郭 成 馬 月 梁夢醒 顏 輝

(江蘇科技大學(xué)生物技術(shù)學(xué)院，江蘇 鎮(zhèn)江 212000)

?

基于近紅外光譜結(jié)合波長優(yōu)選檢測單顆葡萄的SSC含量

郭 成 馬 月 梁夢醒 顏 輝

(江蘇科技大學(xué)生物技術(shù)學(xué)院，江蘇 鎮(zhèn)江 212000)

葡萄；可溶性固形物；近紅外光譜；隨機(jī)蛙算法；無信息變量消除法

據(jù)統(tǒng)計(jì)[1]，2014年中國葡萄總產(chǎn)量達(dá)1 254.6 萬t，如此多的產(chǎn)量，需要有效的田間與采后管理。葡萄為葡萄科葡萄屬木質(zhì)藤本植物，是世界性的水果。葡萄中的可溶性固形物含量(Soluble Solids Content，SSC)是衡量葡萄品質(zhì)的重要指標(biāo)之一。SSC傳統(tǒng)的檢測方法是從每穗摘取l～3粒葡萄，做成葡萄汁再進(jìn)行含量的測定，但該方法費(fèi)時、費(fèi)力，并且具有破壞性[2]。由于葡萄不同果穗以及相同果穗上不同個體的成熟度不一致，如能在果穗上不同位置無損檢測單粒葡萄的SSC，首先可以獲得葡萄個體和整體的情況，用以指導(dǎo)果農(nóng)采用合理的田間管理方法，提高葡萄的品質(zhì)；其次，根據(jù)葡萄中SSC含量，選擇最佳的儲存條件，延長儲存時間；對于客戶，通過無損檢測SSC，選擇購買適合自己口感的葡萄。

近紅外光譜 (Near Infrared，NIR)分析技術(shù)具有分析速度快、綠色、無損等優(yōu)點(diǎn)[3]，正逐漸廣泛應(yīng)用于蘋果[4]、臍橙[5]、西瓜[6]、梨[7]等水果SSC的檢測。呂剛等[8]采用基于USB4000的自制手持式光譜儀，建立LV-SVM模型預(yù)測葡萄活體生長期單個果粒的糖度，該系統(tǒng)功耗較大，不利于長期現(xiàn)場分析。吳桂芳等[2]采用Handheld FieldSpec光譜儀建立的PLS-ANN模型預(yù)測葡萄漿果的糖度，該儀器價格昂貴。陳辰等[9]使用NIRS DS2500，采用可見/近紅外漫反射光譜技術(shù)建立MPLS模型預(yù)測單個葡萄SSC，但該光譜儀體積大，耗能高，價格昂貴。徐洪宇等[10]采用MPATM 型傅里葉變換近紅外光譜儀，使用積分球采譜，建立PLS模型預(yù)測釀酒葡萄的糖度，該方法所需樣品數(shù)多，無法分析單個樣品的品質(zhì)，且光譜儀體積大，不便于實(shí)時現(xiàn)場檢測。因此，目前多數(shù)NIR分析儀器體積大(通常采用光纖光譜儀)、光源功耗高、價格高昂，難以適合現(xiàn)場檢測的需求[11]。

由于便攜式NIR儀器的分辨率不如研究型儀器高，所以建立的模型預(yù)測精度也不如研究型儀器[12]。通過NIR與偏最小二乘回歸(Partial Least Squares，PLS)方法結(jié)合進(jìn)行建模，一般認(rèn)為PLS具有較強(qiáng)的全波長建模能力。通過波長優(yōu)選可以簡化模型，更主要是可以剔除不相關(guān)或非線性變量，從而得到穩(wěn)健性好、預(yù)測能力強(qiáng)的校正模型[13-14]。目前，波長優(yōu)選方法主要有隨機(jī)蛙(Random Frog，RF)[15]、移動窗(Moving Window，MW)[16]、無信息變量消除法(Uninformative Variable Elimination，UVE)[17]、間隔偏最小二乘法(Interval PLS，iPLS)[18]、自適應(yīng)量加權(quán)采樣(Competitive Adaptive Reweighted Sampling，CARS)[19]和遺傳算法(Genetic Algorithms，GA)[20]等。

本研究擬采用低功耗的便攜式近紅外光譜儀，探討UVE與RF兩種波長優(yōu)選方法與PLS的結(jié)合，建立最適于實(shí)時現(xiàn)場預(yù)測單顆葡萄SSC含量的近紅外無損檢測模型，用以克服前人研究中分析儀器體積大、光源功耗高、價格高昂、不利于現(xiàn)場開展工作等缺點(diǎn)，以期應(yīng)用于葡萄田間管理與摘后儲藏。

1 材料和方法

1.1 材料與儀器

1.1.1 材料

葡萄：采自江蘇省鎮(zhèn)江市丹徒區(qū)公琴水果合作社，分別在目視成熟度不同的20個葡萄果穗上采摘，從每個果穗的穗節(jié)部、穗尖部各采摘一顆，穗中部采摘兩顆，共采摘80顆葡萄。

1.1.2 儀器設(shè)備與軟件

折光儀：WZ-103型，浙江托普云農(nóng)科技股份有限公司；

便攜式近紅外光譜儀：MicroNIR1700型，美國捷迪訊通訊技術(shù)有限公司(JDSU)；

軟件：近紅外光譜預(yù)處理與PLS建模使用MATLAB R2009a在PLS Toolbox 6.2工具箱中實(shí)現(xiàn)，UVE與RF波長優(yōu)選分別使用ChemoAC和LibPLS工具箱實(shí)現(xiàn)。

1.2 方法

1.2.1 近紅外光譜采集 用MicroNIR1700采集葡萄的近紅外反射光譜，光譜范圍為950～1 650 nm。光譜采樣間隔為12.5 nm，積分時間15 ms，掃描次數(shù)50 次。每個樣品采集赤道一點(diǎn)作為一個樣本，共有80 個。每個點(diǎn)采集光譜3 次，以3 次平均值作為最終光譜。

1.2.2 SSC測定 采集光譜后即刻采用折光儀測量葡萄SSC含量。

1.2.3 校正集和預(yù)測集定義 所有樣本按照SSC升序排序，根據(jù)3∶1的比例分為校正集和預(yù)測集，校正集含60個樣本，預(yù)測集含20個樣本，其中SSC最大和最小樣品應(yīng)為校正集。預(yù)測集樣品SSC范圍應(yīng)被包含在校正集樣品SSC范圍。

1.2.4 光譜預(yù)處理 通常采用的預(yù)處理方法包括均值中心化(mean centering)、標(biāo)準(zhǔn)化(autoscaling)、不同點(diǎn)移動平滑(move smoothing)、一階導(dǎo)數(shù)(1stD)、標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variable transformation，SNV)、多元散射校正(multiplicative scatter correction，MSC)等。

選擇多種方法對原始光譜進(jìn)行預(yù)處理，比較以下預(yù)處理方法的組合，1stD、1stD+SNV、1stD+SNV+Mean Center、1stD+MSC+Mean Center，分別使用上述4種預(yù)處理方法進(jìn)行PLS建模。

1.2.5 偏最小二乘回歸法 PLS是一種多元回歸分析方法，模型建立在成分提取的方法之上。PLS在提取成分的過程中，同時考慮到預(yù)測變量數(shù)據(jù)和因變量數(shù)據(jù)中的信息，使從兩者中提取的信息之間的相關(guān)性達(dá)到最大，然后用所獲得的成分建立多元回歸分析模型[21]。

將光譜數(shù)據(jù)與相應(yīng)的SSC數(shù)據(jù)導(dǎo)入PLS工具箱，選擇光譜最佳預(yù)處理方法，采用留一法(Leave one out，LOO)進(jìn)行交叉驗(yàn)證。

1.2.6 波長優(yōu)選 NIR分析一般采用線性方法建立模型，波長優(yōu)選能夠剔除與分析目的性質(zhì)無關(guān)或呈非線性關(guān)系的波長變量，從而達(dá)到簡化模型、提高預(yù)測精度的目的。本研究中，擬采用無信息變量消除法(UVE)、隨機(jī)蛙算法(RF)進(jìn)行波長優(yōu)選，以期達(dá)到提高模型精度的目的。

(1) 無信息變量消除法：UVE是建立在分析PLS回歸系數(shù)基礎(chǔ)上的算法，目的是消除那些不提供有用信息的波長變量。在NIR的PLS多元回歸模型中，UVE是把相同于自變量矩陣的變量數(shù)目的隨機(jī)變量矩陣加入光譜矩陣中，然后通過交叉驗(yàn)證，逐一剔除無信息的變量，建立PLS多元回歸模型，從而得到回歸系數(shù)的矩陣，通過分析回歸系數(shù)矩陣中回歸系數(shù)向量的均值和標(biāo)準(zhǔn)偏差的商的穩(wěn)定性，最后根據(jù)商值的絕對值大小決定是否把該變量用于最終的模型中[22]。

(2) 隨機(jī)蛙算法：RF是一種新型的波長優(yōu)選算法，特點(diǎn)是能夠利用少量的變量迭代進(jìn)行建模，是一種非常有效的高維數(shù)據(jù)變量選擇方法。該算法針對每個波長變量選擇可能性進(jìn)行輸出，根據(jù)可能性的大小進(jìn)行波長選擇[23]。

2 結(jié)果與分析

2.1 SSC測定結(jié)果

由表1可知，校正集和預(yù)測集的SSC值范圍相近，分別為6.15～18.20 °Brix和6.80～17.85 °Brix，且校正集和預(yù)測集樣品的標(biāo)準(zhǔn)差相近，分別為3.24和3.26，因此校正集和預(yù)測劃分合理，為建立可靠的模型奠定了基礎(chǔ)。

2.2 光譜特征

圖1為80個葡萄樣品的原始近紅外光譜曲線。由圖1可知，各個樣品的光譜曲線類似，無明顯異常的樣品。光譜在970 nm和1 440 nm處出現(xiàn)O—H吸收峰，在1 190 nm出現(xiàn)了C—H鍵二級倍頻吸收峰[24-25]。原始光譜曲線呈現(xiàn)的吸收特征變化反映了葡萄內(nèi)部不同組分信息含量的差異。

表1 樣本SSC 參考值統(tǒng)計(jì)結(jié)果

2.3 模型的分析與比較

2.3.1 PLS 由表2可知，選擇1stD+SNV+Mean Center進(jìn)行預(yù)處理的效果最好，其均方根誤差小，相關(guān)系數(shù)大。

圖1 原始光譜

表2 預(yù)處理方法對PLS的影響

2.3.2 UVE-PLS 采用UVE進(jìn)行特征波長的提取。圖2是UVE方法進(jìn)行波長優(yōu)選的結(jié)果，橫坐標(biāo)方向上，垂直線左邊的部分為實(shí)際光譜變量，右邊的為光譜的系統(tǒng)噪聲變量，該部分由隨機(jī)噪聲模擬產(chǎn)生，縱坐標(biāo)方向上是每個變量的穩(wěn)定性數(shù)值，水平兩條虛線代表選擇實(shí)際變量的穩(wěn)定性數(shù)值的閾值，在閾值范圍內(nèi)的穩(wěn)定性數(shù)值對應(yīng)的變量是與葡萄SSC無關(guān)的信息量，在閾值范圍外的穩(wěn)定性數(shù)值對應(yīng)的變量則是與葡萄SSC有關(guān)的信息量，據(jù)此，保留有關(guān)的信息量對應(yīng)的波長變量，去除無關(guān)的信息量對應(yīng)的波長變量，最后根據(jù)保留的波長變量建立PLS模型。

圖2 無信息變量消除法選擇變量圖

圖4是兩種波長優(yōu)選的結(jié)果，優(yōu)選后的波長主要集中在970，1 190，1 450 nm附近。優(yōu)選波長是基于數(shù)學(xué)方法隨機(jī)選擇所得，部分波長會被重復(fù)選中，說明這些區(qū)域數(shù)據(jù)信息與被測對象含量有較高的相關(guān)性。優(yōu)選波長包含了葡萄糖和蔗糖等可溶性固形物官能團(tuán)的合頻和倍頻吸收區(qū)，如970 nm附近與糖相關(guān)的O—H鍵合頻吸收，1 190 nm附近是與糖相關(guān)的C—H鍵合頻吸收，1 450 nm附近是與糖相關(guān)的O—H鍵1倍頻吸收。上述分析說明波長優(yōu)選結(jié)果和化學(xué)結(jié)構(gòu)分析具有一致性。

圖3 隨機(jī)蛙算法選擇變量圖

圖4 兩種的特征波長選擇

方法LVsRMSECR2cRMSECVR2cvRESEPR2pPLS80．67470．95590．98000．90731．00370．9006UVE?PLS70．64150．96010．85340．92950．89980．9246RF?PLS70．63820．96050．82990．93340．86880．9304

3 結(jié)論

本研究結(jié)果表明了基于MicroNIR1700的近紅外光譜技術(shù)在葡萄SSC預(yù)測中的高度可行性。通過減少冗余的無信息變量，可增加模型的穩(wěn)定性和預(yù)測精度。其中RF-PLS算法對于葡萄SSC的預(yù)測效果優(yōu)于UVE-PLS算法。本工作的完成對水果種植的田間管理、采摘后貯藏以及消費(fèi)者的使用提供了非常有效的工具。

[1] 國家統(tǒng)計(jì)局. 中國統(tǒng)計(jì)年鑒[Z]. 北京: 中國統(tǒng)計(jì)出版社, 2015: 267.

[2] 吳桂芳, 黃凌霞, 何勇. 葡萄漿果糖度可見/近紅外光譜檢測的研究[J]. 光譜學(xué)與光譜分析, 2008, 28(9): 2 090-2 093.

[3] 李敏. 近紅外光譜技術(shù)在水果無損檢測中的最新研究進(jìn)展[J]. 綠色科技, 2013(10): 215-218.

[4] 屈亞堃, 宮元娟. 近紅外光譜技術(shù)在蘋果品質(zhì)無損檢測中的應(yīng)用[J]. 農(nóng)業(yè)科技與裝備, 2014(6): 32-33.

[5] 趙珂, 熊艷, 趙敏. 基于近紅外光譜技術(shù)的臍橙快速無損檢測[J]. 激光與紅外, 2011, 41(6): 649-652.

[6] 介鄧飛, 謝麗娟, 饒秀勤, 等. 近紅外光譜變量篩選提高西瓜糖度預(yù)測模型精度[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013(12): 264-270.

[7] 崔秀帥, 唐榮年, 楊舉華, 等. 芒果無損檢測方法的研究現(xiàn)狀及發(fā)展趨勢[J]. 貴州農(nóng)業(yè)科學(xué), 2013, 41(7): 167-170.

[8] 呂剛, 楊海清. 基于光譜技術(shù)的葡萄活體可溶性固體含量在線檢測研究[J]. 紅外, 2012, 33(10): 43-48.

[9] 陳辰, 魯曉翔, 張鵬, 等. 玫瑰香葡萄貯藏期間糖酸品質(zhì)的近紅外檢測[J]. 食品與發(fā)酵工業(yè), 2015(6): 175-180.

[10] 徐洪宇, 張京芳, 侯力璇, 等. 基于FT-NIR光譜技術(shù)檢測釀酒葡萄中可溶性固形物含量[J]. 中國食品學(xué)報(bào), 2013, 13(11): 153-159.

[11] 王亞紅. 葡萄中糖含量的近紅外檢測技術(shù)研究與儀器開發(fā)[D]. 桂林: 桂林電子科技大學(xué), 2014: 121-125.

[12] YAN Hui, LU Dao-li, CHEN Bin, et al. Development of a hand-held near infrared system based on an Android OS and MicroNIR, and its application in measuring soluble solids content in Fuji apples[J]. NIR news, 2014, 25(4): 16.

[13] ZOU Xiao-bo, ZHAO Jie-wen, POVEY M J W, et al. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta, 2010, 667(1/2): 14-32.

[14] 褚小立, 袁洪福, 陸婉珍. 近紅外分析中光譜預(yù)處理及波長選擇方法進(jìn)展與應(yīng)用[J]. 化學(xué)進(jìn)展, 2004, 16(4): 528-542.

[15] LI Hong-dong, XU Qing-song, LIANG Yi-zeng. Random frog: an efficient reversible jump Markov Chain Monte Carlo-like approach for variable selection with applications to gene selection and disease classification[J]. Anal Chim Acta, 2012(740): 20-26.[16] KASEMSUMRAN S, DU Yi-ping, LI Bo-yan, et al. Moving window cross validation: a new cross validation method for the selection of a rational number of components in a partial least squares calibration model[J]. Analyst, 2006, 131(4): 529-537.

[17] KOSHOUBU J, IWATA T, MINAMI S. Elimination of the uninformative calibration sample subset in the modified UVE(Uninformative Variable Elimination)-PLS (Partial Least Squares) method[J]. Anal Sci., 2001, 17(2): 319-22.

[18] JIANG Hui, LIU Guo-hai, MEI Cong-li, et al. Measurement of process variables in solid-state fermentation of wheat straw using FT-NIR spectroscopy and synergy interval PLS algorithm[J]. Spectrochimica Acta Part a-Molecular and Biomolecular Spectroscopy, 2012(97): 277-283.

[19] LI Jiang-bo, GUO Zhi-ming, HUANG Wen-qiang, et al. Near-infrared spectra combining with CARS and SPA algorithms to screen the variables and samples for quantitatively determining the soluble solids content in strawberry[J]. Guang Pu Xue Yu Guang Pu Fen Xi, 2015, 35(2): 372-8.

[20] CAO Nan-ning, WANG Jia-hua, LI Peng-feng, et al. Study on Variable Selection of NIR Spectral Information Based on GA and SCMWPLS[J]. Spectroscopy and Spectral Analysis, 2010, 30(4): 915-919.

[21] 丁光輝. PLS和GA應(yīng)用于部分有機(jī)污染物的QSAR研究[D]. 大連: 大連理工大學(xué), 2006: 97-99.

[22] 吳迪, 吳洪喜, 蔡景波, 等. 基于無信息變量消除法和連續(xù)投影算法的可見—近紅外光譜技術(shù)白蝦種分類方法研究[J]. 紅外與毫米波學(xué)報(bào), 2009, 28(6): 423-427.

[23] 陳立旦, 趙艷茹. 可見—近紅外光譜聯(lián)合隨機(jī)蛙跳算法檢測生物柴油含水量[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014(8): 168-173.

[24] 唐建平. 近紅外光譜在水果品質(zhì)檢測中的應(yīng)用[J]. 北京農(nóng)業(yè), 2014(24): 232-232.

[25] YAN Hui, HAN Bang-xing, WU Qiong-ying, et al. Rapid detection of Rosa laevigata polysaccharide content by near-infrared spectroscopy[J]. Spectrochim Acta A Mol Biomol Spectrosc, 2011, 79(1): 179-84.

[26] 丁姣, 蔡建榮, 張海東, 等. 近紅外結(jié)合Si-ELM檢測食醋品質(zhì)指標(biāo)[J]. 食品與機(jī)械, 2012, 28(1): 93-96.

[27] 安泉鑫, 陳莉, 龐林江, 等. 近紅外光譜技術(shù)在食品中的應(yīng)用進(jìn)展[J]. 食品與機(jī)械, 2012, 28(5): 239-242.

Determination of SSC content in single grape based on NIR combined with wavelength selection

GUO ChengMAYueLIANGMeng-xingYANHui

(SchoolofBiotechnology,JiangsuUniversityofScienceandTechnology,Zhenjiang,Jiangsu212000,China)

grapes; soluble solids content; NIRS; random frog; uninformative variable elimination

鎮(zhèn)江市農(nóng)業(yè)科技支撐項(xiàng)目(編號：NY2014032)

郭成，男，江蘇科技大學(xué)碩士研究生。

顏輝(1971—)，男，江蘇科技大學(xué)副教授，博士。

E-mail: yanh1006@163.com

2016-07-02