金誠謙，郭 榛，張 靜，馬成業(yè)，唐小涵，趙 男，印 祥

1.山東理工大學(xué)農(nóng)業(yè)工程與食品科學(xué)學(xué)院，山東 淄博 255000 2.農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機械化研究所，江蘇 南京 210000

引 言

大豆是我國重要的糧食作物和經(jīng)濟作物，其品質(zhì)檢測一直是研究的焦點。大豆籽粒種皮薄，發(fā)芽孔大，吸濕返潮后，體積膨脹，極易生霉，含水量直接影響大豆的貯藏期。因此入庫時要嚴格控制水分，長期貯藏水分不能超過12%。此外，在育種過程中，水分含量影響大豆種子活力，控制和檢測大豆水分含量是保證種子質(zhì)量的重要環(huán)節(jié)[1]。常用的水分檢測方法有105 ℃恒重法、真空干燥法、定溫定時烘干法和化學(xué)法等，這些方法檢測精度和準確度較高，但其操作過程繁瑣且費時，破壞樣品，浪費優(yōu)質(zhì)種質(zhì)資源，不適用于大規(guī)模無損檢測。

高光譜成像技術(shù)結(jié)合了光譜技術(shù)和成像技術(shù)的優(yōu)點，可以對多個目標同時進行無損檢測，實現(xiàn)物質(zhì)成分含量可視化，有著連續(xù)波段多、光譜分辨率高、“圖譜合一”的優(yōu)點，滿足了快速無損檢測的需求。近年來廣泛應(yīng)用于茶葉病害侵染和水分含量等品質(zhì)檢測[2-4]、魚類和肉類品質(zhì)指標的檢測[5-6]、小麥籽粒蛋白質(zhì)含量檢測[7]等。Nicola等[8]使用高光譜成像技術(shù)檢測單?？Х榷顾趾椭|(zhì)含量，并使水分和脂質(zhì)含量分布可視化。Xu等[9]采集單粒黃瓜種子在400～1 000和1 050～2 500 nm范圍內(nèi)的高光譜圖像，分別基于兩個波段預(yù)測單粒黃瓜種子水分含量并進行可視化分析，發(fā)現(xiàn)在1 000～2 500 nm范圍內(nèi)對水分含量預(yù)測效果較好。Jennyfer等[10]在900～1 700 nm波段實現(xiàn)單?；ㄉ实乃趾繖z測及可視化研究，但只采用了加權(quán)回歸系數(shù)法提取特征波長。Wang等[11]采集單個玉米籽粒胚和胚乳兩側(cè)的高光譜圖像，建立的CARS-SPA-LS_SVM模型Rpre值為0.931 1，表明高光譜成像技術(shù)可以快速無損檢測玉米籽粒中的水分含量。朱潔等[12]預(yù)測單粒小麥水分含量，并將單粒小麥水分含量可視化。相關(guān)研究表明，高光譜成像技術(shù)可以實現(xiàn)作物種子水分含量檢測及可視化，目前未見高光譜成像技術(shù)檢測大豆水分含量的相關(guān)報道。

本工作以96個品種的大豆為研究對象，利用高光譜成像技術(shù)結(jié)合化學(xué)計量學(xué)方法建立并尋找最優(yōu)預(yù)測模型，在900～2 500 nm 范圍檢測大豆水分含量并進行可視化研究，為大豆收獲、貯藏加工過程中水分含量檢測提供新的方法。

1 實驗部分

1.1 大豆種子樣本及樣本水分含量測定

試驗所用的大豆來自黑龍江龍科種業(yè)公司、遼寧東亞種業(yè)公司和臨沂河?xùn)|區(qū)試驗農(nóng)場等，包括黑農(nóng)84、綏農(nóng)88、沈農(nóng)8、東豆1133、中黃37、徐豆20等96個不同品種。每個品種取100g樣品分別放置在培養(yǎng)皿中，在實驗室靜置72h后采集高光譜圖像，隨后按照GB 5009.3—2016《食品安全國家標準食品中水分的測定》中的直接干燥法測量每個品種大豆樣品的水分含量。每個品種測量三次，取平均值作為該品種大豆的水分含量。

1.2 高光譜成像系統(tǒng)

光譜采集儀器為近紅外高光譜成像系統(tǒng)(中國臺灣五鈴光學(xué)，HSI-eSWIR-900～2 500 nm)，101-0E型電熱鼓風(fēng)干燥箱。

近紅外高光譜成像系統(tǒng)由900～2 500 nm線掃式近紅外光譜儀(芬蘭Specim，N25E-SWIR)、900～2 500 nm CCD相機鏡頭(品牌：芬蘭Specim，OLES30)、900～2 500 nm雙分支鹵素?zé)艄庠?中國臺灣五鈴光學(xué)，IRCP0078-1COMB)、暗箱、計算機等構(gòu)成。

1.3 黑白標定

為了減小暗電流以及光源強度不均勻?qū)Ω吖庾V圖像的影響，需要對高光譜圖像進行黑白校正[13]。將與樣品等高且反射率為0.99的白板(芬蘭Specim公司)置于樣品采集區(qū)域，采集的圖像作為白板標定圖像，記為Iw；蓋上CCD相機鏡頭蓋，采集的圖像作為黑板標定圖像，記為Id。大豆高光譜圖像黑白校正公式如式(1)所示

(1)

式(1)中，RT為校正后的樣品圖像，I為原始樣品圖像。

1.4 光譜采集及ROI提取

樣本掃描時，曝光時間為2.9 ms，位移平臺移動速度為15.34 mm·s-1，焦距為30.7 mm，相機分辨率為384×288，光源入射角度為45°。

采用高光譜成像系統(tǒng)自帶的HSI Analyzer光譜分析軟件提取高光譜圖像感興趣區(qū)域(region of interest，ROI)，選取半徑為200像素的圓形區(qū)域為ROI，提取ROI平均光譜作為樣本光譜信息。

2 結(jié)果與討論

2.1 樣本劃分

采用SPXY(sample set partitioning based on joint X-Y distance)算法將樣本按照3∶1的比例劃分為校正集和預(yù)測集[14]。樣本水分含量如表1所示，校正集樣品水分含量范圍涵蓋了預(yù)測集范圍，說明樣本集劃分合理。

表1 大豆樣品水分含量

2.2 原始光譜及光譜預(yù)處理

圖1是大豆樣品光譜反射率曲線，1 210 nm附近明顯的反射率波谷是有機物中C—H鍵的二級倍頻振動帶；1 450 nm處反射率波谷與O—H鍵倍頻振動有關(guān)，1 940 nm表現(xiàn)O—H鍵的合頻特性，都是水分含量的特征譜帶。原始光譜包含背景信息和噪聲，在938 nm之前和2 215 nm之后的光譜數(shù)據(jù)無法提供有效的樣本信息[15]。故保留938～2 215 nm共216個光譜帶作為建模數(shù)據(jù)，帶間距為5.6 nm。

圖1 光譜反射曲線

表2 不同預(yù)處理方法PLSR模型

2.3 特征波長選取

保留的216個光譜帶中仍然包含大量冗余信息，為了提高建模速度和模型魯棒性，需要對光譜數(shù)據(jù)進行壓縮，提取特征波長[17]。應(yīng)用連續(xù)投影算法[18](successive projections algorithm，SPA)、競爭性自適應(yīng)加權(quán)算法[19](competitive adaptive reweighted sampling，CARS)、無信息消除變量法(uniformative variable elimination，UVE)分別提取特征波長。

2.3.1 連續(xù)投影算法(SPA)

SPA篩選出14個特征波長，占總波長的6.5%，這14個波長分別為1 001，1 296，1 377，1 452，1 575，1 726，1 867，1 896，1 930，1 952，1 986，2 052，2 127和2 185 nm。圖2為SPA篩選出的14個波長。

圖2 SPA篩選特征波長

2.3.2 競爭性自適應(yīng)加權(quán)算法(CARS)

圖3(a)顯示隨著采樣次數(shù)增加，CARS篩選得到的變量數(shù)逐漸減少，且變量數(shù)變化的趨勢為迅速減小到趨于平緩；圖3(b)顯示篩選過程中交互驗證錯誤率的變化趨勢：交互驗證錯誤率平穩(wěn)下降到最低點后曲折上升，并在采樣次數(shù)為28次時，交互驗證的RMSECV值最小，模型的穩(wěn)定性最好；圖3(c)為各變量在采樣過程中回歸系數(shù)的變化路徑。經(jīng)CARS篩選得到16個特征波長，分別為：1 308，1 358，1 390，1 483，1 672，1 678，1 962，1 779，1 832，1 861，1 941，2 019，2 025，2 122，2 133和2 138 nm，占總波長的7.4%。

圖3 CARS篩選過程

(a): Variation trend of the number of variables with the number of samples;(b): RMSECV;(c): The change process of regression coefficient of each variable with sampling times(The blue line represents the position with the lowest RMSECV)

2.3.3 無信息消除變量法(UVE)

UVE篩選特征波長，當潛在變量設(shè)為13時，PLSR模型的RMSECV值最小，為0.327。圖4中，豎虛線左右分別有216個波長變量，左側(cè)為216個輸入變量穩(wěn)定性C分布曲線，右側(cè)為UVE產(chǎn)生的216個隨機變量穩(wěn)定性C分布曲線；兩條水平虛線為變量選擇閾值的上下限，虛線外對應(yīng)變量為篩選出的29個特征波長：976，982，988，994，1 001，1 096，1 076，1 082，1 089，1 227，1 233，1 239，1 246，1 346，1 352，1 358，1 365，1 371，1 377，1 396，1 402，1 408，1 415，1 421，1 427，1 433，1 439，1 446和1 452 nm，占總波長的13.4%。

圖4 UVE-PLSR模型的穩(wěn)定性分布曲線

2.4 模型的優(yōu)選

對938～2 215 nm波段光譜建立PLSR，PCP和SVMR模型。將預(yù)測集均方根誤差RMSEP值作為評價模型預(yù)測效果的指標，RMSEP值越低說明預(yù)測效果越好。其中，PCR模型RMSEP和RMSECV值較低，說明基于938～2 215 nm波段光譜建立的PCR模型預(yù)測效果和穩(wěn)定性較好。

為了提高建模速度和模型魯棒性。分別對SPA，CARS和UVE三種算法篩選出來的14，16和29個特征波長建立PLSR，PCR和SVMR模型。如表3所示，SPA算法篩選出的特征波長建立的PLSR，PCR和SVMR模型較938～2 215 nm波段光譜建立的三種模型，RMSEP值均有所降低，而CARS和UVE算法對模型預(yù)測效果提升并不明顯甚至?xí)档皖A(yù)測效果，但也有效降低了光譜維度?；谔卣鞑ㄩL建立的模型中，SPA-PLSR和SPA-PCR模型RMSEP值較低，均為0.262，說明SPA算法篩選的特征波長建模預(yù)測效果較好，這可能是由于SPA算法能有效降低光譜共線性。

表3 基于不同預(yù)處理方法及特征波長篩選方法建立的模型效果

將Normalize方法與SPA-PLSR和SPA-PCR模型結(jié)合，發(fā)現(xiàn)模型的RMSEP值降低，經(jīng)預(yù)處理后模型的預(yù)測效果進一步提升。兩種模型相比較，RMSEP值相同，但Normalize-SPA-PCR模型的RMSECV值較低，說明Normalize-SPA-PCR模型比Normalize-SPA-PLSR模型更穩(wěn)定。將Normalize-SPA-PCR模型更適合用于大豆水分含量可視化預(yù)測。

2.5 大豆水分含量可視化分析

在大豆收獲和加工儲藏過程中無法用肉眼直接判斷水分含量，而利用預(yù)測模型可以計算出高光譜圖像上的每一個像素點的水分含量預(yù)測值，得到灰度圖像，然后對灰度圖像進行偽彩色變換，得到大豆水分含量可視化圖。

圖5是Normalize-SPA-PCR模型預(yù)測得到的大豆水分含量可視化圖，顏色梯度條由下向上代表大豆水分含量由低變高，范圍為0～12%。圖5為從預(yù)測集挑選的4個品種大豆水分含量可視化圖，4個大豆品種按照平均水分含量高低進行排列，其中，(a)為華豆2號的水分含量可視化圖，水分含量為10.40%；(b)為墾豆40的水分含量可視化圖，水分含量為9.39%；(c)為皖豆701的水分含量可視化圖，水分含量為7.13%；(d)為皖豆34的水分含量可視化圖，水分含量為6.46%。由圖5可知，不同品種大豆對應(yīng)的水分含量可視化圖顏色不同，4幅圖像顏色差異十分明顯；同一圖像內(nèi)不同大豆的顏色也有差異，但顏色差異較小。對預(yù)測集24個品種的大豆高光譜圖像進行可視化處理，結(jié)果表明大豆水分含量不同對應(yīng)圖像顏色不同，水分含量變化對應(yīng)圖像顏色變化較為明顯，通過圖像顏色變化可以判斷大豆水分含量范圍。

圖5 大豆水分含量可視化圖

實驗表明高光譜成像技術(shù)可以有效實現(xiàn)大豆水分含量可視化檢測，與傳統(tǒng)的水分測量方法相比，有著無損、快捷、準確的優(yōu)點，并且可以得到大豆水分含量可視化圖，為大豆的收獲、儲藏和加工提供了技術(shù)支持。

3 結(jié) 論

(2)采用SPA，CARS和UVE三種方法提取特征波長特征波長個數(shù)分別為14，16和29個，占光譜數(shù)據(jù)的6.5%，7.4%和13.4%，有效的降低了光譜維度。

(4)對預(yù)測集24個高光譜圖像進行可視化處理，不同水分含量大豆的可視化圖像顏色不同，水分含量變化對應(yīng)的顏色變化也較為明顯，通過圖像顏色變化判斷大豆水分含量范圍。