光學參數(shù)測量系統(tǒng)和原理及其在果蔬品質檢測方面的研究進展

潘磊慶,方莉,周彬靜,張斌,彭菁,屠康

(南京農業(yè)大學食品科學技術學院,江蘇 南京 210095)

果蔬組織是復雜基質,光與果蔬組織相互作用較為復雜,包括全反射、漫反射、吸收、透射、散射和發(fā)射,不同過程光的能量所占比例與組織的化學組成和物理結構密切相關[1]。近紅外光譜技術(near infrared reflectance spectroscopy technology,NIRS)是基于光與果蔬組織樣品相互作用時,根據(jù)光子與組織組分的特定光能團的能量交換形成的特征光譜,運用線性和非線性化學計量法建立樣品光譜和待測量指標的關系模型,實現(xiàn)對未知樣品指標的定性和定量預測[2]。但近紅外光譜技術所測的光譜信息是光吸收和散射的綜合信息,光與組織之間相互作用的機制不明確,且光譜信息的分析流程復雜,導致所建立的模型穩(wěn)定性和適應性差、精度無法進一步提高。故準確獲取果蔬組織的吸收和散射特性具有重要意義。

吸收和多重散射是光在果蔬組織中傳播時衰減的原因,吸收取決于果蔬組織的化學組成成分(水分、可溶性固形物、色素等),由原子和分子(主要是與光子振動頻率一致的O—H,C—H,N—H等含氫基團)不同能級間的電子躍遷產生;而散射主要受果蔬組織微觀結構和宏觀折射率改變的影響[2]。光在組織內部的傳輸、分布情況可通過組織的光學參數(shù)變化表征。因此,對果蔬組織的光學參數(shù)進行測量分析有助于了解光與組織的相互作用機制,并為單獨研究果蔬組織化學成分和物理結構與光學特性的關聯(lián)提供契機。

20世紀70年代末,Birth[3]首次采用Monte Carlo模型探討馬鈴薯、豬肉和谷物的光學吸收和散射特性。在20世紀80年代至21世紀初,由于計算機技術的局限性,關于農產品光學特性的研究一直處于停滯不前的狀態(tài)。21世紀,對于生物組織內部光傳輸規(guī)律的研究在生物醫(yī)學光子學領域已經十分普遍,研究者將其測量方法應用于果蔬品質分析領域,使果蔬品質檢測水平得到提高。目前新興的光學特性參數(shù)測量技術有積分球(integrating sphere,IS)、空間分辨(spatial resolved,SR)、時間分辨(time resolved,TR)和頻域分辨(frequency domain,FD),并已在蘋果[4]、芒果[5]、梨[6]、香蕉[7]、獼猴桃[8]、馬鈴薯[9]、番茄[10]等果蔬組織吸收和散射特性研究上取得了較多進展。

1 果蔬組織光學描述

1.1 光傳輸過程

果蔬組織是由細胞和細胞外基質組成的復雜系統(tǒng),不同的成分和結構具有特定的光學特性。光與果蔬組織相互作用過程較復雜,在研究光在組織中的傳輸過程時,組織可視為由吸收粒子和散射粒子組成。光吸收可以理想化為:將組織定義為特定的幾何尺寸球體,該球體會阻擋入射光并投射陰影,從而構成吸收;散射是將組織定義為具有特定幾何尺寸的球形散射粒子,該球體將入射光子重新定向到新的方向,阻擋了光子的正向傳輸。光傳輸過程中,吸收和散射同時存在,且散射效應遠強于吸收效應,果蔬組織的形狀、大小和空間分布及化學組成也會影響光與其互作過程。

1.2 光學特性參數(shù)

表征光學特性的參數(shù)分別為吸收系數(shù)(absorption coefficient,μa)、散射系數(shù)(scattering coefficient,μs)及各向異性因子(anisotropy factor,g)[2]。μa和μs分別指在樣品內單位長度上,單位光子被吸收和折射定向到新方向而導致輻射能量損失的比率。此外,散射到特定方向的光子的概率由g確定,g值在-1和1之間[3]。當散射占主導地位(即μs>μa)時,常用約化散射系數(shù)(reduced scattering coefficient,μ′s)來代替μs。μ′s可減少光傳輸模型中的變量,簡化光傳輸問題。二者之間的關系公式如下:

μ′s=μs(1-g)

(1)

1.3 光傳輸模型

1.3.1 朗伯比爾定律朗伯比爾定律(Beer-Lambert law)只考慮光吸收,而忽視散射的影響。對于純吸收或組織厚度(d)小于散射平均自由程(d<1/μs)的薄平板組織可根據(jù)朗伯比爾定律解析出μa。假設光穿過厚度為d的平板組織,且在組織表面不發(fā)生散射和反射,朗伯比爾定律的表達形式如下[11]:

I=I0e-μtd

(2)

式中:I為出射光強度;I0為入射光強度;μt為總衰減系數(shù)。

在忽略散射的條件下,準直透射率Tc=I/I0,μt即為吸收系數(shù)μa,此時朗伯比爾定律可表達如下:

(3)

果蔬組織是復雜的基質,光與果蔬組織的互作過程需要借助更加復雜的模型來加以解釋,可用麥克斯韋理論方程[12]進行描述,但考慮到實際樣品的復雜性,方程涉及的變量多,該方程無法直接求解,最終近似簡化為輻射傳輸方程。

1.3.2 漫射近似理論果蔬組織具有高散射特點,可應用輻射傳輸理論(radiative transfer theory,RTT)描述光與組織的互作過程,用輻射傳輸方程(radiative transfer equation,RTE)求解,但RTE只能在某些特殊條件下得到精確解,于是提出了許多近似簡化解法。目前,常用且精度較高的方法為漫射近似法(diffusion approximation,DA)。DA方程中只含有μa、μs與μ′s,是RTE的簡化形式。其適用條件為[12-13]:1)只適用于光子在散射占主導地位的介質中的傳輸,一般認為μ′s是μa的10倍以上。2)輻射源各向同性,且光源和檢測器的距離(r)與傳輸平均自由程(mfp′)之間的關系為r>10mfp′。3)多重散射不適用。在采用連續(xù)波或穩(wěn)態(tài)點光源[14]、脈沖點光源[5]、調頻點光源[15]和空間調制區(qū)域光源[11]4種光源照射的情況下DA已得到解析[16]。

由于大多數(shù)生物組織(包括果蔬組織)微觀結構和組成復雜,不能滿足DA所需的解析條件。為了克服該局限性,提出Monte Carlo仿真和反向倍加數(shù)值解析法。

1.3.3 Monte Carlo仿真Monte Carlo(MC)仿真只考慮光子的粒子性,忽略相位和偏振特性,是一種模擬光子在渾濁介質中傳播的統(tǒng)計方法,可獲得RTE的精確數(shù)值解。該方法通過追蹤統(tǒng)計大量(≥100 000)光子,進行光子傳播局部規(guī)則的描述,可表述為:描述光子和組織相互作用時步進大小、發(fā)生散射時光子偏轉角度大小以及在邊界處發(fā)生透射或反射概率的概率密度函數(shù)[16]。經過多次運行模擬,獲得組織任何位置的輻射能流率,進而可以計算出反射、透射率等參數(shù)。經典MC仿真模型包括光子的發(fā)射、移動步長的確定、遷移、碰撞邊界、吸收與散射、消亡判斷等過程[17]。適用于多層、復雜的組織結構,常被視為驗證所獲光學參數(shù)的標準,但需要追蹤大量光子的傳輸軌跡,耗時較長,精度依賴于時間,運行時間越長精度越高,不適用于快速檢測。

1.3.4 倍加法倍加法(adding doubling,AD)與MC類似,適用于平板介質對RTE的數(shù)值解。利用如下公式迭代可得到較厚組織的漫透射率(Td)、漫反射率(Rd)和準直透射率(Tc)[12]。

式中:v與ν′分別為光透射角和入射角的余弦值。

旅游業(yè)往往以盈利為主要目的，對資源及環(huán)境以不計后果的開發(fā)方式來謀取最大利潤，而在可持續(xù)發(fā)展觀念中，資源、環(huán)境、經濟和環(huán)境保護協(xié)調發(fā)展與人類學的理念是一致的。人類學向來堅持“以人為本”“整體性”的理念，在旅游開發(fā)及活動中更應注重環(huán)境、生態(tài)的承載力，注重作為旅游目的地的社區(qū)人民的感受和生活質量。因此，從人類學角度出發(fā)，景區(qū)發(fā)展應有整體性的發(fā)展規(guī)劃，構建一個良性的循環(huán)系統(tǒng)。

為了解決逆向問題,進一步獲得組織的光學特性參數(shù),Prahl等[12]基于倍加法提出逆向倍加法(inverse adding doubling,IAD)。IAD通常結合積分球技術,根據(jù)試驗測得的Rd、Td與Tc計算樣品的μa與μ′s?；静襟E:1)預先給出初始光學參數(shù)(μa、μs、g);2)利用IAD算法計算組織的Rd和Td;3)將計算得到的Rd和Td和積分球系統(tǒng)測量得到的Rd、Td進行比較,觀察其是否在誤差范圍內;4)若不在誤差范圍內,則重復步驟2和3,直至匹配。

2 光學參數(shù)測量技術

2.1 積分球技術

2.1.1 測量原理積分球(IS)技術是一種精度高、易于實現(xiàn)的光學參數(shù)測量方法。積分球內壁涂有高度反射涂層,反射率高于98%。光經過積分球多次漫反射形成理想的漫反射源,消除了被測組織以及探測器件受光面不均勻性帶來的影響[18]?；谠撎匦?積分球技術可在準確測量出薄片組織的Rd和Td的情況下,結合IAD反演算出其μa與μ′s。但檢測過程中光源的穩(wěn)定性、周圍環(huán)境的雜散光對測量的精確度存在影響。積分球技術的樣品需預處理制成一定厚度的薄片樣品,故無法作為一種無損檢測技術,但其系統(tǒng)設置簡單,精度較高,通常作為一種測量組織光學特性參數(shù)的參考方法。

2.1.2 儀器搭建IS系統(tǒng)分為單積分球(SIS)和雙積分球系統(tǒng)(DIS)。SIS系統(tǒng)(圖1)包括光源、積分球、樣品夾、光纖、準直器、適配器、光譜儀、光具座和計算機等[19]。而DIS系統(tǒng)包括2個積分球,檢測時樣品位于2個積分球之間,可同時測得Rd和Td。SIS系統(tǒng)分別獲取Rd、Td和Tc,結合IAD算法,計算得到μa與μ′s。測量樣品的Td時,樣品和光源在積分球的同一側,樣品緊貼進光口,出光口用積分球蓋遮住(圖1-A)。測量樣品的Rd時,樣品和光源在積分球的兩側,樣品緊貼出光口,進光口打開(圖1-B)。Tc測量的是通過樣品而不被散射的光強,測量方式如圖1-C所示。

圖1 基于單積分球的農產品光學特性檢測系統(tǒng)示意圖[19]Fig.1 Schematic of optical properties measurement system for agricultural products using integrating sphere[19]A. 漫透射率測量裝置 Setup for measurement on the total transmittance;B. 漫反射率測量裝置 Setup for measurement on the total reflectance;C. 準直透射率測量裝置 Setup for measurement on the collimated transmittance.

2.1.3 數(shù)學算法分析IAD算法是結合組織Rd和Td計算組織μa與μ′s最常用的方法之一,用積分球法測量Rd和Td是利用IAD算法的前提。積分球技術結合IAD算法對光學特性參數(shù)的測量精度較高,DIS可同時測得Rd和Td,但存在“串音”問題,使Rd和Td測量值比實際值偏大[20],利用SIS可解決該問題[21]。

2.2 空間分辨技術

2.2.1 測量原理為了更好地理解復雜介質中的光傳播問題,Reynolds等[14]首先提出空間分辨技術(SR)。SR采用穩(wěn)態(tài)連續(xù)的點光源垂直入射到組織表面,光子經過吸收和散射從上表面射出,漫反射率隨著入射光源距離的增加而下降,通過在組織表面不同距離(r)放置傳感器,采集漫反射光譜Rd(r),再將采集到的數(shù)據(jù)結合數(shù)值解析解進行擬合,反演得到μa與μ′s。

2.2.2 儀器搭建2種典型的SR傳感裝置為光纖陣列和非接觸反射成像,包括光纖探針(fiber optic probe,FOP)[22,10]、單色成像(monochromatic imaging,MCI)[23]、高光譜成像(hyperspectral imaging,HSI)[24]。其中,FOP包括剛性光纖探針(圖2-A)和柔性光纖探針(圖2-B)2種,其常與多通道高光譜成像系統(tǒng)耦合,可同時采集多個空間分辨光譜,且使用不同尺寸的探針也可有效地擴大探測范圍[25]。MCI(圖2-C)利用CCD相機采集空間分辨漫反射光譜,系統(tǒng)配置簡單,但像素信號很大一部分來自周圍區(qū)域,影響檢測精度[23]。與FOP和MCI相比,HIS(圖2-D)能夠實現(xiàn)對樣品表面空間分辨漫反射光譜的無接觸、多波長快速同時采集,且空間分辨率最低可達0.05 mm[26]。

圖2 4種空間分辨系統(tǒng)Fig.2 Schematic illustrations of spatial resolvedA. 帶剛性板的光纖探針[22] Fiber-optic probe with a rigid plate[22];B. 帶柔性板的光纖探針[10] Fiber-optic probe with a flexible plate mounted with 30 optical fibers[10];C. 單色成像[23] Monochromatic imaging[23];D. 基于高光譜成像的空間分辨[24] Hyperspectral imaging-based spatially resolved systems[24].

SR系統(tǒng)可實現(xiàn)多波長同時測量。使用光纖作為檢測器時,由于光纖探頭的位置固定,導致檢測點有限;使用CCD成像可實現(xiàn)遠距離、非接觸性測量,保證了樣品的安全衛(wèi)生,且可以獲得更多的空間和光譜信息,適用于果蔬品質檢測。但由于儀器的復雜性,在設置SR系統(tǒng)時需考慮光源特性、探測器的動態(tài)范圍以及光源-探測器的布置等。此外,樣品的不規(guī)則形狀、不均勻介質以及數(shù)學模型求解的復雜性等因素,都是在果蔬檢測中應用SR系統(tǒng)需要進一步研究解決的問題。

2.3 時間分辨技術

2.3.1 測量原理組織表面的時間分辨漫射光中含有組織的光學特征信息,時間分辨(TR)技術通過測量組織表面某點光信號隨時間變化情況,在距離光源照射固定距離(r)的某點采集不同時間(t)漫反射光譜Rd(t),通過不同時間點t的漫反射光譜和光傳輸模型擬合可反演出μa與μ′s。

2.3.2 儀器搭建TR系統(tǒng)關鍵部位包括脈沖激光器和時間相關單光子計數(shù)模塊TCSPC(圖3)。其工作流程如下:外觸發(fā)源觸發(fā)脈沖激光器,光脈沖通過光纖入射到組織,出射的光子由探測光纖收集,在光電倍增管PMT作用下形成光電脈沖,經過寬帶放大器放大,作為起始信號進入TCSPC的兩路常數(shù)因子鑒別器CFD通道。同時,觸發(fā)脈沖經過延遲成為參考脈沖,作為停止信號進入另外一路CFD。光電脈沖和觸發(fā)脈沖之間的時間差由TCSPC分析并記錄下來[29]。TR測量精度高,系統(tǒng)需要皮秒級別的激光脈沖,精度取決于高功率的脈沖激光器和高定時精度的探測元件,適用于單個波長的光學特性參數(shù)的測量。但系統(tǒng)使用光子計數(shù)技術檢測信號,設置復雜,儀器昂貴,導致其無法普遍適用于果蔬品質檢測領域。

圖3 時間分辨系統(tǒng)結構[5]Fig.3 Schematic diagram of time resolved system[5]

2.3.3 數(shù)學算法分析在距離入射光源r處可直接測得出射光子經過時間t所對應的Td和Rd,后通過時間t內的TR光譜波形和RTE解析解或MC模擬理論曲線進行數(shù)據(jù)擬合求解光學參數(shù)[30-31]。由于存在系統(tǒng)響應函數(shù),系統(tǒng)所測得的是真實信號和系統(tǒng)響應函數(shù)卷積后得到的波形,直接和理論曲線擬合,會存在較大的誤差。研究表明:將理論曲線和系統(tǒng)響應函數(shù)卷積后再與系統(tǒng)測得的TR波形擬合,此算法可行且誤差較小[29]。具體的算法過程如下:逐步改變RTE解析解或MC算法中的初始μa與μ′s,模擬計算出理論曲線,將實測波形與理論曲線和系統(tǒng)響應函數(shù)卷積后所得的波形進行比較,當二者的均方誤差最小時,則可認為此時的理論曲線是真實信號,該理論曲線對應的μa與μ′s,即為組織的μa與μ′s。

2.4 頻域分辨技術

2.4.1 測量原理在頻域系統(tǒng)中,光源經高頻調制后獲得不同空間相位(α)和不同空間頻率(f)的穩(wěn)態(tài)光源,光源入射到組織上,在一定距離處測量出射信號。由于介質對光的吸收和散射,出射信號會產生振幅變化和相位延遲,將徑向位置r處的振幅變化量M和延遲角θ的信號和光傳輸模型逆向擬合可估算μa與μ′s[16]。

2.4.2 儀器搭建不同于SR、TR和FD,空間頻域成像(SFDI)可對復雜基質的光學特性進行廣域映射,具有對組織進行三維成像的能力[32]。SFDI使用特殊的正弦二維照明模式,系統(tǒng)包括照明源、探測器和濾光片等,如圖4所示。SFDI可通過改變調制頻率獲得樣品組織成分和結構的深度分辨信息。此外,類似于SR技術,結構光反射成像(SIRI)以更高的空間分辨率和圖像對比度來顯示特定深度的組織光學圖像特征,才可用于檢測果蔬內部病害及早期真菌侵染。不同于TR的脈沖激光光源,FD需要經過高頻調制的連續(xù)激光光源,才可實現(xiàn)深度范圍的層析檢測。在測量時要求探頭和組織表面保持良好的接觸,但大部分果蔬外形結構不規(guī)則,這將影響檢測精度;另外由于需要獲取不同模式的正弦圖案,導致檢測速度慢。

圖4 空間頻域成像系統(tǒng)[11]Fig.4 Spatial-frequency domain imaging system[11]

2.4.3 數(shù)學算法分析利用SFDI估算μa與μ′s,需要獲取3個模式圖像,對應于3個相隔120°的正弦照明模式[11]。步驟如下:1)在每個波長處為每個空間頻率獲取2個或3個相移圖像;2)對獲得的模式圖像進行解調,從中獲得直接分量(DC)和交替分量(AC)圖像;3)進行圖像解調,獲取反射率值;4)通過模型擬合所提取的反射率分布與空間頻率的關系,利用逆算法估算每個波長的μa與μ′s。

3 光學參數(shù)測量技術的應用

IS、SR、TR和FD技術可分離果蔬的吸收和散射,獲得組織的組成成分和物理結構信息,用于果蔬的參數(shù)測量和品質檢測。表1為4種技術在預測果蔬可溶性固形物、硬度、成熟度及內外部缺陷等方面的應用。

表1 光學測量技術檢測果蔬品質的應用Table 1 Application in assessment quality of fruits and vegetables by using optical measurement techniques

續(xù)表1 Table 1 continued

3.1 果蔬組織光學參數(shù)測量

不同的果蔬組織具有其特定的光學特性,且果蔬是高度散射組織,其μ′s通常高于μa。μa取決于化學組成,果蔬組織的吸收光譜主要是色素位于可見光區(qū)以及水分子位于近紅外區(qū)的吸收峰,如花色素苷的吸收峰約在525 nm處,葉綠素b的吸收峰在620～630 nm處,葉綠素a的吸收峰在670～675 nm,水的吸收峰在750～780 nm和970 nm[48],在1 765～1 800 nm處可觀察到1個與淀粉含量有關的小峰[9]。此外,無論是損傷還是無損傷的果肉,都可觀察到葉綠素a(678 nm)及水(970、1 200和1 450 nm)的特征吸收峰。不同的是,損傷的果肉由于褐變產生黑色素,在550～600 nm內產生一個較大的吸收峰[19]。其他種類的水果及蔬菜,如蘋果[48]、梨[49]、桃[50]、馬鈴薯[9]、番茄[10]等的吸收光譜也以水分子與葉綠素、類胡蘿卜素和花青素等生色團為主。與吸收光譜相比,散射光譜相對平坦,μ′s隨波長的增加而逐漸減小,變化趨勢符合Mie散射理論,大多數(shù)果蔬組織的散射光譜都具有該規(guī)律。根據(jù)經驗公式μ′s=aλ-b,其中a與散射粒子的密度成正比,b與顆粒大小相關,λ為波長,可知μ′s與組織微觀結構差異相關,因此,μ′s隨波長的變化規(guī)律可以提供組織的結構和物理特性信息。

相對于果肉組織,果蔬表皮色素含量較高,吸收更強,且表皮的細胞結構比果肉更緊密,散射更強。Wang等[40]測量了550～1 650 nm波長范圍內洋蔥新鮮組織和洋蔥皮的μa與μ′s,洋蔥皮組織干燥,細胞結構更加緊致,散射更強,其μ′s約為洋蔥新鮮組織μ′s的18倍。這表明果皮對整果的光學特性參數(shù)檢測有較大的影響。對于不同成熟階段、不同品種的果蔬,其光學特性也不同。隨著番茄果實由綠色變?yōu)榧t色,葉綠素含量下降,花青素開始增加,678 nm處吸收減少,525 nm處吸收增加[10]。桃在不同成熟期的顏色和硬度有很大的變化,其吸收和散射光譜也對應呈現(xiàn)較明顯變化[50]。van Beers等[48]采用雙積分球采集了3個品種蘋果果皮及果肉的吸收和散射特性,結果顯示,蘋果的μa與μ′s不僅在果皮和果肉間體現(xiàn)出差異,且不同品種間也具有差異。但同一品種蘋果組織的μ′s同樣存在差異,可能由于所運用技術的差異、果蔬成熟度差異、測量部位不同等因素,無法比較這些結果的相對準確度[38,51-52]。今后可探究這些因素對光學特性參數(shù)測量結果的影響,后續(xù)運用光學參數(shù)測量技術時,應考慮到上述影響因素,也有必要采用一個統(tǒng)一的標準來驗證不同技術之間的差異。

3.2 果蔬品質檢測及分級

3.2.1 果蔬品質預測及分類1)果實硬度。果實硬度是評價成熟度的重要指標之一。He等[37]用IS結合IAD測得在400～1 150 nm處‘元黃’梨的μa與μ′s,進一步利用偏最小二乘回歸(partial least squares regression,PLSR)、980 nm處的μ′s建立硬度預測模型,建模集和預測集的決定系數(shù)R2分別為0.67和0.48,校正均方根誤差(RMSEC)和預測均方根誤差(RMSEP)分別為1.66和2.21 N。Vanoli等[33]利用TR基于670 nm和740～1 100 nm的光譜范圍內的μa與μ′s,建立了‘粉紅女士’蘋果硬度和細胞間隙率的預測模型,μa與μ′s分開建立的模型相關系數(shù)較低,但是將二者結合后,模型的性能得到改善。Rowe等[39]基于IS測得‘皇家嘎啦’蘋果在550～900 nm的μ′s,隨著蘋果的軟化呈現(xiàn)減小的趨勢。Seifert等[52]研究發(fā)現(xiàn)成熟過程中李和蘋果的散射強度變化很大,在670 nm處李的μ′s減小了41.7%,蘋果的μ′s減小了 14.7%。值得注意的是,隨著果實的軟化,μ′s可能不再滿足μ′s>μa,導致漫射近似方程失效,無法反演出光學吸收系數(shù)。故在運用光學參數(shù)測量技術預測果實硬度時,應考慮到該影響因素。

2)可溶固形物含量(total soluble solids content,SSC)。SSC是果實成熟采收的決定性因素之一,由可溶性糖、可溶性酸和其他可溶物質組成,其中可溶性酸和可溶性糖的比率是果實口感的重要指標。由于果實中酸含量較低,可溶性酸的預測存在精度較低的問題。Cen等[4]運用HISR測得500～1 000 nm‘金冠’和‘美味’蘋果的μa與μ′s,結合PLSR可以很好預測SSC,R2分別為0.778和0.825,RMSEP分別為0.82和0.85 °Brix。Trong等[45]利用SR并基于μa與μ′s建立‘Braeburn’蘋果SSC的PLSR預測模型,結果表明用μa建立的模型性能較好,R2為0.81,RMSEP為0.69 °Brix。Nicola?等[6]選擇對可溶性固形物含量更敏感的875～1 030 nm波長獲取TRS光譜圖像,并基于PLSR獲得合理的梨SSC預測模型,R2為0.60,RMSEP為0.44 °Brix。

3)顏色。光學測量技術可對多種果蔬的多種指標進行預測,同時從波長范圍也可以看出,有些研究已經將可見光波段與近紅外光波段一同對果蔬品質進行預測,所以果蔬的顏色也是影響檢測結果的重要因素,如成熟度(一般與葉綠素含量有關)的檢測等。Zerbini等[5]利用TR在類胡蘿卜素和葉綠素區(qū)域的吸收光譜,建立了芒果成熟軟化的數(shù)學模型。Adebayo等[7]將香蕉分為6個成熟期,可見光波段的分類準確率高達97.53%,而近紅外波段830和1 060 nm的分類準確率為95.06%～96.30%,且可見光波段的μa與μ′s可以較好地預測葉綠素含量和硬度。由于葉綠素及其他色素含量和成熟度相關,利用可見波段色素的吸收光譜測量可指示成熟度,便于分級和貨架期評估。特別注意的是,通過測量色素的吸收光譜來表征果蔬成熟度應關注果蔬的品種差異帶來的影響。

5)組織微觀形態(tài)結構與光學特性參數(shù)關聯(lián)機制。目前已有一些學者對果蔬貯藏期間微觀結構變化進行研究,以期理解果蔬生理特性演變的機制,開發(fā)有效的光學技術用于果實發(fā)育過程中的品質監(jiān)測和控制。Liu等[8]在950～1 650 nm采用IS結合IAD技術,研究了獼猴桃成熟過程中的μa與μ′s與微觀結構參數(shù)(細胞面積和直徑)的關系,獼猴桃組織細胞的面積和直徑在這個波長范圍內與μ′s高度相關,r分別為0.65和0.91。Wang等[55]首次提出影響貯藏中果蔬氣體交換的微觀結構與果蔬光學特性間存在聯(lián)系,將4個品種蘋果的μ′s和組織微觀結構參數(shù)(細胞等效球徑、球形度、孔隙率和孔表面密度)建立聯(lián)系,結果表明μ′s和孔隙率及孔表面密度存在正相關關系,R2均為0.89。未來可利用光學技術來預測果蔬組織的孔隙率,為果蔬貯藏策略調節(jié)提供依據(jù)。Ma等[56]的研究中定量分析了桃果實的μa與μ′s與硬度、等效直徑、圓度、細胞壁厚度和細胞空隙率的關系,發(fā)現(xiàn)硬度與細胞壁厚度和細胞空隙率較相關(r≥0.750),而且與μ′s也具有良好的相關性,基于μ′s建立的預測模型結果也較優(yōu)。這些結果進一步驗證組織微觀結構參數(shù)和散射特性之間具有高度相關性,為光學特性預測果實硬度提供了理論依據(jù)。上述研究結果均從果蔬自身角度闡明了光學特性檢測果蔬品質的機制,完善了光譜技術無損檢測果蔬品質的理論,促進光學技術改進、儀器開發(fā)和應用拓展。

3.2.2 果蔬缺陷品質檢測果蔬成熟后,在采摘、運輸、貯藏過程中可能發(fā)生擠壓、碰撞等機械損傷;在果蔬生長或者采后貯藏過程中由于水分、營養(yǎng)、微生物或害蟲的作用會產生不同的病蟲害,嚴重影響果蔬品質,損耗經濟效益。而利用光學參數(shù)測量技術,可實現(xiàn)果蔬內、外部品質缺陷的快速無損檢測。

2)內部病蟲害。果蔬在生長、貯藏過程中,常發(fā)生各種類別的病害,這些內部病害往往通過破壞性的視覺、圖像分析等進行檢測。粉質化蘋果由于其疏松干燥的口感而遭到消費者的拒絕,蘋果粉質化是一種內部病害,無任何明顯的外部特征。Mollazade等[43]基于SR技術采集‘富士’蘋果在650和980 nm處的散射圖像,當蘋果粉質化時,在650 nm處的μa由于內部褐變損傷的出現(xiàn)而增加,而碳水化合物的分解導致980 nm處的μa減小;且粉質化蘋果的果肉更疏松,在650 nm處的μ′s顯著減小,由于更多的細胞間隙充滿空氣,在980 nm處的μ′s增大;利用人工神經網絡分類模型(ANN)進行分類,基于650和980 nm處的μ′s模型分類準確率分別為76%和82%。Vanoli等[35]利用TR技術發(fā)現(xiàn)內部褐變的蘋果在750 nm處的μa較大;而μ′s較小,而Hu等[47]利用SRFD技術發(fā)現(xiàn)內部褐變的蘋果在460、527、630 nm處的μa遠大于新鮮蘋果。Wang等[40]研究發(fā)現(xiàn),新鮮洋蔥與感染洋蔥布克氏菌及蔥腐葡萄孢霉菌的洋蔥在500～1 000 nm的μa及550～1 650 nm的μ′s具有顯著差異,證明利用光學特性參數(shù)檢測病害洋蔥是可行的。

4 總結

光吸收和散射特性參數(shù)取決于果蔬的化學組分和物理結構特性,應用光學參數(shù)測量技術評價果蔬品質可基于光學特性參數(shù)獲得化學和物理信息,從而通過線性/非線性算法建立果蔬品質預測和分級模型,對評價果蔬品質具有重要意義。

IS、SR、TR和FD作為光學參數(shù)測量技術已被廣泛應用于果蔬品質評估及光學性質與品質指標變化關聯(lián)研究中,且為無損檢測(除IS外)。IS技術操作簡單,檢測精度相對較高,但對樣品準備要求高,耗時長。其中DIS相較于SIS,測量速度更快,但存在的“串音”問題。TR系統(tǒng)包括光子計數(shù)器等精密儀器,價格昂貴,但檢測速度快,精度高。SR利用穩(wěn)態(tài)連續(xù)光源照射組織,測量組織表面多點的漫反射信號,可得到不同位置點的信息?；诳臻g調制光照的FD技術可在一定深度范圍內對組織的光學特性進行表征。這4種技術在數(shù)據(jù)采集、儀器定標和數(shù)學解析算法等方面易出現(xiàn)誤差,準確率有待提高。此外,果蔬結構多樣性和不均勻性給光學測量帶來了極大的挑戰(zhàn),因此,需要進一步探究果蔬化學組分和物理結構對光學性質的影響,從果蔬自身的角度闡明光學特性檢測果蔬品質的機制,進一步改進儀器,簡化光傳輸模型和數(shù)學解析算法。雖然目前的果蔬光學特性檢測方法仍存在著一些缺陷和局限性,但該領域的研究存在廣闊的應用前景。