孟慶龍，馮樹(shù)南，譚濤，尚靜，黃人帥，曹森*

（1.貴陽(yáng)學(xué)院食品與制藥工程學(xué)院，貴州 貴陽(yáng) 550005；2.貴陽(yáng)學(xué)院農(nóng)產(chǎn)品無(wú)損檢測(cè)工程研究中心，貴州 貴陽(yáng) 550005）

開(kāi)陽(yáng)富硒枇杷富含微量元素硒，有助于增強(qiáng)人體的免疫力，其果皮及果肉均顯橙黃色，具有獨(dú)特的口感以及豐富的營(yíng)養(yǎng)價(jià)值，被稱(chēng)為貴州枇杷王[1]。枇杷糖度是衡量其內(nèi)部品質(zhì)的重要指標(biāo)之一，枇杷糖度傳統(tǒng)的測(cè)定方法是利用折射儀測(cè)定，然而該方法存在耗費(fèi)時(shí)間、破壞樣本，以及難以實(shí)現(xiàn)大規(guī)模檢測(cè)等缺點(diǎn)[2]。因此，開(kāi)展枇杷糖度的快速檢測(cè)研究對(duì)其品質(zhì)快速分級(jí)以及銷(xiāo)售等具有非常重要的指導(dǎo)意義。

基于光譜原理的快速無(wú)損檢測(cè)技術(shù)因具有檢測(cè)速度快、不破壞樣本等優(yōu)勢(shì)，受到國(guó)內(nèi)外科研學(xué)者的關(guān)注。近年來(lái)，該技術(shù)已被廣泛地應(yīng)用于水果內(nèi)、外部品質(zhì)的檢測(cè)領(lǐng)域[3-9]。目前，國(guó)內(nèi)外科研學(xué)者已研究了關(guān)于櫻桃[10]、橙子[4，11]、獼猴桃[2，5，12]、蘋(píng)果[13-14]、桃[6，15]、李子[16]、梨[17-18]以及藍(lán)莓[19]等水果糖度的快速無(wú)損檢測(cè)，并取得了較好的成果。Hu等[20]無(wú)損檢測(cè)了1-甲基環(huán)丙烯（1-methylcyclopropene，1-MCP）對(duì)“海沃德”獼猴桃中不同糖分含量積累的誘導(dǎo)機(jī)制。高升等[21]基于可見(jiàn)/近紅外透射光譜技術(shù)無(wú)損檢測(cè)了紅提糖度，得出采用最小二乘支持向量機(jī)所建模型的效果好，但模型的運(yùn)算時(shí)間較長(zhǎng)；對(duì)于采用偏最小二乘回歸所建模型的運(yùn)算時(shí)間較短，但模型的預(yù)測(cè)性能較差。光譜技術(shù)在水果內(nèi)、外部品質(zhì)快速無(wú)損檢測(cè)的應(yīng)用中，面臨的主要瓶頸是數(shù)據(jù)冗余，這嚴(yán)重影響了檢測(cè)模型的運(yùn)算效率。實(shí)現(xiàn)水果內(nèi)、外部品質(zhì)的無(wú)損檢測(cè)，亟需建立簡(jiǎn)化的檢測(cè)模型，而且采用光譜技術(shù)以及反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)枇杷糖度的快速無(wú)損檢測(cè)研究也未見(jiàn)報(bào)道。

本文使用紫外/可見(jiàn)光纖光譜儀獲取開(kāi)陽(yáng)枇杷的反射光譜；利用標(biāo)準(zhǔn)正態(tài)變換（standard normal variation，SNV）以及多元散射校正（multi-scatter calibration，MSC）預(yù)處理原始的反射光譜，選取較優(yōu)的預(yù)處理方法，應(yīng)用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（competitive adaptive reweighted sampling，CARS）、連續(xù)投影算法（successive projection algorithm，SPA）以及SPA+CARS 3種方法分別篩選特征變量，構(gòu)建簡(jiǎn)化的BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型，依據(jù)模型的剩余預(yù)測(cè)偏差確定相對(duì)較優(yōu)的開(kāi)陽(yáng)枇杷糖度快速無(wú)損檢測(cè)模型，為研發(fā)開(kāi)陽(yáng)枇杷糖度的快速無(wú)損檢測(cè)裝備提供參考。

1 材料與方法

1.1 試驗(yàn)材料

開(kāi)陽(yáng)富硒枇杷于2021年5月23日采摘自貴州省貴陽(yáng)市開(kāi)陽(yáng)縣禾豐鄉(xiāng)枇杷果園。為使樣品具有代表性，從不同的果樹(shù)上隨機(jī)挑選出120個(gè)無(wú)病蟲(chóng)害且無(wú)表面損傷的枇杷樣品。枇杷樣品采摘后馬上運(yùn)送至貴州省農(nóng)產(chǎn)品無(wú)損檢測(cè)工程研究中心實(shí)驗(yàn)室，并在（22±2）℃條件下進(jìn)行試驗(yàn)。試驗(yàn)前先用軟紙輕輕擦掉枇杷表面的雜物，對(duì)其依次編號(hào)后進(jìn)行反射光譜采集以及糖度的測(cè)定。

1.2 試驗(yàn)儀器

折射儀（ATAGO PAL-α）：日本 Atago公司；光纖光譜儀（QEPro）：蔚海光學(xué)儀器（上海）有限公司。

1.3 試驗(yàn)方法

1.3.1 反射光譜采集

反射光譜采集前，利用適配器將反射探頭安裝在支架上，反射探頭離枇杷表面大約1cm。試驗(yàn)依據(jù)標(biāo)準(zhǔn)反射白板的光譜強(qiáng)度，通過(guò)調(diào)整積分時(shí)間等參數(shù)，使采集到白板的反射率接近于100%。光譜儀的積分時(shí)間為110 ms，掃描平均次數(shù)為8次，滑動(dòng)平均寬度為1。同時(shí)，確保采集枇杷反射光譜時(shí)的參數(shù)保持不變。

將標(biāo)記好的枇杷樣本緊靠在反射探頭支架上，每個(gè)枇杷樣本分A、B兩面，每面分別采集3次（靠近花萼部位、靠近赤道部位、靠近果梗部位），最終計(jì)算6次采集到反射率的平均值，作為該枇杷樣本原始的反射光譜。

1.3.2 糖度的測(cè)定

獲取完所有枇杷樣本的反射光譜后，立即進(jìn)行枇杷糖度的測(cè)定。參照NY/T 2637—2014《水果和蔬菜可溶性固形物含量的測(cè)定折射儀法》的方法，分別將每個(gè)枇杷樣本A、B兩面的果肉壓成汁，隨后使用一次性滴管將果汁滴到折射儀的檢測(cè)凹槽中，讀出糖度的參考值。每個(gè)枇杷樣本以A、B兩面測(cè)定結(jié)果的算術(shù)平均值作為該枇杷樣本的糖度參考值。

1.3.3 光譜處理及模型評(píng)價(jià)

1.3.3.1 光譜預(yù)處理及特征變量篩選

試驗(yàn)采用SNV和MSC預(yù)處理原始的反射光譜數(shù)據(jù)，以消除原始的反射光譜中的噪聲信號(hào)，探究相對(duì)較優(yōu)預(yù)處理方法。應(yīng)用CARS以及SPA篩選特征變量。其中CARS應(yīng)用五折交叉驗(yàn)證篩選出n個(gè)偏最小二乘模型的交叉驗(yàn)證均方根誤差（root mean squares errors for cross validation，RMSECV）最小的子集，最終將這些子集確定為相對(duì)較優(yōu)的特征變量[17]。而SPA依據(jù)均方根誤差（root mean squares errors，RMSE）來(lái)確定相對(duì)較優(yōu)的特征變量。

1.3.3.2 建模方法及模型評(píng)價(jià)方法

試驗(yàn)采用BP神經(jīng)網(wǎng)絡(luò)分別建立基于全光譜以及特征變量的開(kāi)陽(yáng)枇杷糖度無(wú)損檢測(cè)模型，BP神經(jīng)網(wǎng)絡(luò)是當(dāng)前應(yīng)用很廣泛的一種人工神經(jīng)網(wǎng)絡(luò)模型[22]。

將建模集和預(yù)測(cè)集的相關(guān)系數(shù)（rc）和（rp），建模集的均方根誤差（root mean squares errors for calibration，RMSEC）和預(yù)測(cè)集的均方根誤差（root mean squares errors for prediction，RMSEP），以及剩余預(yù)測(cè)偏差（residual predictive deviation，RPD）作為衡量模型優(yōu)劣的主要指標(biāo)。若RPD＜1.4，證明構(gòu)建的檢測(cè)模型無(wú)法完成預(yù)測(cè)；1.4≤RPD＜1.8，則模型僅可粗略地預(yù)測(cè)；1.8≤RPD＜2.0，證明檢測(cè)模型可以完成相對(duì)較好的預(yù)測(cè)；RPD≥2，證明模型可以較好地完成預(yù)測(cè)[23]，RPD的計(jì)算公式如下。

式中：SD為預(yù)測(cè)集中枇杷樣本糖度值的標(biāo)準(zhǔn)偏差（standard deviation，SD）。

2 結(jié)果與分析

2.1 糖度統(tǒng)計(jì)分析

在建立無(wú)損檢測(cè)模型前，先基于反射光譜以及糖度參考值將所有枇杷樣本劃分為建模集和預(yù)測(cè)集，樣本集劃分優(yōu)劣的評(píng)判標(biāo)準(zhǔn)是建模集中參考值范圍是否比預(yù)測(cè)集的范圍寬。本文應(yīng)用光譜-理化值共生距離方法[24]將120個(gè)枇杷樣本依照3∶1的比例劃分為90個(gè)建模集以及30個(gè)預(yù)測(cè)集。其中，建模集中枇杷糖度的范圍（8.50%～13.80%）比預(yù)測(cè)集中的范圍（9.30%～13.70%）寬，這樣劃分的樣本集有助于后期構(gòu)建相對(duì)較好的無(wú)損檢測(cè)模型。建模集以及預(yù)測(cè)集中枇杷糖度的頻率分布圖見(jiàn)圖1。

圖1 枇杷糖度頻率分布圖Fig.1 Probability distribution of loquat sugar content

2.2 光譜預(yù)處理

選擇360 nm～1 000 nm波段作為有效原始光譜區(qū)域，該區(qū)域總共包含了835個(gè)波段。由于原始反射光譜中包含一些噪聲，為提高枇杷糖度無(wú)損檢測(cè)模型的精準(zhǔn)度及穩(wěn)定性，分別運(yùn)用SNV以及MSC對(duì)原始的反射光譜進(jìn)行預(yù)處理。所有枇杷的原始的反射光譜以及經(jīng)過(guò)SNV、MSC預(yù)處理后的相對(duì)反射光譜見(jiàn)圖2。

圖2 枇杷的反射光譜Fig.2 Reflectance spectra of loquat

由圖2可知，預(yù)處理后的反射光譜曲線(xiàn)要比原始反射光譜曲線(xiàn)平滑，說(shuō)明對(duì)原始反射光譜進(jìn)行預(yù)處理去掉了部分噪聲以及背景干擾信息。為進(jìn)一步分析比較SNV以及MSC兩種方法預(yù)處理原始的反射光譜效果，分別將原始的反射光譜（original reflectance spectra，ORR）以及經(jīng)過(guò)SNV和MSC預(yù)處理后的相對(duì)反射光譜輸入BP神經(jīng)網(wǎng)絡(luò)模型中，構(gòu)建枇杷糖度無(wú)損檢測(cè)模型，建模結(jié)果見(jiàn)表1。

表1 基于兩種預(yù)處理方法的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)枇杷糖度的檢測(cè)結(jié)果Table 1 Detection results of loquat sugar content by BP neural network model based on the two preprocessed methods

由表1可知，基于兩種方法構(gòu)建的無(wú)損檢測(cè)模型的性能均優(yōu)于原始的反射光譜，而且經(jīng)SNV預(yù)處理后建立的BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型具有相對(duì)較大的rc（0.85）、rp（0.83）和RPD（1.73）以及較小的RMESC（0.72%）和RMSEP（0.79%），說(shuō)明SNV預(yù)處理方法相對(duì)較好，因此本文應(yīng)用SNV預(yù)處理原始的反射光譜。

2.3 特征變量篩選

2.3.1 采用SPA篩選特征變量

應(yīng)用SPA篩選特征變量時(shí)，依據(jù)RMSE來(lái)確定相對(duì)較優(yōu)的特征變量。SPA篩選特征變量的結(jié)果見(jiàn)圖3。

圖3 SPA篩選特征變量的結(jié)果Fig.3 Characteristic variables selected by successive projection algorithm（SPA）

由圖3（a）可知，有效變量數(shù)小于5時(shí)，RMSE隨著有效變量數(shù)的增加而下降，然而有效變量數(shù)大于5時(shí)，RMSE減小的趨勢(shì)不明顯，因此將這5個(gè)變量（占總變量的0.59%）作為特征變量，圖3（b）即為篩選出的5個(gè)特征變量。

2.3.2 采用CARS篩選特征變量

應(yīng)用CARS篩選特征變量時(shí)，應(yīng)用五折交叉驗(yàn)證方法計(jì)算所構(gòu)建的偏最小二乘模型的RMSECV（蒙特卡洛采樣次數(shù)：50），相對(duì)較優(yōu)的特征變量通過(guò)RMSECV的最小值來(lái)確定。CARS篩選特征變量的結(jié)果見(jiàn)圖4。

圖4 CARS篩選特征變量的結(jié)果Fig.4 Characteristic variables selected by competitive adaptive reweighted sampling（CARS）

由圖4（a）可知，第24次采樣獲得的RMSECV值最小（0.67），該變量集包括了49個(gè)特征變量（占總變量的5.87%），圖4（b）即為篩選的49個(gè)特征變量。為進(jìn)一步探究SPA+CARS篩選的特征變量對(duì)BP神經(jīng)網(wǎng)絡(luò)模型檢測(cè)性能的影響，將SPA篩選的5個(gè)特征變量以及CARS篩選的49個(gè)特征變量組合在一起，剔除重合的1個(gè)特征變量，構(gòu)成新的特征變量（包含53個(gè)特征變量，占總變量的6.34%）。SPA+CARS組合篩選的特征變量分布情況見(jiàn)圖5。

圖5 SPA+CARS篩選的特征變量Fig.5 Characteristic variables selected by SPA+CARS

2.4 基于特征變量的建模結(jié)果

將全光譜（full spectra，F(xiàn)S）以及應(yīng)用SPA、CARS和SPA+CARS篩選的特征變量作為自變量，建模集以及預(yù)測(cè)集中枇杷糖度參考值作為因變量，建立預(yù)測(cè)開(kāi)陽(yáng)枇杷糖度BP神經(jīng)網(wǎng)絡(luò)無(wú)損檢測(cè)模型?；谔卣髯兞繕?gòu)建的BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型對(duì)開(kāi)陽(yáng)枇杷糖度的預(yù)測(cè)結(jié)果見(jiàn)表2。

表2 基于特征變量構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型對(duì)枇杷糖度的預(yù)測(cè)結(jié)果Table 2 Detection results of loquat sugar content by BP neural network model based on the characteristic spectra

由表2可知，基于全光譜和SPA篩選的特征變量構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型僅可粗略地預(yù)測(cè)枇杷糖度，其RPD值分別為1.73和1.76。而基于CARS篩選的特征變量構(gòu)建的CARS-BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型具有相對(duì)較大的rc（0.92）和rp（0.91）以及較小的RMSEC（0.55%）和RMSEP（0.56%），且 RPD 值（2.42）大于2，表明構(gòu)建的CARS-BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型具有較好的預(yù)測(cè)性能。同時(shí)采用CARS從835個(gè)全變量中篩選出了49個(gè)特征變量，占總變量的5.87%，大大提高了模型的運(yùn)算效率。另外，基于SPA+CARS篩選的特征變量構(gòu)建的檢測(cè)模型的RPD值為2.33，相對(duì)于CARSBP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型，并沒(méi)有提升BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)性能。綜上所述，CARS算法是一種較好的變量篩選方法，與文獻(xiàn)[17]報(bào)道一致，而且構(gòu)建的CARSBP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)檢測(cè)開(kāi)陽(yáng)枇杷糖度具有較好的檢測(cè)能力，且運(yùn)算效率得到了明顯提升。CARSBP神經(jīng)網(wǎng)絡(luò)無(wú)損檢測(cè)模型對(duì)開(kāi)陽(yáng)枇杷糖度的檢測(cè)結(jié)果見(jiàn)圖6。

圖6 枇杷糖度的實(shí)測(cè)值與預(yù)測(cè)值Fig.6 Measured and predicted values of loquat sugar content

3 結(jié)論

本研究以開(kāi)陽(yáng)富硒枇杷為研究對(duì)象，采用紫外/可見(jiàn)光纖光譜儀采集開(kāi)陽(yáng)枇杷的反射光譜，探究比較了兩種方法（SNV和MSC）對(duì)原始的反射光譜的預(yù)處理效果，得出經(jīng)SNV預(yù)處理后建立的BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型具有較大的rc（0.85）、rp（0.83）和RPD（1.73）以及較小的RMESC（0.72%）和RMSEP（0.79%），說(shuō)明 SNV預(yù)處理效果相比于MSC較好；應(yīng)用SPA、CARS以及SPA+CARS分別篩選特征變量，進(jìn)而基于篩選的特征變量構(gòu)建了預(yù)測(cè)開(kāi)陽(yáng)枇杷糖度的BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型，得出采用CARS從835個(gè)全光譜中篩選了49個(gè)特征變量，不僅很好地提高了檢測(cè)模型的運(yùn)算效率，而且基于CARS篩選的特征變量構(gòu)建的CARS-BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型具有相對(duì)較大的rc（0.92）、rp（0.91）以及較小的RMSEC（0.55%）、RMSEP（0.56%），RPD 值（2.42）大于2，表明構(gòu)建的CARS-BP神經(jīng)網(wǎng)絡(luò)檢測(cè)模型具有較好的預(yù)測(cè)性能。為研發(fā)開(kāi)陽(yáng)枇杷糖度快速無(wú)損檢測(cè)裝備奠定較好的理論基礎(chǔ)。