樊書祥 黃文倩 郭志明 張保華 趙春江 錢曼

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

2(北京市農(nóng)林科學(xué)院，北京農(nóng)業(yè)智能裝備技術(shù)研究中心，北京100097)

1 引言

可溶性固形物(Soluble solids content，SSC)是包括可溶性糖、酸、纖維素等成分的綜合型指標(biāo)，是評(píng)價(jià)蘋果內(nèi)部品質(zhì)的重要參數(shù)［1］。蘋果可溶性固形物含量的快速有效檢測(cè)對(duì)于蘋果的生產(chǎn)流通，保證采后的果品品質(zhì)至關(guān)重要。與傳統(tǒng)破壞性檢測(cè)方法相比，近紅外光譜技術(shù)以其無損、快速、低成本的優(yōu)點(diǎn)，在水果品質(zhì)與安全檢測(cè)方面得到了越來越廣泛的應(yīng)用［2］。

國內(nèi)外學(xué)者對(duì)蘋果可溶性固形物近紅外光譜檢測(cè)，進(jìn)行了大量研究。Liu 等［3］利用富士蘋果的傅里葉近紅外光譜實(shí)現(xiàn)了蘋果可溶性固形物的有效檢測(cè)。Peris 等［4，5］先后分析了溫度變化、季節(jié)和品種差異對(duì)蘋果可溶性固形物近紅外光譜檢測(cè)模型的影響;Bobelyn 等［6］以Golden Delicious 和Pink Lady 兩種蘋果為例簡要分析了產(chǎn)地差異對(duì)可溶性固形物檢測(cè)模型的影響。與此同時(shí)，文獻(xiàn)［7，8］結(jié)合特征波長優(yōu)選算法，在簡化蘋果可溶性固形物近紅外光譜檢測(cè)模型的同時(shí)，提高了模型預(yù)測(cè)精度。

富士蘋果在我國蘋果生產(chǎn)中占有重要地位，其產(chǎn)地分布范圍廣，不同產(chǎn)區(qū)因土壤、光照、氣候不同，蘋果外觀特征和內(nèi)部品質(zhì)也存在一定差異［9］。趙杰文等［10］利用富士蘋果傅里葉光譜信息結(jié)合支持向量機(jī)實(shí)現(xiàn)了產(chǎn)地分類。但先前的研究在富士蘋果產(chǎn)地差異對(duì)于可溶性固形物近紅外光譜檢測(cè)模型的影響以及如何減小這種影響方面鮮有報(bào)道。因此，本研究以產(chǎn)自新疆阿克蘇、山東肥城、山東棲霞和陜西宜川的富士蘋果為實(shí)驗(yàn)對(duì)象，應(yīng)用基于x-y 共生距離(SPXY)的樣本劃分方法，選取更具有代表性的樣本作為校正集，建立和比較單一產(chǎn)地和混合產(chǎn)地的蘋果可溶性固形物近紅外光譜檢測(cè)模型，并結(jié)合光譜特征波長變量優(yōu)選，嘗試在提高模型的穩(wěn)定性和預(yù)測(cè)精度的基礎(chǔ)上簡化模型，為在實(shí)際生產(chǎn)中準(zhǔn)確預(yù)測(cè)蘋果可溶性固形物提供參考。

2 實(shí)驗(yàn)部分

2.1 實(shí)驗(yàn)材料

實(shí)驗(yàn)用樣本選自我國富士蘋果主產(chǎn)區(qū)，挑選無缺陷和損傷的共368 個(gè)樣品，其中產(chǎn)自新疆阿克蘇76 個(gè)，山東棲霞72 個(gè)，山東肥城160 個(gè)以及陜西宜川60 個(gè)。將蘋果表面清洗干凈，依次編號(hào)，標(biāo)記采集區(qū)域。實(shí)驗(yàn)前，將蘋果樣品從冰箱取出，放置12 h，使樣本溫度與室溫達(dá)到一致，以避免溫度對(duì)光譜測(cè)量結(jié)果產(chǎn)生影響［11］。

2.2 光譜采集與可溶性固形物實(shí)際值測(cè)量

實(shí)驗(yàn)采用AntarisⅡ傅立葉變換近紅外光譜儀(Thermo Science Co.，USA)采集蘋果樣品在標(biāo)記點(diǎn)區(qū)域的光譜信息，波段范圍設(shè)置為3800 ～14000 cm-1，掃描次數(shù)32，分辨率4.0 cm-1。光譜測(cè)量完成后使用數(shù)字阿貝折光儀(ARIAS 500，Reichert Technologies，New York，USA)進(jìn)行SSC 含量測(cè)定。每個(gè)樣品從對(duì)應(yīng)標(biāo)記部位切取一定厚度果肉，經(jīng)紗布過濾擠汁滴于折光儀鏡面，讀取并記錄讀數(shù)。

2.3 樣本劃分方法

基于x-y 共生距離的樣本劃分方法(Sample set partitioning based on joint x-y distances，SPXY)以Kennard－Stone 算法為基礎(chǔ)，同時(shí)考慮樣本的x 變量(光譜數(shù)據(jù))和y 變量(SSC 值)的歐氏距離［12］。為了確保樣本在x 和y 空間的具有相同的權(quán)重，標(biāo)準(zhǔn)化的xy 的距離公式為:

其中，N 為樣本總數(shù)，dx(p，q)和dy(p，q)表示任意兩個(gè)樣本p，q 之間在x 變量和y 變量的歐式距離。其最大優(yōu)勢(shì)在于能夠有效覆蓋多維空間，獲得的校正集樣本具有較強(qiáng)代表性［13］。因此應(yīng)用SPXY 算法分別對(duì)4 個(gè)產(chǎn)地的蘋果樣本進(jìn)行校正集和預(yù)測(cè)集的劃分。

2.4 可溶性固形物檢測(cè)模型的建立

偏最小二乘(PLS)算法穩(wěn)定性好且抗干擾能力強(qiáng)［14］，分別利用PLS 建立單一產(chǎn)地的蘋果可溶性固形物近紅外光譜檢測(cè)模型，以及混合2 種產(chǎn)地、3 種產(chǎn)地和所有4 種產(chǎn)地蘋果樣本的混合產(chǎn)地可溶性固形物近紅外光譜檢測(cè)模型。為衡量所建模型的預(yù)測(cè)精度，利用建立好的模型分別預(yù)測(cè)4 個(gè)單一產(chǎn)地下的預(yù)測(cè)集樣本及所有產(chǎn)地的預(yù)測(cè)集樣本。

2.5 特征波長篩選

因光譜變量之間存在大量的冗余和共線性信息［15］，采用競爭性自適應(yīng)重加權(quán)算法(Competitive adaptive reweighted sampling，CARS)和連續(xù)投影算法(Successive projections algorithm，SPA)篩選蘋果可溶性固形物近紅外光譜特征波長。CARS 采用自適應(yīng)加權(quán)采樣技術(shù)保留PLS 模型中回歸系數(shù)絕對(duì)值大的波長變量，并根據(jù)交互驗(yàn)證均方根誤差最小值獲取與所測(cè)組分性質(zhì)相關(guān)的波長變量［16］。SPA 利用向量的投影分析，在大量波長變量之間篩選含有最少冗余信息的變量組，使變量之間共線性達(dá)到最?。?7］。

3 結(jié)果與分析

3.1 蘋果樣本的光譜分析及樣本劃分

為減小光譜儀首尾噪聲影響，選擇4000 ～10000 cm-1共3112 個(gè)波長點(diǎn)進(jìn)行分析。圖1 為368個(gè)蘋果樣品的原始光譜信息，僅從圖1 難以看出不同產(chǎn)地蘋果樣本的光譜信息差異。對(duì)所有蘋果樣本光譜數(shù)據(jù)進(jìn)行主成分分析可得，前6 個(gè)主成分(Principal component，PC)可代表原始光譜99.99%的信息。應(yīng)用Kruskal－Wallis 檢驗(yàn)對(duì)前6 個(gè)主成分進(jìn)行差異性檢驗(yàn)，當(dāng)p ＜0.05 時(shí)說明差異性顯著。該檢驗(yàn)方法為非參數(shù)檢驗(yàn)，對(duì)總體分布的正態(tài)性和方差齊性不作要求［18］。檢驗(yàn)結(jié)果如表1 所示，所有主成分對(duì)應(yīng)的p ＜0.05，說明不同產(chǎn)地下的蘋果光譜信息存在明顯差別。

樣本劃分前經(jīng)異常值檢驗(yàn)未發(fā)現(xiàn)異常樣本。根據(jù)SPXY 方法，分別從新疆阿克蘇(AKS)、山東肥城(FC)、山東棲霞(QX)和陜西宜川(YC)4個(gè)產(chǎn)地的蘋果樣本中依次挑選出用于建模的校正集樣本。以76 個(gè)阿克蘇蘋果為例，首先確定校正集的樣本數(shù)為60，根據(jù)公式(1)計(jì)算所有76 個(gè)樣本中任意兩樣本之間的距離，獲取距離最大的兩樣本點(diǎn)，然后從剩余樣本集中選取到已獲得的樣本點(diǎn)距離最遠(yuǎn)的樣本，重復(fù)此過程直到獲取60 個(gè)樣本為止，剩余的16 個(gè)樣本作為預(yù)測(cè)集。不同產(chǎn)地蘋果樣本的劃分及對(duì)應(yīng)的SSC 測(cè)量值分布如表2 所示。從表2 可知，每個(gè)產(chǎn)地下校正集樣本的可溶性固形物含量分布范圍均大于預(yù)測(cè)集樣本，有利于構(gòu)建更加穩(wěn)定可靠的檢測(cè)模型。

圖1 蘋果樣本原始光譜圖Fig.1 Near infrared specra of apple sampls

表1 前6 個(gè)主成分的Kruskal－Willis 檢驗(yàn)結(jié)果Table 1 Kruskal－Willis test results of first six principal component (PC)scores

表2 蘋果可溶性固形物含量實(shí)測(cè)值的統(tǒng)計(jì)結(jié)果Table 2 Statistic values of soluble solids content (SSC)(°Brix)of apples

3.2 單一產(chǎn)地的可溶性固形物檢測(cè)模型預(yù)測(cè)結(jié)果

分別利用產(chǎn)自新疆阿克蘇、山東肥城、山東棲霞、陜西宜川的校正集樣本建立其對(duì)應(yīng)的單一產(chǎn)地可溶性固形物近紅外光譜檢測(cè)模型，其預(yù)測(cè)相關(guān)系數(shù)(Rp)和預(yù)測(cè)均方根誤差(Root mean square error of prediction，RMSEP)如表3 所示。對(duì)于同一產(chǎn)地的蘋果樣本，其校正集建立的單一產(chǎn)地模型對(duì)其預(yù)測(cè)集樣本均實(shí)現(xiàn)了較好預(yù)測(cè)。但在實(shí)際生產(chǎn)中，對(duì)未知樣本進(jìn)行預(yù)測(cè)時(shí)，若先根據(jù)其光譜信息判定其產(chǎn)地信息，再根據(jù)對(duì)應(yīng)產(chǎn)地下的模型預(yù)測(cè)可溶性固形物，一定程度上可提高預(yù)測(cè)精度，但工作量大，不利于實(shí)際生產(chǎn)。比較可知，利用某單一產(chǎn)地下的檢測(cè)模型預(yù)測(cè)其它不同產(chǎn)地蘋果的可溶性固形物時(shí)會(huì)產(chǎn)生較大誤差，Rp也有不同程度下降。因此，建立混合產(chǎn)地模型更具現(xiàn)實(shí)意義。

表3 單一產(chǎn)地的可溶性固形物檢測(cè)模型預(yù)測(cè)結(jié)果Table 3 Prediction results of local origin models for prediction of SSC in apples

3.3 混合產(chǎn)地的可溶性固形物檢測(cè)模型預(yù)測(cè)結(jié)果

將不同產(chǎn)地蘋果的校正集樣本混合，建立混合產(chǎn)地的蘋果可溶性固形物近紅外光譜檢測(cè)模型，對(duì)4 個(gè)單一產(chǎn)地的預(yù)測(cè)集樣本，以及所有產(chǎn)地的預(yù)測(cè)集樣本的預(yù)測(cè)結(jié)果見表4。隨著校正集蘋果產(chǎn)地混合數(shù)量的增加，模型的預(yù)測(cè)精度不斷提升?；旌纤? 種蘋果產(chǎn)地的校正集建立的模型對(duì)各預(yù)測(cè)集樣本均取得了較好結(jié)果。通過以上對(duì)比可知，當(dāng)校正集包含更多產(chǎn)地的蘋果樣本光譜信息時(shí)，建立的模型對(duì)未知產(chǎn)地蘋果的可溶性固形物預(yù)測(cè)會(huì)取得更好的結(jié)果，減小蘋果的產(chǎn)地差異對(duì)于可溶性固形物近紅外光譜檢測(cè)的影響。

表4 混合產(chǎn)地可溶性固形物檢測(cè)模型預(yù)測(cè)結(jié)果Table 4 Prediction results of hybrid origin models for prediction of SSC in apples

3.4 基于特征波長的混合產(chǎn)地模型

為簡化模型，提高模型預(yù)測(cè)精度，在4000 ～10000 cm-1全波段范圍內(nèi)，采用CARS 算法對(duì)混合有4 種蘋果產(chǎn)地的校正集樣本的光譜進(jìn)行可溶性固形物特征波長篩選。因每運(yùn)行一次CARS 算法其最優(yōu)采樣次數(shù)略有不同，嘗試運(yùn)行CARS 算法50 次，選取交互驗(yàn)證均方根誤差(Root mean square error of cross validation，RMSECV)最小的一次，圖2 為此次CARS 算法對(duì)可溶性固形物特征波長的篩選過程。由圖2 可見，當(dāng)采樣次數(shù)為47 次時(shí)，其RMSECV 達(dá)到最小值，此時(shí)對(duì)應(yīng)建模變量數(shù)為102 個(gè)。將挑選的特征波長作為輸入變量，建立蘋果可溶性固形物預(yù)測(cè)模型，結(jié)果如表5 所示。與全波段所建模型相比，其預(yù)測(cè)結(jié)果略有提升，建模變量數(shù)由全波段建模的3112 減少到102，模型得到了大大簡化。

圖2 基于CARS 算法的特征變量篩選Fig.2 Plot of variable selection by competitive adaptive reweighted sampling algorithm (CARS)

表5 蘋果可溶性固形物不同偏最小二乘模型預(yù)測(cè)結(jié)果Table 5 Prediction results of different PLS models for prediction of SSC in apples

CARS 算法剔除了大量無關(guān)信息，但其挑選的波長仍存在一定共線性，且對(duì)于實(shí)際生產(chǎn)建模變量依然眾多。因此采用SPA 算法對(duì)經(jīng)CARS 選擇后的102 個(gè)變量進(jìn)一步優(yōu)選，得到4013，4302，4458，4539，4898，5029，5264，5299，6007，6282，6620，7312，8641，8745，9295 和9497 cm-1共16 個(gè)特征波長變量，并建立對(duì)應(yīng)的蘋果可溶性固形物近紅外光譜檢測(cè)模型，結(jié)果如表5 所示。與CARS－PLS 模型相比，基于CARS－SPA 篩選的16 個(gè)特征波長建立的模型更為簡單，其對(duì)所有產(chǎn)地的預(yù)測(cè)集樣本檢測(cè)時(shí)Rp=0.978，RMSEP 為0.441°Brix。通過比較還發(fā)現(xiàn)，CARS－SPA－PLS 模型對(duì)于每種產(chǎn)地的蘋果單獨(dú)預(yù)測(cè)時(shí)其預(yù)測(cè)相關(guān)系數(shù)均大于0.92。該模型對(duì)不同產(chǎn)地預(yù)測(cè)集樣本的預(yù)測(cè)值和其實(shí)際測(cè)量值之間的散點(diǎn)圖如圖3 所示。通過特征波長篩選，在保證模型精度的前提下，模型得到了進(jìn)一步簡化，為實(shí)現(xiàn)今后蘋果可溶性固形物在線檢測(cè)提供參考。

圖3 CARS－SPA－PLS 模型的預(yù)測(cè)集樣本的實(shí)際值和預(yù)測(cè)值散點(diǎn)圖Fig.3 Measured versus predicted values for SSC by the CARS－SPA－PLS model

4 結(jié)論

本研究嘗試以4 種不同產(chǎn)地的富士蘋果為研究對(duì)象，探討了蘋果的產(chǎn)地差異對(duì)近紅外光譜檢測(cè)模型的影響。相比單一產(chǎn)地和其它混合產(chǎn)地模型，混合4 種產(chǎn)地蘋果的校正集建立的模型取得了理想的預(yù)測(cè)結(jié)果，結(jié)合CARS－SPA 篩選的16 個(gè)特征波長變量，模型得到了進(jìn)一步的簡化，其預(yù)測(cè)相關(guān)系數(shù)和預(yù)測(cè)均方根誤差分別為0.978 和0.441°Brix。結(jié)果表明，含有更多產(chǎn)地的蘋果樣本建立的校正模型，結(jié)合有效篩選的特征波長，可以實(shí)現(xiàn)蘋果可溶性固形物含量的準(zhǔn)確預(yù)測(cè)，減小蘋果產(chǎn)地差異對(duì)可溶性固形物近紅外光譜檢測(cè)的影響，為實(shí)際生產(chǎn)中利用近紅外光譜技術(shù)實(shí)現(xiàn)蘋果可溶性固形物含量的準(zhǔn)確、在線檢測(cè)提供理論基礎(chǔ)。

1 Mendoza F，Lu R，Ariana D Cen H，Bailey B.Postharvest Biol.Tec.，2011，62(2):149 －160

2 Nicola? B M，Beullens K，Bobelyn E，Peirs A，Saeysa W，Theron K I，Lammertyn J.Postharvest Biol.Tec.，2007，46(2):99 －118

3 Liu Y，Ying Y.Postharvest Biol.Tec.，2005，37(1):65 －71

4 Peirs A，Scheerlinck N，Nicola? B M.Postharvest Biol.Tec.，2003，30(3):233 －248

5 Peirs A，Tirry J，Verlinden B，Verlinden B，Darius P，Nicola? B M.Postharvest Biol.Tec.，2003，28(2):269 －280

6 Bobelyn E，Serban A S，Nicu M，Lammertyn J，Nicola? B M，Saeys W.Postharvest Biol.Tec.，2010，55(3):133 －143

7 Zou X，Zhao J，Huang X，Li Y.Chemometr.Intell.Lab.Syst.，2007，87(1):43 －51

8 OUYANG Ai－Guo，XIE Xiao－Qiang，ZHOU Yan－Rui，LIU Yan－De.Spectroscopy and Spectral Analysis，2012，32(10):2680 －2684

歐陽愛國，謝小強(qiáng)，周延睿，劉燕德.光譜學(xué)與光譜分析，2012，32(10):2680 －2684

9 GUO Zhi－Ming，HUANG Wen－Qian，PENG Yan－Kun，WANG Xiu，TANG Xiu－Ying.Chinese J.Anal.Chem.，2014，42(4):513 －518

郭志明，黃文倩，彭彥昆，王秀，湯修映.分析化學(xué)，2014，42(4):513 －518

10 ZHAO Jie－Wen，HU Huai－Ping，ZOU Xiao－Bo.Transactions of the Chinese Society of Agricultural Engineering，2007，23(4):149 －152

趙杰文，呼懷平，鄒小波.農(nóng)業(yè)工程學(xué)報(bào)，2007，23(4):149 －152

11 FAN Shu－Xiang，HUANG Wen－Qian，LI Jiang－Bo，ZHAO Chun－Jiang，ZHANG Bao－Hua.Spectroscopy and Spectral Analysis，2014，34(8):2089 －2093

樊書祥，黃文倩，李江波，趙春江，張保華.光譜學(xué)與光譜分析，2014，34(8):2089 －2093

12 SHANG Liang，GU Jing－Si，GUO Wen－Chuan.Transactions of the Chinese Society of Agricultural Engineering，2013，29(17):257 －264

商亮，谷靜思，郭文川.農(nóng)業(yè)工程學(xué)報(bào)，2013，29(17):257 －264

13 Galv?o R K H，Araujo M C U，José G E，Pontes M J C，Silva E C，Saldanha T C B.Talanta，2005，67(4):736 －740

14 Li J，Huang W，Zhao C，Zhang B.J.Food Eng.，2013，116(2):324 －332

15 ZHANG Chu，LIU Fei，KONG Wen－Wen，ZHANG Hai－Liang，HE Yong.Transactions of the Chinese Society of Agricultural Engineering，2013，29(20):270 －277

張初，劉飛，孔汶汶，章海亮，何勇.農(nóng)業(yè)工程學(xué)報(bào)，2013，29(20):270 －277

16 Li H，Liang Y，Xu Q，Cao D.Anal.Chim.Acta，2009，648(1):77 －84

17 Araújo M C U，Saldanha T C B，Galv?o R K H，Yoneyama T，Chame H C，Visani V.Chemometr.Intell.Lab.，2001，57(2):65 －73

18 Yao Y，Chen H，Xie L，Rao X.J.Food Eng.，2013，119(1):22 －27