近年來，人們在農(nóng)產(chǎn)品物理特性評價技術的研究和開發(fā)方面做出了巨大努力。例如，作物的水分含量 (MC) 是定義正確儲存過程的重要物理參數(shù)，應在收獲和儲存過程中進行監(jiān)測。在不合適的條件下儲存農(nóng)作物可能會導致可怕的后果，包括火災。因此，有必要在儲存前和儲存期間測量濕度水平。靜態(tài)（即儲存）和動態(tài)（即收獲）條件下的濕度測量顯然存在不同程度的難度。

在儲存期間，水分測量可以通過取樣并使用水分分析儀進行分析來進行，或者使用濕度測試儀進行不太準確的分析。由于必須執(zhí)行測量的操作條件，收獲期間的水分測量要困難得多。首先，獲取信息的時間是有限的，并且取決于收割機。其次，許多有影響的變量，例如機械振動、電氣和光學干擾以及一般的灰塵或污垢，都會嚴重影響測量。此外，為了不妨礙和/或減慢收割機的操作，水分測量應在農(nóng)作物捆運動時進行，非接觸式測量方法將是可取的。

迄今為止，有兩種技術可以實現(xiàn)非接觸式水分測量：微波衰減和近紅外光譜 (NIRS)。第一種技術提供了比第二種技術更大的檢查深度來檢查樣品的可能性，但是它對電磁環(huán)境和鐵磁結構的存在非常敏感。

來自摩德納·雷焦·艾米利亞大學的Luigi Rovati和Giovanni Gibertoni在2022年發(fā)表了一篇論文中評估了NIRS方法進行水分測量的可行性。作者設計了一種新型便攜式半自動近紅外光譜系統(tǒng)，該系統(tǒng)可用于收割機。并且對測量系統(tǒng)的性能進行了評估，其中介紹了校準、反射靈敏度、預熱以及重復性測試。苜蓿草中的水分可以通過利用水在近紅外光譜區(qū)域的吸收峰來評估，并且設計并實現(xiàn)了田間作物水分測量原型。

系統(tǒng)描述

左上角橙色區(qū)域為光學部件外殼，右側藍色區(qū)域為電子部件外殼。里面包含鹵素燈光源，insion近紅外光譜儀，光學快門，藍寶石漫反射窗口和控制單片機，散熱風扇等。

圖1.近紅外光譜測量系統(tǒng)的組成和結構

01

系統(tǒng)框圖

所開發(fā)的測量系統(tǒng)的框圖功能圖如圖 2 所示。藍寶石光學窗口放置在非?？拷杉庸ぞ€上的待測樣品 (SUT) 表面的位置，可永久保護光學元件免受灰塵和外部環(huán)境污染。此外，可打開和關閉的翻板機構允許控制三個不同的測量階段（暗背景測量，參考光譜測量和樣品光譜測量）。微控制器單元用于收集和預處理光譜數(shù)據(jù)，最終將這些數(shù)據(jù)發(fā)送到 PC，在 PC 上，LabVIEW GUI 可以監(jiān)視和控制采集過程。

圖2.所開發(fā)的測量系統(tǒng)的框圖功能圖

1.1光源照明部分

該系統(tǒng)采用 20 W 鹵素燈 DECOSTAR 51 ALU（OSRAM）。該裝置除了保證低成本外，還具有足夠長的平均壽命，即4000小時。選擇鹵素燈和光學窗口之間的距離，以保證樣品表面上的最大輻照度和足夠的照明均勻度。

1.2 光譜儀部分

為了檢測漫反射光譜，該儀器采用德國INSION公司的微型近紅外光譜儀 NIR1.7，其測量范圍為 900 nm~ 1700 nm，像素分辨率為 8 nm（光學分辨率16nm）。該光譜儀基于InGaAs陣列探測器（128像元）和預集成讀出電子器件，在精度、靈敏度和信噪比 (SNR) 方面提供高性能。光譜儀的所有參數(shù)都可以由用戶設置和優(yōu)化，以滿足不同應用的具體要求。NIR1.7 OEM模塊包括基于16位分辨率的模數(shù)轉換器的讀出電子器件 (BIM-NIRP)。光譜分析通過空腔波導設計進行，無任何移動部件，出廠后無需再校準。如圖 3 所示，光通過光纖耦合到光譜儀，直至光譜儀入口狹縫。

圖3.Insion近紅外光譜儀 NIR1.7SOEM光譜儀模塊

系統(tǒng)性能

系統(tǒng)組裝完成后，各功能模塊的功能和作用對整個系統(tǒng)進行了驗證。之后，對該系統(tǒng)進行了仔細校準，并在以下方面進行了表征:(i)預熱，(ii)線性，(iii)可重復性。通過將測量的反射率與經(jīng)認證的反射率標準目標進行比較來執(zhí)行校準和表征程序。在預熱期間，系統(tǒng)測得的平均反射率下降，近似呈指數(shù)衰減（R2 = 0.9876）。觀察到的平均反射率降低約為 1.4%，衰減常數(shù)為 13.6 S。瞬態(tài)結束時，測量誤差為 0.6%。以測量值相對于參考值的均方根偏差計算的積分線性誤差為 0.93%。重復性驗證如下圖：

圖4, 重復性測試在 13 小時的時間內(nèi)進行。* 藍色標記代表 S050 反射率測量。紅色點劃線是平均反射率值，淺綠色區(qū)域對應于整個集合的標準差界定的區(qū)域。

測量結果顯示平均值為 49.76%，樣本標準偏差為 0.71%。

現(xiàn)場結果

對采集的數(shù)據(jù)進行預處理后，確定了待測樣品水分預測的光譜帶 BOI。通過分析參考變量（即待測樣品水分和密度 ρ）與預測變量（即 LASUT(λ) 的一階導數(shù)）之間的系數(shù)來選擇相關波長。圖5顯示了獲得的水分和ρ系數(shù)相關性作為輻射波長的函數(shù)。

圖5，參考變量(即待測樣本水分和ρ)與預測變量(即LASUT(λ)的一階導數(shù))之間的相關系數(shù)。虛線與測樣本水分有關，橙色虛線與待測樣品ρ有關。淺藍色區(qū)域定義了感興趣的光譜帶(BOI)，其中LASUT的一階導數(shù)(λ)與SUT MC的相關性最大，與待測樣品ρ的相關性最小。

圖 6 顯示了從校準中獲得的 PLS 響應變量作為水分參考值的函數(shù)，而從驗證數(shù)據(jù)集獲得的結果如圖 10 所示。為了完整起見，每個圖都顯示了 PLS 響應變量，即水分的對數(shù)變換(ln(MC(%)) (a)，以及線性標度中水分的相應值 (b)。表 1 報告了開發(fā)的 PLS 模型的統(tǒng)計數(shù)據(jù)，而圖 8 顯示了水分的均方根相對誤差估計 Er (MC)%。

盡管我們對少量樣本進行了分析，但結果令人鼓舞，表明該儀器如何能夠以 7.1% 的平均相對誤差估計作物的水分。開發(fā)的PLS模型利用了 NIRS 吸收光譜的對數(shù)變換，該相對誤差在擬合范圍內(nèi)保持相當恒定。

圖6，校準 PLS 響應變量作為參考值的函數(shù) (a)。校準數(shù)據(jù)集的預測水分含量與參考水分含量 (b)。

圖7，參考值函數(shù)的 PLS 響應變量的驗證 (a)。驗證數(shù)據(jù)集的預測水分含量與參考水分含量 (b)。

圖8，水分估計的均方根相對誤差。(a) 為校準數(shù)據(jù)集獲得的結果，(b) 為驗證數(shù)據(jù)集獲得的結果。紅色虛點線是單次測量的平均值：(a) 中的 C_MEAN_ERR 和 V_MEAN_ERR。

表1 PLS模型的統(tǒng)計結果。C-RMSE和C-R2是指校準數(shù)據(jù)集的均方根誤差和R平方值；V-RMSE 和 V-R2請參閱驗證數(shù)據(jù)集的等效項。C_MEAN_ERR 和 V_MEAN_ERR 分別是校準和驗證數(shù)據(jù)集的平均相對誤差。

結論

用于田間作物水分測量的 NIRS 測量系統(tǒng)已經(jīng)開發(fā)出來，并對新鮮收獲的苜蓿樣品進行了初步測試。該系統(tǒng)的設計和實現(xiàn)非常謹慎，必須能夠在作物收獲階段在田間運行。

未來的實驗階段應包括將儀器直接組裝在收割機上。這將使我們能夠直接對農(nóng)作物捆進行水分測量。

應用

Insion光譜儀以其優(yōu)秀的抗振性和穩(wěn)定性等特點，已經(jīng)在多種農(nóng)業(yè)機械中有應用，比較典型的是青貯收割和飼料搬運鏟車等，不但可以有效的檢測農(nóng)作物，農(nóng)產(chǎn)品，飼料的水分信息，還可以同步檢測纖維，淀粉，粗蛋白等含量給到機械作業(yè)工人，機械作業(yè)工人會根據(jù)即時檢測的信息判斷收割，搬運農(nóng)產(chǎn)品/農(nóng)作物的品質(zhì)信息，實現(xiàn)精細化，智能化的管控。