彭雅玲 邱雪 張海紅 吳寶婷 朱韻異

摘要：利用近紅外光譜（400～1 000 nm）系統(tǒng)采集140個靈武長棗樣本的光譜信息，采用不同方法預(yù)處理原始光譜數(shù)據(jù)，優(yōu)選出最佳預(yù)處理方法。分別建立競爭性自適應(yīng)加權(quán)算法（cARs）和連續(xù)投影算法（sPA）提取特征變量的果肉硬度偏最小二乘回歸（PLsR）預(yù)測模型，并利用原始光譜建立靈武長棗貯藏時間的偏最小二乘判別（PLs DA）模型。結(jié)果表明，去趨勢法（Detrend）為最優(yōu)預(yù)處理方法;建立的Detrend-cARs-PI.SR模型效果較好，果肉平均硬度校正集和預(yù)測集模型相關(guān)系數(shù)均為0.868：果肉最大硬度校正集和預(yù)測集模型相關(guān)系數(shù)分別為0.914、0.849。建立的貯藏時間PLs-DA判別模型的校正集判別準(zhǔn)確率為98%，預(yù)測集判別準(zhǔn)確率為99%。說明，采用近紅外光譜技術(shù)對靈武長棗貯藏過程中長棗果肉硬度和貯藏時間的快速預(yù)測具有可行性。

關(guān)鍵詞：

近紅外光譜;果肉硬度;貯藏時間

中圖分類號：s665.1 文獻(xiàn)標(biāo)識碼：A 文章編號：1000 4440（2019）01-0182-07

靈武長棗是寧夏的優(yōu)勢特色果品，其外形獨(dú)特，色艷個大，鮮脆可口，酸甜適宜，且富含多種礦物質(zhì)和維生素，倍受消費(fèi)者的青睞，被譽(yù)為“棗中之王”。靈武長棗素以鮮食為主，果肉硬度等質(zhì)構(gòu)參數(shù)是衡量長棗品質(zhì)的重要指標(biāo)。目前，棗果的硬度參數(shù)主要采用硬度計或質(zhì)構(gòu)儀對棗果進(jìn)行整果穿刺測試。硬度計測試精度易受外界干擾因素的影響，如測試者用力大小和探頭規(guī)格及削皮厚度，均會使測試數(shù)據(jù)產(chǎn)生較大的測量誤差。穿刺測試雖能夠較好地反映整個果實的流變學(xué)特征，但測試已造成棗果破損，使其失去了商品價值，因此研究一種鮮棗果肉硬度的無損快速檢測方法意義明顯。

近紅外光譜技術(shù)（NIRS）是現(xiàn)代光譜分析技術(shù)、計算機(jī)技術(shù)和現(xiàn)代化學(xué)計量學(xué)的高度集合體，是一種多信息融合檢測技術(shù)，可同時獲取樣品空間各點的光譜，從而進(jìn)一步得到空間各點的組成和結(jié)構(gòu)信息。近年來，基于近紅外光譜技術(shù)的快速無損檢測技術(shù)的研究與開發(fā)受到了國內(nèi)外學(xué)者的廣泛關(guān)注。閆潤等應(yīng)用近紅外光譜技術(shù)，通過提取少量特征光譜信息，建立了草莓品質(zhì)的PLSR-ANN校正模型，實現(xiàn)了草莓品種的快速鑒別。劉燕德等采用可見/近紅外漫透射光譜技術(shù)，進(jìn)行了黃桃表面缺陷與可溶性固形物同時在線檢測的研究，表面缺陷果的正確判斷率為100%，可溶性固形物分選準(zhǔn)確率達(dá)到93%。NICOLAI等利用近紅外漫反射光譜技術(shù)在波長800～1690 nm內(nèi)，采用PLSR法建立的蘋果糖含量預(yù)測模型預(yù)測效果較好。Ma等利用近紅外光譜技術(shù)建立的蘋果可溶性固形物含量的PLSR預(yù)測模型取得了較好的預(yù)測效果，模型的交叉驗證決定系數(shù)為0.89，交叉驗證的均方根誤差為0.05%。但是基于近紅外光譜技術(shù)針對果品果肉硬度的預(yù)測卻鮮有報道，有待進(jìn)一步的深入研究。

本研究擬以寧夏靈武長棗為研究對象，利用近紅外光譜儀，采集靈武長棗400-1 000 nm的原始光譜信息。分別選取多種預(yù)處理方法，根據(jù)PLSR建模效果，優(yōu)選最佳預(yù)處理方法。應(yīng)用CARS和SPA提取特征變量，分別建立基于全波段和特征波段的PLSR棗果肉平均硬度和最大硬度預(yù)測模型，優(yōu)選最佳預(yù)測模型。運(yùn)用PLS-DA建立靈武長棗貯藏時間的判別模型，為鮮食果品果肉硬度的快速無損檢測和貯存期判別提供理論依據(jù)。

1材料與方法

1.1測試材料

靈武長棗采摘自寧夏靈武市大泉林場紅棗生產(chǎn)基地，去除灰塵后在室溫下貯藏。為減少樣本個體差異對試驗結(jié)果的影響，共選出大小形狀相似、成熟度一致，無病害、無損傷的140個測試樣本，每天從中隨機(jī)取出20個樣本進(jìn)行光譜和硬度測量，連續(xù)測量7d。

1.2.2硬度測量利用TA.XTPlus物性儀及其自帶軟件Texture Exponent 32，選用P/2n針狀探頭（直徑2 mm），選整棗赤道陰陽兩面上的2點，以整果穿刺法進(jìn)行棗果硬度的測試1。設(shè)置測前速度5mm/s，貫人速度1 mm/s，測后速度5 mm/s，最小感知力5 g，穿刺深度5 mm。

1.2.3數(shù)據(jù)處理分析由于樣本的不均勻性，采集到的單個點的光譜信息僅能代表某一點的光譜，不能代表整個樣本的信息，若取整個靈武長棗表面的光譜信息的平均值則更能代表整個樣本的信息，真實的反應(yīng)整個樣本。本研究擬利用ENVl4.6軟件選擇恰當(dāng)?shù)母信d趣區(qū)域，提取平均光譜值。采集到的原始光譜中主要包含樣本信息，但也可能含有由儀器漂移和光散射導(dǎo)致的系統(tǒng)噪音，為了開發(fā)出更精確的光譜模型，需運(yùn)用預(yù)處理方法來校正原始光譜以減少不需要的信息。本研究利用Un-scrambler X10.4軟件采用卷積平滑SG、歸一化Nor-malize、基線校準(zhǔn)Baseline、標(biāo)準(zhǔn)正態(tài)變量SNV、去趨勢Detrend 5種預(yù)處理方法對原始光譜進(jìn)行預(yù)處理。

光譜信息之間存在大量的冗余和共線性信息特征，對光譜有效信息的提取產(chǎn)生較大的干擾，且大量光譜數(shù)據(jù)會增加數(shù)據(jù)處理的負(fù)擔(dān)。特征波長提取是通過某種變換，使原始光譜數(shù)據(jù)從高維空間映射到低維空間，從而實現(xiàn)數(shù)據(jù)快速降維，并且得到有用的、可靠的數(shù)據(jù)120]。本研究擬用Matlab2014軟件對經(jīng)預(yù)處理后的光譜采用競爭性正自適應(yīng)加權(quán)算法（Competitive adaptive reweighted sampling，CARS）和連續(xù)投影算法（sueeessive proiection algorithm，SPA）進(jìn)行特征波長的選擇。

由圖2可以看出，隨著貯藏時間的延長，果肉平均硬度和最大硬度均逐漸降低，其主要原因可能是酶水解細(xì)胞壁多糖，使果膠、纖維素、半纖維素等細(xì)胞壁組分發(fā)生降解，細(xì)胞壁結(jié)構(gòu)解體，胞間連絲消失，細(xì)胞趨于分散從而導(dǎo)致果實軟化。

2.2靈武長棗硬度預(yù)測模型的建立與分析

2.2.1光譜預(yù)處理對預(yù)測結(jié)果的影響

分別選用SG、Normalize、Baseline、SNV、Detrend 5種預(yù)處理方法對原始光譜進(jìn)行預(yù)處理，并以預(yù)處理后的光譜信息建立了靈武長棗果肉平均硬度和最大硬度的PLSR預(yù)測模型，比較研究全波段及不同預(yù)處理方法對預(yù)測模型的影響，分析結(jié)果如表2所示。

SPA是一種向前循環(huán)算法，它通過多次迭代選擇出冗余信息最少的變量組，能夠解決信息重疊、共線性等問題，避免再從大量數(shù)據(jù)中選擇有代表性的數(shù)據(jù)，極大地調(diào)高了模型的效率。設(shè)定SPA選取的波長數(shù)為5-30，圖5是均方根誤差與有效波長數(shù)的關(guān)系，以均方根誤差值確定有效特征變量數(shù)，由圖5a和5b看出，從125個波段中分別篩選出8個和7個特征變量。

2.2.2.2特征波段與全波段PLSR模型比較與分析

表3是特征波段與全波段PLSR模型比較，由表3可以看出，全波段的校正和驗證模型的相關(guān)系數(shù)分別為0.863和0.733：采用CARS法處理后特征波長下果肉平均硬度的校正和驗證模型的相關(guān)系數(shù)均為0.868，果肉最大硬度的校正和驗證模型相關(guān)系數(shù)分別為0.914和0.849。分析可知，采用CARS法提取特征波長后的模型r較高且RMSE和全波段模型相比較低。在特征波長下的光譜具有較低的維數(shù)，減小了數(shù)據(jù)的冗余，有利于實現(xiàn)在線快速檢測，因此通過CARS提取特征波長建立的模型優(yōu)于全波段建立的模型，可用CARS法選取的特征波長替代全波段數(shù)據(jù)進(jìn)行建模分析。

2.3靈武長棗貯藏時間判別模型的建立與分析

本研究在全波段范圍內(nèi)，以校正集原始光譜建立靈武長棗貯藏期的PIS-DA判別模型。在建立PIS-DA模型前需要確定最佳主因子數(shù)，主因子數(shù)初始范圍為1-20，步長為1，交叉驗證組數(shù)為5，分別建立PLS-DA模型，以校正集判別正確率、交叉驗證判別正確率及方差解釋率作為評價指標(biāo)。選取校正集的判別正確率、交叉驗證判別正確率及方差解釋率最高時所對應(yīng)的主因子數(shù)作為最佳主因子數(shù)。校正集判別正確率、交叉驗證判別正確率和方差解釋率與主因子數(shù)的關(guān)系見表4所示。由表4可知，主因子數(shù)在8～20時，方差解釋率均為100%。主因子數(shù)為20時校正集判別正確率達(dá)到100%，且交叉驗證判別正確率達(dá)到最大值。當(dāng)主因子數(shù)為15時，校正集判別正確率為98%，交叉驗證判別正確率為83%。考慮到主因子數(shù)小，更有利于模型的穩(wěn)定性，因此本試驗PIS-DA模型的最佳主因子數(shù)最終選取15。

綜上，確定最佳主因子數(shù)為15，通過105個校正樣本訓(xùn)練模型，得到PIS-DA判別模型對靈武長棗貯藏時間的判別率達(dá)98%，為了進(jìn)一步驗證所建立的PLS-DA模型，將未參與建模的35個驗證集樣品的原始光譜代人上述PLS-DA校正模型并計算貯藏時間判別正確率，其判別正確率為99%（1個第1d的樣本誤判為第7 d）。由此可見，所建模型的可靠性和預(yù)測能力較好，可有效鑒別靈武長棗的貯藏時間。

3結(jié)論

本研究利用400-1 000 nm的近紅外光譜技術(shù)對靈武長棗的貯藏時間及貯藏過程中果肉硬度進(jìn)行無損檢測鑒別。通過對比不同預(yù)處理方法建模后的效果，優(yōu)選出最佳預(yù)處理方法，對最佳預(yù)處理后的光譜進(jìn)行特征變量提取，并建立了Detrend-CARS—PLSR果肉硬度模型。試驗結(jié)果表明，基于近紅外光譜檢測技術(shù)的靈武長棗果肉硬度預(yù)測是可行的。利用校正集原始光譜采用PLS-DA法建立靈武長棗貯藏時間判別模型，校正和交叉驗證判別正確率均達(dá)80%以上，經(jīng)預(yù)測集光譜驗證后判別正確率達(dá)99%，所建模型可靠性和預(yù)測能力較好，可有效鑒別靈武長棗的貯藏時間，說明近紅外光譜檢測技術(shù)可有效預(yù)測靈武長棗的貯藏時間。