaboratoryJanuary，2 基于SiPLS算法的近红外光谱检测 梨可溶性固形物含量① 易克传∞6曾其良“张新伟6高连兴②6 n(安徽科技学院机械与车辆教研室安徽省凤阳县东华路9号233100) 6(沈阳农业大学工程学院农业机械教研室沈阳市东陵路120号110161) 摘要为了提高近红外光谱技术在梨的可溶性固形物含量(SSC)检测中的精度和稳定性，对采集的 过交互验证法确定了模型的主成分因子数，以预测时的相关系数(足p)和预测均方根误差(RMSEP)作为评 价指标对模型预测结果进行了分析，并与经典偏最小二乘(PLS)模型、间隔偏最小二乘(iPLS)模型进行了 比较。结果表明。利用SiPLS所建的预测模型的最优组合包含21个光谱区间并联合4个子区间和15个主 成分因子，其预测集的相关系数和预测均方根误差分别为0．9633和0．203；说明利用近红外光谱结合 SiPLS算法可以准确、无损检测梨中可溶性固形物含量。 关键词近红外光谱；联合区间偏最tJ、--乘；梨；可溶性固形物含量 中图分类号：0657．33；S123文献标识码：A 文章编号：1004．8138(2013)01—0068—05 近红外光谱技术(NIR)因具有简单、快速、无污染、无前处理、无破坏性、在线检测及多组分同 时测定等优点，已广泛应用于果蔬品质的检测[1卅]。在果蔬的近红外光谱分析中，建模变量和方法 的选择是极其重要的一步，选取适合的建模变量和方法可有效提高模型预测精度，减少噪音信息的 影响[4]。因为梨的可溶性固形物包含能溶于水的糖、酸、维生素和矿物质等多种成分，它是一个复杂 的综合指标，光谱扫描时，近红外区域可能存在大量含氢基团倍频与合频吸收，造成在整个近红外 区域内，存在一定程度的信息冗余；而在某些近红外区域，梨的光谱信息与其SSC之间缺乏相关 大，降低了模型的精度和稳定性[5q]。 本研究采集了梨的漫反射近红外光谱，尝试应用联合区间偏最jj＼--乘方法来建立梨的SSC预 测模型，并与PLS和iPLS等模型检测结果进行了比较。 2 实验部分 2．1仪器与试剂 Scientific公司)；WYA一2S型数字折射仪(上海精密科学仪器有限公司)。 ①国家自然科学基金资助项目 ②联系人．手机：(0E-mail：yikechuan@sina．corn 作者简介：易克传(1969一)，男，安徽省凤阳县入，副教授。硕士，主要从事从事农产品加工工程方面的研究工作． 高连兴(1958一)，男，辽宁省兴城市人，教授，博士．博士生导师，主要从事农产品收获与加工机械研究工作。 收稿日期：2012—05一oz；接受日期：2012—06—27 万方数据 第1期 易克传等：基于SiPLS算法的近红外光谱检测梨可溶性固形物含量 69 中华水晶梨，产自河北赵州，2009年3月购于水果批发市场。试验用的梨总样品数为99个，随 机选取其中66个样品作为校正集，用于建立预测模型，其余33个样品作为预测集，用于验证模型。 2．2实验方法 将梨的表皮清理干净，依次编号，在实验室中静置4h，使其整体温度与环境温度一致(试验环 固形物含量(SSC)测定。 采用近红外光谱仪进行光谱扫描，以仪器内置背景为参比，通过漫反射式积分球附件进行光谱 位的光谱，将3个部位的平均光谱作为该样品的原始光谱。 采集完光谱后，将每个样品的3个标记部位去皮，取出果肉，挤出果汁，采用数字折射仪进行 SSC测定。取3个标记部位的SSC平均值作为整个梨的SSC值。结果如表1所示。 衷1 梨SSC在校正集和预测集中的参考测量结果 为便于比较，采用SiPI．S建立梨可溶性固形物含量模型时，仍然采用交互验证法确定