李　靖，王春光

(內(nèi)蒙古農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院，呼和浩特　010018)

0　引言

燕麥一般分為皮燕麥和裸燕麥兩種[1]，是一種糧、飼多用途世界性栽培作物，分布于世界各地的42個(gè)國(guó)家[2]，在小麥、水稻、玉米、大豆、燕麥等糧食作物中，燕麥總產(chǎn)量居第五位[3]，是人們生活中不可或缺的營(yíng)養(yǎng)保健食品。我國(guó)主要種植裸燕麥，其產(chǎn)量占燕麥總產(chǎn)量的90%以上[4]，主要在內(nèi)蒙古、山西、甘肅、河北、青海等地區(qū)種植，內(nèi)蒙古的種植面積達(dá)到全國(guó)總面積的35%以上[5]。燕麥富含水分、蛋白質(zhì)、脂肪及膳食纖維等營(yíng)養(yǎng)物質(zhì)，特別是膳食纖維中含有豐富的β-葡聚糖[6]。1997年，美國(guó)食品藥品監(jiān)督管理局(FDA)認(rèn)定β-葡聚糖具有防止心血管疾病，降低膽固醇的功效[7]。目前，燕麥中β-葡聚糖含量的化學(xué)測(cè)定方法有剛果紅法[8]、國(guó)際標(biāo)準(zhǔn)酶法[9]、改進(jìn)酶法[10]、熒光法[11]及苯酚-硫酸法[12]等，前兩種方法應(yīng)用較為廣泛。這些傳統(tǒng)的方法具有測(cè)量精度高的優(yōu)點(diǎn)，但存在檢測(cè)速度慢、測(cè)量成本高、樣品預(yù)處理及破壞樣品等不足，無(wú)法做到對(duì)燕麥β-葡聚糖含量的快速、準(zhǔn)確、無(wú)損檢測(cè)。因此，探索一種快速、準(zhǔn)確、無(wú)損檢測(cè)燕麥β-葡聚糖含量的方法是非常必要的。

近幾年，高光譜技術(shù)發(fā)展迅速，該技術(shù)將一維光譜技術(shù)和二維圖像技術(shù)完美結(jié)合，可以提取出被測(cè)樣本的外觀信息和內(nèi)部品質(zhì)信息，具有不破壞樣本、不需預(yù)處理樣本、多組分同時(shí)分析、分析速度快及操作簡(jiǎn)便等優(yōu)點(diǎn)，結(jié)合化學(xué)計(jì)量學(xué)方法可實(shí)現(xiàn)樣本組分快速、無(wú)損的分析檢測(cè)，目前已廣泛應(yīng)用于農(nóng)畜產(chǎn)品品質(zhì)、食品安全檢測(cè)等領(lǐng)域，成為一個(gè)研究熱點(diǎn)[13-16]。周青梅[17]等利用近紅外光譜法測(cè)定麥芽中的β-葡聚糖含量，化學(xué)測(cè)定值與預(yù)測(cè)值之間的決定系數(shù)R2達(dá)到0.827；田海清[18]等基于漫反射高光譜成像技術(shù)建立了馬鈴薯干物質(zhì)含量預(yù)測(cè)模型。然而，國(guó)內(nèi)外學(xué)者利用高光譜成像技術(shù)對(duì)燕麥β-葡聚糖含量檢測(cè)的相關(guān)研究報(bào)道較少。本文利用高光譜系統(tǒng)采集燕麥的光譜信息，結(jié)合化學(xué)計(jì)量學(xué)方法研究燕麥光譜信息和β-葡聚糖含量之間的定量關(guān)系模型，探索一種快速、準(zhǔn)確、無(wú)損的燕麥β-葡聚糖含量測(cè)定方法，對(duì)燕麥的品質(zhì)檢測(cè)有很好的實(shí)際應(yīng)用價(jià)值。

1　材料與方法

1.1材料與設(shè)備

實(shí)驗(yàn)以?xún)?nèi)蒙古農(nóng)業(yè)大學(xué)農(nóng)學(xué)院提供的5種燕麥作為研究對(duì)象，將燕麥籽粒去殼、去雜清理干凈后，從完整、未發(fā)芽、無(wú)霉變的燕麥籽粒中挑選飽滿(mǎn)、大小基本一致的籽粒裝袋密封，存放到溫度在3～5℃的冰柜里，以防其變質(zhì)或水分含量改變而影響實(shí)驗(yàn)結(jié)果。

實(shí)驗(yàn)用到的主要設(shè)備如下：

1)采集燕麥光譜的高光譜系統(tǒng)。由V10E-QE成像光譜儀、CCD相機(jī)、光源、移位載物平臺(tái)及計(jì)算機(jī)等組成，如圖1所示。

1.CCD相機(jī)　2.成像光譜儀　3.移位載物平臺(tái)　4.計(jì)算機(jī)　5.光源圖1　高光譜系統(tǒng)

高光譜系統(tǒng)主要的技術(shù)參數(shù)如下：光譜波長(zhǎng)范圍380～1 030nm，光譜分辨率2.8nm，CCD相機(jī)像素長(zhǎng)寬大小為1 392×1 040像素。

2)測(cè)定燕麥β-葡聚糖的儀器。由分光光度計(jì)、漩渦混合器、恒溫水浴器、離心機(jī)、粉碎機(jī)以及沸騰水浴器等組成。

1.2試驗(yàn)方法

1.2.1樣本的制備與劃分

由于燕麥籽粒間存在著一定的個(gè)體差異，因此在裝樣前需進(jìn)行充分的攪拌均勻，然后再?gòu)闹须S機(jī)取出一定數(shù)量的燕麥，裝滿(mǎn)到直徑為10cm、厚度為1 cm 的培養(yǎng)皿中，且用平板由上而下輕輕擠壓培養(yǎng)皿中的燕麥，使燕麥籽粒間空隙較小，并保持培養(yǎng)皿中的燕麥與培養(yǎng)皿上表面在同一水平面上；5個(gè)品種中，每個(gè)品種裝30個(gè)樣本，共制備150個(gè)樣本并編號(hào)。采用隨機(jī)抽樣法(RS法)對(duì)樣本進(jìn)行劃分，將樣本隨機(jī)分成100個(gè)建模集和50個(gè)預(yù)測(cè)集，如表1所示。每個(gè)燕麥樣本在進(jìn)行光譜數(shù)據(jù)采集后均保持獨(dú)立樣本進(jìn)行β-葡聚糖含量的生化測(cè)定。

表 1　燕麥樣本表

續(xù)表1

1.2.2高光譜數(shù)據(jù)采集

在采集燕麥高光譜數(shù)據(jù)前，首先將儀器開(kāi)啟預(yù)熱0.5h，使光源和采集系統(tǒng)達(dá)到穩(wěn)定。然后設(shè)置相機(jī)曝光時(shí)間、平臺(tái)移動(dòng)速度及鏡頭到樣本上表面之間的距離，使采集到的圖像大小合適、清晰、不變形失真。經(jīng)過(guò)反復(fù)調(diào)試和比對(duì)，最終確定鏡頭高度設(shè)置為32cm，曝光時(shí)間設(shè)置為144ms，平臺(tái)移動(dòng)速度設(shè)置為2.1mm/s。最后，將制備好的樣本按一定順序?qū)⑵浞謩e放到移位載物平臺(tái)上進(jìn)行高光譜數(shù)據(jù)采集，如圖2所示。在采集過(guò)程中要關(guān)閉暗箱以避免外界光線的干擾，并將每次采集完的高光譜數(shù)據(jù)分別命名保存到計(jì)算機(jī)中。

圖2　高光譜數(shù)據(jù)采集圖

由于各波段光源強(qiáng)度分布不均勻及儀器中暗電流存在，使光強(qiáng)分布較弱的波段噪聲較大，因此在采集光譜圖像前必須進(jìn)行黑白標(biāo)定，以消除部分噪聲影響[19]。首先，對(duì)標(biāo)準(zhǔn)白板進(jìn)行掃描獲得全白標(biāo)定圖像IW；然后，蓋上鏡頭蓋進(jìn)行掃描獲得全黑標(biāo)定圖像ID；最后，依據(jù)公式R=(IR-ID)/(IW-ID)計(jì)算校正后的圖像R。其中，R為校正后的圖像；IR為原始圖像；IW為白板校正圖像；ID為黑板校正圖像。

1.2.3反射光譜預(yù)處理

由于燕麥籽粒間有縫隙且燕麥籽粒表面不平整，所以樣本的每個(gè)點(diǎn)的光譜信息不一樣。為了使每個(gè)樣本的光譜更具有代表性，從采集到的燕麥樣本表面上選取盡量大的區(qū)域(300×300像素點(diǎn)的矩形區(qū)域)作為樣本的感興趣區(qū)域，以該區(qū)域中所有像素點(diǎn)光譜的平均值作為該樣本的光譜。

為了消除樣本的不均勻性、表面不平整性和光線散射等因素和儀器噪聲的影響，采用多元散射校正(MSC)法對(duì)原始光譜進(jìn)行預(yù)處理。由于儀器誤差，光譜曲線在首尾端有較大的噪聲，去掉前后各30個(gè)波段，取400～1 000nm范圍內(nèi)的反射光譜數(shù)據(jù)進(jìn)行分析研究，如圖3所示。

圖3　燕麥光譜曲線圖

1.2.4燕麥β-葡聚糖含量的化學(xué)測(cè)定

首先，對(duì)燕麥樣本籽粒經(jīng)脫殼、粉碎后過(guò)孔徑為0.2mm 篩；然后，采用國(guó)標(biāo)法酶法(試劑盒法)測(cè)定燕麥β-葡聚糖成分含量。重復(fù)測(cè)定兩次，取其平均值，結(jié)果以干基(%)表示。兩個(gè)平行測(cè)定的相對(duì)誤差，不超過(guò)2%，將測(cè)定值與光譜數(shù)據(jù)一一對(duì)應(yīng)記錄保存。

2　結(jié)果與分析

2.1燕麥β-葡聚糖含量的統(tǒng)計(jì)分析

對(duì)采用國(guó)標(biāo)法酶法(試劑盒法)測(cè)定的燕麥β-葡聚糖含量進(jìn)行統(tǒng)計(jì)分析，分析結(jié)果如表2所示。

表2　燕麥β-葡聚糖含量的統(tǒng)計(jì)學(xué)分析

由表2可知：經(jīng)由酶法(試劑盒法)實(shí)驗(yàn)測(cè)定的燕麥樣本β-葡聚糖成分含量在建模和估算數(shù)據(jù)集中有較好的一致性。

2.2高光譜數(shù)據(jù)特征波長(zhǎng)的提取

采集的全波段(400～1 000nm)高光譜數(shù)據(jù)因維數(shù)高、數(shù)據(jù)量大，且樣本的有些區(qū)域光譜信息比較弱，與樣本的組成間缺乏相關(guān)關(guān)系，直接采用全波段光譜數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入層的變量個(gè)數(shù)顯然不合適，因此使用基于分段線性回歸[20-21]的參數(shù)化數(shù)值分析方法對(duì)提取出的光譜數(shù)據(jù)進(jìn)行降維處理, 定量提取了樣本觀測(cè)曲線中的特征光譜的波長(zhǎng)及反射率值，進(jìn)而能夠在不降低準(zhǔn)確度的情況下提高網(wǎng)絡(luò)識(shí)別的速度。該方法的原理如公式(1)所示，即

yi=gi(xi)+ei

gi=g(xi,βi) (αj1≤xi≤αj2)

(1)

其中，yi為使用觀測(cè)序列擬合的不同分段結(jié)果，gi(xi)為與觀測(cè)序列xi條件相關(guān)聯(lián)的特征數(shù)值區(qū)間并由分段擬合算法確定。其優(yōu)勢(shì)在于：可充分利用觀測(cè)序列的多個(gè)觀測(cè)樣本，并基于統(tǒng)計(jì)規(guī)律獲得直接定量的分段擬合結(jié)果；既可以分析觀測(cè)序列的動(dòng)態(tài)變化趨勢(shì)也可獲得序列的特征拐點(diǎn)，也可給待估算或測(cè)定目標(biāo)提供關(guān)鍵驅(qū)動(dòng)信息。

使用該算法對(duì)光譜按全波段(可劃分1段)、200nm(可劃分3段)、100nm(可劃分6段)間隔進(jìn)行分段劃分，分別求得各段光譜的拐點(diǎn)波長(zhǎng)和反射率。不同分段的拐點(diǎn)特征波長(zhǎng)和反射率統(tǒng)計(jì)信息如表3～表5所示。

表3　燕麥樣品全波長(zhǎng)特征值

表4　燕麥樣品200nm間隔特征值

續(xù)表4

表5　燕麥樣品100nm間隔特征值

續(xù)表5

2.3建立BP神經(jīng)網(wǎng)絡(luò)的燕麥β-葡聚糖含量預(yù)測(cè)模型

建立包含3層網(wǎng)絡(luò)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型, 輸入層數(shù)據(jù)向量采用經(jīng)分段線性回歸方法得到的10個(gè)特征拐點(diǎn)波長(zhǎng)對(duì)應(yīng)的反射率值，中間計(jì)算隱含層神經(jīng)元的傳遞函數(shù)采用S型正切函數(shù)logsig，輸出向量是一維目標(biāo)向量, 即β-葡聚糖含量。目前，隱含層節(jié)點(diǎn)數(shù)的選擇還沒(méi)有一個(gè)比較明確的理論來(lái)指導(dǎo)，只能結(jié)合樣本的實(shí)際情況進(jìn)行嘗試性的選擇，再逐步優(yōu)化確定隱含層節(jié)點(diǎn)數(shù)。輸出層神經(jīng)元傳遞函數(shù)采用函數(shù)logsig(Wp+b)計(jì)算獲得，其中Wp為不同特征光譜信息的加權(quán)計(jì)算權(quán)重，b為數(shù)值計(jì)算殘差。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法函數(shù)選用Levevberg-Marquardt方法進(jìn)行尋優(yōu)建模，最大訓(xùn)練次數(shù)為1 000，目標(biāo)誤差設(shè)為0.000 04，學(xué)習(xí)速率設(shè)為0.01。

經(jīng)過(guò)反復(fù)對(duì)模型進(jìn)行訓(xùn)練試驗(yàn)，最終得到BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)為10-9-1。將該模型的輸出結(jié)果(估算值)與用國(guó)標(biāo)法測(cè)定燕麥β-葡聚糖含量的觀測(cè)值進(jìn)行相關(guān)性分析，其分析結(jié)果如圖4所示。

圖4　估算值與測(cè)量值的相關(guān)性分析

由圖4可知：采用BP神經(jīng)網(wǎng)絡(luò)模型的估算值與國(guó)標(biāo)法測(cè)定的觀測(cè)值間的決定系數(shù)R2為0.6。這說(shuō)明，采用BP神經(jīng)網(wǎng)絡(luò)方法建立的燕麥β-葡聚糖含量估算模型具有較強(qiáng)的擬合能力,可以較為準(zhǔn)確地估算未知燕麥β-葡聚糖的含量，具有可行性。

2.4β-葡聚糖與光譜特征值的相關(guān)性分析

由于選取的特征值為高光譜的反射率，其反射率大小反映了燕麥品種間生理生化指標(biāo)差異，因此對(duì)10個(gè)特征值和β-葡聚糖生理指標(biāo)進(jìn)行相關(guān)性分析，來(lái)確定β-葡聚糖的敏感波段范圍，結(jié)果如表6所示。

表6　β-葡聚糖與光譜特征值的相關(guān)性

由表6可知：β-葡聚糖與特征值1、特征值2、特征值10存在極顯著地相關(guān)性(P<0.01)。所以，特征值對(duì)應(yīng)的波長(zhǎng)在492、874、930nm附近的范圍是β-葡聚糖的敏感波段。

2.5預(yù)測(cè)結(jié)果的檢驗(yàn)

使用所建模型對(duì)預(yù)測(cè)集燕麥樣本β-葡聚糖含量進(jìn)行估算, 具體估算值、預(yù)測(cè)集樣本的測(cè)定值及它們間的絕對(duì)誤差如表7所示。

表7燕麥β-葡聚糖含量的測(cè)定值和估算值

Table 7Measured and estimated of β-glucan content in Oat %

編號(hào)測(cè)定值BP估算值絕對(duì)誤差1-10．02330．03730．01401-20．01730．02950．01221-30．01540．02620．01081-40．03540．03780．00241-50．01490．03820．0233

續(xù)表7

續(xù)表7

由表7可知： 采用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)燕麥β-葡聚糖含量的估算值與用國(guó)標(biāo)法測(cè)定值的平均絕對(duì)偏差為±1%之內(nèi)，模型的預(yù)測(cè)均方根誤差(RMSEP)為0.010 5?？梢?jiàn)，估算值與觀測(cè)值之間的相關(guān)性比較高，誤差水平在1%以?xún)?nèi)。由此說(shuō)明，采用BP神經(jīng)網(wǎng)絡(luò)方法建立的燕麥β-葡聚糖含量估算模型具有較強(qiáng)的擬合能力,可以較為準(zhǔn)確地估算未知燕麥β-葡聚糖的含量，具有可行性。

3　結(jié)論

本研究應(yīng)用高光譜成像技術(shù)，結(jié)合成熟的BP神經(jīng)網(wǎng)絡(luò)這一化學(xué)計(jì)量學(xué)方法和統(tǒng)計(jì)學(xué)方法，開(kāi)展了對(duì)燕麥β-葡聚糖含量無(wú)損檢測(cè)方法的研究。通過(guò)研究燕麥品質(zhì)的檢測(cè)機(jī)理和方法，找到燕麥光譜特征信息與燕麥品質(zhì)的相關(guān)關(guān)系，建立一種快速、準(zhǔn)確、簡(jiǎn)便和無(wú)損的燕麥β-葡聚糖檢測(cè)方法來(lái)替代常規(guī)的檢測(cè)方法，具有很好的理論研究意義和實(shí)際應(yīng)用價(jià)值。高光譜技術(shù)具有多波段、高分辨率和圖譜合一的特點(diǎn)，能同時(shí)快速、高效、無(wú)損地檢測(cè)燕麥的不同組分含量；而常規(guī)化學(xué)檢測(cè)方法費(fèi)時(shí)費(fèi)力，破壞樣品，操作復(fù)雜，已不能滿(mǎn)足當(dāng)前對(duì)檢測(cè)精度、速度和自動(dòng)化的需求。

本文通過(guò)高光譜系統(tǒng)采集了400～1 000nm范圍的燕麥高光譜數(shù)據(jù)，采用分段線性回歸分析方法對(duì)高光譜數(shù)據(jù)進(jìn)行降維處理，利用BP神經(jīng)網(wǎng)絡(luò)建立了燕麥β-葡聚糖含量的預(yù)測(cè)模型，并得出以下結(jié)論：

1) 燕麥β-葡聚糖含量的敏感波段范圍為492、874、930nm附近。

2) 燕麥β-葡聚糖含量的預(yù)測(cè)值與國(guó)標(biāo)測(cè)定值之間的決定系數(shù)R2為0.75。

3) 燕麥β-葡聚糖含量的預(yù)測(cè)值與國(guó)標(biāo)測(cè)定值之間的預(yù)測(cè)均方根誤差(RMSEP)為0.009 8。

結(jié)果表明：燕麥β-葡聚糖含量的預(yù)測(cè)值與國(guó)標(biāo)測(cè)定值之間有著較強(qiáng)的相關(guān)關(guān)系。因此，利用高光譜成像技術(shù)可以簡(jiǎn)單、快捷、無(wú)損、穩(wěn)定地對(duì)燕麥β-葡聚糖含量進(jìn)行測(cè)定，而且為大批量燕麥β-葡聚糖含量的快速檢測(cè)提供便捷技術(shù)支持。

參考文獻(xiàn)：

[1]楊海鵬，孫澤民．中國(guó)燕麥[M]．北京：中國(guó)農(nóng)業(yè)出版社，1989：10-15．

[2]張向前，劉景輝，齊冰潔，等．燕麥種質(zhì)資源主要農(nóng)藝性狀的遺傳多樣性分析[J]．植物遺傳資源學(xué)報(bào)，2010，11(2):168-174．

[3]李進(jìn)．燕麥的營(yíng)養(yǎng)價(jià)值與保健功效[J]．新疆農(nóng)業(yè)科技，1993(5)：38-39．

[4]李芳，劉剛，劉英，等．燕麥的綜合開(kāi)發(fā)與利用[J]．武漢工業(yè)學(xué)院學(xué)報(bào)，2007，26(1)：23-25．

[5]路長(zhǎng)喜，周素梅，王岸娜．燕麥的營(yíng)養(yǎng)與加工[J]．糧油加工，2008(1)：89-92．

[6]鄧勝?lài)?guó),鄧澤元.燕麥麩中β-葡聚糖的提取、測(cè)定及其在面條中的應(yīng)用[J].食品科學(xué),2004,25(11):204-206．

[7]胡新中，魏益民，任長(zhǎng)忠．燕麥品質(zhì)與加工[M].北京:科學(xué)出版社，2009．

[8]張娟，杜先鋒，饒硯琴．剛果紅法測(cè)定燕麥中β-葡聚糖含量的研究[J]．安徽農(nóng)業(yè)大學(xué)學(xué)報(bào)，2007，34(1)：23-26．

[9]連喜軍，魯曉翔，蔡保松，等．國(guó)際標(biāo)準(zhǔn)酶法測(cè)定β-葡聚糖含量的研究[J]．糧油食品科技，2006，14(6)：27-29．

[10]鄭殿升，呂耀昌，田長(zhǎng)葉，等．中國(guó)裸燕麥β-葡聚糖含量的鑒定研究[J]．植物遺傳資源學(xué)報(bào)，2006，7(1)：54-58．

[11]林偉靜，吳廣楓，王強(qiáng)，等. 燕麥及其制品β-葡聚糖含量測(cè)定方法比較[J].食品工業(yè)科技,2011(6):143-147．

[12]連喜軍，魯曉翔，林旭輝．苯酚-硫酸法測(cè)定β-葡聚糖含量研究[J]．糧食與油脂，2005(10):39-43．

[13]Ariana D，Lu R,Guyer D E．Hyperspectral reflectance imaging for detection of bruises on pickling cucumbers[J]．Computers and Electronics in Agriculture，2006，53(1)：60-70．

[14]Qiao J，Ngadi M O，Wang N，et a1．Pork quality classification using a hyperspectral imaging system and neural network[J]．International Journal of Food Engineering，2007，3(1)：1-12．

[15]Xing J，Symons S，Shahina M，et a1．Detection of sprout damage in Canada Western Red Spring wheat with multiple wavebands using visible/near-infrared hyperspectral imaging[J]．Biosystems Engineering，2010，106(2)：188-194．

[16]Wallays C，Missotten B，Baerdemaeker J De，et a1．Hyperspectral waveband selection for on-line measurement of grain cleanness[J]．Biosystems engineering，2009(104)：1-7．

[17]周青梅，郭立蕓，林智平．近紅外光譜法測(cè)定麥芽中的β-葡聚糖[J].食品與發(fā)酵工業(yè)，2013(10)：223-226．

[18]田海清，王春光，郝敏，等.基于光譜微分濾波及多元校正的馬鈴薯干物質(zhì)含量快速檢測(cè)[J].內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報(bào),2013,34(5):93-97．

[19]趙杰文，劉劍華，陳全勝，等．利用高光譜圖像技術(shù)檢測(cè)水果輕微損傷[J]．農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39(1)：106-109．

[20]L H Liew, B Y Lee．Rectification of aerial images using piecewise linear transformation [J]．Earth and Environmental Science ，2014 (18)：1-6．

[21]Miguel A.Garcia,F.Rodriguez An Iterative Algorithm for Automatic Fitting of Continuous Piecewise Linear Models[J]．Wseas Transactions on Signal Processing,2008(4)：474-483．