《柚果内部品质无损检测可见-近红外光谱法》

T/GDNBXXXX—2023

柚果内部品质无损检测可见/近红外光谱法

1范围

本文件规定了柚果设备、无损测量方法、建模方法、结果输出等。

本文件适用于采后柚果可溶性固形物含量、含水量和汁胞硬粒化品质参数同步无损检测，不适用于

仲裁检验。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，

仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本

文件。

GB/T8210柑桔鲜果检验方法

GB/T8858水果、蔬菜产品中干物质和水分含量测定方法

3术语和定义

下列术语和定义适用于本文件。

3.1

总可溶性固形物含量totalsolublesolidcontent，TSSC

可溶性固形物指果实中的总糖、总酸、维生素、矿物质等所有可溶解于水的化合物的总称。基本包

含了水果中的大部分成分含量，因此也是评价水果是否好吃的最主要指标。而总糖占其中的75%～85%，

可直接反映出水果甜度高低。

3.2

含水量moisturecontent，MC

含水量是表示果蔬组织水分状况的一个常用指标。对于水果而言，含水量的多少对品质有着很大的

影响。含水量高时，水果坚挺饱满，光泽鲜艳，鲜嫩可口，但容易受到机械伤害和病原物侵染；水果组

织失水后，就会出现萎蔫皱缩，品质下降，商品价值降低。所以，测定水果组织含水量具有重要的实践

意义。水果组织的含水量可用水分含量占鲜重的质量分数（%）来表示。

3.3

汁胞硬粒化vesiclegranulation

汁胞硬粒化是柑橘类水果中汁液囊的一种生理失调，其汁液囊变硬、干燥膨大，风味寡淡，木质化

变硬，口感丢失。

3.4

校验集validationset

在机器学习中，研究和构建算法用来对数据进行学习和预测是一个常见任务，这些算法是通过基于

数据驱动的预测或决策工作，即对输入的数据搭建数学模型。训练集用于用来训练模型或确定模型参数。

校验集用于用来调参、选择特征以及调整其他和学习算法相关的选项。

3.5

预测集validationset

测试集检验最终选择最优的模型的性能如何。

3.6

偏最小二乘回归partialleastsquaresregression，PLSR

偏最小二乘回归是一种多元回归分析的建模方法，是将样本采集的数据与其理化测定值同时进行分

析，最大程度提取两者之间相关性信息，在对数据矩阵进行分解降维的同时进行回归分析，可用于组分

1

T/GDNBXXXX—2023

复杂的样品体系。数据矩阵分解和回归交互运算同时进行，得到的特征值向量直接与被测品质参数或者

属性值进行相关性分析。

4原理

可见近近红外光谱仪（VisibleNearInfraredSpectrumInstrument，Vis-NIRS）波长范围为350

nm～2526nm，近红外光是介于可见光和中红外之间的电磁波，可见光对被测样本颜色变化较敏感，近

红外光主要是对含氢基团X-H（X=C、N、O）振动的倍频和合频吸收，使得经过被测样本反射或者

透射的近红外光携带被测样本相关品质信息。通过建立光谱与待测参数之间的对应关系（称为分析模型），

通过光谱和对应关系，能很快得到所需要的质量参数数据。分析方法包括校正和预测两个过程：

1）在校正过程中，收集一定量有代表性的样品（一般需要100个样品以上），在测量其光谱图的

同时，根据需要使用有关标准分析方法进行测量，得到样品的各种质量参数，称之为参考数据。通过化

学计量学对光谱进行处理，并将其与参考数据关联，这样在光谱图和其参考数据之间建立起一一对应映

射关系，通常称之为模型。对于建立模型所使用的校正方法视样品光谱与待分析的性质关系不同而异，

常用的有多元线性回归，主成分回归，偏最小二乘，人工神经网络和拓扑方法等；

2）在预测过程中，使用近红外光谱仪测定待测样品的光谱图，通过软件自动对模型库进行检索，

选择正确模型计算待测质量参数。

5仪器

PAL-GrapeMust型数字折光仪，ATAGO（爱拓）中国分公司；游标卡尺（测量范围0 mm～300 mm），

上海申韩量具有限公司；DHC-9030A型电热鼓风干燥箱，上海一恒科学仪器有限公司。

可见/近红外透射光谱检测系统：计算机、QE65Pro型光谱仪（光谱范围：350 nm～1100 nm，光

谱分辨率：3.6 nm，像素间隔分辨率：0.75 nm，像素：1024×58（1044×64总像素），狭缝：100 um，

信噪比：1000：1（全信号），光路：f/4，交叉式Czerny-Turner，暗噪声：3RMScounts，积分时间：

8ms～60min）、实验暗箱、光源、光纤、自动校准黑白参考板、电源和托盘等。

6样品集的选择

参与定标的柚子样品分为沙田柚跟蜜柚两种，都来自广东梅州，柚子样品应精选无损伤的柚子，至

少需要选择100个以上，剔除外部破损和畸形的蜜柚，擦拭蜜柚外部污渍，擦拭晾干后存于室温（19 ℃～

21 ℃）静置24 h。

7分析步骤

7.1样品参考数据测定

7.1.1总可溶性固形物含量（TSSC）测试

采集Vis-NIRS光谱后通过数字袖珍折光仪进行TSSC评估。将柚子样品去皮，得到果肉，然后粉碎

均质，用纱布过滤出汁液为样液。TSSC测试按GB/T 8210执行。

7.1.2含水量测试

按GB/T8858执行。

7.1.3汁胞硬粒化测试

Vis-NIRS光谱采样后进行汁胞硬粒化评估。沙田柚由于汁胞硬粒化通常在收获后约3个月发生，

因此在储存3至5个月之间每隔一天取样两个储存的柚子果实；而蜜柚则根据其生长期，每周采集20

个柚子果实样本进行实验。通过将柚子果实纵向切成1/8来测试汁胞硬粒化，并测量硬粒化面积与总果

实面积之间的比率。汁胞硬粒度为0表示比率为0%，汁胞硬粒度为1表示比率在0%和10%之间，汁胞

硬粒度为2表示比率在10%和25%之间，汁胞硬粒度为3表示比率在25%和40%之间，汁胞硬粒度为4

2

T/GDNBXXXX—2023

表示比率大于40%。

7.2检测模型建立

采用建模软件，优化参数，进行光谱预处理。同时，使用偏最小二乘法(PLSR)，利用化学计量学原

理建立检测模型。

7.2.1检测模型的选择

根据检测指标选用对应的检测模型，其Vis-NIRS光谱应能代表试样的特征。

7.2.2光谱数据采集

光谱数据收集过程中，测定条件以及样品和环境温度尽量保持一致。光谱信号通过柚子从右侧传输

到左侧，每个样品仅采样一次，以对应于装配线上的应用。

将柚子果实的茎端排列在托盘上，由QEPRO和光谱仪获得的光谱信号波长分别为400nm～1100 nm。

预采样过程为：（1）保存暗电流值D，（2）保存参考值R（3.6cm厚光谱校准硫酸钡材料面板）。最

后，在柚子采样检测器响应值(P)下，柚子的传输率等于（P−D）/(R−D)。

7.2.3总可溶性固形物含量的检测模型建立

应用SavitzkyGolay（SG）来降低不平滑噪声。再用标准正态变量（SNV）方法对光谱进行归一

化，将竞争性自适应重新加权采样（CARS）应用于939个光谱响应值（400nm～1100nm）的特征提取。

最后采用偏最小二乘回归（PLSR）用于构建总可溶性固形物含量的检测模型。模型中，各品质指标（SSC）

与光谱数据间内部关系如下式所示：

-

(n×m)(n×m）(h×s)

(n×s)=+(h×s)+(n×s)

(h×m)λ

TEU(n×h)

式中：CQF

P

C(n×s)——n个样本的被测属性值或品质指标值矩阵；

T(n×m)——n个样本具有m个数据信息矩阵；

E(n×m)——数据参数矩阵的残差矩阵；

P(h×m)——数据参数载荷阵；

U(n×h)——被测属性或品质指标浓度特征因子阵；

λ(n×h)——数据参数特征因子阵。

Q(h×s)——被测属性或品质指标的浓度载荷阵；

F(n×s)——被测属性或品质指标浓度矩阵残差知阵。

7.2.4含水量的检测模型建立

采用SavitzkyGolay（SG）和乘法散射校正法（MSC）处理光谱数据去除不平滑和散射噪声，采用

遗传算法（GA）进行选择特征。最后，采用偏最小二乘回归（PLSR）构建柚子含水量检测模型。

7.2.5汁胞硬粒化的检测模型建立

基于SavitzkyGolay（SG)处理来降低不平滑噪声，采用偏最小二乘回归（PLSR）构建造粒度检测

模型。

7.2.6评价指标

评价指标有：决定系数（thecoefficientofdetermination，R2）和均方根误差（rootmeansquare

error，RMSE）等，适用于衡量模型精度。

2

yi-yi

2i_actual_predictl

R=1-2

ii

iy_actual-y_mean

3

T/GDNBXXXX—2023

2

i

y-y_predictl/n

i

=12

i_acituali

iy_actual-y_mean/n

-

n2

2

RMSE=y_actual-y_predict/n

i=1

2

模型评价通过内部交叉验证（校验集）和样本测试（预测集）进行。其中，校验集决定系数（Rcal）

2

和预测集决定系数（Rpre）越高，伴随校验均方根误差（RMSEC）和预测集均方根误差（RMSEP）值越低，

模型精度越好。

检测模型的决定系数、均方根误差参见附录A。

7.2.7检测模型的更新

在对来自与建模所用样品集不同产地、不同成熟度、不同栽培方式或不同年份等的果实进行检测前，

需要升级定标模型，操作上将新采集到的具有代表性的柚子果实25个～45个，扫描其近红外光谱，用

标准理化分析方法测定相应的总可溶性固形物含量、含水量和汁胞硬粒化程度，然后将这些样品相应参

数加入到检测训练集中，用原有的检测方法进行计算，即获得升级的检测模型。

4

T/GDNBXXXX—2023

A

A

附录A

（资料性）

校正模型校正评价指标

检测模型的决定系数、均方根误差见表A.1。

表A.1校正模型校正评价指标

决定系数R2均方根误差RMSE

参数指标

校验集预测集校验集预测集

总可溶性固形物含量≥0.976≥0.957≤0.189≤0.271

含水量≥0.82≥0.73≤0.039≤0.049

汁胞硬粒度≥0.97≥0.97≤0.1≤0.1

5

T/GDNBXXXX—2023

参考文献

[1]GB/T1.1标准化工作导则第1部分：标准化文件的结构和起草规则

[2]孙潇鹏,刘灿灿,陆华忠等.基于近红外透射光谱与机器视觉的蜜柚汁胞粒化分级检测[J].食

品科学技术学报,2021,39(01):37-45.

[3]孙潇鹏,徐赛,陆华忠.基于光谱技术与光学仿真的柚果在线检测托盘设计与试验[J].食品与

机械,2019,35(12):56-62.DOI:10.13652/j.issn.1003-5788.2019.12.011.

[4]Xu，S.;Lu，H.;Liang，X.;Ference，C.;Qiu，G.;Fan，C.ModelingandDe-N

oisingforNondestructiveDetectionofTotalSolubleSolidContentofPomelobyUsingVis

ible/NearInfraredSpectroscopy.Foods2023，12，2966./10.3390/foods121

52966

[5]Xu，S.;Lu，H.;Ference，C.;Qiu，G.;Liang，X.RapidNondestructiveDetect

ionofWaterContentandGranulationinPostharvest“Shatian”PomeloUsingVisible/Near

-InfraredSpectroscopy.Biosensors2020，10，41./10.3390/bios10040041

6

ICS

CCS

团体标准

T/GDNBXXXX—2023

柚果内部品质无损检测

可见/近红外光谱法

Non-destructivetestingofpomelointernalqualityby

visible/near-infraredspectroscopy

（征求意见稿）

在提交反馈意见时，请将您知道的相关专利连同支持性文件一并附上。

XXXX-XX-XX发布XXXX-XX-XX实施

广东省农业标准化协会  发布

T/GDNBXXXX—2023

柚果内部品质无损检测可见/近红外光谱法

1范围

本文件规定了柚果设备、无损测量方法、建模方法、结果输出等。

本文件适用于采后柚果可溶性固形物含量、含水量和汁胞硬粒化品质参数同步无损检测，不适用于

仲裁检验。

2规范性引用文件

下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，

仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本

文件。

GB/T8210柑桔鲜果检验方法

GB/T8858水果、蔬菜产品中干物质和水分含量测定方法

3术语和定义

下列术语和定义适用于本文件。

3.1

总可溶性固形物含量totalsolublesolidcontent，TSSC

可溶性固形物指果实中的总糖、总酸、维生素、矿物质等所有可溶解于水的化合物的总称。基本包

含了水果中的大部分成分含量，因此也是评价水果是否好吃的最主要指标。而总糖占其中的75%～85%，

可直接反映出水果甜度高低。

3.2

含水量moisturecontent，MC

含水量是表示果蔬组织水分状况的一个常用指标。对于水果而言，含水量的多少对品质有着很大的

影响。含水量高时，水果坚挺饱满，光泽鲜艳，鲜嫩可口，但容易受到机械伤害和病原物侵染；水果组

织失水后，就会出现萎蔫皱缩，品质下降，商品价值降低。所以，测定水果组织含水量具有重要的实践

意义。水果组织的含水量可用水分含量占鲜重的质量分数（%）来表示。

3.3

汁胞硬粒化vesiclegranulation

汁胞硬粒化是柑橘类水果中汁液囊的一种生理失调，其汁液囊变硬、干燥膨大，风味寡淡，木质化

变硬，口感丢失。

3.4

校验集validationset

在机器学习中，研究和构建算法用来对数据进行学习和预测是一个常见任务，这些算法是通过基于

数据驱动的预测或决策工作，即对输入的数据搭建数学模型。训练集用于用来训练模型或确定模型参数。

校验集用于用来调参、选择特征以及调整其他和学习算法相关的选项。

3.5

预测集validationset

测试集检验最终选择最优的模型的性能如何。

3.6

偏最小二乘回归partialleastsquaresregression，PLSR

偏最小二乘回归是一种多元回归分析的建模方法，是将样本采集的数据与其理化测定值同时进行分

析，最大程度提取两者之间相关性信息，在对数据矩阵进行分解降维的同时进行回归分析，可用于组分

1

T/GDNBXXXX—2023

复杂的样品体系。数据矩阵分解和回归交互运算同时进行，得到的特征值向量直接与被测品质参数或者

属性值进行相关性分析。

4原理

可见近近红外光谱仪（VisibleNearInfraredSpectrumInstrument，Vis-NIRS）波长范围为350

nm～2526nm，近红外光是介于可见光和中红外之间的电磁波，可见光对被测样本颜色变化较敏感，近

红外光主要是对含氢基团X-H（X=C、N、O）振动的倍频和合频吸收，使得经过被测样本反射或者

透射的近红外光携带被测样本相关品质信息。通过建立光谱与待测参数之间的对应关系（称为分析模型），

通过光谱和对应关系，能很快得到所需要的质量参数数据。分析方法包括校正和预测两个过程：

1）在校正过程中，收集一定量有代表性的样品（一般需要100个样品以上），在测量其光谱图的

同时，根据需要使用有关标准分析方法进行测量，得到样品的各种质量参数，称之为参考数据。通过化

学计量学对光谱进行处理，并将其与参考数据关联，这样在光谱图和其参考数据之间建立起一一对应映

射关系，通常称之为模型。对于建立模型所使用的校正方法视样品光谱与待分析的性质关系不同而异，

常用的有多元线性回归，主成分回归，偏最小二乘，人工神经网络和拓扑方法等；

2）在预测过程中，使用近红外光谱仪测定待测样品的光谱图，通过软件自动对模型库进行检索，

选择