Thiết kế và đánh giá tính khả thi của mô đun thu phổ tương tác tự động cho đánh giá nhanh độ ngọt của quả quýt
,
,
,
,
,
và
*
Article Sidebar
Full Text: 
PDF
Abstract
This study presents the design and feasibility evaluation of an automated NIR interactance spectral acquisition module for mandarin sweetness assessment. The system integrates a clamping–rotation mechanism, a translational probe with a ring light source, and a dark chamber to enable automated measurements at multiple fruit regions. Compared with manual acquisition, the average measurement time was reduced from ~40 s to 17.7 s per fruit, corresponding to a 55.75% reduction, while spectral stability was improved. Sweetness prediction models developed from 300 averaged spectra of 75 mandarins achieved a maximum RPD of 1.65, indicating the system’s potential for rapid and non-destructive fruit quality evaluation.
Tóm tắt
Nghiên cứu trình bày thiết kế và đánh giá tính khả thi của mô đun thu phổ tương tác tự động dùng quang phổ cận hồng ngoại (NIR) để đánh giá độ ngọt quả quýt. Hệ thống tích hợp cơ cấu kẹp–xoay mẫu, đầu thu tịnh tiến với nguồn sáng vòng và buồng tối, cho phép thu phổ tự động tại nhiều vùng đo. So với thu phổ thủ công, thời gian đo giảm từ ~40 s xuống 17,7 s mỗi quả, tương ứng giảm 55,75%, đồng thời cải thiện độ ổn định phổ. Mô hình dự đoán độ ngọt (°Brix) từ 300 phổ trung bình của 75 quả quýt đạt RPD cao nhất 1,65, cho thấy tiềm năng ứng dụng của hệ thống trong đánh giá nhanh, không phá hủy chất lượng trái cây.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Beć, K. B., Grabska, J., & Huck, C. W. (2025). Interpretability in near-infrared (NIR) spectroscopy: Current pathways to the long-standing challenge. TrAC Trends in Analytical Chemistry, 189, 118254. https://doi.org/10.1016/j.trac.2025.118254
Lu, R., Van Beers, R., Saeys, W., Li, C., & Cen, H. (2020). Measurement of optical properties of fruits and vegetables: A review. Postharvest Biology and Technology, 159, 111003. https://doi.org/10.1016/j.postharvbio.2019.111003
Luo, W., Zhang, J., Liu, S., Huang, H., Zhan, B., Fan, G., & Zhang, H. (2024). Prediction of soluble solid content in Nanfeng mandarin by combining hyperspectral imaging and effective wavelength selection. Journal of Food Composition and Analysis, 126, 105939. https://doi.org/10.1016/j.jfca.2023.105939
Magwaza, L. S., & Opara, U. L. (2015). Analytical methods for determination of sugars and sweetness of horticultural products—A review. Scientia Horticulturae, 184, 179–192. https://doi.org/10.1016/j.scienta.2015.01.001
Manley, M. (2014). Near-infrared spectroscopy and hyperspectral imaging: non-destructive analysis of biological materials. Chem. Soc. Rev., 43(24), 8200–8214. https://doi.org/10.1039/C4CS00062E
Mei, M., & Li, J. (2023). An overview on optical non-destructive detection of bruises in fruit: Technology, method, application, challenge and trend. Computers and Electronics in Agriculture, 213, 108195. https://doi.org/10.1016/j.compag.2023.108195
Mishra, P., Roger, J. M., Rutledge, D. N., & Woltering, E. (2020). SPORT pre-processing can improve near-infrared quality prediction models for fresh fruits and agro-materials. Postharvest Biology and Technology, 168, 111271. https://doi.org/10.1016/j.postharvbio.2020.111271
Nguyen, C.-N. C.-N., Phan, Q.-T., Tran, N.-T., Fukuzawa, M., Nguyen, P.-L., & Nguyen, C.-N. C.-N. (2020). Precise sweetness grading of Mangoes (Mangifera indica L.) based on random forest technique with low-cost multispectral sensors. IEEE Access, 8, 212371–212382. https://doi.org/10.1109/ACCESS.2020.3040062
Nguyễn, C. N., Nguyễn, P. L., Nguyễn, H. D., & Nguyễn, C. N. (2021). Tổng quan về đánh giá chất lượng trái cây bằng phương pháp không phá hủy. TNU Journal of Science and Technology, 226(11), 158–167.
https://doi.org/10.34238/tnu-jst.4673
Nguyễn, P. L., Dương, V. S., Trần, N. T., Nguyễn, C. N., & Nguyễn, C. N. (2024). Dự đoán độ ngọt của xoài trên cơ sở dữ liệu phổ thu thập từ cảm biến đa phổ giá thành thấp. CTU Journal of Science, 60(4), 11–19. https://doi.org/10.22144/ctujos.2024.385
Ozaki, Y., Huck, C., Tsuchikawa, S., & Engelsen, S. B. (Eds.). (2021). Near-Infrared Spectroscopy. Springer Singapore.
https://doi.org/10.1007/978-981-15-8648-4
Pasquini, C. (2003). Near Infrared Spectroscopy: fundamentals, practical aspects and analytical applications. Journal of the Brazilian Chemical Society, 14(2), 198–219. https://doi.org/10.1590/S0103-50532003000200006
Santos, C. S. P., Cruz, R., Gonçalves, D. B., Queirós, R., Bloore, M., Kovács, Z., Hoffmann, I., & Casal, S. (2021). Non-Destructive Measurement of the Internal Quality of Citrus Fruits Using a Portable NIR Device. Journal of AOAC INTERNATIONAL, 104(1), 61–67. https://doi.org/10.1093/jaoacint/qsaa115
Schaare, P., & Fraser, D. (2000). Comparison of reflectance, interactance and transmission modes of visible-near infrared spectroscopy for measuring internal properties of kiwifruit (Actinidia chinensis). Postharvest Biology and Technology, 20(2), 175–184. https://doi.org/10.1016/S0925-5214(00)00130-7
Sun, T., Xu, W., Hu, T., & Liu, M. (2014). Application of LS-SVM and Variable Selection Methods on Predicting SSC of Nanfeng Mandarin Fruit (pp. 249–262). https://doi.org/10.1007/978-3-642-54344-9_31
Xiao, Y., Li, C., Jin, C., Luo, J., Qi, H., & Zhang, C. (2025). Detection of soluble solid content in citrus fruit using near-infrared spectroscopy with machine learning regression: An exploration of the influence of sampling positions. Journal of Food Composition and Analysis, 142(March), 107554.
https://doi.org/10.1016/j.jfca.2025.107554
Zhang, J., & Mouazen, A. M. (2023). Fractional-order Savitzky–Golay filter for pre-treatment of on-line vis–NIR spectra to predict phosphorus in soil. Infrared Physics & Technology, 131, 104720.
https://doi.org/10.1016/j.infrared.2023.104720