《柚果内部品质无损检测可见_近红外光谱法》.pdfVIP

T/GDNBXXXX—2023

柚果内部品质无损检测可见/近红外光谱法

1范围

本文件规定了柚果设备、无损测量方法、建模方法、结果输出等。

本文件适用于采后柚果可溶性固形物含量、含水量和汁胞硬粒化品质参数同步无损检测，不适用于

仲裁检验。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，

仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本

文件。

GB/T8210柑桔鲜果检验方法

GB/T8858水果、蔬菜产品中干物质和水分含量测定方法

3术语和定义

下列术语和定义适用于本文件。

3.1

总可溶性固形物含量totalsolublesolidcontent，TSSC

可溶性固形物指果实中的总糖、总酸、维生素、矿物质等所有可溶解于水的化合物的总称。基本包

含了水果中的大部分成分含量，因此也是评价水果是否好吃的最主要指标。而总糖占其中的75%～85%，

可直接反映出水果甜度高低。

3.2

含水量moisturecontent，MC

含水量是表示果蔬组织水分状况的一个常用指标。对于水果而言，含水量的多少对品质有着很大的

影响。含水量高时，水果坚挺饱满，光泽鲜艳，鲜嫩可口，但容易受到机械伤害和病原物侵染；水果组

织失水后，就会出现萎蔫皱缩，品质下降，商品价值降低。所以，测定水果组织含水量具有重要的实践

意义。水果组织的含水量可用水分含量占鲜重的质量分数（%）来表示。

3.3

汁胞硬粒化vesiclegranulation

汁胞硬粒化是柑橘类水果中汁液囊的一种生理失调，其汁液囊变硬、干燥膨大，风味寡淡，木质化

变硬，口感丢失。

3.4

校验集validationset

在机器学习中，研究和构建算法用来对数据进行学习和预测是一个常见任务，这些算法是通过基于

数据驱动的预测或决策工作，即对输入的数据搭建数学模型。训练集用于用来训练模型或确定模型参数。

校验集用于用来调参、选择特征以及调整其他和学习算法相关的选项。

3.5

预测集validationset

测试集检验最终选择最优的模型的性能如何。

3.6

偏最小二乘回归partialleastsquaresregression，PLSR

偏最小二乘回归是一种多元回归分析的建模方法，是将样本采集的数据与其理化测定值同时进行分

析，最大程度提取两者之间相关性信息，在对数据矩阵进行分解降维的同时进行回归分析，可用于组分

1

T/GDNBXXXX—2023

复杂的样品体系。数据矩阵分解和回归交互运算同时进行，得到的特征值向量直接与被测品质参数或者

属性值进行相关性分析。

4原理

可见近近红外光谱仪（VisibleNearInfraredSpectrumInstrument，Vis-NIRS）波长范围为350

nm～2526nm，近红外光是介于可见光和中红外之间的电磁波，可见光对被测样本颜色变化较敏感，近

红外光主要是对含氢基团X-H（XC、N、O）振动的倍频和合频吸收，使得经过被测样本反射或者

透射的近红外光携带被测样本相关品质信息。通过建立光谱与待测参数之间的对应关系（称为分析模型），

通过光谱和对应关系，能很快得到所需要的质量参数数据。分析方法包括校正和预测两个过程：

1）在校正过程中，收集一定量有代表性的样品（一般需要100个样品以上），在测量其光谱图的

同时，根据需要使用有关标准分析方法进行测量，得到样品的各种质量参数，称之为参考数据。通过化

学计量学对光谱进行处理，并将其与参考数据关联，这样在光谱图和其参考数据之间建立起一一对应映

射关系，通常称之为模型。对于建立模型所使用的校正方法视样品光谱与待分析的性质关系不同而异，

常用的有多元线性回归，主成分回归，偏最小二乘，人工神经网络和拓扑方法等；

2）在预测过程中，使用近红外光谱仪测定待测样品的光谱图，通过软件自动对模型库进行检索，

选择正确模型计算待测质量参数。

5仪器

PAL-GrapeMust型数字折光仪