孟慶龍，尚靜，黃人帥，撒雄星，張艷

（1.貴陽(yáng)學(xué)院食品與制藥工程學(xué)院，貴州貴陽(yáng)550005；2.貴陽(yáng)學(xué)院農(nóng)產(chǎn)品無損檢測(cè)工程研究中心，貴州貴陽(yáng)550005）

“貴長(zhǎng)”獼猴桃是美味獼猴桃品種中的優(yōu)良品種，1989年貴州省修文縣開始引入該品種，目前已發(fā)展成為當(dāng)?shù)氐奶厣匪灰约爸еa(chǎn)業(yè)[1]。在獼猴桃采收時(shí)，為了延長(zhǎng)其貯藏時(shí)間，經(jīng)常采摘還未成熟的果實(shí)，但是如果過早采摘，果實(shí)就會(huì)特別生硬，這將會(huì)使口感受到影響，果實(shí)也易受冷害；若過晚采摘，由于果實(shí)十分柔軟易腐爛而難以貯藏[2-3]。獼猴桃的糖度是衡量其成熟度的關(guān)鍵指標(biāo)之一，因此，開展獼猴桃糖度的快速無損檢測(cè)研究對(duì)于指導(dǎo)其采收時(shí)間、采后儲(chǔ)藏和加工具有非常重要的意義。

檢測(cè)水果糖度的傳統(tǒng)方法是使用折射儀測(cè)量被擠出果汁的糖度[4]，然而這種方法存在破損樣本的缺點(diǎn)?；诠庾V技術(shù)的無損檢測(cè)方法具有諸多優(yōu)勢(shì)，比如分析速度快、無污染、無損傷等，所以，近年來，這種方法已被廣泛地用于水果品質(zhì)的快速檢測(cè)[5-8]。目前，世界各地研究學(xué)者已開展了關(guān)于李子[9]、草莓[10]、蘋果[11-13]、西瓜[14]、梨[15-16]、藍(lán)莓[17]和橙子[18-19]等水果糖度的無損檢測(cè)，并取得了一定的成果。董金磊等[4]研究了采后貯藏期間獼猴桃糖度的無損檢測(cè)。Hu等[5]無損監(jiān)測(cè)了1-甲基環(huán)丙烯（1-methylcyclopropene，1-MCP）對(duì)成熟后獼猴桃中糖分積累的誘導(dǎo)機(jī)制。但是，對(duì)于不同成熟度獼猴桃糖度的無損檢測(cè)卻未見報(bào)道，而且在水果品質(zhì)無損檢測(cè)中應(yīng)用的光譜技術(shù)存在數(shù)據(jù)量冗余的問題，嚴(yán)重影響了預(yù)測(cè)模型的檢測(cè)效率。

本文采用紫外/可見光譜采集系統(tǒng)獲取不同成熟期“貴長(zhǎng)”獼猴桃的反射光譜；比較3種光譜預(yù)處理方法（一階導(dǎo)數(shù)、多元散射校正、標(biāo)準(zhǔn)正態(tài)變換）對(duì)光譜的預(yù)處理效果，然后應(yīng)用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法從全波段中提取特征波長(zhǎng)；最后，基于全光譜和特征光譜分別構(gòu)建預(yù)測(cè)獼猴桃糖度的誤差反向傳播（error back propagation，BP）網(wǎng)絡(luò)模型，確定最優(yōu)預(yù)測(cè)模型，以期為獼猴桃糖度無損檢測(cè)裝備的開發(fā)提供理論基礎(chǔ)。

1 材料與方法

1.1 試驗(yàn)材料

不同成熟期（未熟期、半熟期、成熟期、過熟期）“貴長(zhǎng)”獼猴桃于2019年9月17日至2019年10月19日分4批次采自貴州省修文縣龍關(guān)口獼猴桃果園，樣品從不同的果樹上隨機(jī)采摘，每批次采摘50個(gè)無病蟲害且無機(jī)械損傷的樣品，共計(jì)200個(gè)。樣品采摘后立即運(yùn)到實(shí)驗(yàn)室，用柔軟的紙品輕輕地擦掉獼猴桃樣品表面的塵土等雜物，依次對(duì)其編號(hào)后在室溫（22±2）℃條件下采集光譜并測(cè)定糖度。

1.2 試驗(yàn)儀器

數(shù)字手持袖珍折射儀（ATAGO PAL-α）：日本Atago公司。光譜采集系統(tǒng)：蔚海光學(xué)儀器（上海）有限公司，該系統(tǒng)由：光譜儀（QEPro，波長(zhǎng)范圍為198.2 nm～1 006.4 nm，分辨率為 2.84 nm～3 nm）、光纖（R600-7-VIS-125F，直徑為 600 μm）、鹵鎢燈光源（HL-2000，波長(zhǎng)范圍為 360 nm～2 400 nm）、反射探頭支架（RPH-1）、適配器（RPH-ADP）、標(biāo)準(zhǔn)反射白板（WS-1）、計(jì)算機(jī)（Lenovo）等構(gòu)成，如圖1所示。

圖1 反射式光譜采集系統(tǒng)Fig.1 Schematic diagram of spectra acquisition system

1.3 方法

1.3.1 反射光譜采集

試驗(yàn)根據(jù)測(cè)試標(biāo)準(zhǔn)反射白板的光譜強(qiáng)度，調(diào)節(jié)積分時(shí)間和平均次數(shù)等參數(shù)，并保證測(cè)量獼猴桃時(shí)的參數(shù)一致。其中，系統(tǒng)的積分時(shí)間為110 ms，掃描平均次數(shù)為8，滑動(dòng)平均寬度為1。將待測(cè)獼猴桃緊貼在RPH-1上（通過RPH-ADP將反射探頭固定在RPH-1上，反射探頭支架表面距離樣本約1 cm），光譜采集部位為獼猴桃赤道位置，5次采集的平均值作為該樣本的數(shù)據(jù)，光譜采集由軟件OceanView（Ocean Optics，Copyright 2013）控制完成。

1.3.2 糖度的測(cè)定

試驗(yàn)采用數(shù)字手持袖珍折射儀測(cè)定獼猴桃糖度值，折射儀的測(cè)量范圍：0.0～85%，測(cè)量精確度：±0.2%。先將獼猴桃榨汁后再離心（離心機(jī)的轉(zhuǎn)速為3000r/min，離心時(shí)間為5 min），再將獼猴桃汁涂抹在折光棱鏡的鏡面上，連續(xù)按測(cè)量鍵按鈕多次，當(dāng)最后液晶顯示屏3次顯示值一致時(shí)記錄該值。

1.3.3 光譜處理及模型評(píng)價(jià)

1.3.3.1 光譜預(yù)處理及特征波長(zhǎng)提取

試驗(yàn)采用一階導(dǎo)數(shù)（first-order derivative，D1st）、標(biāo)準(zhǔn)正態(tài)變換（standard normal variation，SNV）和多元散射校正（multi-scatter malibration，MSC）對(duì)原始光譜進(jìn)行預(yù)處理。應(yīng)用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（competitive adaptive reweighted sampling，CARS）選取特征波長(zhǎng)，該算法的核心是利用自適應(yīng)重加權(quán)采樣技術(shù)和指數(shù)衰減函數(shù)篩選出每次循環(huán)所建偏最小二乘（partial least square，PLS）模型中回歸系數(shù)絕對(duì)值大的變量點(diǎn)，利用五折交叉驗(yàn)證提取出n個(gè)PLS子集模型中交叉驗(yàn)證均方根誤差（root mean squares errors for cross validation，RMSECV）最小的子集，然后將其確定為最優(yōu)的變量子集[20]。光譜預(yù)處理及特征波長(zhǎng)的選取在MATLAB R2016b軟件中執(zhí)行。

1.3.3.2 建模方法及模型評(píng)價(jià)方法

試驗(yàn)采用誤差反向傳播（error back propagation，BP）網(wǎng)絡(luò)分別構(gòu)建了基于全光譜和特征光譜的獼猴桃糖度預(yù)測(cè)模型，BP網(wǎng)絡(luò)模型是當(dāng)前使用很廣泛的人工神經(jīng)網(wǎng)絡(luò)模型之一[21]。

將校正集決定系數(shù)（RC2）及其均方根誤差（root mean squares errors for calibration，RMSEC），預(yù)測(cè)集的決定系數(shù)（RP2）及其均方根誤差（root mean squares errors for prediction，RMSEP），剩余預(yù)測(cè)偏差（residual predictive deviation，RPD）作為模型性能的評(píng)價(jià)指標(biāo)。通常一個(gè)好的預(yù)測(cè)模型具有較大的RC2、RP2和RPD值，以及較小的RMSEC和RMSEP值。RPD值位于1.5到2之間意味著模型的預(yù)測(cè)性能較差，RPD值位于2到2.5之間表明模型可以粗略地完成定量預(yù)測(cè)，當(dāng)RPD值位于2.5到3之間甚至大于3時(shí)說明模型具有非常好的預(yù)測(cè)性能[22]。

式中：nC和nP為校正集和預(yù)測(cè)集中的樣本數(shù)；yact和ymean為樣本糖度實(shí)測(cè)值和平均值；ycal和ypre為校正集和預(yù)測(cè)集中樣本糖度預(yù)測(cè)值；SD為預(yù)測(cè)集中樣本實(shí)測(cè)值的標(biāo)準(zhǔn)偏差。

2 結(jié)果與分析

2.1 反射光譜及預(yù)處理

由于原始光譜的首末兩頭含有較多的噪聲，因此剔除前10個(gè)和后10個(gè)波段，選擇波段206.33 nm～999.06 nm為有效光譜區(qū)域，此區(qū)域共有1 024個(gè)波段。獼猴桃的原始反射光譜（a）以及經(jīng)過SNV（b）、MSC（c）和D1st（d）預(yù)處理后的相對(duì)反射光譜見圖2。

從圖2可以看出，在波長(zhǎng)675 nm附近的吸收峰是由表面葉綠素的吸收而產(chǎn)生的，反映了獼猴桃表面的顏色信息，波長(zhǎng)980 nm相近的吸收峰則是由水分的吸收而產(chǎn)生的，體現(xiàn)了獼猴桃的水分含量信息。

圖2 獼猴桃的反射光譜Fig.2 Reflectance spectra of kiwifruits

2.2 獼猴桃糖度統(tǒng)計(jì)分析

不同成熟期獼猴桃糖度的統(tǒng)計(jì)數(shù)據(jù)見表1。

表1 不同成熟期獼猴桃糖度統(tǒng)計(jì)數(shù)據(jù)Table 1 Statistics data of sugar content of different maturity of kiwifruits

表1表明，獼猴桃的糖度隨著其逐漸成熟而增大。在構(gòu)建回歸預(yù)測(cè)模型之前，需要基于采集的光譜數(shù)據(jù)和測(cè)定的糖度將所有獼猴桃樣本劃分為校正樣本集和預(yù)測(cè)樣本集，校正集中糖度的范圍要比預(yù)測(cè)集的范圍寬是劃分樣本集的評(píng)判標(biāo)準(zhǔn)。研究采用基于聯(lián)合x-y距離的樣本集劃分法（sample set partitioning based on joint x-y distances，SPXY）[23]將200個(gè)獼猴桃按照3∶1的比例劃分為校正集（150個(gè)）和預(yù)測(cè)集（50個(gè)）。

校正集和預(yù)測(cè)集中獼猴桃糖度的統(tǒng)計(jì)數(shù)據(jù)見表2。

從表2可見，校正集中獼猴桃糖度的范圍要比預(yù)測(cè)集中的范圍寬，這樣劃分的樣本集有利于構(gòu)建預(yù)測(cè)性能較好的模型。

表2 校正集和預(yù)測(cè)集中獼猴桃糖度統(tǒng)計(jì)數(shù)據(jù)Table 2 Statistics data of sugar content of kiwifruits in calibration and prediction set

2.3 特征波長(zhǎng)提取

利用CARS選取特征波長(zhǎng)時(shí)，其蒙特卡洛采樣次數(shù)設(shè)定為50次，利用五折交叉驗(yàn)證方法計(jì)算所構(gòu)建PLS模型的RMSECV?；贑ARS從全波段中選取特征波長(zhǎng)的結(jié)果見圖3。

圖3 基于CARS算法從全波段中提取特征波長(zhǎng)的結(jié)果Fig.3 Characteristic wavelengths selection from full spectra by CARS algorithm

從圖3（b）可以看出第29次采樣獲得的RMSECV值最小，包含29個(gè)特征波長(zhǎng)（占總波長(zhǎng)量的2.8%），圖3（d）給出了選取的特征波長(zhǎng)分布情況，主要位于207.97 nm～390.45 nm，以及810.60 nm～959.22 nm之間。

2.4 BP網(wǎng)絡(luò)建模結(jié)果

分別將全光譜（full spectra，F(xiàn)S）和CARS提取的特征光譜作為BP網(wǎng)絡(luò)模型的自變量，校正集和預(yù)測(cè)集中獼猴桃糖度實(shí)測(cè)值作為因變量，構(gòu)建不同成熟度獼猴桃糖度預(yù)測(cè)模型。不同預(yù)測(cè)模型對(duì)獼猴桃糖度的檢測(cè)結(jié)果見表3。

表3 不同預(yù)測(cè)模型對(duì)獼猴桃糖度的檢測(cè)結(jié)果Table 3 Sugar content prediction results of kiwifruits by different prediction model

從表3可以明顯看出，相比于基于全光譜建立的預(yù)測(cè)模型而言，基于特征光譜構(gòu)建的預(yù)測(cè)模型不僅提升了模型的檢測(cè)效率（從1 024個(gè)全波段中選取了29個(gè)特征波長(zhǎng)），而且模型的預(yù)測(cè)性能得到了明顯的提升（RPD值從2.3～2.6之間提高到了2.8～3.3之間），其中SNV-CARS-BP模型的預(yù)測(cè)性能最優(yōu)，其預(yù)測(cè)集決定系數(shù)RP2=0.901，均方根誤差RMSEC=0.643%，剩余預(yù)測(cè)偏差RPD=3.217大于3進(jìn)一步說明該模型對(duì)不同成熟度獼猴桃糖度的預(yù)測(cè)效果非常好[5]。SNVCARS-BP模型對(duì)獼猴桃糖度的預(yù)測(cè)結(jié)果見圖4。

圖4 獼猴桃糖度的預(yù)測(cè)結(jié)果Fig.4 Prediction results of sugar content of kiwifruits

3 結(jié)論

本研究以不同成熟期“貴長(zhǎng)”獼猴桃為研究對(duì)象，利用紫外/可見光譜采集系統(tǒng)采集了校正集和預(yù)測(cè)集中樣本的反射光譜。為了提升預(yù)測(cè)模型的精確度和穩(wěn)定性，比較分析3種光譜預(yù)處理方法（D1st、MSC、SNV）對(duì)光譜的預(yù)處理效果，得出SNV預(yù)處理效果最優(yōu)；為解決在水果品質(zhì)無損檢測(cè)中應(yīng)用的光譜技術(shù)存在數(shù)據(jù)量冗余的問題，應(yīng)用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法對(duì)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行降維，從1 024個(gè)全波段中選取了29個(gè)特征波長(zhǎng)作為特征光譜，提升了預(yù)測(cè)模型的檢測(cè)效率；基于全光譜和特征光譜分別構(gòu)建預(yù)測(cè)獼猴桃糖度的BP網(wǎng)絡(luò)模型，得出構(gòu)建的SNV-CARS-BP模型最優(yōu)，該模型對(duì)不同成熟度獼猴桃糖度的無損檢測(cè)具有非常好的預(yù)測(cè)性能，其預(yù)測(cè)集決定系數(shù)R2P=0.901，均方根誤差RMSEP=0.643%，剩余預(yù)測(cè)偏差RPD=3.217。研究表明基于紫外/可見光譜技術(shù)以及BP網(wǎng)絡(luò)建立的預(yù)測(cè)模型可快速無損預(yù)測(cè)獼猴桃的糖度，為開發(fā)獼猴桃糖度的無損檢測(cè)裝備奠定一定的理論基礎(chǔ)。