介鄧飛 楊 杰 彭雅欣 連裕翔 張 登

(華中農(nóng)業(yè)大學(xué)工學(xué)院，湖北 武漢 430070)

基于高光譜技術(shù)的柑橘不同部位糖度預(yù)測(cè)模型研究

介鄧飛 楊 杰 彭雅欣 連裕翔 張 登

(華中農(nóng)業(yè)大學(xué)工學(xué)院，湖北 武漢 430070)

利用高光譜技術(shù)研究柑橘不同部位的糖度預(yù)測(cè)模型，將花萼、果梗和赤道部位的高光譜信息分別建立與其對(duì)應(yīng)部位糖度的預(yù)測(cè)模型，建立基于偏最小二乘(Least squares regression，PLSR)、主成分回歸(Principal component regression，PCR)和多元線性回歸(Stepwise multivariate linear regression，SMLR)預(yù)測(cè)模型，3種預(yù)測(cè)模型中PLSR模型檢測(cè)效果最好，通過(guò)Norris derivative預(yù)處理方法對(duì)花萼光譜數(shù)據(jù)進(jìn)行處理后，預(yù)測(cè)集相關(guān)系數(shù)rpre=0.950，預(yù)測(cè)集均方根誤差RMSEP=0.636 °Brix。結(jié)果表明，采用柑橘不同部位的高光譜信息與對(duì)應(yīng)糖度預(yù)測(cè)模型是可行的，花萼部位所建立模型的效果優(yōu)于果梗、赤道部位，因此花萼部位可作為優(yōu)先選擇的光譜檢測(cè)部位，這對(duì)于指導(dǎo)實(shí)際檢測(cè)分級(jí)生產(chǎn)中柑橘的擺放位置具有重要意義；采用PLSR方法建立柑橘花萼、果梗和赤道部位的高光譜信息與平均糖度的預(yù)測(cè)模型時(shí)，花萼部位模型效果最好，預(yù)測(cè)集相關(guān)系數(shù)rpre=0.913，預(yù)測(cè)集均方根誤差RMSEP=0.621 °Brix，建模效果相較于對(duì)應(yīng)部位光譜與糖度模型差，因此，采用柑橘全部果肉的平均糖度與采集部位光譜建立糖度預(yù)測(cè)模型具有一定的局限性。

高光譜技術(shù)；柑橘；糖度預(yù)測(cè)模型；無(wú)損檢測(cè)；

近年來(lái)，隨著社會(huì)的發(fā)展和人們消費(fèi)觀念的不斷提高，農(nóng)產(chǎn)品的品質(zhì)問(wèn)題越來(lái)越為人們所重視。柑橘作為世界第一大水果，富含VC、類(lèi)胡蘿卜素、類(lèi)黃酮等功能性物質(zhì)，為消費(fèi)者所喜愛(ài)。柑橘果實(shí)中可溶性糖含量與其風(fēng)味品質(zhì)密切相關(guān)，是其重要的品質(zhì)指標(biāo)。在柑橘果實(shí)的發(fā)育過(guò)程中，柑橘內(nèi)部糖度的分布受到其生長(zhǎng)環(huán)境的影響，可能造成不同果實(shí)的可溶性糖積累情況差異較大[1]。在實(shí)際生產(chǎn)加工的過(guò)程中，對(duì)柑橘進(jìn)行檢測(cè)與分級(jí)是商品化處理中一個(gè)重要的步驟，而其糖度是對(duì)柑橘進(jìn)行分級(jí)的重要參考指標(biāo)[2]。

高光譜成像技術(shù)兼?zhèn)鋱D像與光譜兩者的優(yōu)點(diǎn)，在農(nóng)產(chǎn)品品質(zhì)和安全性評(píng)估方面具有巨大應(yīng)用潛力，已廣泛應(yīng)用于葡萄[3]、藍(lán)莓[4]、圣女果[5]、黃瓜[6]、棗[7]、桃子[8]等農(nóng)產(chǎn)品品質(zhì)檢測(cè)[9-11]。在柑橘品質(zhì)檢測(cè)方面，Kim等[12]利用高光譜成像技術(shù)建立了柑橘黑斑病檢測(cè)模型，檢測(cè)精度可達(dá)97.9%。Qin等[13]利用主成分分析(Principal Component Analysis，PCA)方法對(duì)柑橘潰瘍的高光譜圖像進(jìn)行無(wú)損檢測(cè)分析，檢測(cè)準(zhǔn)確度為92.7%。而在柑橘糖度的內(nèi)部品質(zhì)無(wú)損檢測(cè)方面，許文麗等[14]應(yīng)用USB4000便攜式近紅外光譜儀獲取不同放置方位下的贛南臍橙的可溶性固形物含量，研究了柑橘的果梗和花萼部位不同夾角的入射光線對(duì)光譜圖像的影響。

目前的研究中，大多數(shù)是對(duì)整個(gè)柑橘果肉進(jìn)行榨汁后測(cè)定其糖度，而柑橘不同部位的光譜特征信息差異較大，柑橘在光譜檢測(cè)過(guò)程中，由于光源入射角度的原因某些部位的信息可能不會(huì)被光譜儀所接收，若在不考慮檢測(cè)部位的情況下，與光譜信息所建立的糖度檢測(cè)模型將會(huì)對(duì)判斷柑橘糖度品質(zhì)產(chǎn)生一定的干擾，影響其檢測(cè)精度?；诟吖庾V技術(shù)對(duì)柑橘進(jìn)行糖度無(wú)損檢測(cè)時(shí)，尋找柑橘最具代表性的檢測(cè)部位，探索檢測(cè)部位糖度與光譜信息相關(guān)關(guān)系至關(guān)重要，適宜的檢測(cè)部位可以有效獲得柑橘內(nèi)部信息，從而提高柑橘糖度在線檢測(cè)精度。本研究擬采用高光譜技術(shù)采集柑橘花萼、果梗和赤道部位的透射光譜信息，分別取對(duì)應(yīng)部位的果肉進(jìn)行榨汁測(cè)定其糖度值，研究柑橘不同部位糖度與高光譜信息之間的相關(guān)關(guān)系，建立糖度預(yù)測(cè)模型，探索適宜在線檢測(cè)與分級(jí)的柑橘擺放位置和糖度建模方法，旨在為柑橘無(wú)損檢測(cè)分級(jí)加工設(shè)備開(kāi)發(fā)提供技術(shù)支持和研究基礎(chǔ)。

1 材料與方法

1.1 試驗(yàn)材料與儀器

新鮮柑橘樣本：采摘于湖北省武漢市江夏區(qū)某橘園，所采摘柑橘大小接近，外觀完好。采摘當(dāng)天運(yùn)回實(shí)驗(yàn)室后，進(jìn)行檢查和篩選，選取試驗(yàn)樣本70個(gè)，并對(duì)試驗(yàn)樣本依次進(jìn)行編號(hào)，記錄其外觀尺寸和重量，在24 ℃(室溫)下存放待測(cè)；

手持糖度計(jì)：WYT-4型，福建泉州光學(xué)儀器廠；

電子天平：APTP452型，中國(guó)深圳安普特公司；

游標(biāo)卡尺：MNT-150E型，中國(guó)上海美耐特公司；

高光譜成像光譜儀：Specim V10E型，芬蘭SPECIM公司。

1.2 試驗(yàn)方法

1.2.1 光譜采集 柑橘試驗(yàn)樣本的高光譜圖像信息通過(guò)漫透射的方式獲取。高光譜漫透射成像系統(tǒng)由光譜儀、鏡頭、光源、電動(dòng)位移平臺(tái)、風(fēng)扇和電腦組成，裝置示意圖見(jiàn)圖1。高光譜成像儀是由CCD攝像頭(Andor，Clara，Britain)、圖像光譜儀(SPECIM，V10E-CL，F(xiàn)inland)和成像鏡頭組成，樣品室光源采用4盞50 W鹵素?zé)?，風(fēng)扇用于樣品室的散熱。光譜儀的光譜范圍是390～1 055 nm，分辨率為2.8 nm，像素為1 392×1 040。

在對(duì)樣本進(jìn)行試驗(yàn)之前，對(duì)試驗(yàn)裝置的各項(xiàng)參數(shù)進(jìn)行調(diào)試以獲得較高信噪比高光譜圖像，調(diào)整完畢后，進(jìn)行信息采集試驗(yàn)。試驗(yàn)過(guò)程中采集柑橘花萼、果梗和赤道部位的光譜信息，光譜采集部位示意圖見(jiàn)圖2，曝光時(shí)間設(shè)置為100 ms，電動(dòng)位移平臺(tái)移動(dòng)速度設(shè)置為2 mm/s，通過(guò)Spectral SECN-V17E軟件記錄柑橘高光譜漫透射圖像。

1. 電腦 2. 電動(dòng)機(jī) 3. 電動(dòng)位移臺(tái) 4. 升降臺(tái) 5. 風(fēng)扇 6. 光源 7. 柑橘 8. 鏡頭 9. 光譜儀 10. 相機(jī)

圖1 高光譜透射成像系統(tǒng)

Figure 1 The acquisition of the transmission spectra of citrus by hyperspectral imaging system

1.2.2 理化指標(biāo)的測(cè)定 高光譜圖像采集完畢之后，進(jìn)行糖度理化指標(biāo)測(cè)定。采用糖度計(jì)測(cè)定柑橘可溶性固形物，將蒸餾水滴定在棱鏡玻璃面上，蓋上蓋板，檢查示數(shù)并進(jìn)行調(diào)零操作，將柑橘的花萼、果梗和赤道部位的果肉分別榨汁測(cè)定其可溶性固體物(Soluble Solids Content，SSC)含量，并對(duì)柑橘樣本均進(jìn)行重復(fù)試驗(yàn)。

1.2.3 分析方法和軟件 利用ENVI 4.6(美國(guó)Exelis Visual Information Solutions公司)對(duì)采集到的柑橘高光譜信息進(jìn)行處理，將樣本與背景分離作為感興趣區(qū)域(Region of Interest，ROI)以減少冗余，對(duì)所有樣品進(jìn)行類(lèi)似處理，計(jì)算ROI的平均光譜，作為定量分析的輸入數(shù)據(jù)。采用TQ Analyst 8.0(美國(guó)Thermo公司)和MATLAB 2010a(美國(guó)MathWorks公司)軟件進(jìn)行數(shù)據(jù)處理。通過(guò)相關(guān)系數(shù)(r)、模型的校正均方根誤差(Root mean square error of calibration，RMSEC)和模型的預(yù)測(cè)均方根誤差(Root mean square error of prediction，RMSEP)對(duì)模型的穩(wěn)定性和準(zhǔn)確性進(jìn)行評(píng)價(jià)，模型的相關(guān)系數(shù)r越大越好(包括校正集相關(guān)系數(shù)rcal和預(yù)測(cè)集相關(guān)系數(shù)rpre)，RMSEC和RMSEP越小越好，所建的模型效果越好[15-16]。

2 結(jié)果與分析

2.1 光譜分析

柑橘高光譜圖兩端噪音較大，去除首尾噪音部分，選取550～950 nm范圍內(nèi)的光譜，見(jiàn)圖3，共計(jì)313個(gè)波段進(jìn)行后續(xù)分析。由圖3可知，柑橘高光譜圖在650，720，810 nm附近有3個(gè)波峰，在680 nm和760 nm附近有兩個(gè)波谷。

2.2 柑橘糖度品質(zhì)指標(biāo)測(cè)量結(jié)果

由表1可知，柑橘花萼部位的變異系數(shù)值大于果梗部位和赤道部位，說(shuō)明花萼部位的可溶性固形物的分布離散性較大。隨著生長(zhǎng)時(shí)間的延長(zhǎng)，柑橘樣品中可溶性固形物的量不斷增加，變化較大的品質(zhì)指標(biāo)更能夠顯示出柑橘糖度品質(zhì)的變化，可以預(yù)見(jiàn)柑橘花萼部位的高光譜檢測(cè)效果應(yīng)優(yōu)于果梗部位和赤道部位。

2.3 異常光譜剔除

TQ Analyst軟件中Spectrum Outlier功能可實(shí)現(xiàn)對(duì)異常光譜的剔除。通過(guò)計(jì)算每個(gè)光譜與樣本光譜平均值之間的差值，將差值大于平均光譜標(biāo)準(zhǔn)差值的0.95置信區(qū)間的異常值剔除。使用Leverage功能實(shí)現(xiàn)對(duì)濃度異常樣本的剔除，通過(guò)杠桿值和學(xué)生殘差查驗(yàn)方式，將靠近上、下邊緣殘差或杠桿值較大的樣本暫定為異常樣本，之后對(duì)這些樣本逐次回收計(jì)算校驗(yàn)。將所有樣本均設(shè)為建模集，使用PLSR方法建模分析，根據(jù)模型的性能好壞確定是否為異常濃度樣本。柑橘樣本的花萼、果梗、赤道部位光譜分析時(shí)，需使用上述方法將異常樣本剔除。

2.4 光譜預(yù)處理

在光譜數(shù)據(jù)中存在許多不同類(lèi)型的隨機(jī)噪聲，諸如相機(jī)中的讀出噪聲和暗電流，其顯著影響圖像數(shù)據(jù)。在建立預(yù)測(cè)模型之前，對(duì)平均光譜數(shù)據(jù)應(yīng)用預(yù)處理方法，以減少高頻隨機(jī)噪聲、樣本中的不均勻性和表面散射的影響。預(yù)處理方法包括多元散射校正(Multiplicative signal correction，MSC)、標(biāo)準(zhǔn)正態(tài)變量校正(Standard normal variable，SNV)、一階導(dǎo)數(shù)(First derivative)、二階導(dǎo)數(shù)(Second derivative)、Savitzky-Golay平滑和Norris derivative平滑等。本研究采用花萼部位建模效果的差異選取預(yù)處理方法，預(yù)處理結(jié)果見(jiàn)表2。

對(duì)樣本數(shù)據(jù)采用不同光譜預(yù)處理方法后，對(duì)花萼部位建立PLSR模型，通過(guò)比較不同預(yù)處理方法下模型效果來(lái)確定預(yù)處理方法。經(jīng)對(duì)比，原始光譜模型效果最差，預(yù)測(cè)集相關(guān)系數(shù)rpre=0.834，RMSEP=0.985 °Brix，而Norris derivative平滑處理后效果最優(yōu)，預(yù)測(cè)集相關(guān)系數(shù)rpre=0.950，RMSEP=0.636 °Brix。綜上所述，對(duì)于該試驗(yàn)的預(yù)處理方法，Norris derivative平滑時(shí)建模效果最好，因此，后續(xù)的模型分析都是基于Norris derivative預(yù)處理方法進(jìn)行。

2.5 預(yù)測(cè)模型的建立

2.5.1 不同預(yù)測(cè)部位糖度的光譜預(yù)測(cè)模型比較 分別應(yīng)用PLSR、PCR、SMLR方法建立了柑橘花萼部位，赤道部位和果梗部位糖度的預(yù)測(cè)模型，通過(guò)模型預(yù)測(cè)值與真實(shí)值的相關(guān)結(jié)果比較，得到建模效果見(jiàn)表3。

由表3可知，對(duì)PLSR、PCR和SMLR 3種建模方法而言，PLSR方法所建模型的效果最好。在此建模方法下，柑橘的花萼部位所建立高光譜信息與糖度模型的預(yù)測(cè)集相關(guān)系數(shù)最優(yōu)(rpre=0.950，RMSEP=0.636 °Brix)，赤道部位所建模型的預(yù)測(cè)集相關(guān)性其次(rpre=0.883，RMSEP=0.660 °Brix)，果梗部位所建模型預(yù)測(cè)集相關(guān)性相對(duì)最差(rpre=0.753，RMSEP=0.654 °Brix)。花萼部位的高光譜信息與糖度建模效果最優(yōu)，可將其作為預(yù)測(cè)柑橘糖度的檢測(cè)部位，分析結(jié)果對(duì)指導(dǎo)柑橘無(wú)損檢測(cè)分級(jí)加工過(guò)程中的擺放位置具有現(xiàn)實(shí)意義。

2.5.2 平均糖度與光譜特性信息檢測(cè)模型比較 為了探索花萼、果梗和赤道部位光譜與柑橘全部果肉平均糖度的建模關(guān)系，將花萼、果梗和赤道部位所測(cè)糖度取平均值，作為柑橘平均糖度值，并將各檢測(cè)位置光譜信息與平均糖度建立預(yù)測(cè)模型。

根據(jù)2.5.1的結(jié)論，PLSR方法下所建立模型效果較好，利用經(jīng)Norris derivative預(yù)處理后柑橘各位置高光譜對(duì)柑橘平均糖度建立PLSR預(yù)測(cè)模型。

由表4可知，花萼、果梗和赤道部位高光譜信息和平均糖度關(guān)系較對(duì)應(yīng)部位糖度模型建模效果差一些。其中花萼部位的相關(guān)性(rpre=0.913，RMSEP=0.621 °Brix)略高于果梗和赤道部位，但不足以作為預(yù)測(cè)柑橘平均糖度的直接條件。研究表明，采用柑橘整體果肉榨汁取平均糖度對(duì)應(yīng)高光譜信息進(jìn)行建模預(yù)測(cè)的方法缺乏合理性。

3 結(jié)論

本試驗(yàn)采用高光譜技術(shù)采集柑橘花萼、果梗和赤道部位的高光譜圖像，將花萼、果梗和赤道部位的果肉分別榨汁測(cè)定其SSC值，分別建立對(duì)應(yīng)部位光譜的糖度預(yù)測(cè)模型。柑橘樣本漫透射光譜經(jīng)Norris derivative預(yù)處理后建模效果較好，基于PLSR、PCR、SMLR 3種建模方法中，PLSR預(yù)測(cè)結(jié)果優(yōu)于PCR和SMLR預(yù)測(cè)結(jié)果。柑橘不同部位所建立的PLSR糖度預(yù)測(cè)模型性能差異較明顯，花萼部位的預(yù)測(cè)性能優(yōu)于果梗和赤道部位，其預(yù)測(cè)集相關(guān)系數(shù)rpre=0.950，預(yù)測(cè)集均方根誤差RMSEP=0.636 °Brix。試驗(yàn)結(jié)果表明，在基于高光譜技術(shù)的柑橘內(nèi)部品質(zhì)檢測(cè)中，花萼部位對(duì)應(yīng)光譜糖度模型的預(yù)測(cè)效果最好，花萼部位可作為優(yōu)先選擇的光譜檢測(cè)部位，這對(duì)指導(dǎo)實(shí)際檢測(cè)分級(jí)加工生產(chǎn)中柑橘的擺放方式具有重要意義。研究同時(shí)表明，利用PLSR建立花萼、果梗和赤道部位高光譜信息與平均糖度的預(yù)測(cè)模型，模型相關(guān)性相對(duì)較差。因此，對(duì)柑橘果肉整體榨汁取平均糖度值與某一檢測(cè)部位的高光譜信息建立預(yù)測(cè)模型的方法具有一定的局限性。

[1] SONG S Y, LEE Y K, KIM I J. Sugar and acid content of Citrus prediction modeling using FT-IR fingerprinting in combination with multivariate statistical analysis[J]. Food Chemistry, 2015, 190: 1 027-1 032.

[2] ALFATNIA M S M, SHARIFF A R M, ABDULLAH M Z, et al. The application of internal grading system technologies for agricultural products-Review[J]. Journal of Food Engineering, 2013, 116(3): 703-725.

[3] CHEN Shan-shan, ZHANG Fang-fang, NING Ji-feng, et al. Predicting the anthocyanin content of wine grapes by NIR hyperspectral imaging[J]. Food Chemistry, 2015, 172: 788-793.

[4] YANG Ce, LEE W S, GADER P. Hyperspectral band selection for detecting different blueberry fruit maturity stages[J]. Computers and Electronics in Agriculture, 2014, 109(109): 23-31.

[5] CHO B K, KIM M S, BAEK I S, et al. Detection of cuticle defects on cherry tomatoes using hyperspectral fluorescence imagery[J]. Postharvest Biology and Technology, 2013, 76: 40-49.

[6] CEN Hai-yan, LU Ren-fu, ZHU Qi-bing, et al. Nondestructive detection of chilling injury in cucumber fruit using hyperspectral imaging with feature selection and supervised classification[J]. Postharvest Biology and Technology, 2016, 111: 352-361.

[7] 徐爽, 何建國(guó), 易東, 等. 基于高光譜圖像技術(shù)的長(zhǎng)棗糖度無(wú)損檢測(cè)[J]. 食品與機(jī)械, 2012, 28(6): 168-170.

[8] SUN Ye, GU Xin-zhe, SUN Ke, et al. Hyperspectral reflectance imaging combined with chemometrics and successive projections algorithm for chilling injury classification in peaches[J]. LWT-Food Science and Technology, 2016, 75: 557-564.

[9] 劉燕德, 張光偉. 高光譜成像技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用[J]. 食品與機(jī)械, 2012, 28(5): 223-226, 242.

[10] LIU Dan, ZENG Xin-an, SUN Da-wen. Recent developments and applications of hyperspectral imaging for quality evaluation of agricultural products: a review[J]. Critical Reviews in Food Science and Nutrition, 2015, 55(12): 1 744-1 757.

[11] WU Di, SUN Da-wen. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review-Part II: Applications[J]. Innovative Food Science and Emerging Technologies, 2013, 19: 15-28.

[12] KIM D G, BURKS T F, RITENOUR M A, et al. Citrus black spot detection using hyperspectral image analysis[J]. Agricultural Engineering International: CIGR Journal, 2013, 15(3): 171-180.[13] QIN Jian-wei, BURKS T F, KIM M S, et al. Citrus canker detection using hyperspectral reflectance imaging and PCA-based image classification method[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 168-177.

[14] 許文麗, 孫通, 吳文強(qiáng), 等. 臍橙放置方位對(duì)近紅外光譜檢測(cè)結(jié)果的影響[J]. 光譜學(xué)與光譜分析, 2012, 32(11): 3 002-3 005.

[15] 朱向榮, 李高陽(yáng), 蘇東林, 等. 基于近紅外光譜與組合間隔偏最小二乘法的稻米鎘含量快速檢測(cè)[J]. 食品與機(jī)械, 2015, 31(4): 43-46, 50.

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

Research on the detection model of sugar content in different position of citrus based on the hyperspectral technology

JIE Deng-feiYANGJiePENGYa-xiLIANYu-xiangZHANGDeng

(CollegeofEngineering,HuazhongAgriculturalUniversity,Wuhan,Hubei430070,China)

Hyperspectral techniques were used to study the sugar content of different parts of citrus, and the sugar content detection models with hyperspectral information of calyx, stem and equator part were established respectively. The results showed that the model established by calyx was better than that of stem and equator. The detection models of partial least squares regression (PLSR), principal component regression (PCR), and stepwise multivariate linear regression (SMLR) were established respectively, and the results of these three models were close. The PLSR model was found to the best among them, after Norris derivative pretreatment methods were applied, the prediction correlation coefficient (rpre) and the root mean square error of prediction (RMSEP) were 0.950 and 0.636 °Brix. This result inclined that it was feasible to use the hyperspectral technology to detect the sugar content in different parts. The study indicated that the calyx part could be the prior choice for the sugar content detection site in the citrus quality testing, and the conclusion has great significance for the way of citrus place in the actual production. Moreover, the PLSR method was used to establish the model of hyperspectral information and average sugar content in calyx, stem and equator part. The highest predictionrpreand RMSEP of models was in the calyx and only to be 0.913 and 0.621 °Brix, which was not excellent enough. Therefore, it was limited to predict the citrus average sugar content with the hyperspectral information of a certain part.Keywords： hyperspectral technology; citrus; soluble solids content; nondestructive testing

現(xiàn)代農(nóng)業(yè)(柑橘)產(chǎn)業(yè)技術(shù)體系建設(shè)專(zhuān)項(xiàng)資金項(xiàng)目(編號(hào)：CARS-27)；中央高?；究蒲袠I(yè)務(wù)費(fèi)資助項(xiàng)目(編號(hào)：2662015PY078)；國(guó)家級(jí)大學(xué)生創(chuàng)新項(xiàng)目(編號(hào)：201610504057)

介鄧飛(1982—)，男，華中農(nóng)業(yè)大學(xué)講師，博士。 E-mail: dfjie@mail.hzau.edu.cn

2016—12—22

10.13652/j.issn.1003-5788.2017.03.011