孫瀟鵬，劉燦燦，陸華忠，3，徐 賽

(1.華南農(nóng)業(yè)大學 工程學院，廣東 廣州 510642；2.廣西大學 輕工與食品工程學院，廣西 南寧 530004；3.廣東省農(nóng)業(yè)科學院，廣東 廣州 510642；4.廣東省農(nóng)業(yè)科學院 農(nóng)產(chǎn)品公共監(jiān)測中心，廣東 廣州 510642)

蜜柚(CitrusmaximaL.)為蕓香科柑橘屬喬木，果圓球形或梨形，風味極佳，營養(yǎng)價值高。柑橘類水果經(jīng)常遭受各種生理性疾病的困擾，如汁胞?；?又稱為硬?；?等，對蜜柚的品質(zhì)和口感產(chǎn)生極大的影響[1]。1934年，Bartholomew等[2]首次報道了汁胞?；螅钟衼碜圆煌瑖业难芯咳藛T進行了相關報道。汁胞粒化是柑橘類水果中汁液囊的一種生理失調(diào)，其汁液囊變硬、干燥膨大，呈灰色，幾乎沒有可提取的汁液[3]。隨著汁胞?；潭鹊脑黾?，水果從果汁囊泡中損失了更多的水分，伴隨著內(nèi)部品質(zhì)的迅速降低，使其缺乏食用價值。柑橘類水果的汁胞?；ǔＥc汁液囊泡中的次生壁形成和細胞壁增厚有關[4]。收獲時間也對果實內(nèi)部品質(zhì)有重要影響，收獲時間較晚可能會加重蜜柚的汁胞?；潭萚5]。由于造成汁胞?；脑蚝軓碗s，所以目前對汁胞?；南嚓P研究非常有限。

近紅外透射光譜是一種無損檢測技術(shù)，現(xiàn)已廣泛應用于水果的內(nèi)部品質(zhì)檢測，如可溶性固形物含量(SSC)[6]、水果成熟度[7]或柑橘黃龍病[8]等檢測。然而，有限的穿透深度限制了其對水果內(nèi)部品質(zhì)檢測的潛力，尤其是可能會影響厚皮水果(如西瓜和蜜柚)內(nèi)部品質(zhì)檢測的準確性[9]。由于樣本的特殊性和汁胞?；膹碗s性，很難準確地分類不同?；燃壍拿坭?。近年來，機器視覺技術(shù)已廣泛用于農(nóng)業(yè)和食品行業(yè)，尤其是對水果特征的提取和計算(如果形提取、體積估算等)[10]。研究發(fā)現(xiàn)：體積的差異可用于水果品質(zhì)檢測，如柑橘類水果的汁胞?；旨塠11]。因此，本研究將近紅外透射光譜與機器視覺技術(shù)相結(jié)合，對蜜柚的?；燃夁M行分級檢測和評估。

1 材料與方法

1.1 材料與試劑

蜜柚采摘自梅州市蜜柚果園，采摘后立即運至實驗室，剔除外部破損和畸形的蜜柚，擦拭蜜柚外部污漬，自然晾干，在室溫(19～21 ℃)下靜置24 h后，進行實驗。根據(jù)蜜柚生長期，每周采集20個樣本進行實驗，實驗樣本共計600個。

NaOH溶液、酚酞指示劑，廣州和為醫(yī)藥科技有限公司。

1.2 儀器與設備

PAL-Grape Must型數(shù)字折光儀，ATAGO(愛拓)中國分公司；游標卡尺(測量范圍0～300 mm)，上海申韓量具有限公司；DHG-9030A型電熱鼓風干燥箱，上海一恒科學儀器有限公司；酸堿中和滴定常用儀器(酸式滴定管、堿式滴定管、滴定管夾、鐵架臺、錐形瓶、玻璃棒等)，江蘇博雅教學設備有限公司。

近紅外透射光譜檢測系統(tǒng)：計算機、NIR-QUEST型光譜儀(測量波長900～1 700 nm，光譜分辨率0.25 nm，信噪比15 000∶1，積分時間1 ms～10 s，美國海洋光學公司)、實驗箱體、光纖、積分球和實驗托盤等[12-13]。光譜采集軟件，廣州標旗光電科技發(fā)展有限公司。

1.3 實驗方法

1.3.1近紅外透射光譜采集及預處理

啟動近紅外透射光檢測系統(tǒng)，預熱15 min使設備達到穩(wěn)定的工作狀態(tài)。在光譜采集軟件中，積分時間設置2 000 ms，平均次數(shù)設置為1。將托盤置于光譜平臺內(nèi)，分別采用標準白板和標準黑板貼住積分球校正光譜儀后，進行樣本光譜采集。將柚果放置在托盤上，每旋轉(zhuǎn)90°采集1次，并存儲光譜數(shù)據(jù)，取4次光譜的平均值作為該樣本的光譜數(shù)據(jù)。在近紅外透射光譜中，將樣本的相對透射率作為光譜信息的研究參數(shù)，計算見式(1)。光譜數(shù)據(jù)中除有效光譜信息外，也含有大量無關或冗雜信息，且存在背景噪聲。光譜預處理可削弱或剔除干擾及無效信息，保留有效信息，降低模型的復雜度。研究采用Savitzky-Golay多項式平滑對原始光譜進行預處理[14]。

(1)

式(1)中，T，樣本的相對透射率，%；Is，樣本的透射光強度，cd;Iw，標準白板的透射光強度，cd；Ib，標準黑板的透射光強度，cd。

1.3.2光譜特征提取

連續(xù)投影算法(successive projections algorithm，SPA)是一種無監(jiān)督的變量選擇算法，可用于近紅外透射光譜的特征變量提取。SPA從光譜數(shù)據(jù)中提取有效信息，依據(jù)均方根誤差相對較低的值，提取符合要求的特征變量[15]。該算法能夠有效剔除變量之間的共線性，最大程度避免信息的重復，使得變量之間的信息冗余度最低。經(jīng)SPA預處理后，光譜數(shù)據(jù)以少數(shù)波長點來概括樣品中大部分光譜信息，從而能夠提升模型數(shù)據(jù)處理的速率[16]。

1.3.3樣本特征的獲取與估算

基于機器視覺技術(shù)，自搭建圖像獲取系統(tǒng)，如圖1。圖像獲取系統(tǒng)配套圖片捕獲軟件(IC capture)和圖像處理軟件(Matlab R2018a)共同使用。

1.實驗箱體；2.GigE相機(DFK 33GP006型)；3.相機鏡頭(M0814-MP2, F1.4, f8 mm 2/3)；4.條形光源(24 V，580 mA)；5.環(huán)形光源(24 V，580 mA)；6.蜜柚樣本；7.蜜柚托盤；8.計算機。

基于機器視覺技術(shù)，通過圖像信息獲取系統(tǒng)，可快速獲取并估算樣本的特征數(shù)據(jù)。該系統(tǒng)采用IC capture軟件獲取樣本圖像信息，110 mm×110 mm標定板和 Matlab 軟件工具箱(computer vision system toolbox 8.1)進行相機標定。Matlab軟件工具箱(image processing toolbox 10.2)可快速獲取橫徑和縱徑的像素值，通過像素-尺度轉(zhuǎn)換[17]，得到橫徑和縱徑的估算值。

估算體積時，可將蜜柚默認為橢球體。橢球體的長、寬、高分別用L、W和H表示。將橢球體劃分為多個圓臺，切面默認為標準圓，即W≈H，圓臺的上頂面和下底面分別由Htj和Hbj表示，橢球體的H和L可分別代表橫徑和縱徑，如圖2。因此，樣本的體積可認為是多個圓臺體積的累加，圓臺體積(Vj)和樣本的估算體積(V)，可由式(2)和式(3)計算得到。

圖2 橢球體的劃分和體積估算

(2)

(3)

1.3.4樣本理化指標測定

分別采用游標卡尺測定樣本的橫徑和縱徑(mm)，電子天平稱量樣本的質(zhì)量(g)，排水法測定樣本的體積(cm3)。提取光譜采集區(qū)域內(nèi)果肉少許，通過擠壓和紗布過濾提取果汁，數(shù)字折光儀測量可溶性固形物含量，酸堿中和滴定法測定樣本的可滴定酸度(titratable acidity, TA)，每個樣本重復3次后記錄平均值。采用趙曉玲[18]方法測定樣本的汁胞含水率(moisture content, MC)，計算見式(4)[19]。

(4)

式(4)中，m1，鮮汁胞的質(zhì)量，g；m2，干汁胞的質(zhì)量,g。

1.4 ?；坭衷u價分級

邀請10位感官評價人員對不同生長期樣本的不同粒化程度進行打分。分級標準參考陳昆松等[19]的方法進行，將蜜柚沿著果蒂縱切八瓣，進行?；u級。根據(jù)蜜柚汁胞粒化程度，將蜜柚分為5級，1級為未發(fā)生汁胞粒化，2級為汁胞粒化程度小于25%，3級為汁胞粒化程度在26%～50%，4級為汁胞?；潭仍?1%～75%，5級為汁胞?；潭却笥?5%[20]。

1.5 模型建立與評價指標確定

1.5.1模糊C均值聚類

模糊C均值(fuzzy c-means, FCM)聚類是模糊聚類中常用的劃分聚類方法，屬于軟化分算法。FCM算法由MacQueen提出,其原理是首先定義一個準則函數(shù),并隨機選取c個初始聚類中心,然后根據(jù)樣本與聚類中心的隸屬度來確定聚類關系，再重新計算每類的聚類中心，此過程不斷重復，直到準則函數(shù)最小。準則函數(shù)為樣本和聚類中心的平方誤差的總和[21]。

模糊C均值聚類的準則，設xi(i=1, 2, …,n)是n個樣本組成的樣本集合，c為預定的類別數(shù)目，μj(xi)是第i個樣本對于第j類的隸屬度函數(shù)。用隸屬度函數(shù)定義的聚類損失函數(shù)計算見式(5)。

(5)

其中，b>1,是一個可以控制聚類結(jié)果模糊程度的常數(shù)。在不同的隸屬度定義方法下最小化聚類損失函數(shù)，就得到不同的模糊聚類方法。其中最有代表性的是模糊C均值聚類，它要求每個樣本對于各個聚類的隸屬度之和為1，如式(6)。

(6)

1.5.2K-近鄰法聚類

K-近鄰法(K-nearest neighbor, KNN)聚類是一種高效且具備較高分類精度的方法[22]。KNN聚類算法的核心思想是在多維空間Rn中找到與未知樣本最近鄰的k個點，并根據(jù)這k個點的類別來判斷預測樣本的類屬。該算法假設所有樣本對應于n維空間中的點，每個樣本的最近鄰是根據(jù)歐式距離定義，設x的特征向量為[a1(x),a2(x), …,an(x)]。其中，ar(x)表示樣本x的第r個屬性值。2個樣本xi和xj間的距離定義為d(xi,xj),計算見式(7)。

(7)

以xi為預測樣本的特征向量，Y定義樣本的類別，yi∈Y{c1,c2,…,ck}為預測樣本的類別，I為指示函數(shù)，NK(x)為n維空間內(nèi)選取與x最鄰近的k個點的領域，并以x預測y類別[23]，如式(8)。

(i=1,2,3,…,N;j=1,2,3,…,K)

(8)

1.5.3樣本分級的評價指標確定

通過kennard-stone法[24]將600個實驗樣本按照2∶1的比例，分為訓練集和預測集。運用模糊C均值聚類、K-近鄰法聚類對樣本進行分級，運用混淆矩陣評估二進制分類模型的性能[25]。假設將1級樣本定義為目標樣本，2、3、4、5級樣本定義為非目標樣本。TP為目標樣本正確分類為1級樣本的數(shù)量；TN為非目標樣本正確分類在2、3、4、5級樣本中的數(shù)量；FP為非目標樣本分類為1級樣本的數(shù)量；FN為目標樣本分類為2、3、4、5級樣本的數(shù)量，即本屬于1級的樣本被分類為2級、3級、4級或5級的樣本數(shù)量和。當其他級別樣本定義為目標樣本，皆可根據(jù)以上方法進行假設。再根據(jù)式(9)～式(11)，分別從聚類模型的準確性、敏感性和特異性進行分級評價。

(9)

(10)

(11)

2 結(jié)果與分析

2.1 近紅外透射光譜分析

600個樣本的近紅外透射原始光譜見圖3(a)。在近紅外光譜區(qū)域內(nèi)，典型的重疊吸收峰對應水果中水分和碳水化合物的C—H、O—H和N—H化學鍵。在短波近紅外光譜區(qū)域(900～1 100 nm)，重疊吸收峰出現(xiàn)在大約948 nm處，950 nm附近的吸收峰為水分的吸收帶[26]。汁胞?；倪^程伴隨著樣本枯水的過程，其果汁囊泡中損失了更多的水分。在長波近紅外光譜區(qū)域(1 100～1 700 nm)，最大的吸收峰出現(xiàn)在1 283 nm處，這是C—H鍵第二官能團振動帶[27]。而1 410 nm處吸收峰是木質(zhì)素相關的吸收帶，它是亞甲基C—H鍵與R(CH2)nR的C—H鍵的組合官能團。柑橘類水果發(fā)生汁胞粒化與果汁囊泡的細胞壁結(jié)構(gòu)變化有關，是木質(zhì)素、纖維素和果膠等細胞壁成分的增加造成的[3]。5種?；燃壍钠骄庾V見圖3(b)。隨著樣本的汁胞?；潭燃又兀?48 nm處吸收峰呈依次遞減趨勢；而1 410 nm處吸收峰呈依次遞增趨勢。

圖3 樣本的近紅外透射光譜

樣本的近紅外透射光譜經(jīng)預處理后，采用SPA進行光譜特征提取，如圖4。SPA共選取17個特征變量，代表樣本在900～1 700 nm波段的光譜信息，快速高效地完成了數(shù)據(jù)降維，解決了變量間的共線性問題。且特征變量多集中在950、1 283、1 410 nm吸收峰附近，與蜜柚汁胞粒化的過程密切相關。

圖4 連續(xù)投影法的光譜特征提取

2.2 樣本理化指標與汁胞粒化的關系分析

根據(jù)蜜柚的生長期，研究1～5級汁胞?；瘶颖镜奶卣髯兓?，如圖5。實驗采集的樣本隨著汁胞?；燃壍脑黾?，外部形態(tài)逐漸減小。根據(jù)?；瘶颖驹u級方法，樣本隨著汁胞粒化等級的增加，內(nèi)部出現(xiàn)汁液囊變硬、干燥、膨大等特征，顏色呈灰色，幾乎沒有可提取的汁液(見圖6)。隨儲藏時間的增加，果汁囊泡中損失了更多的水分，存儲過程中疾病的嚴重性增加。

圖5 1～5級汁胞粒化樣本的外部特征變化

圖6 1～5級汁胞?；瘶颖镜膬?nèi)部品質(zhì)變化

各級粒化樣本的理化指標見表1。結(jié)果表明：隨著汁胞?；燃売?級升至5級，樣本的橫徑和縱徑逐漸減小，伴隨著體積也逐漸減??；與此同時，樣本的MC、SSC和TA也逐漸降低。樣本的外部特征及內(nèi)部品質(zhì)均會受到汁胞?；挠绊?。

表1 各級?；瘶颖镜睦砘笜?/p>

2.3 樣本特征估算與數(shù)據(jù)分析

為驗證體積估算值的可靠性，將排水法測定的體積測量值(Vacc)與圖像信息獲取系統(tǒng)計算的體積估算值(V)進行比較。對Vacc與V進行線性擬合分析，如圖7(a)。由回歸方程可知，V與Vacc之間存在線性規(guī)律，決定系數(shù)R2等于0.987 9，證明蜜柚體積的估算模型中，估算值相較于真實值，準確率達到98.79%。對Vacc與V進行差異性分析，來確定樣品的測量值和估算值之間的差異[28]，見圖7(b)。Vacc與V的95%一致性極限均位于d-1.96至d+1.96。Vacc與V平均差異百分比為7.2%，95%一致性極限區(qū)間為[4.4, 9.9]，證明V比Vacc小約4.4%～9.9%。進一步佐證體積估算值可代替測量值，將其融合光譜數(shù)據(jù)可用于汁胞粒化的模型分級檢測與研究。

圖7 體積測量值和估算值的數(shù)據(jù)分析

2.4 預測模型的分級評價

研究采用SPA-FCM和SPA-KNN 2種分級模型，對各級?；瘶颖具M行分級檢測。根據(jù)kennard-stone法[24]，從600個實驗樣本數(shù)據(jù)中，隨機選取400個訓練集樣本數(shù)據(jù)，進行模型建立和訓練；剩余200個預測集樣本數(shù)據(jù)進行模型預測。模型輸入變量為經(jīng)預處理和特征提取的近紅外透射光譜數(shù)據(jù)與圖像特征提取的樣本體積估算值，模型輸出變量為汁胞粒化等級。

分級模型的混淆矩陣，如表2。SPA-FCM與SPA-KNN的混淆矩陣中，預測集的誤判樣本均少于訓練集。模型訓練集與模型預測集中，1級和2級互為誤判樣本的機率較高，證明從無汁胞粒化至小于25%汁胞?；?，樣本的內(nèi)部品質(zhì)變化較?。灰虼朔旨壞Ｐ屯瓿?級和2級準確分級難度較大。與此同時，4級和5級互為誤判樣本的機率較高，證明從50%～75%汁胞?；链笥?5%汁胞?；?，樣本內(nèi)部均已嚴重粒化，伴隨著汁胞含水率的降低，出現(xiàn)嚴重的枯水現(xiàn)象，無可提取果汁，SSC和TA的急劇降低，內(nèi)部果肉基本不可食，且口感極差；因此，分級模型完成4級和5級準確分級難度較大。然而，SPA-FCM與SPA-KNN均能完成對3級樣本的準確分類。

表2 分級模型的混淆矩陣

根據(jù)分級評價指標，結(jié)合模型的混淆矩陣，對預測集樣本進行分級預測，見表3。SPA-FCM預測結(jié)果的準確性、敏感性和特異性分別達到0.925 9、0.733 3和0.935 3以上；SPA-KNN預測結(jié)果的準確性、敏感性和特異性分別達到0.970 0、0.923 1和0.987 4以上。而且，SPA-FCM與SPA-KNN對3級樣本完全準確預測，其準確性、敏感性和精確性均達到1。結(jié)果表明：SPA-KNN相較于SPA-FCM，對各級?；瘶颖镜姆旨夘A測能力更好，即能更好地完成對樣本汁胞?；姆旨墮z測。

表3 分級模型對樣本預測集的預測能力

3 結(jié) 論

采用近紅外透射光譜和機器視覺技術(shù)的分級預測模型，可用于蜜柚汁胞?；姆旨墮z測。近紅外透射光譜可以捕獲由汁胞?；鸬膬?nèi)部品質(zhì)的化學變化。機器視覺技術(shù)可快速估算樣本的外觀特征，探究由汁胞粒化引起的外部特征的物理變化。此方法對粒化樣本的預測能力好，分級準確率高，分級檢測過程中，對樣本無破壞，適用于實時在線檢測。因此，基于近紅外透射光譜和機器視覺技術(shù)對蜜柚汁胞粒化的分級檢測具有較高的可行性，以期為厚皮水果或柑橘類水果的內(nèi)部品質(zhì)檢測提供了一定的研究基礎和參考。