孫博康 劉貴珊

摘 要：本文基于可見(jiàn)—近紅外高光譜（Visible Near Infrared Reflectio，Vis-NIR）成像技術(shù)對(duì)150個(gè)香水梨進(jìn)行光譜數(shù)據(jù)采集。將樣本劃分后，采用卷積平滑（Savitzky-Golay，S-G）、歸一化（Normalize）和標(biāo)準(zhǔn)正態(tài)變換（Standard Normal Variate，SNV）3種方法對(duì)原始光譜進(jìn)行預(yù)處理，利用競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法（Competitive Adaptive Reweighted Sampling，CARs）、區(qū)間變量迭代空間收縮法（Interval Variable Iterative Space Shrinkage Approach，iVISSA）和變量組合集群分析（Variable Combination Population Analysis，VCPA）對(duì)特征波長(zhǎng)提取進(jìn)行波段縮減和特征提取，建立特征波段下香水梨硬度的偏最小二乘（Partial Least Squares Regression，PLSR）預(yù)測(cè)模型，優(yōu)選最佳模型。結(jié)果表明，VCPA法建立的PLSR模型優(yōu)于初始模型R2=0.933。

關(guān)鍵詞：香水梨;高光譜;硬度;無(wú)損檢測(cè)

香水梨又名軟兒梨，屬于秋子梨的一個(gè)品種，主要分布于甘肅、寧夏境內(nèi)。在寧夏海原地區(qū)，香水梨是當(dāng)?shù)剞r(nóng)民的主要收入來(lái)源，近年來(lái)種植面積不斷擴(kuò)大，然而目前仍存在很多技術(shù)上的問(wèn)題需要解決[1]。硬度作為梨果的一個(gè)重要參數(shù)，與香水梨的成熟度，口感，食用性息息相關(guān)[2]，傳統(tǒng)的檢測(cè)方法具有明顯的破壞性，不適用于大規(guī)模量產(chǎn)的地區(qū)，因此利用光譜學(xué)技術(shù)建立一種香水梨的硬度檢測(cè)方法顯得尤為重要。高光譜技術(shù)作為一種高效、快速、無(wú)損的檢測(cè)技術(shù)[3]，目前已廣泛應(yīng)用于水果內(nèi)部指標(biāo)的檢測(cè)[4-7]。因此，結(jié)合當(dāng)?shù)匦枨螅疚耐ㄟ^(guò)對(duì)光譜數(shù)據(jù)進(jìn)行4種預(yù)處理方法，3種特征波長(zhǎng)的提取方法處理后，選擇一種最優(yōu)模型來(lái)預(yù)測(cè)香水梨硬度。

1 材料與方法

1.1 樣品采集

實(shí)驗(yàn)樣品全部來(lái)自于寧夏回族自治區(qū)海原縣方堡村，樣品自采摘后于24 h內(nèi)運(yùn)輸至寧夏大學(xué)，在寧夏大學(xué)冷庫(kù)內(nèi)進(jìn)行保存，貯藏溫度0～2 ℃。樣品測(cè)試前需將樣品從冷庫(kù)取出，放置在20 ℃恒溫條件下24 h，待樣品中心溫度恢復(fù)至20 ℃開始檢測(cè)。

1.2 數(shù)據(jù)采集

①光譜采集儀器。Hyper Spec VIS/NIR高光譜成像系統(tǒng)，光譜范圍為400～1 000 nm和125波段的超高光譜影像可見(jiàn)/近紅外光譜儀系統(tǒng)。包括v10e-qe高光譜影像光譜儀、C8484-05G-CCD-相機(jī)、90-254vac線性光源、Dcrih鹵素?zé)?、傳輸裝置、計(jì)算機(jī)和數(shù)據(jù)采集軟件。②硬度檢測(cè)。硬度計(jì)HLY-YD5。③數(shù)據(jù)處理軟件。ENVI5.3，The Unscrambler X 10.4，MATLAB R2014a。以上軟、硬件由寧夏大學(xué)提供。

2 結(jié)果與分析

2.1 PLSR初模型的建立及評(píng)價(jià)方法

偏最小二乘回歸（PLSR）是一種多元回歸方法，用于建立分析樣品光譜響應(yīng)與參考值之間的驗(yàn)證模型。相對(duì)于其他模型直接考慮因變量和自變量而建立回歸模型的方法，PLSR則是重新過(guò)濾信息，選擇最佳變量，再對(duì)篩選出的變量進(jìn)行建模。因此，其篩選出的光譜值決定了建模成功率的高低。一般來(lái)說(shuō)，評(píng)價(jià)PLSR模型成功率的指標(biāo)有3個(gè)：預(yù)測(cè)樣本集的標(biāo)準(zhǔn)差（RMSEP）、校正集的均方根誤差（RMSEC）、決定系數(shù)（R2）。一般情況下，R2值越大，RMSEP和RMSEC越小，表明模型的預(yù)測(cè)能力越強(qiáng)[8]。

使用ENVI5.3提取香水梨樣本的感興趣區(qū)域（Region Of Interesting，ROI）[9]感興趣區(qū)域必需具有一定的代表性，可以代表香水梨樣品的硬度指標(biāo)。為了獲得具有代表性的光譜值，在選取ROI時(shí)要盡量避免過(guò)于灰暗的部分，選擇香水梨整體光量部分，記錄每個(gè)樣本ROI的平均光譜。

將每個(gè)樣品提取出的光譜值和硬度數(shù)據(jù)導(dǎo)入至The Unscrambler X 10.4，選擇PLSR進(jìn)行初步的模型建立。初始模型效果如圖1所示。

由圖1可知，樣品初始模型效果不佳，數(shù)據(jù)點(diǎn)不連續(xù)，R2值為0.782。因此，需要對(duì)光譜進(jìn)行處理后，達(dá)到降噪均勻優(yōu)化光譜的目的，再進(jìn)行PLSR預(yù)測(cè)模型。

2.2 光譜預(yù)處理

采集到的光譜圖像由于光源強(qiáng)度不均勻及噪音等因素的影響，可能在某種程度上會(huì)存在基線漂移等現(xiàn)象，為了提取出有效的光譜信號(hào)，消除光源強(qiáng)度不均勻的問(wèn)題，需要對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，為后續(xù)的光譜數(shù)據(jù)處理提供更加具有代表性的光譜區(qū)域[10]。本文采用以下幾種方法進(jìn)行預(yù)處理。

2.2.1 卷積平滑法。

卷積平滑（Savitzky-Golay ，S-G）是一種對(duì)光譜進(jìn)行平滑處理的方式，主要包括移動(dòng)平均法、高斯濾波法、中值濾波法和S-G卷積平滑法[11]。

2.2.2 歸一化法

歸一化（Normaliaze）是一種行式轉(zhuǎn)換算法，適用于光譜信號(hào)與樣品函數(shù)關(guān)系的分析，或者利用其他光譜值代替樣品檢測(cè)值的方法。通過(guò)計(jì)算機(jī)變換，最終使光譜數(shù)據(jù)在同一范圍內(nèi)，變量和均值的分布更加均勻[12]。

2.2.3 標(biāo)準(zhǔn)正態(tài)變換法

標(biāo)準(zhǔn)正態(tài)變換（Standard Normal Variate，SNV）是一種通過(guò)樣品的方差對(duì)光譜進(jìn)行校正的方法，SNV可以有效的消除光源強(qiáng)度不一、散射噪聲等檢測(cè)時(shí)出現(xiàn)的干擾，通過(guò)線性變換對(duì)初始光譜數(shù)據(jù)標(biāo)準(zhǔn)化進(jìn)行校正，減小樣本因?yàn)楸砻嫔⑸?、光譜遷移等因素帶來(lái)的誤差[13]。

經(jīng)過(guò)上述預(yù)處理后模型結(jié)果如表1所示，歸一化法擁有較小的CV值和較大的R2值，表明其對(duì)結(jié)果的預(yù)測(cè)效果較好，因此后續(xù)的特征光譜提取均采用歸一化法作為光譜的預(yù)處理方法。

2.3 特征波長(zhǎng)的提取

2.3.1 競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法

競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法（CARs）是模仿“適者生存”理論而提出的特征變量選擇算法。CARs算法的核心是首先采用自適應(yīng)重加權(quán)采樣技術(shù)，優(yōu)選出PLSR模型中絕對(duì)值大的回歸系數(shù)所對(duì)應(yīng)的波長(zhǎng)變量點(diǎn)，然后借助指數(shù)衰減函數(shù)，最后將RMSECV最小的子集定義為最優(yōu)變量子集[14]。

使用Matlab運(yùn)行CARs程序多次后，選擇CV值最小的波長(zhǎng)組作為特征波長(zhǎng)，一共12條，將12條特征波長(zhǎng)導(dǎo)入U(xiǎn)nscrambler后建模得到模型如圖2所示，其RMSEC值為0.659，R2為0.764。

2.3.2 區(qū)間變量迭代空間收縮法

區(qū)間變量迭代空間收縮法（iVISSA）的主旨思想是選擇最優(yōu)區(qū)間，然后根據(jù)最優(yōu)選區(qū)間再進(jìn)行建模，該算法來(lái)自于VISSA算法，之后結(jié)合全局和局部搜索，智能地優(yōu)化波長(zhǎng)的寬度、組合及間隔[15]。在局部搜索上，iVISSA算法使用光譜數(shù)據(jù)的連續(xù)性信息來(lái)確定波長(zhǎng)間隔的寬度，在全局搜索上，主要搜索信息波長(zhǎng)的組合和位置。最終用迭代的方式優(yōu)化光譜間的數(shù)據(jù)間隔，確定光譜的組合、位置以及寬度[16]。

使用Matlab運(yùn)行iVISSA程序多次后，選擇CV值最小的波長(zhǎng)組作為特征波長(zhǎng)，一共66條，將66條特征波長(zhǎng)導(dǎo)入U(xiǎn)nscrambler后建模得到模型如圖3所示，其RMSEC值為0.666，R2為0.760。

2.3.3 變量組合集群分析法

變量組合集群分析（VCPA）是一種新興的特征變量識(shí)別算法，該方法的特點(diǎn)是充分考慮了變量集之間可能存在的影響。方法的計(jì)算原理是，首先通過(guò)利用二進(jìn)制矩陣采樣法對(duì)樣本空間進(jìn)行重采樣，之后將數(shù)據(jù)隨機(jī)劃分為若干子集，針對(duì)子集分別建立子模型，最后對(duì)子模型一一進(jìn)行評(píng)價(jià)[17]。一般情況下，VCPA算法計(jì)算過(guò)程如下：①先利用二進(jìn)制矩陣采樣法，對(duì)樣本變量進(jìn)行采樣，選取目標(biāo)函數(shù)CV值最小的變量子集;②計(jì)算每個(gè)波長(zhǎng)點(diǎn)對(duì)應(yīng)的化學(xué)值或者實(shí)測(cè)值，在本次迭代計(jì)算過(guò)程中出現(xiàn)的概率;③通過(guò)衰減函數(shù)篩選出概率較小的波長(zhǎng)范圍或者波長(zhǎng)點(diǎn)，達(dá)到縮小變量集空間的目的;④最后將保留的變量重復(fù)上述過(guò)程將剩余變量進(jìn)行組合，最終得到特征波長(zhǎng)變量[17-19]。

使用Matlab運(yùn)行VCPA程序多次后，選擇CV值最小的波長(zhǎng)組作為特征波長(zhǎng)，共10條，將10條特征波長(zhǎng)導(dǎo)入U(xiǎn)nscrambler后建模得到模型如圖4所示，其RMSEC值為0.351，R2為0.933。

3 結(jié)論

對(duì)香水梨硬度原始光譜進(jìn)行了3種預(yù)處理后，選擇歸一化法為最佳方法，以此作為基礎(chǔ)光譜，對(duì)比3個(gè)特征波長(zhǎng)建模后的PLSR模型效果，最終選擇VCPA法，其提取特征波長(zhǎng)10個(gè)，建立的PLSR模型優(yōu)于初始模型，R2=0.933，可以用作一種快速檢測(cè)香水梨硬度的方法。

參考文獻(xiàn)

[1]徐璐娜，劉緡，龐婷婷.海原香水梨生長(zhǎng)氣象條件分析[J].南方農(nóng)業(yè)，2020，14（30）：182-183.

[2]王曉明，章海亮，羅微，等.近紅外光譜檢測(cè)梨果硬度研究[J].中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2015，36（6）：120-123.

[3]張珮，王銀紅，江靖，等.便攜式近紅外光譜儀在果蔬品質(zhì)定性和定量分析中的應(yīng)用[J].食品科技，2020，45（5）：

287-292.

[4]黎源鴻，王紅軍，鄧建猛，等.基于PCA-ELM和光譜技術(shù)預(yù)測(cè)香蕉成熟度[J].現(xiàn)代食品科技，2017，33（10）：268-274.

[5]李夢(mèng)珠.基于高光譜技術(shù)的水果品質(zhì)無(wú)損檢測(cè)研究[D].西安：西安電子科技大學(xué)，2019.

[6]岳林珊.基于圖像處理技術(shù)的冷凍冷藏果蔬品質(zhì)研究[D].天津：天津商業(yè)大學(xué)，2019.

[7]張保華.基于機(jī)器視覺(jué)和光譜成像技術(shù)的蘋果外部品質(zhì)檢測(cè)方法研究[D].上海：上海交通大學(xué)，2016.

[8]TAGHIZADEH M，GOWEN A，DONNELL C P O.Prediction of white button mushroom（Agaricus bisporus）moisture content using hyperspectral imaging[J].Sensing and Instrumentation for Food Quality and Safet，2009，3（4）：219-226.

[9]程琳琳，陳昭炯，傅明建.基于感興趣區(qū)域的色彩傳遞算法[J].計(jì)算機(jī)應(yīng)用與軟件，2019，36（2）：39-43.

[10]VIDAL M，AMIGO J M.Pre-processing of hyperspectral images.Essential steps before image analysis[J].Chemometrics and Intelligent Laboratory Systems，2012，117：138-148.

[11]成軍虎.基于高光譜成像魚肉新鮮度無(wú)損快速檢測(cè)方法研究[D].廣州：華南理工大學(xué)，2016.

[12]郭志明.利用近紅外光譜分析技術(shù)檢測(cè)綠茶有效成分的研究[D].鎮(zhèn)江：江蘇大學(xué)，2009.

[13]ZHAO N，WU Z S，CHENG Y Q，et al.MDL and RMSEP assessment of spectral pretreatments by adding different noises in calibration/validation datasets[J].Spectrochimica acta.Part A，Molecular and biomolecular spectroscopy，2016，163：20-27.

[14]YAN H，SONG X Z，TIAN K D，et al.A modification of the bootstrapping soft shrinkage approach for spectral variable selection in the issue of over-fitting，model accuracy and variable selection credibility[J].Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2019，210：362-371.

[15]DENG B C，YUN Y H，LIANG Y Z L，et al.A novel

variable selection approach that iteratively optimizes variable space using weighted binary matrix sampling[J].The Analyst，2014，139（19）：4836-4845.

[16]DENG B C，YUN Y H，MA P，et al.A new method for

wavelength interval selection that intelligently optimizes the locations，widths and combinations of the intervals[J].The Analyst，2015，140（6）：1876-1885.

[17]YUN Y H，WANG W T，DENG B C，et al.Using variable combination population analysis for variable selection in multivariate calibration[J].Analytica Chimica Acta，2015，862：14-23.

[18]宋雨宸，宦克為，韓雪艷，等.基于蒙特卡洛變量組合集群分析法的小麥蛋白質(zhì)近紅外光譜變量選擇[J].長(zhǎng)春理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2017，40（5）：29-35.

[19]楊東，陸安祥，王紀(jì)華.高光譜成像技術(shù)定量可視化檢測(cè)熟牛肉中揮發(fā)性鹽基氮的含量[J].現(xiàn)代食品科技，2017，33（9）：257-264.