学术研究报告：基于近红外高光谱成像技术的青柠品质无损检测研究

作者及发表信息
本研究由泰国国王蒙固工学院拉卡邦分校（King Mongkut’s Institute of Technology Ladkrabang）食品工程系的Sontisuk Teerachaichayut和Huong Thanh Ho共同完成，发表于2017年的《Postharvest Biology and Technology》期刊（第133卷，20-25页）。研究聚焦于利用近红外高光谱成像（NIR-HSI）技术无损预测青柠（Citrus aurantifolia Swingle）的总可溶性固形物（Total Soluble Solids, TSS）、可滴定酸（Titratable Acidity, TA）及成熟度指数（TSS/TA），并实现化学分布的视觉化呈现。

学术背景
青柠是全球重要的商业柑橘类水果，其品质受品种、气候、栽培方式等因素影响。传统破坏性检测方法（如折射仪测TSS、滴定法测TA）效率低且无法实现单果实时分级。近红外光谱（NIRS）和计算机视觉技术的结合——高光谱成像（HSI）技术，因其同时获取空间和光谱信息的能力，成为农产品品质无损检测的研究热点。本研究旨在开发一种基于HSI的非破坏性方法，用于青柠内部品质（TSS、TA及成熟度指数）的快速预测与可视化，为包装厂和加工厂提供分级工具。

研究流程
1. 样本准备与数据采集
- 样本：100颗青柠（品种Paan），选取颜色（全绿）和大小（直径4.0±0.3 mm）均匀的果实，采集自泰国孔敬省批发市场。
- HSI系统：采用推帚式高光谱成像系统（SisuChema），光谱范围929–1671 nm（排除两端低信噪比区域），空间分辨率320×256像素，光谱分辨率5 nm。系统配备卤素灯光源、EMCCD相机及暗室环境以消除杂散光干扰。
- 化学值测定：挤压提取果汁后，用数字折射仪（PR101）测TSS，NaOH滴定法测TA，按公式计算TA（以柠檬酸百分比表示）。

1. 数据处理与模型构建

   • 光谱预处理：采用Savitzky-Golay平滑、一阶/二阶导数、多元散射校正（MSC）和标准正态变量变换（SNV）优化光谱数据。
     
   • 背景剔除：通过主成分分析（PCA）分离样本与背景光谱，仅保留青柠像素数据。
     
   • 建模方法：将样本分为校准集（n=70）和预测集（n=30），利用偏最小二乘回归（PLSR）建立TSS、TA和TSS/TA的预测模型。最优模型选择依据交叉验证的均方根误差（RMSECV）和决定系数（R²cv）。
     

2. 化学分布可视化

   • 将PLSR模型预测值转换为每个像素的颜色（线性色标：蓝-红表示低-高浓度），生成TSS、TA和TSS/TA的空间分布图，展示果实内部化学梯度差异。

主要结果
1. 光谱特征：青柠的二阶导数光谱在970 nm（水、糖的O-H键）、1170 nm（木质素）、1410 nm（木质素）和1450 nm（水、糖的C-H键）处出现特征峰，与化学成分吸收峰一致。
2. 模型性能：
- TSS模型：原始光谱最优，预测集R²p=0.838，RMSEP=0.237%。
- TA模型：原始光谱最优，R²p=0.694，RMSEP=0.288%。
- TSS/TA模型：平滑光谱最优，R²p=0.775，RMSEP=0.049。
3. 化学图像：红色区域对应高TSS、高TA或高成熟度指数，蓝色区域反之。图像清晰显示同一果实内不同部位的化学差异（如果顶与果底TSS差异），验证了HSI在单果分级中的潜力。

结论与价值
1. 科学价值：首次将HSI技术应用于青柠TSS、TA及成熟度指数的无损预测，证实了光谱数据与化学值的强相关性，并为柑橘类水果品质分析提供了新方法。
2. 应用价值：化学分布可视化可实现生产线上的实时分级，提升新鲜青柠和加工产品的品质一致性。
3. 技术普适性：该方法可扩展至其他非呼吸跃变型水果（如橙子、葡萄柚）的品质评估。

研究亮点
1. 创新方法：结合PLSR与图像处理算法，将化学预测值转化为直观的色彩分布图。
2. 高精度模型：TSS预测模型（R²p=0.838）优于传统NIRS技术在柑橘类中的应用（如Valencia橙的TSS预测R²p=0.72）。
3. 样本异质性揭示：通过像素级分析，首次量化青柠内部化学组成的空间变异，为果实生理研究提供新视角。

其他价值
研究得到泰国国王蒙固工学院拉卡邦分校的经费支持（KREF125801），并使用了UMBIO Evince高光谱图像分析软件（瑞典Prediktera公司），为后续开发便携式检测设备奠定了基础。