戴春霞，劉芳，葛曉峰

1. 江蘇大學電氣信息工程學院，江蘇 鎮(zhèn)江，212013；2. 江蘇大學京江學院，江蘇 鎮(zhèn)江，212013

茶葉含水率是衡量茶葉干燥程度和品質的重要指標。茶葉的加工過程中若能在線檢測茶葉的含水率，不僅能有針對性地調控加工過程，而且能有效地提高茶葉品質。目前，在生產加工中茶葉含水率的測量方法主要為烘干稱重法，該測量方法測試結果雖然準確、穩(wěn)定性高、誤差小，但操作繁瑣、能耗大、耗時長，不能滿足快速檢測的要求。

高光譜檢測技術具有準確、快速、簡便、無損等優(yōu)勢，近年來在農產品檢測領域已呈快速發(fā)展趨勢。如趙杰文等[1]利用高光譜成像技術分析茶樹葉片中葉綠素含量及其分布，根據(jù)高光譜數(shù)據(jù)中提取的特征參數(shù)建立了葉綠素含量的預測模型，并通過偽彩手段描述葉片中葉綠素含量的分布。周竹等[2]用高光譜成像技術對馬鈴薯外部缺陷進行檢測,結果表明高光譜成像技術可以對常見馬鈴薯外部缺陷準確有效地進行檢測。朱榮光等[3]實現(xiàn)了利用高光譜技術對牛肉儲存時間和取樣部位的預測。張保華等[4]利用了高光譜技術研究了果蔬的品質安全與無損檢測，研究結果表明通過高光譜成像技術可以準確有效地對果蔬進行無損檢測。文韜等[5]利用高光譜技術對霉變稻谷中的脂肪酸含量成功檢測。Taghizadeh等[6]通過高光譜成像技術對白蘑菇的含水率進行了檢測。Jin等[7]通過高光譜圖像技術對花生仁中的水分含量進行檢測，建立了偏最小二乘回歸（Partial least squares regression，PLSR）定量模型，最佳預測決定系數(shù)為0.91。孫俊等[8]利用生菜葉片的高光譜圖像信息，構建了生菜葉片水分檢測模型。這些研究結果為本文提供了理論基礎。

本文探討高光譜技術在茶鮮葉水分無損檢測中的應用，在 870~1 770 nm波段內采集了茶鮮葉的圖像并建模分析，選出最優(yōu)預處理方案。本研究為茶葉生產過程中茶鮮葉含水率的在線監(jiān)測與反饋控制提供了參考。

1 材料與方法

1.1 實驗樣本制備與采集

實驗樣本種植地為江蘇吟春碧芽有限公司鎮(zhèn)江種植基地，實驗樣本品種為綠茶茂綠，采摘時間2017年4月18日。為了獲取梯度水分的茶鮮葉樣本，在茶葉種植灌溉過程中人為控制不同區(qū)域灌溉水量。在茶鮮葉采摘過程中，人為選取不同灌溉區(qū)域內相同部位、相同顏色外觀、葉片上沒有斑點的茶鮮葉采摘，共計240個樣本。采摘后依次編號并裝入貼有標簽的塑料袋密封并放入專業(yè)的植物保鮮盒（設置溫度為–5℃）中保存，采摘完成后立即送往實驗室進行高光譜圖像采集實驗。

1.2 儀器與光譜采集

高光譜圖像采集試驗所采用的硬件部分由高光譜圖像攝像儀（ImSpector V10E，Spectral Imaging Ltd.，Oulu，芬蘭）、2個 150 W的直流可調控光纖鹵素燈（2900-ER+9596-E型，Illumination美國）、暗箱（SC100型，北京光學儀器廠）、電控位移臺（MTS120型，北京光學儀器廠）和計算機等組成。

采集高光譜圖像前的準備工作：提前30 min打開光源進行預熱；設置曝光時間為20 ms，電控位移臺移動速度設為 16 mm·s-1，圖像分辨率設置為1 344×1 024像素；光譜分辨率為2.8 nm，光譜范圍是500~2 000 nm，光譜采樣間隔為2.44 nm；將茶鮮葉正面向上平鋪在白板上，并放置在暗箱中的電控位移臺上；打開SpectralCube（Spectral Imaging Ltd.，F(xiàn)inland）軟件的操作界面，采集每片茶葉的高光譜圖像。對采集到的高光譜圖像進行黑白標定[9]，去除噪聲干擾以及其他光源干擾。

1.3 茶葉含水率的測定

含水率的測定使用DZF-6050型真空干燥箱（控溫精度±1℃）和BS210S型電子天平（稱量精度 0.0001 g）。根據(jù)國家標準 GB/T 8304—2002，將茶鮮葉試樣置于溫度(103±2)℃電熱鼓風恒溫干燥箱內進行 4 h的烘干處理，然后將樣本放置在干燥器中冷卻至室溫后稱量；再放置在干燥箱中加熱 1 h，取出置于干燥器內冷卻，稱量（準確至 0.001 g）。重復加熱 1 h，直到連續(xù) 2次稱量的差不超過0.005 g，即為恒重，以最小稱量（準確至0.001 g）作為M2。含水率的測定，進行3次重復取平均值。含水率的具體表達式[10]如式（1）所示：

其中：M為是茶鮮葉的含水率（%），M1為茶葉試樣干燥前的質量（g），M2為茶葉試樣干燥后的質量（g）。

本試驗總計240個茶鮮葉樣本，通過烘干稱重法測得樣本集含水率范圍為 57.08%~77.81%。

2 數(shù)據(jù)處理與分析

2.1 光譜數(shù)據(jù)的預處理

本文每片茶鮮葉選取 90×90像素的矩形區(qū)域（選取避開茶葉的主葉脈區(qū)域）作為感興趣區(qū)域（Region of Interest，ROI）。其中，每個像素點包含一條光譜信息。為此，本文選取ROI區(qū)域是將90×90像素的矩形區(qū)域8 100條光譜平均處理后的光譜值作為茶鮮葉樣本光譜數(shù)據(jù)。由于光譜數(shù)據(jù)易受到電噪音、光散射、基線漂移、光程變化等因素的干擾，需要對其做必要的預處理。本文采用4種光譜預處理算法：卷積平滑（SG）、多元散射校正（MSC）、標準正態(tài)變換（SNV）、正交信號校正（OSC），分別對原始光譜進行預處理。根據(jù)建立的多元線性逐步回歸模型來確定高光譜檢測茶鮮葉含水率最合適的光譜預處理方法。

光譜射率-波長對應圖形處理軟件為Matlab 2012b，光譜預處理對應圖形處理軟件為Unscrambler X 10.4。其中，茶鮮葉高光譜數(shù)據(jù)首先進行Savitzky-Golay Smoothing（SG）去除噪聲以及一些其他干擾。其次，再對卷積平滑（SG）處理后光譜數(shù)據(jù)分別進行 SNV、MSC和 OSC處理，將處理完的數(shù)據(jù)再用Matlab繪制出對應的波長-反射率的圖。

2.1.1 卷積平滑算法（SG）

Savitzky-Golay濾波器是 Savitzky和Golay在 1964年提出的，原理是通過多項式對移動窗口內的數(shù)據(jù)進行多項式最小二乘擬合。這種濾波器最大的特點在于在濾除噪聲的同時可以確保信號的形狀、寬度不變[11]。

2.1.2 標準正態(tài)變換（SNV）

標準正態(tài)變換技術由 Martens等于 1983年提出，它的基本思想是去除數(shù)據(jù)中由于樣品的特殊散射而引起的非線性關系[12]。多元散射校正的過程可以分為兩步：確定正確系數(shù)：Xorg=b0+bref.1Xref+e和改正光譜：Xcorr=(Xorgb0)/bref.1。其中b是正確系數(shù)，e是沒有模型化的部分，Xorg，Xref和Xcorr分別是原始、反射和改正后的光譜。

2.1.3 正交信號校正（OSC）

正交信號校正算法于 1998年由 S.World作為一種光譜過濾手段提出[13]?，F(xiàn)在，在很多研究人員的努力下，已經將正交信號校正（OSC）應用到色譜及其他光譜等的預處理與分析。

2.1.4 多元散射校正（MSC）

多元散射校正方法是現(xiàn)階段多波長定標建模常用的一種數(shù)據(jù)處理方法，經過散射校正后得到的光譜數(shù)據(jù)可以有效地消除散射影響，增強了與成分含量相關的光譜吸收信息[14]。

2.2 特征波長的提取

本文采用逐步回歸分析法（SW）提取特征波長，其基本思想是在模型中逐一引入所有的變量，而前提條件是在引入之前，這些變量在檢驗過后，都是顯著的，而看一個變量是否顯著主要是看其偏回歸平方和是否顯著。當然，每一次引入變量時，都要對之前所引入的變量進行檢驗，剔除不顯著的變量，以確保最終所引入的所有變量都是顯著的，這樣就能得到最優(yōu)模型[15]。

每次進行逐步回歸分析時都有一個卡控標準。引入的標準都是對模型外的所有變量進行 F檢驗，若其檢驗值小于等于引入標準值0.05，則引入變量，同樣的，若其檢驗值大于等于剔除標準值 0.1，則剔除該變量。所提取的特征波長如表1所示。

2.3 定量建模

采集到的茶鮮葉葉片樣本總數(shù)為240，采用隨機挑選法選取120個樣本作為校正集、60個樣本作為交叉驗證集、剩余60個樣本作為預測集。通過使用以下指標對所建立的模型性能進行評估：校正集的相關系數(shù)校正集的均方根誤差RMSEC；交叉驗證集的相關系數(shù)交叉驗證集的均方根誤差RMSECV；預測集的相關系數(shù)預測集的均方根誤差RMSEP。此外，所建立模型的均方根誤差越小、相關系數(shù)越接近1，模型的精度越高。

2.3.1 MLR模型

多元線性回歸分析通過使用一個線性方程將這些預測相結合，來確立響應變量與一些預測因子之間的關系模型[15]。建立MLR回歸模型如式（2）所示:

其中Y是指因變量，Xn是指自變量，e是指殘差，Bn為當除Xn之外的其余自變量的偏回歸系數(shù)[16]。表2為MLR的建模分析結果。

從表2可看出，經過SG處理后，提取特征波長18個，用多元線性回歸法建模所獲得的預測集的相關系數(shù)與均方根誤差RMSEP分別為 0.4251和 0.0439。通過數(shù)據(jù)分析，經過SG預處理后建模結果很不理想，校正集和預測集的相關系數(shù)很低，預測能力較差。

經過 SG-SNV預處理后，提取特征波長14個，用多元線性回歸法建模所獲得的預測集的相關系數(shù)與均方根誤差 RMSEP分別為 0.5618和 0.0432。通過數(shù)據(jù)分析，經過SG-SNV預處理后的建模結果也不理想，但優(yōu)于SG預處理方法。

經過 SG-MSC預處理后，提取特征波長14個，用多元線性回歸法建模所獲得的預測集的相關系數(shù)與均方根誤差 RMSEP分別為 0.6804和 0.0427。通過數(shù)據(jù)分析，經過SG-MSC預處理后的建模結果得到了一定的提高，但校正集和預測集的相關系數(shù)還比較低，預測能力一般。

經過SG-OSC預處理后，提取特征波長18個，用多元線性回歸法建模所獲得的預測集的相關系數(shù)與均方根誤差RMSEP分別為0.7194和0.0398。通過數(shù)據(jù)分析，經過SG-OSC預處理后得到的MLR模型結果最佳，對茶鮮葉含水率具有較高的預測性。

表1 特征波長數(shù)據(jù)Table 1 Characteristic wavelength data

表2 MLR建模分析結果Table 2 MLR modeling analysis results

2.3.2 PLSR模型

PLSR方法是一種新型的多變量回歸分析方法，可以同時實現(xiàn)回歸建模、簡化數(shù)據(jù)結構和分析兩組變量間的相關性，給多元數(shù)據(jù)統(tǒng)計分析帶來極大便利[17]。為此，本文采用 PLSR對經過不同光譜預處理后SW提取的特征進行定量建模分析。表3為PLSR的建模分析結果。

從表3可以看出，經過SG處理后，提取特征波長18個，用偏最小二乘回歸建模所獲得的預測集的相關系數(shù)與均方根誤差RMSEP分別為0.5389和0.0542。通過數(shù)據(jù)分析，經過SG預處理后PLSR建模結果較MLR有所提高，預測能力仍不理想。

經過 SG-SNV預處理后，提取特征波長14個，用偏最小二乘回歸建模所獲得的預測集的相關系數(shù)與均方根誤差 RMSEP分別為 0.6144和 0.0331。通過數(shù)據(jù)分析，經過SG-SNV預處理后的 PLSR建模結果也不理想，但優(yōu)于SG預處理方法。

經過 SG-MSC預處理后，提取特征波長14個，用偏最小二乘回歸建模所獲得的預測集的相關系數(shù)與均方根誤差 RMSEP分別為 0.7291和 0.0413。通過數(shù)據(jù)分析，經過SG-MSC預處理后的建模結果得到了一定的提高，但校正集和預測集的相關系數(shù)還比較低，預測能力一般。

經過 SG-OSC預處理后，提取特征波長18個，用偏最小二乘回歸建模所獲得的預測集的相關系數(shù)與均方根誤差 RMSEP分別為 0.7749和 0.0371。通過數(shù)據(jù)分析，經過SG-OSC預處理后得到的 PLSR模型結果最佳，對茶鮮葉含水率具有較高的預測性。

表3 PLSR建模分析結果Table 3 PLSR modeling analysis results

圖1 SG-OSC-SW-PLSR建立模型中預測集茶鮮葉實際值與預測集關系Fig. 1 Relationship between the measured and predicted moisture contents in tea leaves by SG-OSC-SW-PLSR model

綜合比較表2和表3可以看出，光譜經過不同預處理以及 SW 特征提取后的數(shù)據(jù)所建立 PLSR定量檢測茶鮮葉含水率模型要優(yōu)于MLR建立的模型。如圖1所示，在所建立的茶鮮葉含水率定量檢測模型中，最佳預測模型為SG-OSC-SW-PLSR模型，預測集的相關系數(shù)與均方根誤差RMSEP分別為0.7749和0.0371。

3 結論

本文利用高光譜成像技術獲取 870~1770 nm波段范圍內高光譜數(shù)據(jù)對茶鮮葉含水率進行無損檢測研究。采用SG、SG-SNV、SG-MSC和SG-OSC 4種算法來對茶鮮葉原始光譜數(shù)據(jù)進行預處理，并根據(jù)逐步回歸分析法提取的特征波長建立多元線性以及偏最小二乘回歸分析模型。建模結果表明，PLSR定量分析模型要優(yōu)于 MLR模型，并且 SG-OSC-SW-PLSR檢測茶鮮葉含水率的定量檢測模型效果最好，模型校正集、交叉驗證集和預測集的相關系數(shù)分別為0.8977、0.8342和0.7749，模型校正集、交叉驗證集和預測集的均方根誤差分別為0.0091、0.0311和0.0371。由此可見，高光譜成像技術作為一種快速高效的無損檢測技術對茶鮮葉含水率的檢測是可行的。

[1] 趙杰文, 王開亮, 歐陽琴, 等. 高光譜技術分析茶樹葉片中葉綠素含量及分布[J]. 光譜學與光譜分析, 2011(2):512-515.

[2] 周竹, 李小昱, 陶海龍. 基于高光譜成像技術的馬鈴薯外部缺陷檢測[J]. 農業(yè)工程學報, 2012, 28(21): 221-228.

[3] 朱榮光, 姚雪東, 高廣娣, 等. 不同儲存時間和取樣部位牛肉顏色的高光譜圖像檢測[J]. 農業(yè)機械學報, 2013,44(7): 1000-1298.

[4] 張保華, 李江波, 樊書祥, 等. 高光譜成像技術在果蔬品質與安全無損檢測中的原理及應用[J]. 光譜學與光譜分析, 2014(10): 2743-2751.

[5] 文韜, 洪添勝, 李立君, 等. 基于高光譜技術的霉變稻谷脂肪酸含量無損檢測[J]. 農業(yè)工程學報, 2015, 31(18):233-239.

[6] Taghizadeh M, Gowen A, O'Donnell CP. Prediction of white button mushroom (Agaricus bisporus) moisture content using hyperspectral imaging [J]. Sensing and Instrumentation for Food Quality and Safety, 2009, 3(4): 219-226.

[7] Jin H, Li L, Cheng J. Rapid and non-destructive determination of moisture content of peanut kernels using hyperspectral imaging technique [J]. Food Analytical Methods, 2015, 8(10): 1-9.

[8] 孫俊, 武小紅, 張曉東, 等. 基于高光譜圖像的生菜葉片水分預測研究[J]. 光譜學與光譜分析, 2013, 33(2):522-526.

[9] Savitzky A, Golay MJE. Smoothing and differentiation of data by simplified least squares procedures [J]. Analytical Chemistry, 1964, 36(8): 1627-1639.

[10] 中華人民共和國國家質量監(jiān)督檢驗檢疫總局. GB/T 8403—2002 茶水分測定[S]. 北京: 中國標準出版社, 2002.

[11] Martens H, Jensen A, Geladi P. Multivariate linearity transformation for near-infrared reflectance spectrometry[C]//Christie OHJ. Proceedings of the Nordic symposium on applied statistics. Stavanger: Stockands Forlag, 1983:205-234.

[12] Guo H, Peng Y-K, Jiang F-C, et al. Development of conveyable beef-marbling detection system [J]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43:207-210.

[13] Wold S, Antti H, Lindgren F, et al. Orthogonal signal correction of near-infrared spectra [J]. Chemometrics and Intelligent Laboratory Systems, 1998, 44: 175-185.

[14] Williams P, Norris K. Near-infrared technology in the agricultural and food industries [M]. USA: the American Association of Cereal Chemists, 1987.

[15] 葉慈男, 曹偉麗. 應用數(shù)理統(tǒng)計[M]. 北京: 機械工業(yè)出版社, 2004.

[16] 陳永勝. 多元線性回歸建模以及 MAT LAB和 SPSS求解[J]. 綏化學院學報, 2007(6): 166-168.

[17] 于雷, 洪永勝, 耿雷, 等. 基于偏最小二乘回歸的土壤有機質含量高光譜估算[J]. 農業(yè)工程學報, 2015, 31(14):103-109.