技术文章及资料中心

资料库

资料库
您当前的位置:首页>资料库>咖啡工业中高光谱成像技术的应用3

咖啡工业中高光谱成像技术的应用3

2.2.2 咖啡豆状态

       根据颜色,咖啡豆有两种状态:绿色咖啡豆和烘焙后的棕色咖啡豆。绿色咖啡豆在烘焙过程中会变成深褐色,这是由于蔗糖、多糖、绿原酸、游离氨基酸、烟碱和蛋白质等成分的动态减少和分解所导致的,从而增加了苦味和强度。在烘焙过程中,咖啡豆的重量损失百分比取决于烘焙程度和具体的烘焙方法,通常随着烘焙程度的加深而增加,同时颜色也会变深,这可以通过肉眼观察到。从质地来看,咖啡豆在烘焙过程中会失去韧性和可变形性,而增加脆性。此外,不同的烘焙条件会显著影响咖啡豆的孔隙结构,低温烘焙倾向于产生孔隙体积较小、细胞壁中微孔更细的咖啡豆。

       在绿色和烘焙咖啡豆上都可能出现瑕疵,这些瑕疵可能是在烘焙期间产生的。绿色咖啡豆的不可逆瑕疵是由物理、化学和生物损伤引起的。常见的物理损伤包括碎片和外壳残留。通常,化学损伤在咖啡豆中表现为外部可见特征的变化,如黑豆和脱水,导致外观颜色变化和表面收缩。此外,昆虫损伤是绿色咖啡豆生物损伤的主要问题之一。对于棕色咖啡豆,不恰当的烘焙操作可能会导致各种瑕疵,例如内部或外部是过烘焙还是欠烘焙。

       HSI对可见外部瑕疵特别敏感,尤其是当利用其空间数据集时。Chen等人对有瑕疵的绿色咖啡豆进行了两项实验。在他们的研究中,咖啡豆被分为四组:黑豆、去壳豆、昆虫受损豆和健康豆。PCA算法在两项研究中均被应用,同时提取最佳波长,为此选择的组分数量和值各不相同(见表3)。在他们的第一篇论文中,使用了约束能量最小化-支持向量机(CEM-SVM)和卷积神经网络(CNN)进行识别,达到了超过95%的高总体区分准确率。随后,他们强调了在多个维度(2D和3D)中实现CNN,并结合2D-3D,分别针对空间、HSI立方体和合并的卷积架构。通过这种方式,他们分别达到了94.1%、98.2%和98.6%的总体分类精度,仅使用了813、826和843纳米的三个最佳波长。不同的是,Oliveri等人对比了正常绿色咖啡豆的近红外高光谱图像与豆片、黑豆和樱桃以及脱水豆的图像。在PCA处理过程中仅选择了两个主要组分,随后k-最近邻(k-NN)方法在预测健康组和脱水豆方面表现相对较好,正确百分比接近90%。然而,目前烘焙豆的瑕疵检测性能似乎并不如未烘焙豆那样优越。Cho等人将中烘焙对照组与通过控制烘焙温度和时间诱导出的四种不同瑕疵进行了对比。利用化学变化和褐变指数对不同样本进行区分。使用标准正态变量(SNV)预处理后,通过偏最小二乘判别分析(PLS-DA)实现了86.2%的正确分类率。减少提取的关键组分数量可以增强系统响应和整体性能。然而,这可能会导致准确度降低。因此,准确识别咖啡豆瑕疵与最小化用于分析的主要元素数量以保持效率和精度之间取得平衡至关重要。



2.2.3 研磨和冲泡阶段

       通常,研磨咖啡豆中的瑕疵是外部的,包括杂质和掺假物。由于这些瑕疵已经在第2.1.3节中作为成分分析的一部分进行了讨论,因此这里不再重复。除了研磨阶段,咖啡在最终冲泡过程中的质量可能会因温度、压力、水质、咖啡与水的比例、颗粒分布和冲泡时间等因素而有所不同,其中咖啡饮品的主要瑕疵包括沉淀物和风味缺失。对于前者,如果咖啡没有完全过滤或溶解,尤其是在浸泡式、法压壶和手冲等冲泡方法中,可能会出现咖啡沉淀。对于后者,咖啡饮品的风味主要取决于之前的咖啡豆状态,因为风味贡献的化学成分在烘焙后已经形成,并且在动态上趋于稳定,光谱分析是特征提取和表征的强大工具。使用近红外光谱与机器和深度学习算法,Chang等人开发并可视化了研磨咖啡的风味预测模型。此外,Caporaso等人提供了一种基于HSI的咖啡香气预测方法,专注于单个烘焙咖啡豆,并考虑了各种复杂的生物活性成分。然而,这些研究都没有达到足够高的预测准确率,并且相对主观的感官评估可能会在一定程度上影响结果。

       尽管高光谱成像在食品和农业安全与质量评估中得到了广泛应用,但其在液体中的应用却很少实施,其中液体对象主要包括果汁、牛奶、酸奶和油。背后的主要问题是液体,特别是相对清澈的液体(如咖啡)的低反射率和光滑曲线,使得干扰消除和属性区分难以进行。尽管存在这一挑战,但已经提出了一些创新方法来呈现液体的光谱特性。Pelta等人将一种白色增强物质混入液体样本中,以降低透射成分,增强反射光谱,并获得更具识别性的光谱特征,尽管这是一种不可逆的破坏性方法。Wang等人提出了两种方法,称为粒子群双厚度透射法(PTT)和粒子群透射与反射法(PTR),结合粒子群优化(PSO)算法来增强光学常数的表征。另一种方法是利用其他光谱指数而不是反射率,例如吸光度、透射率和漫反射率。然而,据作者所知,尚未有使用高光谱成像对咖啡饮品进行的研究,更不用说对冲泡咖啡液体的特定缺陷方面了,这表明该领域需要更多的努力去探索。



2.3 识别和分类

       高光谱成像通常用于特征比较和特性分类,通常与机器学习算法结合使用。在农业和食品工业中,产品识别或分类通常从营养成分、等级、一般质量、产地、新鲜度、污染等角度进行。对于咖啡的分类,品种或产地识别以及包括烘焙程度和预测风味在内的特性是HSI表现出深远潜力的两个主要应用领域,其表现被认为适用于工业中的实际使用。


2.3.1 咖啡品种或种类识别

       世界咖啡研究组织(WCR)提供了一个关于咖啡品种的详细且全面的目录工具,供农民、生产者和消费者使用,其中涵盖了来自二十多个国家的两种主要种植的咖啡品种:阿拉比卡(Coffea arabica)和罗布斯塔(Coffea canephora)。它也是第一个收集和编制55种阿拉比卡和47种罗布斯塔咖啡产品关键信息的机构。根据WCR,尽管目前有超过一百种咖啡品种或栽培品种,但每一种独特且稳定的咖啡品种都有一套特殊的属性,可以被精确地描述并与其他品种区分开来,这符合国际植物新品种保护联盟(UPOV)对品种的定义。此外,两种不同咖啡品种或种类的特性可能有显著差异;例如,波旁咖啡(属于阿拉比卡种)的叶尖呈绿色,豆子大小适中,产量潜力处于中等水平,而铁皮卡咖啡(属于阿拉比卡种)叶尖呈青铜色,豆子更大,产量较低,而佩德尼亚咖啡(属于罗布斯塔种)的豆子更小且呈圆形,对咖啡叶锈病和线虫病的耐受性更强,这些信息均由WCR报告。因此,使用高光谱成像技术对来自不同产地的不同咖啡品种进行在线分类具有实际应用价值,因为它们通常因不同的物理和化学特性而具有不同的质量、价格或特定消费者的偏好。到目前为止,已经成功进行了一些高光谱成像实验,专注于区分阿拉比卡和罗布斯塔(见表4)。一般来说,典型的过程是最初分析咖啡豆的外部物理差异以及内部化学成分,建立传统测量与HSI数据集之间的相关性,然后根据先前建立的相关性进一步进行分类模型,其中大多数获得了超过80%的正确分类准确率。

表4

       此外,还研究了更精细的咖啡品种区分,考虑种植产地。例如,Bao等人利用近红外高光谱成像结合五种判别模型,描述并确定了中国的四种国产咖啡豆;Backhaus等人使用短波红外高光谱成像实现了四种绿色咖啡豆品种的实时识别,加速了硬件系统;Makarov等人比较了基于高光谱图像中的闪烁特征的两种和三种咖啡豆品种,其中三维卷积网络算法分别获得了87.85%和76.5%的最高平均分类准确率。此外,由于阿拉比卡和罗布斯塔咖啡豆在外观和口味上存在差异,它们在市场上的价格也可能不同。通常,前者主要用于单一产地或特种咖啡生产,而后者倾向于用于咖啡混合物和速溶咖啡。因此,阿拉比卡和罗布斯塔在咖啡混合物中的比例对于产品质量很重要。相应地,Sahachairungrueng等人在进行主成分分析后,使用支持向量机算法对比了来自阿拉比卡和罗布斯塔咖啡的纯样本以及研磨咖啡混合物,并最终成功地使用定性或定量指标确定了这两种咖啡品种。所有相关研究都取得了一些令人满意的结果,然而,对于上述软件数据管理层面的集成和系统化设备的研究需要更多的突破。尽管如此,令人欣慰的是创新想法不断涌现。例如,Sim等人基于700-1700 nm波长范围内的高光谱成像,预测了来自不同产地规模(洲、国家和地区)的绿色咖啡豆上的41种痕量元素和5种稳定同位素,其中八种痕量元素和三种同位素在预测中达到了超过0.70的R²值,为咖啡质量评估和产地验证提供了新的视角。


2.3.2 咖啡特性分类

       烘焙程度是咖啡最重要的属性之一,无论对于咖啡商人还是消费者来说都是如此。一般来说,有四种主要的烘焙程度:浅度烘焙、中度烘焙、中深度烘焙和深度烘焙,而一些烘焙师会用七个更详细的类别来描述烘焙程度。更具体地说,每个烘焙程度根据特定的烘焙条件有不同的等级,例如,中度烘焙范围内典型的烘焙包括城市烘焙、美式烘焙和早餐烘焙。由于烘焙过程中咖啡豆发生了显著的物理和化学变化,尤其是咖啡豆的颜色和水分流失,HSI能够非破坏性地协助对不同的烘焙程度进行分类。值得注意的是,HSI技术的区分依据可能不同,因为在咖啡烘焙过程中许多特性都在动态变化,这导致了多种分类方法的选择。如表4所收集的,Chu等人选择根据水分、粗脂肪、绿原酸、烟碱和咖啡因等成分含量的变化来区分不同的烘焙程度;此外,另一项研究由Nansen等人进行,他们更多地关注总可提取蛋白和还原糖含量水平,用于烘焙咖啡豆的分级。除了烘焙程度外,Nansen等人还研究了实际咖啡产品与其品牌之此外,对具有特征性咖啡风味的感官评估对于饮用体验也具有重要意义。Caporaso等人测试了一系列挥发性化学物质,尽管他们针对坚果味和其他风味的批次提出了预测模型,但一些针对挥发性成分和香气或气味的个体模型并不足以进行良好的估计,这可能是因为这些化学物质的含量较低以及感官判断的难度。同样,Chang等人尝试预测七种咖啡风味,但最终准确率低于80%(见表4)。尽管这些研究期望获得表现更好的模型,但它们能够为咖啡风味预测提供一个创新的框架,结合高光谱成像技术提供的定量指标,而目前的咖啡风味感官评估仍然由专业机构使用专业指标进行。此外,咖啡高光谱表征也可以在种植期间实施。Menezes Freitas等人利用基于高光谱反射率的植被指数量化咖啡叶的结构和生化特性,以区分基因型,评估了八种咖啡品种。结果表明,高光谱反射率曲线能够区分八种C. arabica L.咖啡品种,植被指数在估算咖啡农艺参数方面表现出色,包括叶绿素a(使用光化学反射率指数,RMSE为2.39%)、植株高度(使用归一化差异水分指数,RMSE为5.78%)等。这些研究表明了HSI在咖啡产业的前端和后端的潜力。间的一致性,为HSI结合几种质量描述符在商业饮料行业的品牌监督中的可行性提供了有力证据。




相关产品:请点击格物光谱成像平台.png