1T/GDNBXXXX—2023柚果內部品質無損檢測可見/近紅外光譜法本文件規定了柚果設備、無損測量方法、建模方法、結果輸出等。本文件適用于采后柚果可溶性固形物含量、含水量和汁胞硬粒化品質參數同步無損檢測，不適用于仲裁檢驗。2規范性引用文件下列文件中的內容通過文中的規范性引用而構成本文件必不可少的條款。其中，注日期的引用文件，僅該日期對應的版本適用于本文件；不注日期的引用文件，其最新版本（包括所有的修改單）適用于本文件。GB/T8210柑桔鮮果檢驗方法GB/T8858水果、蔬菜產品中干物質和水分含量測定方法3術語和定義下列術語和定義適用于本文件。3.1總可溶性固形物含量totalsolublesolidcontent，TSSC可溶性固形物指果實中的總糖、總酸、維生素、礦物質等所有可溶解于水的化合物的總稱。基本包含了水果中的大部分成分含量，因此也是評價水果是否好吃的最主要指標。而總糖占其中的75%～85%，可直接反映出水果甜度高低。3.2含水量moisturecontent，MC含水量是表示果蔬組織水分狀況的一個常用指標。對于水果而言，含水量的多少對品質有著很大的影響。含水量高時，水果堅挺飽滿，光澤鮮艷，鮮嫩可口，但容易受到機械傷害和病原物侵染；水果組織失水后，就會出現萎蔫皺縮，品質下降，商品價值降低。所以，測定水果組織含水量具有重要的實踐意義。水果組織的含水量可用水分含量占鮮重的質量分數（%）來表示。3.3汁胞硬粒化vesiclegranulation汁胞硬粒化是柑橘類水果中汁液囊的一種生理失調，其汁液囊變硬、干燥膨大，風味寡淡，木質化變硬，口感丟失。3.4校驗集validationset在機器學習中，研究和構建算法用來對數據進行學習和預測是一個常見任務，這些算法是通過基于數據驅動的預測或決策工作，即對輸入的數據搭建數學模型。訓練集用于用來訓練模型或確定模型參數。校驗集用于用來調參、選擇特征以及調整其他和學習算法相關的選項。3.5預測集validationset測試集檢驗最終選擇最優的模型的性能如何。3.6偏最小二乘回歸partialleastsquaresregression，PLSR偏最小二乘回歸是一種多元回歸分析的建模方法，是將樣本采集的數據與其理化測定值同時進行分析，最大程度提取兩者之間相關性信息，在對數據矩陣進行分解降維的同時進行回歸分析，可用于組分2T/GDNBXXXX—2023復雜的樣品體系。數據矩陣分解和回歸交互運算同時進行，得到的特征值向量直接與被測品質參數或者屬性值進行相關性分析。4原理可見近近紅外光譜儀（VisibleNearInfraredSpectrumInstrument，Vis-NIRS）波長范圍為350nm～2526nm，近紅外光是介于可見光和中紅外之間的電磁波，可見光對被測樣本顏色變化較敏感，近紅外光主要是對含氫基團X-H（X=C、N、O）振動的倍頻和合頻吸收，使得經過被測樣本反射或者透射的近紅外光攜帶被測樣本相關品質信息。通過建立光譜與待測參數之間的對應關系（稱為分析模型通過光譜和對應關系，能很快得到所需要的質量參數數據。分析方法包括校正和預測兩個過程：1）在校正過程中，收集一定量有代表性的樣品（一般需要100個樣品以上在測量其光譜圖的同時，根據需要使用有關標準分析方法進行測量，得到樣品的各種質量參數，稱之為參考數據。通過化學計量學對光譜進行處理，并將其與參考數據關聯，這樣在光譜圖和其參考數據之間建立起一一對應映射關系，通常稱之為模型。對于建立模型所使用的校正方法視樣品光譜與待分析的性質關系不同而異，常用的有多元線性回歸，主成分回歸，偏最小二乘，人工神經網絡和拓撲方法等；2）在預測過程中，使用近紅外光譜儀測定待測樣品的光譜圖，通過軟件自動對模型庫進行檢索，選擇正確模型計算待測質量參數。5儀器PAL-GrapeMust型數字折光儀，ATAGO（愛拓）中國分公司；游標卡尺（測量范圍0mm～300mm上海申韓量具有限公司；DHC-9030A型電熱鼓風干燥箱，上海一恒科學儀器有限公司。可見/近紅外透射光譜檢測系統：計算機、QE65Pro型光譜儀（光譜范圍：350nm～1100nm，光譜分辨率：3.6nm，像素間隔分辨率：0.75nm，像素：1024×58（1044×64總像素），狹縫：100um，信噪比：1000：1（全信號），光路：f/4，交叉式Czerny-Turner，暗噪聲：3RMScounts，積分時間：8ms～60min）、實驗暗箱、光源、光纖、自動校準黑白參考板、電源和托盤等。6樣品集的選擇參與定標的柚子樣品分為沙田柚跟蜜柚兩種，都來自廣東梅州，柚子樣品應精選無損傷的柚子，至少需要選擇100個以上，剔除外部破損和畸形的蜜柚，擦拭蜜柚外部污漬，擦拭晾干后存于室溫（19℃~7分析步驟7.1樣品參考數據測定7.1.1總可溶性固形物含量（TSSC）測試采集Vis-NIRS光譜后通過數字袖珍折光儀進行TSSC評估。將柚子樣品去皮，得到果肉，然后粉碎均質，用紗布過濾出汁液為樣液。TSSC測試按GB/T8210執行。7.1.2含水量測試按GB/T8858執行。7.1.3汁胞硬粒化測試Vis-NIRS光譜采樣后進行汁胞硬粒化評估。沙田柚由于汁胞硬粒化通常在收獲后約3個月發生，因此在儲存3至5個月之間每隔一天取樣兩個儲存的柚子果實；而蜜柚則根據其生長期，每周采集20個柚子果實樣本進行實驗。通過將柚子果實縱向切成1/8來測試汁胞硬粒化，并測量硬粒化面積與總果實面積之間的比率。汁胞硬粒度為0表示比率為0%，汁胞硬粒度為1表示比率在0%和10%之間，汁胞硬粒度為2表示比率在10%和25%之間，汁胞硬粒度為3表示比率在25%和40%之間，汁胞硬粒度為43T/GDNBXXXX—2023表示比率大于40%。7.2檢測模型建立采用建模軟件，優化參數，進行光譜預處理。同時，使用偏最小二乘法(PLSR)，利用化學計量學原理建立檢測模型。7.2.1檢測模型的選擇根據檢測指標選用對應的檢測模型，其Vis-NIRS光譜應能代表試樣的特征。7.2.2光譜數據采集光譜數據收集過程中，測定條件以及樣品和環境溫度盡量保持一致。光譜信號通過柚子從右側傳輸到左側，每個樣品僅采樣一次，以對應于裝配線上的應用。將柚子果實的莖端排列在托盤上，由QEPRO和光譜儀獲得的光譜信號波長分別為400nm～1100nm。預采樣過程為1）保存暗電流值D2）保存參考值R（3.6cm厚光譜校準硫酸鋇材料面板）。最后，在柚子采樣檢測器響應值(P)下，柚子的傳輸率等于（P?D）/(R?D)。7.2.3總可溶性固形物含量的檢測模型建立應用SavitzkyGolay（SG）來降低不平滑噪聲。再用標準正態變量（SNV）方法對光譜進行歸一化，將競爭性自適應重新加權采樣（CARS）應用于939個光譜響應值（400nm～1100nm）的特征提取。最后采用偏最小二乘回歸（PLSR）用于構建總可溶性固形物含量的檢測模型。模型中，各品質指標（SSC）與光譜數據間內部關系如下式所示：C(n×s)=+Q(h×s)+F(n×s)式中：C(n×s)——n個樣本的被測屬性值或品質指標值矩陣；T(n×m)——n個樣本具有m個數據信息矩陣；E(n×m)——數據參數矩陣的殘差矩陣；P(h×m)——數據參數載荷陣；U(n×h)——被測屬性或品質指標濃度特征因子陣；λ(n×h)——數據參數特征因子陣。Q(h×s)——被測屬性或品質指標的濃度載荷陣；F(n×s)——被測屬性或品質指標濃度矩陣殘差知陣。7.2.4含水量的檢測模型建立采用SavitzkyGolay（SG）和乘法散射校正法（MSC）處理光譜數據去除不平滑和散射噪聲，采用遺傳算法（GA）進行選擇特征。最后，采用偏最小二乘回歸（PLSR）構建柚子含水量檢測模型。7.2.5汁胞硬粒化的檢測模型建立基于SavitzkyGolay（SG)處理來降低不平滑噪聲，采用偏最小二乘回歸（PLSR）構建造粒度檢測模型。7.2.6評價指標評價指標有：決定系數（thecoefficientofdetermination，R2）和均方根誤差（rootmeansquareerror，RMSE）等，適用于衡量模型精度。R2=1-σiy_ctual-y_redictl2σiy_ctual-y_ean24T/GDNBXXXX—20232iy_actual/nσi=1-2iy_actual/nσi=1-y_predictl2/nσiii2/nσiy_actual-y_mean2/nn2/nRMSE=RMSE=i=1y_actual-y_predict模型評價通過內部交叉驗證（校驗集）和樣本測試（預測集）進行。其中，校驗集決定系數（R2cal）和預測集決定系數（R2pre）越高，伴隨校驗均方根誤差（RMSEC）和預測集均方根誤差（RMSEP）值越低，模型精度越好。檢測模型的決定系數、均方根誤差參見附錄A。7.2.7檢測模型的更新在對來自與建模所用樣品集不同產地、不同成熟度、不同栽培方式或不同年份等的果實進行檢測前，需要升級定標模型，操作上將新采集到的具有代表性的柚子果實25個～45個，掃描其近紅外光譜，用標準理化分析方法測定相應的總可溶性固形物含量、含水量和汁胞硬粒化程度，然后將這些樣品相應參數加入到檢測訓練集中，用原有的檢測方法進行計算，即獲得升級的檢測模型。5T/GDNBXXXX—2023（資料性）校正模型校正評價指標檢測模型的決定系數、均方根誤差見表A.1。表A.1校正模型校正評價指標6T/GDNBXXXX—2023[1]GB/T1.1標準化工作導則第1部分：標準化文件的結構和起草規則[2]孫瀟鵬,劉燦燦,陸華忠等.基于近紅外透射光譜與機器視覺的蜜柚汁胞粒化分級檢測[J].食品科學技術學報,2021,39(01):37-45.[3]孫瀟鵬,徐賽,陸華忠.基于光譜技術與光學仿真的柚果在線檢測托盤設計與試驗[J].食品與機械,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-NoisingforNondestructiveDetectionofTotalSolubleSolidContentofPomelobyUsingVisible/NearInfraredSpectroscopy.Foods2023，12，2966./10.3390/foods1215