楊杰+馬本學(xué)+王運(yùn)祥+王靜++徐潔

摘要：為明確采用高光譜成像技術(shù)對葡萄可溶性固形物（SSC）檢測的可行性。以高光譜成像系統(tǒng)為試驗(yàn)儀器，采集葡萄樣本的漫反射光譜，對比分析不同光程校正方法、不同預(yù)處理方法對建模精度的影響，建立不同的葡萄SSC定量預(yù)測模型。研究結(jié)果表明，在波段500～1 000 nm的范圍內(nèi)，采用經(jīng)過標(biāo)準(zhǔn)正態(tài)變化、一階微分和Savitzky-Golay平滑相結(jié)合預(yù)處理后的偏最小二乘法建模方法預(yù)測能力最強(qiáng)，校正集相關(guān)系數(shù)（rc）為0.912 6，校正集均方根誤差（RMESC）為0.542，預(yù)測集相關(guān)系數(shù)（rp）為0.854 0，預(yù)測集均方根誤差（RMESP）為0.758。由結(jié)果可知，應(yīng)用高光譜成像技術(shù)可以對葡萄可溶性固形物含量進(jìn)行無損檢測。

關(guān)鍵詞：高光譜成像技術(shù)；葡萄；可溶性固形物；無損檢測

中圖分類號： S663.101文獻(xiàn)標(biāo)志碼： A文章編號：1002-1302（2016）06-0401-02

收稿日期：2015-05-15

基金項(xiàng)目：國家科技支撐計(jì)劃（編號：2015BAD19B03）。

作者簡介：楊杰（1990—），男，山西天鎮(zhèn)人，碩士研究生，主要從事農(nóng)業(yè)裝備自動控制與智能檢測技術(shù)研究。E-mail：gexijieshaoyj@163.com。

通信作者：馬本學(xué)，博士，教授，主要從事農(nóng)產(chǎn)品智能化檢測與分級裝備研究。E-mail：mbx_shz@163.com。葡萄是世界四大果品之一，不僅鮮食美味可口，有利于人體新陳代謝，且具有豐富的營養(yǎng)價值，享有“水果皇后”的美譽(yù)?？扇苄怨绦挝铮⊿SC）是反映葡萄營養(yǎng)物質(zhì)多少的重要化學(xué)成分指標(biāo)，是影響葡萄收獲及市場銷售的重要因素，而傳統(tǒng)的SSC化學(xué)檢測方法費(fèi)時費(fèi)力而且有破壞性[1]。

高光譜成像技術(shù)，作為一種新興光學(xué)無損檢測技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測方面被廣泛關(guān)注和應(yīng)用，尤其在水果品質(zhì)檢測方面，高光譜成像技術(shù)能夠分析水果的內(nèi)外品質(zhì)，如糖度、堅(jiān)實(shí)度、水分含量、損傷、農(nóng)藥殘留、病蟲害[2-7]等。國外學(xué)者研究利用高光譜成像技術(shù)對水果品質(zhì)進(jìn)行無損檢測已有較長時間，并取得了較好的研究成果[8-11]。相比之下，國內(nèi)在此方面起步較晚，但成果突出，已取得的研究結(jié)果證明該技術(shù)具有較大的研究價值和研究空間[12]。

本研究以新疆特色葡萄品種紅提為對象，采用高光譜成像系統(tǒng)獲取光譜信息并進(jìn)行建模預(yù)測結(jié)果分析，選取最優(yōu)建模方法，探討高光譜成像技術(shù)預(yù)測葡萄內(nèi)部特征的可行性。

1材料與方法

1.1葡萄樣本

試驗(yàn)選取80個葡萄果穗，并從每個果穗上的穗節(jié)部、穗中部、穗內(nèi)部、穗尖部各選3粒葡萄果粒（共12粒）作為1個樣本，共80個樣本。在環(huán)境溫度為20 ℃、相對濕度為50%的實(shí)驗(yàn)室條件下放置1 d。

1.2高光譜成像系統(tǒng)

高光譜成像系統(tǒng)包括基于光譜儀的高光譜分光儀（Imspector V10E-QE）、線陣CCD攝像機(jī)（Hamamstsu）、150 W鹵化物光源（3900，Schott）、1 套高精度輸送裝置（Zolix，SC300-1A）和計(jì)算機(jī)等部件組成。光譜采集區(qū)域?yàn)?08～1 013 nm，光譜分辨率為2.8 nm。

1.3葡萄樣本光譜采集和參數(shù)測定

高光譜圖像數(shù)據(jù)獲取基于Spectral-cube軟件。將光譜數(shù)據(jù)采集曝光時間設(shè)定為12.7 ms，電控位移臺速度為 3.54 mm/s，保證圖像清晰不失真。為了防止基線漂移，圖像采集前將高光譜圖像采集系統(tǒng)打開預(yù)熱30 min。不同波段下光源強(qiáng)度分布不均勻及攝像頭中暗電流存在都會造成圖像中含有噪聲，因此要對高光譜圖像進(jìn)行黑白校正[13] 。

1.4葡萄樣本SSC測定

在光譜采集結(jié)束后，立即進(jìn)行葡萄樣本SSC的測定。糖度測定采用折射式糖度計(jì) PR-101α（0～45°Brix）測量SSC含量，將每個樣本的12粒葡萄剝皮榨汁，將葡萄汁滴于折光儀鏡面，測量并讀數(shù)記錄，每個樣本測量3次，取平均值作為該樣本的SSC值。

2結(jié)果與分析

2.1光譜數(shù)據(jù)獲取

采用ENVI 4.7（Research system Inc，Boulder，Co.USA）軟件處理采集到的高光譜圖像。對每個樣本、每粒葡萄的圖像避開飽和區(qū)域選取1個50×50 pixels 的區(qū)域作為感興趣區(qū)域（region of interest，ROI）。由于小于500 nm、大于1 000 nm的光譜數(shù)據(jù)存在明顯噪聲，因此試驗(yàn)選取500～1 000 nm波長范圍的光譜進(jìn)行平均反射量計(jì)算，獲取的光譜見圖1。

2.2校正集樣本劃分

試驗(yàn)將紅提葡萄80個樣本作為建模集。采用含量梯度法[14]對校正集樣本進(jìn)行挑選，將建模樣本依SSC含量從低到高排序，按照3 ∶ 1的比例進(jìn)行等梯度劃分校正集、預(yù)測集，最終校正集含有60個樣本，預(yù)測集含有20個樣本，被測葡萄SSC實(shí)測值的統(tǒng)計(jì)量見表1。

2.3模型評估標(biāo)準(zhǔn)

所建模型準(zhǔn)確性由校正集相關(guān)系數(shù)為rc、預(yù)測集相關(guān)系數(shù)為rp，校正集均方根誤差為RMSEC和預(yù)測集均方根誤差為RMSEP來評價。相關(guān)系數(shù)越大，均方根誤差越小，并且RMSEP與RMSEC差異越小，模型的精度越高，穩(wěn)定性越好。

2.4光譜校正方法的選擇

光譜校正是對由于葡萄個體差異及實(shí)際物距不一致對光譜所造成的影響進(jìn)行相應(yīng)的處理，以減少對建模效果的影響，更利于建模時有用信息的提取。

本研究采用多元散射校正（multiplicative signal correction，MSC）和標(biāo)準(zhǔn)正態(tài)變化（standard normal variate，SNV）2種光譜校正方法對原始光譜進(jìn)行預(yù)處理，在500～1 000 nm段范圍內(nèi)建立PLS模型，分析其對模型性能的影響，確定合適的光譜校正方法。

原始光譜經(jīng)MSC、SNV光譜校正后的PLS建模結(jié)果見表2。原始光譜經(jīng)過SNV光譜校正后，預(yù)測模型和校正模型的精度和穩(wěn)定性都有所提高，校正集相關(guān)系數(shù)rc由0.758 9提高到0.781 5，預(yù)測集相關(guān)系數(shù)rp也由0.667 9提高到0.754 0，校正均方根誤差RMSEC和預(yù)測均方根誤差RMSEP均變小，模型的精度和穩(wěn)定性都有所改善。因此，對于原始光譜，最優(yōu)的光譜校正方法是SNV。

2.5微分光譜的選擇與分析

通過選擇不同微分處理，可以有效地消除在光譜采集過程中發(fā)生的光譜數(shù)據(jù)基線偏移和背景噪音的干擾，起到放大和分離重疊信息的作用，更有利于提取有用信息。S-G平滑處理不僅能去除一部分隨機(jī)噪聲，而且能在一定程度上提高光譜信噪比。

采用SNV進(jìn)行光程校正，結(jié)合不同預(yù)處理方法[一階微分（First derivative，1-Der）、二階微分（Second derivative，2-Der）、1-Der+S-G平滑、2-Der+S-G平滑處理]建立預(yù)測模型，模型結(jié)果見表3。結(jié)果表明，由經(jīng)過一階微分結(jié)合 S-G平滑處理的模型相關(guān)系數(shù)看出，模型的預(yù)測能力優(yōu)于其他預(yù)處理結(jié)果。

2.6定量模型的建立與評估

本試驗(yàn)采用偏最小二乘法（partial least square，PLS）、主成分回歸（principal components regression，PCR），逐步多元線性回歸（stepwise multiple linear regression，SMLR）方法對經(jīng)過SNV、First derivative 結(jié)合S-G平滑預(yù)處理后的光譜建立SSC預(yù)測模型，建模比較分析結(jié)果見表4。結(jié)果表明，應(yīng)用PLS方法所建模的結(jié)果較優(yōu)，模型預(yù)測精度和穩(wěn)定性均比其他2個模型的效果好，光譜經(jīng)SNV+1-Der+S-G處理后應(yīng)用PLS建模預(yù)測見圖2。

3結(jié)論

本研究應(yīng)用高光譜成像技術(shù)檢測紅提葡萄內(nèi)部可溶性固形物含量，并建立了紅提葡萄可溶性固形物檢測定量模型。結(jié)果表明，采用PLS建模方法取得較好預(yù)測效果。應(yīng)用PLS對經(jīng)過SNV、1-Der和S-G平滑相結(jié)合預(yù)處理后的光譜建立預(yù)測模型，rc為0.912 6，RMSEC為0.542，rp為0.854 0，RMSEP為0.758。

參考文獻(xiàn)：

[1]王亮，尚會建，王麗梅，等. 葡萄糖檢測方法研究進(jìn)展[J].河北工業(yè)科技，2010，27（2）：132-135.

[2]王斌，尹麗華，張淑娟. 梨棗糖度無損檢測建模分析——基于高光譜成像技術(shù)[J].農(nóng)機(jī)化研究，2014，36（10）：50-53，57.

[3]李鋒霞，馬本學(xué)，何青海，等. 哈密瓜堅(jiān)實(shí)度的高光譜無損檢測技術(shù)[J].光子學(xué)報(bào)，2013，42（5）：592-595.

[4]李丹，何建國，劉貴珊，等. 基于高光譜成像技術(shù)的小黃瓜水分無損檢測[J].紅外與激光工程，2014，43（7）：2393-2397.

[5]張保華，黃文倩，李江波，等. 用高光譜成像和PCA檢測蘋果的損傷和早期腐爛[J].紅外與激光工程，2013（增刊2）：279-283.

[6]張令標(biāo)，何建國，劉貴珊，等. 基于可見/近紅外高光譜成像技術(shù)的番茄表面農(nóng)藥殘留無損檢測[J].食品與機(jī)械，2014，30（1）：82-85.

[7]田有文，程怡，王小奇，等. 基于高光譜成像的蘋果蟲害檢測特征向量的選取[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（12）：132-139.

[8]Maruo T，Ito T. Nondestructive evaluation of ripeness and soluble solids content in melon and fruits using laser[J] Acta Horticulture，2002，588：373-375.

[9]Polder G，Gerie W A M，van der Heijden. Calibration and characterization of imaging spectrographs[J]. Near-Infrared Spectroscopy，2003，11：193-210.

[10]Polder G A，Leiva-Valenzuela L，Lu R F，et al. Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging[J]. Journal of Food Engineering，2013，115：91-98.

[11]Rajkumar P，Wang N，Elmasry G，et al. Studies on banana fruit quality and maturity stages using hyperspectral imaging[J]. Journal of Food Engineering，2012，108（1）：194-200.

[12]吳龍國，何建國，賀曉光，等. 高光譜圖像技術(shù)在水果無損檢測中的研究進(jìn)展[J].激光與紅外，2013，43（9）：990-996.

[13]徐爽，何建國，易東，等. 基于高光譜圖像技術(shù)的長棗糖度無損檢測[J].食品與機(jī)械，2012，28（6）：168-170.

[14]Lleti R，Melendeza E，Ortizm C，et al. Outliers in partial least squares regression application to calibration of wine grade with mean infrared data[J]. Analytica Chimica Acta，2005，544（1/2）：60-70.