基于校正的近红外光谱实现包装库尔勒香梨内部品质无损检测的创新方法

《LWT》:An innovative internal quality detection method for packaged Korla Fragrant Pears based on correcting near-infrared spectroscopy

【字体: 大 中 小 】 时间:2026年03月28日 来源:LWT 6.0

编辑推荐:

  本研究针对库尔勒香梨分级过程中需拆包检测导致的效率低下与损耗问题,创新性地结合全连接神经网络与滤波技术,成功校正了套袋梨的光谱数据。结果表明,FCNN-GF-PLSR组合模型可实现对带包装梨SSC和FI的高精度无损检测,其预测性能已接近无包装梨的水平。该研究为简化水果品质分级流程、提升经济效益提供了高效可行的技术方案。

  
想象一下这样的场景:在新疆的果园里,一颗颗金黄饱满的库尔勒香梨正等待被分级,以确定它们的最佳身价。然而,传统的检测方法带来了一个既费时又“伤财”的难题——为了保护梨子在运输中免受磕碰,果农会提前用拷贝纸和泡沫网套将它们精心包裹。可是,当需要测量决定其品质和价格的关键内部指标,即可溶性固形物含量(SSC)和硬度(FI)时,工作人员又必须将包装一层层剥开。检测完毕,还需重新打包。这个过程不仅繁琐低效,增加了人力成本,还可能对娇嫩的水果造成不必要的损伤,导致浪费。能否不拆包装,就直接“看透”梨子的内在品质,实现真正的在线无损检测?这是摆在果品加工业面前一个亟待突破的瓶颈。
近期,一项发表在食品科学领域国际期刊《LWT - Food Science and Technology》上的研究,为这一难题提供了一个颇具前景的解决方案。该研究题为“An innovative internal quality detection method for packaged Korla Fragrant Pears based on correcting near-infrared spectroscopy”,由塔里木大学的研究团队完成。他们巧妙地将人工智能与近红外光谱技术相结合,让“带妆”的库尔勒香梨也能被精准“体检”,从而有望彻底改变其产后分级流程。
为实现这一目标,研究人员主要运用了以下几种关键方法:首先,他们采集了来自新疆库尔勒、阿克苏、阿拉尔三个产区的共计210个梨样本,在未包装(UP)和用拷贝纸包装(PP)两种状态下,分别使用便携式近红外光谱仪获取了900-1800 nm范围内的光谱数据,并同时测量了每个梨的SSC和FI作为真实值。其次,研究的核心是建立光谱校正模型。他们设计了一个全连接神经网络(FCNN),以包装梨光谱和拷贝纸光谱作为输入,以对应的未包装梨光谱作为目标输出,让网络学习如何“剔除”包装材料带来的光谱干扰,从而校正包装梨的光谱数据。为了进一步优化,他们还将FCNN的输出结果分别与高斯滤波(GF)、Savitzky-Golay滤波(SG)和简单移动平均滤波(SMAF)三种滤波技术结合进行处理。最后,利用校正前/后的光谱数据作为自变量,梨的SSC和FI作为因变量,研究团队建立并比较了偏最小二乘回归(PLSR)、支持向量回归(SVR)和套索回归(Lasso)三种预测模型,以评估不同光谱数据对品质指标的预测能力。
3.1. 不同产地香梨光谱与指标分析
研究人员首先分析了三个产地库尔勒香梨样本的SSC和FI,发现其品质指标存在差异,这为建立具有广泛代表性的预测模型提供了数据基础。同时,对未包装梨的近红外光谱分析显示,不同产地梨的光谱趋势相似,但在吸收强度上有差别,且SSC与吸光度呈负相关,FI与吸光度呈正相关,这揭示了光谱特征与品质指标之间的内在联系,为后续建模提供了理论依据。通过对比未包装梨、包装梨和拷贝纸的平均光谱,研究人员发现包装材料确实会改变梨的光谱信号强度,产生干扰,这使得直接使用包装梨光谱进行预测的准确性下降,从而凸显了进行光谱校正的必要性。
3.2. 光谱校正与分析
这部分是研究的核心技术环节。通过将FCNN与三种滤波方法结合对包装梨光谱进行校正,研究发现FCNN结合高斯滤波(GF)的处理效果最佳。校正后的包装梨光谱(PPs-FCNN-GF)在970 nm、1200 nm和1450 nm等关键波长处的吸收峰强度,与未包装梨光谱已非常接近,表明包装材料带来的干扰被有效抑制,梨本身的光谱特征得到了较好恢复。这主要归功于FCNN模型强大的非线性拟合与特征学习能力,它能够从复杂的混合信号中提取并还原出水果的本质光谱信息。
3.3. 定量模型的预测性能
研究人员系统评估了基于不同光谱数据(未包装、原始包装、校正后包装)所建模型对SSC和FI的预测效果。结果显示,无论使用PLSR、SVR还是Lasso模型,直接使用原始包装梨光谱的预测精度都显著低于使用未包装梨光谱。然而,当使用经过FCNN-GF校正后的光谱数据时,所有模型的预测性能都得到了大幅提升。其中,PLSR模型表现最佳。对于可溶性固形物含量(SSC),使用校正光谱的PLSR模型预测集结果达到:决定系数R2_pre= 0.84,均方根误差RMSE_pre= 0.449 %,相对分析误差RPD = 2.48。对于硬度(FI),预测结果达到:R2_pre= 0.78,RMSE_pre= 0.379 N,RPD = 2.16。这些预测精度已非常接近于使用未包装梨光谱所能达到的最佳水平,意味着不拆包装进行检测已成为可能。
3.4. 最优模型预测性能验证
为了检验所建立的最优模型(PPs-FCNN-GF-PLSR)的泛化能力和可靠性,研究团队在次年(2025年)从库尔勒市额外采集了60个独立样本进行外部验证。验证结果表明,该模型对SSC和FI的预测结果依然令人满意(SSC: R2= 0.83, RMSE = 0.276 %; FI: R2= 0.75, RMSE = 0.252 N),证实了该方法的稳定性和实际应用潜力。
结论与讨论
该研究成功开发了一种适用于包装库尔勒香梨内部品质无损检测的创新方法。其核心结论是:结合全连接神经网络与高斯滤波的光谱校正策略(FCNN-GF)能够有效消除拷贝纸包装对近红外光谱的干扰,将校正后的光谱数据输入偏最小二乘回归(PLSR)模型,即可实现对包装状态下香梨可溶性固形物含量(SSC)和硬度(FI)的高精度预测。与校正前相比,SSC和FI的预测精度R2_pre分别提升了13.5%和8%,预测误差RMSE_pre则降低了21.9%和10%。外部独立验证进一步证明了该模型具有良好的泛化能力。
这项研究的意义十分重大。它首次实现了对带包装库尔勒香梨关键内部品质指标的直接、高效、无损检测,为解决水果采后分级中“拆包-检测-再包装”这一行业痛点提供了全新的技术路径。该方法能够显著简化分级流程,提高检测效率,减少因重复操作造成的水果损伤和包装材料浪费,从而帮助生产者在保障水果品质的同时提升经济效益。此外,研究所提出的光谱校正思路不仅适用于库尔勒香梨,也为其他带包装水果乃至农产品的品质无损检测与智能分级提供了可借鉴的创新方案。未来,研究可进一步拓展至多层包装、更多品质指标的综合检测,持续推动水果采后处理技术的智能化发展。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号