近紅外光譜分析技術(shù)在我國(guó)大宗水果品質(zhì)無(wú)損檢測(cè)中的應(yīng)用研究進(jìn)展

蘇東林，李高陽(yáng)，何建新，張菊華，劉 偉，朱向榮，單 楊，*

(1.湖南省農(nóng)業(yè)科學(xué)院，湖南省農(nóng)產(chǎn)品加工研究所，湖南長(zhǎng)沙410125; 2.湖南省食品測(cè)試分析中心，湖南長(zhǎng)沙410125)

近紅外光譜分析技術(shù)在我國(guó)大宗水果品質(zhì)無(wú)損檢測(cè)中的應(yīng)用研究進(jìn)展

蘇東林1，2，李高陽(yáng)2，何建新1，張菊華2，劉 偉2，朱向榮2，單 楊1，*

(1.湖南省農(nóng)業(yè)科學(xué)院，湖南省農(nóng)產(chǎn)品加工研究所，湖南長(zhǎng)沙410125; 2.湖南省食品測(cè)試分析中心，湖南長(zhǎng)沙410125)

近紅外光譜分析技術(shù)因具有分析時(shí)間短、無(wú)需樣品預(yù)處理、非破壞性、無(wú)污染以及成本低等特點(diǎn)，已成為20世紀(jì)90年代以來(lái)發(fā)展最快、最引人注目的現(xiàn)代定量分析技術(shù)，廣泛應(yīng)用于農(nóng)產(chǎn)品、食品的品質(zhì)檢測(cè)。本文概述了近幾年來(lái)國(guó)內(nèi)在近紅外光譜技術(shù)應(yīng)用于大宗水果內(nèi)部品質(zhì)檢測(cè)的最新研究進(jìn)展;指出其存在的問(wèn)題并對(duì)其發(fā)展進(jìn)行展望;提出了近紅外光譜分析技術(shù)將會(huì)與網(wǎng)絡(luò)技術(shù)相結(jié)合，實(shí)現(xiàn)模型的在線更新與升級(jí);同時(shí)，光譜成像技術(shù)將成為21世紀(jì)近紅外光譜分析技術(shù)的發(fā)展趨勢(shì);以期對(duì)我國(guó)相關(guān)研究人員的工作提供參考。

近紅外光譜，大宗水果，無(wú)損檢測(cè)，研究進(jìn)展，展望

我國(guó)是世界水果生產(chǎn)大國(guó)，根據(jù)《中國(guó)統(tǒng)計(jì)年鑒》:2008年，水果總產(chǎn)量19220.2萬(wàn)t(包括瓜果類，其中蘋果2984.6萬(wàn)t、柑橘2331.2萬(wàn)t、梨1353.8萬(wàn)t)，約占世界總產(chǎn)量的16%，產(chǎn)值超過(guò)4000億元，占農(nóng)業(yè)總產(chǎn)值的11%左右，自1995年以來(lái)一直居世界首位;但水果出口量不到總產(chǎn)量的 3%，遠(yuǎn)低于9%～10%的世界平均水平［1］。近年來(lái)，國(guó)際水果市場(chǎng)競(jìng)爭(zhēng)日益加劇，消費(fèi)者更加注重水果的內(nèi)部質(zhì)量;造成我國(guó)水果出口難的主要原因之一就是未能嚴(yán)格按照出口標(biāo)準(zhǔn)對(duì)水果品質(zhì)進(jìn)行分級(jí)［2］。傳統(tǒng)的水果內(nèi)部品質(zhì)檢測(cè)主要依靠破壞性(化學(xué)分析)檢驗(yàn)方法，耗時(shí)、費(fèi)力、成本高，難以滿足快速分級(jí)分選的實(shí)際要求;隨著科技的進(jìn)步，無(wú)損(非破壞)檢測(cè)技術(shù)逐漸應(yīng)用到水果檢測(cè)中。近紅外光譜技術(shù)(Near Infrared Spectroscopy Technology)是利用物質(zhì)對(duì)光的吸收、散射、反射和透射等特性來(lái)確定其成分含量的一種非破壞性檢測(cè)技術(shù)，具有快速、非破壞性、無(wú)試劑分析、安全、高效、低成本及同時(shí)測(cè)定多種組分等特點(diǎn)［3］。應(yīng)用近紅外光譜技術(shù)對(duì)水果品質(zhì)進(jìn)行無(wú)損檢測(cè)已成為近年來(lái)的研究熱點(diǎn)，國(guó)外許多學(xué)者相繼開展了對(duì)柑橘、蘋果、梨、桃品質(zhì)進(jìn)行無(wú)損檢測(cè)的研究工作并卓有成效［4-9］。本文將著重介紹國(guó)內(nèi)在最近5～6年中，利用近紅外光譜技術(shù)在大宗水果品質(zhì)無(wú)損、快速、在線檢測(cè)等方面的研究應(yīng)用進(jìn)展。

1 柑橘

1.1 可溶性固形物

劉燕德等確定贛南臍橙可溶性固形物(SSC)無(wú)損檢測(cè)偏最小二乘法(PLS)數(shù)學(xué)校正模型的相關(guān)系數(shù)rc=0.929、校正標(biāo)準(zhǔn)偏差RMSEC=0.517、預(yù)測(cè)標(biāo)準(zhǔn)偏差 RMSEP=0.592、預(yù)測(cè)值與實(shí)測(cè)值的 r= 0.791［10］;建立南豐蜜桔的可見/近紅外PLS模型，完整果和果肉的校正模型rc、預(yù)測(cè)集rp、RMSEP分別為0.963和0.970、0.825和0.893、0.899和0.749［11］。陸輝山等采用近紅外漫透射結(jié)合PLS評(píng)價(jià)柑橘SSC含量，RMSEP=0.538%、r2=0.896［12］。

1.2 糖度

劉春生等利用可見/近紅外漫反射光譜結(jié)合PLS建立南豐蜜桔糖度校正模型，預(yù)測(cè)集 r=0.9133、RMSEP=0.5577、平均預(yù)測(cè)偏差為-0.0656［13］。周文超等建立贛南臍橙內(nèi)部糖度的近紅外透射PLS模型，r=0.9032、RMSEP=0.2421［14］。

1.3 維生素

夏俊芳等采用偏最小二乘法交叉驗(yàn)證法(PLC-CV)建立臍橙VC含量數(shù)學(xué)模型，預(yù)測(cè)值與真實(shí)值的r=0.9574、內(nèi)部交叉驗(yàn)證均方差RMSECV= 3.9mg/100g、主成分?jǐn)?shù)PC=8［15］。劉燕德等建立南豐蜜桔VC含量的可見/近紅外漫反射主成分分析(PCA)定標(biāo)模型，預(yù)測(cè)r=0.813、RMSEP=2.112mg/ 100g、預(yù)測(cè)偏差PE=-0.810mg/100g［16］。

1.4 多成分檢測(cè)

袁雷等建立柑橘中總酸、總糖和維生素PLS預(yù)測(cè)模型并進(jìn)行優(yōu)化，化學(xué)值與預(yù)測(cè)值的相關(guān)決定系數(shù)r2分別為0.959、0.970和0.973［17］。鄧烈等利用近紅外反射光譜檢測(cè)分析哈姆林甜橙成熟果實(shí)的SSC、檸檬酸、VC和固酸比，結(jié)果表明:SSC、固酸比和VC均與波長(zhǎng)988nm光譜呈極顯著或顯著正相關(guān)，r分別為0.387、0.440和0.309;可見光429nm光譜二階倒數(shù)與可溶性固形物和VC呈顯著和極顯著正相關(guān)，r分別為0.351和0.387;波長(zhǎng)944nm光譜倒數(shù)對(duì)數(shù)與固酸比呈顯著正相關(guān)，r=0.304［18］。

1.5 色澤及貨架期

文建萍等建立贛南臍橙顏色指標(biāo)L、a、b的近紅外漫反射 PLS校正模型，r分別為 0.933、0.970、0.893，RMSEP分別為1.330、1.524、2.676，完全交互驗(yàn)證相關(guān)系數(shù)rcross分別達(dá)0.926、0.967、0.875［19］。

劉輝軍等利用SNV+detrend和PCA方法對(duì)柑橘不同貨架期的近紅外光譜進(jìn)行處理，選用的12個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)99.03%;模型鑒別準(zhǔn)確率超過(guò)90%［20］。

2 蘋果

2.1 糖度

劉燕德等采用近紅外漫反射結(jié)合MATLAB6.1和PCA建立蘋果糖度預(yù)測(cè)模型，rmax=-0.621、rmin= -0.365［21］;建立紅富士蘋果糖度的近紅外漫反射主成分回歸(PCR)多元校正模型，r=0.844、標(biāo)準(zhǔn)校正誤差SEC=0.729、標(biāo)準(zhǔn)預(yù)測(cè)誤差SEP=0.864、偏差Bias=0.318［22］。傅霞萍等建立蘋果糖度的近紅外光譜漫反射多元線性回歸(MLR)模型，得到最佳波長(zhǎng)的4個(gè)校正方程［23］。張海東等采用正交信號(hào)校正法(OSC)并結(jié)合 PLS建立蘋果糖度模型，校正 r2= 0.92644、SEC=0.40250，預(yù)測(cè)SEP=0.50229［24］;利用近紅外光譜結(jié)合混合線性分析法的一種變形算法(HLA/XS)建立蘋果糖度校正模型，r2=0.87611、SEP =0.48480［25］。趙杰文等利用近紅外漫反射光譜結(jié)合PCR和PLS研究蘋果糖度無(wú)損檢測(cè)，所得PLS模型更優(yōu)［26］。應(yīng)義斌等利用小波變換濾波技術(shù)并結(jié)合重構(gòu)光譜信號(hào)對(duì)蘋果糖度進(jìn)行逐步線性回歸(SLR)建立校正模型，預(yù)測(cè)集決定系數(shù)R提高到0.85、SEP降為6%、線性r提高到0.919［27］。鄒小波等利用多尺度小波去噪法結(jié)合改進(jìn)后的間隔偏最小二乘法(iPLS)建立蘋果糖度預(yù)測(cè)模型，校正rc=0.9635、RMSEC=0.3026，預(yù)測(cè)rp=0.9214、RMSEP=0.4113，PC=5［28］;利用獨(dú)立分量分析法(ICA)建立蘋果糖度的PLS模型，校正rc=0.9549、SEC=0.3361，預(yù)測(cè)rp= 0.9071、SEP=0.4355［29］。李艷肖等用遺傳區(qū)間間隔偏最小二乘法(GA-iPLS)建立蘋果糖度數(shù)學(xué)模型，校正rc=0.962、RMSECV=0.3346，預(yù)測(cè)rp=0.932、RMSEP=0.3842［30］。王加華等建立蘋果糖度一階導(dǎo)數(shù)光譜的遺傳算法結(jié)合偏最小二乘(GA-PLS)模型，Rc=0.966、RMSEC=0.469，Rp=0.954、RMSEP =0.797［31］。

2.2 硬度

李桂峰等建立蘋果硬度的多元散射校正法結(jié)合偏最小二乘法(PLS-MSC)預(yù)測(cè)模型，RMSEP= 0.226kg/cm2、R2=96.52%［32］;以傅里葉變換近紅外光譜(FT-NIRS)結(jié)合多元散射校正(MSC)+PLS化學(xué)計(jì)量學(xué)法建立蘋果硬度檢測(cè)模型，R2=0.9908、RMSEP=0.0147kg/cm2［33］。范國(guó)強(qiáng)等應(yīng)用光纖漫反射近紅外光譜建立蘋果硬度PLS模型，r=0.95452、RMSEC=0.594［34］。杜冉等建立蘋果硬度的近紅外透射 PLS模型，校正集最佳 PC=3，r=0.9644、RMSEC=0.3529［35］。史波林等通過(guò)PLS并采用遺傳算法結(jié)合直接正交信號(hào)校正法(GA-DOSC)建立蘋果硬度的近紅外模型，r=0.805、預(yù)測(cè)相對(duì)誤差RSDP =12.89%［36］。屠振華等利用FT-NIRS結(jié)合遺傳算法和間隔偏最小二乘法(GA-iPLS)測(cè)定蘋果硬度，降低模型復(fù)雜度并提高預(yù)測(cè)精度［37］。

2.3 酸度

應(yīng)義斌等建立蘋果有效酸度的近紅外漫反射PLS模型，最佳PC=3，r=0.959、SEC=0.076、SEP= 0.525、Bias=0.073［38］。劉燕德等應(yīng)用近紅外漫反射光譜結(jié)合光纖傳感技術(shù)建立蘋果有效酸度模型，預(yù)測(cè)值和真實(shí)值r=0.906，SEC=0.0562、SEP=0.0562、Bias=0.0115［39］。董一威等采用CCD近紅外光譜系統(tǒng)結(jié)合偏最小二乘回歸(PLSR)建立蘋果酸度預(yù)測(cè)模型，r=0.8151、SEC=0.0120、SEP=0.0204［40］。

2.4 可溶性固形物

慶兆坤等利用可見/近紅外激光漫反射光譜建立蘋果SSC含量的象素強(qiáng)度頻率PLSR模型，RMSEP =0.84°Brix［41］。周麗萍等采用可見/近紅外漫反射光譜結(jié)合PCA和BP神經(jīng)網(wǎng)絡(luò)技術(shù)，建立蘋果SSC含量預(yù)測(cè)模型，98%以上預(yù)測(cè)樣本的預(yù)測(cè)相對(duì)誤差低于5%［42］。

2.5 褐變

韓東海等采用可見/近紅外連續(xù)透射光譜研究蘋果內(nèi)部褐變，正確判別率達(dá)95.65%［43］。王加華等直接采用可見/近紅外能量光譜對(duì)蘋果褐腐病和水心進(jìn)行鑒別，建立的偏最小二乘判別法(PLSDA)模型總判別率達(dá)98.1%，RMSEC=0.449、RMSEP=0.392［44］。

2.6 模式識(shí)別

何勇等結(jié)合主成分分析和神經(jīng)網(wǎng)絡(luò)法(PCAANN)建立蘋果品種鑒別模型，預(yù)測(cè)識(shí)別率達(dá)100%［45］。趙杰文等采用支持向量機(jī)(SVM)建立不同品種、產(chǎn)地蘋果分類模型，回判識(shí)別率分別為100%和87%，預(yù)測(cè)識(shí)別率均達(dá)到100%(精度比傳統(tǒng)的判別分析法提高5%左右)［46］。

3 梨

3.1 單成分檢測(cè)

劉燕德等建立雪青梨總酸的近紅外漫反射結(jié)合多元校正算法PLS預(yù)測(cè)模型，最佳PC=7個(gè)，預(yù)測(cè)集r=0.79、RMSEP=0.0186［47］;應(yīng)用近紅外漫反射光譜結(jié)合一階微分預(yù)處理法并采用PLS獲得SSC模型，預(yù)測(cè)集r=0.8517，RMSEP=0.8793［48］。張楠等采用近紅外透射光譜結(jié)合PLS建立水晶梨的糖度模型，r=0.9766、SEC=0.1977、SEP=0.4638、Bias= -0.0015［49］。孫通等建立梨的SSC近紅外透射PLS預(yù)測(cè)模型，r=0.9488、RMSEC=0.236、RMSEP=0.5［50］。王加華等將遺傳算法用于偏最小二乘法建立西洋梨糖度近紅外光譜校正模型(GA-PLS)前的數(shù)據(jù)優(yōu)化篩選，提高測(cè)量精度、減少建模變量［51］。

3.2 多成分檢測(cè)

紀(jì)淑娟等采用多測(cè)點(diǎn)180°轉(zhuǎn)動(dòng)正反兩面各掃描2次的方式，建立南果梨SSC、pH近紅外透射模型，r均達(dá)到0.9以上、校正集RMSEC都低于0.3［52］;分別建立南果梨SSC、還原糖含量RSC、總酸度含量TA和有效酸度pH的近紅外定標(biāo)模型，確定SSC和TA是適宜的定標(biāo)參數(shù)［53］。

3.3 堅(jiān)實(shí)度

傅霞萍等應(yīng)用傅里葉漫反射近紅外光譜結(jié)合PLS建立雪青梨堅(jiān)實(shí)度模型，校正集樣本rc=0.869、RMSEC=3.88N，預(yù)測(cè)集樣本 rp=0.840、RMSEP= 4.26N［54］;建立雪青梨堅(jiān)實(shí)度的近紅外漫反射預(yù)測(cè)模型，線性建模以原始光譜的偏PLSR結(jié)果較好、組合算法以PLSR的結(jié)果最優(yōu)［55］。曾一凡等建立梨堅(jiān)實(shí)度的可見/近紅外光譜 PLSR數(shù)學(xué)模型，校正 r= 0.8779、預(yù)測(cè)r=0.8087，RMSEC=1.0804N、RMSEP= 1.4455N［56］。

3.4 模式識(shí)別

馮世杰等建立正常/褐變鴨梨的SVM分類識(shí)別模型，準(zhǔn)確率達(dá)95%［57］。馬本學(xué)等采用近紅外漫反射光譜分析技術(shù)結(jié)合判別分析法(DA)建立庫(kù)爾勒香梨脫萼果/宿萼果類別定性判別模型，校正集、預(yù)測(cè)集正確分類率分別為100%和95%［58］。潘璐等采用遺傳算法(GA)建立多品種砂梨混合模型，RMSEC =0.627、RMSEP=0.641［59］。

3.5 色澤及單果重

李鑫等建立蘋果梨單果重的近紅外透射PLSR模型，SEP=18.01、Rc=0.70、RMSEC=18.68、PC= 5［60］。劉燕德等應(yīng)用可見/近紅外漫反射光譜結(jié)合PLSR建立梨表面色澤的校正模型，指標(biāo)L※、a※、b※的RMSEP分別為1.4251、0.4569和0.9497，相對(duì)預(yù)測(cè)偏差RSD分別為3.7404%、3.3571%和2.5877%［61］。

4 當(dāng)前存在的問(wèn)題及發(fā)展趨勢(shì)［2，62－65］

4.1 近紅外光譜分析技術(shù)存在的問(wèn)題

雖然近紅外光譜分析技術(shù)在在線檢測(cè)水果品質(zhì)上的研究已將近持續(xù)了10年，但大多數(shù)還只停留在實(shí)驗(yàn)室階段，極少形成真正的商業(yè)化產(chǎn)品。目前，水果品質(zhì)的在線檢測(cè)研究主要還存在著以下幾個(gè)方面的問(wèn)題。

4.1.1 建立用于水果品質(zhì)光譜分析的校正模型與開發(fā)用于水果品質(zhì)檢測(cè)的軟件系統(tǒng)是近紅外光譜技術(shù)能否用于水果品質(zhì)檢測(cè)的最關(guān)鍵問(wèn)題;但當(dāng)前大部分研究只是進(jìn)行可行性探索，沒有進(jìn)行深入研究。

4.1.2 近紅外光譜很容易受到各個(gè)因素的影響(如樣品的溫度、檢測(cè)部位以及裝樣條件等)，由于使用條件、樣本的復(fù)雜性、儀器的穩(wěn)定性等因素的影響，數(shù)學(xué)模型的適應(yīng)性變差;因此，在利用NIRS對(duì)水果品質(zhì)進(jìn)行檢測(cè)的過(guò)程中，建立數(shù)學(xué)模型是最困難的。應(yīng)用不同的數(shù)學(xué)建模方法，建立的光譜與被測(cè)水果成分的相關(guān)系數(shù)也不同。而對(duì)于在線檢測(cè)來(lái)說(shuō)，樣品是運(yùn)動(dòng)的，因而近紅外光譜更容易受到影響，如何獲得較穩(wěn)定的光譜仍是一個(gè)問(wèn)題。

4.1.3 在線檢測(cè)研究中所應(yīng)用的模型大多為PLS或是ANN模型，而這些模型都是抽象的，不可描述的;對(duì)可描述模型的研究以及可描述模型在在線檢測(cè)中的應(yīng)用研究仍有所欠缺。

4.1.4 國(guó)內(nèi)利用近紅外光譜技術(shù)檢測(cè)的水果品種比較少，主要集中在柑橘、蘋果和梨;在實(shí)際生產(chǎn)生活中使用的便攜式水果品質(zhì)無(wú)損檢測(cè)儀器則非常罕見。

4.2 近紅外光譜分析技術(shù)展望

經(jīng)過(guò)40多年的發(fā)展，近紅外光譜分析技術(shù)已逐漸成為一種快速的現(xiàn)代分析技術(shù)。由于近紅外光譜法的快速、非破壞性、無(wú)試劑分析、安全、高效、低成本及同時(shí)測(cè)定多種組分等特點(diǎn)，必將成為水果無(wú)損檢測(cè)經(jīng)濟(jì)、有效且最具發(fā)展前景的分析技術(shù)之一。從目前的發(fā)展趨勢(shì)來(lái)看，未來(lái)將會(huì)向以下四個(gè)主要方面發(fā)展。

4.2.1 由于傳統(tǒng)化學(xué)方法分析耗時(shí)、費(fèi)力、成本高，許多現(xiàn)代化的儀器又由于體積重量大，不便移動(dòng)、實(shí)時(shí)性差;因而能同時(shí)測(cè)量水果各項(xiàng)品質(zhì)的便攜式水果品質(zhì)檢測(cè)儀將是農(nóng)業(yè)部門和質(zhì)檢部門進(jìn)行水果抽樣檢查迫切需要的設(shè)備，以便可以對(duì)水果進(jìn)行實(shí)時(shí)質(zhì)量監(jiān)測(cè)和控制。因此，基于近紅外技術(shù)的便攜式水果在線檢測(cè)儀器具有很大的發(fā)展前景。

4.2.2 由于建立穩(wěn)定的近紅外分析數(shù)學(xué)模型是相當(dāng)復(fù)雜的過(guò)程，必須要先進(jìn)的分析軟件、有經(jīng)驗(yàn)的專業(yè)技術(shù)人員和一批樣品資源以進(jìn)行大量困難與復(fù)雜的開發(fā)工作。因此，編制專用的定標(biāo)模型校正軟件，使定標(biāo)工作模式化，易于掌握;實(shí)現(xiàn)模型庫(kù)共享和校正模型的可移植轉(zhuǎn)換將是今后幾年亟待解決的問(wèn)題。

4.2.3 光纖技術(shù)與近紅外技術(shù)結(jié)合必然使近紅外在線檢測(cè)技術(shù)廣泛應(yīng)用于水果以及其他各個(gè)領(lǐng)域，并在今后的發(fā)展中逐漸形成成熟的在線檢測(cè)裝備投放于市場(chǎng)。隨著近紅外光譜分析技術(shù)應(yīng)用的不斷深入，近紅外光譜分析技術(shù)必然將與網(wǎng)絡(luò)技術(shù)結(jié)合，實(shí)現(xiàn)近紅外分析模型的在線更新與升級(jí)。

4.2.4 成像光譜學(xué)將是近紅外未來(lái)的發(fā)展方向，二維陣列檢測(cè)器的開發(fā)，使測(cè)量成分和成分分布成為可能;光譜成像技術(shù)將成為21世紀(jì)近紅外光譜分析技術(shù)的發(fā)展趨勢(shì)。

［1］中華人民共和國(guó)國(guó)家統(tǒng)計(jì)局.中國(guó)統(tǒng)計(jì)年鑒［M］.2008.

［2］馬本學(xué)，應(yīng)義斌，饒秀勤，等.高光譜成像在水果內(nèi)部品質(zhì)無(wú)損檢測(cè)中的研究進(jìn)展［J］.光譜學(xué)與光譜分析，2009，29(6): 1611-1615.

［3］陸婉珍.現(xiàn)代近紅外光譜分析技術(shù)［M］.第一版.北京:中國(guó)石化出版社，2000.

［4］Antihus Hemandez Gomez，Yong He，Annia Garcia Pereira. Non-destructive measurement of acidity，soluble solids and firmness of satsuma mandarin using Vis/NIR-spectroscopy techniques［J］.Journal of Food Engineering，2006，77:313-319.

［5］Ann Peirs，Ann Schenk，Bart M Nicolai.Effect of natural variability among apples on the accuracy of VIS-NIR calibration models for optimal harvest date predictions［J］.Postharvest Biology and Technology，2005，35:1-13.

［6］Manuela Zude，Bernd Herold，Jean-Michel Roger，et al.Nondestructive tests on the prediction of apple fruit flesh firmness and soluble solids content on tree and in shelf life［J］.Journal of Food Engineering，2006，77:254-260.

［7］Emira Mehinagic，Gaelle Royer，Dominique Bertrand，et al. Relationship between sensory analysis，penetrometry and visible-NIR spectroscopy of apples belonging to different cultivars［J］. Food Quality and Preference，2003(14):473-484.

［8］Panmanas Sirisomboon，Munehiro Tanaka，Shuji Fujita，et al. Evaluation of pectin constituents of Japanese pear by near infrared spectroscopy［J］.Journal of Food Engineering，2007，78: 701-707.

［9］G Carlomagno，L Capozzo，G Attolico，et al.Non-destructive grading of peaches by near-infrared spectrometry［J］.Infrared Physics and Technology，2004，46:23-29.

［10］劉燕德，歐陽(yáng)愛國(guó)，羅吉，等.近紅外漫反射光譜檢測(cè)贛南臍橙可溶性固形物的研究［J］.光譜學(xué)與光譜分析，2007，27 (11):2190-2192.

［11］劉燕德，羅吉，陳興苗.可見/近紅外光譜的南豐蜜桔可溶性固形物含量定量分析［J］.紅外與毫米波學(xué)報(bào)，2008，27 (2):119-122.

［12］陸輝山，傅霞萍，謝麗娟，等.可見/近紅外光估測(cè)完整柑橘水果可溶性固形物含量的研究［J］.光譜學(xué)與光譜分析，2007，27(9):1727-1730.

［13］劉春生，周華茂，孫旭東，等.偏最小二乘法-可見/近紅外光譜測(cè)定南豐蜜桔糖度的研究［J］.河北師范大學(xué)學(xué)報(bào):自然科學(xué)版，2008，32(6):788-790，797.

［14］周文超，孫旭東，陳興苗，等.近紅外透射光譜無(wú)損檢測(cè)贛南臍橙糖度的研究［J］.農(nóng)機(jī)化研究，2009(5):161-163.

［15］夏俊芳，李小昱，李培武，等.基于小波變換的柑橘維生素C含量近紅外光譜無(wú)損檢測(cè)方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2007，23(6):170-174.

［16］劉燕德，陳興苗，孫旭東.可見/近紅外漫反射光譜無(wú)損檢測(cè)南豐蜜桔維生素C的研究［J］.光譜學(xué)與光譜分析，2008，28(10):2310-2320.

［17］袁雷，劉輝軍，余桂英，等.柑橘品質(zhì)的近紅外光譜無(wú)損檢測(cè)［J］.光譜實(shí)驗(yàn)室，2006，23(4):820-822.

［18］鄧烈，何紹蘭，易時(shí)來(lái)，等.與哈姆林甜橙果實(shí)內(nèi)在品質(zhì)主要參數(shù)同步相關(guān)的特征光譜研究［J］.光譜學(xué)與光譜分析，2010，30(4):1049-1052.

［19］文建萍，陳興苗，孫旭東，等.可見近紅外漫反射光譜法測(cè)定贛南臍橙的表面色澤［J］.安徽農(nóng)業(yè)科學(xué)，2007，35(36): 11805-11806.

［20］劉輝軍，李文軍，呂進(jìn)，等.近紅外光譜柑橘貨架期的快速鑒別模型［J］.農(nóng)機(jī)化研究，2009(5):174-176，179.

［21］劉燕德，應(yīng)義斌.基于MATLAB語(yǔ)言的蘋果糖度近紅外光譜定量分析［J］.浙江大學(xué)學(xué)報(bào):工學(xué)版，2004，38(10):1371 -1374.

［22］劉燕德，應(yīng)義斌.蘋果糖分含量的近紅外漫反射檢測(cè)研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，2004，20(1):189-192.

［23］傅霞萍，應(yīng)義斌，劉燕德.蘋果糖度近紅外光譜檢測(cè)的初步實(shí)驗(yàn)研究［J］.中國(guó)食品學(xué)報(bào)，2005，5(2):103-107.

［24］張海東，趙杰文，劉木華.基于正交信號(hào)校正和偏最小二乘(OSC/PLS)的蘋果糖度近紅外檢測(cè)［J］.食品科學(xué)，2005，26 (6):189-192.

［25］張海東，趙杰文，劉木華.基于混合線性分析的蘋果糖度近紅外光譜檢測(cè)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2006，37(4):149-151，163.

［26］趙杰文，張海東，劉木華.利用近紅外漫反射光譜技術(shù)進(jìn)行蘋果糖度無(wú)損檢測(cè)的研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，2005，21(3): 162-165.

［27］應(yīng)義斌，劉燕德，傅霞萍.基于小波變換的水果糖度近紅外光譜檢測(cè)研究［J］.光譜學(xué)與光譜分析，2006，26(1):63-66.

［28］鄒小波，趙杰文，夏蓉，等.蘋果糖度近紅外光譜小波去噪和iPLS建模［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2006，37(6):79-82.

［29］鄒小波，趙杰文.獨(dú)立分量分析預(yù)處理法提高蘋果糖度模型預(yù)測(cè)精度研究［J］.分析化學(xué)，2006，34(9):1291-1294.

［30］李艷肖，鄒小波，董英.用遺傳區(qū)間偏最小二乘法建立蘋果糖度近紅外光譜模型［J］.光譜學(xué)與光譜分析，2007，27 (10):2001-2004.

［31］王加華，韓東海.基于遺傳算法的蘋果糖度近紅外光譜分析［J］.光譜學(xué)與光譜分析，2008，28(10):2308-2311.

［32］李桂峰，趙國(guó)建，王向東，等.蘋果質(zhì)地品質(zhì)近紅外無(wú)損檢測(cè)和指紋分析［J］.農(nóng)業(yè)工程學(xué)報(bào)，2008，24(6):169-173.

［33］李桂峰，趙國(guó)建，劉興華，等.蘋果硬度的傅里葉變換近紅外光譜無(wú)損檢測(cè)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40(1):120-123.

［34］范國(guó)強(qiáng)，閘建文.運(yùn)用近紅外漫反射技術(shù)檢測(cè)蘋果內(nèi)部品質(zhì)［J］.農(nóng)業(yè)裝備與車輛工程，2006(11):33-35.

［35］杜冉，閘建文，付家庭，等.運(yùn)用近紅外透射光譜技術(shù)檢測(cè)蘋果內(nèi)部品質(zhì)［J］.農(nóng)機(jī)化研究，2008，(9):139-141.

［36］史波林，慶兆坤，籍保平，等.應(yīng)用GA-DOSC算法消除果皮影響近紅外漫反射光譜分析蘋果硬度的研究［J］.光譜學(xué)與光譜分析，2009，29(3):665-670.

［37］屠振華，籍保平，孟超英，等.基于遺傳算法和間隔偏最小二乘的蘋果硬度特征波長(zhǎng)分析研究［J］.光譜學(xué)與光譜分析，2009，29(10):2760-2764.

［38］應(yīng)義斌，劉燕德，傅霞萍.蘋果有效酸度的近紅外漫反射無(wú)損檢測(cè)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2004，35(6):124-126，141.

［39］劉燕德，應(yīng)義斌，傅霞萍.近紅外漫反射用于檢測(cè)蘋果糖度及有效酸度的研究［J］.光譜學(xué)與光譜分析，2005，25(11): 1793-1796.

［40］董一威，籍保平，史波林，等.蘋果中糖酸度的CCD近紅外光譜分析［J］.食品科學(xué)，2007，28(8):376-380.

［41］慶兆坤，籍保平，史波林，等.蘋果品質(zhì)檢測(cè)的可見-近紅外激光漫反射光譜圖像法的方法研究［J］.光譜學(xué)與光譜分析，2008，28(6):1273-1277.

［42］周麗萍，胡耀華，陳達(dá)，等.蘋果可溶性固形物含量的檢測(cè)方法［J］.農(nóng)機(jī)化研究，2009(4):104-106，203.

［43］韓東海，劉新鑫，魯超，等.蘋果內(nèi)部褐變的光學(xué)無(wú)損傷檢測(cè)研究［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2006，37(6):86-88，93.

［44］王加華，孫旭東，潘璐，等.基于可見/近紅外能量光譜的蘋果褐腐病和水心鑒別［J］.光譜學(xué)與光譜分析，2008，28(9): 2098-2102.

［45］何勇，李曉麗，邵詠妮.基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋果品種鑒別方法研究［J］.光譜學(xué)與光譜分析，2006，26(5):850-853.

［46］趙杰文，呼懷平，鄒小波.支持向量機(jī)在蘋果分類的近紅外光譜模型中的應(yīng)用［J］.農(nóng)業(yè)工程學(xué)報(bào)，2007，23(4): 149-152.

［47］劉燕德，應(yīng)義斌.傅里葉近紅外光譜的雪青梨酸度偏最小二乘法定量分析［J］.光譜學(xué)與光譜分析，2006，26(8):1454 -1456.

［48］劉燕德，孫旭東，陳興苗.近紅外漫反射光譜檢測(cè)梨內(nèi)部指標(biāo)可溶性固性物的研究［J］.光譜學(xué)與光譜分析，2008，28 (4):797-800.

［49］張楠，程玉來(lái)，李東華，等.近紅外透射光譜測(cè)定水晶梨糖度的初步研究［J］.食品工業(yè)科技，2007，28(3):215-217.

［50］孫通，應(yīng)義斌，劉魁武，等.梨可溶性固形物含量的在線近紅外光譜檢測(cè)［J］.光譜學(xué)與光譜分析，2008，28(11): 2536-2539.

［51］王加華，潘璐，孫謙，等.遺傳算法結(jié)合偏最小二乘法無(wú)損評(píng)價(jià)西洋梨糖度［J］.光譜學(xué)與光譜分析，2009，29(3): 678-681.

［52］紀(jì)淑娟，李東華，柏蘭，等.掃描方式對(duì)南果梨近紅外光譜無(wú)損檢測(cè)模型建立的影響研究［J］.食品科學(xué)，2008，29(6): 383-386.

［53］紀(jì)淑娟，李東華，重藤和明.南果梨糖、酸度近紅外光譜無(wú)損檢測(cè)模型建立定標(biāo)參數(shù)的確定［J］.食品科學(xué)，2008，29 (10):512-516.

［54］傅霞萍，應(yīng)義斌，劉燕德，等.水果堅(jiān)實(shí)度的近紅外光譜檢測(cè)分析實(shí)驗(yàn)研究［J］.光譜學(xué)與光譜分析，2006，26(6): 1038-1041.

［55］傅霞萍，應(yīng)義斌，陸輝山，等.應(yīng)用多種近紅外建模方法分析梨的堅(jiān)實(shí)度［J］.光譜學(xué)與光譜分析，2007，27(5): 911-915.

［56］曾一凡，劉春生，孫旭東，等.可見/近紅外光譜技術(shù)無(wú)損檢測(cè)果實(shí)堅(jiān)實(shí)度的研究［J］.農(nóng)業(yè)工程學(xué)報(bào)，2008，24(5): 250-252.

［57］馮世杰，戴小鵬，王艷平.基于NIR-SVM對(duì)鴨梨褐變病果的識(shí)別［J］.農(nóng)業(yè)網(wǎng)絡(luò)信息，2008(3):133-135.

［58］馬本學(xué)，饒秀勤，應(yīng)義斌，等.基于近紅外漫反射光譜的香梨類別定性分析［J］.光譜學(xué)與光譜分析，2009，29(12): 3288-3290.

［59］潘璐，王加華，李鵬飛，等.砂梨糖度近紅外光譜波段遺傳算法優(yōu)化［J］.光譜學(xué)與光譜分析，2009，29(5):1246-1250.

［60］李鑫，金蘭淑，林國(guó)林，等.蘋果梨單果重的近紅外無(wú)損檢測(cè)研究［J］.安徽農(nóng)業(yè)科學(xué)，2008，36(4):1297-1298.

［61］劉燕德，陳興苗，歐陽(yáng)愛國(guó).梨表面色澤的可見/近紅外漫反射光譜無(wú)損檢測(cè)研究［J］.紅外與毫米波學(xué)報(bào)，2008，27 (4):266-268.

［62］楊磊，陳坤杰.近紅外光譜在水果內(nèi)部品質(zhì)檢測(cè)中的研究進(jìn)展［J］.江西農(nóng)業(yè)學(xué)報(bào)，2008，20(1):76-78.

［63］付興虎，付廣偉，畢衛(wèi)紅.近紅外光譜技術(shù)在水果品質(zhì)無(wú)損檢測(cè)中應(yīng)用的研究與現(xiàn)狀［J］.紅外，2006，27(2): 33-37，48.

［64］孫通，徐惠榮，應(yīng)義斌.近紅外光譜分析技術(shù)在農(nóng)產(chǎn)品/食品品質(zhì)在線無(wú)損檢測(cè)中的應(yīng)用研究進(jìn)展［J］.光譜學(xué)與光譜分析，2009，29(1):122-126.

［65］王加華，韓東海.蘋果內(nèi)部品質(zhì)進(jìn)紅外光譜分析檢測(cè)技術(shù)［J］.中外食品，2006(2):50-53.

Progress in application of near infrared spectroscopy to nondestructive detection of big yield fruits’quality in China

SU Dong-lin1，2，LI Gao-yang2，HE Jian-xin1，ZHANG Ju-hua2，LIU Wei2，ZHU Xiang-rong2，SHAN Yang1，*
(1.Hunan Agricultural Product Processing Institute，Hunan Academy of Agricultural Sciences，Changsha 410125，China; 2.Hunan Food Test and Analysis Center，Changsha 410125，China)

The near infrared spectroscopy(NIRS)technique has found wide application in products and food quality detection since 1990’s because of its characteristics such as very high speed，no sample preparation，nondestruction，no pollution，low cost etc.Many research works have been done on fruit quality detection using NIRS technique both home and abroad，from static laboratory investigations to online investigations.In the present paper，many latest studies and analysis process focused on NIRS to determine the big yield fruits’quality in China in recent years were summarized briefly.At the same time，the existing problems of NIRS were pointed out and the prospect of NIRS technique was discussed.Finally，NIRS technique would combine with network technique to realize on-line update and upgrade of NIR models in the future.And spectral imaging technique will be the development trend of NIRS technique in the 21st century，which would provide reference for Chinese researchers. Key words:near infrared spectroscopy;big yield fruits;nondestructive detection;research progress;prospect

TS207.3

A

1002-0306(2012)06-0460-05

2011-07-26 *通訊聯(lián)系人

蘇東林(1979-)，男，工學(xué)碩士，助理研究員，研究方向:食品生物技術(shù)及農(nóng)產(chǎn)品精深加工。

公益性行業(yè)(農(nóng)業(yè))科研專項(xiàng)(200903043-04-01)。