徐 麗，楊 杰，王運(yùn)祥，葉晉濤，馬本學(xué)*，呂 琛

(1.新疆惠遠(yuǎn)種業(yè)股份有限公司，新疆 石河子 832003； 2.石河子大學(xué) 機(jī)械電氣工程學(xué)院，新疆 石河子 832003)

采后葡萄可溶性固形物含量的高光譜成像檢測(cè)研究

徐 麗1，楊 杰2，王運(yùn)祥2，葉晉濤2，馬本學(xué)2*，呂 琛2

(1.新疆惠遠(yuǎn)種業(yè)股份有限公司，新疆 石河子 832003； 2.石河子大學(xué) 機(jī)械電氣工程學(xué)院，新疆 石河子 832003)

提出一種應(yīng)用高光譜成像技術(shù)檢測(cè)葡萄可溶性固形物含量的方法。使用高光譜成像系統(tǒng)采集葡萄漫反射光譜，在500～1 000 nm光譜，采用多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變換(SNV)進(jìn)行光程校正，結(jié)合一階微分(1-Der)、二階微分(2-Der)、Savitzky-Golay(S-G)平滑方法及其組合對(duì)原始光譜進(jìn)行預(yù)處理，建立可溶性固形物含量的偏最小二乘法(PLS)和逐步多元線性回歸(SMLR)模型。結(jié)果表明：采用PLS和SMLR建模方法均取得較好的預(yù)測(cè)效果。采用經(jīng)過(guò)MSC、1-Der和S-G平滑相結(jié)合預(yù)處理后的光譜建立PLS預(yù)測(cè)模型，校正集的相關(guān)系數(shù)Rc為0.979 1，RMSEC為0.265，預(yù)測(cè)集的相關(guān)系數(shù)Rp為0.962 0，RMSEP為0.372；采用原始光譜、1-Der和S-G平滑相結(jié)合預(yù)處理后的光譜建立SMLR預(yù)測(cè)模型，校正集的相關(guān)系數(shù)Rc為0.967 8，RMSEC為0.327，預(yù)測(cè)集的相關(guān)系數(shù)Rp為0.947 2，RMSEP為0.394。以上表明,基于高光譜成像技術(shù)可以實(shí)現(xiàn)采后葡萄可溶性固形物含量的準(zhǔn)確無(wú)損檢測(cè)。

高光譜成像技術(shù)； 光譜分析； 葡萄； 可溶性固形物； 偏最小二乘法

葡萄風(fēng)味優(yōu)美，具有豐富的營(yíng)養(yǎng)價(jià)值。隨著葡萄產(chǎn)量的不斷增加和人們生活水平的不斷提高，消費(fèi)者在選購(gòu)葡萄時(shí)，對(duì)其內(nèi)部營(yíng)養(yǎng)物質(zhì)極為看重。可溶性固形物含量是反映葡萄營(yíng)養(yǎng)物質(zhì)多少的重要化學(xué)成分指標(biāo)，是影響葡萄收獲及市場(chǎng)銷售的重要因素。因此,研究準(zhǔn)確快速測(cè)定可溶性固形物含量的方法具有重要意義。高光譜成像技術(shù)，作為新一代的光電無(wú)損檢測(cè)技術(shù)，結(jié)合了光譜技術(shù)和圖像技術(shù)的主要優(yōu)勢(shì)，可以實(shí)現(xiàn)光譜和空間信息的同步獲取，對(duì)待測(cè)對(duì)象的外部特性和內(nèi)部成分進(jìn)行感知和檢測(cè)。國(guó)內(nèi)外學(xué)者利用高光譜技術(shù)對(duì)水果內(nèi)部品質(zhì)，如藍(lán)莓[1]、草莓[2]、香蕉[3]、蘋(píng)果[4-6]、哈密瓜[7-8]和臍橙[9]等水果的可溶性固形物含量、堅(jiān)實(shí)度、硬度及酸度等進(jìn)行了檢測(cè)和分析。已取得的研究結(jié)果證明,高光譜成像技術(shù)在水果品質(zhì)檢測(cè)方面具有廣闊的應(yīng)用前景。在國(guó)內(nèi)外葡萄內(nèi)部品質(zhì)檢測(cè)研究中，Valentina等[10]評(píng)價(jià)了便攜式可見(jiàn)/近紅外分光光度計(jì)檢測(cè)葡萄的成熟度的效果；Barbara等[11]通過(guò)可見(jiàn)/近紅外光纖探針接觸到葡萄果渣，對(duì)乙醇、乙酸含量等品質(zhì)指標(biāo)進(jìn)行研究；呂剛[12]利用可見(jiàn)/近紅外光譜技術(shù)對(duì)生長(zhǎng)期的葡萄可溶性固形物含量進(jìn)行檢測(cè)研究；吳桂芳等[13]進(jìn)行了成熟葡萄漿果糖度的可見(jiàn)/近紅外光譜檢測(cè)研究。但鮮見(jiàn)采用高光譜成像技術(shù)對(duì)采后葡萄內(nèi)部品質(zhì)檢測(cè)的相關(guān)研究報(bào)道。鑒于此，以采后新疆紅提葡萄為研究對(duì)象，利用高光譜成像技術(shù)對(duì)其可溶性固形物含量進(jìn)行檢測(cè)研究，從而為利用高光譜成像技術(shù)進(jìn)行葡萄品質(zhì)的檢測(cè)與分級(jí)提供技術(shù)依據(jù)。

1 材料和方法

1.1 試驗(yàn)樣本

選取105個(gè)紅提葡萄果穗，從每個(gè)果穗上的穗節(jié)部、穗中部、穗內(nèi)部和穗尖部各選3粒葡萄果粒共12粒作為1個(gè)樣本，共105個(gè)樣本。

1.2 高光譜數(shù)據(jù)的采集

高光譜成像采集系統(tǒng)主要構(gòu)成部分：線陣CCD攝像機(jī)(Hamastsu Ltd.，日本)、線掃描成像光譜儀Imspector V10E-QE(Spectral Imaing Ltd.，芬蘭)、鏡頭OLE-23 (Spectral Imaing Ltd.，芬蘭)、光纖鹵素?zé)?DCR Ⅲ型，150 W,Schott，美國(guó))、電移臺(tái)PSA200-11-X(北京卓立漢光有限公司)、光源調(diào)節(jié)器(3900，Schott，美國(guó))、電移臺(tái)控制器SC300-1A(北京卓立漢光有限公司)。

采集光譜前將儀器預(yù)熱30 min，以防基線漂移造成數(shù)據(jù)不準(zhǔn)，通過(guò)對(duì)高光譜圖像黑白校正，以消除光源強(qiáng)度分布不均勻的噪音與暗電流，確定曝光時(shí)間和位移臺(tái)運(yùn)行速度。最終儀器使用參量設(shè)置為：光譜范圍408～1 013 nm，光譜分辨率2.8 nm，曝光時(shí)間12.7 ms，物距348 mm，移動(dòng)平臺(tái)速度3.54 mm/s。全套系統(tǒng)的外部被黑色的密閉柜封閉，以避免外界光照對(duì)采集圖像的影響。

1.3 可溶性固形物含量的測(cè)定

應(yīng)用數(shù)字式折射儀(PR-101α，Atago Co.，Ltd.，日本)測(cè)定葡萄可溶性固形物含量。測(cè)量前，用蒸餾水對(duì)數(shù)字式折射儀校正零點(diǎn)。使用手工壓榨機(jī)將經(jīng)高光譜圖像采集和剝皮后的葡萄榨汁，經(jīng)紗布過(guò)濾后覆蓋折射儀鏡面并讀取數(shù)值。重復(fù)取樣測(cè)量3次，取平均值作為葡萄樣品可溶性固形物含量的實(shí)際值。

采用含量梯度法[14]將上述105個(gè)樣本所測(cè)可溶性固形物含量進(jìn)行高低升序排列，然后按3∶1的原則分成校正集和預(yù)測(cè)集，最終校正集含有79個(gè)樣本，預(yù)測(cè)集含有26個(gè)樣本。表1列出了被測(cè)葡萄可溶性固形物含量實(shí)測(cè)值的最大值、最小值、平均值和標(biāo)準(zhǔn)偏差。

表1 可溶性固形物含量校正集與預(yù)測(cè)集實(shí)測(cè)值分布

1.4 高光譜數(shù)據(jù)處理分析方法

1.4.1 高光譜圖像中漫反射光譜響應(yīng)信息的獲取 高光譜圖像數(shù)據(jù)基于Spectral cube 軟件(Spectral Imaging Ltd.,芬蘭)進(jìn)行采集，通過(guò)ENVI4.7(Research system Inc,Co.,美國(guó))選擇樣本感興趣區(qū)域(region of interest,ROI)，為了提高化學(xué)計(jì)量學(xué)模型的準(zhǔn)確性，選取整個(gè)樣本的每粒葡萄的圖像作為ROI(飽和點(diǎn)除外)，并計(jì)算光譜的平均反射值，得到樣本反射光譜曲線(圖1)。由于小于500 nm和大于1 000 nm的光譜數(shù)據(jù)存在明顯噪聲，因此，選取500～1 000 nm波長(zhǎng)數(shù)據(jù)進(jìn)行分析。

圖1 葡萄可溶性固形物含量的原始光譜曲線

1.4.2 光譜數(shù)據(jù)處理與數(shù)據(jù)分析 采用多種方法及其組合對(duì)原始光譜進(jìn)行預(yù)處理，多元信號(hào)修正(multiplicative signal correction，MSC)、標(biāo)準(zhǔn)正態(tài)變換(standard normal variate，SNV)方法來(lái)光程校正，消除散射對(duì)樣本造成的影響。一階微分(first derivative，1-Der)、二階微分(second derivative，2-Der)凈化圖譜消除光譜偏移或漂移，卷積平滑(Savitzky-Golay，S-G)消除光譜中包含的高頻噪聲。建立葡萄可溶性固形物含量的高光譜無(wú)損檢測(cè)數(shù)學(xué)模型，來(lái)預(yù)測(cè)其可溶性固形物含量，并對(duì)數(shù)學(xué)模型的預(yù)測(cè)能力進(jìn)行驗(yàn)證和精度評(píng)價(jià)。應(yīng)用偏最小二乘法(PLS) 和逐步多元線性回歸法(SMLR)建立預(yù)測(cè)模型。

采用相關(guān)系數(shù)R和均方根誤差RMSE對(duì)模型進(jìn)行評(píng)價(jià)。校正/預(yù)測(cè)相關(guān)系數(shù)(Rc/Rp)的值越接近1，所建模型精度越高，校正/預(yù)測(cè)均方根誤差(RMSEC/RMSEP)的值越接近零，且RMSEC和RMSEP差異越小，所建模型越穩(wěn)健。

2 結(jié)果與分析

2.1 異常樣本的剔除

在建模之前，需要對(duì)異常樣本進(jìn)行剔除。個(gè)別樣本在光譜成像或光譜采集時(shí)出現(xiàn)操作失誤，為減少異常樣本對(duì)檢測(cè)結(jié)果的影響，本試驗(yàn)采用的剔除方法為狄克松(Dixon)檢驗(yàn)法，采用偏差在95%置信區(qū)間外的光譜判定為異常的原則，105個(gè)樣本光譜的分析結(jié)果按照馬氏距離值(mahalanobis distant)[15]由低到高依次排序如圖2所示。由圖2可知，樣本42和樣本52超過(guò)Chauvenet測(cè)試臨界閾值1.683，將其視為異常樣本剔除后得到77個(gè)校正集、26個(gè)預(yù)測(cè)集。

圖2 葡萄樣本的狄克松檢驗(yàn)結(jié)果

2.2 PLS與SMLR的可溶性固形物含量預(yù)測(cè)分析

2.2.1 不同預(yù)處理應(yīng)用PLS建模評(píng)估 PLS算法是集主成分分析和因子分析為一體的回歸預(yù)測(cè)模型。通過(guò)建立葡萄光譜信息和葡萄可溶性固形物含量的PLS模型，對(duì)預(yù)測(cè)集可溶性固形物含量進(jìn)行預(yù)測(cè)。目前在建模過(guò)程中，最為常用的確定因子數(shù)標(biāo)準(zhǔn)方法是預(yù)測(cè)殘差平方和(PRESS)，PRESS越小，表明模型的預(yù)測(cè)能力越好。因此，一般取PRESS最小時(shí)對(duì)應(yīng)的主因子數(shù)作為建模最佳主成分?jǐn)?shù)[14]，一般因子數(shù)應(yīng)限制在20個(gè)以內(nèi)，以防止過(guò)擬合現(xiàn)象出現(xiàn)[16]。采用MSC、SNV進(jìn)行光程校正，結(jié)合S-G平滑、1-Der、2-Der方法及其組合對(duì)原始光譜進(jìn)行預(yù)處理，將預(yù)處理后的光譜數(shù)據(jù)建立PLS數(shù)學(xué)模型。通過(guò)綜合比較分析Rc、Rp、RMSEC、RMSEP值的大小，確定最優(yōu)的可溶性固形物含量定量分析模型。各組合最優(yōu)定標(biāo)結(jié)果見(jiàn)表2。

表2 不同預(yù)處理應(yīng)用PLS建模結(jié)果

對(duì)經(jīng)過(guò)MSC、1-Der和S-G平滑相結(jié)合預(yù)處理后的光譜建立PLS預(yù)測(cè)模型，采用PRESS進(jìn)行因子數(shù)獲取，因子數(shù)與PRESS值關(guān)系如圖3所示。當(dāng)因子數(shù)為1～11個(gè)時(shí)，PRESS值從73.893 9到15.632 1，呈近似線性下降，因子數(shù)為12～16個(gè)時(shí)，PRESS值緩慢下降，當(dāng)因子數(shù)為16個(gè)時(shí)達(dá)到最小值(14.270 7)，然后又上升，因此,最佳因子數(shù)為16個(gè)。

圖3 因子數(shù)與PRESS值的關(guān)系

在對(duì)原始光譜進(jìn)行預(yù)處理后的數(shù)據(jù)建立的PLS模型中，使用MSC、1-Der 結(jié)合S-G(11,1)平滑處理過(guò)的模型相對(duì)穩(wěn)定，建模效果較好，當(dāng)因子數(shù)為16個(gè)時(shí)，校正集可溶性固形物含量的相關(guān)系數(shù)Rc為0.979 1，RMSEC為0.265，預(yù)測(cè)集可溶性固形物含量的相關(guān)系數(shù)Rp為0.962 0，RMSEP為0.372。

其中Rc、Rp都較高，RMSEC和RMSEP均低且接近。葡萄可溶性固形物PLS建模校正集和驗(yàn)證集相關(guān)性結(jié)果如圖4所示。

圖4 葡萄可溶性固形物含量的PLS建模結(jié)果

2.2.2 不同預(yù)處理應(yīng)用SMLR建模評(píng)估 SMLR算法將全部葡萄光譜數(shù)據(jù)參與回歸，在回歸方程中，根據(jù)F檢驗(yàn)，逐步剔除對(duì)可溶性固形物含量影響不顯著的變量，直到無(wú)法剔除為止。采用MSC、SNV進(jìn)行光程校正，結(jié)合S-G平滑、1-Der、2-Der方法及其組合對(duì)原始光譜進(jìn)行預(yù)處理，將預(yù)處理后的光譜數(shù)據(jù)建立SMLR數(shù)學(xué)模型。通過(guò)綜合比較分析Rc、Rp、RMSEC、RMSEP值的大小，確定最優(yōu)的可溶性固形物含量定量分析模型。各組合最優(yōu)定標(biāo)結(jié)果見(jiàn)表3。

表3 不同預(yù)處理應(yīng)用SMLR建模結(jié)果

在對(duì)原始光譜進(jìn)行預(yù)處理后的數(shù)據(jù)建立的SMLR模型中，使用1-Der 結(jié)合S-G(11,1)平滑處理過(guò)的模型相對(duì)穩(wěn)定，建模效果較好，當(dāng)因子數(shù)為12個(gè)時(shí)，校正集可溶性固形物含量的相關(guān)系數(shù)Rc為0.967 8，RMSEC為0.327，預(yù)測(cè)集可溶性固形物含量的相關(guān)系數(shù)Rp為0.947 2，RMSEP為0.394。其中Rc、Rp都較高，RMSEC和RMSEP最低且最接近。葡萄可溶性固形物SMLR建模校正集和驗(yàn)證集相關(guān)性結(jié)果如圖5所示。

圖5 葡萄可溶性固形物含量的SMLR建模結(jié)果

3 結(jié)論

本試驗(yàn)提出了應(yīng)用高光譜成像技術(shù)檢測(cè)紅提葡萄內(nèi)部可溶性固形物含量的方法。運(yùn)用多種預(yù)處理方法，減少非目標(biāo)因素影響，并建立了檢測(cè)定量分析模型。結(jié)果表明，采用PLS及SMLR建模方法均取得較好的預(yù)測(cè)效果，采用經(jīng)過(guò)MSC、1-Der和S-G平滑相結(jié)合預(yù)處理后的光譜建立PLS預(yù)測(cè)模型，其Rc為0.979 1，RMSEC為0.265，Rp為0.962 0，RMSEP為0.372；采用原始光譜、1-Der和S-G平滑相結(jié)合預(yù)處理后的光譜建立SMLR預(yù)測(cè)模型，其Rc為0.967 8，RMSEC為0.327，Rp為0.947 2，RMSEP為0.394。表明利用高光譜成像技術(shù)對(duì)采后葡萄可溶性固形物含量檢測(cè)是可行的。在今后的研究中可以增加樣本數(shù)量和種類，研究生長(zhǎng)期、溫度等對(duì)葡萄內(nèi)部品質(zhì)指標(biāo)模型的影響，建立一個(gè)預(yù)測(cè)性能高且可移植的模型，促進(jìn)該技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用。

[1] Gabriel A,Leiva V,Lu R F,etal.Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging[J].Journal of Food Engineering,2013,115:91-98.

[2] Eimasry G,Wang N,Adel E,etal.Hyperspectral imaging for non-destructive determination of some quality attributes for strawberry[J].Journal of Food Engineering,2007,81:98-107.

[3] Rajkumar P,Wang N,Eimasry G.Studies on banana fruitquality and maturity stages using hyperspectral imaging[J].Journal of Food Engineering,2012,108:194-200.

[4] Mendoza F,Lu R,Ariana D,etal.Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content[J].Postharvest Biology and Technology,2011,62(2):149-160.

[5] 單佳佳,彭彥昆,王偉,等.基于高光譜成像技術(shù)的蘋(píng)果內(nèi)外品質(zhì)同時(shí)檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42(3):140-144.

[6] 黃文倩,李江波,陳立平,等.以高光譜數(shù)據(jù)有效預(yù)測(cè)蘋(píng)果可溶性固形物含量[J].光譜學(xué)與光譜分析，2013，33(10)：2843-2846.

[7] 李鋒霞,馬本學(xué),何青海,等.哈密瓜堅(jiān)實(shí)度的高光譜無(wú)損檢測(cè)技術(shù)[J].光子學(xué)報(bào)，2013，42(5)：592-595.

[8] 馬本學(xué),肖文東,祁想想,等.基于漫反射高光譜成像技術(shù)的哈密瓜糖度無(wú)損檢測(cè)研究[J].光譜學(xué)與光譜分析,2012,32(11)：3093-3097.

[9] 薛龍,黎靜,劉木華,等.基于遺傳算法的臍橙可溶性固形物的可見(jiàn)/近紅外光譜無(wú)損檢測(cè)[J].激光與光電子學(xué)進(jìn)展,2010，47(12):109-113.

[10] Valentina G,Roberto B,Cristina M.Wavelength selection with a view to a simplified handheld optical system to estimate grape ripeness[J].Am J Enol Vitic,2014,65(1):117-123.

[11] Barbara B,Massimo D M,Milena C.Indirect evaluation of microbial spoiling activity in grape marcs by near-infrared spectroscopy[J].Am J Enol Vitic,2013,64(3):411-415.

[12] 呂剛.基于光譜和多光譜成像技術(shù)的葡萄內(nèi)部品質(zhì)快速無(wú)損檢測(cè)與儀器研究[D].杭州:浙江工業(yè)大學(xué),2013.

[13] 吳桂芳,黃凌霞,何勇.葡萄漿果糖度可見(jiàn)/近紅外光譜檢測(cè)的研究[J].光譜學(xué)與光譜分析,2008,28(9):2090-2093.

[14] 張小超,吳靜珠,徐云.近紅外光譜分析技術(shù)及其在現(xiàn)代農(nóng)業(yè)中的應(yīng)用[M].北京:電子工業(yè)出版社,2012.

[15] 嚴(yán)衍祿,陳斌,朱大洲,等.近紅外光譜分析的原理、技術(shù)與應(yīng)用[M].北京:中國(guó)輕工業(yè)出版社,2013.

[16] 劉便霞.PLS校正集對(duì)FT-IR光譜定量分析精度的影響[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2011.

Detection of Soluble Solids Content of Postharvest Grape Based on Hyperspectral Imaging

XU Li1,YANG Jie2,WANG Yunxiang2,YE Jintao2,MA Benxue2*,Lü Chen2

(1.Xinjiang Huiyuan Seed Industry Co.,Ltd.,Shihezi 832003,China; 2.Mechanical and Electrical Engineering College,Shihezi University,Shihezi 832003,China)

A detection method of soluble solids content in grape based on hyperspectral imaging technology was proposed.The hyperspectral imaging system was used to collect the diffuse reflectance spectra of grape.In the spectra of 500—1 000 nm,multiplicative signal correction(MSC) and standard normal variate(SNV) were used to correct spectra,combined with first derivative(1-Der),second derivative(2-Der),Savitzky-Golay(S-G) smoothing and their combinations to preprocess the original reflectance spectra.Different calibration models of soluble solids content were developed based on partial least square(PLS) and stepwise multiple linear regression(SMLR).The results showed that the modeling effects were both very good using the method of PLS and SMLR.PLS prediction model was established after the pretreatment of MSC,1-Der and S-G smoothing.The correlation coefficient of calibration set(Rc) was 0.979 1 with the root mean square error of calibration set(RMSEC) of 0.265,and the correlation coefficient of prediction set(Rp) was 0.962 0 with root mean square error of predition set(RMSEP) of 0.372.SMLR prediction model was established after the pretreatment of original spectra,1-Der and S-G smoothing.TheRcwas 0.967 8 withRMSECof 0.327,and theRpwas 0.947 2 withRMSEPof 0.394.The study showed that hyperspectral imaging technique could determine soluble solids content of postharvest grape accurately and non-destructively.

hyperspectral imaging technique; spectrum analysis; grape; soluble solids content; partial least square

2016-11-25

國(guó)家科技支撐計(jì)劃項(xiàng)目(2015BAD19B03)

徐 麗(1970-),女，河南永城人，碩士，主要從事農(nóng)產(chǎn)品智能化檢測(cè)與分級(jí)裝備研究。 E-mail：626061652@qq.com

*通訊作者：馬本學(xué)(1970-)，男，山東章丘人，教授，主要從事農(nóng)產(chǎn)品智能化檢測(cè)與分級(jí)裝備研究。 E-mail：mbx_shz@163.com

S663.1;O657.39;TP274

A

1004-3268(2017)03-0143-05