文摘
成熟的潜力预测使用总可溶性固形物(TSS)和识别有机与无机菠萝水果基于近红外(NIR)光谱指纹将会有利于农民和消费者。在这项研究中,一个便携式近红外光谱仪和最优化技术结合起来同时识别有机菠萝水果从传统生产的(有机和无机)以及预测总可溶性固体。共有90个完整的菠萝水果与近红外光谱仪进行扫描而数字折射计是用来测量TSS提取菠萝汁。尝试几种预处理技术后,多元校正模型使用主成分分析(PCA),K最近的邻居(资讯)和线性判别分析(LDA)来识别类(有机和常规菠萝水果),而偏最小二乘回归(PLSR)方法用于确定TSS的水果。MSC-PCA-LDA模型中识别技术,准确地确定从传统生产的有机水果的辨认率为100%。TSS的量化,MSC-PLSR模型给= 0.851卢比,RMSEC = 0.950°白利糖度,和Rc = 0.854和RMSEP = 0.842°白利5主成分校正集和预测集,分别。结果通常表明便携式近红外光谱仪加上适当的最优化工具可以用于快速无损探伤的菠萝质量以及检测菠萝欺诈由于不当的传统生产的有机的水果。这将有助于农民、消费者、和质量控制人员。
1。介绍
菠萝(菠萝comosus(l)稳定)是家庭中经济最重要的作物凤梨科非凡多汁性活跃的热带风味,和巨大的健康效益。菠萝果实维生素C的良好来源,纤维和其他矿物质。它还包含糖,bromalin(口服酶)、柠檬酸、苹果酸、维生素A和B,和优秀的纤维量(1]。质量评价和保证菠萝水果出口之前,在处理过程中,在新鲜的市场是一个必需的活动,以确保质量和安全。这些通常是基于内部品质性状如总可溶性固形物(TSS),坚定和酸度。然而,TSS(°白利)已经成为最重要的内部质量指标。例如,TSS是其中最重要的内部质量属性决定果实成熟和收获时间以及采后质量评估和分级水果(2]。
目前,传统的技术测定水果,如菠萝的内部质量参数包括破坏性的手段。这种方法通常是既繁琐又浪费的。它需要专业设备,精心设计的程序,和训练有素的人员,导致分析成本高,不允许对整个水果生产分析(3]。通常,具有代表性是用来预测整个水果,这通常会导致误判。因此,快速无损的预测TSS菠萝会很有价值的确定最佳收获时间和在其食用品质至关重要的结果。这将是及时满足不断增长的消费需求一致的高质量的水果。
此外,享有的高价格出售有机菠萝反对传统的导致不当也称为食品欺诈获得不正当金融优势。研究表明,消费者对有机食品的需求增长和有机农业是由于更高的价格农民得到更有利可图的生产(4,5]。一般有机生产系统不包括使用合成肥料、农药、生长调节剂等农用化学品(6]。然而,该技术用于检测的差异(从传统的有机水果,如菠萝)相对昂贵,破坏性的,耗时又往往需要复杂的样品制备。因此,同步检测菠萝水果质量参数(真实性和量化)使用便携式近红外光谱仪和最优化技术是非常有益的。这可能提供菠萝果实品质的快速检测。
近红外光谱为菠萝质量参数的确定提供了一种替代方法。这种方法提供了快速、无损检测的食品质量和安全。它找到了它的使用在食品行业进行定性和定量分析。近红外光谱法简单、快速、无损和需要很少或根本没有样品制备。根据其他作者,NIR光谱可能是最常用的技术之一,由于其快速、非接触、低运营成本(7- - - - - -9]。水果质量测量,近红外光谱技术已经被用于检测硝酸盐水平在完整的菠萝10)、可溶性固形物含量和酸度在猕猴桃11),和梨内部质量指标(12]。此外,小型化的近红外光谱学的发展导致了商业手持或便携式分光系统,提供额外的速度、简单性和敏感性。它还为农业食品质量评价提供了一个理想的工具原位测量由于其便携性(13,14]。其他研究人员利用手持或便携式近红外光谱仪测定果实品质参数如TSS、助教,水果和糖含量(7,15,16]。此外,Cayuela Weiland使用两个便携式光谱仪预测几个质量参数在完整的橙子17]尽管桑切斯等人研究了提高性能的便携式近红外光谱仪器完好油桃[18]。然而,我们所知,没有研究调查的可行性同时使用便携式近红外光谱仪加上最优化技术区分有机菠萝和传统的和还预测总可溶性固形物(TSS)无损。
因此,本研究的主要目的是评估潜在的使用便携式近红外光谱仪快速、无损菠萝质量等参数的识别和量化TSS完整的菠萝水果。具体目标是确定最佳的多元技术识别和预测TSS完整的菠萝水果。
2。材料和方法
2.1。菠萝水果样品
在这项研究中,90块研钵体的菠萝果实在不同成熟阶段获得直接从菠萝的中部地区农民加纳和运送到海岸角大学农业学院的教学和研究实验室。这些水果包括30块有机菠萝水果和60件传统生产的菠萝水果。水果被储存在26°C (±1°C)前两天测量。
2.2。样品光谱采集
的光谱反射模式中的每个菠萝收集使用手持式光谱仪(SCIO™)光谱范围在740 nm和1070 nm之间1纳米分辨率光谱数据记录。对于每一个水果,下半部分是扫描后三次旋转120°。扫描完成26±1°C的环境温度与湿度为60%。图1显示的设置使用国新办近红外光谱仪扫描处理。
2.3。参考测量(TSS /°白利)
总可溶性固形物(TSS)内容使用数字折射计测定(模型:PAL-1,°白利范围0 - 35%;Atago、东京、日本)根据他人描述的方法(15,16,19]。对于每个菠萝水果,基本被选中和喝醉的。约1.0毫升果汁然后TSS和数字折射计测量。一式三份进行了测量,结果表示为°白利糖度。
2.4。数据分区
原始数据集预处理后(从90个样本)与合适的技术分为两个子集,校准设置(数据来自68个样本)的模型和预测集(数据来自22个样本)来评估构造模型的预测能力。为了避免偏见,75%的有机和无机的数据样本选择的校准,其余数据集被选为预测集。如表所示1,每组的成员被选为了来一套3/1的校准/预测集。
2.5。软件设备
光谱数据记录存储在基于云计算的数据与相应的参考价值的时间扫描下载使用国新办实验室研究许可证和进口MATLAB版本9.5.0(美国Mathworks Inc .)与Windows 10基本所有预处理治疗和多元数据处理算法。
2.6。光谱预处理技术
菠萝样本的平均原始光谱图所示2(一个)而其他预处理光谱如图2 (b)和2 (c)。光谱数据的预处理的活动是造型的重要组成部分,消除背景信息和噪声的有用属性扫描样品(3,20.]。在本研究中,两个光谱预处理技术(意味着定心(MC)和乘法散射校正(MSC))被应用,因为使用原始光谱数据建立的模型没有提供所需的结果。
(一)
(b)
(c)
MC通常是用作分辨率增强方法,众所周知只需调整一个数据集重新定位数据的质心坐标系统的原点(21]。
MSC另一方面是一个有用的预处理技术,散射光的校正和基线变异的倾向。有关更多信息,请参阅其他作者(21,22]。光谱的累加效应(x我)和乘法效应(y我),它可以表示为 在哪里年代米组的均值光谱。残差向量e我提供信息的随机噪声。因此,MSC-corrected光谱计算 在一个包含一组光谱测量数据年代我(我= 1,2,…K)与数据点年代ij(j= 1,2,…N),这些数据可以表示为的意思年代即时通讯频谱的意思。
2.7。主成分分析(PCA)
主成分分析是一种无监督数据描述和降维技术主要是用来处理大型光谱数据(23]。它通常涉及到数据分析的第一步是为了检测模式带来的数据矩阵维空间可视化数据的趋势(24]。这些作者的更多信息,请参考[25]。
2.8。多变量模型
计算机和软件项目的发展做出最优化技术是一个非常强大的工具来处理近红外光谱数据,因为它克服了多重共线性的难度,给科学统计推断有意义结论实验结果(26,27]。选择最好的方法是下一个挑战,因为它是一个复杂的过程,因为存在相当多的类型。在这个研究中,K最近的邻居(资讯)和线性判别分析(LDA)被比较。
K最近的邻居是一个线性和非参数分类方法是基于一个距离函数,措施或两个立场之间相似性的区别28,29日]。然而,参数K影响的结果分类模型;因此,选择K通常是通过计算优化其潜在的有几个K值(通常小K值为3或5)。它必须知道资讯不能工作如果存在巨大差异数量的样本在每个类25]。这样使得资讯工具更适合造型相似类分组的技术。
线性判别分析是一种线性参数监督模式识别技术对光谱数据分析发现它有用。它是通过寻找特征的线性组合将清楚类间方差的比率,减少在类方差的比率(30.]。有关更多信息,请参考[25]。重要的是要注意,LDA的性能是基于主成分因素的数量。
2.9。偏最小二乘(PLS)
偏最小二乘(PLS)是一个著名的线性多变量方法用于光谱数据处理和分析数据,并有很强的共线,嘈杂的,和冗余的变量。有关更多信息,请参考[31日,32]。请模型的结果通常是评估通过三个主要参数,即交叉验证的均方根误差(RMSECV),预测的均方根误差(RMSEP)和相关系数(R)等(33]。这些参数的计算是通过以下方程: 在哪里n=样品的数量,y我=参考样品的测量结果我,=样本的估计结果我当模型与样本构造我移除,=样本模型的估计结果我,=参考测量结果的均值为所有样本。
3所示。结果与讨论
3.1。光谱演示/分析
的指纹光谱数据集被用来创建统计模型。它可以观察到光谱剖面的数据2(一个)- - - - - -2 (c)主要的峰值在960 - 1050海里。波长范围对应地第二次泛音和H 2泛音,代表H2O,卢武铉,ArOH (OH键芳基),和北半球2官能团(34]。这些群体熟悉主要成分的水,葡萄糖,蔗糖,纤维素的菠萝。分时系统是一个包含碳氢键的有机分子,地,切断,碳碳键,和近红外光谱可以用于无损测量这个分子(35,36]。预处理后的光谱数据集MC和MSC,一个清晰的分离有机和无机菠萝水果出现在MSC预处理光谱剖面如图2 (c)。这表明,有机和无机菠萝水果可以分化800 nm和1070 nm范围内使用MSC预处理技术。基线校正MSC是一个有用的工具转变,光散射光谱数据集问题提到的其他作者(22]。
3.2。主成分分析(PCA)
主成分分析是用来确定集群趋势光谱数据。从获得的结果,观察到PCA在原始和MC预处理光谱数据没有给出任何明确集群趋势或分离,如图3(一个)和3 (b)。但是,MSC-PCA技术分离了明确集群趋势如图2 (c)。这进一步证明了MSC的独特特征是一种有效的技术基线Geladi和同事提出的光散射修正为22]。主成分分析能够识别最重要的方向变化的多元数据空间(X矩阵)和确定主要现象的光谱数据集(19]。电脑(PC1、PC2和生物)包含光谱信息和其相应的化学成分信息因此占总方差的99.36%,存在了90年的菠萝样本用于这项研究。菠萝有相当大的差别在他们的化学性质根据他们收获前的活动和采后实践分类有机或无机。
(一)
(b)
(c)
3.3。分类模型
在这项研究中,资讯和LDA试图开发分类模型的分类有机和无机菠萝水果。
分类模型的结果如表所示2。使用的两种分类模型使用MSC-PCA数据集表现良好。资讯和LDA分类率在98%以上的校正集和预测集的最佳主成分(pc) = 3,分别。这意味着MSC-PCA预处理增强资讯和LDA的性能比原始数据集和MC。另一方面,LDA在训练集略优于资讯。这意味着LDA也能够找到特征的线性组合,以及随之而来的结合使用是一个更好的线性分类器。更是如此,它可以解释说,良好的精度模型获得的结果之间复杂的不同的感官和营养特性有机菠萝对常规种植的水果。这种现象进一步支持的证据表明,有机生产不使用合成肥料,农药、生长调节剂等化学物质(6)和水果的质量和安全的影响由于化学残留物。其他研究也显示,有机菠萝水果相对高维生素C和适度的酸度4)以及最高的总可溶性固体含量(37]。
3.4。量化模型
偏最小二乘模型用于确定TSS(°白利)在有机和无机菠萝水果。从图4与近红外光谱,测量值相关的线性预测测量。然而,有一些异常值,随后请模型的影响。从表3,它可以看到MSC-PLS模型是最好的Rc = 0.851,相对与参数和RMSEC = 0.950°白利糖度的校准设置= 0.854卢比和RMSEP = 0。842°白利糖度的预测集。这一结果表明,适当的预处理技术是一种有效的方式来提高PLS模型的准确性(33]。一个好的模型,R值应该是接近统一而RMSEC和RMSEP应该接近于零。这个MSC-PLS模型的弱点可以归因于PLS模型的特点,因为经典PLS模型是使用全光谱范围,通常包括有用的和不相关或冗余信息(噪音)。噪声频谱通常降低了模型的性能。因此,为了改善这种模型完整的菠萝质量评价,其他已知请类型应该调查,同时与其他非线性算法进行比较。尽管,结果比较有利的和发现的其他作者使用VIS-SWNIR光谱预测菠萝果实可溶性固形物含量(15]。更是如此,它必须通过有利的统计相关性,表明近红外光谱的多变量模型预测°白利糖度值。
3.5。选择重要的波长
开发请模型时,需要考虑每个波长导致最终结果。图5显示请最好的模型,这就解释了如何装载重量请模型开发的复杂性。载荷显示波长如何考虑的模型组件。它是用来了解多少x- variable(波长)导致了有意义的数据和解释变量的变化关系以及理解其含义,每个模型组件(38]。装运重量是正常的长度和方向可能有意义。从图5,我们可以看到几个山峰在特定波长(754,760,823,850,884,901,910,950,和960海里),被认为是更有用的开发了PLS模型用于确定总可溶性固形物(TSS,°白利)菠萝中的内容。这些至关重要的在这项研究中观察到波长菠萝果实的化学成分密切相关。具体地说,这些波长有关第三泛音地区包括哦和CH伸展振动蔗糖的解决方案(39),分时系统的一个重要组成部分。例如,波长在910、950和960 nm碳氢键的化工集团和相关地归因于TSS,虽然该地区750 - 820 nm揭示蔗糖,葡萄糖,果糖(9,39]。
4所示。结论
潜在的研究显示手持近红外光谱技术快速无损测量菠萝质量。MSC给最好的PCA集群趋势明确分离前三个电脑。总体结果表明,手持式光谱仪加上MSC-PCA + LDA模型可以用来识别有机和常规种植的完整的菠萝水果的辨认率为100%在训练集和预测集,分别。另一方面,请回归模型可用于预测TSS(°白利)RMSEC = 0.95和RMSEP = 0.84在5个因素的准确性达85%的校正集和预测集,分别。有一个潜在的这些模型导入到移动电话技术有效全面的应用程序。
数据可用性
使用的数据来支持这个研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
作者高度欣赏海岸角大学提供的支持,安捷伦基金会和火星。新鲜菠萝水果的供应由ACOPPS和AMOPPA菠萝中部地区农民高度认可。作者感谢校对威妮弗蕾德太太提供的援助Akpene Teye。