樊書祥， 王慶艷， 楊雨森， 李江波， 張 馳， 田 喜， 黃文倩*

1. 北京農(nóng)業(yè)信息技術(shù)研究中心， 北京 100097 2. 西南交通大學(xué)利茲學(xué)院， 四川 成都 611731

引 言

可見-近紅外光譜分析為代表的無損檢測技術(shù)在水果糖度的快速、 無損檢測方面得到了廣泛應(yīng)用[1]。 水果糖度的便攜式或手持式裝置， 可以實現(xiàn)水果糖度的快速、 現(xiàn)場檢測， 滿足水果樣品抽檢、 定級以至田間管理[2]。 目前， 如久保田株式會社， FELIX以及Atago等都推出了相關(guān)產(chǎn)品。 但上述國外公司的產(chǎn)品價格較高， 檢測樣品單一， 不易于后期模型和設(shè)備的維護(hù)， 使用成本較高。

在近幾年的研究中， 國內(nèi)外研究人員借助小型商品化光譜儀器， 也開發(fā)了具有類似功能的樣機。 樣機的開發(fā)主要集中在用于水果光譜采集探頭的設(shè)計以及后續(xù)對光譜儀的控制。 Yang[3]、 Guo[4]等開發(fā)了用于獼猴桃、 油桃糖度檢測的便攜式裝置， 王凡[5]、 郭志明[6]等設(shè)計了用于番茄糖度、 番茄紅素等指標(biāo)分析的檢測裝置。 除了利用商品化光譜儀外， Yu等[7]利用線性漸變?yōu)V光片自行開發(fā)了用于梨果糖度檢測的便攜式裝置。 趙娟等[8]基于所選10個特征波長的LED和硅光電二極管， 開發(fā)了用于蘋果糖度檢測的便攜式裝置， 雖然成本有所降低， 但精度有所下降。 借助便攜式光譜儀可以直接用于樹上柑橘[9]等水果品質(zhì)的無損分析， 但大都沒有形成最終檢測裝置。 分析發(fā)現(xiàn)， 上述裝置成本較高， 大都針對同種水果進(jìn)行評價， 且均針對開發(fā)的一臺裝置進(jìn)行檢驗， 缺少模型在不同裝置間的傳遞等方面的探討。

在前期研究中， 本課題組以海洋光學(xué)USB2000+光譜儀和嵌入式操作系統(tǒng)為核心， 成功研制了用于多種水果糖度檢測的背帶式檢測裝置[10]。 雖然取得了較好的檢測結(jié)果， 但成本高， 攜帶不便。 本研究繼續(xù)以微型光譜儀為核心， 開發(fā)了成本更低， 更輕便的手持式水果糖度檢測裝置， 并在實驗室和果園環(huán)境對裝置的檢測精度進(jìn)行檢驗， 同時探討了糖度模型在不同裝置間的傳遞。

1 實驗部分

1.1 硬件系統(tǒng)設(shè)計

水果糖度手持式可見-近紅外光譜檢測裝置硬件系統(tǒng)主要包括微型光譜儀、 鹵素?zé)簟?單片機及外圍電路、 鋰電池、 OLED顯示屏等部分。 為了減小手持式裝置的體積、 節(jié)約成本， 該裝置不具備存儲光譜數(shù)據(jù)的功能， 因此在采集光譜數(shù)據(jù)時需要將裝置與計算機通過串口相連。 待模型構(gòu)建并導(dǎo)入單片機后， 方可單獨使用。

光譜儀為微型光譜儀(C11708MA， 濱松， 日本)， 波長范圍為640～1 050 nm， 該光譜儀體積小， 重量輕。 采用小型鹵素?zé)簦?功率1.5 W。 檢測時采用漫透射方式[5]， 將水果放置于探頭之上， 赤道部位緊貼中間接收孔， 鹵素?zé)舭l(fā)出的光， 經(jīng)過與水果作用后， 被距鹵素?zé)?6 mm接收孔下方的微型光譜儀接收。

單片機選用STM32單片機， 自行設(shè)計光譜儀驅(qū)動電路。 實現(xiàn)光譜按設(shè)定積分時間進(jìn)行獲取。 為增加光譜穩(wěn)定性， 獲取3次水果光譜的平均值作為最終光譜。 串口用于和上位機軟件通訊。 OLED顯示屏用于顯示水果糖度預(yù)測值。 電源容量6 000 mah鋰電池， 工作時間約為2.5～3 h。 在采集可見-近紅外光譜時常常進(jìn)行白參考校正。 本研究針對開發(fā)的裝置結(jié)構(gòu)， 設(shè)計了如圖1所示的白參考校正模塊。 另外， 該裝置配有遮光罩用于室外水果的光譜采集， 減少陽光等雜散光對光譜采集影響。 圖1為開發(fā)的手持式水果糖度可見-近紅外光譜檢測裝置實物圖以及配套的上位機光譜采集界面。

圖1 水果糖度手持式檢測裝置圖

1.2 軟件系統(tǒng)設(shè)計

檢測裝置的軟件系統(tǒng)基于Keil 5平臺開發(fā)， 采用C語言進(jìn)行程序編寫。 實現(xiàn)水果漫透射可見-近紅外光譜信息的采集、 數(shù)據(jù)傳輸、 結(jié)果顯示等功能。 上位機配套LabView編寫的光譜采集軟件， 通過串口和手持式檢測裝置通訊， 通過上位機設(shè)定手持式裝置的積分時間， 完成水果光譜信息在指定積分時間下的獲取。

1.3 材料及水果光譜采集

以大桃、 蘋果作為實驗對象。 樣機共開發(fā)兩臺， 分別編號為P-NIR-01和P-NIR-02。 2020年8月份在北京平谷大桃果園進(jìn)行實驗。 借助筆記本電腦， 完成樹上水果光譜信息采集， 采集前獲取白參考光譜， 隨后將遮光罩套在探頭上方用于樹上水果光譜采集。 采集水果光譜后對樣品進(jìn)行編號， 共采摘大桃150個， 積分時間設(shè)置為900 ms。 田間光譜信息采集只利用了P-NIR-01裝置。 采集完成后， 運回實驗室。 從中隨機選取110個大桃作為校正集， 剩余樣本作為預(yù)測集。 實驗室環(huán)境下的光譜采集， 同時采用上述2臺裝置獲取大桃光譜信息， 積分時間都設(shè)置為900 ms。

采取同樣方法， 采用編號為P-NIR-01裝置于2020年10月在北京昌平蘋果園獲取樹上蘋果光譜信息， 積分時間為600 ms， 共采集富士蘋果140個。 從中隨機選取100個蘋果作為校正集。 運回實驗室后采用2臺裝置進(jìn)行光譜信息采集， 采集參數(shù)同樣設(shè)置為600 ms。

在實驗室采集條件下， 研究了模型在上述2臺裝置間的傳遞。 選擇P-NIR-01作為主機(也稱作源機)， P-NIR-02作為從機(也稱作目標(biāo)機)。 從校正集光譜中選取一定數(shù)量樣本作為標(biāo)準(zhǔn)樣品， 用于確定主機光譜與從機光譜的對應(yīng)關(guān)系。 主機對應(yīng)的校正集用于模型構(gòu)建， 主機的預(yù)測集用于對模型的檢測精度進(jìn)行評價， 從機的預(yù)測集用于模型傳遞的評價。

1.4 水果糖度實測值獲取

光譜采集完成后， 從光譜采集的赤道部位切取厚度為10 mm左右?guī)Чす猓?經(jīng)紗布過濾擠汁后， 滴到折光儀(PAL-1, ATAGO, 日本)鏡面， 讀數(shù)并記錄。 結(jié)果如表1所示。

表1 水果糖度實測值

1.5 光譜數(shù)據(jù)處理

由于采集的光譜信息在波段首尾兩端均存在較大噪聲， 因此選擇600～950 nm范圍進(jìn)行后續(xù)分析。 首先參照式(1)對原始光譜數(shù)據(jù)進(jìn)行白校正得到透射率光譜(Transmittance)。

(1)

式(1)中， Sample為采集到的水果原始光譜， White為白板蓋放置在探頭上方時獲取的白參考光譜。 由于原始光譜數(shù)據(jù)中存在諸多噪聲、 毛刺等干擾信號， 采用包括5點平均平滑、 歸一化、 標(biāo)準(zhǔn)變量變換、 一階導(dǎo)數(shù)(窗口寬度21)、 二階導(dǎo)數(shù)(窗口寬度37)對光譜進(jìn)行處理。

分段直接校正算法(piecewise direct standardization, PDS)是在直接校正算法基礎(chǔ)上開發(fā)的用于模型傳遞的算法[11]。 采用Kennard-Stone算法從主機校正集光譜中， 分別選擇5， 10， …， 75， 80個樣本作為標(biāo)準(zhǔn)樣進(jìn)行比較。 同時考察窗口寬度(w)為3， 9， 15， 21， 31對傳遞結(jié)果的影響。 基于典型相關(guān)分析(canonical correlation analysis, CCA)的模型傳遞算法是依據(jù)CCA分析而提出的。 借助CCA可以提取兩組光譜之間的線性關(guān)系， 實現(xiàn)光譜在主機與從機間的傳遞， 并消除噪聲以及干擾信息的影響[12]。

本研究模型分析采用偏最小二乘算法， 并以校正集樣本10折交互驗證均方根誤差(RMSECV)最小值來確定最佳預(yù)處理方法和最佳建模主因子數(shù)[13]。 模型的評價采用校正集相關(guān)系數(shù)(Rc)和校正均方根誤差(RMSEC)， 以及預(yù)測相關(guān)系數(shù)(Rp)和預(yù)測均方根誤差(RMSEP)。

2 結(jié)果與討論

2.1 實驗室條件下水果糖度光譜分析

2.1.1 主機校正集光譜分析

對主機采集到的蘋果、 大桃校正集光譜數(shù)據(jù)， 經(jīng)過預(yù)處理算法后的PLS建模比較發(fā)現(xiàn)， 對于蘋果采用5點平滑結(jié)合最大值歸一化的預(yù)處理方式結(jié)果較好[圖2(a)]， 交互驗證相關(guān)系數(shù)和RMSECV分別為0.885和0.628%， 最佳主因子數(shù)為9。 對于大桃采用37點的二階導(dǎo)數(shù)處理方式結(jié)果較好[圖2(b)]， 交互驗證相關(guān)系數(shù)和RMSECV分別為0.813和0.590%， 最佳主因子數(shù)為11。 將模型系數(shù)及相應(yīng)的預(yù)處理算法寫入檢測程序以對預(yù)測集樣本進(jìn)行直接預(yù)測。

圖2 經(jīng)過預(yù)處理后的蘋果及大桃的透射率光譜

2.1.2 裝置預(yù)測精度驗證

直接利用主機裝置對預(yù)測集的樣本進(jìn)行預(yù)測， 采集前， 首先獲取白參考光譜。 然后將預(yù)測集樣本依次放置在探頭上方， 點擊觸發(fā)按鍵， 即可在顯示屏獲取水果糖度預(yù)測值， 讀數(shù)后記錄。 同時， 原始光譜數(shù)據(jù)通過串口傳輸?shù)诫娔X端保存。 待所有水果預(yù)測完成后， 采用1.4節(jié)方法， 獲取預(yù)測集樣本檢測部位實際糖度值并記錄。 檢測結(jié)果如圖3(a,b)所示。

圖3 蘋果和大桃糖度真實值和預(yù)測值散點圖

對于蘋果糖度檢測，Rp和RMSEP分別為0.92和0.587%。 對比前期文獻(xiàn)檢測結(jié)果[12]， 證明該裝置可滿足蘋果糖度的快速、 有效分析。 而對大桃糖度預(yù)測， 與前期近紅外光譜大桃糖度檢測結(jié)果相比略差， 可能是由于在該研究中， 大桃糖度主要集中在11%～15%這一較窄范圍造成預(yù)測相關(guān)系數(shù)偏低。 另外， 大桃品種的差異、 所用光譜儀的波段范圍也會對檢測精度產(chǎn)生影響。

2.1.3 主機模型到從機傳遞結(jié)果

圖4為PDS算法傳遞后， 不同標(biāo)準(zhǔn)樣本數(shù)量和不同窗口寬度對應(yīng)的從機Rp值的變化。 從圖中可以看出， 不同參數(shù)組合對Rp值的影響較大。 對于蘋果糖度模型傳遞結(jié)果[圖4(a)]， 當(dāng)窗口寬度為21， 標(biāo)準(zhǔn)樣本數(shù)量為50時，Rp值最大為0.891， 此時對應(yīng)的RMSEP為0.657%。 而對于大桃糖度模型的PDS傳遞結(jié)果[圖4(b)]， 當(dāng)窗口寬度為31， 標(biāo)準(zhǔn)樣本數(shù)量為65時， 此時Rp最高為0.778， RMSEP為0.725%。

圖4 PDS算法后從機Rp在不同窗口寬度和標(biāo)準(zhǔn)樣本數(shù)量下的變化

圖5為經(jīng)過CCA算法傳遞后， 從機對預(yù)測集樣本的預(yù)測結(jié)果。 對于蘋果糖度模型的傳遞結(jié)果， 當(dāng)標(biāo)準(zhǔn)樣本數(shù)量為50時， 此時對應(yīng)最優(yōu)結(jié)果，Rp和RMSEP分別為0.883和0.641%， 如圖5(a)所示， 與PDS傳遞結(jié)果相差不大。 而對于大桃糖度模型傳遞結(jié)果， 當(dāng)選取45個樣本作為標(biāo)準(zhǔn)樣本用于傳遞時取得結(jié)果最好， 此時Rp和RMSEP分別為0.805和0.626%， 見圖5(b)。 與PDS傳遞結(jié)果相比有了較大提升。 經(jīng)過模型傳遞算法， 將主機的模型用于從機糖度預(yù)測， 結(jié)果是可行的， 雖然檢測精度略有下降， 但從后續(xù)設(shè)備的批量開發(fā)， 減少建模工作量、 提升開發(fā)效率還是具有積極意義的。

圖5 采用CCA算法后從機Rp和RMSEP隨不同標(biāo)準(zhǔn)樣本數(shù)量的變化

2.2 樹上水果糖度光譜分析

將樹上采集到的水果光譜數(shù)據(jù)代入上述實驗室條件下建立的模型。 圖6(a,b)分別展示了使用實驗室環(huán)境下構(gòu)建的蘋果、 大桃糖度預(yù)測模型對樹上140個水果糖度的檢測結(jié)果。 對大桃的檢測精度與實驗室條件檢測結(jié)果基本一致。 對于蘋果糖度的預(yù)測， 除去圖中一個異常樣本外，Rp提高到0.894， RMSEP下降到0.633%， 接近實驗室條件下預(yù)測精度。 上述結(jié)果證明， 利用開發(fā)的檢測裝置及配套的遮光罩， 以及相應(yīng)的光譜預(yù)處理方法， 可以實現(xiàn)實驗室環(huán)境下構(gòu)建的模型對樹上水果糖度的有效檢測。

圖6 蘋果和大桃糖度檢測真實值和預(yù)測值散點圖

3 結(jié) 論

基于微型光譜儀開發(fā)的手持式水果糖度便攜式檢測裝置， 可用于蘋果、 大桃糖度的無損、 快速分析， 在實驗室環(huán)境下對蘋果和大桃的預(yù)測集Rp和RMSEP分別為0.925， 0.587%和0.821， 0.613%。 相對于分段直接校正算法， 基于CCA模型傳遞方法， 在該樣機上取得了更好的模型傳遞結(jié)果。 針對主機建立的用于蘋果和大桃糖度預(yù)測的模型， 傳遞到從機后，Rp和RMSEP分別為0.883， 0.641%和0.805， 0.626%， 見圖5(b)。 可以滿足從機對蘋果、 大桃糖度的有效檢測， 實現(xiàn)了可見-近紅外光譜糖度模型在該裝置間進(jìn)行共享和傳遞。 配合設(shè)計的遮光罩， 直接采用實驗室條件下的光譜數(shù)據(jù)構(gòu)建的模型預(yù)測樹上水果糖度， 對蘋果、 大桃糖度預(yù)測的Rp和RMSEP分別為0.866， 0.741%和0.816， 0.627%， 可以實現(xiàn)實驗室條件下建立的模型對田間樹上水果糖度的檢測。