原 帥， 張 娟， 劉美娟， 張 駿

(1.煙臺大學(xué)文經(jīng)學(xué)院信息工程系，山東煙臺 264005;2.煙臺汽車工程職業(yè)學(xué)院電子系，山東煙臺 265500;3.煙臺大學(xué)光電信息學(xué)院，山東煙臺 264005)

煙臺大櫻桃已獲得地理標志保護，其營養(yǎng)價值高，深受廣大消費者喜愛。但現(xiàn)階段對櫻桃糖度的檢測方法主要采用化學(xué)測定法，不能在線檢測且效率低。近紅外光譜技術(shù)能夠?qū)崿F(xiàn)無污染性和在線分析[1,2]，在水果和蔬菜等產(chǎn)品的品質(zhì)分析上被廣泛應(yīng)用。但是傳統(tǒng)的傅里葉變換光譜儀體積大，移動很不方便，幾乎不能實現(xiàn)野外檢測。而便攜式光譜儀方便快捷、費用低，已有文獻報道在食品和農(nóng)產(chǎn)品品質(zhì)檢測中得到廣泛的應(yīng)用[3，4]。

目前近紅外光譜檢測中常用的建模方法很多，最常用的有主成分回歸(PCR)法[5]和偏最小二乘回歸(PLSR)法[6,7]。國內(nèi)利用可見-近紅外光譜技術(shù)檢測水果糖度的報道雖很多，但是基于可見-近紅外光譜對櫻桃糖度進行檢測的方法研究很少。郭衛(wèi)東等人[8]基于連續(xù)小波變換(CWT)和GRNN的可見-近紅外漫反射光譜研究櫻桃糖度，本文首先利用小波變換多尺度分析對櫻桃可見-近紅外光譜進行預(yù)處理(濾波去噪),然后分別采用PCR和PLSR法建立櫻桃糖度預(yù)測模型，并對兩種模型進行驗證。

1 實驗部分

1.1 實驗材料

實驗樣品采自煙臺福山大櫻桃園，隨機選取50個樣本為校正集，20樣本為驗證集。對樣品清洗后晾干，然后在實驗室放置12 h以上，以使樣品與光譜儀的環(huán)境條件相一致。實驗前使用酒精消毒的刀片對每個樣品切取2 mm左右的薄片，將它們分別編號后置于實驗室內(nèi)(室溫20 ℃)備用。

1.2 光譜儀器與測定方法

AvaSpec-2048光纖光譜儀(荷蘭，Avantes公司)。該光譜儀測量波段為600～1 100 nm，且體積小、使用靈活，可快速測量。系統(tǒng)采用與光譜儀配套的AvaSoft-Basic標準版軟件進行光譜采集。在每個切片樣品表面不同點掃描3次求平均值，并作為一次測定的數(shù)據(jù)。采集完光譜后，將每個切片樣品榨汁，采用折射式糖度計進行糖度測定。

1.3 糖度校正模型的建立與評價

本文采用PCR法和PLSR法來建立校正模型。用相關(guān)系數(shù)(R)、校正均方根誤差(RMSEC)和預(yù)測均方根誤差(RMSEP)來評價該兩種模型性能的優(yōu)劣[9]。

2 光譜數(shù)據(jù)預(yù)處理方法

2.1 極差標準歸一化

本文采用極差標準歸一化[10]的方法對原始光譜數(shù)據(jù)進行預(yù)處理。歸一化處理后，能使每條光譜數(shù)據(jù)值限定在(0,1)之間，數(shù)據(jù)分布更加均衡，為樣品的特征提取提供可靠的數(shù)據(jù)源[5,9,10]。極差為每一條光譜的最大值和最小值之差：

(1)

利用極差將原光譜數(shù)據(jù)進行標準化處理：

(2)

2.2 小波濾波[5,10,11]

由于各種干擾的存在，櫻桃光譜特征很微弱且不穩(wěn)定。為了抑制噪聲干擾，本文采用小波變換多尺度分析對櫻桃光譜進行濾波，以增強櫻桃光譜的內(nèi)在特征。本文采用小波Daubechies5濾波器對極差標準歸一化后的光譜數(shù)據(jù)進行處理。

3 結(jié)果與討論

3.1 實驗數(shù)據(jù)預(yù)處理與分析

圖1是樣本校正集中某一樣品的原始反射率光譜圖，由于噪聲的存在，很難辨別出櫻桃的特征光譜。利用光譜預(yù)處理方法對原始光譜進行預(yù)處理。如圖2所示，預(yù)處理后的櫻桃光譜比較平滑，光譜形狀沒有改變，噪聲被很好地抑制，櫻桃樣品光譜的內(nèi)在特征被很好地反映出來。從圖2中可以看出，在630 nm、970 nm附近有明顯的特征峰值。

圖1 櫻桃的原始反射率光譜Fig.1 The original reflectance spectrum of cherry

圖2 櫻桃光譜歸一化后小波分解的第6階信號Fig.2 The sixth order signal of normalized wavelet decomposition for cherry spectrum

3.2 光譜主成分分析

要利用PCR進行建模，必須將預(yù)處理后的光譜進行主成分分析，以降低光譜數(shù)據(jù)的維度、簡化識別模型。主成分分析的結(jié)果顯示：前4個主成分的方差貢獻率分別為58.92%、39.59%、1.26%、0.19%。由此得知，前3個主成分的累計貢獻率已達99.77%，能夠很好地表征原光譜的信息。因此本文利用前3個主成分得分值來建立主成分回歸方程。

3.3 櫻桃糖度校正模型的建立

分別利用PCR法和PLSR法建立櫻桃糖度校正模型,通過Matlab編程[12]，校正集50個樣品糖度的預(yù)測值與實測值的對應(yīng)關(guān)系如圖3所示，其中圖3(a)為PCR所建模型的相關(guān)圖，圖3(b)為PLSR所建模型的相關(guān)圖。從兩圖中可以看出，由兩種方法建立模型所得的預(yù)測值和實測值具有較好的相關(guān)性，各點均勻的分布在趨勢線兩側(cè)，而且兩個圖形非常相似。通過計算得出，由PCR得出50個集樣品的糖度預(yù)測值與實測值的R為0.9394，RMSEC為0.1384；而由PLSR所建模型的R為0.9396，RMSEC為0.1382。顯然這兩種方法得出的結(jié)果很相近，PLSR模型的性能稍微優(yōu)于PCR模型。

圖3 校正集樣品的主成分回歸(a)與偏最小二乘回歸(b)模型糖度的預(yù)測值與實測值相關(guān)圖Fig.3 Calibration sample sets predicted sugar degree of correlation diagram and the measured value based on PCR (a) and PLSR (b)

3.4 櫻桃糖度校正模型的驗證

將20個預(yù)測樣本的光譜數(shù)據(jù)導(dǎo)入所建的校正模型中以預(yù)測其糖度，用來驗證該模型的穩(wěn)定性和可靠性。圖4為20個預(yù)測樣品糖度的預(yù)測值與實測值的對應(yīng)關(guān)系。其中，圖4(a)為PCR所建模型的相關(guān)圖，圖4(b)為PLSR所建模型的相關(guān)圖。從兩圖中可以看出，兩種方法得出的模型相關(guān)圖非常相似，預(yù)測值和實測值具有較好的相關(guān)性。由PCR得出20個預(yù)測樣本的糖度預(yù)測值與實測值的R為0.9071，RMSEP為0.1495；由PLSR得出的R為0.9074，RMSEP為0.1492。從數(shù)據(jù)上可以看出，PLSR模型的性能稍微優(yōu)于PCR模型。通過分析3.3與3.4節(jié)可知，利用PCR和PLSR建立的櫻桃糖度校正模型是穩(wěn)定且可靠的，能夠較好地預(yù)測櫻桃糖度。

圖4 預(yù)測樣品集的主成分回歸(a)與偏最小二乘回歸(b)模型糖度的預(yù)測值與實測值相關(guān)圖Fig.4 Prediction samples set predicted sugar degree of correlation diagram and measured values based on PCR (a) and PLSR (b)

4 結(jié)論

本文利用極差標準歸一化方法和小波濾波對原始反射率光譜進行預(yù)處理，分別利用主成分回歸(PCR)法和偏最小二乘回歸(PLSR)法建立了基于可見-近紅外光譜測定櫻桃糖度的定量分析模型。結(jié)果表明，利用便攜式可見-近紅外光譜技術(shù)對櫻桃糖度進行檢測是可行且可靠的；兩種方法所建模型都能很好地預(yù)測櫻桃糖度，但是PLSR模型性能略高于PCR模型?？傊銛y式可見-近紅外光譜技術(shù)由于其無污染、快捷、輕便等特點為野外檢測櫻桃糖度提供了可能，并為野外在線動態(tài)檢測其它水果的內(nèi)在品質(zhì)奠定基礎(chǔ)。