李倩倩，劉大洋，楊 彪，李偉強(qiáng)，郭文川*

（西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，陜西 楊凌 712100）

中國(guó)目前是種植面積第一的獼猴桃生產(chǎn)大國(guó)[1]。獼猴桃富含豐富的營(yíng)養(yǎng)成分，被譽(yù)為“水果之王”。糖分是獼猴桃的重要呈味物質(zhì)，也是影響果實(shí)采后食用品質(zhì)的重要因素。水果果汁的可溶性固形物中81%的成分為糖類(lèi)[2]，因此常用可溶性固形物含量（soluble solids content，SSC）評(píng)價(jià)水果的糖度。傳統(tǒng)檢測(cè)水果SSC的方法是取部分果肉榨汁、將果汁滴入糖度計(jì)中測(cè)量。雖然該方法相對(duì)精確，但卻是有損檢測(cè)，不利于消費(fèi)者挑選水果。近紅外光譜技術(shù)具有穩(wěn)定性好、操作簡(jiǎn)單、無(wú)污染、無(wú)損檢測(cè)等優(yōu)點(diǎn)[3]，已經(jīng)被廣泛應(yīng)用在桃、蘋(píng)果等水果的品質(zhì)檢測(cè)中[4-11]。在應(yīng)用近紅外光譜技術(shù)檢測(cè)獼猴桃SSC方面國(guó)內(nèi)外學(xué)者也進(jìn)行了大量研究[12-15]?，F(xiàn)有的臺(tái)式近紅外檢測(cè)設(shè)備雖然精度高、穩(wěn)定性好，但是價(jià)格昂貴，體積龐大，操作復(fù)雜，不利于大范圍推廣。此外，獼猴桃品種較多，光譜差異較大。在以往的研究中，大多數(shù)研究人員只對(duì)單一品種獼猴桃建立模型并預(yù)測(cè)該品種SSC，當(dāng)需要預(yù)測(cè)另一品種獼猴桃SSC時(shí)，又需要大量樣本重新建立模型，耗時(shí)較長(zhǎng)，浪費(fèi)大量人力物力。因此，需要對(duì)模型進(jìn)行校正，提高模型的適用性。目前主要是針對(duì)不同儀器之間開(kāi)展模型傳遞方法的研究，而對(duì)于不同品種間近紅外光譜模型傳遞方法的研究鮮有報(bào)道。

本研究以海洋光學(xué)微型光譜儀和自制光纖探頭為基礎(chǔ)，搭建一套獼猴桃SSC近紅外光譜檢測(cè)裝置，以‘華優(yōu)’、‘徐香’和‘西選’為實(shí)驗(yàn)對(duì)象，在該檢測(cè)裝置下，獲取多品種獼猴桃的光譜；基于x-y共生距離（sample set partitioning based on joint x-y distances，SPXY）樣本劃分方法，選取具有代表性的樣本做為校正集，結(jié)合多種不同波長(zhǎng)優(yōu)選方法，建立檢測(cè)獼猴桃SSC的偏最小二乘（partial least squares，PLS）[16]模型，探討不同波長(zhǎng)優(yōu)選方法對(duì)獼猴桃SSC檢測(cè)模型精度的影響；結(jié)合斜率/截距算法，用少量‘徐香’和‘西選’獼猴桃樣本對(duì)‘華優(yōu)’獼猴桃SSC檢測(cè)模型進(jìn)行校正，提高對(duì)目標(biāo)樣品的預(yù)測(cè)性能，減少實(shí)驗(yàn)量，優(yōu)化獼猴桃SSC檢測(cè)模型。

1 材料與方法

1.1 材料

實(shí)驗(yàn)所用的成熟‘華優(yōu)’、‘徐香’和‘西選’獼猴桃樣品采摘于楊陵區(qū)某3 個(gè)獼猴桃園，所選樣品無(wú)缺陷和損傷。為了獲取一定變化范圍的SSC，將采摘的獼猴桃樣品放在室溫條件下冷卻約6 h后，分別將10～15 個(gè)樣品裝于保鮮袋中，并置于3 ℃的恒溫恒濕箱中冷藏。實(shí)驗(yàn)前從恒溫恒濕箱中取出30 個(gè)樣品（每個(gè)品種各10 個(gè)），用面巾紙清理掉樣品表皮的雜物后，將樣品置于室溫（（24±2）℃）條件下放置約12 h，以使樣品回到室溫且保證樣品溫度均勻。每隔7 d取一次樣，共用樣品390 個(gè)，其中‘華優(yōu)’130 個(gè)、‘徐香’130 個(gè)、‘西選’130 個(gè)。

1.2 光譜采集裝置

基于微型光譜儀的獼猴桃SSC近紅外光譜檢測(cè)系統(tǒng)主要由微型光譜儀、計(jì)算機(jī)、光纖探頭、光源和USB數(shù)據(jù)線(xiàn)組成，如圖1所示。其中微型光譜儀為美國(guó)Ocean Optics公司生產(chǎn)的NIRQuest512型微型光譜儀，該光譜儀采用穩(wěn)定性高的濱松銦鎵砷化物（InGaAs）作為陣列探測(cè)器，其探測(cè)范圍為898.27～1 719.61 nm。光源為功率6.5 W的鹵素?zé)簦℉L-900-P7，如海光電科技有限公司）。光纖探頭（自制）包含2 組單獨(dú)的光纖，一組是位于光纖探頭處的環(huán)形光纖負(fù)責(zé)將光源發(fā)出的光照射到獼猴桃上，另一組負(fù)責(zé)將光纖探頭處檢測(cè)到的含有獼猴桃內(nèi)部品質(zhì)信息的光傳遞到光譜儀中。計(jì)算機(jī)通過(guò)USB數(shù)據(jù)線(xiàn)與微型光譜儀相連接，負(fù)責(zé)整個(gè)光譜數(shù)據(jù)的采集、存儲(chǔ)和處理。

圖1 獼猴桃光譜采集系統(tǒng)結(jié)構(gòu)圖Fig.1 Schematic diagram of the spectral acquisition system for kiwifruits

1.3 方法

1.3.1 光譜數(shù)據(jù)的采集

以獼猴桃赤道上間隔180°的2 個(gè)點(diǎn)作為光譜采集區(qū)域。采集獼猴桃光譜時(shí)，將光纖探頭與獼猴桃表面緊密接觸，使用SpectraSuite軟件（Ocean Optics，美國(guó)）實(shí)現(xiàn)光譜數(shù)據(jù)的采集和存儲(chǔ)。獼猴桃光譜采集的參數(shù)為積分時(shí)間3 000 ms，平均次數(shù)3，平滑度3。按公式（1）計(jì)算光譜反射率：

式中：Rλ和Sλ分別為波長(zhǎng)λ條件下獼猴桃樣品的反射率和光譜強(qiáng)度；Dλ和RDλ分別為波長(zhǎng)λ條件下的暗光譜強(qiáng)度和參考光譜強(qiáng)度。

由于每個(gè)樣品間隔180°的2 個(gè)點(diǎn)的SSC和光譜均有一定的差異，因此以每個(gè)點(diǎn)獲得的光譜作為一個(gè)獨(dú)立的光譜，共獲得光譜780 條。

1.3.2 SSC測(cè)定

光譜采集完成后，在光譜采集位置取適量果肉，用家用壓蒜器壓汁，然后用PR-101α型數(shù)字式折射計(jì)測(cè)量果汁的SSC。每個(gè)點(diǎn)測(cè)量2 次，2 次測(cè)量結(jié)果的平均值作為該點(diǎn)SSC的測(cè)量結(jié)果。每個(gè)點(diǎn)的SSC與該點(diǎn)的光譜一一對(duì)應(yīng)。

1.4 數(shù)據(jù)分析與處理

1.4.1 光譜數(shù)據(jù)預(yù)處理

采集到的原始光譜不僅包含了被測(cè)樣品內(nèi)部結(jié)構(gòu)和化學(xué)組分的綜合信息，同時(shí)也包含了背景噪聲等其他無(wú)關(guān)變量。在全光譜范圍內(nèi)比較了全光譜、Savitzky-Golay卷積平滑、基線(xiàn)校正、多元散射校正、標(biāo)準(zhǔn)正態(tài)變量變換（standard normalized variate，SNV）、一階及二階微分光譜預(yù)處理方法對(duì)PLS模型性能的影響，發(fā)現(xiàn)經(jīng)SNV預(yù)處理后的光譜能有效地提高PLS模型對(duì)獼猴桃SSC的檢測(cè)性能，因此，本實(shí)驗(yàn)以SNV預(yù)處理后的光譜作為后續(xù)分析的基礎(chǔ)。

1.4.2 SPXY樣本劃分方法

SPXY樣本劃分方法是由Galvao等[17]首先提出的，它以Kennard-Stone算法為基礎(chǔ)，在計(jì)算樣品間距離時(shí)，同時(shí)考慮了x變量和y變量。該方法可以很好地覆蓋多維空間，從而能提高模型的預(yù)測(cè)效果。

1.4.3 特征波長(zhǎng)的選取

采用連續(xù)投影算法（successive projections algorithm，SPA）、無(wú)信息變量消除（uninformative variable elimination，UVE）法和競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)（competitive adaptive reweighted sampling，CARS）法從全光譜中提取特征波長(zhǎng)。

SPA[18-19]是一種利用向量投影分析的前向循環(huán)特征波長(zhǎng)提取算法。從一個(gè)波長(zhǎng)變量開(kāi)始，每循環(huán)一次都計(jì)算這個(gè)波長(zhǎng)變量在剩余波長(zhǎng)變量上的投影，并將投影向量最大的波長(zhǎng)引入到波長(zhǎng)組合，直到達(dá)到設(shè)定的波長(zhǎng)數(shù)為止，每個(gè)新選擇的波長(zhǎng)都與前一個(gè)波長(zhǎng)的冗余度最低、共線(xiàn)性關(guān)系最小。本研究中采用交互驗(yàn)證均方根誤差（root mean square error of cross validation，RMSECV）評(píng)價(jià)SPA中每一步所得到的波長(zhǎng)組合，最小RMSECV對(duì)應(yīng)的波長(zhǎng)組合及波長(zhǎng)數(shù)既是最終提取的結(jié)果。

UVE[20-21]是以PLS回歸系數(shù)為基礎(chǔ)的特征波長(zhǎng)提取方法。它是把隨機(jī)產(chǎn)生的與自身光譜矩陣變量數(shù)目相同的噪聲矩陣作為伴隨矩陣添加到光譜矩陣中建立PLS模型，利用交叉驗(yàn)證，剔除原始變量中的無(wú)信息波長(zhǎng)，得到回歸系數(shù)矩陣，然后計(jì)算回歸系數(shù)向量的平均值與標(biāo)準(zhǔn)偏差的商的穩(wěn)定性，根據(jù)穩(wěn)定性判定是否把該波長(zhǎng)用于最終的模型中。

CARS[22-24]是基于簡(jiǎn)單而有效的達(dá)爾文“適者生存”進(jìn)化理論提出的一種新的特征波長(zhǎng)提取方法。它是利用自適應(yīng)加權(quán)采樣技術(shù)保留PLS模型中回歸系數(shù)絕對(duì)值大的波長(zhǎng)變量，利用交互驗(yàn)證，計(jì)算并比較每次采樣產(chǎn)生的特征變量集所對(duì)應(yīng)的RMSECV值，根據(jù)RMSECV最小值選取最佳特征波長(zhǎng)子集，該子集所包含的變量即為最優(yōu)變量組合。

1.4.4 斜率/截距模型傳遞方法

斜率/截距算法[25-26]是通過(guò)校正主品種模型來(lái)實(shí)現(xiàn)模型傳遞的。

其主要步驟為：建立主品種校正模型K，選擇n 個(gè)目標(biāo)樣品構(gòu)成標(biāo)準(zhǔn)樣品集X1，利用模型K直接預(yù)測(cè)X1，得到目標(biāo)樣品矩陣C1，采用一元線(xiàn)性回歸方程對(duì)C1和預(yù)測(cè)的目標(biāo)樣品真值矩陣C0進(jìn)行擬合，式（2）為擬合方程：

式中：a和b為該擬合方程的斜率和截距。

以殘差平方最小為原則，根據(jù)PLS法求解該線(xiàn)性方程，得到a和b，按公式（3）、（4）計(jì)算：

利用公式（3）、（4）求出a和b后，采集未知目標(biāo)待測(cè)樣品光譜矩陣X2，采用模型K得到預(yù)測(cè)值C2，再利用公式（5）求出未知目標(biāo)待測(cè)樣品修正后的預(yù)測(cè)值C3。

1.4.5 模型的建立及評(píng)價(jià)

以校正集樣品的均方根誤差（root mean square error of calibration，RMSEC）和相關(guān)系數(shù)（Rc）以及預(yù)測(cè)集樣品的均方根誤差（root mean square error of prediction，RMSEP）和相關(guān)系數(shù)（Rp）分別反應(yīng)模型的校正性能和預(yù)測(cè)性能。Rc和Rp越高，RMSEC和RMSEP越低，模型的性能越好。此外，以剩余預(yù)測(cè)偏差（residual predictive deviation，DRPD）評(píng)價(jià)模型的預(yù)測(cè)性能。Nicola?等[27]指出，當(dāng)DRPD＜1.5，表示該模型的預(yù)測(cè)精度很差；當(dāng)1.5＜DRPD＜2.0，表示該模型預(yù)測(cè)性能相對(duì)較弱；當(dāng)2.0＜DRPD＜2.5，表示該模型可用于粗略地預(yù)測(cè)；當(dāng)DRPD＞2.5，表示該模型具有良好的預(yù)測(cè)能力；當(dāng)DRPD＞3.0，表示該模型具有極好的預(yù)測(cè)能力。

1.4.6 軟件處理

利用Unscrambler9.8（CAMO，Norway）完成光譜數(shù)據(jù)的SNV預(yù)處理，利用Matlab2010a（Mathworks，USA）軟件完成光譜特征波長(zhǎng)變量提取及獼猴桃SSC模型的建立。

2 結(jié)果與分析

2.1 獼猴桃近紅外光譜特征分析

圖2 經(jīng)SNV處理后的獼猴桃光譜圖Fig.2 Spectra of kiwifruits after SNV pretreatment

如圖2所示，所有獼猴桃樣品在898.27～1 719.61 nm波長(zhǎng)范圍內(nèi)經(jīng)SNV預(yù)處理后的反射光譜。在整個(gè)光譜測(cè)試范圍內(nèi)，各樣品的光譜變化趨勢(shì)相同，且有2 個(gè)主要的吸收峰，分別出現(xiàn)在960 nm和1 190 nm附近。960 nm處強(qiáng)的吸收峰可能是由于碳水化合物和水的O—H鍵的二級(jí)倍頻吸收共同作用所致[28]，而1 190 nm處的吸收峰很可能是由于碳水化合物（果糖、蔗糖和葡萄糖）的C—H鍵的二級(jí)倍頻吸收引起的[29-30]。

2.2 校正集和預(yù)測(cè)集樣本劃分

采用SPXY算法分別對(duì)3 個(gè)品種的獼猴桃樣本進(jìn)行劃分，按照校正集與預(yù)測(cè)集樣本數(shù)3∶1的比例將每個(gè)品種的獼猴桃分別劃分為195 個(gè)校正集樣品和65 個(gè)預(yù)測(cè)集樣品。從表1可以看出，每個(gè)品種校正集SSC的分布范圍覆蓋了預(yù)測(cè)集的分布范圍，這有助于構(gòu)建穩(wěn)定的檢測(cè)模型。

表1 各品種獼猴桃SSC測(cè)量值的分布Table1 SSC distribution of kiwifruits from three varieties

2.3 特征波長(zhǎng)選取及模型的建立

SPA算法提取特征波長(zhǎng)：設(shè)定SPA算法中各品種獼猴桃的特征波長(zhǎng)變量數(shù)為3～50 個(gè)，分別計(jì)算不同特征波長(zhǎng)數(shù)條件下各品種獼猴桃的RMSECV，根據(jù)RMSECV的最小值確定最佳的特征波長(zhǎng)變量數(shù)。本實(shí)驗(yàn)中，對(duì)于‘華優(yōu)’、‘徐香’和‘西選’獼猴桃所確定的最佳特征波長(zhǎng)數(shù)分別為14、29和18。

UVE算法提取特征波長(zhǎng)：在應(yīng)用UVE算法提取特征波長(zhǎng)時(shí)，設(shè)定隨機(jī)變量個(gè)數(shù)為512 個(gè)，將隨機(jī)變量穩(wěn)定性最大絕對(duì)值的99%作為變量篩選的閾值，閾值以外的穩(wěn)定性值所對(duì)應(yīng)的波長(zhǎng)變量被用于建模，其余波長(zhǎng)則被剔除。本研究中用UVE算法提取的‘華優(yōu)’、‘徐香’和‘西選’獼猴桃的特征波長(zhǎng)數(shù)分別為241、234 nm和154 nm。

CARS算法提取特征波長(zhǎng)：本研究中將蒙特卡羅采樣次數(shù)設(shè)定為100。由于蒙特卡羅采樣法是從校正集樣品中隨機(jī)選取一定數(shù)量的樣品建立PLS模型，因此每次CARS算法的結(jié)果不會(huì)完全相同，這使得挑選出來(lái)的特征波長(zhǎng)略有差異。為此，本實(shí)驗(yàn)運(yùn)行CARS算法20 次，根據(jù)RMSECV最小一次的結(jié)果選擇特征波長(zhǎng)。本研究中，對(duì)于‘華優(yōu)’、‘徐香’和‘西選’獼猴桃，經(jīng)過(guò)CARS算法最終提取的特征波長(zhǎng)數(shù)分別為24、34和37。

模型建立及預(yù)測(cè)：基于各品種校正集樣品的全光譜以及SPA、UVE和CARS提取的特征波長(zhǎng)，建立預(yù)測(cè)各品種獼猴桃SSC的PLS模型，并用所建模型對(duì)預(yù)測(cè)集樣品的SSC進(jìn)行預(yù)測(cè)，如表2所示。

表2 不同特征波長(zhǎng)選擇方法下各品種獼猴桃SSC的建模結(jié)果Table2 SSC modeling of different kiwifruit varieties with different effective wavelengths selection methods

對(duì)于‘華優(yōu)’獼猴桃，經(jīng)SPA提取的特征波長(zhǎng)所建PLS模型的預(yù)測(cè)結(jié)果最好，RMSEP為0.583 °Brix；對(duì)于‘徐香’和‘西選’獼猴桃，同樣也是經(jīng)SPA提取的特征波長(zhǎng)所建PLS模型具有最小的RMSEP（0.678 °Brix和0.646 °Brix）。3 個(gè)品種中，對(duì)于‘華優(yōu)’和‘徐香’，4 種不同波長(zhǎng)提取方法所建PLS模型的DRPD均大于3.0，說(shuō)明該套系統(tǒng)能獲取到穩(wěn)定且準(zhǔn)確的獼猴桃光譜信息，對(duì)這2 個(gè)品種獼猴桃的SSC具有極好的預(yù)測(cè)準(zhǔn)確性；而對(duì)于‘西選’4 種不同波長(zhǎng)選取方法所建PLS模型的預(yù)測(cè)能力相比‘華優(yōu)’和‘徐香’較差，可能是由于其SSC范圍較窄，但應(yīng)用SPA方法篩選出的31 個(gè)特征波長(zhǎng)所建模型的DRPD在2.5和3.0之間，說(shuō)明該模型對(duì)‘西選’獼猴桃SSC的預(yù)測(cè)也具有良好的預(yù)測(cè)能力。

2.4 基于斜率/截距算法的模型傳遞及預(yù)測(cè)結(jié)果

本研究中所用‘華優(yōu)’獼猴桃SSC的范圍覆蓋了‘徐香’和‘西選’SSC的范圍，代表性較強(qiáng)，故以‘華優(yōu)’作為主品種，以‘徐香’和‘西選’為目標(biāo)品種，使用斜率/截距算法，研究基于‘華優(yōu)’獼猴桃SSC建立的SPA-PLS模型預(yù)測(cè)‘徐香’和‘西選’獼猴桃SSC的準(zhǔn)確性。在使用斜率/截距算法進(jìn)行模型傳遞時(shí)，需要選取一定數(shù)量的標(biāo)準(zhǔn)化樣本，用以計(jì)算模型傳遞參數(shù)——斜率和截距。用SPXY算法分別從‘徐香’和‘西選’的校正集選取0、10、20、30、40、50、60、70、80、90 個(gè)樣本作為標(biāo)準(zhǔn)化樣本，用以計(jì)算模型傳遞的斜率和截距。從圖3可以看出，對(duì)于‘徐香’和‘西選’經(jīng)過(guò)斜率/截距算法修正后，RMSEP均在一定程度上有所降低。對(duì)于‘徐香’，當(dāng)標(biāo)準(zhǔn)化樣本個(gè)數(shù)為10時(shí)，其RMSEP（0.966 °Brix）值最小。對(duì)于‘西選’，當(dāng)標(biāo)準(zhǔn)化樣本個(gè)數(shù)為50時(shí)，RMSEP（0.875 °Brix）值最小。為此，本實(shí)驗(yàn)在采用斜率/截距算法進(jìn)行模型傳遞時(shí)，將‘徐香’和‘西選’目標(biāo)品種的標(biāo)準(zhǔn)化樣本個(gè)數(shù)分別設(shè)為10和50。

圖3 ‘徐香’和‘西選’的RMSEP隨標(biāo)準(zhǔn)化樣本個(gè)數(shù)的變化趨勢(shì)圖Fig.3 Changes in RMSEP of ‘Xuxiang’and ‘Xixuan’ kiwifruits with different numbers of standard samples

表3 斜率/截距法修正前后的模型檢測(cè)效果Table3 Prediction results of the model before and after S/B algorithm correction

從表3可以看出，當(dāng)對(duì)‘華優(yōu)’的SPA-PLS模型進(jìn)行斜率/截距算法修正前，即直接采用‘華優(yōu)’模型預(yù)測(cè)‘徐香’和‘西選’的SSC時(shí)，其RMSEP分別為1.298 °Brix和2.065 °Brix，而采用斜率/截距算法修正后，該模型對(duì)‘徐香’和‘西選’SSC預(yù)測(cè)的RMSEP分別降為0.966 °Brix和0.875 °Brix，較使用前分別下降了0.332 °Brix和1.190 °Brix，說(shuō)明斜率/截距算法能有效改善主品種（‘華優(yōu)’）模型對(duì)目標(biāo)品種（‘徐香’和‘西選’）SSC的預(yù)測(cè)性能。

2.5 少量‘徐香’和‘西選’獼猴桃模型建立

為了客觀(guān)地評(píng)價(jià)斜率/截距算法的模型傳遞效果，分別用2.4節(jié)中挑選出的10 個(gè)‘徐香’和50 個(gè)‘西選’建立預(yù)測(cè)‘徐香’和‘西選’獼猴桃SSC的SPA-PLS模型。設(shè)定特征波長(zhǎng)變量數(shù)分別為1～9 個(gè)和1～49 個(gè)，根據(jù)不同變量數(shù)條件下‘徐香’和‘西選’RMSECV的最小值確定最佳特征波長(zhǎng)數(shù)分別為3和15，進(jìn)而分別建立預(yù)測(cè)‘徐香’和‘西選’獼猴桃SSC的PLS模型。為了驗(yàn)證模型的預(yù)測(cè)效果，用所建的模型對(duì)預(yù)測(cè)集的65 個(gè)‘徐香’和65 個(gè)‘西選’分別進(jìn)行預(yù)測(cè)，各模型的建模及預(yù)測(cè)結(jié)果見(jiàn)表4。

表4 少量‘徐香’和‘西選’獼猴桃所建PLS模型對(duì)其SSC預(yù)測(cè)結(jié)果Table4 SSC prediction results using PLS method with small samples of ‘Xuxiang’ and ‘Xixuan’ kiwifruits

由表4可以看出，僅用10 個(gè)‘徐香’獼猴桃樣本所建模型的RMSEP為1.883 °Brix，DRPD為1.446，同表3中斜率/截距算法修正后對(duì)‘徐香’獼猴桃樣本的RMSEP（0.966 °Brix）和DRPD（2.819）相比，RMSEP增加了0.917 °Brix，DRPD減少了1.373。對(duì)于‘西選’獼猴桃，用50 個(gè)樣本作為校正集建模后得到的RMSEP為0.902 °Brix，DRPD為1.796，同表3中斜率/截距算法修正后對(duì)‘西選’獼猴桃樣本的RMSEP（0.875 °Brix）和DRPD（1.851）相比，RMSEP增加了0.027 °Brix，DRPD減少了0.055。結(jié)果說(shuō)明，當(dāng)目標(biāo)樣品數(shù)比較少時(shí)，基于小樣本所建模型的預(yù)測(cè)性能較差，而采用斜率/截距算法進(jìn)行模型傳遞能夠有效地提高對(duì)目標(biāo)樣品的預(yù)測(cè)性能。

而對(duì)表2和表3的結(jié)果進(jìn)行比較，可以發(fā)現(xiàn)不管是哪種波長(zhǎng)提取方法，相同品種條件下，表2中的RMSEP均小于表3中的RMSEP。該結(jié)果說(shuō)明，當(dāng)目標(biāo)品種的樣本數(shù)較大時(shí)，基于較大樣本所建立的目標(biāo)參數(shù)的預(yù)測(cè)性能優(yōu)于利用斜率/截距算法模型傳遞的結(jié)果。

3 結(jié) 論

本實(shí)驗(yàn)基于自搭建的獼猴桃SSC便攜式無(wú)損檢測(cè)系統(tǒng)獲取的光譜，結(jié)合PLS模型，研究不同特征波長(zhǎng)提取方法對(duì)獼猴桃SSC檢測(cè)模型的影響，并用斜率/截距算法研究了不同品種獼猴桃間SSC模型的傳遞。結(jié)果說(shuō)明，該套系統(tǒng)結(jié)合SPA-PLS方法建立的‘華優(yōu)’、‘徐香’和‘西選’獼猴桃SSC檢測(cè)模型可以用于獼猴桃SSC的快速無(wú)損檢測(cè)，其RMSEP分別為0.583、0.678 °Brix和0.646 °Brix；用斜率/截距算法對(duì)‘華優(yōu)’獼猴桃SSC模型進(jìn)行校正時(shí)，僅用10 個(gè)‘徐香’和50 個(gè)‘西選’獼猴桃能夠有效地提高對(duì)目標(biāo)樣品的預(yù)測(cè)性能，其RMSEP分別為0.966 °Brix和0.875 °Brix，同僅用少量‘徐香’和‘西選’獼猴桃所建小樣本模型相比，其RMSEP分別降低了0.917 °Brix和0.027 °Brix。本研究為進(jìn)一步構(gòu)建精度更高、更便捷的微型集成式獼猴桃SSC檢測(cè)設(shè)備提供理論依據(jù)。