孟田源，王轉(zhuǎn)衛(wèi)，遲　茜，趙　凡，翁小鳳

(西北農(nóng)林科技大學(xué) 機械與電子工程學(xué)院， 陜西 楊凌 712100)

基于高光譜成像技術(shù)生長發(fā)育后期蘋果糖度的無損檢測

孟田源，王轉(zhuǎn)衛(wèi)，遲茜，趙凡，翁小鳳

(西北農(nóng)林科技大學(xué) 機械與電子工程學(xué)院， 陜西 楊凌 712100)

[摘要]【目的】 研究應(yīng)用高光譜成像技術(shù)無損檢測生長發(fā)育后期蘋果糖度的可行性?！痉椒ā?以生長發(fā)育后期的“富士”蘋果為對象，基于采集到的波長900～1 700 nm高光譜數(shù)據(jù)，建立預(yù)測蘋果糖度的偏最小二乘(PLS)、支持向量機(SVM)和極限學(xué)習(xí)機(ELM)模型，并比較主成分分析(PCA)和連續(xù)投影算法(SPA)2種數(shù)據(jù)壓縮或特征波提取方法對預(yù)測模型精度的影響?！窘Y(jié)果】 采用PCA方法可將全光譜壓縮至9個主成分，采用SPA從全光譜的230個波長中提取出了13個特征波長，兩者相比，SPA能更有效地提高模型預(yù)測能力。預(yù)測生長發(fā)育后期蘋果糖度的最佳模型為基于SPA的PLS模型，其預(yù)測集相關(guān)系數(shù)為0.945，均方根誤差為0.628 °Brix?！窘Y(jié)論】 高光譜圖像技術(shù)可以用于生長發(fā)育后期蘋果糖度的無損檢測，該技術(shù)的應(yīng)用將有助于指導(dǎo)蘋果的種植和適時采收。

[關(guān)鍵詞]高光譜成像技術(shù)；蘋果糖度；無損檢測

中國是世界上最大的蘋果生產(chǎn)國，蘋果產(chǎn)量約占園林水果產(chǎn)量的30%，是我國最具國際競爭力的農(nóng)產(chǎn)品之一[1]。工業(yè)化生產(chǎn)中通常根據(jù)蘋果的外部特征，如大小、形狀、顏色、外部缺陷等進(jìn)行分類[2]，然而這些外部特征并不能真實反映果實的內(nèi)部品質(zhì)信息，如糖度、酸度、糖酸比、硬度、含水率等，其中糖度是反映水果內(nèi)部品質(zhì)的主要指標(biāo)，糖度的大小也成為影響消費者購買力的主要因素。果品可溶性固形物(Soluble solid content,SSC)含量中約85%的成分是糖，因此常用可溶性固形物含量表達(dá)果品的糖度。傳統(tǒng)的測量果品SSC的方法是采用數(shù)字式糖度計或折射儀測量果汁的SSC，但該方法對果品具有破壞性，不適宜用于大量水果糖度的工業(yè)化無損檢測。

近紅外光譜技術(shù)是目前研究水果內(nèi)部品質(zhì)的最主要方法，但該方法通常采用點接觸法采集光譜，難以全面獲取并反映整個果實的內(nèi)部品質(zhì)信息。高光譜成像技術(shù)是將圖像技術(shù)與光譜技術(shù)相結(jié)合的一門新興的無損檢測技術(shù)，具有同時獲取反映水果外部品質(zhì)的圖像信息和反映內(nèi)部品質(zhì)的光譜信息的優(yōu)點[3]。目前，在利用該技術(shù)進(jìn)行蘋果品質(zhì)檢測研究方面已經(jīng)取得了一些進(jìn)展。Xing等[4]指出，基于高光譜圖像可較為準(zhǔn)確地識別出金冠蘋果的擦傷；Mendoza等[5]基于高光譜信息建立了預(yù)測蘋果硬度和SSC的模型；Zhao等[6]從高光譜中提取出了表征蘋果硬度的特征波長，并將其應(yīng)用于蘋果硬度的檢測。上述研究均是以釆后或貯藏期的蘋果為研究對象。馬寶焜等[7]提出，在果實成熟期間，當(dāng)蘋果果實的單果質(zhì)量穩(wěn)定后，其含糖量、含酸量等指標(biāo)仍會繼續(xù)變化。申曙光等[8]提出，果實中的含糖量可作為蘋果適時收獲的主要生物學(xué)指標(biāo)。因此，檢測成熟期蘋果的糖度對于蘋果的種植和適時采收將具有重要的指導(dǎo)意義，但目前尚未見預(yù)測成熟期蘋果糖度的研究報道。

為此，本研究以成熟期的“富士”蘋果為對象，采用高光譜成像技術(shù)采集成熟期蘋果的高光譜圖像，提取反射光譜，然后采用化學(xué)計量學(xué)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)建立基于反射高光譜預(yù)測蘋果糖度的模型，并對模型的精度和可靠性進(jìn)行分析，以期為生長發(fā)育后期蘋果糖度的無損檢測提供一種新的方法，進(jìn)而為蘋果的種植和適時采收提供參考依據(jù)。

1材料與方法

1.1材料

試驗材料為處于生長發(fā)育后期的“富士”蘋果。樣品于試驗前1 d隨機采摘于陜西楊凌某果園的50多棵樹齡11年的蘋果樹，采摘時綜合考慮果樹陽面和陰面對果實品質(zhì)的影響?！案皇俊碧O果從開花到成熟一般需要180 d左右，試驗從蘋果果實生長發(fā)育的110 d(2013-07-25，細(xì)胞膨大期后)持續(xù)到197 d(2013-10-20)，此階段屬于蘋果的生長發(fā)育后期。每隔10 d左右采樣1次，共采樣9次，所用樣品均為形狀規(guī)則的無缺陷果。本研究共采集樣品199個。

1.2光譜數(shù)據(jù)采集及糖度測定

本研究所用的高光譜成像系統(tǒng)(HyperSIS，北京漢光卓立公司)主要由推掃型成像光譜儀(ImSpector，N17E型，芬蘭)、CCD相機(OPCA05G型，日本)、暗箱和計算機組成。暗箱由4個100 W的白光漫反射型光源和電控移動臺組成。成像光譜儀的波長為900～1 700 nm，光譜分辨率為3.32 nm，曝光時間為10 ms，物距為65 cm，圖像采集速度為20 mm/s。

圖 1　高光譜數(shù)據(jù)采集系統(tǒng)示意圖

在采集高光譜圖像前將系統(tǒng)預(yù)熱約1 h。由于蘋果表面形狀的差異以及各個波段下光源強度分布的不均勻性，需要對圖像進(jìn)行黑白校正[9]，校正公式為：

(1)

式中：R為校正后的漫反射光譜圖像，RO為原始漫反射光譜圖像，W為反射率為99%的標(biāo)準(zhǔn)白色校正板的漫反射圖像，B為全黑的標(biāo)定圖像。

采用ENVI(V.4.8,Reseach Systems Inc.,Boulder,CO.,USA)軟件提取和處理高光譜圖像。由于像素點的分布為正方形，通過對比分析及單一變量原則，選取30像素×30像素的正方形區(qū)域作為感興趣區(qū)域，以該感興趣區(qū)域的平均光譜作為樣品的高光譜。

采集完高光譜圖像后，在樣品赤道上選取均勻分布的4個點，分別挖取適當(dāng)果肉用PR-101α型數(shù)字式折射計(ATAGO,日本)測量SSC，以4點讀數(shù)的平均值作為該樣品的SSC值。整個試驗在(22±2) ℃下進(jìn)行。

1.3樣本劃分

采用SPXY(Sample set partitioning based on jointx-ydistance)算法劃分樣本。SPXY樣本劃分方法由Galv?o等[10]首先提出，是在KS法的基礎(chǔ)上發(fā)展而來的。SPXY的優(yōu)點是在計算樣品間距離時將x變量和y變量同時考慮在內(nèi)，這樣能夠有效地覆蓋多維向量空間，從而改善模型的預(yù)測能力[11]。

1.4光譜預(yù)處理

由于光譜信號容易受到測量環(huán)境、測量條件和儀器性能等因素的影響，使測量得到的光譜信號存在噪聲和譜線平移等干擾，因此需要對原始光譜進(jìn)行預(yù)處理。常用預(yù)處理方法有多元散射校正、標(biāo)準(zhǔn)正態(tài)變量變換(Standard normal variate transformation,SNV)和Savitzky-Golay平滑等。經(jīng)比較分析發(fā)現(xiàn)，SNV法能更好地修正待測樣品的散射，有效地消除噪聲干擾和譜線平移[12]，故本研究選擇SNV法對原始光譜進(jìn)行預(yù)處理。

1.5數(shù)據(jù)降維

高光譜的許多波段包含大量相同的信息，選取有效的特征波長或?qū)庾V數(shù)據(jù)進(jìn)行降維，對于簡化模型、提高模型的穩(wěn)定性和精度非常重要。為此，本研究采用主成分分析法(Principal component analysis,PCA)對高光譜數(shù)據(jù)進(jìn)行降維，用連續(xù)投影算法(Successive projections algorithm,SPA)提取特征波長。

PCA是一種面向模式分類的數(shù)據(jù)降維方法，是在不改變原始數(shù)據(jù)包含信息的基礎(chǔ)上，由高維數(shù)據(jù)空間沿著協(xié)方差最大的方向進(jìn)行投影，最終轉(zhuǎn)化為較少維數(shù)數(shù)據(jù)集的一種方法。PCA能使降維后的數(shù)據(jù)集維持大部分的原始信息，減少數(shù)據(jù)采集過程中噪聲的影響，具有方法簡單、無參數(shù)限制等優(yōu)點，可以方便地應(yīng)用于各種場合[13]。

SPA是一種前向循環(huán)的變量選擇算法，其能從光譜矩陣中選擇含最低限度冗余信息的變量組。在選擇特征波長時，首先選定一個波長進(jìn)行迭代，并在每次迭代中加入新的波長，直到達(dá)到指定的波長數(shù)為止。其迭代的目的是選擇那些冗余量最小的波長，以解決共線性問題[14]。

1.6建模方法

1.6.1偏最小二乘法偏最小二乘(Partial least squares,PLS)法是一種基于最小二乘的多元統(tǒng)計數(shù)據(jù)分析方法，可以在自變量矩陣和因變量矩陣中提取偏最小二乘成分，以達(dá)到降維和消除變量間復(fù)線性關(guān)系的目的[15]。

1.6.2支持向量機支持向量機(Support vector machine,SVM)是一種以統(tǒng)計學(xué)和Vapmik理論為基礎(chǔ)的監(jiān)督式機器學(xué)習(xí)方法[16]。該算法用非線性映射算法將輸入向量空間映射到與較原來維數(shù)更高甚至無窮維的特征空間中，能夠使初始線性不可分的輸入向量變得線性可分，同時在高維空間中利用風(fēng)險最小化理論建立分隔超平面，以達(dá)到較小的分類誤差[17]。

1.6.3極限學(xué)習(xí)機極限學(xué)習(xí)機(Extreme Learning Machine,ELM)是Huang等[18]針對單隱含層前饋神經(jīng)網(wǎng)絡(luò)(SLFN)提出的新算法，該算法具有學(xué)習(xí)速度快、泛化能力強等優(yōu)點，在模式識別和非線性擬合方面具有明顯優(yōu)勢。

1.7模型評判

以校正集樣品的相關(guān)系數(shù)(Rc)、校正集樣品的均方根誤差(Root mean square of calibration set,RMSEC)、預(yù)測集樣品的相關(guān)系數(shù)(Rp)和預(yù)測集樣品的均方根誤差(Root mean square error of predication set,RMSEP)作為評價模型預(yù)測性能的指標(biāo)，模型的Rc和Rp越接近1，RMSEC和RMSEP越小，則模型精度越高。

2結(jié)果與分析

2.1光譜特征分析和預(yù)處理

采集到的原始反射光譜波長為900～1 700 nm，由于原始反射光譜的兩端存在較大的噪聲干擾，故本研究選取931.51～1 691.79 nm波長作為有效原始光譜。用SNV法對有效原始光譜進(jìn)行預(yù)處理，SNV預(yù)處理后的光譜曲線如圖 2所示，后續(xù)的研究將均基于SNV預(yù)處理后的漫反射光譜進(jìn)行分析。

圖 2　經(jīng)SNV法預(yù)處理后的蘋果反射光譜

圖2表明，所有樣品反射光譜曲線的變化規(guī)律基本一致，但各樣品的相對反射率有所不同。反射率不同，說明樣品的內(nèi)部品質(zhì)間存在一定差異，這種差異為利用光譜信息預(yù)測蘋果內(nèi)部品質(zhì)提供了可能。圖2中的曲線有3個明顯的波谷，分別在964.71,1 193.79和1 452.75 nm處，意味著蘋果在此范圍內(nèi)有3個強吸收峰, 其中964.71和 1 452.75 nm處為水的吸收峰，而1 193.79 nm處為果膠的吸收峰[19]。

2.2樣本劃分

按照校正集樣品數(shù)相對于預(yù)測集樣品數(shù)為3∶1的比例，運用SPXY法劃分199個樣品，得到校正集樣品149個，預(yù)測集樣品50個，表1為樣本劃分結(jié)果。由表1可知，校正集蘋果樣品的糖度為8.9～17.7 °Brix，預(yù)測集蘋果樣品的糖度為9.1～17.1 °Brix。校正集樣品的糖度范圍大于預(yù)測集樣品，說明本研究對樣本的劃分是合理的。

表 1　蘋果樣本的劃分結(jié)果

2.3數(shù)據(jù)降維及特征波長提取

2.3.1基于PCA降低數(shù)據(jù)的維數(shù)表2所示為前10個主成分的貢獻(xiàn)率以及累積貢獻(xiàn)率。由表2可知，前7個主成分的累積貢獻(xiàn)率超過了99%，說明這7個主成分能夠表達(dá)原始光譜99%的信息。由于大部分樣品間的光譜差異較小，若選取的主成分較少，可能會丟失部分有效信息，進(jìn)而影響模型的精度。在保證模型具有較小的計算量和計算時間的前提下，本研究以單個變量貢獻(xiàn)率大于0.1%的前9個主成分，作為蘋果糖度預(yù)測模型的輸入變量，該9個主成分的累積貢獻(xiàn)率為99.66%。

表 2　前10個主成分的貢獻(xiàn)率和累積貢獻(xiàn)率

2.3.2基于SPA提取特征波長用SPA提取特征波長數(shù)目時，常根據(jù)校正集的交叉驗證均方根誤差(RMSECV)來確定[20]。本研究中RMSECV的計算公式為：

(2)

式中：n為參與建模的樣品個數(shù)，cei為交叉驗證過程中第i個樣品的測量值，ci為標(biāo)準(zhǔn)方法的測量值。

本研究中設(shè)定的特征波長數(shù)為1～20，所得RMSECV隨特征波長數(shù)的變化規(guī)律如圖3所示。由圖3可知，RMSECV隨特征波長數(shù)的增加而減小，當(dāng)特征波長數(shù)量為13時， RMSECV達(dá)到最低，故選取的特征波長數(shù)為13個，這13個特征波長分別為931.51，971.35，1 004.55，1 057.67，1 127.39，1 173.87，1 230.31，1 303.35，1 356.47，1 389.67，1 532.43，1 585.55和1 691.79 nm。

2.4糖度預(yù)測模型建立

2.4.1PLS模型確定合理的主因子數(shù)是建立PLS模型的關(guān)鍵。主因子數(shù)過少，模型不能反映未知樣品被測組分的光譜變化；而主因子數(shù)過多，會使一些無用信息加入到模型中，兩者都會降低模型的預(yù)測精度[21]。本研究采用交叉驗證方法，計算不同主成分下的RMSECV，根據(jù)最小的RMSECV確定基于全光譜(FS)下的230個波長、SPA提取的13個特征波長和PCA降維后的9個主成分建立的PLS模型的最佳主因子數(shù)見表3，建立的預(yù)測蘋果糖度的PLS模型結(jié)果如表4所示。

圖 3　SPA提取的不同特征波長下的RMSECV值

表 3　預(yù)測蘋果糖度的PLS、SVM和ELM模型的參數(shù)設(shè)定結(jié)果

表 4　基于不同特征變量處理方法所建立模型對蘋果糖度的預(yù)測結(jié)果

表4顯示，F(xiàn)S-PLS具有最好的校正性能，其Rc和RMSEC分別為0.979和0.440 °Brix；而基于SPA建立的PLS(SPA-PLS)模型具有最好的預(yù)測性能，其Rp和RMSEP分別為0.945和0.628 °Brix；基于PCA建立的PLS模型(PLS-PCA)的校正和預(yù)測性能均最差。

2.4.2SVM模型本研究以逼近速度較快、效率較高的徑向基函數(shù)作為SVM模型的核函數(shù)。根據(jù)經(jīng)驗設(shè)置交叉驗證層數(shù)為5，并用K-fold Cross Validation(K-CV)方法確定SVM的懲罰因子(c)和松弛變量(g)，首先將參數(shù)c、g的范圍設(shè)為2×10-8～2×108，利用網(wǎng)格搜索法進(jìn)一步確定精細(xì)范圍為2×10-4～2×104，最終確定c和g的取值見表3。用所建立的SVM模型對蘋果SSC進(jìn)行預(yù)測，結(jié)果見表4。表4表明，F(xiàn)S-SVM模型具有最好的校正性能，其Rc=0.961,RMSEC=0.612 °Brix；SPA-SVM具有最好的預(yù)測性能，其Rp=0.880,RMSEP=1.211 °Brix。

2.4.3ELM模型ELM網(wǎng)絡(luò)模型的輸入層與隱含層間的連接權(quán)值和神經(jīng)元間的閾值是隨機設(shè)定的，只需要設(shè)置各層神經(jīng)元的個數(shù)和激勵函數(shù)便可經(jīng)校正集訓(xùn)練后獲得最優(yōu)解。將激勵函數(shù)設(shè)為sigmoidal函數(shù)，根據(jù)多次重復(fù)建模結(jié)果確定ELM的隱含層節(jié)點數(shù)，其結(jié)果如表3所示。由于ELM參數(shù)是隨機選取的，因此結(jié)果有一定的波動，本研究重復(fù)建模1 000次，以1 000次重復(fù)建模結(jié)果的平均值作為最終結(jié)果(表4)。表4表明，SPA-ELM模型具有最高的Rc(0.942)和Rp(0.938)，同時具有最低的RMESC(0.725 °Brix)和RMSEP(0.664 °Brix)。說明基于SPA所建立的ELM模型(SPA-ELM)具有最好的校正性能和預(yù)測性能。

綜合比較PLS、SVM和ELM模型對成熟期蘋果SSC的預(yù)測結(jié)果，可以發(fā)現(xiàn),SPA提取的特征波長數(shù)為13個，而PCA將全光譜的數(shù)據(jù)壓縮至9個主成分，二者均有效降低了模型的復(fù)雜程度。SPA在減少模型輸入波長數(shù)的同時，還提高了模型的預(yù)測精度。基于SPA建立的所有模型的預(yù)測效果均最優(yōu)，且校正效果也較好。但基于PCA建立的所有模型的校正和預(yù)測效果均最差，說明PCA的前9個主成分并不能很好地反映全光譜的信息，要提高PCA的預(yù)測精度，在計算量適當(dāng)?shù)那闆r下需要相應(yīng)增加主成分的數(shù)量。3種模型中，SVM模型的RMSEP均較大，說明SVM模型的預(yù)測性能較差，不適宜用于生長發(fā)育后期蘋果糖度的預(yù)測分析。所有模型中，預(yù)測性能最好的是SPA-PLS模型，其Rp=0.945，RMSEP=0.628 °Brix，具有良好的預(yù)測相關(guān)系數(shù)和較低的誤差，說明預(yù)測生長發(fā)育后期“富士”蘋果糖度的最佳模型是SPA-PLS，這也將為后續(xù)研究及相關(guān)模型的設(shè)計提供方法和技術(shù)支持。

3結(jié)論

本研究基于高光譜成像技術(shù)建立了生長發(fā)育后期“富士”蘋果糖度的PLS、SVM和ELM預(yù)測模型，并分別比較了應(yīng)用SPA和PCA提取特征波長或數(shù)據(jù)降維對簡化模型、提高模型預(yù)測性能的影響，得到的結(jié)論如下：

1)SPA從230個波長的全光譜中提取出了13個特征波長，其波長數(shù)僅是全光譜波長數(shù)的 5.65%；采用PCA提取出了9個主成分，變量數(shù)是全光譜中230個變量的 3.91%。 2種方法均降低了模型的輸入變量個數(shù)，使建立的模型更加簡化。

2)對基于全光譜、SPA提取特征波長和PCA提取的主成分所建立模型的比較結(jié)果說明，在各種建模方法中，基于SPA提取特征波長建立的模型具有最好的預(yù)測性能，而基于PCA提取主成分建立模型的校正性能和預(yù)測性能最差，說明SPA能有效提高模型的預(yù)測能力。

3)預(yù)測生長發(fā)育后期“富士”蘋果SSC的最佳模型是SPA-PLS，其較高的相關(guān)系數(shù)和較低的預(yù)測誤差說明高光譜成像技術(shù)可用于生長發(fā)育后期蘋果糖度的無損檢測，這將為蘋果的適時采收提供一種新的判斷依據(jù)。

[參考文獻(xiàn)]

[1]陳磊.蘋果價格下滑，果農(nóng)果商如何應(yīng)對 [J].果農(nóng)之家,2015,163(12):43-45.

Chen L.As the falling prices of apple，growers how to deal with [J].Fruit Grower’s Friend,2015,163(12):43-45.(in Chinese)

[2]孟憲軍，公麗艷，畢金峰，等.中早熟蘋果果實品質(zhì)因子的選擇 [J].食品科學(xué),2013,34(23):72-76.

Meng X J,Gong L Y,Bi J F,et al.Selection of factors for evaluating fruit quality of mid-early ripening apple cultivars [J].Food Science,2013,34(23):72-76.(in Chinese)

[3]Dong J，Guo W.Nondestructive determination of apple internal qualities using near-infrared hyperspectral reflectance imaging [J].Food Analytical Methods,2015,8(10):2635-2646.

[4]Xing J，De Baerdemaeker J.Bruise detection on ‘Jonagold’ apples using hyperspectral imaging [J].Postharvest Biology and Technology,2005,37(2):152-162.

[5]Mendoza F，Lu R，Ariana D，et al.Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content [J].Postharvest Biology and Technology,2011,62(2):149-160.

[6]Zhao J，Chen Q，Vittayapadung S,et al.Determination of apple firmness using hyperspectral imaging technique and multivariate calibrations [J].Transactions of the Chinese Society of Agricultural Engineering,2009,25(11):226-231.

[7]馬寶焜，徐繼忠，袁小亂.紅富士蘋果不同采收期對品質(zhì)的影響 [J].果樹科學(xué),1989,6(1):50-51.

Ma B K,Xu J Z,Yuan X L.The effect on quality of the ‘FUJI’ Apple in different picking period [J].Journal of Fruit Science,1989,6(1):50-51.(in Chinese)

[8]申曙光，馬寶焜，陳四維.紅富士蘋果果實發(fā)育期間生理生化變化的研究 [J].果樹科學(xué),1991,8(1):1-6.

Shen S G,Ma B K,Chen S W.Studies on physiological and biochemical changes during the development of the “FUJI” apple fruit [J].Journal of Fruit Science,1991,8(1):1-6.(in Chinese)

[9]董金磊，郭文川.采后獼猴桃可溶性固形物含量的高光譜無損檢測 [J].食品科學(xué),2015,36(16):101-106.

Dong J L,Guo W C.Nondestructive detection of soluble solid content of postharvest kiwifruits based on hypersectral imaging technology [J].Food Science,2015,36(16):101-106.(in Chinese)

[11]Chen J，Ren X，Zhang Q，et al.Determination of protein,total carbohydrates and crude fat contents of foxtail millet using effective wavelengths in NIR spectroscopy [J].Journal of Cereal Science,2013,58(2):241-247.

[12]Feng Y，Sun D.Near-infrared hyperspectral imaging in tandem with partial least squares regression and genetic algorithm for non-destructive determination and visualization ofPseudomonasloads in chicken fillets [J].Talanta,2013,109(9):74-83.

[13]王銘海，郭文川，商亮，等.基于近紅外漫反射光譜的多品種桃可溶性固形物的無損檢測 [J].西北農(nóng)林科技大學(xué)學(xué)報(自然科學(xué)版),2014,42(2):142-148.

Wang M H,Guo W C,Shang L,et al.Nondestructive detection of soluble solids content for multiple peach fruits using near-infrared diffuse reflectance spectra [J].Journal of Northwest A&F University(Natural Science Edition),2014,42(2):142-148.(in Chinese)

[14]Wu D，He Y，Nie P，et al.Hybrid variable selection in visible and near-infrared spectral analysis for non-invasive quality determination of grape juice [J].Analytica Chimica Acta,2010,659(1/2):229-237.

[15]Liu Y，Sun X，Ouyang A.Nondestructive measurement of soluble solid content of navel orange fruit by visible-NIR spectrometric technique with PLSR and PCA-BPNN [J].LWT-Food Science and Technology,2010,43(4):602-607.

[16]Vapnik V N.Statistical learning theory [M].New York:Wiley-Interscience,1998.

[17]Bassbasi M，Platikanov S，Tauler R，et al.FTIR-ATR determination of solid non fat (SNF) in raw milk using PLS and SVM chemometric methods [J].Food Chemistry,2014,146(3):250-254.

[18]Huang G，Zhu Q，Siew C.Extreme learning machine:theory and applications [J].Neurocomputing,2006,70(1/2/3):489-501.

[19]Kamruzzaman M，Elmasry G，Sun D，et al.Prediction of some quality attributes of lamb meat using near-infrared hyperspectral imaging and multivariate analysis [J].Analytica Chimica Acta,2012,714:57-67.

[20]Xu H，Qi B，Sun T，et al.Variable selection in visible and ne-ar-infrared spectra:application to on-line determination of sugar content in pears [J].Journal of Food Engineering,2012,109(1):142-147.

[21]Guo W，Zhao F，Dong J.Nondestructive measurement of soluble solids content of kiwifruits using near-infrared hyperspectral imaging [J].Food Analytical Methods,2015,9(1):1-10.

Hyperspectral imaging based non-destructive prediction of soluble solids content in apples at late development period

MENG Tian-yuan,WANG Zhuan-wei,CHI Qian,ZHAO Fan,WENG Xiao-feng

(CollegeofMechanicalandElectronicEngineering,NorthwestA&FUniversity,Yangling,Shaanxi712100,China)

Abstract:【Objective】 This study investigated the feasibility of using hyperspectral image technique to nondestructively predict soluble solids content (SSC) of apples at the late development period. 【Method】 ‘Fuji’ apples were used as samples to acquire hyperspectral images from 900 nm to 1 700 nm.Three prediction models,partial least squares (PLS),support vector machine (SVM) and extreme learning machine (ELM),were built.The effect of characteristic wavelength selection method of successive projections algorithm (SPA) and data compression method of principal component analysis (PCA) were compared according to model predication accuracy.【Result】 Nine principal components were compressed by PCA and 13 characteristic wavelengths were selected by SPA from the full spectra (230 wavelengths).SPA improved the prediction performance effectively.The best model for SSC prediction of apples at late development period was SPA-PLS,whose correlation coefficient and root mean square error of prediction were 0.945 and 0.628 °Brix,respectively.【Conclusion】 Hyperspectral imaging technique could be used as a noninvasive method for predicting SSC of apples at late development period.This technique is helpful to instruct apple planting and harvest timely.

Key words:hyperspectral imaging;soluble solids content in apple;non-destructive prediction

DOI：網(wǎng)絡(luò)出版時間:2016-05-0314:0510.13207/j.cnki.jnwafu.2016.06.031

[收稿日期]2015-12-31

[基金項目]國家科技支撐計劃項目(2015BAD19B03)；國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目(201410712021)

[作者簡介]孟田源(1994-)，男，河北衡水人，本科在讀，主要從事農(nóng)產(chǎn)品無損檢測技術(shù)研究。E-mail:cs11361136@qq.com [通信作者]王轉(zhuǎn)衛(wèi)(1974-)，女，陜西富平人，講師，主要從事農(nóng)產(chǎn)品和食品無損檢測技術(shù)與應(yīng)用研究。 E-mail:wzw630@126.com

[中圖分類號]S123；S661.1

[文獻(xiàn)標(biāo)志碼]A

[文章編號]1671-9387(2016)06-0228-07

網(wǎng)絡(luò)出版地址:http://www.cnki.net/kcms/detail/61.1390.S.20160503.1405.062.html