穆炳宇，薛建新，張淑娟，呂森博，肖新盈，何長(zhǎng)江

（山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程學(xué)院，山西晉中 030801）

花椰菜（Brassica oleracea L.var.botrytis L.），俗稱花菜、菜花或椰菜花，營(yíng)養(yǎng)豐富，但是在采后貯藏、運(yùn)輸過(guò)程中表面顏色會(huì)變黃、變暗，出現(xiàn)褐變，影響其商品價(jià)值[1-2]。色澤是判別花椰菜采后品質(zhì)的重要指標(biāo)。通?；ㄒ松珴傻臏y(cè)量方法是有損檢測(cè)，而近紅外技術(shù)以無(wú)損、速度快、效率高的特點(diǎn)廣泛應(yīng)用于農(nóng)產(chǎn)品貯藏和加工領(lǐng)域[3]，已有學(xué)者使用近紅外技術(shù)檢測(cè)了羊肉[4]、葡萄[5]、獼猴桃[6]等的色澤。但對(duì)花椰菜色澤變化的研究未見(jiàn)報(bào)道。

試驗(yàn)使用可見(jiàn)-近紅外光譜技術(shù)與“松花”花椰菜表面的L*值建立聯(lián)系，選擇了最優(yōu)的預(yù)處理方法，并通過(guò)特征波長(zhǎng)的提取加快建模速度，實(shí)現(xiàn)了近紅外技術(shù)對(duì)花椰菜表面色澤的快速、無(wú)損檢測(cè)。

1 材料與方法

1.1 試驗(yàn)材料

花椰菜品種為“松花”，樣本于2020 年10 月采摘自山西省晉中市太谷區(qū)，當(dāng)天運(yùn)至實(shí)驗(yàn)室。選擇大小相近、無(wú)病蟲(chóng)害的花椰菜共240 朵作為試驗(yàn)對(duì)象。

1.2 光譜采集

使用美國(guó)ASD（Analytical Spectral Device）公司的Field Spec 3 型光譜儀進(jìn)行花椰菜樣本光譜數(shù)據(jù)的采集，光譜數(shù)據(jù)的范圍為350～2 500 nm，因光譜曲線兩端存在明顯的噪聲，故選擇波長(zhǎng)450～2 450 nm的光譜數(shù)據(jù)進(jìn)行建模分析[7]。

1.3 色澤L*值的測(cè)量

采用日本Konica Minolta 公司的CR-400 型色差儀測(cè)定與近紅外光譜采集點(diǎn)位相對(duì)應(yīng)的花椰菜表面的L*值。每個(gè)對(duì)應(yīng)點(diǎn)位進(jìn)行3 次測(cè)量，取平均值作為最終結(jié)果。

1.4 數(shù)據(jù)處理和分析方法

采用K-S 算法（Kennard-Stone）劃分樣本集；使用S-G 平滑（Savitzky-Golay Smoothing）、標(biāo)準(zhǔn)正態(tài)變量變換（Standard normal variate transformation，SNV）、基線校正（Baseline）、歸一化（Normalize，NOR）方法進(jìn)行預(yù)處理；使用連續(xù)投影算法（Successive projections algorithm，SPA）提取特征波長(zhǎng)；采用偏最小二乘回歸（Partial least squares regression，PLSR）方法進(jìn)行建模。使用The Unscramber X10.1及Matlab 2014a 軟件進(jìn)行數(shù)據(jù)分析和處理；利用Origin2019b 進(jìn)行繪圖工作。模型的優(yōu)劣通過(guò)相關(guān)系數(shù)（Correlation coefficient，R）和均方根誤差（Root mean square error，RMSE）進(jìn)行評(píng)價(jià)[7]。

2 結(jié)果與分析

2.1 花椰菜的色澤L*值

使用K-S 算法按照3∶1 的比例將花椰菜樣本隨機(jī)劃分為校正集（180 朵）和預(yù)測(cè)集（60 朵），對(duì)測(cè)量的L*值進(jìn)行數(shù)據(jù)分析。

校正集和預(yù)測(cè)集樣品的色澤分布特征見(jiàn)表1。

表1 校正集和預(yù)測(cè)集樣品的色澤分布特征

由表1 可知，240 朵花椰菜樣本的L*平均值為89.02，標(biāo)準(zhǔn)差為1.34；校正集和預(yù)測(cè)集的平均值相差0.48，標(biāo)準(zhǔn)差相差0.15；校正集的L*值測(cè)量范圍大于預(yù)測(cè)集，說(shuō)明經(jīng)K-S 算法劃分的數(shù)據(jù)分布合理。

2.2 花椰菜近紅外光譜曲線

花椰菜近紅外光譜曲線見(jiàn)圖1。

圖1 花椰菜近紅外光譜曲線

由圖1 可知，花椰菜在1 180，1 450，1 680，2 240 nm 處出現(xiàn)了明顯的吸收峰，其中1 180 和1 450 nm 處為O-H 鍵的倍頻峰，1 680 和2 240 nm處則與C-H、C-O 鍵倍頻峰有關(guān)[6]。

2.3 光譜預(yù)處理方法的選擇

為消除溫度變化、儀器噪聲等干擾因素對(duì)數(shù)據(jù)采集造成的影響，提高模型的精度和穩(wěn)定性，對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理操作。表2 為基于花椰菜原始光譜經(jīng)不同預(yù)處理方法的PLSR 分析結(jié)果。綜合比較發(fā)現(xiàn)，采用NOR 處理的建模效果最優(yōu)，校正集的Rc 達(dá)到0.892 9，RMSEC 為0.615 4；預(yù)測(cè)集的Rp達(dá)到0.903 4，RMSEP 為0.527 3。RMSEC、RMSEP均低于原始光譜，表明經(jīng)NOR 預(yù)處理可有效降低干擾因素的影響。

不同預(yù)處理方法的PLSR 建模效果比較見(jiàn)表2。

表2 不同預(yù)處理方法的PLSR 建模效果比較

2.4 光譜特征波長(zhǎng)的提取

為了提高建模的速度，使用SPA 算法對(duì)經(jīng)NOR預(yù)處理后的光譜數(shù)據(jù)進(jìn)行特征波長(zhǎng)的提取。圖2 表示當(dāng)選擇變量為10 個(gè)時(shí)，RMSE 值達(dá)到最低為0.665 2；所提取的10 個(gè)特征波長(zhǎng)數(shù)為780，1 093，1 160，1 124，1 306，1 333，1 661，2 118，2 430，2 443 nm。

基于SPA 算法的最佳變量選擇見(jiàn)圖2。

圖2 基于SPA 算法的最佳變量選擇

2.5 花椰菜色澤L*值預(yù)測(cè)模型的建立與分析

使用經(jīng)SPA 算法提取的特征波長(zhǎng)建立PLSR 模型，校正集的Rc 達(dá)到0.896 7，RMSEC 為0.631 9。該模型較全波段所建模型的精度高，所需時(shí)間更短。為了驗(yàn)證預(yù)測(cè)模型的準(zhǔn)確性，使用預(yù)測(cè)集的60 朵花椰菜的L*值進(jìn)行驗(yàn)證分析。RMSEP 為0.541 1，Rp為0.908 9，取得了較好的預(yù)測(cè)效果。結(jié)果表明，使用可見(jiàn)/近紅外光譜技術(shù)可實(shí)現(xiàn)對(duì)花椰菜色澤L*的檢測(cè)。

SPA-PLSR 模型的預(yù)測(cè)集樣本的實(shí)際值和預(yù)測(cè)值散點(diǎn)圖見(jiàn)圖3。

圖3 SPA-PLSR 模型的預(yù)測(cè)集樣本的實(shí)際值和預(yù)測(cè)值散點(diǎn)圖

3 結(jié)論

花椰菜的色澤是評(píng)價(jià)花椰菜品質(zhì)的重要指標(biāo)。采用可見(jiàn)-近紅外光譜技術(shù)對(duì)花椰菜表面的色澤L*值進(jìn)行檢測(cè)，選擇出最優(yōu)預(yù)處理方法為NOR，使用SPA 提取特征波長(zhǎng)并建立PLSR 模型。結(jié)果表明，所建立的預(yù)測(cè)模型Rp 達(dá)到0.908 9，RMSEP 達(dá)到0.541 1，模型性能較好、穩(wěn)定性高。因此，花椰菜的色澤L*值可以通過(guò)近紅外模型來(lái)進(jìn)行檢測(cè)。