牛瑞敏，張淑娟，陳彩虹，孫海霞，高庭耀

(山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程學(xué)院，山西 晉中 030800)

0 引言

我國(guó)是世界上最大的核桃生產(chǎn)國(guó)和消費(fèi)國(guó)，鮮核桃仁具有豐富的營(yíng)養(yǎng)價(jià)值，口感脆嫩香甜，近年來(lái)在市場(chǎng)上掀起了一股鮮食核桃的消費(fèi)熱潮[1-3]。貨架期是影響水果品質(zhì)的重要因素，目前，核桃在采后的貯運(yùn)銷環(huán)節(jié)，所處狀態(tài)基本為室溫下的貨架期狀態(tài)[4]。而貨架期的核桃仍具有活性，青皮會(huì)發(fā)生失水皺縮，甚至產(chǎn)生褐變，使其售賣價(jià)值下降。同時(shí)，核桃仁的水分含量也會(huì)隨貯藏時(shí)間的變化而變化，而鮮食核桃仁的含水量不得低于17%[5]。因此，探究青皮的光譜信息與核桃仁水分含量的關(guān)系成為很多學(xué)者關(guān)注的技術(shù)問(wèn)題。

高光譜技術(shù)具有波段多、光譜分辨率高等特點(diǎn)，可以實(shí)現(xiàn)簡(jiǎn)便、快速、無(wú)損和準(zhǔn)確檢測(cè)[6-9]。目前，高光譜技術(shù)已經(jīng)成功應(yīng)用于果蔬等農(nóng)副產(chǎn)品的貨架期預(yù)測(cè)和判別。邵園園等[10]采用高光譜成像結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)不同儲(chǔ)存條件下的保鮮獼猴桃進(jìn)行了貨架期預(yù)測(cè)。李雄等[11]利用高光譜成像技術(shù)，結(jié)合偏最小二乘判別法和偏最小二乘支持向量機(jī)算法對(duì)酥梨貨架期進(jìn)行了判別。周莉萍等[12]利用高光譜技術(shù)對(duì)覆蓋保鮮膜的新鮮菠菜葉片貨架期進(jìn)行預(yù)測(cè)，建立了偏最小二乘法判別分析模型。

現(xiàn)有的研究主要針對(duì)干食核桃，而利用高光譜成像技術(shù)預(yù)測(cè)貨架期青皮核桃的核桃仁水分含量鮮見報(bào)道[13-15]。本試驗(yàn)利用高光譜成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)貨架期青皮核桃的核桃仁水分進(jìn)行快速預(yù)測(cè)，為食品加工企業(yè)和消費(fèi)者在購(gòu)買青皮核桃時(shí)對(duì)其品質(zhì)的判斷提供參考依據(jù)。

1 試驗(yàn)部分

1.1 試驗(yàn)材料

本試驗(yàn)所用“禮品2號(hào)”核桃樣本采摘自山西省汾陽(yáng)市協(xié)和堡村。采摘時(shí)挑選大小相近、表面光滑、無(wú)缺陷損傷的青皮核桃，采后裝于墊有泡沫的紙箱內(nèi)，采摘當(dāng)天運(yùn)回實(shí)驗(yàn)室。將精選出的240個(gè)核桃樣品分別編號(hào)和標(biāo)記，并在常溫條件下儲(chǔ)藏。采后的第1、5、9、13、17天從常溫儲(chǔ)藏的樣品中每次隨機(jī)抽取48個(gè)樣品，采用Kennard-Stone算法按3∶1劃分樣本，其中，校正集180個(gè)，預(yù)測(cè)集60個(gè)[15]。分別對(duì)其進(jìn)行光譜采集，再進(jìn)行青皮及核桃仁水分含量的測(cè)定。

1.2 儀器設(shè)備

本試驗(yàn)采用北京卓立公司開發(fā)的“蓋亞”高光譜分選儀，儀器主要由Image-λ-N17E光譜相機(jī)、4個(gè)35 W溴鎢燈、暗箱、電移動(dòng)平臺(tái)和計(jì)算機(jī)組成，波長(zhǎng)范圍900～1 700 nm。為防止采集信息過(guò)度飽和而出現(xiàn)失真現(xiàn)象，需要先調(diào)整儀器的曝光時(shí)間和平臺(tái)移動(dòng)速度，設(shè)置曝光時(shí)間20 ms，平臺(tái)移動(dòng)速度2 cm/s，樣本與鏡頭距離22 cm。

1.3 采集高光譜數(shù)據(jù)

為了消除鏡頭暗電流、光照不均等對(duì)所采數(shù)據(jù)的影響，需要在對(duì)數(shù)據(jù)進(jìn)行分析處理前進(jìn)行黑白校正[16]。通過(guò)掃描標(biāo)準(zhǔn)白板及遮擋鏡頭分別獲得全白圖像W和全黑圖像B。校正公式如式(1)所示。

(1)

式中R——校正后圖像

I——原始圖像

采集高光譜圖像時(shí)，正反兩面各采集1次。利用ENVI 5.1提取感興趣區(qū)域(ROI)時(shí)，選擇20×20像素的區(qū)域作為感興趣區(qū)域，以正反感興趣區(qū)域的平均反射值作為該樣本的原始光譜信息。青皮核桃不同貨架期的平均光譜如圖1所示。

圖1 青皮核桃貨架期平均光譜曲線Fig.1 Average spectral curve of fresh walnut during shelf life

1.4 測(cè)定含水率

測(cè)定所有樣本的青皮含水率。通過(guò)手工破殼取仁并保持核桃仁的完整性，測(cè)定對(duì)應(yīng)的核桃仁含水率。按照國(guó)家標(biāo)準(zhǔn)GB/T 5009.3—2016中的“直接干燥法”測(cè)定水分含量，結(jié)果如表1所示。

表1 貨架期青皮及核桃仁含水率統(tǒng)計(jì)Tab.1 Statistics of moisture content of green skin and walnut kernel during shelf life

1.5 模型評(píng)價(jià)

模型的好壞由校正集相關(guān)系數(shù)(RC)、校正集均方根誤差(RRMSEC)、預(yù)測(cè)集相關(guān)系數(shù)(RP)和預(yù)測(cè)集均方根誤差(RRMSEP)評(píng)價(jià)。以RC和RP越接近1，RRMSEC和RRMSEP越小為標(biāo)準(zhǔn)選擇最優(yōu)模型。

2 結(jié)果與討論

2.1 相關(guān)性分析

核桃青皮與核桃仁的貨架期平均含水率如圖2所示。

圖2 貨架期平均含水率Fig.2 Average moisture content in shelf life

由圖2可知，核桃青皮與核桃仁的含水率均隨著貨架期的增加而逐漸降低。為進(jìn)一步確定兩者的關(guān)系，采用SPSS statistics 26軟件對(duì)青皮及核桃仁的含水率進(jìn)行相關(guān)性分析。采用斯皮爾曼(spearman)相關(guān)性系數(shù)表示青皮及核桃仁含水率之間的相關(guān)關(guān)系。其計(jì)算公式如(2)所示。

(2)

式中ρ——相關(guān)性系數(shù)

xi——第i個(gè)樣本青皮含水率

yi——第i個(gè)樣本核桃仁含水率

青皮含水率與核桃仁含水率的相關(guān)性分析如表2所示。由表2可知，青皮含水率與核桃仁含水率相關(guān)性系數(shù)ρ=0.614，說(shuō)明這兩者的含水率在0.01水平相關(guān)性顯著。

表2 含水率相關(guān)性分析Tab.2 Correlation analysis of water content

2.2 提取特征波長(zhǎng)

連續(xù)投影法(SPA)算法是基于不同波長(zhǎng)變量之間投影的大小來(lái)選擇候選特征波長(zhǎng)，不僅可以消除冗余信息的共線性，而且可以避免有效信息的重疊問(wèn)題[13]。所選出的特征波長(zhǎng)如圖3所示。由圖3可知，選出11個(gè)特征波長(zhǎng)，分別為963、1 010、1 100、1 154、1 189、1 275、1 345、1 373、1 653、1 685和1 700 nm。

圖3 特征波長(zhǎng)分布Fig.3 Characteristic wavelength distribution

2.3 建立模型

建模方法主要采用偏最小二乘回歸法(PLS)、多元線性回歸(MLR)和最小二乘支持向量機(jī)(LS-SVM)。

PLS回歸廣泛應(yīng)用于光譜分析，是一種線性回歸模型，其核心思想是把觀測(cè)到的數(shù)據(jù)分成多個(gè)部分，每部分?jǐn)?shù)據(jù)進(jìn)行不同權(quán)重的線性組合后可用來(lái)表示該區(qū)域的相應(yīng)值。

MLR較PLS計(jì)算簡(jiǎn)單，模型易于理解，并且在實(shí)際生產(chǎn)要求不太高時(shí)，這種方式能夠降低模型復(fù)雜程度，并最終提高模型的速率。

LS-SVM是非線性回歸模型，是一種高效的算法，可減少訓(xùn)練時(shí)間，提升運(yùn)行速度，簡(jiǎn)化計(jì)算復(fù)雜度，在模式識(shí)別、回歸分析等方面應(yīng)用廣泛。

本研究用SPA法提取特征波長(zhǎng)后的特征值作為輸入量，分別建立PLS、MLR和LS-SVM模型，含水率預(yù)測(cè)結(jié)果如圖4所示。其中，PLS、MLR和LS-SVM模型的RP分別為0.771 6、0.771 9和0.800 7，RRMSEP分別為2.302 9、2.300 7和2.189 7。PLS和MLR預(yù)測(cè)精度相差不多，LS-SVM預(yù)測(cè)效果最好。

圖4 PLS、MLR、LS-SVM模型預(yù)測(cè)結(jié)果Fig.4 Prediction results of PLS，MLR and LS-SVM models

3 結(jié)論

本文以采后第1、5、9、13、17天的青皮核桃為研究對(duì)象，利用SPA提取特征波長(zhǎng)，分別建立PLS、MLR、LS-SVM模型。PLS模型的RP=0.771 6，RRMSEP=2.302 9；MLR模型的RP=0.771 9，RRMSEP=2.300 7；LS-SVM模型的RP=0.800 7，RRMSEP=2.189 7。所建LS-SVM預(yù)測(cè)效果最好。因此，利用高光譜成像技術(shù)可以實(shí)現(xiàn)貨架期青皮核桃的核桃仁水分快速預(yù)測(cè)。