王芹志，強(qiáng)鋒，何建國(guó),*，王松磊,，賀曉光，吳龍國(guó)

1(寧夏大學(xué) 農(nóng)學(xué)院，寧夏 銀川，750021) 2(寧夏大學(xué) 土木水利工程學(xué)院，寧夏 銀川，750021)

基于可見(jiàn)-近紅外光譜預(yù)測(cè)靈武長(zhǎng)棗脆度及模型優(yōu)化

王芹志1，強(qiáng)鋒1，何建國(guó)1,2*，王松磊1,2，賀曉光1，吳龍國(guó)2

1(寧夏大學(xué) 農(nóng)學(xué)院，寧夏 銀川，750021) 2(寧夏大學(xué) 土木水利工程學(xué)院，寧夏 銀川，750021)

利用可見(jiàn)-近紅外光譜對(duì)在4 ℃下冷藏24 h的靈武長(zhǎng)棗脆度進(jìn)行檢測(cè)，并建立了最優(yōu)模型。通過(guò)400～1 000 nm高光譜成像系統(tǒng)采集了112個(gè)長(zhǎng)棗圖像，對(duì)原始光譜與經(jīng)SNV，MSC、S-G、1ST、2ND、SNV+1ST、MSC+1ST、SNV+2ND、MSC+2ND、SNV+ S-G、MSC+ S-G預(yù)處理后光譜的偏最小二乘回歸(PLSR)模型進(jìn)行了對(duì)比分析；采用主成分分析法(PCA)、連續(xù)投影算法(SPA)、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法(CARS)提取特征波長(zhǎng)，分別建立偏最小二乘回歸(PLSR)和主成分回歸(PCR)模型；將經(jīng)預(yù)處理后的簡(jiǎn)化PLSR模型與全波段PLSR模型進(jìn)行了對(duì)比分析。結(jié)果表明，采用標(biāo)準(zhǔn)歸一化法(SNV)預(yù)處理后的PLSR模型優(yōu)于原光譜及其他預(yù)處理方法；提取特征波長(zhǎng)后建立的CARS-PLSR模型優(yōu)于CARS-PCR模型和全波段PLSR模型，其相關(guān)系數(shù)(RP)和預(yù)測(cè)均方根誤差(RMSEP)分別為0.919、1.121。這表明，基于可見(jiàn)-近紅外光譜檢測(cè)冷藏靈武長(zhǎng)棗脆度是可行的，SNV-CARS-PLSR模型最佳。

可見(jiàn)-近紅外光譜；靈武長(zhǎng)棗；脆度；模型優(yōu)化

靈武長(zhǎng)棗作為寧夏當(dāng)?shù)靥厣r(nóng)產(chǎn)品，已經(jīng)逐漸成為地方區(qū)域經(jīng)濟(jì)發(fā)展的重要支撐和農(nóng)民收入的主要經(jīng)濟(jì)來(lái)源。然而，新鮮的長(zhǎng)棗往往由于貯存或者運(yùn)輸而被冷藏保存，冷藏長(zhǎng)棗的脆度大小，直接影響農(nóng)戶的經(jīng)濟(jì)損失。通常用化學(xué)檢測(cè)方法對(duì)長(zhǎng)棗進(jìn)行品質(zhì)檢測(cè)，但這種方法對(duì)其原有品質(zhì)會(huì)造成一定的破壞，且費(fèi)時(shí)費(fèi)力，無(wú)法滿足生產(chǎn)需求[1-6]。

利用光譜技術(shù)對(duì)果蔬進(jìn)行無(wú)損檢測(cè)，成為當(dāng)下最具創(chuàng)新和方便的檢測(cè)技術(shù)。近年來(lái)，國(guó)內(nèi)外研究人員和學(xué)者廣泛利用光譜技術(shù)對(duì)果蔬理化性質(zhì)進(jìn)行了研究，并取得了一定成果[7-14]，光譜可分為近紅外(900～1 700 nm)和可見(jiàn)-近紅外(400～1 000 nm)，將可見(jiàn)-近紅外高光譜(400～1 000 nm)成像技術(shù)結(jié)合不同預(yù)處理方法，不同特征波長(zhǎng)選擇方法，建立不同預(yù)測(cè)模型用于棗類(lèi)定量分析，進(jìn)而建立最優(yōu)的預(yù)測(cè)模型在國(guó)內(nèi)卻鮮有報(bào)道。

本文采用400～1 000 nm可見(jiàn)-近紅外高光譜成像技術(shù)獲取冷藏的靈武長(zhǎng)棗表面反射信息，運(yùn)用11種不同的預(yù)處理方法，3種不同的特征波長(zhǎng)選擇方法，建立偏最小二乘回歸(partial least squares regression ,PLSR)和主成分回歸(principal component regression,PCR)模型，通過(guò)比較，最終建立冷藏靈武長(zhǎng)棗脆度的最優(yōu)預(yù)測(cè)模型，為靈武長(zhǎng)棗的無(wú)損檢測(cè)提供了一種新思路。

1 材料與方法

1.1 實(shí)驗(yàn)材料

從寧夏靈武長(zhǎng)棗園采摘大小均勻，完好無(wú)損的長(zhǎng)棗112個(gè)，裝入密封塑料袋中，置于4 ℃冰箱下保存。測(cè)試前，將樣本清洗。對(duì)其進(jìn)行編號(hào)，測(cè)其形態(tài)尺寸，記錄數(shù)據(jù)。

1.2 實(shí)驗(yàn)儀器

Hyperspec VNIR N型高光譜成像系統(tǒng)：美國(guó)Headwall Photonicsg公司，由高光譜成像光譜儀(Imspector N系列,Golden Way Scientific Co., Ltd., US)、CCD攝像機(jī)(G4-232, Golden Way Scientific CO., Ltd., US)、2個(gè)線光源(90-254VAC，47-63Hz，Golden Way Scientific CO.，Lab.，EQUIP)，Headwall Photonics Instruments Co., Ltd., Beijing，China)構(gòu)成的光源系統(tǒng)，電控位移平臺(tái)(VT-80，Headwall Photonics Instruments Co., Ltd., Beijing，China)，計(jì)算機(jī)(ThinkPadX220 Inter(R) Core i5-2450CPU@2.5GHz，RAM 3.41G)和數(shù)據(jù)采集軟件(Hyperspec-N for AndorLuca Rev A.3.1.4.vi, Headwall Photonics Instruments Co., Ltd., Beijing, China)等部件組成。

質(zhì)構(gòu)儀：英國(guó)Stable Micro System公司。

1.3 原始樣本圖像采集

樣品圖像掃描前，為減弱或消除暗電流照明燈的干擾，需進(jìn)行黑白校正[15]，如公式(1)所示。

(1)

式中：R0是樣本原始漫反射高光譜圖像；W是白板反射圖像；D是全黑圖像；R是校正后的漫反射高光譜圖像。

試驗(yàn)過(guò)程中，每組取5個(gè)冷藏長(zhǎng)棗樣本，標(biāo)記，并按照一定的順序擺放在載物臺(tái)上，如圖1所示；獲取光譜圖像數(shù)據(jù)之前，將控制電機(jī)和位移平臺(tái)連接起來(lái)，然后進(jìn)行掃描，最后獲取圖像數(shù)據(jù)。圖像數(shù)據(jù)處理之前，采用系統(tǒng)自帶的ENVI4.6軟件分割高光譜圖像，得到112個(gè)冷藏長(zhǎng)棗的單個(gè)圖像。

1.4 脆度的測(cè)定

對(duì)采集圖像后的冷藏長(zhǎng)棗赤道線上標(biāo)記的部位，用質(zhì)構(gòu)儀進(jìn)行測(cè)定，測(cè)其3次的脆度，取平均值。

1.5 光譜分析及模型評(píng)價(jià)

1.5.1 光譜預(yù)處理

樣本光譜除了包含自身有用信息外，外界不確定因素(如光的散射以及環(huán)境噪聲等)也會(huì)對(duì)建模效果產(chǎn)生一定影響[16]。因此，在建模之前需對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理[17]。試驗(yàn)采用標(biāo)準(zhǔn)歸一化(standard normal variable, SNV)、多元散射校正(multiple scattering correction, MSC)、卷積平滑(savitzky-golay smoothing ,S-G)、一階導(dǎo)(first derivative, 1sD)、二階導(dǎo)(second derivative, 2nD)及其組合對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理并比較它們對(duì)全波段模型性能的影響。高光譜圖像數(shù)據(jù)處理采用ENVI4.6(Research System Inc.,USA)、Unscrambler X 10.2(CAMO Software AS,OSLO, Norway)和Matlab2011a (Mathwork, Matlab9.0, Inc.,USA)軟件平臺(tái)。

圖1 原始樣本圖像采集Fig.1 Original samples collected figure

1.5.2 建模方法及模型評(píng)價(jià)

對(duì)樣本光譜進(jìn)行預(yù)處理后，建立全波長(zhǎng)及特征波長(zhǎng)提取下的冷藏靈武長(zhǎng)棗脆度偏最小二乘回歸[18](PLSR)定量分析模型和特征波長(zhǎng)下的主成分回歸[19](PCR)定量分析模型。特征波長(zhǎng)提取方法分別采用主成分分析法[20](principal component analysis,PCA)、連續(xù)投影算法[21-22](successive projections algorithm ,SPA)、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法[23](competitive adaptive reweighed sampling,CARS)。

本試驗(yàn)采用均方根誤差(RMSE)和相關(guān)系數(shù)(R)對(duì)建立的模型進(jìn)行評(píng)價(jià)[24]。一個(gè)好的模型應(yīng)該具有高的R值(接近于1)、低的均方根誤差(RMSEC/RMSEP/RMSECV) 值，且RMSEC 、RMSEP和RMSECV盡量接近。RMSEC /RMSEP/RMSECV及R的計(jì)算方法如公式(2)～公式(4)所示。

(2)

(3)

(4)

R=

(5)

2 結(jié)果與分析

2.1 脆度測(cè)定

實(shí)驗(yàn)測(cè)得112個(gè)樣本脆度有效值，將試驗(yàn)所得樣品隨機(jī)劃分為校正集84個(gè)樣品，預(yù)測(cè)集28個(gè)樣品，統(tǒng)計(jì)結(jié)果見(jiàn)表1。其中，校正集用于建模，預(yù)測(cè)集用于檢驗(yàn)?zāi)Ｐ托阅躘25]。

表1 冷藏靈武長(zhǎng)棗脆度數(shù)據(jù)統(tǒng)計(jì)

2.2 長(zhǎng)棗樣本光譜

將獲得的112個(gè)樣本經(jīng)過(guò)反射高光譜成像系統(tǒng)掃描，選擇感興趣區(qū)域，其原始光譜圖及不同預(yù)處理(SNV，MSC、S-G、1ST、2ND、SNV+1ST、MSC+1ST、SNV+2ND、MSC+2ND、SNV+ S-G、MSC+ S-G)后的光譜圖見(jiàn)圖2。

由圖2(A)可知，在原始光譜下的光譜曲線整體較為分散，且在900 nm和960 nm處反射率較為明顯，這與胡耀華等[26]利用近紅外高光譜研究豬肉系水力所得結(jié)果類(lèi)似，此峰對(duì)應(yīng)O-H基團(tuán)的二級(jí)倍頻，可能是長(zhǎng)棗水分分布不均，對(duì)脆度的影響所致；圖2(B)的SNV預(yù)處理光譜圖與圖(C)的MSC預(yù)處理光譜圖比較相似，這可能是因?yàn)?種預(yù)處理方法對(duì)消除長(zhǎng)棗表面粗糙面及不同粗糙面分布不均勻而產(chǎn)生的散射對(duì)光譜的影響作用[27]，故圖(B)和圖(C)相對(duì)于圖(A)而言，光譜曲線更加緊湊，表面更加平滑。

(A)RAW；(B)SNV;(C)MSC;(D)S-G;(E)1ST;(F)2ND;(G)SNV+1ST;(H)SNV+2ND;(I)MSC+1ST;(J)MSC+2ND;(K)SNV+S-G(L)MSC+S-G圖2 不同預(yù)處理方法下的光譜圖Fig.2 The spectrums of different pretreatment methods

圖2(D)、(K)、(L)分別為S-G、SNV+S-G、MSC+S-G預(yù)處理光譜圖，三圖均含有S-G預(yù)處理方法，比較原始光譜曲線，經(jīng)SNV+S-G、MSC+S-G組合的處理方法不僅除去了部分噪聲，而且整體較只經(jīng)S-G方法處理更為緊湊，三圖光譜的波峰和波谷的位置并沒(méi)有發(fā)生很大偏移。

圖2(E)、(G)、(I)分別為1ST、SNV+1ST、MSC+1ST預(yù)處理光譜圖，三圖均含有1ST預(yù)處理方法，帶有可校正基線，可以看出，經(jīng)SNV+1ST處理后的反射率更加突出，三圖平滑處趨于平直，波峰和波谷較原始光譜曲線和其他預(yù)處理曲線顯得更加突出。

圖2(F)、(H)、(J)分別為2ND、SNV+2ND、MSC+2ND預(yù)處理光譜圖，三圖均含有2ND預(yù)處理方法，帶有可校正基線，可以看出，經(jīng)SNV+2ND處理后的反射率更加突出，三圖噪聲信息較多，雖有突出波峰，但整體波段的波峰和波谷難以辨出。

2.3 光譜預(yù)處理方法的選擇

采用原光譜和不同預(yù)處理方法，建立全波長(zhǎng)偏最小二乘回歸(PLSR)模型，結(jié)果見(jiàn)表2。

表2 不同預(yù)處理方法下的冷藏靈武長(zhǎng)棗脆度PLSR模型

從表2可以得出，(1)在單一預(yù)處理方法下，采用SNV對(duì)原始光譜預(yù)處理后的模型，其RC、RCV、RP分別為0.877、0.830、0.877，RMSEC、RMSECV、RMSEP分別為1.084、1.490、1.212，各項(xiàng)數(shù)據(jù)較原光譜和其他單一預(yù)處理方法無(wú)較大差異，且RP較接近1，其主成分?jǐn)?shù)較少，表明該預(yù)處理去除了主要的噪聲和背景干擾，模型預(yù)測(cè)精度和穩(wěn)定性較好；(2)采用1ST預(yù)處理方法，主成分?jǐn)?shù)最少，但其RMSEP較大，預(yù)測(cè)精度較差；(3)采用2ND預(yù)處理方法，RC較原數(shù)據(jù)和其他單一預(yù)處理方法均為最大，但RCV偏小，且RP值為-0.288，出現(xiàn)過(guò)擬合現(xiàn)象，主成分?jǐn)?shù)最大，說(shuō)明噪聲信息比較多；(4)MSC和S-G的RP和RMSEP與SNV的沒(méi)有較大差異，但所用主成分?jǐn)?shù)較大；(5)在組合預(yù)處理方法下，采用SNV+1ST、MSC+1ST和SNV+2ND3種方法的RP均為負(fù)值，出現(xiàn)過(guò)擬合現(xiàn)象；(6)采用MSC+2ND預(yù)處理方法的RC、RCV、RP均偏小，RMSEP值較大，可行性較差；(7)采用SNV+S-G和MSC+S-G兩種預(yù)處理方法的RC、RCV、RP較原光譜均較為理想，但RMSEP較大，且主成分?jǐn)?shù)較大，其穩(wěn)定性和預(yù)測(cè)精度都較差。綜合考慮，采用SNV預(yù)處理方法，建立冷藏靈武長(zhǎng)棗全波長(zhǎng)偏最小二乘模型(PLSR)的預(yù)測(cè)精度最佳。

2.4 提取特征波長(zhǎng)

由于原光譜包含的信息量較為冗長(zhǎng)，導(dǎo)致獲取樣品信息所需時(shí)間較長(zhǎng)，一定程度不能滿足在線生產(chǎn)的需要。因此，需對(duì)全波段下的光譜數(shù)據(jù)進(jìn)行降維處理[28]，以提高效率和模型精度。通過(guò)主成分分析法(PCA)提取了7個(gè)特征波長(zhǎng)(541、603、675、685、689、728、958)，采用連續(xù)投影算法(SPA)提取了9個(gè)特征波長(zhǎng)(401、425、435、469、661、680、901、949、982)，采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法(CARS)提取了8個(gè)特征波長(zhǎng)(665、680、833、853、862、910、954、973)，結(jié)果見(jiàn)表3。

表3 特征波長(zhǎng)提取

2.5 預(yù)測(cè)模型的建立

基于靈武長(zhǎng)棗脆度的特征波長(zhǎng)提取方法，分別建立偏最小二乘回歸[29](PLSR)和主成分回歸(PCR)定量分析模型，結(jié)果見(jiàn)表4。

表4 不同特征波長(zhǎng)提取方法的PLSR建模對(duì)比分析

通過(guò)比較，結(jié)合圖3和表4可以看出：(1)在經(jīng)過(guò)SNV預(yù)處理光譜后，基于PLSR的特征波長(zhǎng)選擇方法中，CARS-PLSR效果較佳，其RC、RCV、RP分別為0.891、0.865、0.919，均高于其他2種波長(zhǎng)選擇方法，說(shuō)明CARS-PLSR的預(yù)測(cè)及校正性能較PCA-PLS和SPA-PLS更加優(yōu)越。(2)CARS-PLSR的RMSEC、RMSECV、RMSEP分別為1.202、1.330、1.121，分別較PCA-PLSR和SPA-PLSR小，說(shuō)明CARS-PLSR的預(yù)測(cè)精度和穩(wěn)定性優(yōu)于PCA-PLSR和SPA-PLSR；(3)采用主成分分析提取特征波長(zhǎng)建立的偏最小二乘模型(PCA-PLSR)，盡管其主成分?jǐn)?shù)較其他2種特征波長(zhǎng)選擇方法略小，但RMSEP達(dá)到105.093，預(yù)測(cè)均方根誤差極大，故其預(yù)測(cè)精度和穩(wěn)定性明顯劣于SPA-PLSR和CARS-PLSR；(4)CARS-PCR的RMSEP和主成分?jǐn)?shù)與SPA-PCR相差較小，CARS-PCR的RC、RCV、RP均高于其他2種波長(zhǎng)選擇方法，其校正及預(yù)測(cè)性能較好；RMSEC、RMSECV也較其他2種波長(zhǎng)選擇方法小，預(yù)測(cè)精度較佳。綜合考慮，經(jīng)SNV 預(yù)處理的光譜，采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)(CARS)提取特征波長(zhǎng)的方法建模，具有較高的精確性和較好的穩(wěn)定性。

從表4可以得到，CARS-PLSR模型較CARS-PCR模型具有更高的RP和更小的RMSEP，故兩者建立的簡(jiǎn)化模型相比，CARS-PLSR模型對(duì)靈武長(zhǎng)棗脆度的預(yù)測(cè)精度和穩(wěn)定性較佳,原因可能是PLSR較PCR更適用于復(fù)雜分析體系的光譜數(shù)據(jù)，數(shù)據(jù)矩陣的分解與回歸相互結(jié)合，使得模型更為穩(wěn)健[30]。

2.6 全波段模型和簡(jiǎn)化模型的比較

采用SNV方法預(yù)處理下的全波長(zhǎng)偏最小二乘模型(SNV-PLSR)和經(jīng)CARS法提取特征波長(zhǎng)建立的偏最小二乘模型(SNV-CARS-PLSR)效果進(jìn)行比較，兩模型對(duì)冷藏靈武長(zhǎng)棗脆度預(yù)測(cè)性能如圖3所示。

圖3 不同冷藏靈武長(zhǎng)棗脆度PLSR預(yù)測(cè)模型的比較Fig.3 Compared of different PLSR models for brittleness of Lingwu jujube samples

從表3和圖3可以看到，利用CARS對(duì)長(zhǎng)棗校正模型進(jìn)行光譜特征波長(zhǎng)變量選擇，從125個(gè)波長(zhǎng)變量中，優(yōu)選出665 nm，680 nm，833 nm，853 nm，862 nm，910 nm，954 nm，973 nm共8個(gè)特征波長(zhǎng)，數(shù)量?jī)H占全部光譜變量的6.4%，在一定程度上提高了建模變量的利用率，也節(jié)省了無(wú)用信息的處理時(shí)間。此外，與全波長(zhǎng)SNV-PLSR模型相比，SNV-CARS-PLSR模型的RP較大且接近于1，RMSEP較小，主成分?jǐn)?shù)較少。特征波長(zhǎng)提取建立的SNV-CARS-PLSR模型對(duì)冷藏靈武長(zhǎng)棗脆度的預(yù)測(cè)精度和穩(wěn)定性較佳。

3 結(jié)論

(1)利用可見(jiàn)-近紅外高光譜成像技術(shù)，建立了4 ℃下24 h冷藏靈武長(zhǎng)棗脆度的PLSR模型。選擇400～1 000 nm全波段范圍，進(jìn)行原始光譜與經(jīng)過(guò)SNV，MSC、S-G、1ST、2ND、SNV+1ST、MSC+1ST、SNV+2ND、MSC+2ND、SNV+S-G、MSC+S-G預(yù)處理光譜的PLSR模型的比較表明，SNV預(yù)處理光譜效果較好。

(2)采用PCA、SPA、CARS特征波長(zhǎng)選擇方法對(duì)經(jīng)SNV預(yù)處理后的光譜進(jìn)行降維，并分別建立PCR和PLSR的預(yù)測(cè)模型，得到CARS-PLSR模型和CARS-PCA模型的RC、RCV、RP均大于其他特征波長(zhǎng)選擇方法，CARS-PLSR模型RC、RP分別為0.891、0.919，CARS-PCR模型RC、RP分別為0.890、0.785，CARS-PLSR模型校正及預(yù)測(cè)性能較好；兩者RMSEP與其他特征波長(zhǎng)選擇方法建模相差不大且偏小，預(yù)測(cè)精度較好。CARS-PLSR模型預(yù)測(cè)效果較佳。

(3)對(duì)比了SNV-CARS-PLSR模型和全波長(zhǎng)SNV-PLSR模型；特征波長(zhǎng)提取建立的SNV-CARS-PLSR模型的RP較大且接近1，RMSEP較全波長(zhǎng)SNV-PLSR模型小，且主成分?jǐn)?shù)較少，對(duì)冷藏靈武長(zhǎng)棗脆度的預(yù)測(cè)精度和穩(wěn)定性較佳。

綜上所述，基于可見(jiàn)-近紅外光譜預(yù)測(cè)冷藏靈武長(zhǎng)棗脆度的研究是可行的，最優(yōu)預(yù)測(cè)模型是SNV-CARS-PLSR。

[1] 李丹.基于高光譜成像技術(shù)的靈武長(zhǎng)棗品質(zhì)無(wú)損研究[D].銀川：寧夏大學(xué),2015.

[2] 吳龍國(guó).基于高光譜成像技術(shù)的靈武長(zhǎng)棗常見(jiàn)缺陷無(wú)損檢測(cè)研究[D]. 銀川：寧夏大學(xué),2014.

[3] 薛建新,張淑娟,張晶晶.高光譜成像技術(shù)對(duì)鮮棗內(nèi)外部品質(zhì)檢測(cè)的研究[J].光譜學(xué)與光譜分析,2015,35(8)：2 297-2 298.

[4] LI Jiangbo, QIAO Xiaojun , HE Ruyan. Use of Near-Infrared hyperspectral images to identify moldy peanuts[J].Journal of Food Engineering,2016,169：284-290.

[5] PU Yuanyuan, SUN Dawen. Vis-NIR hyperspectral imaging in visualizing moisture distribution of mango slices during microwave-vacuum drying[J].Food Chemistry,2015,188：271-278.

[6] 郭志明.基于近紅外光譜及成像的蘋(píng)果品質(zhì)無(wú)損檢測(cè)方法和裝置研究[D].北京：中國(guó)農(nóng)業(yè)大學(xué),2015.

[7] 劉德華,張淑娟,王斌,等. 基于高光譜成像技術(shù)的山楂損傷和蟲(chóng)害缺陷識(shí)別研究[J].光譜學(xué)與光譜分析,2015,35(11)：3 167-3 169.

[8] 魏新華,吳姝,范曉冬,等.基于高光譜成像分析的冬棗微觀損傷識(shí)別[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(3)：242-245.

[9] 岳學(xué)軍,全東平,洪添勝,等.柑橘葉片葉綠素含量高光譜無(wú)損檢測(cè)模型[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(1)：294-300.

[10] 李勛蘭,易時(shí)來(lái),何紹蘭,等.高光譜成像技術(shù)的柚類(lèi)品種鑒別研究[J].光譜學(xué)與光譜分析,2015,35(9)：2 639-2 642.

[11] LI Jiangbo, CHEN Liping, HUANG Wenqian ,et al. Multispectral detection of skin defects of bi-colored peaches based on vis-NIR hyperspectral imaging[J].Postharvest Biology and Technology,2016,112：121-133.

[12] FERNANDES A M,FRANCO C, FERREIRA A M,et al. Brix, pH and anthocyanin content determination in whole Port wine grape berries by hyperspectral imaging and neural networks[J].Computers and Electronics in Agriculture,2015,115(2)：88-96.

[13] WANG Wei, NI Xinzhi, LAWRENCE K C, et al. Feasibility of detecting Aflatoxin B1 in single maize kernels using hyperspectral imaging[J].Journal of Food Engineering, 2015,166:182-192.

[14] HELGERUD T, WOLD J P, PEDERSEN M B, et al. Towards on-line prediction of dry matter content in whole unpeeled potatoes using near-infrared spectroscopy[J].Talanta, 2015,143:138-144.

[15] 王正偉,王家云,王松磊,等.基于VIS/NIR高光譜成像技術(shù)檢測(cè)雞肉嫩度[J].食品科技,2015,40(11)：270-274.

[16] 吳龍國(guó),何建國(guó),劉貴珊,等.基于近紅外高光譜成像技術(shù)的長(zhǎng)棗含水量無(wú)損檢測(cè)[J].光電子· 激光,2014,25(1)：135-140.

[17] 郭彩英.基于高光譜成像技術(shù)的冷卻羊肉表面微生物活細(xì)胞數(shù)量無(wú)損檢測(cè)方法研究[D].銀川：寧夏大學(xué),2014.

[18] 董金磊,郭文川.采后獼猴桃可溶性固形物含量的高光譜無(wú)損檢測(cè)[J].食品科學(xué),2015,36(16)：103-105.

[19] 宋璇. PCR和SMLR建模方法在煤質(zhì)全硫含量無(wú)損檢測(cè)中的比較研究[J].煤炭技術(shù),2014,33(11):267-269.

[20] 吳龍國(guó),何建國(guó),劉貴珊,等.基于NIR高光譜成像技術(shù)的長(zhǎng)棗蟲(chóng)眼無(wú)損檢測(cè)[J].發(fā)光學(xué)報(bào),2013,34(11)：1 528-1 529.

[21] 羅霞,洪添勝, 羅闊,等.高光譜技術(shù)在無(wú)損檢測(cè)火龍果可溶性固形物中的應(yīng)用[J].激光與光電子學(xué)進(jìn)展,2015,52(8)：309-317.

[22] 熊雅婷,李宗朋,王健,等.基于連續(xù)投影算法的黃酒成分檢測(cè)模型[J].分析與檢測(cè),2015,41(3)：185-186.

[23] 劉燕德,鄧清.基于高光譜成像技術(shù)的臍橙葉片的葉綠素含量及其分布測(cè)量[J].發(fā)光學(xué)報(bào),2015,36(8)：958-959.

[24] 褚小立.化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù)[M].北京:化學(xué)工業(yè)出版社,2011.

[25] 郭文川,董金磊. 高光譜成像結(jié)合人工神經(jīng)網(wǎng)絡(luò)無(wú)損檢測(cè)桃的硬度[J].光學(xué)精密儀器,2015,23(6)：1532.

[26] 胡耀華,郭康權(quán),野口剛,等. 基于近紅外光譜檢測(cè)豬肉系水力的研究[J].光譜學(xué)與光譜分析,2009,29(12):3 259-3 262.

[27] 劉友華,白亞斌,邱祝福,等.基于高光譜圖像技術(shù)和波長(zhǎng)選擇方法的羊肉摻假檢測(cè)方法研究[J].海南師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,28(3)：266-268.

[28] PAN Leiqing, ZHANG Qiang, ZHANG Wei, et al. Detection of cold injury in peaches by hyperspectral reflectance imaging and artificial neural network[J].Food Chemistry,2016,192：134-141.

[29] XIE Anguo, SUN Dawen, XU Zhongyue, et al. Rapid detection of frozen pork quality without thawing by Vis-NIR hyperspectral imaging technique.[J].Talanta,2015,139：208-215.

[30] 李丹,何建國(guó),賀曉光,等.基于高光譜技術(shù)的靈武長(zhǎng)棗糖度預(yù)測(cè)模型研究[J].河南工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014,35(4)：68-72.

The model of predicting of the brittleness of Lingwu jujube by visible-near infrared spectroscopy and its optimization

WANG Qin-zhi1, QIANG Feng1,HE Jian-guo1,2*,WANG Song-lei1,2, HE Xiao-guang1,WU Long-guo2

1(School of Agriculture, Ningxia University, Yinchuan 750021, China) 2(Institute of civil and hydraulic engineering, Ningxia University, Yinchuan 750021, China)

A model of predicting the brittleness of Lingwu jujube stored at 4 ℃ for 24 hours by Visible-near infrared Spectroscopy was established and optimized. Hyperspectral images of 112 jujubes of samples over 400-1000 nm were acquired. PLSR(Partial least squares regression，PLSR)models of raw spectral and spectral processed by SNV, MSC, S-G, 1ST, 2ND, SNV+1ST, MSC+1ST, SNV+2ND, MSC+2ND, SNV+S-G, MSC+S-G for brittleness were compared. Characteristic wavelengths were selected by principal component analysis (PCA), successive projections algorithm (SPA) and competitive adaptive reweighted sampling (CARS); PLSR models and PCR models on characterizing wavelengths were established. The simplified PLSR model after pretreatment and completed full wavelength PLSR model were compared. The results showed that the PLSR model with pretreatment by SNV was superior to CARS-PCR and full spectralspectral pretreatment. The optimal wavelengths by CARS-PLSR model had an excellent ability to predict the brittleness of jujube and was better than CARS-PCR model and PLSR model to predict brittleness composition. The correlation coefficient (RP) and root mean square error of prediction (RMSEP) were 0.786 and 1.224 respectively. Therefore, it’s possible to determine the brittleness of chilled Lingwu jujubes by Visible-near infrared Spectroscopy and the SNV-CARS-PLSR model was the best.

visible-near infrared spectroscopy; Lingwu jujube;brittleness; optimized model

10.13995/j.cnki.11-1802/ts.201703036

碩士研究生(何建國(guó)教授為通訊作者,E-mail：hejg@nxu.edu.cn)。

2015年國(guó)家自然基金(31560481)；農(nóng)業(yè)科技成果轉(zhuǎn)化項(xiàng)目(2014G30000045)

2016-06-30，改回日期：2016-08-16