曾明飛，朱玉杰，馮國(guó)紅，朱金艷，劉思岐

(東北林業(yè)大學(xué) 工程技術(shù)學(xué)院，黑龍江 哈爾濱，150040)

藍(lán)莓，一種藍(lán)色小漿果，歸屬于杜鵑花科越橘屬，有漿果之王的美譽(yù)[1]。其酸甜可口，風(fēng)味獨(dú)特，并且營(yíng)養(yǎng)豐富，富含維生素C、花青素和多種人體所需礦物質(zhì)。藍(lán)莓鮮果自身含水量大，容易受到擠壓等損傷，且集中成熟于6～8月的多雨高溫時(shí)節(jié)，果實(shí)采后極其不易保存、容易失水干皺和腐爛。隨著貯藏時(shí)間的延長(zhǎng)以及新鮮程度的快速變化，其品質(zhì)也會(huì)發(fā)生快速改變。對(duì)藍(lán)莓的新鮮度進(jìn)行快速準(zhǔn)確評(píng)價(jià)可以更好地為之品質(zhì)分級(jí)，判斷何時(shí)將其制成果醬、含片以及提取化合物等加工品提供參考，以更好提高其利用價(jià)值。

傳統(tǒng)對(duì)于藍(lán)莓新鮮度分級(jí)評(píng)價(jià)主要依靠人工感官評(píng)定，不僅費(fèi)時(shí)費(fèi)力且效果因人而異?？梢?jiàn)/近紅外光譜技術(shù)憑借分析速度快、成本低、無(wú)污染等優(yōu)點(diǎn)，在食品快速無(wú)損檢測(cè)中被廣泛應(yīng)用。其結(jié)合化學(xué)計(jì)量學(xué)方法在物質(zhì)含量預(yù)測(cè)[2]、食品品質(zhì)檢驗(yàn)[3]等當(dāng)面多有研究。對(duì)于藍(lán)莓無(wú)損檢測(cè)而言，目前國(guó)內(nèi)外已經(jīng)基于近紅外光譜技術(shù)實(shí)現(xiàn)了對(duì)其硬度[4]、可溶性固形物[5]、花青素[6]和總酚[7]的無(wú)損檢測(cè)，但以往對(duì)藍(lán)莓的研究主要是針對(duì)個(gè)別指標(biāo)預(yù)測(cè)，尚缺乏對(duì)新鮮度這一綜合指標(biāo)的研究。不少學(xué)者利用光譜無(wú)損檢測(cè)技術(shù)對(duì)肉質(zhì)品[8]、水產(chǎn)品[9]和蛋類(lèi)[10]的新鮮度進(jìn)行了分析，但對(duì)果蔬尤其是藍(lán)莓的新鮮度研究還較少，主要原因是對(duì)于果蔬類(lèi)樣本的新鮮度判定仍缺乏明確的行業(yè)標(biāo)準(zhǔn)，其中李昆[11]采用近紅外光譜技術(shù)對(duì)不同放置天數(shù)的蘋(píng)果、白梨和香梨的新鮮度進(jìn)行了探究，建立了偏最小二乘(partial least squares，PLS)和反向傳播神經(jīng)網(wǎng)絡(luò)(back-propagation neural network，BPNN)模型，并取得了一定的預(yù)測(cè)效果。孫紅等[12]利用其設(shè)計(jì)的可見(jiàn)光/近紅外鮮切果品新鮮度快速檢測(cè)裝置對(duì)紅富士蘋(píng)果進(jìn)行了測(cè)試，以切開(kāi)時(shí)長(zhǎng)2 h為分界線，將蘋(píng)果樣品分為2個(gè)新鮮等級(jí)，建立的支持向量機(jī)模型準(zhǔn)確率為86.81%。以上研究表明，可見(jiàn)/近紅外光譜技術(shù)可被應(yīng)用于水果新鮮度的快速檢驗(yàn)和評(píng)價(jià)，但在對(duì)樣品的新鮮度劃分上僅以放置時(shí)長(zhǎng)為判斷標(biāo)準(zhǔn)，劃分方法較為主觀且單一。

本文以綠寶石藍(lán)莓為研究對(duì)象，測(cè)得其可見(jiàn)/近紅外光譜數(shù)據(jù)以及與藍(lán)莓新鮮度變化相關(guān)的6個(gè)理化指標(biāo)，通過(guò)這些理化指標(biāo)計(jì)算新鮮度綜合得分，將樣品劃分為新鮮、次新鮮、不新鮮3個(gè)類(lèi)別。不同新鮮度類(lèi)別的藍(lán)莓原始光譜數(shù)據(jù)采用Savitzky-Golay(S-G)卷積平滑進(jìn)行預(yù)處理，再運(yùn)用主成分分析提取特征信息，建立支持向量機(jī)和隨機(jī)森林2種新鮮度快速評(píng)價(jià)模型，比較2種模型的評(píng)價(jià)效果，以期為藍(lán)莓新鮮度的快速準(zhǔn)確評(píng)價(jià)提供參考。

1 材料與方法

1.1 儀器與材料

實(shí)驗(yàn)儀器：LabSpec 5000型光譜儀，美國(guó)ASD公司；LYT-330型手持式折光儀，上海淋譽(yù)公司；Universal TA型質(zhì)構(gòu)儀，上海騰拔公司；UV-1801型紫外分光光度計(jì)，北京北分瑞利公司；PX-70BⅢ型生化培養(yǎng)恒溫箱，天津泰斯特公司。

實(shí)驗(yàn)材料：藍(lán)莓選用的品種為綠寶石，2021年6月采于遼寧省米粒生鮮(丹東)商貿(mào)有限公司藍(lán)莓種植基地，挑選大小均勻、無(wú)損傷的成熟新鮮藍(lán)莓當(dāng)天低溫貯藏運(yùn)回實(shí)驗(yàn)室，分組放置于專(zhuān)用包裝盒內(nèi)避免擠壓，再貯藏于恒溫箱內(nèi)，恒溫箱內(nèi)溫度設(shè)置為10 ℃。

1.2 實(shí)驗(yàn)方法

隨著貯藏時(shí)間的延長(zhǎng)，由于蒸騰作用、呼吸消耗以及受到纖維素酶、果膠酶等影響，藍(lán)莓果實(shí)外觀色澤質(zhì)地改變、質(zhì)量減少、硬度下降、可溶性固形物在相關(guān)酶的作用下含量增加、內(nèi)部維生素C等被氧化[13-14]?；谏鲜隹紤]，研究測(cè)定了與新鮮度相關(guān)的6個(gè)理化指標(biāo)：外觀、貯藏天數(shù)、質(zhì)量損失率、硬度、可溶性固形物、維生素C，以此6個(gè)理化指標(biāo)作為藍(lán)莓新鮮度指標(biāo)，參考謝忠紅等[15]對(duì)菠菜新鮮度的劃分方法，以各指標(biāo)的標(biāo)準(zhǔn)差除以標(biāo)準(zhǔn)差之和為每個(gè)指標(biāo)賦予權(quán)值，求得每組藍(lán)莓新鮮度綜合得分，并據(jù)此劃分藍(lán)莓樣品新鮮度類(lèi)別，以新鮮度類(lèi)別作為分類(lèi)標(biāo)簽，進(jìn)而基于可見(jiàn)/近紅外光譜數(shù)據(jù)建立新鮮度評(píng)價(jià)模型。

挑選大小均勻、無(wú)損傷的成熟新鮮藍(lán)莓分成300組，6個(gè)每組，裝于聚對(duì)苯二甲酸乙二醇酯專(zhuān)用水果包裝盒內(nèi)，于10 ℃恒溫箱中貯藏。每次實(shí)驗(yàn)前取30組藍(lán)莓，邀請(qǐng)15名接受過(guò)培訓(xùn)的同學(xué)作為專(zhuān)家進(jìn)行外觀打分，待樣品恢復(fù)至室溫后采集其可見(jiàn)/近紅外漫反射光譜，之后進(jìn)行相關(guān)理化指標(biāo)的測(cè)定。樣品從貯藏當(dāng)天開(kāi)始測(cè)定，其間每天測(cè)定1次，每次30組樣品，共測(cè)定了10次。

1.3 光譜采集

采用ASD公司LabSpec 5000型光譜儀采集光譜，該儀器波長(zhǎng)范圍為350～2 500 nm，在700 nm處光譜分辨率為3 nm，在1 400、2 100 nm處為10 nm。使用二分光纖及其探頭作為光譜檢測(cè)附件，光斑直徑為5 mm，檢測(cè)方式為漫反射，單波長(zhǎng)快速掃描32次，使用配套軟件IndicoProVersion 3.1采集光譜，采集間隔為1 nm。采集樣品光譜前，先將機(jī)器預(yù)熱30 min，之后將二分光纖探頭對(duì)準(zhǔn)聚四氟乙烯標(biāo)準(zhǔn)白板進(jìn)行校正。掃描光譜時(shí)，先將藍(lán)莓表皮輕輕擦拭干凈，側(cè)放在墊有黑色植絨布的樣品盒內(nèi)。由于藍(lán)莓果實(shí)較小且大小形狀存在一定差異，為保證每個(gè)樣本光譜采集情況一致以及減少反射光散射外露，掃描樣品時(shí)光纖探頭與藍(lán)莓樣品表面直接緊密接觸，在樣品果腹赤道處每隔約120°位置掃描光譜 3次，以3次所得平均結(jié)果作為該單果樣品的可見(jiàn)/近紅外漫反射光譜，以每組中6個(gè)樣品的平均光譜代表該組樣本光譜，每采集完成1組樣品進(jìn)行1次白板校正，光譜掃描時(shí)盡量避開(kāi)表皮缺陷部位。

1.4 理化指標(biāo)測(cè)定

1.4.1 質(zhì)量損失率測(cè)定

采用電子天平稱(chēng)量法測(cè)定，稱(chēng)取每組樣品初始質(zhì)量w0，測(cè)量時(shí)質(zhì)量wt，單位為g，質(zhì)量損失率計(jì)算如公式(1)所示：

(1)

1.4.2 硬度測(cè)定

質(zhì)構(gòu)儀探頭采用P5型號(hào)，下壓距離為7.0 mm，測(cè)前、測(cè)試和測(cè)后速度分別為：2.00、1.00、2.00 mm/s，接觸力設(shè)為0.5 N。以第1次下壓曲線上最大力量值作為其硬度值，每組所有藍(lán)莓全部測(cè)定取平均，結(jié)果以N表示。

1.4.3 可溶性固形物含量測(cè)定

用研缽將6個(gè)果實(shí)搗碎均勻，紗布濾出幾滴汁液，使用手持式折光儀測(cè)定。重復(fù)測(cè)量3次取平均值，作為該組藍(lán)莓可溶性固形物實(shí)測(cè)量。

1.4.4 維生素C含量測(cè)定

維生素C測(cè)定參考黃綿佳[16]的方法。取2 g左右上述搗碎藍(lán)莓加入2 mL質(zhì)量分?jǐn)?shù)1% HCl研磨均勻，加蒸餾水定容至25 mL。用濾紙濾出濾液2 mL，加0.2 mL質(zhì)量分?jǐn)?shù)10% HCl后加水稀釋至10 mL。以蒸餾水為空白對(duì)照，使用紫外分光光度計(jì)在423 nm 處測(cè)待測(cè)液吸光度值，并查標(biāo)準(zhǔn)曲線(C=15.12A+0.122 2，R2=0.983 3，由抗壞血酸標(biāo)準(zhǔn)液測(cè)得)計(jì)算得出。

1.5 評(píng)價(jià)模型建立

通過(guò)6個(gè)理化指標(biāo)計(jì)算樣品新鮮度綜合得分，將藍(lán)莓樣品劃分為新鮮、次新鮮、不新鮮3個(gè)新鮮度類(lèi)別，依次標(biāo)記為1、2和3，作為新鮮度評(píng)價(jià)模型的分類(lèi)標(biāo)簽。原始光譜數(shù)據(jù)首先應(yīng)用S-G卷積平滑進(jìn)行預(yù)處理，進(jìn)而采用主成分分析提取光譜特征信息。以最佳主成分得分為輸入變量，新鮮度類(lèi)別為輸出量，利用支持向量機(jī)和隨機(jī)森林2種方法建立藍(lán)莓新鮮度快速評(píng)價(jià)模型。

1.6 數(shù)據(jù)處理軟件

光譜導(dǎo)出和預(yù)處理軟件為T(mén)he UnscramblerX 10.4，數(shù)據(jù)計(jì)算處理在matlab 2019a和Execl 2019軟件進(jìn)行，繪圖軟件為Origin 2021，建模軟件選擇為matlab 2019a。

2 結(jié)果與分析

2.1 理化指標(biāo)結(jié)果分析

2.1.1 質(zhì)量損失率和硬度

藍(lán)莓貯藏前期，果實(shí)飽滿水分充足，而隨著貯藏時(shí)間的延長(zhǎng)，果實(shí)中的水分不斷減少，營(yíng)養(yǎng)物質(zhì)不斷被消耗，貯藏第9天時(shí)，果實(shí)表皮已嚴(yán)重皺縮。由圖1可知，0～9 d藍(lán)莓質(zhì)量損失率逐漸增加，截至最后1次測(cè)量時(shí)，果實(shí)質(zhì)量減少了13.40%。果實(shí)硬度不僅影響其外觀形狀，還對(duì)其口感有較大影響，如圖2所示，果實(shí)硬度值在貯藏期間不斷下降，至第9天時(shí)，硬度下降到最低值。硬度的變化可以反映其細(xì)胞壁構(gòu)成物質(zhì)、細(xì)胞間結(jié)合程度以及相關(guān)分解酶的變化。質(zhì)量減少和硬度降低主要表現(xiàn)出果實(shí)呈現(xiàn)萎蔫、疲軟或腐爛形態(tài)，表皮光澤降低且變得不均勻。

圖1 質(zhì)量損失率變化圖Fig.1 Mass loss rate change diagram

圖2 硬度值變化圖Fig.2 Diagram of hardness value change

2.1.2 可溶性固形物和維生素C含量

可溶性固形物是反映藍(lán)莓品質(zhì)的重要指標(biāo)，極大地影響其食用口感?？扇苄怨绦挝餃y(cè)定結(jié)果見(jiàn)圖3。由圖3可知，貯藏期間可溶性固形物含量總體呈上升趨勢(shì)，前6 d可溶性固形物含量增長(zhǎng)迅速，然后增長(zhǎng)速度放緩，這與李洋等[17]在10 ℃貯藏條件下貯藏前期的測(cè)定結(jié)果具有一致性。經(jīng)分析，可溶性固形物含量上升的主要原因是貯藏期間藍(lán)莓內(nèi)淀粉、纖維素和果膠被淀粉酶、纖維素酶和果膠酶分解，從而產(chǎn)生了大量可溶性固形物[18]，貯藏前期可溶性固形物產(chǎn)生速度大于其消耗速度，表現(xiàn)為其含量在貯藏期間不斷上升。雖然繼續(xù)貯藏時(shí)，可溶性固形物含量會(huì)達(dá)到峰值然后下降，但此刻藍(lán)莓早已肉眼可見(jiàn)的不新鮮，再利用光譜無(wú)損檢測(cè)技術(shù)判斷藍(lán)莓新鮮度并無(wú)意義。

維生素C又稱(chēng)抗壞血酸，能增強(qiáng)人體免疫能力，具有防治壞血病的作用，廣泛存在于各類(lèi)果蔬中，是果蔬中的一種重要營(yíng)養(yǎng)物質(zhì)。由圖4可知，隨著貯藏時(shí)間延長(zhǎng)，維生素C含量逐漸下降，至貯藏第9天時(shí)減少了30.66%。維生素C具有還原性，在空氣中易被氧化。據(jù)分析，藍(lán)莓采后內(nèi)部維生素C含量下降主要是由于其被不斷氧化分解[19]，且貯藏時(shí)間越長(zhǎng)，維生素C含量降低越多。

實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，10 ℃恒溫貯藏下綠寶石藍(lán)莓在0～9 d貯藏期內(nèi)，花青素含量總體在0.745 5～1.330 7 mg/g波動(dòng)，變化不明顯。在評(píng)價(jià)藍(lán)莓樣品的新鮮度類(lèi)別時(shí)，由于指標(biāo)測(cè)量誤差的不可避免，過(guò)多的指標(biāo)可能會(huì)使評(píng)價(jià)效果下降。因此，最終考慮質(zhì)量損失率、硬度、可溶性固形物、維生素C、外觀得分和貯藏天數(shù)作為新鮮度評(píng)價(jià)的指標(biāo)。

圖3 可溶性固形物含量變化圖Fig.3 Diagram of variation of soluble solid content

圖4 維生素C含量變化圖Fig.4 Changes in vitamin C content

2.1.3 外觀評(píng)價(jià)

藍(lán)莓外觀評(píng)價(jià)參考了王培[20]對(duì)菠菜外觀評(píng)定的方法，采用專(zhuān)家打分法，邀請(qǐng)15名接受過(guò)培訓(xùn)的同學(xué)對(duì)藍(lán)莓外觀新鮮度進(jìn)行評(píng)定。外觀評(píng)定時(shí)選取了3個(gè)和藍(lán)莓外觀密切相關(guān)的子指標(biāo)，分別為色澤、香氣和質(zhì)地形態(tài)[21]，3個(gè)子指標(biāo)評(píng)價(jià)標(biāo)準(zhǔn)如表1所示。藍(lán)莓樣品按外觀標(biāo)準(zhǔn)劃分為新鮮、次新鮮、不新鮮3個(gè)類(lèi)別，并量化為3、2、1分。將3個(gè)子指標(biāo)兩兩對(duì)比并由專(zhuān)家進(jìn)行打分，確定3個(gè)子指標(biāo)權(quán)重，外觀3個(gè)子指標(biāo)權(quán)重結(jié)果見(jiàn)表2。外觀評(píng)定結(jié)果見(jiàn)表3(此處僅展示第1組結(jié)果)。

表1 藍(lán)莓外觀新鮮度評(píng)價(jià)標(biāo)準(zhǔn)Table 1 Evaluation criteria for appearance freshness of blueberries

表2 二元對(duì)比排序法確定外觀各指標(biāo)權(quán)重Table 2 Weight of every appearance decided by binary comparison sort

表3 第1組外觀評(píng)價(jià)結(jié)果 單位：人次

由表3可知，對(duì)該組藍(lán)莓外觀評(píng)價(jià)時(shí)，以色澤為標(biāo)準(zhǔn)，15人均判定為新鮮；以香氣為標(biāo)準(zhǔn)，14人認(rèn)為新鮮，1人認(rèn)為次新鮮；以形態(tài)質(zhì)地為標(biāo)準(zhǔn)時(shí)，15人均認(rèn)為新鮮。該組藍(lán)莓的模糊關(guān)系矩陣M如公式(2)所示：

(2)

指標(biāo)權(quán)重向量Z乘以模糊矩陣M，再乘以分值向量Y，得出該組樣品最終外觀得分F，如公式(3)所示：

F=Z·M·Y=

(3)

2.2 新鮮度綜合得分

本次研究綜合考慮貯藏天數(shù)、外觀、質(zhì)量損失率、硬度、可溶性固形物、維生素C含量這6個(gè)指標(biāo)。參考謝忠紅等[15]對(duì)菠菜新鮮度的劃分方法，采用各指標(biāo)標(biāo)準(zhǔn)差占標(biāo)準(zhǔn)差之和的比值給每個(gè)指標(biāo)賦予權(quán)值，計(jì)算出每組藍(lán)莓的新鮮度綜合得分，并根據(jù)綜合得分情況將樣品藍(lán)莓合理劃分為新鮮、次新鮮和不新鮮3個(gè)類(lèi)別。

2.2.1 綜合得分

每組藍(lán)莓得到外觀、貯藏天數(shù)、可溶性固形物、硬度、質(zhì)量損失率和維生素C含量6個(gè)關(guān)于新鮮度的指標(biāo)數(shù)值，將每個(gè)指標(biāo)值歸一化到[0，1]并求標(biāo)準(zhǔn)差，再將各指標(biāo)的標(biāo)準(zhǔn)差分別除以6個(gè)指標(biāo)的標(biāo)準(zhǔn)差之和，得到各指標(biāo)的指標(biāo)權(quán)重bj，每組藍(lán)莓的新鮮度綜合得分為每個(gè)指標(biāo)值aij與權(quán)重bj乘積的和。綜合得分計(jì)算如公式(4)所示：

(4)

式中：i，藍(lán)莓樣品編號(hào)；j，新鮮度6個(gè)理化指標(biāo)；aij，第i組藍(lán)莓第j個(gè)指標(biāo)數(shù)值；bj，第j個(gè)指標(biāo)的權(quán)重；當(dāng)j取貯藏時(shí)間、可溶性固形物、質(zhì)量損失率3個(gè)和新鮮度是負(fù)相關(guān)的指標(biāo)時(shí)，k取1，其余取0。

為使綜合得分保持正值，其結(jié)果仍進(jìn)行歸一化操作。各組樣品藍(lán)莓新鮮度綜合得分由高到低排序，并重新編號(hào)，得出藍(lán)莓新鮮度綜合得分曲線如圖5所示。由圖5可知，綜合得分曲線存在2個(gè)突變點(diǎn)，根據(jù)這2個(gè)突變點(diǎn)將藍(lán)莓樣品劃分為3組：[1，0.760 4]為新鮮，(0.760 4，0.331 9]為次新鮮，(0.331 9，0]為不新鮮。最終300組藍(lán)莓劃分為新鮮88組，次新鮮114組，不新鮮98組，分別標(biāo)記為1，2和3。

圖5 藍(lán)莓新鮮度綜合得分曲線Fig.5 Blueberry freshness composite score curve

2.3 劃分樣本集

樣本集依照新鮮度綜合得分進(jìn)行排序，采用隔三選一法[22]劃分為訓(xùn)練集和測(cè)試集。結(jié)果表明，訓(xùn)練集共計(jì)225組樣本，包含新鮮66組、次新鮮86組、不新鮮73組；測(cè)試集總計(jì)75組，包含新鮮22組，次新鮮28組和不新鮮25組。

2.4 光譜分析與處理

2.4.1 波段選擇和預(yù)處理

藍(lán)莓光譜兩端噪聲較大，去掉此部分光譜數(shù)據(jù)可使模型達(dá)到更好效果，本文選取500～2 300 nm光譜進(jìn)行分析。

光譜數(shù)據(jù)的準(zhǔn)確性及有效性受到傳感器靈敏度、環(huán)境溫度和光照強(qiáng)度等因素的影響[23]，合適的預(yù)處理手段可顯著提高信噪比，使模型的準(zhǔn)確率大為提升。此處選擇三次多項(xiàng)式、平滑點(diǎn)數(shù)為15點(diǎn)的S-G卷積平滑算法[24]對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，預(yù)處理前后的反射光譜如圖6所示。從圖6可看出，相比于原始光譜，預(yù)處理之后的光譜曲線更加平滑，系統(tǒng)噪聲更低、信噪比更高。

a-原始光譜；b-S-G平滑預(yù)處理后光譜圖6 預(yù)處理前后藍(lán)莓反射光譜圖Fig.6 Reflection spectra of blueberries before and after pretreatment

2.4.2 主成分分析

每一個(gè)樣本的光譜信息都有上千維的數(shù)據(jù)，若直接使用其建立模型，計(jì)算量大，耗時(shí)長(zhǎng)，且會(huì)導(dǎo)致建立的模型性能差、準(zhǔn)確率低。主成分分析是一種常用的光譜數(shù)據(jù)降維和特征提取方法，能最大限度保留原始光譜信息，并加快模型訓(xùn)練速度，提高預(yù)測(cè)精度和魯棒性。繪制前3個(gè)主成分得分的三維散點(diǎn)圖如圖7所示(為避免圖中數(shù)據(jù)點(diǎn)堆積，僅展示測(cè)試集數(shù)據(jù)得分)。由圖7可看出，同一種新鮮類(lèi)別數(shù)據(jù)點(diǎn)具有一定聚集性，但不同類(lèi)別之間存在交叉部分，僅依靠主成分得分難以對(duì)不同新鮮類(lèi)別樣本準(zhǔn)確劃分。

圖7 主成分得分三維散點(diǎn)圖Fig.7 Three - dimensional scatter diagram of principal component scores

2.5 新鮮度評(píng)價(jià)模型

2.5.1 支持向量機(jī)模型及其參數(shù)尋優(yōu)

支持向量機(jī)(support vector machine，SVM)是一種強(qiáng)大的模式分類(lèi)方法，常用于解決小樣本情況下的分類(lèi)問(wèn)題。其主要思想是將數(shù)據(jù)展開(kāi)成高維，建立一個(gè)分類(lèi)超平面來(lái)使支持向量間距最大化，并以此進(jìn)行分類(lèi)工作。SVM模型計(jì)算簡(jiǎn)單，具有很強(qiáng)的通用性，能夠很好地預(yù)防欠學(xué)習(xí)與過(guò)學(xué)習(xí)的發(fā)生，具有十分強(qiáng)大的分類(lèi)和回歸預(yù)測(cè)能力。臺(tái)灣大學(xué)林智仁教授等研發(fā)的LIBSVM工具箱，可快速有效地實(shí)行SVM模型的建立。應(yīng)用該工具箱時(shí)需對(duì)核函數(shù)、懲罰因子c及核參數(shù)g進(jìn)行選擇，此處以徑向基函數(shù)為核函數(shù)，懲罰因子c及核參數(shù)g利用粒子群算法(particle swarm optimization，PSO)進(jìn)行尋優(yōu)。

PSO對(duì)SVM模型參數(shù)尋優(yōu)前，需首先確定模型輸入變量維數(shù)，即主成分個(gè)數(shù)。主成分個(gè)數(shù)太少，不能很好提取光譜數(shù)據(jù)的主要信息，過(guò)多則降低模型的運(yùn)算效率和準(zhǔn)確率。為使最佳主成分選取更合理，在使用粒子群算法尋優(yōu)SVM參數(shù)時(shí)，對(duì)主成分?jǐn)?shù)在[1，20]范圍內(nèi)進(jìn)行了測(cè)試，結(jié)合5折交叉檢驗(yàn)下驗(yàn)證集平均準(zhǔn)確率最佳值，確定最佳主成分個(gè)數(shù)。不同主成分個(gè)數(shù)下的5折檢驗(yàn)平均準(zhǔn)確率最佳值如表4所示。

由表4可以看出，不同主成分個(gè)數(shù)對(duì)模型識(shí)別效果有較大影響，主成分個(gè)數(shù)為5時(shí)效果最佳。此時(shí)PSO尋優(yōu)參數(shù)c和g的適應(yīng)度曲線如圖8所示。從圖8可以看出，最佳懲罰因子c=5.053 1、核參數(shù)g=1.800 5，5折交叉檢驗(yàn)下的最佳判別準(zhǔn)確率為97.78%。

表4 不同主成分個(gè)數(shù)5折交叉檢驗(yàn)下的最佳值Table 4 The optimal value of 5 fold cross test for different principal components

圖8 PSO尋優(yōu)SVM參數(shù)適應(yīng)度曲線Fig.8 PSO optimizes SVM parameter fitness curve

2.5.2 隨機(jī)森林模型

隨機(jī)森林(random forest，RF)是基于統(tǒng)計(jì)學(xué)習(xí)和集成學(xué)習(xí)的一種算法，最早由BREIMAN和CUTLER提出，其采用Bootstrap法從數(shù)據(jù)集中有放回地隨機(jī)重采樣，訓(xùn)練產(chǎn)生多棵決策樹(shù)，多個(gè)相互獨(dú)立的決策樹(shù)進(jìn)行獨(dú)立評(píng)價(jià)，最終統(tǒng)計(jì)判別結(jié)果，以多數(shù)決策樹(shù)的判定結(jié)果為最終類(lèi)別值?？屏_拉多大學(xué)博爾德分校JAIANTILAL開(kāi)發(fā)的RF工具箱，常用于進(jìn)行RF模型的建立。RF中決策樹(shù)個(gè)數(shù)ntree對(duì)模型效果有一定影響，通常樹(shù)的個(gè)數(shù)越多，模型預(yù)測(cè)效果越好，但計(jì)算量也會(huì)逐步增加。經(jīng)實(shí)驗(yàn)反復(fù)測(cè)試，當(dāng)ntree≥250以后，各分類(lèi)情況的袋外數(shù)據(jù)誤差變化不大，因此將ntree設(shè)置為250。

2.5.3 模型效果比較

為比較SVM模型和隨機(jī)森林模型的分類(lèi)效果，使用前5個(gè)主成分得分為輸入變量，藍(lán)莓新鮮度類(lèi)別為輸出量，以徑向基函數(shù)為核函數(shù)、懲罰因子c=5.053 1、核參數(shù)g=1.800 5，以決策樹(shù)個(gè)數(shù)Ntree=250，建立SVM和RF 2種藍(lán)莓新鮮度評(píng)價(jià)模型，并對(duì)2種評(píng)價(jià)模型的預(yù)測(cè)效果進(jìn)行驗(yàn)證。

研究表明，SVM模型和RF模型訓(xùn)練集的平均分類(lèi)準(zhǔn)確率分別為97.78%和100%，SVM和RF模型測(cè)試集的分類(lèi)統(tǒng)計(jì)結(jié)果如表5所示。對(duì)于測(cè)試集的75個(gè)樣本，SVM模型有9個(gè)被誤判，RF模型有12個(gè)樣本分類(lèi)錯(cuò)誤，總體識(shí)別準(zhǔn)確率分別為88%和84%。由表5可知，SVM模型對(duì)測(cè)試集“新鮮”、“次新鮮”、“不新鮮”3個(gè)新鮮度類(lèi)別的識(shí)別準(zhǔn)確率分別為95.45%、89.29%和80%，RF模型的識(shí)別準(zhǔn)確率分別為95.45%、85.71%和72%，相比RF模型，SVM模型每一新鮮度類(lèi)別測(cè)試集的識(shí)別準(zhǔn)確率提高0%、3.58%和8%。此外，兩者對(duì)于“新鮮”類(lèi)別的識(shí)別準(zhǔn)確率均高于其他2個(gè)新鮮度類(lèi)別，造成這種現(xiàn)象的原因可能是由于后兩類(lèi)別的部分樣本新鮮程度接近，從而造成兩者之間的誤判。以上研究結(jié)果表明，SVM新鮮度評(píng)價(jià)模型準(zhǔn)確率更高，穩(wěn)定性和泛化能力均優(yōu)于RF模型，更適合藍(lán)莓新鮮度模型的建立。分析認(rèn)為，在光譜這種噪音較大的數(shù)據(jù)集上，RF的模型容易陷入過(guò)擬合，而SVM模型具有很好的非線性映射能力，并且采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，在處理小樣本分類(lèi)問(wèn)題上具有更大優(yōu)勢(shì)。

表5 模型識(shí)別結(jié)果統(tǒng)計(jì)Table 5 Model recognition result statistics

3 結(jié)論

藍(lán)莓果實(shí)貯藏期間，新鮮度是反映果實(shí)品質(zhì)的一個(gè)重要的綜合指標(biāo)，快速準(zhǔn)確評(píng)價(jià)藍(lán)莓果實(shí)新鮮度是一項(xiàng)重要的工作。為實(shí)現(xiàn)對(duì)藍(lán)莓新鮮度的快速準(zhǔn)確評(píng)價(jià)，利用可見(jiàn)/近紅外光譜儀采集不同貯藏天數(shù)藍(lán)莓樣品的光譜信息，使用S-G卷積平滑方法和主成分分析對(duì)光譜數(shù)據(jù)去噪和提取特征信息。綜合考慮6個(gè)理化指標(biāo)：貯藏時(shí)間、外觀、質(zhì)量損失率、硬度、可溶性固形物和維生素C含量，計(jì)算新鮮度綜合得分，將所測(cè)300組藍(lán)莓樣品劃分為新鮮、次新鮮和不新鮮3個(gè)類(lèi)別。在使用PSO尋優(yōu)SNM參數(shù)時(shí)，對(duì)主成分?jǐn)?shù)在[1，20]范圍內(nèi)進(jìn)行了測(cè)試，結(jié)合5折檢驗(yàn)下驗(yàn)證集平均準(zhǔn)確率最佳值，確定最佳主成分個(gè)數(shù)為5個(gè)。以前5個(gè)主成分得分為輸入變量，建立SVM和RF新鮮度評(píng)價(jià)模型，獲得的識(shí)別準(zhǔn)確率分別為88%和84%。相對(duì)于RF模型，SVM模型具有更高的準(zhǔn)確率和魯棒性，可以更好地區(qū)分藍(lán)莓新鮮度的3個(gè)類(lèi)別，研究表明可見(jiàn)/近紅外光譜技術(shù)結(jié)合SVM方法在藍(lán)莓新鮮度的快速評(píng)價(jià)方面具有良好的應(yīng)用潛力。