基于Arduino的近红外光谱仪

基于Arduino的近红外光谱仪设计

原创于 2025-10-24 08:46:23 发布 · 666 阅读

21 ·

CC 4.0 BY-SA版权

文章标签：

#近红外光谱仪 #Arduino #AS7263 #无损检测 #BP神经网络

AI助手已提取文章相关产品：

基于Arduino的手持近红外光谱仪用于暹罗橙的无损质量评价

摘要

橙子品质，特别是其化学性质的评价通常通过提取果汁的破坏性方法进行。近红外光谱仪（NIRS）可用于以非破坏性方法量化橙子的化学性质。本研究旨在设计一种基于AS7263传感器和Arduino编程的手持式近红外光谱仪（NIRS），用于估测暹罗橙的酸度（pH）、可溶性固形物（TSS）和维生素C含量。AS7263传感器具有六个不同波长的近红外通道，分别为R（610 nm）、S（680 nm）、T（730 nm）、U（760 nm）、V（810 nm）和W（860 nm）。为此，使用300个样本进行了性能测试。结果表明，对橙子酸度和TSS的评价其平均绝对百分比误差（MAPE）为< 10%，维生素C的误差为> 10%。此外，采用反向传播神经网络（BPNN）对橙子化学性质的估测结果优于简单回归和多元回归方法。

引言

橙子是继葡萄之后世界上最受欢迎的水果，全球年产量约为1.15亿吨[1]。橙子含有对人体健康有益的营养素，尤其是维生素C。橙子还是生物活性物质的重要来源，包括抗坏血酸、黄酮类化合物和酚类物质等抗氧化剂，这些物质对人体至关重要[2]。在鲜果分选与分级的加工和销售过程中，为了评估水果质量以满足标准，相关活动显得重要且必不可少。与水果质量相关的重要参数基于果实的物理和化学性质，例如大小、颜色、质地、硬度和酸度。了解橙子的特性非常重要，因为这将有助于设计用于采收及采后作业的工具、机械和系统。此外，橙子的特性对于确定采收时间也具有重要意义。

通常，橙子质量评估是在实验室中采用破坏性方法进行的。尽管该方法能够获得准确结果，但耗时较长，需要具备化学分析的特殊技能，且仪器成本相对较高。目前已有许多关于应用可见光和红外（Vis‐IR）光传感器进行水果质量无损评估的研究。此前，托雷斯等人[3]开发了一种利用便携式近红外（NIR）光谱仪估算树上橙子物理质量的模型。桑切斯等人[4]开展了一项研究，使用便携式NIR分光光度计测定树上柑橘的内外部质量。邵等人[5]根据生长条件和地理面积并使用近红外光谱仪预测柑橘类水果的糖含量。Lu等[6]使用近红外光谱仪估测中国柑橘的可溶性固形物。Khodabakhshian等[7]应用可见/近红外光谱技术对石榴成熟度和质量参数进行无损评估。Soltanikazemi等[8]也结合遗传算法应用可见/近红外光谱技术预测黑桑葚的内部品质。Alhamdan和Atia[9]使用近红外光谱仪预测不同成熟度下椰枣的品质。然而，这些研究使用的都是商用近红外光谱仪，价格非常昂贵（每台8,000‐10,000美元）。

根据该研究，设计一种使用红外光谱发射器及其接收器的简易光谱仪存在挑战，旨在通过非破坏性方法观察橙子品质，特别是以经济实惠或低成本的方式实现。测量方法应基于计算机应用中的光电传感器（近红外），用于无损评估，并获得快速且准确的结果。结合视觉系统与光电传感器能够更敏感、精确地捕捉由于水果理化特性差异导致的电磁波反射变化。因此，本研究旨在设计一款基于AS7263传感器和Arduino编程语言的便携式手持近红外光谱仪，用于测量暹罗橙化学特性（可溶性固形物、维生素C和酸度/pH），以反映其品质。

2. 材料与方法

2.1. 水果样品采集

橙子取自卡拉恩曾吉斯，普尔巴灵加的农业观光园博塔尼花园（Bogar）。总共随机采摘了300个橙子。

2.2. 基于Arduino的手持近红外光谱仪设计

本研究中，我们使用了艾迈斯半导体（ams.com）的AS7263传感器来采集橙子的近红外反射率。
AS7263传感器具有6个近红外通道，用于测量不同波长的反射率，即R（610 nm）、S（680 nm）、T（730 nm）、U（760 nm）、V（810 nm）和W（860 nm）。该传感器的功能框图如图1所示。

示意图0

在图2中，我们展示了所开发的设备的示意图设计。使用一个发光二极管（LED）作为光源，然后发射光照射到作为物体的橙子表面。部分光被反射，该反射信号将被传感器捕获。随后，信号通过基于Arduino的程序进行量化，并在屏幕上显示为传感器的输出。

示意图1

柑橘近红外反射率的测量过程如图3所示。首先将一个橙子放置在传感器前方。通过基于Arduino的程序激活传感器。在测量过程中，LED发出强光，传感器周期性地捕获物体的反射率。反射信号随后显示为设备在计算机上的输出。

示意图2

2.3. 柑橘化学性质的测量

通过破坏性方法测定了橙子的三种化学性质，即酸度/pH、可溶性固形物（TSS）和维生素C。这些结果被用作实际的化学性质值。柑橘样品首先被榨汁，然后使用滤纸过滤，并倒入小塑料杯中。

为了测量TSS含量，取少量橙汁并滴加到折射仪的透光板上。通过折射仪的目镜观察TSS值（oBrix）（图4a）。维生素C浓度（更准确地称为抗坏血酸）采用碘滴定法测定（图4b）。在滴定过程中，抗坏血酸被氧化为脱氢抗坏血酸，同时碘被还原为碘离子，其化学反应如下所示：
$$
\text{ascorbic acid} + I_2 \rightarrow 2I^- + \text{dehydroascorbic acid}
$$

一旦所有的抗坏血酸被氧化，过量的碘就会与淀粉或淀粉指示剂发生反应，形成蓝黑色淀粉‐碘复合物。这就是滴定终点。最后，利用剩余的橙子汁测定其酸度（pH）。使用pH计测量pH值，将探头浸入橙子汁中，在设备屏幕（图4c）上观察结果。

示意图3 总平方和，(b) 维生素C，(c) 酸度/pH)

2.4. 数据分析

在本研究中，我们应用了三种方法，基于所开发设备获取的近红外反射率来估算橙子的化学性质，即简单回归、多元回归和反向传播神经网络（BPNN）。在简单回归方法中，分析了每个近红外通道输出（R、S、T、U、V和W）与橙子的化学特性之间的相关性。同时，采用多元回归分析了近红外通道输出组合与橙子的化学特性之间的相关性。

所开发的BPNN架构由6个节点的输入层组成，代表所有NIR通道的输出，以及3个节点的输出层，对应橙子的化学性质（图5）。该BP神经网络包含一个隐藏层，其节点数量由以下公式[10]确定：
$$
n_h = \left(\frac{n_i + n_o}{2}\right) + \sqrt{N}
$$
其中 $n_i$、$n_o$、$n_h$ 分别为输入层、输出层和隐藏层节点的数量，N为数据集中的样本数量。

由于我们有300个橙子样品，隐含层节点数量为22个节点。此外，我们将数据集按70%和30%的比例划分为训练和测试数据。因此，训练和测试数据分别由210个和90个样品组成。

示意图4