<tbody id="llm37"></tbody>

    1. <tbody id="llm37"></tbody>
        1. <th id="llm37"></th><th id="llm37"></th><tbody id="llm37"><pre id="llm37"></pre></tbody>

        2. <dd id="llm37"></dd><em id="llm37"><acronym id="llm37"><input id="llm37"></input></acronym></em>

          <th id="llm37"></th>
          <tbody id="llm37"></tbody>
          <dd id="llm37"></dd>
          <rp id="llm37"><object id="llm37"><input id="llm37"></input></object></rp>
          <li id="llm37"><dfn id="llm37"></dfn></li>

          售前熱線: 400-623-2690

          關注海洋光學:

          使用近紅外漫反射光譜法監測水果成熟度

          使用近紅外漫反射光譜法監測水果成熟度

          本文關鍵詞: 農業/食品NIR/SNIR
          摘要

          消費者生活水平的提高也表現在對食物的高品質需求。對于食品工業來說,特別是它復雜的國際供應鏈,有效的監測方法對交付質量和一致性起到至關重要的作用。近紅外 (NIR) 反射光譜法作為一個可行的監測手段,在本應用案例中,我們應用近紅外反射光譜法測定水果的成熟度。

          介紹

          ???????? 監測的水果成熟度能幫助農民、 加工商以及零售商將他們的損失降到最低,并最大限度地通過準確的分類監控產品質量。這能減少整個供應鏈的浪費,并提高消費者對產品感受的一致性。近紅外光譜技術的一大優勢就是測試樣品的無需準備。

          ?

          此應用中我們使用緊湊的設計和強大的性能的線陣檢測器光譜儀——NIRQuest,用于監測在表皮不可知其成熟度的香蕉和其他水果。NIRQuest 的性能、 尺寸和耐用性使開發的近紅外光譜技術應用從實驗室可以直接轉移到工廠車間。

          ?

          實驗裝置和方法

          ???????? 要測量水果的反射光譜,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。探頭通過透反射支架(STAGE-RTL-T)固定,并可以調整探頭的位置固定探頭與樣品間的距離 (圖 1)。表 1 提供了所使用設備的詳細信息和其選擇的原因。

          ?

          我們對香蕉、 蘋果和橘子進行了連續七天(一般存放環境)的測量,這些水果都是從同一家超市購買,并以當天作為測試的第一天。在每組測量之間,我們都使用WS-1 漫反射標準板做一次標準白板測試。對每個水果進行不同位置的六次測量,并取其平均值,這樣做是為了排除水果的不均勻性導致測試結果的差異性。即使近紅外光譜方法無需樣品制備,但水果的結構不均勻性使得有必要在不同的位置進行多次測量并取其平均值來作為針對整個水果的分析結果。對于大多數的應用來說,近紅外光譜法還要求復雜化學計量學校準模型,但是在本應用中我們沒有使用該數學方法來監測水果的成熟度(1) (2) (3)。

          ?

          數據收集的流程如下所示︰

          1. 打開 HL-2000光源,等待15 分鐘使光源達到熱平衡和穩定。

          2. 關閉光源開關快門對光譜儀進行暗噪聲測量

          3. 使用標準漫反射板測量反射光譜作為標準漫反射。

          4. 對水果樣品的不同位置進行6次測量,水果的表面和探頭的距離固定在~0.5 cm

          5. 重復步驟 3 和 4 為測量每個水果樣品。


          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

          結果與討論:

          我們測量了兩個香蕉樣本,以及蘋果和桔子,大約七天的反射率數據。每個樣本的結果顯示出類似的趨勢,但香蕉表面漫反射的數據特別明顯,這時因為香蕉更容易變熟。

          ?

          針對香蕉在不同時間段進行的漫反射測量數據可以參考圖2。數據在小于950 nm 和大于 1650 nm 這些波長段我們不需做更多分析,因為在這些波長段并不包含樣品重要的物質信息,并且大多數是噪音引起的,也是由于該波長段接近光譜儀的檢測極限所致。隨著時間的推移,光譜趨勢更加明顯,比如1450 nm附近。

          ?

          近紅外光譜技術是一種光譜振動技術,與分子激發引起的能量吸收有關。近紅外光譜 (750-2500 nm) 主要表現為物質的特定官能團內部的基本振動頻率產生的光譜信息。有機樣品中的以O-H和 C-H官能團(4)為主,因為多數有機物本身含有大量的水分,從而導致水分(O-H 官能來衡量)的變化占了主要測試的變化。

          ?

          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,變化最快的是在第三天。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行判斷。水分的校準在測試水果成熟度方面必須具備的算法(5)。

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

          ?

          在圖2中所示的光譜數據的一階導數計算結果能清楚地表明香蕉在存放過程中發生的變化,見圖3。圖3顯示波長吸收變化的速率與波長的關系。隨著時間的推移,我們很容易觀察到反射光譜的變化趨勢,圖3中顯示的光譜是我們在不同天數中測量的光譜數據。例如前兩天在光譜尖峰的變化率明顯大于后面幾天的,而后段時間香蕉是更成熟,果皮也開始呈現棕色。這表明,使用近紅外光譜不僅能對水果的表面變化定性,甚至能彌補視覺或者顏色測量的誤差。

          ?

          圖 3︰ 香蕉表面近紅外反射光譜的一階導數與波長的關系。

          ?

          其他非接觸式的光學方法比如光學密度法也可以對水果的成熟度進行過監控。但與光學密度法不同的是,近紅外反射光譜可以反映特定波長的特征信息,從而獲得更全面、更可靠的結果,以及更精確的信息,如糖、脂肪和蛋白質含量等等(6)。

          ?

          水果中水的溫度對光譜測量也有影響,而且每天的變化不一致,因此我們相對的很難獲得水果成分的準確結果,所以這些測量需要建立準確的校準化學計量學模型。這類模型廣泛應用于近紅外光譜技術,而且有許多技術已經將這些近紅外光譜測量應用在水果的近紅外測量中(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果中生成校準模型,但是我們可以從1000 nm, 1150 nm 和1400-1550 nm波長段的光譜數據獲得水果成熟過程中水分的變化。重要的是,通過近紅外反射光譜測量我們可以在能觀察到香蕉外皮發生變化前預先觀察到變化的發生。

          ?

          ?

          總結:

          腐爛或過熟的水果嚴重地浪費生產商、加工商和消費者的時間和金錢。通過監測整個供應鏈的水果成熟度就可以更好地控制產品的成熟。

          ?

          該應用表明,我們可以使用近紅外漫反射光譜監測水果的成熟度,隨著水果的變熟,與水分含量相關的趨勢圖可以作為樣品的典型特征進行表征。

          ?

          近紅外反射光譜法作為一種快速和可靠的監測水果品質和生產的方式,而且無需任何樣品制備,也不會損壞樣品。雖然真實的應用該方法用于質量控制環境還需要進一步發展校準模型,但是我們已經證明可以使用近紅外光譜法作為監測水果成熟的有力工具。測量是相對簡單的,而且不需要樣品制備;測試過程是快速的,相似的應用也是使用該方法,結合可靠的校準正模型可以擴展至多個參數的獲得。通過遠程—從產地到工廠和超市貨架監測整個供應鏈的水果品質可以節省很多時間和金錢。我們更愿意聽到這樣的話語——再也沒有爛香蕉了!

          ?

          ?

          文獻引用:

          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.

          ?

          ?

          光纖光譜儀 欧美日产欧美日产国产精品,日本免费一区二区三区中文字幕,香蕉免费一区二区三区
          <tbody id="llm37"></tbody>

          1. <tbody id="llm37"></tbody>
              1. <th id="llm37"></th><th id="llm37"></th><tbody id="llm37"><pre id="llm37"></pre></tbody>

              2. <dd id="llm37"></dd><em id="llm37"><acronym id="llm37"><input id="llm37"></input></acronym></em>

                <th id="llm37"></th>
                <tbody id="llm37"></tbody>
                <dd id="llm37"></dd>
                <rp id="llm37"><object id="llm37"><input id="llm37"></input></object></rp>
                <li id="llm37"><dfn id="llm37"></dfn></li>