張 棣 殷 勇 于慧春 袁云霞 李 欣

(河南科技大學(xué)食品與生物工程學(xué)院，河南 洛陽 471023)

高光譜成像技術(shù)作為一種新型檢測技術(shù)[1-3]，結(jié)合了計算機圖像技術(shù)和光譜技術(shù)的優(yōu)點，可以實現(xiàn)對檢測對象的判別、分類與識別[4-6]。檢索國內(nèi)外文獻發(fā)現(xiàn)，高光譜技術(shù)已經(jīng)逐漸取代傳統(tǒng)的果蔬檢測方法[7-9]，廣泛應(yīng)用于果蔬的品質(zhì)檢測[10-12]。黃瓜作為重要的蔬菜作物，因其在貯藏過程中易發(fā)生腐敗變質(zhì)，需要及早及時監(jiān)測黃瓜在貯藏過程中的品質(zhì)變化，以實現(xiàn)黃瓜腐敗變質(zhì)的早期預(yù)警。目前，黃瓜腐敗主要是通過測定黃瓜的pH值[13]、失重率[14]、可溶性固形物含量[15]等傳統(tǒng)的理化分析方法，或者通過觀察黃瓜皮顏色[16]、紋理[17]等表觀特征進行判別。但上述方法都存在費時費力的缺點，而且測定結(jié)果受人工操作影響較大，無法實現(xiàn)快速監(jiān)測黃瓜品質(zhì)的變化，更難以實現(xiàn)黃瓜腐敗的前期快速預(yù)警。然而運用高光譜技術(shù)可以克服以上不足，及時地實現(xiàn)黃瓜腐敗變質(zhì)的早期預(yù)警。

馬氏距離(Mahalanobis distance, MD)[18]于1936年由印度統(tǒng)計學(xué)家馬哈拉諾比斯(Mahalanobis P C)提出。它是一種有效計算1個樣本與樣本集“重心”的最近距離，或者計算2個未知樣本集相似度的方法。MD作為一種新型光譜多元分析模式識別方法[19]，目前已廣泛應(yīng)用于天文[20]、生態(tài)系統(tǒng)識別[21]、塑料牌號識別[22]等領(lǐng)域，但有關(guān)應(yīng)用MD法檢測黃瓜貯藏過程中距離腐敗遠近的研究尚鮮見。本研究以常溫貯藏過程中的黃瓜為試驗材料，并以高光譜光譜信息為依據(jù)融合MD探究黃瓜貯藏過程中腐敗變質(zhì)的預(yù)警方法，以期為黃瓜在實際貯藏過程中腐敗的早期預(yù)警提供一種新手段，為其他果蔬的腐敗早期預(yù)警提供參考方法。

1 材料與方法

1.1 試驗材料

新鮮黃瓜，品種為德瑞特D19，總質(zhì)量為500 kg，于2018年10月16日購于當?shù)販厥掖笈?，常溫存放于貯藏庫中自然腐敗。分別于黃瓜貯藏第1、第2、第3、第5、第7、第8、第9、第10天采集其高光譜數(shù)據(jù)及對應(yīng)樣本的pH值和失重率數(shù)據(jù)。

1.2 主要儀器與設(shè)備

高光譜圖像采集系統(tǒng)包括高光譜成像儀(IST50-3810型，德國Inno-Spec公司)，2個500 W光纖鹵素?zé)?RK90000420108型，德國Esylux公司)，驅(qū)動傳送裝置和計算機。高光譜成像儀通過USB2.0連接計算機[23]。該儀器光譜采集范圍為371.05～1 023.82 nm，光譜分辨率為2.8 nm，在光譜范圍內(nèi)共采集1 288個波段。PHS-3E型pH計(上海雷磁)。

1.3 樣本數(shù)據(jù)采集

1.3.1 樣本高光譜數(shù)據(jù)采集 在正式試驗之前，首先進行高光譜黃瓜采集預(yù)試驗，調(diào)整高光譜采集系統(tǒng)的參數(shù)[24]。具體調(diào)整方法如下：首先，靜態(tài)調(diào)整物鏡高度，確保采集的黃瓜樣本片高光譜圖像清晰；然后，調(diào)整最佳曝光時間及平臺移動速度，確保動態(tài)采集的黃瓜樣品片高光譜圖像不變形、不失真。經(jīng)過多次調(diào)整及優(yōu)化，最終確定物鏡高度為350 mm，電荷耦合器件(charge coupled device camera，CCD)相機的曝光時間為90 ms，載物平臺的移動速度為2 mm·s-1，采樣波長間隔為0.51 nm。每次試驗當天從貯藏庫中隨機選取10根黃瓜，統(tǒng)一從每根黃瓜頭部切5片，共計50片樣本進行高光譜數(shù)據(jù)采集。黃瓜樣本片不僅包含黃瓜表皮信息還有黃瓜內(nèi)部果肉信息。每次試驗時將1個樣本平鋪在高光譜黑色輸送帶上進行高光譜數(shù)據(jù)采集。圖1、2分別為貯藏第3天(腐敗前)、貯藏第7天(腐敗當天)采集黃瓜樣本的高光譜圖像示例。

圖1 腐敗前黃瓜樣本高光譜圖像Fig.1 Hyperspectral image of cucumber sample before spoilage

圖2 腐敗當天黃瓜樣本高光譜圖像Fig.2 Hyperspectral image of cucumber sample on the day of spoilage

由圖1、圖2可知，不同貯藏時間黃瓜樣本的高光譜圖像是不一樣的。為了減弱或消除高光譜圖像采集過程暗電流和噪音對試驗結(jié)果的影響，需要對采集的高光譜圖像用公式(1)進行黑白校正[25]。

(1)

式中，R為校正后的高光譜圖像；I為高光譜原始圖像；W為全白標定圖像；B為全黑標定圖像。

1.3.2 樣本pH值和失重率數(shù)據(jù)采集 用于表征黃瓜腐敗的理化指標較多，其中pH值和失重率的檢測操作較為簡便，變化趨勢較明顯，更能直觀反映黃瓜腐敗過程中理化性質(zhì)的改變。由于高光譜圖像采集和pH值測定部位均取自黃瓜頭部，pH值測定后的黃瓜樣本受損嚴重?zé)o法用于高光譜圖像采集，而高光譜圖像采集后的樣本失水嚴重同樣影響pH值的測定結(jié)果；此外，測定黃瓜失重率時需要固定樣本。因此，為避免黃瓜樣本個體差異對所建立預(yù)警模型的影響，提高模型泛化應(yīng)用能力，采用不同的黃瓜樣本用于高光譜圖像采集和pH值及失重率的測定。

1)pH值測定：每次試驗當天從貯藏庫中隨機選取3根黃瓜，每根黃瓜先去除頭部不均勻部位，然后取10 g黃瓜頭部切成小塊放入勻漿機，再加入90 mL蒸餾水，勻漿80 s，最后將勻漿倒入錐形瓶中，編號備用。用pH計測量樣品的pH值，每個樣品測定3次，求平均值。

2)失重率測定：第一次試驗當天從貯藏庫中不同置物架隨機選取6根黃瓜，用標簽紙標明樣品架號和層號，編號備用。用電子天平依次測量每個樣品的質(zhì)量W，之后每天的質(zhì)量為w，根據(jù)公式(2)計算樣品的失重率α，6個黃瓜樣品的平均值作為該天黃瓜樣本的失重率：

(2)。

此外，每次試驗當天從貯藏庫中挑選黃瓜樣本進行pH值和失重率數(shù)據(jù)采集時，均對貯藏庫中黃瓜進行整體感官評定，并對黃瓜形態(tài)、瓜皮顏色，萎蔫程度，是否霉變等品質(zhì)特征變化進行記錄，以便為之后判斷黃瓜腐敗發(fā)生日提供參數(shù)。

1.4 數(shù)據(jù)處理

1.4.1 感興趣區(qū)域選取 黃瓜樣本形狀不規(guī)則，并且同一樣本不同部位光譜值相差較大，需要用ENVI5.1軟件根據(jù)樣品與背景的光譜差異手動將樣品從背景中分離。從ENVI5.1軟件得到的一個樣本圖像中不同區(qū)域的光譜值如圖3所示，圖中綠線為背景光譜值曲線，藍色曲線最高點處波長下樣本與背景光譜差異最大，選擇最高點處波長為703.69 nm，在此波長下選取樣本片為感興趣區(qū)域(region of interest，ROI)[26](圖4)；然后提取該ROI的光譜信息。平均光譜值是ROI圖像所有像素點光譜反射值的算術(shù)平均數(shù)，可以反映某一特定波長下樣本高光譜圖像光譜反射值，能表述整幅圖像。

圖3 黃瓜樣本圖像中不同區(qū)域的光譜特征圖Fig.3 Spectral feature map of different regions in cucumber sample image

圖4 黃瓜樣本圖像感興趣區(qū)域提取Fig.4 Extraction of region of interest from cucumber sample image

1.4.2 原始光譜預(yù)處理 為減少光譜噪聲的影響，剔除信噪比較低的邊緣波段(371.05～480.55 nm及876.97～1 023.82 nm)，保留481.06～876.47 nm范圍內(nèi)的平均光譜。采用Savitzky-Golary卷積平滑法(SG平滑)[27]對保留的光譜數(shù)據(jù)進行預(yù)處理，以減少電流、噪聲等外界因素對光譜信息的干擾。

1.4.3 特征波長提取方法 為了簡化分析，降低預(yù)警模型構(gòu)建的復(fù)雜性，用偏最小二乘回歸系數(shù)法[28-29]進行特征波長提取，確定適合黃瓜腐敗變質(zhì)檢測的特征波長。該方法是通過構(gòu)建表征黃瓜腐敗進程的pH值和失重率測量值對各波長光譜反射值的回歸模型，回歸表達式中每個波長的回歸系數(shù)表征各波長的貢獻比重，回歸系數(shù)的絕對值越大，表明該波長越能表征黃瓜的品質(zhì)特征。

1.4.4 預(yù)警模型構(gòu)建方法 MD作為一種新型光譜多元分析模式識別方法，與其他距離相比，具有排除變量之間相關(guān)性的干擾和不受量綱影響的優(yōu)點。通過計算腐敗前不同貯藏天數(shù)(或不同測試日期)光譜特征值與腐敗黃瓜基準光譜特征值間的MD來表征黃瓜在貯藏過程中距離腐敗基準的接近度，MD值越大，說明該貯藏天數(shù)的黃瓜距離腐敗越遠；MD值越小，說明該貯藏天數(shù)的黃瓜距離腐敗越近，由此實現(xiàn)黃瓜腐敗的預(yù)警。MD的優(yōu)勢在于可以小樣本建立預(yù)警模型。為了提高模型的可靠性，該模型通過計算每個貯藏天數(shù)50個黃瓜樣本數(shù)據(jù)的均值特征值向量與腐敗基準光譜特征值向量MD實現(xiàn)預(yù)警。按照公式計算MD：

dij(M)=(X(i)-X(j))′S-1(X(i)-X(j))

(3)

式中，dij(M)為樣本i與樣本j之間的MD值，S-1為樣本j協(xié)方差陣的逆矩陣。X(i)為黃瓜每個貯藏天數(shù)50個樣本的均值向量，X(j)為腐敗基準貯藏天數(shù)50個樣本的均值向量。

2 結(jié)果與分析

2.1 光譜預(yù)處理

對比圖5和圖6可知，經(jīng)SG平滑處理后的光譜曲線平滑很多，說明已極大地減少了噪聲和暗電流等環(huán)境因素對所采集光譜數(shù)據(jù)的影響，更有利于后面預(yù)警模型的構(gòu)建。

圖6 經(jīng)SG平滑處理后黃瓜光譜圖Fig.6 Spectrogram of cucumber after smoothing by SG

2.2 樣本腐敗基準確定

前人研究表明，黃瓜在貯藏期內(nèi)其品質(zhì)和形態(tài)顏色都在不斷地發(fā)生著變化，其中pH值和失重率均呈上升趨勢[30]。而本研究中，由表1可知，黃瓜pH值在貯藏期間呈波動變化，與期望中的上升趨勢有差別，這可能是由于每次測試的樣品是隨機的；黃瓜的失重率呈上升趨勢，與預(yù)期的趨勢一致。感官評定發(fā)現(xiàn)，黃瓜從貯藏第7天開始出現(xiàn)不同程度的腐爛、頭部腫大、尾部發(fā)霉、表皮發(fā)黃等癥狀。由圖7可知，黃瓜樣品不同貯藏天數(shù)的平均光譜反射值曲線趨勢基本相似，而且在740.37～876.47 nm波長范圍內(nèi)不同曲線基本成平行狀態(tài)。隨機取此范圍內(nèi)的波長——802.3 nm，得到此波長下黃瓜樣品不同貯藏天數(shù)的平均光譜反射值曲線，如圖8所示。

表1 黃瓜樣本的pH值和失重率Table 1 pH value and mass loss rate of cucumber

圖7 黃瓜的平均光譜反射值曲線Fig.7 The average spectral reflectance curve of cucumber

圖8 802.3 nm波長下黃瓜的平均光譜反射值曲線Fig.8 Average spectral reflectance curve of cucumber at 802.3 nm wavelength

由圖8可知，貯藏第7天黃瓜的平均光譜反射值最低，這是因為隨著貯藏過程中黃瓜新鮮度的降低，其平均光譜反射值逐漸降低，但黃瓜腐敗之后隨著腐敗產(chǎn)物增多，其平均光譜反射值又升高，結(jié)合感官分析可以確定第7天為黃瓜的腐敗發(fā)生日，故擬定此日光譜信息作為表征黃瓜腐敗的基準光譜值。

2.3 特征波長選取

用偏最小二乘回歸系數(shù)法提取表征黃瓜腐敗的特征波長，得到黃瓜的權(quán)重系數(shù)圖，如圖9所示。

圖9 黃瓜的權(quán)重系數(shù)圖Fig.9 The weight coefficient diagram of cucumber

根據(jù)1.4.3的方法，每個波長下所對應(yīng)的回歸系數(shù)絕對值越大表明該波長對所建模型預(yù)測性能的影響也就越大。由圖9可知，第1主成分和第2主成分下不同波長對應(yīng)的回歸系數(shù)波動較小，涵蓋的信息較為全面和常見，不能較好地體現(xiàn)樣本間的差異，第3主成分波動明顯，可較好地體現(xiàn)樣本間的差異，所以選取第3主成分回歸系數(shù)波峰和波谷所對應(yīng)的波長為特征波長，分別為554.34、589.69、599.93、627.57、646.50、683.28、716.95、742.40、777.97、823.55 nm。這樣便可獲得每個測試日期適合黃瓜腐敗變質(zhì)檢測的特征光譜信息矩陣，大小均為50個樣本×10個特征波長。腐敗黃瓜基準光譜特征值即黃瓜貯藏第7天光譜值是通過使用與其他貯藏天數(shù)一樣的偏最小二乘回歸系數(shù)法提取特征波長后得到的特征光譜信息矩陣，大小也為50個樣本×10個特征波長。

2.4 樣本預(yù)警模型構(gòu)建

根據(jù)1.4.4的方法，構(gòu)建了基于腐敗基準的黃瓜腐敗馬氏距離(MD)預(yù)警模型。為了預(yù)警黃瓜常溫貯藏過程中發(fā)生腐敗，所以本研究只計算分析了黃瓜腐敗前不同貯藏日期(貯藏第1、第2、第3、第5、第7天)50個樣本×10個特征波長特征光譜信息矩陣與腐敗基準(貯藏第7天)50個樣本×10個特征波長特征光譜信息矩陣的MD。由表2可知，隨著貯藏天數(shù)增加，MD值的變化呈下降趨勢，充分印證了貯藏日期越接近腐敗基準日期黃瓜越接近腐敗這一事實。因此，基于腐敗基準的MD模型可有效實現(xiàn)黃瓜的腐敗預(yù)警。

表2 黃瓜不同貯藏天數(shù)與腐敗基準的MD值Table 2 MD value of cucumber during different storage days and spoilage benchmark

圖10為黃瓜不同貯藏天數(shù)與腐敗基準間的MD折線圖，可進一步直觀地揭示樣本在貯藏過程中的變化情況。結(jié)果表明，隨著貯藏天數(shù)的增加，與腐敗基準黃瓜光譜值的MD值越來越小，說明黃瓜越來越接近腐敗。黃瓜實際貯藏過程中也是越來越接近腐敗，進一步驗證了所建立MD預(yù)警模型的正確性。

3 討論

黃瓜采后不僅易受機械損傷，而且易受到真菌或細菌侵染，發(fā)生腐敗，造成極大的經(jīng)濟損失[31]。因此，及早地預(yù)警黃瓜腐敗，可以為即時處理提供決策，具有重要的現(xiàn)實意義。本研究在試驗數(shù)據(jù)處理中，借鑒了鄒小波等[27]的SG平滑預(yù)處理方法，極大地減少了外界噪聲、暗電流等因素對黃瓜高光譜數(shù)據(jù)的影響。特征波長的提取對減少計算量、提高檢測精度至關(guān)重要。本研究運用偏最小二乘回歸系數(shù)法提取的特征波長實現(xiàn)了預(yù)警，這與殷勇等[29]利用高光譜技術(shù)結(jié)合特征波長檢測霉變玉米黃曲霉毒素B1的結(jié)論一致。但特征波長的選擇方法可能并非最佳，所以針對高光譜特征波長的選擇仍需進一步研究。在高光譜果蔬品質(zhì)檢測方面，對果蔬新鮮度和理化性質(zhì)方面的檢測報道較多，如劉晶晶等[32]利用高光譜圖像技術(shù)檢測了蘋果外部損傷；孫靜濤等[33]采用高光譜技術(shù)結(jié)合特征波長篩選的方法對哈密瓜的可溶性固形物含量、硬度及成熟度進行了檢測研究；由于果蔬腐敗基準難確定以及缺乏腐敗預(yù)警模型和構(gòu)建方法，在運用高光譜技術(shù)及早預(yù)警黃瓜腐敗變質(zhì)方面的研究尚鮮見。所以，本研究以高光譜的光譜信息為依據(jù)，融合MD探究了黃瓜貯藏過程中腐敗變質(zhì)的預(yù)警方法。預(yù)警結(jié)果表明，在選定黃瓜腐敗基準光譜數(shù)據(jù)的前提下，通過計算不同貯藏天數(shù)黃瓜與腐敗基準光譜數(shù)據(jù)的MD，判定黃瓜距離腐敗的程度，從而實現(xiàn)預(yù)警。此外，本研究所建立的MD預(yù)警模型在實際應(yīng)用中可用于少量樣本的腐敗預(yù)警，為其他果蔬貯藏過程中的腐敗預(yù)警提供了參考方法。

高光譜成像技術(shù)在果蔬腐敗預(yù)警中的應(yīng)用仍然存在一定的局限性，還需進一步完善，另外本研究黃瓜樣本的數(shù)量及種類較少,地域、品種覆蓋范圍不夠廣,構(gòu)建的預(yù)警模型泛化能力有待進一步提高,后續(xù)工作仍有待深入研究。

4 結(jié)論

本研究采集了黃瓜不同貯藏天數(shù)高光譜數(shù)據(jù)，并在SG平滑處理原始數(shù)據(jù)的基礎(chǔ)上，用偏最小二乘回歸系數(shù)法提取了表征黃瓜腐敗的特征波長，最后構(gòu)建了基于特征光譜信息的MD預(yù)警模型。結(jié)果表明，偏最小二乘回歸系數(shù)法提取的特征波長不僅是適合黃瓜腐敗變質(zhì)檢測的特征波長，而且大大減少了全波長龐大的數(shù)據(jù)量，降低了計算量；建立的MD模型可以較好地度量貯藏黃瓜接近腐敗的程度，以便為即時處理提供決策。本研究結(jié)果充分說明了所提出的黃瓜貯藏過程中用于腐敗預(yù)警的方法是有效的。