消費(fèi)者生活水平的提高也表現(xiàn)在對(duì)食物的高品質(zhì)需求。對(duì)于食品工業(yè)來(lái)說(shuō)，特別是它復(fù)雜的國(guó)際供應(yīng)鏈，有效的監(jiān)測(cè)方法對(duì)交付質(zhì)量和一致性起到至關(guān)重要的作用。近紅外 (NIR) 反射光譜法作為一個(gè)可行的監(jiān)測(cè)手段，在本應(yīng)用案例中，我們應(yīng)用近紅外反射光譜法測(cè)定水果的成熟度。

介紹

監(jiān)測(cè)的水果成熟度能幫助農(nóng)民、 加工商以及零售商將他們的損失降到ZD，并ZD限度地通過(guò)準(zhǔn)確的分類(lèi)監(jiān)控產(chǎn)品質(zhì)量。這能減少整個(gè)供應(yīng)鏈的浪費(fèi)，并提高消費(fèi)者對(duì)產(chǎn)品感受的一致性。近紅外光譜技術(shù)的一大優(yōu)勢(shì)就是測(cè)試樣品的無(wú)需準(zhǔn)備。

此應(yīng)用中我們使用緊湊的設(shè)計(jì)和強(qiáng)大的性能的線陣檢測(cè)器光譜儀——NIRQuest，用于監(jiān)測(cè)在表皮不可知其成熟度的香蕉和其他水果。NIRQuest 的性能、 尺寸和耐用性使開(kāi)發(fā)的近紅外光譜技術(shù)應(yīng)用從實(shí)驗(yàn)室可以直接轉(zhuǎn)移到工廠車(chē)間。

實(shí)驗(yàn)裝置和方法

要測(cè)量水果的反射光譜，我們使用 NIRQuest512-1.7 (900-1700 nm) 和 NIRQuest256-2.5 (900-2500 nm) 光譜儀，HL-2000鎢鹵素光源和反射探頭。探頭通過(guò)透反射支架(STAGE-RTL-T)固定，并可以調(diào)整探頭的位置固定探頭與樣品間的距離 (圖 1)。表 1 提供了所使用設(shè)備的詳細(xì)信息和其選擇的原因。

我們對(duì)香蕉、 蘋(píng)果和橘子進(jìn)行了連續(xù)七天（一般存放環(huán)境）的測(cè)量，這些水果都是從同一家超市購(gòu)買(mǎi)，并以當(dāng)天作為測(cè)試的DY天。在每組測(cè)量之間，我們都使用WS-1 漫反射標(biāo)準(zhǔn)板做一次標(biāo)準(zhǔn)白板測(cè)試。對(duì)每個(gè)水果進(jìn)行不同位置的六次測(cè)量，并取其平均值，這樣做是為了排除水果的不均勻性導(dǎo)致測(cè)試結(jié)果的差異性。即使近紅外光譜方法無(wú)需樣品制備，但水果的結(jié)構(gòu)不均勻性使得有必要在不同的位置進(jìn)行多次測(cè)量并取其平均值來(lái)作為針對(duì)整個(gè)水果的分析結(jié)果。對(duì)于大多數(shù)的應(yīng)用來(lái)說(shuō)，近紅外光譜法還要求復(fù)雜化學(xué)計(jì)量學(xué)校準(zhǔn)模型，但是在本應(yīng)用中我們沒(méi)有使用該數(shù)學(xué)方法來(lái)監(jiān)測(cè)水果的成熟度(1) (2) (3)。

數(shù)據(jù)收集的流程如下所示︰

1. 打開(kāi) HL-2000光源，等待15 分鐘使光源達(dá)到熱平衡和穩(wěn)定。

2. 關(guān)閉光源開(kāi)關(guān)快門(mén)對(duì)光譜儀進(jìn)行暗噪聲測(cè)量

3. 使用標(biāo)準(zhǔn)漫反射板測(cè)量反射光譜作為標(biāo)準(zhǔn)漫反射。

4. 對(duì)水果樣品的不同位置進(jìn)行6次測(cè)量，水果的表面和探頭的距離固定在~0.5 cm

5. 重復(fù)步驟 3 和 4 為測(cè)量每個(gè)水果樣品。

圖 1︰ 儀器搭建：光譜儀，光源，探頭和樣品支架

表 1︰ 近紅外漫反射光譜搭建

結(jié)果與討論：

我們測(cè)量了兩個(gè)香蕉樣本，以及蘋(píng)果和桔子，大約七天的反射率數(shù)據(jù)。每個(gè)樣本的結(jié)果顯示出類(lèi)似的趨勢(shì)，但香蕉表面漫反射的數(shù)據(jù)特別明顯，這時(shí)因?yàn)橄憬陡菀鬃兪臁?/p>

針對(duì)香蕉在不同時(shí)間段進(jìn)行的漫反射測(cè)量數(shù)據(jù)可以參考圖2。數(shù)據(jù)在小于950 nm 和大于 1650 nm 這些波長(zhǎng)段我們不需做更多分析，因?yàn)樵谶@些波長(zhǎng)段并不包含樣品重要的物質(zhì)信息，并且大多數(shù)是噪音引起的，也是由于該波長(zhǎng)段接近光譜儀的檢測(cè)極限所致。隨著時(shí)間的推移，光譜趨勢(shì)更加明顯，比如1450 nm附近。

近紅外光譜技術(shù)是一種光譜振動(dòng)技術(shù)，與分子激發(fā)引起的能量吸收有關(guān)。近紅外光譜 (750-2500 nm) 主要表現(xiàn)為物質(zhì)的特定官能團(tuán)內(nèi)部的基本振動(dòng)頻率產(chǎn)生的光譜信息。有機(jī)樣品中的以O(shè)-H和 C-H官能團(tuán)(4)為主，因?yàn)槎鄶?shù)有機(jī)物本身含有大量的水分，從而導(dǎo)致水分（O-H 官能來(lái)衡量）的變化占了主要測(cè)試的變化。

圖 2 所示1400nm到1550nm是吸收譜帶，在 1150nm和1000nm處，可以表示為水果水分含量的變化。每一天反射率都在增加，變化Z快的是在第三天。這表明隨著水果的成熟水果的水分含量不斷降低，我們可以從光譜的吸收帶進(jìn)行判斷。水分的校準(zhǔn)在測(cè)試水果成熟度方面必須具備的算法(5)。

圖2︰ 隨著時(shí)間的推移，香蕉的不同反射光譜。每個(gè)光譜做了歸一化平均，保證每個(gè)光譜對(duì)于分析都有效。

在圖2中所示的光譜數(shù)據(jù)的一階導(dǎo)數(shù)計(jì)算結(jié)果能清楚地表明香蕉在存放過(guò)程中發(fā)生的變化，見(jiàn)圖3。圖3顯示波長(zhǎng)吸收變化的速率與波長(zhǎng)的關(guān)系。隨著時(shí)間的推移，我們很容易觀察到反射光譜的變化趨勢(shì)，圖3中顯示的光譜是我們?cè)诓煌鞌?shù)中測(cè)量的光譜數(shù)據(jù)。例如前兩天在光譜尖峰的變化率明顯大于后面幾天的，而后段時(shí)間香蕉是更成熟，果皮也開(kāi)始呈現(xiàn)棕色。這表明，使用近紅外光譜不僅能對(duì)水果的表面變化定性，甚至能彌補(bǔ)視覺(jué)或者顏色測(cè)量的誤差。

圖 3︰ 香蕉表面近紅外反射光譜的一階導(dǎo)數(shù)與波長(zhǎng)的關(guān)系。

其他非接觸式的光學(xué)方法比如光學(xué)密度法也可以對(duì)水果的成熟度進(jìn)行過(guò)監(jiān)控。但與光學(xué)密度法不同的是，近紅外反射光譜可以反映特定波長(zhǎng)的特征信息，從而獲得更全面、更可靠的結(jié)果，以及更精確的信息，如糖、脂肪和蛋白質(zhì)含量等等(6)。

水果中水的溫度對(duì)光譜測(cè)量也有影響，而且每天的變化不一致，因此我們相對(duì)的很難獲得水果成分的準(zhǔn)確結(jié)果，所以這些測(cè)量需要建立準(zhǔn)確的校準(zhǔn)化學(xué)計(jì)量學(xué)模型。這類(lèi)模型廣泛應(yīng)用于近紅外光譜技術(shù)，而且有許多技術(shù)已經(jīng)將這些近紅外光譜測(cè)量應(yīng)用在水果的近紅外測(cè)量中(1) (2) (3)。然而由于我們使用的樣品量太少，從而不能從我們的研究結(jié)果中生成校準(zhǔn)模型，但是我們可以從1000 nm, 1150 nm 和1400-1550 nm波長(zhǎng)段的光譜數(shù)據(jù)獲得水果成熟過(guò)程中水分的變化。重要的是，通過(guò)近紅外反射光譜測(cè)量我們可以在能觀察到香蕉外皮發(fā)生變化前預(yù)先觀察到變化的發(fā)生。

總結(jié)：

腐爛或過(guò)熟的水果嚴(yán)重地浪費(fèi)生產(chǎn)商、加工商和消費(fèi)者的時(shí)間和金錢(qián)。通過(guò)監(jiān)測(cè)整個(gè)供應(yīng)鏈的水果成熟度就可以更好地控制產(chǎn)品的成熟。

該應(yīng)用表明，我們可以使用近紅外漫反射光譜監(jiān)測(cè)水果的成熟度，隨著水果的變熟，與水分含量相關(guān)的趨勢(shì)圖可以作為樣品的典型特征進(jìn)行表征。

近紅外反射光譜法作為一種快速和可靠的監(jiān)測(cè)水果品質(zhì)和生產(chǎn)的方式，而且無(wú)需任何樣品制備，也不會(huì)損壞樣品。雖然真實(shí)的應(yīng)用該方法用于質(zhì)量控制環(huán)境還需要進(jìn)一步發(fā)展校準(zhǔn)模型，但是我們已經(jīng)證明可以使用近紅外光譜法作為監(jiān)測(cè)水果成熟的有力工具。測(cè)量是相對(duì)簡(jiǎn)單的，而且不需要樣品制備；測(cè)試過(guò)程是快速的，相似的應(yīng)用也是使用該方法，結(jié)合可靠的校準(zhǔn)正模型可以擴(kuò)展至多個(gè)參數(shù)的獲得。通過(guò)遠(yuǎn)程—從產(chǎn)地到工廠和超市貨架監(jiān)測(cè)整個(gè)供應(yīng)鏈的水果品質(zhì)可以節(jié)省很多時(shí)間和金錢(qián)。我們更愿意聽(tīng)到這樣的話語(yǔ)——再也沒(méi)有爛香蕉了！

文獻(xiàn)引用:

1.Linear and non-linear regression models for classification of fruit from visible-near infrared spectra. Kim, J., Mowat, A., Poole, P., Kasabov, N. 2, July 24, 2000, Chemometrics and Intelligent Laboratory Systems, Vol. 51, pp. 201-216.

2.Postharvest quality of apple predicted by NIR-spectroscopy: Study of the effect of biological variability on spectra and model performance. Bobelyn, E., Serban, A.-S., Nicu, M., Lammertyn, J., Nicolai, B., Saeys, W. 55, 20110, Postharvest Biology and Technology, pp. 133-143.

3.Preliminary study on the application of near infrared spectroscopy and pattern recognition methods to classify different types of apple samples. Luo, W., Shuangyan, H., Fu, H., Wen, G., Cheng, H., Zhou, J., Wu, H., Shen, G., Yu, R. 128, 2011, Food Chemistry, pp. 555-561.

4.Using NIRS spectroscopy to predict post harvest quality. Cayuela Sanchez, J. A. Sevilla : s.n., 2012.

5.Non-destructive measurement of moisture content using handheld NIR. Blakey, R. J., van Rooyen, Z. 2009.

6.Non-destructive measurement of moisture content in avocado’s using handheld near-infrared spectroscopy. Blakey, R. J., van Rooyn, Z. 2011, South African Avacado Growers Association Yearbook, Vol. 34.