بررسي اثر پيش‌پردازش‌هاي مختلف طيفي بر ارزيابي غير مخرب كيفيت پرتقال با اسپكتروفتومتري فروسرخ نزديك (NIRS)

Effect of Spectral Pre-Processing Methods on Non-Destructive Quality Assessment of Oranges Using NIRS

اسپكتروسكوپي فروسرخ نزديك (NIR) در تركيب با روش‌هاي شيمي‌سنجي، شامل پيش‌پردازش‌هاي طيفي و مدل‌سازي‌هاي چندمتغيره، يكي از پركاربردترين روش‌هاي غير مخرب اندازه‌گيري ويژگي‌هاي كيفي ميوه‌ها و سبزي‌هاست كه در سال‌هاي اخير بيشتر مد نظر پژوهشگران بوده است. در اين پژوهش، توانايي روش اسپكتروسكوپي NIR بازتابي در محدوده طيفي 1650-930 نانومتر به‌منظور پيش‌بيني غير مخرب مواد جامد حل‌شدني (SSC) و اسيديته قابل تيتر كردن (TA) پرتقال‌‌ تامسون، همچنين اثر پيش‌پردازش‌هاي مختلف طيفي بر دقت مدل‌هاي چندمتغيره پيش‌بيني‌كننده بررسي شد. در اين راستا، مدل‌هاي واسنجي چندمتغيره حداقل مربعات جزئي (PLS) بر پايه اندازه‌گيري‌‌هاي مرجع و اطلاعات طيف‌هاي پيش‌پردازش ‌شده با تركيب‌ روش‌هاي مختلف هموارسازي (ميانگين‌گيري متحرك (MA)، ساويتزكي- گولاي (SG)، تبديل موجك (WT))؛ نرمال‌سازي (تصحيح پراكنش افزاينده (MSC)، توزيع نرمال استاندارد (SNV))؛ و افزايش قدرت تفكيك طيفي (مشتق‌هاي اول و دوم (D1، D2)) براي پيش‌بيني SSC و TA پرتقال‌ها تدوين شدند. نتايج نشان داد كه اسپكتروسكوپي NIR بازتابي، در تركيب با روش‌هاي شيمي‌سنجي، توانايي پيش‌بيني غير مخرب SSC و TA پرتقال‌ را دارد. همچنين، روش‌هاي پيش‌پردازش اثر مستقيم بر نتايج مدل‌هاي PLS تدوين ‌شده براي پيش‌بيني اين پارامترهاي دروني داشتند و بهترين نتايج پيش‌بيني براي SSC (430/0RMSEC=، 923/orc=، 451/0RMSEP=، 936/orp=، 798/2SDR=) و TA (133/0RMSEC=، 883/orc=، 177/0RMSEP=، 863/orp=، 853/1SDR=) بر پايه تركيب روش‌هاي پيش‌پردازش MA + SNV به‌دست آمد.

Near-infrared spectroscopy (NIRS) combined with chemometric methods of spectral pre-processing and multivariate modeling is popular non-destructive method for measuring quality attributes of fruits and vegetables. The present study investigated the feasibility of reflectance NIRS in a spectral range of 930-1650 nm for non-destructive prediction of soluble solids content (SSC) and titratable acidity (TA) in Thomson oranges. The effect of spectral pre-processing methods on the accuracy of multivariate predictor models was also assessed. Partial least squares (PLS) multivariate calibration models were developed using the reference measurements and pre-processed spectra. The following methods were used: smoothing (moving average (MA), Savitzky-Golay (SG), wavelet transform (WT)); normalizing (multiplicative scatter correction (MSC), standard normal variate (SNV)); and increasing the spectral resolution (the first and second derivatives (D1, D2)) to predict the SSC and TA of oranges. The results indicate that reflectance NIRS plus chemometrics gives the potential for non-destructive prediction of SSC and TA in oranges. Preprocessing methods directly affected the results of the PLS models. The best prediction results for SSC (RMSEC = 0.430, rc = 0.923, RMSEP = 0.451, rp = 0.936, SDR = 2.798) and TA (RMSEC = 0.133, rc = 0.883, RMSEP = 0.177, rp = 0.863, SDR = 1.853) were achieved based on a combination of the MA + SNV pre-processing methods.