張哲，王曉霞，陳佳楠，計宏偉，趙恩惠，郎元路，張金斗，俞蘇蘇，田津津

（天津商業(yè)大學 天津市制冷技術重點實驗室，天津 300134）

在高光譜研究領域，目前的研究熱點主要集中在對其方法本身的研究[4-7]。高光譜反射成像技術[8]主要利用光反射經果蔬組織吸收后成像所采集的光譜和圖像信息，依靠所獲得的具有高分辨率的空間信息和光譜信息，進行深層提取得到果蔬的特征波長，進而能對其綜合品質進行快速且有效的檢測。例如：Zhu等[9]利用高光譜成像技術對新鮮和冷凍解凍后的大比目魚進行了有效的分類，Barbin等[10]提出了一種基于近紅外波段的反射率圖像處理算法，可快速可靠地識別鮮肉和凍肉。Cheng等[11]對不同解凍階段草魚的硬度進行了高光譜分析。

侯寶路等[12]利用高光譜成像系統(tǒng)拍攝了不同種類的梨的光譜圖，預測梨的可溶性固形物含量和硬度，得到相關系數為0.898和0.923。Pallag等[13]通過抗氧化能力測定法（cupric reducing antioxidant capacity，CUPRAC）和鐵離子還原/抗氧化能力法（ferricreducing abilityofplasma，FRAP），確定8種不同種類的水果抗氧化能力。Fan等[14]采用不同的預處理與變量選擇方法并結合偏最小二乘法建立梨的校正模型，結果表明，可溶性固形物采用競爭性自適應重加權算法-連續(xù)投影法-偏最小二乘法（competitive adaptive reweighted sampling-successive projections algorithmpartialleastsquare，CARS-SPA-PLS）的相關系數和預測誤差均方根（root mean square error of prediction，RMSEP）分別為0.876和0.491。

本文建立不同冷凍-復溫條件下的高光譜模型，判別不同預處理方式對模型精度的影響。研究成果不僅可以擴大高光譜技術的應用領域，而且可以為研究果品的冷凍損傷提供技術支持，為果品冷藏和凍藏技術指標的確定提供指導，對低溫傷害和凍害的預防具有重要意義。

1 材料與方法

1.1 材料與儀器

選用產自遼寧鞍山的南果梨作為本文研究對象，建立可溶性固形物含量預測模型。選擇新鮮無損、顏色相近的梨樣品共320個，大小縱徑為4.7 cm～5.2 cm、橫徑為5.5 cm～5.8 cm，平均單果重50 g～75 g。每一大組80個，55個用于校正集建模，25個用于預測集建模，其中新鮮組用于校正集樣本15個，驗證集樣本5個，可在4種不同試驗條件下作對照。

HTL-800B恒溫恒濕試驗機：弘達儀器股份有限公司；Zelos-258GV CCD高光譜相機：德國Kappa optronics GmbH公司；PSA200-11-X電控位移平臺、35W HSIA-LS-TDIF鹵鎢燈：北京卓立漢光儀器有限公司；GMK-706R糖酸儀：韓國G-won公司。

1.2 試驗方法

圖1為高光譜反射成像采集光譜圖像時南果梨的擺放姿態(tài)圖。將南果梨頂端水平放置，獲取南果梨的圓周赤道面，包含 3 個面（簡稱 C1、C2、C3），每兩個相鄰位置圓周赤道面間隔120°。

4、完善獸醫(yī)管理工作的法律法規(guī)體系加快獸醫(yī)工作的法律法規(guī)體系建設。根據世界貿易組織有關規(guī)則，參照《國際動物衛(wèi)生法典》和國際通行做法，建立完善動物衛(wèi)生法律法規(guī)體系。抓緊修訂《中華人民共和國動物防疫法》，研究制定官方獸醫(yī)管理、執(zhí)業(yè)獸醫(yī)管理等相關法律法規(guī)，充分發(fā)揮法律法規(guī)在獸醫(yī)管理工作中的保障作用。促進獸醫(yī)管理的有效，健康發(fā)展！四、結束語以上是結合我國實際情況對我國獸醫(yī)管理體制的現狀問題與改革建議做的簡要闡述，許多觀點也可能尚有不當和值得商榷之處?？傊?，加快推進獸醫(yī)管理體制改革，提高重大動物疫病防控能力和公共衛(wèi)生安全水平是我們面臨的緊迫任務。

圖1 南果梨光譜成像姿態(tài)Fig.1 Positions of a pear in Hyperspectral reflectance imaging

采用恒溫恒濕箱實現對南果梨溫濕度的控制，其樣本標準為起始溫度22℃、降溫速率5℃/min、臨界溫度-30℃、保溫時間30 min、復溫速率10℃/min，復溫終溫25℃。在進行不同參數的研究時，僅改變所需的參數，其他參數設置為樣本標準參數。設置臨界溫度（-10、-20、-30℃）、循環(huán)次數（1次、2次、3次）、保溫時間（30、45、60 min）以及降溫速率（1、3、5 ℃/min）4 種冷凍-復溫條件，每種冷凍-復溫條件用80個新鮮南果梨樣品進行試驗，采用糖酸儀測量不同冷凍-復溫條件下南果梨的可溶性固形物值[15]，并進行分析。

1.3 數據處理

采用 ENVI5.1、The Unscrambler9.7、Matlab 數據分析軟件對采集的南果梨高光譜數據進行校正、感興趣區(qū)域裁剪、降噪、平均光譜提取、預處理、特征波長提取等一系列分析，判別不同的冷凍-復溫條件對高光譜反射率的影響。采用不同的光譜預處理方法[多元散射校正（multiplicative scatter correction，MSC）、標準正態(tài)變量交換（standard normal variate，SNV）、平滑-標準正態(tài)變量交換（Savitzky-Golay standard normal variate，SG-SNV）、平滑-多元散射校正（Savitzky-Golay multiplicative scatter correction，S-G-MSC）]并結合競爭性自適應重加權算法（competitive adaptive reweighted sampling，CARS）所識別的特征光譜，通過偏最小二乘法（partial least squares method，PLS）建立南果梨不同冷凍-復溫條件下獲得的可溶性固形物模型。

定量分析模型的性能采用相關系數R、校正均方根誤差（root mean square error of correction，RMSEC）、預測均方根誤差（root mean square error of prediction，RMSEP）和交叉驗證均方根誤差（root mean square error of cross validation，RMSECV）4個指標來綜合評價。

2 結果與分析

2.1 不同循環(huán)次數冷凍處理南果梨可溶性固形物定量模型的建立

分別采用了MSC、S-G-MSC、SNV以及S-G-SNV四種預處理方式對南果梨的高光譜數據進行預處理。選用新鮮組1～15號、循環(huán)1次組21～35號、循環(huán)2次組41～55號、循環(huán)3次組61～75號南果梨共60個樣本作為校正集樣本，新鮮組16～20號、循環(huán)1次組36～40號、循環(huán)2次組56～60號、循環(huán)3次組76～80號南果梨共20個樣本作為驗證集樣本進行建模對比分析。在這項研究中，結合偏最小二乘法建立了南果梨的高光譜數據與其質量屬性可溶性固形物含量之間的校正模型。根據校正集相關系數R、校正集均方根誤差RMSEC、預測集相關系數R和預測均方根誤差RMSEP評估模型的性能。

表1為經過不同循環(huán)次數處理的80個南果梨的可溶性固形物（soluble solid content，SSC）指標統(tǒng)計分析結果。

表1 南果梨可溶性固形物含量Table 1 Nanguo pear soluble solids content °Brix

由表1可知，經不同循環(huán)次數處理后，可溶性固形物含量平均值差別較小，標準偏差隨著循環(huán)次數的增加而變大。

圖2是新鮮組、循環(huán)1次組、循環(huán)2次組、循環(huán)3次組的南果梨SSC的PLS模型校正集和驗證集結果。

從圖2可知，不同預處理方法建立模型的校正集相關系數均大于0.65且小于0.81，驗證集的相關系數均大于0.81，說明驗證模型具有良好的性能，綜合比較可知采用S-G-MSC建立的模型最優(yōu)。S-G-MSC校正集中樣品實測值與預測值均勻分布在擬合線兩側。驗證集中的樣品分布較其他3組更加集中分布在回歸線兩側，說明模型的預測效果較好，精度較高。

圖2 南果梨SSC的PLS預測結果Fig.2 Prediction results of SSC of pears using PLS

2.2 不同降溫速率冷凍處理南果梨SSC定量模型的建立

為研究不同的降溫速率對光譜建立模型的影響，采用與2.1中相同的預處理方式，選用新鮮組1～15號、1℃/min組21～35號、3℃/min組41～55號、5℃/min組61～75號南果梨共60個樣本作為校正集樣本，新鮮組16～20號、1℃/min組36～40號、3℃/min組56～60號、5℃/min組76～80號南果梨共20個樣本作為驗證集樣本進行建模對比分析。

表2為經過不同降溫速率冷凍處理的80個南果梨的可溶性固形物指標統(tǒng)計分析結果。

表2 南果梨可溶性固形物含量Table 2 Nanguo pear soluble solids content °Brix

由表2可得，經不同降溫速率處理后，可溶性固形物含量平均值差別不明顯，新鮮組標準偏差最小，1℃/min組標準偏差最大。

圖3為新鮮組、1℃/min組、3℃/min組、5℃/min組共80個樣品的SSC的PLS模型校正集和驗證集結果。

圖3 南果梨SSC的PLS預測結果Fig.3 Prediction results of SSC of pears using PLS

由圖3可以看出，S-G-SNV預處理校正集模型的相關系數大于0.81，但驗證集的相關系數只有0.76，低于0.81，說明此組合預處理方式下，模型的預測能力欠佳。MSC預處理后的校正集相關系數和預測集相關系數均大于0.81，能夠預測結果。經過MSC預處理后建立的模型校正集和驗證集的可溶性固形物含量實測值與預測值均勻、集中分布在回歸線兩側，說明模型可以實現對未知樣品的預測，且預測精度也較高。

2.3 不同保溫時間冷凍處理南果梨SSC定量模型的建立

研究不同保溫時間對光譜建立模型的影響，設定其他條件與2.1相同。選用新鮮組1～15號、30 min組21～35號、45 min組41～55號、60 min組61～75號南果梨共60個樣本作為校正集樣本，新鮮組16～20號、30 min組36～40號、45 min組56～60號、60 min組76～80號南果梨共20個樣本作為驗證集樣本進行建模對比分析。

表3為經過不同保溫時間冷凍處理的80個南果梨的可溶性固形物指標統(tǒng)計分析結果。

表3 南果梨可溶性固形物含量Table 3 Nanguo pear soluble solids content °Brix

由表3可以得出，經不同保溫時間處理后，可溶性固形物含量隨著保溫時間的延長而增加，標準偏差隨保溫時間的延長而減小。

圖4是新鮮組、30 min組、45 min組及60 min組冷凍處理的南果梨SSC的PLS模型校正集和驗證集結果。

由圖4可以看出，校正集的相關系數均大于0.81，預處理后的模型具有更好的性能和更好的預測能力。經過SNV處理的高光譜，樣品的實際測量值與預測值均能較好地集中分布在回歸線兩側，說明不同保溫時間下，光譜經SNV預處理后建立的模型最好。

圖4 南果梨SSC的PLS預測結果Fig.4 Prediction results of SSC of pears using PLS

2.4 不同臨界溫度冷凍處理南果梨SSC定量模型的建立

研究不同的臨界溫度對光譜建立模型的影響，設定其他條件與2.1相同。選用新鮮組1～15號、-10℃組21～35號、-20℃組41～55號、-30℃組61～75號南果梨共60個樣本作為校正集樣本，新鮮組16～20號、-10℃組36～40號、-20℃組56～60號、-30℃組76～80號南果梨共20個樣本作為驗證集樣本進行建模對比分析。

表4為經過不同臨界溫度冷凍處理的80個南果梨的可溶性固形物指標統(tǒng)計分析結果。

由表4可知，經不同臨界溫度處理后，可溶性固形物含量平均值隨著溫度的降低而降低，標準偏差隨溫度的降低而增加。

表4 南果梨可溶性固形物含量Table 4 Nanguo pear soluble solids content °Brix

圖5是新鮮組、-10℃組、-20℃組、-30℃組冷凍處理的南果梨SSC的PLS模型校正集和驗證集結果。

由圖5可以看出，不同的預處理方法結合偏最小二乘法建立的模型性能大致相同，具有良好的預測能力，S-G-SNV預處理結合PLS方法建立的模型相對最優(yōu)。測量值和預測值均勻地集中在回歸線的兩側，說明該模型能夠很好地預測未知樣本的可溶性固形物值，并且均方根誤差的差異很小。

圖5 南果梨SSC的PLS預測結果Fig.5 Prediction results of SSC of pears using PLS

3 結論

采用不同的光譜預處理方法（多元散射校正、標準正態(tài)變量交換、平滑-標準正態(tài)變量交換、平滑-多元散射校正）并結合競爭性自適應重加權算法（CARS）所選識別的特征光譜，通過偏最小二乘法建立南果梨不同冷凍-復溫策略下獲得的可溶性固形物模型。結果表明：南果梨不同循環(huán)次數下采用S-G-MSC預處理建立PLS模型最優(yōu)，預測能力較好；不同降溫速率下，經過MSC預處理、CARS選取特征波長后，利用PLS建模分析效果最好，穩(wěn)定性最高；不同保溫時間下，經SNV預處理后結合PLS所建模型預測精度最好；不同臨界溫度下，經S-G-SNV預處理后結合偏最小二乘法建立模型對未知樣品的預測能力最佳。