可见光/近红外光谱结合波长优化蒙特卡洛模拟用于不同大小苹果可溶性固形物的无损检测
《Computers and Electronics in Agriculture》:Vis/NIR spectroscopy coupled with wavelength-optimized Monte Carlo simulation for non-destructive SSC detection of apples of different sizes
【字体:
大
中
小
】
时间:2026年09月24日
来源:Computers and Electronics in Agriculture 10.3
编辑推荐:
•分别测量了苹果果皮和果肉的光学特性。
•基于光学特性建立了可溶性固形物含量(SSC)检测模型。
•经CARS优化、选取24个波长的模型提高了SSC预测性能。
•针对不同大小的苹果提供了最佳光源-探测器角度。
引言
苹果(Malus domestica)作为全球重要的经济型
•分别测量了苹果果皮和果肉的光学特性。
•基于光学特性建立了可溶性固形物含量(SSC)检测模型。
•经CARS优化、选取24个波长的模型提高了SSC预测性能。
•针对不同大小的苹果提供了最佳光源-探测器角度。
引言
苹果(Malus domestica)作为全球重要的经济型仁果类水果作物,2024年产量达8711万吨,占全球水果产量的第二位(FAO, 2024)。其核心质量参数——可溶性固形物含量(SSC),主要由糖类、有机酸和维生素等成分构成(Sau et al., 2019, Zhang et al., 2021a, Zhang et al., 2021b),是关键质量指标,直接决定果实的关键感官特性,包括甜度、风味轮廓和质地感知(Liu et al., 2025b, Musacchi and Serra, 2018)。因此,SSC显著影响消费者体验和相应的市场价值(Zareef et al., 2021a)。因此,开发苹果SSC水平的无损检测方法对于实现准确的质量分级具有重要意义。
由于具有实时分析、快速处理和低成本等显著优势(Cortés et al., 2019, Shi et al., 2019, Wang et al., 2025c),可见/近红外(Vis/NIR)光谱技术已被广泛用作各种水果在线质量检验的无损方法,如苹果(Hu et al., 2024, Liu et al., 2024, Cai et al., 2024, Zheng et al., 2023, Tian et al., 2022)、柑橘(Kim et al., 2024, Sun et al., 2023, Xiao et al., 2025)、油棕果(Nanda et al., 2025)和草莓(Sun et al., 2026, Qiao et al., 2025)。水果通常由两层组成:果皮和果肉。通常,关注的质量参数(如SSC)位于果肉内。传统的光谱建模方法通常将果实视为单一均匀实体,建立检测信号与目标属性之间的关系。在此过程中,忽略了果皮对检测信号的混杂效应(Saeys et al., 2008)。此外,光子从光源发射到探测器的整个路径涉及吸收和散射现象,这与组织的光学特性(OPs)相关(Tian et al., 2024, Zareef et al., 2021a)。吸收由吸收系数(μa)描述,主要与化学成分相关;散射由约化散射系数(μs′)描述,与微观物理结构密切相关(Gao et al., 2021, Wang et al., 2022)。将纯吸收与散射等干扰因素分离,可以更可靠地预测化学质量特性,尤其在变化条件下反之亦然(Sun et al., 2020)。总之,研究组织层的光学特性允许对光-组织相互作用机制进行定量表征,进而增强预测模型的泛化能力和稳健性(Sun et al., 2023, Zeng et al., 2024)。
近年来,光学特性在预测水果内部质量方面的应用引起了研究人员越来越多的关注(Lu et al., 2020, Hu et al., 2023)。Cheng等(2022)报道,苹果果肉的μa与SSC呈显著正相关,基于μa的PLSR模型达到了最佳预测性能。Tian等(2024)进一步证实,基于μa的PLSR模型在苹果SSC预测中产生了最优结果,预测系数(Rp2)为0.749。Xie等(2026)也验证了μa是各种光学指标中对苹果SSC评估最有效的光学参数。Yang等(2024b)使用甜瓜的光学特性建立了PLSR模型进行SSC预测,基于μa的模型达到了Rp=0.80。尽管这些研究证明了光学特性与内部质量属性之间的相关性,但它们通常未能考虑检测过程中果皮的干扰。因此,为充分了解果皮和果肉对SSC检测的影响,本研究分别研究了果皮和果肉的μa、μs′以及总衰减系数μt′(μa+μs′)与SSC之间的关系。
虽然探索果皮和果肉光学特性与SSC之间的关系提取了最相关信息并识别了特征波长,但检测模型的性能还取决于探测器捕获了多少与关注属性相关的信息。因此,为了最大化与果肉质量相关的数据并进一步优化光学检测系统,本研究使用蒙特卡罗(MC)模拟探索了从组织到探测器的光子传输。MC方法因其卓越的精度和灵活性,被公认为模拟光在混浊生物组织中传播的黄金标准(Hu et al., 2020b, Yang et al., 2025)。通过采用多层介质蒙特卡罗(MCML)模拟,Zhang等(2019a)基于样品的光学特性计算了蓝莓组织中不同波段的光穿透深度,并选择930–1400 nm作为最佳波长范围进行MC模拟,以实现蓝莓的瘀伤检测。类似地,Chugunov和Li(2015)根据MC模拟结果计算了洋葱鳞茎中各种波长的穿透深度,并确定800 nm为检测病态洋葱的最佳波长,报告指出尽管曲率引入了误差,但模型预测与实验结果吻合良好。此外,基于体素的MC模拟的出现,例如蒙特卡罗eXtreme(MCX)(Yan & Fang, 2020),大幅增强了MC模拟能力并提高了光传输模型的效率。Wang等(2025b)开发了一个三层球形苹果模型,并使用基于体素的MC模拟研究了具有霉变核心的苹果中的光传播。结果表明,当光源-探测器角度设置在130°到150°之间时,霉变核心对检测信号的贡献最大化,同时保持高强度。这些研究证实MC模拟促进了对果实组织中光传播的深刻理解,并为优化光学检测配置提供了理论基础。
然而,当前方法仍存在显著局限。例如,平面模型忽略了果蔬的三维几何结构,未能考虑表面曲率,而表面曲率已知对模拟精度有显著影响(Ding et al., 2016, Joseph et al., 2023)。虽然一些简化的3D近似,如球体和椭球体,在一定程度上考虑了曲率,但它们无法捕捉物体的实际复杂形状,从而引入不可避免的系统误差(Hu et al., 2020a)。此外,通过基于样品光学特性计算光穿透深度来选择MC模拟波长的传统方法存在固有局限:光穿透深度最大的光谱带不一定与水果的目标质量信息具有最高相关性(Yu et al., 2024)。这意味着仅凭强穿透能力选择的波长可能无法有效捕获待检测属性的特征光谱信号,进而可能影响后续MC模拟结果对优化光学检测系统的准确性和实际应用价值。为解决这些局限,本研究基于3D扫描优化了模型结构,然后进行MC模拟,从而最大限度地减少由过度几何简化引起的计算误差。同时,模拟波长的选择不仅基于苹果组织的光学穿透特性,还结合了波长与目标SSC信息之间的相关性,以确保模拟结果在光传播方面具有代表性且与实际质量检测高度相关。
具体的研究目标如下:(1)比较果皮和果肉光学特性的差异;(2)评估基于不同光学特性组合的SSC预测模型的性能并确定最佳建模指标;(3)使用CARS选择与SSC高度相关的特征波长,以进一步提高模型的预测准确性和稳健性;(4)基于所选波长进行MC模拟,揭示不同大小苹果中的光传播机制,并为优化高性能漫射透射/反射Vis/NIR检测设备提供理论依据。
部分片段
样品准备
产自中国新疆维吾尔自治区阿克苏市种植的大果型苹果(品种'阿克苏',平均直径80.6 mm),从大型批发市场获得。运抵实验室后,选取120个样品作为大果型苹果,用作建立光学特性与SSC之间关系模型的主要研究对象。此外,为探索果实大小对光传播的影响并为MC模拟提供不同几何尺度的模型,选取了15个中等大小的……
苹果组织的光学特性
阿克苏苹果组织在520–1600 nm波长范围内的光学特性如图4所示。由于水的强吸收,1400–1520 nm范围内测量的MR和MT值显著衰减,损害了组织光学特性的准确提取。因此,排除了该光谱区域的数据以最小化其对实验结果的影响。
如图4(A)所示,包括980 nm和1200 nm附近的明显峰值在内的共同吸收特征可以……
结论
苹果果皮和果肉在520–1600 nm波长范围内表现出不同的光学特性。在1390–1600 nm区间内,果皮的μa通常低于果肉,这可能是由于果肉组织含水量更高。相比之下,果皮在整个光谱范围内的μs′显著高于果肉,表明其散射性能更强。在SSC预测建模中,基于果肉组织μa的PLS模型表现最佳……
CRediT作者贡献声明
孙灿君:写作–审阅与编辑,写作–初稿,资金获取,概念化。何安:可视化,软件,方法论,形式分析。张雷:验证,方法论,数据管理。彭雅祥:调查,数据管理。郭志明:写作–审阅与编辑,监督,项目管理。邹晓波:写作–审阅与编辑,监督,项目管理。
利益冲突声明
作者声明,他们没有任何已知的竞争性经济利益或个人关系可能影响本文所报告的工作。
致谢
本研究得到国家自然科学基金(32401701)、江苏省自然科学基金(BK20220524)和江苏大学高层次人才计划(22JDG015)的资助。
孙灿君|何安|张雷|彭雅祥|郭志明|邹晓波