핵과의 성숙도 분석: 당 함량과 흡수 스펙트럼의 연결

핵과는 중앙에 큰 단일 씨앗(돌 또는 구덩이라고도 함)이 있는 것이 특징이며 핵과에는 살구, 체리, 라즈베리, 올리브, 심지어 코코넛도 포함됩니다. 수확 후 익지 않기 때문에 가장 잘 익는다. 핵과를 구매할 때 고객은 과일을 짜거나(딱딱한 과일은 완전히 익지 않았다는 것을 나타냄) 냄새를 맡아(과일의 향기가 많을수록 더 익은 것임) 익은 정도를 확인할 수 있습니다.

이것이 과일 몇 조각을 구매하는 소비자에게는 효과가 있을 수 있지만 유통업체는 배송물에 가장 좋고 가장 잘 익은 과일만 포함되도록 과일을 어떻게 분류할 수 있습니까? 숙성의 개념은 다소 임의적이고 측정하기 어렵기 때문에 숙성에 따른 과일의 당 함량 증가와 관련이 있는 경우가 많습니다. 굴절계는 설탕 함량을 측정하는 데 유용한 도구입니다. 용액 100g에 자당 1g으로 정의되는 브릭스(Brix) 단위는 설탕 농도를 결정하는 데 사용하기 쉽습니다. 안타깝게도 당도 측정을 위해서는 각 과일에서 즙을 추출해야 하는데, 이는 과일이 더 이상 고객에게 판매하기에 적합하지 않기 때문에 해로울 수 있습니다. 다양한 유형의 과일을 톤 단위로 특성화하고 분류하는 데 관심이 있는 상업 운영의 경우 비접촉 근적외선 분광법을 사용하여 브릭스를 정확하고 효율적으로 측정할 수 있습니다.

반사율과 흡수율을 측정하여 수확에 적합한 과일을 판별합니다. 사용된 광원은 450 nm ~ 1100 nm 범위의 Vis-Nir 광 범위를 제공할 수 있습니다. 비접촉식 테스트 기술은 과일의 당도와 숙성도를 예측하는 동시에 소비자에게 전달하기 위해 과일을 그대로 유지하는 것을 목표로 합니다. Ocean Insight(Ocean Optics)는 이 기술에 적합한 견고하고 신뢰할 수 있는 Vis-NIR 광원(예: 크립톤 광원 및 텅스텐 할로겐 광원)과 Vis-NIR 분광기(Ocean SR2 VIS-NIR)를 제공합니다.

예를 들어, 숙성 정도가 다른 여러 복숭아를 테스트해 보세요. 복숭아는 익는 기간을 연장하기 위해 냉장고에 보관했지만 샘플 온도가 기록된 데이터에 최소한의 영향을 미치는지 확인하기 위해 측정을 수행하기 전에 최소 4시간 동안 실온 환경에 방치했습니다. 각 샘플을 개별적으로 턴테이블 중앙에 놓고 머리 위 램프 아래에서 자유롭게 회전하도록 했습니다. 각 복숭아 샘플을 10회 측정하여 각 샘플의 평균 스펙트럼을 정량화하고, 알고리즘 생성을 위한 더 많은 데이터 포인트를 생성하고, 측정된 스펙트럼이 알고리즘을 왜곡할 수 있는 이상값인지 확인했습니다. 그런 다음 각 복숭아 샘플을 과일의 두 반대 위치에서 슬라이스하고 각 슬라이스의 과일을 굴절계 창에 개별적으로 압착하여 각 슬라이스의 Brix 값을 결정했습니다. 각 복숭아 샘플에 대한 두 Brix 값의 평균을 구했습니다. 사용된 스펙트럼은 흡광도 스펙트럼이므로 복숭아 샘플과 유사한 거리와 각도에서 흰색 기준 타일을 사용하여 기준 측정을 수행해야 합니다. Ocean Insight(Ocean Optics)는 이 기준 측정에 이상적인 반사율 샘플을 연구 개발했습니다.

측정된 브릭스 값을 가격 속성으로 사용합니다. 교정을 위한 스펙트럼 범위의 기본값과 분석 및 교정을 위한 계수 수를 선택한 후 초기 알고리즘이 생성되었습니다. 입력 데이터는 첫 번째 굴착 샘플의 측정값을 기반으로 가장 정확한 예측 알고리즘을 제공하기 위해 이상값 스펙트럼을 제거하도록 조정되었습니다. 마지막으로 추가 복숭아 샘플을 굴절계로 측정하여 알고리즘의 예측 설탕 함량 값을 굴절계로 측정한 값과 비교했습니다.

이상치 스펙트럼을 제거한 후 전체 스펙트럼을 사용하여 업데이트된 알고리즘을 만들었습니다. 측정 스펙트럼은 그림 1과 2에 표시된 값을 벗어나지 않습니다. 이 업데이트된 알고리즘은 10개의 측정된 샘플에서 예측된 설탕 함량과 실제 설탕 함량에 대해 다음과 같은 결과를 생성했습니다.

궁극적으로 이 업데이트된 알고리즘은 데이터 세트에 훨씬 더 가까운 선형 적합성을 제공합니다.

분석 및 결론

이상치 스펙트럼으로 간주되는 것을 제거한 후 알고리즘은 각 복숭아 샘플의 당 함량을 매우 밀접하게 예측했습니다. 복숭아 샘플을 생성하는 데 사용된 복숭아 샘플의 당 함량을 밀접하게 예측하는 알고리즘을 통해 다른 4개의 복숭아 샘플에 대해 추가 측정을 수행하여 알고리즘의 정확성을 확인했습니다. 동일한 방법을 사용하여 각 복숭아 샘플에 대해 10번의 흡광도 측정을 수행한 후 과일의 반대쪽에서 각 복숭아의 두 조각을 잘라 굴절계를 사용하여 실제 설탕 함량을 결정했습니다. 결과 중 10개가 아래 표에 나와 있습니다.

결과는 복숭아 샘플 9와 10의 당 함량 예측에서 높은 정확도를 보여 주지만 샘플 11과 12의 경우 정확도가 훨씬 낮습니다. 이는 샘플 11과 12가 부패 징후를 보이기 시작했기 때문일 수 있습니다. 약간 주름진 피부를 포함하는 반면, 과일 조각의 내부 주스에는 여전히 동일한 수준의 설탕이 포함되어 있을 수 있습니다. 또는 이는 그러한 예측 모델을 생성하려면 과일을 더 많이 스캔하기 위해 더 큰 샘플 크기와 추가 장비가 필요하다는 것을 나타낼 수도 있습니다.

결론

요약하자면, 현재 실험은 흡광도 측정을 사용하여 당 함량과 결과적으로 복숭아 샘플의 숙성도를 예측하는 방법을 보여줍니다. 어떤 스펙트럼이 유효하거나 이상값으로 간주되는지를 결정하려면 더 발전된 기술을 사용해야 합니다. 알고리즘의 정확성을 평가하는 데 사용된 4개의 샘플에도 제거된 이상치 스펙트럼이 포함되어 있다는 점에 유의해야 합니다. 과일 분류는 일반적으로 과일이 빠르게 이동하는 인라인 프로세스이므로 각 과일의 실제 평균 스펙트럼은 많은 광섬유 및 분광기를 사용하여 대량의 데이터를 수집하여 결정됩니다. 이 간단한 실험은 기술의 잠재력을 보여 주었지만 고속 과일 분류를 위해 상업적 환경에서 사용할 수 있는 신뢰할 수 있고 정확한 모델을 만들기 위해서는 상당한 데이터 수집과 모델링이 필요합니다.