丁繼剛，韓東海，李永玉*，彭彥昆，王 綺，韓 熹

1.中國農(nóng)業(yè)大學(xué)工學(xué)院，國家農(nóng)產(chǎn)品加工技術(shù)裝備研發(fā)分中心，北京 100083 2.北京偉創(chuàng)英圖科技有限公司，北京 100070

引 言

我國是馬鈴薯第一生產(chǎn)大國，據(jù)統(tǒng)計(jì)資料，中國的馬鈴薯種植面積和產(chǎn)量均居世界首位[1]。2015年我國啟動(dòng)了馬鈴薯主食化戰(zhàn)略，推進(jìn)馬鈴薯加工成饅頭、面條、米粉等主食，馬鈴薯將成為稻米、小麥、玉米外又一主糧[2]。但是馬鈴薯產(chǎn)品內(nèi)部品質(zhì)參差不齊，采后檢測(cè)分級(jí)技術(shù)發(fā)展落后，嚴(yán)重制約了馬鈴薯產(chǎn)業(yè)主食化發(fā)展進(jìn)程。提高馬鈴薯內(nèi)部品質(zhì)快速無損檢測(cè)對(duì)推進(jìn)馬鈴薯主食化和馬鈴薯加工產(chǎn)業(yè)化發(fā)展有著重要現(xiàn)實(shí)意義。

國內(nèi)外諸多學(xué)者基于可見/近紅外光譜對(duì)馬鈴薯塊莖中的干物質(zhì)含量[3]、淀粉含量[4-5]、鉀含量[6]以及內(nèi)部多品質(zhì)參數(shù)[7-8]進(jìn)行了無損檢測(cè)研究，大部分研究都是基于可見/近紅外漫反射光譜和局部漫透射光譜的馬鈴薯常見內(nèi)部營養(yǎng)品質(zhì)的快速無損檢測(cè)。但是馬鈴薯在成長和收獲過程中果心極易發(fā)生褐變，俗稱“黑心病 ”。病變先在中心附近發(fā)生，逐漸波及整個(gè)馬鈴薯不能食用。黑心病馬鈴薯的存在嚴(yán)重影響馬鈴薯經(jīng)濟(jì)價(jià)值及其產(chǎn)業(yè)化加工[9]，田芳、高海龍等基于機(jī)器視覺和高光譜成像技術(shù)對(duì)馬鈴薯黑心病進(jìn)行了無損檢測(cè)研究[10-13]，但目前還未見馬鈴薯黑心病及淀粉含量同時(shí)在線無損檢測(cè)相關(guān)研究報(bào)道?，F(xiàn)今推進(jìn)我國馬鈴薯主糧加工產(chǎn)業(yè)化進(jìn)程中，實(shí)現(xiàn)馬鈴薯黑心病及淀粉含量在線同時(shí)檢測(cè)分選具有重要的現(xiàn)實(shí)意義。

利用實(shí)驗(yàn)室自主搭建的可見/近紅外漫透射光譜在線采集系統(tǒng)，以馬鈴薯黑心病及淀粉含量信息在線同時(shí)檢測(cè)為目的，基于馬鈴薯可見/近紅外漫透射光譜，建立馬鈴薯黑心病及淀粉含量在線預(yù)測(cè)模型，實(shí)現(xiàn)馬鈴薯黑心病及淀粉含量同時(shí)在線無損檢測(cè)，為推進(jìn)馬鈴薯主食化產(chǎn)業(yè)發(fā)展提供一定技術(shù)參考。

1 實(shí)驗(yàn)部分

1.1 材料

馬鈴薯樣品：馬鈴薯品種為冀張薯8號(hào)，屬于中晚熟品種，購于物美超市。挑選表面無蟲眼、無機(jī)械損傷樣品，共計(jì)271個(gè)。其中121個(gè)用于采集健康馬鈴薯光譜建立淀粉定量預(yù)測(cè)模型，其余150個(gè)用于制備黑心馬鈴薯建立黑心馬鈴薯判別預(yù)測(cè)模型。為消除樣品表面塵土、溫度、濕度及儲(chǔ)藏時(shí)間給實(shí)驗(yàn)帶來的影響，實(shí)驗(yàn)前將樣品清理干凈，置于相對(duì)濕度40%～55%室溫下放置24 h。

黑心馬鈴薯樣品：將健康馬鈴薯用75%乙醇分三次進(jìn)行表面噴灑滅菌消毒，以防止密封過程微生物引起的表面感染病變，馬鈴薯表面干燥后利用真空包裝機(jī)對(duì)馬鈴薯進(jìn)行真空包裝，以制造厭氧封閉環(huán)境，將包裝后的馬鈴薯置于36 ℃恒溫培養(yǎng)箱中保存24 h，致使馬鈴薯自然發(fā)病，拆袋后立即置于2℃的冷藏環(huán)境中急速降溫保存24 h以加速黑心病發(fā)病率。最后共制116個(gè)外觀無明顯褐變的黑心馬鈴薯樣品。

1.2 馬鈴薯可見/近紅外漫透射光譜采集系統(tǒng)

馬鈴薯可見/近紅外漫透射光譜采集系統(tǒng)主要包括輸送模塊、光源模塊、光譜采集模塊，控制模塊、數(shù)據(jù)分析模塊。4個(gè)50 W鹵素?zé)艄庠此椒较蜷g隔90°布置在樣品四周，漫透射光透過樣品后進(jìn)入布置于樣品下方的檢測(cè)器，4個(gè)光源與檢測(cè)器利用運(yùn)載托盤較好地實(shí)現(xiàn)了隔離，防止了外界無用雜散光直接進(jìn)入樣品下方檢測(cè)器，減少了環(huán)境噪聲的影響，如圖1所示。該系統(tǒng)所用光譜儀為美國Ocean Optics公司生產(chǎn)的USB2000+光譜儀，掃描波長范圍為550～1 100 nm，光譜分辨率為1 nm。此外還有自行設(shè)計(jì)的運(yùn)載托盤、傳送帶、運(yùn)行導(dǎo)軌、樣品杯、調(diào)平腳座等，整體光譜采集系統(tǒng)實(shí)物及光路原理如圖1所示。

圖1 光譜采集系統(tǒng)實(shí)物及光路原理圖Fig.1 Spectral acquisition system physical and optical path schematic

1.3 方法

1.3.1 馬鈴薯可見/近紅外漫透射光譜采集

為避免因系統(tǒng)不穩(wěn)定而對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生影響。采集光譜前開機(jī)預(yù)熱30 min，待光源能量穩(wěn)定后校正白參考，采集樣品光譜。通過上位機(jī)軟件控制運(yùn)載托盤帶動(dòng)馬鈴薯依次通過檢測(cè)室，馬鈴薯到達(dá)檢測(cè)位置通過到位傳感器觸發(fā)采集馬鈴薯漫透射光譜，光漫透過馬鈴薯內(nèi)部，將攜帶內(nèi)部品質(zhì)信息的漫透射光譜經(jīng)過運(yùn)載托盤的通光孔進(jìn)入下置的光譜儀，由光譜儀接收光譜信號(hào)。光譜采集積分時(shí)間為4 ms，平均次數(shù)為4次，樣品在線檢測(cè)速度約4個(gè)·s-1，光譜范圍550～1100 nm。237個(gè)馬鈴薯樣品分別采集可見/近紅外漫透射吸光度光譜后立即判別黑心情況，健康馬鈴薯直接用于淀粉標(biāo)準(zhǔn)理化值測(cè)定。

1.3.2 黑心馬鈴薯判別和健康馬鈴薯淀粉標(biāo)準(zhǔn)理化值測(cè)定

采集完光譜的馬鈴薯樣品沿縱徑切開，采用目視方法判斷馬鈴薯是否發(fā)生黑心病。健康馬鈴薯和黑心馬鈴薯斷面圖如圖2所示。未發(fā)生黑心病的馬鈴薯樣品根據(jù)碘還原法[14]測(cè)定淀粉含量，每個(gè)樣品測(cè)定3次，并以平均值作為該樣品淀粉含量標(biāo)準(zhǔn)理化值。

圖2 健康馬鈴薯和黑心馬鈴薯斷面圖Fig.2 Sectional view of healthy potatoes and black heart potatoes

2 結(jié)果與討論

2.1 馬鈴薯淀粉標(biāo)準(zhǔn)理化值測(cè)定結(jié)果分析

121個(gè)馬鈴薯樣品的淀粉標(biāo)準(zhǔn)理化值統(tǒng)計(jì)結(jié)果如表1所示，所測(cè)樣品淀粉標(biāo)準(zhǔn)理化值的范圍是13.29%～19.43%，馬鈴薯樣品淀粉標(biāo)準(zhǔn)理化值均值為15.77%，標(biāo)準(zhǔn)差為1.34%。

表1 馬鈴薯淀粉含量標(biāo)準(zhǔn)理化值統(tǒng)計(jì)結(jié)果Table 1 Statistical results of standard physical and chemical values of potato starch content

2.2 馬鈴薯可見/近紅外漫透射光譜預(yù)處理分析

受外界檢測(cè)環(huán)境及儀器性能的影響，所采集的原始光譜兩端噪音較大影響建模結(jié)果，故只保留了600～1 000 nm波段范圍的光譜信息。121個(gè)健康馬鈴薯和116個(gè)黑心馬鈴薯原始光譜如圖3(a)，(b)所示。

先將采集的黑心馬鈴薯與健康馬鈴薯光譜分別進(jìn)行了平均處理，如圖3(c)所示。從平均光譜中可以看出，黑心馬鈴薯與健康馬鈴薯樣品漫透射吸光度光譜曲線有顯著的差異。健康馬鈴薯組織呈淡黃色，而黑心馬鈴薯褐變組織主要呈黑色，600～900 nm波段范圍內(nèi)黑心馬鈴薯樣品的吸光度數(shù)值明顯高于健康馬鈴薯樣品。由于黑心組織的影響，健康馬鈴薯在663 nm附近葉綠素的吸收峰明顯高于黑心馬鈴薯。另外因黑心馬鈴薯內(nèi)部褐變組織失水導(dǎo)致黑心馬鈴薯在760 nm附近水的特征吸收峰強(qiáng)明顯低于健康馬鈴薯?；诤谛鸟R鈴薯原始光譜明顯區(qū)別于健康馬鈴薯樣品，利用原始光譜建模分析應(yīng)可以實(shí)現(xiàn)黑心馬鈴薯快速判別。本文主要考慮在線檢測(cè)判別速度為約4個(gè)·s-1，需盡可能使模型運(yùn)行過程簡單，因此下一步直接利用原始光譜進(jìn)行黑心馬鈴薯判別分析。

121條健康馬鈴薯原始光譜曲線分別采用SG卷積平滑(savitzky-gloay smoothing,SG Smoothing)、標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variable transform,SNV)、多元散射校正(multiplication scattering correction,MSC)、一階導(dǎo)數(shù)(first derivation,FD)以及SG平滑加一階導(dǎo)數(shù)(SG+FD)預(yù)處理方法進(jìn)行了預(yù)處理，預(yù)處理結(jié)果如圖4所示。

圖3 黑心馬鈴薯與健康馬鈴薯光譜對(duì)比圖(a):健康馬鈴薯原始光譜；(b):黑心馬鈴薯原始光譜；(c):平均光譜Fig.3 Spectrum comparison of black-heart potatoes and healthy potatoes(a):Original spectrum of healthy potatoes;(b):Original spectrum of black-heart potatoes;(c):Average spectrum

圖4 馬鈴薯預(yù)處理光譜圖(a)：原始光譜；(b)：SG卷積平滑；(c)：標(biāo)準(zhǔn)正態(tài)變換；(d)：多元散射校正；(e)：一階導(dǎo)數(shù)；(f)：SG平滑+一階導(dǎo)數(shù)Fig.4 Potato pretreatment spectrum(a):Original spectrum;(b):SG convolution smoothing;(c):Standard normal transformation; (d):Multivariate scatter correction;(e):First derivative;(f):SG smoothing+first derivative

原始光譜曲線經(jīng)SG卷積平滑后的光譜曲線有效濾除了隨機(jī)噪聲，同時(shí)也較好地保留了在原始光譜中660，750，840和960 nm附近的特征峰，分別如圖4(a)和(b)所示。121條馬鈴薯原始光譜分別經(jīng)SNV和MSC預(yù)處理后均消除了樣品內(nèi)組織分布不均造成的散射影響，使原始光譜中出現(xiàn)的特征峰更加顯著，如圖4(c)和(d)所示。經(jīng)一階導(dǎo)數(shù)處理后不僅原始光譜中出現(xiàn)的特征峰更加明顯，而且在波長640，680和878 nm波長附近也出現(xiàn)了新的特征峰，如圖4(e)所示。根據(jù)相關(guān)研究報(bào)道，680 nm附近為色素吸收特征峰，878 nm波長附近為淀粉的特征吸收峰[15]。說明通過一階導(dǎo)數(shù)預(yù)處理強(qiáng)化了原始光譜中隱藏在較寬吸收頻帶的微小特征峰，增強(qiáng)了極值點(diǎn)、拐點(diǎn)等局部位置光譜吸光度對(duì)內(nèi)部成分含量等變化的響應(yīng)差異，提高了分辨率和靈敏度。但導(dǎo)數(shù)處理也會(huì)引入不必要的噪聲降低信噪比，因此有必要先經(jīng)SG平滑濾除隨機(jī)噪聲再進(jìn)行一階導(dǎo)數(shù)預(yù)處理，SG平滑加一階導(dǎo)數(shù)預(yù)處理光譜曲線如圖4(f)所示。

2.3 馬鈴薯黑心病定性判別模型的建立

基于237個(gè)馬鈴薯樣品(其中黑心馬鈴薯為116個(gè)，健康馬鈴薯為121個(gè))600～1 000 nm波段原始光譜曲線，利用偏最小二乘判別分析法(partial least squares-discriminat analysis,PLS-DA)建立了黑心馬鈴薯判別預(yù)測(cè)模型，將237個(gè)樣品用Kennard-Stone算法按3∶1的比例分為校正集177個(gè)樣品(其中黑心馬鈴薯87個(gè)，健康馬鈴薯90個(gè))，驗(yàn)證集60個(gè)樣品(其中黑心馬鈴薯29個(gè)，健康馬鈴薯31個(gè))。黑心馬鈴薯PLS-DA判別模型結(jié)果如圖5所示。校正集出現(xiàn)4個(gè)錯(cuò)判樣品(3個(gè)黑心馬鈴薯，1個(gè)健康馬鈴薯)，校正集判別正確率為97.74%，驗(yàn)證集出現(xiàn)1個(gè)錯(cuò)判樣品(1個(gè)黑心馬鈴薯)，驗(yàn)證集判別正確率為98.33%，模型總體判別正確率為97.89%。誤判黑心馬鈴薯為發(fā)病較為輕微的馬鈴薯，光譜之間差異較小，誤判黑心馬鈴薯如圖6所示。誤判的1個(gè)健康馬鈴薯體積顯著大于普通馬鈴薯且外形不規(guī)則，由于光源穿透能力有限，且外形不規(guī)則導(dǎo)致光譜采集過程信號(hào)失真產(chǎn)生誤判。

圖5 PLS-DA判別模型結(jié)果散點(diǎn)圖Fig.5 Scatter plot of the PLS-DA discriminant model results

圖6 誤判黑心馬鈴薯樣品Fig.6 Misjudged black-heart potato sample

2.4 馬鈴薯淀粉定量預(yù)測(cè)模型的建立

將121個(gè)健康馬鈴薯利用Kennard-Stone算法按3∶1的比例劃分為校正集和驗(yàn)證集，其中90個(gè)樣品作為校正集，31個(gè)樣品作為驗(yàn)證集?；诓煌A(yù)處理方法分別建立了馬鈴薯淀粉偏最小二乘(partial least squares,PLS)定量預(yù)測(cè)模型，建模結(jié)果如表2所示。

表2 不同預(yù)處理方法的淀粉含量模型結(jié)果Table 2 Results of starch content model for different pretreatment methods

結(jié)果顯示，基于一階求導(dǎo)預(yù)處理光譜的馬鈴薯淀粉預(yù)測(cè)模型結(jié)果優(yōu)于其他預(yù)處理方法，其中原始光譜先經(jīng)SG平滑再進(jìn)行一階求導(dǎo)的模型結(jié)果最優(yōu)。如前所述，經(jīng)一階導(dǎo)數(shù)處理后的光譜不僅保留了原始光譜原有的特征峰，同時(shí)出現(xiàn)了包括878 nm處淀粉特征吸收峰在內(nèi)的其他新的微小吸收峰。馬鈴薯淀粉屬于葡萄糖的高聚化合物，成分復(fù)雜，吸收峰眾多，一階導(dǎo)數(shù)預(yù)處理提高了分辨率和靈敏度，分辨了更多重疊峰，但導(dǎo)數(shù)處理也會(huì)引入不必要的噪聲降低信噪比，因此先經(jīng)SG平滑濾除隨機(jī)噪聲再進(jìn)行一階導(dǎo)數(shù)預(yù)處理結(jié)果優(yōu)于其他預(yù)處理方法。經(jīng)SG平滑加一階導(dǎo)數(shù)預(yù)處理后馬鈴薯淀粉偏最小二乘方法定量預(yù)測(cè)模型校正集和驗(yàn)證集的相關(guān)系數(shù)分別為0.906和0.879，均方根誤差分別為0.627% 和0.793%，模型結(jié)果散點(diǎn)圖如圖7所示。

圖7 最優(yōu)馬鈴薯淀粉含量模型結(jié)果散點(diǎn)圖Fig.7 Scatter plot of the optimal potato starch content model results

為進(jìn)一步精簡模型并提高模型預(yù)測(cè)精度，利用競爭性自適應(yīng)重加權(quán)采樣(competitive adaptive reweighted sampling,CARS)[16]對(duì)SG平滑結(jié)合一階求導(dǎo)后的光譜數(shù)據(jù)進(jìn)行了特征波長的篩選，算法運(yùn)行結(jié)果根據(jù)RMSECV最小原則最終確定的蒙特卡洛采樣次數(shù)為55次，所選特征波長變量數(shù)為22個(gè)，運(yùn)行結(jié)果如圖8所示。

圖8 馬鈴薯淀粉含量特征波長提取圖(a)：變量選擇數(shù)目趨勢(shì)圖；(b)：RMSECV關(guān)系圖； (c)：變量回歸系數(shù)路徑Fig.8 Wavelength extraction map of potato starch content(a)：Trend number of variable selection；(b)：RMSECV relationship diagram；(c)：Variable regression coefficient path

利用CARS算法篩選出的淀粉含量特征波長建立了馬鈴薯淀粉PLS預(yù)測(cè)模型，模型結(jié)果散點(diǎn)圖如圖9所示，馬鈴薯淀粉預(yù)測(cè)模型校正集和驗(yàn)證集的相關(guān)系數(shù)分別為0.928和0.908，優(yōu)于全波段建模的0.906和0.879；均方根誤差分別為0.556%和0.633%，優(yōu)于全波段建模的0.627%和0.793%。這可能是由于CARS算法引入指數(shù)衰減函數(shù)來控制變量保留率，并從去除權(quán)重低點(diǎn)和保留最小誤差點(diǎn)兩方面進(jìn)行波長選擇[17]，此方法能有效去除無關(guān)變量和共線性變量，提高光譜與待測(cè)組分間的相關(guān)性，提高預(yù)測(cè)模型的精度。

圖9 提取特征波長后的馬鈴薯淀粉含量模型結(jié)果散點(diǎn)圖Fig.9 Scatter plot of potato starch content model after extracting characteristic wavelength

3 馬鈴薯黑心病及淀粉含量同時(shí)無損在線檢測(cè)外部驗(yàn)證實(shí)驗(yàn)

將馬鈴薯黑心病及淀粉的預(yù)測(cè)模型分別同時(shí)植入到在線檢測(cè)系統(tǒng)中，對(duì)馬鈴薯黑心病及淀粉含量進(jìn)行了同時(shí)在線檢測(cè)外部驗(yàn)證。在線檢測(cè)系統(tǒng)自動(dòng)采集馬鈴薯漫透射光譜，先通過馬鈴薯黑心病判別模型自動(dòng)判別是否黑心馬鈴薯，如果是直接顯示結(jié)果，而不是將采集數(shù)據(jù)代入到淀粉定量預(yù)測(cè)模型，最終顯示健康狀況和淀粉預(yù)測(cè)結(jié)果，檢測(cè)速度約4個(gè)·s-1。

本研究利用未參與建模的50個(gè)馬鈴薯樣品(其中黑心馬鈴薯25個(gè)，健康馬鈴薯25個(gè))進(jìn)行了黑心病和淀粉含量同時(shí)無損在線檢測(cè)外部驗(yàn)證。結(jié)果顯示，在線檢測(cè)系統(tǒng)對(duì)50個(gè)馬鈴薯樣品黑心總體判別正確率為96%，其中25個(gè)黑心馬鈴薯判錯(cuò)2個(gè)，判別正確率為92%，誤判黑心馬鈴薯均為褐變組織較為輕微的樣品。25個(gè)健康馬鈴薯未出現(xiàn)誤判樣品，判別正確率為100%，黑心病外部驗(yàn)證結(jié)果如圖10(a)所示。25個(gè)健康馬鈴薯在線檢測(cè)系統(tǒng)淀粉含量預(yù)測(cè)值與標(biāo)準(zhǔn)理化值相關(guān)系數(shù)為0.893，預(yù)測(cè)均方根誤差為0.713%；外部驗(yàn)證結(jié)果如圖10(b)所示。綜上所述基于馬鈴薯可見/近紅外漫透射光譜完全可以實(shí)現(xiàn)對(duì)馬鈴薯黑心病及淀粉含量的同時(shí)無損在線檢測(cè)。

圖10 模型外部驗(yàn)證結(jié)果(a):黑心病外部驗(yàn)證結(jié)果；(b):淀粉外部驗(yàn)證結(jié)果Fig.10 Model external verification results(a):External verification results of black-heart disease； (b):External verification results of starch content

4 結(jié) 論

以馬鈴薯為研究對(duì)象，基于可見/近紅外漫透射原理，利用實(shí)驗(yàn)室自行搭建的可見/近紅外漫透射光譜在線檢測(cè)系統(tǒng)，建立了馬鈴薯黑心病及淀粉含量在線預(yù)測(cè)模型，探討了馬鈴薯黑心病及其他內(nèi)部品質(zhì)同時(shí)在線無損檢測(cè)方法。結(jié)果表明：基于自行搭建的可見/近紅外漫透射在線檢測(cè)系統(tǒng)建立的黑心馬鈴薯定性判別預(yù)測(cè)模型，校正集和驗(yàn)證集判別正確率分別為97.74%和98.33%。健康馬鈴薯漫透射光譜經(jīng)SG平滑加一階導(dǎo)數(shù)預(yù)處理結(jié)合CARS算法篩選特征波長后建立的淀粉PLS定量預(yù)測(cè)模型Rc和Rp分別為0.928和0.908，RMSEC和RMSEP分別為0.556%和0.633%。將所建模型植入到在線檢測(cè)系統(tǒng)，利用50個(gè)未參與建模馬鈴薯樣品模型進(jìn)行了外部實(shí)驗(yàn)驗(yàn)證。黑心馬鈴薯定性判別總正確率為96%，淀粉在線預(yù)測(cè)結(jié)果與標(biāo)理化值相關(guān)系數(shù)為0.893，均方根誤差為0.713%。表明利用自行搭建的在線可見/近紅外漫透射光譜檢測(cè)系統(tǒng)可以實(shí)現(xiàn)馬鈴薯黑心及淀粉含量的同時(shí)在線檢測(cè)，為馬鈴薯品質(zhì)快速無損評(píng)價(jià)提供了參考。