采后葡萄可溶性固形物含量的高光譜成像檢測研究

徐 麗，楊 杰，王運祥，葉晉濤，馬本學*，呂 琛

(1.新疆惠遠種業(yè)股份有限公司，新疆 石河子 832003； 2.石河子大學 機械電氣工程學院，新疆 石河子 832003)

采后葡萄可溶性固形物含量的高光譜成像檢測研究

徐 麗1，楊 杰2，王運祥2，葉晉濤2，馬本學2*，呂 琛2

(1.新疆惠遠種業(yè)股份有限公司，新疆 石河子 832003； 2.石河子大學 機械電氣工程學院，新疆 石河子 832003)

提出一種應用高光譜成像技術(shù)檢測葡萄可溶性固形物含量的方法。使用高光譜成像系統(tǒng)采集葡萄漫反射光譜，在500～1 000 nm光譜，采用多元散射校正(MSC)、標準正態(tài)變換(SNV)進行光程校正，結(jié)合一階微分(1-Der)、二階微分(2-Der)、Savitzky-Golay(S-G)平滑方法及其組合對原始光譜進行預處理，建立可溶性固形物含量的偏最小二乘法(PLS)和逐步多元線性回歸(SMLR)模型。結(jié)果表明：采用PLS和SMLR建模方法均取得較好的預測效果。采用經(jīng)過MSC、1-Der和S-G平滑相結(jié)合預處理后的光譜建立PLS預測模型，校正集的相關(guān)系數(shù)Rc為0.979 1，RMSEC為0.265，預測集的相關(guān)系數(shù)Rp為0.962 0，RMSEP為0.372；采用原始光譜、1-Der和S-G平滑相結(jié)合預處理后的光譜建立SMLR預測模型，校正集的相關(guān)系數(shù)Rc為0.967 8，RMSEC為0.327，預測集的相關(guān)系數(shù)Rp為0.947 2，RMSEP為0.394。以上表明,基于高光譜成像技術(shù)可以實現(xiàn)采后葡萄可溶性固形物含量的準確無損檢測。

高光譜成像技術(shù)； 光譜分析； 葡萄； 可溶性固形物； 偏最小二乘法

葡萄風味優(yōu)美，具有豐富的營養(yǎng)價值。隨著葡萄產(chǎn)量的不斷增加和人們生活水平的不斷提高，消費者在選購葡萄時，對其內(nèi)部營養(yǎng)物質(zhì)極為看重?？扇苄怨绦挝锖渴欠从称咸褷I養(yǎng)物質(zhì)多少的重要化學成分指標，是影響葡萄收獲及市場銷售的重要因素。因此,研究準確快速測定可溶性固形物含量的方法具有重要意義。高光譜成像技術(shù)，作為新一代的光電無損檢測技術(shù)，結(jié)合了光譜技術(shù)和圖像技術(shù)的主要優(yōu)勢，可以實現(xiàn)光譜和空間信息的同步獲取，對待測對象的外部特性和內(nèi)部成分進行感知和檢測。國內(nèi)外學者利用高光譜技術(shù)對水果內(nèi)部品質(zhì)，如藍莓[1]、草莓[2]、香蕉[3]、蘋果[4-6]、哈密瓜[7-8]和臍橙[9]等水果的可溶性固形物含量、堅實度、硬度及酸度等進行了檢測和分析。已取得的研究結(jié)果證明,高光譜成像技術(shù)在水果品質(zhì)檢測方面具有廣闊的應用前景。在國內(nèi)外葡萄內(nèi)部品質(zhì)檢測研究中，Valentina等[10]評價了便攜式可見/近紅外分光光度計檢測葡萄的成熟度的效果；Barbara等[11]通過可見/近紅外光纖探針接觸到葡萄果渣，對乙醇、乙酸含量等品質(zhì)指標進行研究；呂剛[12]利用可見/近紅外光譜技術(shù)對生長期的葡萄可溶性固形物含量進行檢測研究；吳桂芳等[13]進行了成熟葡萄漿果糖度的可見/近紅外光譜檢測研究。但鮮見采用高光譜成像技術(shù)對采后葡萄內(nèi)部品質(zhì)檢測的相關(guān)研究報道。鑒于此，以采后新疆紅提葡萄為研究對象，利用高光譜成像技術(shù)對其可溶性固形物含量進行檢測研究，從而為利用高光譜成像技術(shù)進行葡萄品質(zhì)的檢測與分級提供技術(shù)依據(jù)。

1 材料和方法

1.1 試驗樣本

選取105個紅提葡萄果穗，從每個果穗上的穗節(jié)部、穗中部、穗內(nèi)部和穗尖部各選3粒葡萄果粒共12粒作為1個樣本，共105個樣本。

1.2 高光譜數(shù)據(jù)的采集

高光譜成像采集系統(tǒng)主要構(gòu)成部分：線陣CCD攝像機(Hamastsu Ltd.，日本)、線掃描成像光譜儀Imspector V10E-QE(Spectral Imaing Ltd.，芬蘭)、鏡頭OLE-23 (Spectral Imaing Ltd.，芬蘭)、光纖鹵素燈(DCR Ⅲ型，150 W,Schott，美國)、電移臺PSA200-11-X(北京卓立漢光有限公司)、光源調(diào)節(jié)器(3900，Schott，美國)、電移臺控制器SC300-1A(北京卓立漢光有限公司)。

采集光譜前將儀器預熱30 min，以防基線漂移造成數(shù)據(jù)不準，通過對高光譜圖像黑白校正，以消除光源強度分布不均勻的噪音與暗電流，確定曝光時間和位移臺運行速度。最終儀器使用參量設(shè)置為：光譜范圍408～1 013 nm，光譜分辨率2.8 nm，曝光時間12.7 ms，物距348 mm，移動平臺速度3.54 mm/s。全套系統(tǒng)的外部被黑色的密閉柜封閉，以避免外界光照對采集圖像的影響。

1.3 可溶性固形物含量的測定

應用數(shù)字式折射儀(PR-101α，Atago Co.，Ltd.，日本)測定葡萄可溶性固形物含量。測量前，用蒸餾水對數(shù)字式折射儀校正零點。使用手工壓榨機將經(jīng)高光譜圖像采集和剝皮后的葡萄榨汁，經(jīng)紗布過濾后覆蓋折射儀鏡面并讀取數(shù)值。重復取樣測量3次，取平均值作為葡萄樣品可溶性固形物含量的實際值。

采用含量梯度法[14]將上述105個樣本所測可溶性固形物含量進行高低升序排列，然后按3∶1的原則分成校正集和預測集，最終校正集含有79個樣本，預測集含有26個樣本。表1列出了被測葡萄可溶性固形物含量實測值的最大值、最小值、平均值和標準偏差。

表1 可溶性固形物含量校正集與預測集實測值分布

1.4 高光譜數(shù)據(jù)處理分析方法

1.4.1 高光譜圖像中漫反射光譜響應信息的獲取 高光譜圖像數(shù)據(jù)基于Spectral cube 軟件(Spectral Imaging Ltd.,芬蘭)進行采集，通過ENVI4.7(Research system Inc,Co.,美國)選擇樣本感興趣區(qū)域(region of interest,ROI)，為了提高化學計量學模型的準確性，選取整個樣本的每粒葡萄的圖像作為ROI(飽和點除外)，并計算光譜的平均反射值，得到樣本反射光譜曲線(圖1)。由于小于500 nm和大于1 000 nm的光譜數(shù)據(jù)存在明顯噪聲，因此，選取500～1 000 nm波長數(shù)據(jù)進行分析。

圖1 葡萄可溶性固形物含量的原始光譜曲線

1.4.2 光譜數(shù)據(jù)處理與數(shù)據(jù)分析 采用多種方法及其組合對原始光譜進行預處理，多元信號修正(multiplicative signal correction，MSC)、標準正態(tài)變換(standard normal variate，SNV)方法來光程校正，消除散射對樣本造成的影響。一階微分(first derivative，1-Der)、二階微分(second derivative，2-Der)凈化圖譜消除光譜偏移或漂移，卷積平滑(Savitzky-Golay，S-G)消除光譜中包含的高頻噪聲。建立葡萄可溶性固形物含量的高光譜無損檢測數(shù)學模型，來預測其可溶性固形物含量，并對數(shù)學模型的預測能力進行驗證和精度評價。應用偏最小二乘法(PLS) 和逐步多元線性回歸法(SMLR)建立預測模型。

采用相關(guān)系數(shù)R和均方根誤差RMSE對模型進行評價。校正/預測相關(guān)系數(shù)(Rc/Rp)的值越接近1，所建模型精度越高，校正/預測均方根誤差(RMSEC/RMSEP)的值越接近零，且RMSEC和RMSEP差異越小，所建模型越穩(wěn)健。

2 結(jié)果與分析

2.1 異常樣本的剔除

在建模之前，需要對異常樣本進行剔除。個別樣本在光譜成像或光譜采集時出現(xiàn)操作失誤，為減少異常樣本對檢測結(jié)果的影響，本試驗采用的剔除方法為狄克松(Dixon)檢驗法，采用偏差在95%置信區(qū)間外的光譜判定為異常的原則，105個樣本光譜的分析結(jié)果按照馬氏距離值(mahalanobis distant)[15]由低到高依次排序如圖2所示。由圖2可知，樣本42和樣本52超過Chauvenet測試臨界閾值1.683，將其視為異常樣本剔除后得到77個校正集、26個預測集。

圖2 葡萄樣本的狄克松檢驗結(jié)果

2.2 PLS與SMLR的可溶性固形物含量預測分析

2.2.1 不同預處理應用PLS建模評估 PLS算法是集主成分分析和因子分析為一體的回歸預測模型。通過建立葡萄光譜信息和葡萄可溶性固形物含量的PLS模型，對預測集可溶性固形物含量進行預測。目前在建模過程中，最為常用的確定因子數(shù)標準方法是預測殘差平方和(PRESS)，PRESS越小，表明模型的預測能力越好。因此，一般取PRESS最小時對應的主因子數(shù)作為建模最佳主成分數(shù)[14]，一般因子數(shù)應限制在20個以內(nèi)，以防止過擬合現(xiàn)象出現(xiàn)[16]。采用MSC、SNV進行光程校正，結(jié)合S-G平滑、1-Der、2-Der方法及其組合對原始光譜進行預處理，將預處理后的光譜數(shù)據(jù)建立PLS數(shù)學模型。通過綜合比較分析Rc、Rp、RMSEC、RMSEP值的大小，確定最優(yōu)的可溶性固形物含量定量分析模型。各組合最優(yōu)定標結(jié)果見表2。

表2 不同預處理應用PLS建模結(jié)果

對經(jīng)過MSC、1-Der和S-G平滑相結(jié)合預處理后的光譜建立PLS預測模型，采用PRESS進行因子數(shù)獲取，因子數(shù)與PRESS值關(guān)系如圖3所示。當因子數(shù)為1～11個時，PRESS值從73.893 9到15.632 1，呈近似線性下降，因子數(shù)為12～16個時，PRESS值緩慢下降，當因子數(shù)為16個時達到最小值(14.270 7)，然后又上升，因此,最佳因子數(shù)為16個。

圖3 因子數(shù)與PRESS值的關(guān)系

在對原始光譜進行預處理后的數(shù)據(jù)建立的PLS模型中，使用MSC、1-Der 結(jié)合S-G(11,1)平滑處理過的模型相對穩(wěn)定，建模效果較好，當因子數(shù)為16個時，校正集可溶性固形物含量的相關(guān)系數(shù)Rc為0.979 1，RMSEC為0.265，預測集可溶性固形物含量的相關(guān)系數(shù)Rp為0.962 0，RMSEP為0.372。

其中Rc、Rp都較高，RMSEC和RMSEP均低且接近。葡萄可溶性固形物PLS建模校正集和驗證集相關(guān)性結(jié)果如圖4所示。

圖4 葡萄可溶性固形物含量的PLS建模結(jié)果

2.2.2 不同預處理應用SMLR建模評估 SMLR算法將全部葡萄光譜數(shù)據(jù)參與回歸，在回歸方程中，根據(jù)F檢驗，逐步剔除對可溶性固形物含量影響不顯著的變量，直到無法剔除為止。采用MSC、SNV進行光程校正，結(jié)合S-G平滑、1-Der、2-Der方法及其組合對原始光譜進行預處理，將預處理后的光譜數(shù)據(jù)建立SMLR數(shù)學模型。通過綜合比較分析Rc、Rp、RMSEC、RMSEP值的大小，確定最優(yōu)的可溶性固形物含量定量分析模型。各組合最優(yōu)定標結(jié)果見表3。

表3 不同預處理應用SMLR建模結(jié)果

在對原始光譜進行預處理后的數(shù)據(jù)建立的SMLR模型中，使用1-Der 結(jié)合S-G(11,1)平滑處理過的模型相對穩(wěn)定，建模效果較好，當因子數(shù)為12個時，校正集可溶性固形物含量的相關(guān)系數(shù)Rc為0.967 8，RMSEC為0.327，預測集可溶性固形物含量的相關(guān)系數(shù)Rp為0.947 2，RMSEP為0.394。其中Rc、Rp都較高，RMSEC和RMSEP最低且最接近。葡萄可溶性固形物SMLR建模校正集和驗證集相關(guān)性結(jié)果如圖5所示。

圖5 葡萄可溶性固形物含量的SMLR建模結(jié)果

3 結(jié)論

本試驗提出了應用高光譜成像技術(shù)檢測紅提葡萄內(nèi)部可溶性固形物含量的方法。運用多種預處理方法，減少非目標因素影響，并建立了檢測定量分析模型。結(jié)果表明，采用PLS及SMLR建模方法均取得較好的預測效果，采用經(jīng)過MSC、1-Der和S-G平滑相結(jié)合預處理后的光譜建立PLS預測模型，其Rc為0.979 1，RMSEC為0.265，Rp為0.962 0，RMSEP為0.372；采用原始光譜、1-Der和S-G平滑相結(jié)合預處理后的光譜建立SMLR預測模型，其Rc為0.967 8，RMSEC為0.327，Rp為0.947 2，RMSEP為0.394。表明利用高光譜成像技術(shù)對采后葡萄可溶性固形物含量檢測是可行的。在今后的研究中可以增加樣本數(shù)量和種類，研究生長期、溫度等對葡萄內(nèi)部品質(zhì)指標模型的影響，建立一個預測性能高且可移植的模型，促進該技術(shù)在農(nóng)產(chǎn)品檢測中的應用。

[1] Gabriel A,Leiva V,Lu R F,etal.Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging[J].Journal of Food Engineering,2013,115:91-98.

[2] Eimasry G,Wang N,Adel E,etal.Hyperspectral imaging for non-destructive determination of some quality attributes for strawberry[J].Journal of Food Engineering,2007,81:98-107.

[3] Rajkumar P,Wang N,Eimasry G.Studies on banana fruitquality and maturity stages using hyperspectral imaging[J].Journal of Food Engineering,2012,108:194-200.

[4] Mendoza F,Lu R,Ariana D,etal.Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content[J].Postharvest Biology and Technology,2011,62(2):149-160.

[5] 單佳佳,彭彥昆,王偉,等.基于高光譜成像技術(shù)的蘋果內(nèi)外品質(zhì)同時檢測[J].農(nóng)業(yè)機械學報，2011，42(3):140-144.

[6] 黃文倩,李江波,陳立平,等.以高光譜數(shù)據(jù)有效預測蘋果可溶性固形物含量[J].光譜學與光譜分析，2013，33(10)：2843-2846.

[7] 李鋒霞,馬本學,何青海,等.哈密瓜堅實度的高光譜無損檢測技術(shù)[J].光子學報，2013，42(5)：592-595.

[8] 馬本學,肖文東,祁想想,等.基于漫反射高光譜成像技術(shù)的哈密瓜糖度無損檢測研究[J].光譜學與光譜分析,2012,32(11)：3093-3097.

[9] 薛龍,黎靜,劉木華,等.基于遺傳算法的臍橙可溶性固形物的可見/近紅外光譜無損檢測[J].激光與光電子學進展,2010，47(12):109-113.

[10] Valentina G,Roberto B,Cristina M.Wavelength selection with a view to a simplified handheld optical system to estimate grape ripeness[J].Am J Enol Vitic,2014,65(1):117-123.

[11] Barbara B,Massimo D M,Milena C.Indirect evaluation of microbial spoiling activity in grape marcs by near-infrared spectroscopy[J].Am J Enol Vitic,2013,64(3):411-415.

[12] 呂剛.基于光譜和多光譜成像技術(shù)的葡萄內(nèi)部品質(zhì)快速無損檢測與儀器研究[D].杭州:浙江工業(yè)大學,2013.

[13] 吳桂芳,黃凌霞,何勇.葡萄漿果糖度可見/近紅外光譜檢測的研究[J].光譜學與光譜分析,2008,28(9):2090-2093.

[14] 張小超,吳靜珠,徐云.近紅外光譜分析技術(shù)及其在現(xiàn)代農(nóng)業(yè)中的應用[M].北京:電子工業(yè)出版社,2012.

[15] 嚴衍祿,陳斌,朱大洲,等.近紅外光譜分析的原理、技術(shù)與應用[M].北京:中國輕工業(yè)出版社,2013.

[16] 劉便霞.PLS校正集對FT-IR光譜定量分析精度的影響[D].合肥:中國科學技術(shù)大學,2011.

Detection of Soluble Solids Content of Postharvest Grape Based on Hyperspectral Imaging

XU Li1,YANG Jie2,WANG Yunxiang2,YE Jintao2,MA Benxue2*,Lü Chen2

(1.Xinjiang Huiyuan Seed Industry Co.,Ltd.,Shihezi 832003,China; 2.Mechanical and Electrical Engineering College,Shihezi University,Shihezi 832003,China)

A detection method of soluble solids content in grape based on hyperspectral imaging technology was proposed.The hyperspectral imaging system was used to collect the diffuse reflectance spectra of grape.In the spectra of 500—1 000 nm,multiplicative signal correction(MSC) and standard normal variate(SNV) were used to correct spectra,combined with first derivative(1-Der),second derivative(2-Der),Savitzky-Golay(S-G) smoothing and their combinations to preprocess the original reflectance spectra.Different calibration models of soluble solids content were developed based on partial least square(PLS) and stepwise multiple linear regression(SMLR).The results showed that the modeling effects were both very good using the method of PLS and SMLR.PLS prediction model was established after the pretreatment of MSC,1-Der and S-G smoothing.The correlation coefficient of calibration set(Rc) was 0.979 1 with the root mean square error of calibration set(RMSEC) of 0.265,and the correlation coefficient of prediction set(Rp) was 0.962 0 with root mean square error of predition set(RMSEP) of 0.372.SMLR prediction model was established after the pretreatment of original spectra,1-Der and S-G smoothing.TheRcwas 0.967 8 withRMSECof 0.327,and theRpwas 0.947 2 withRMSEPof 0.394.The study showed that hyperspectral imaging technique could determine soluble solids content of postharvest grape accurately and non-destructively.

hyperspectral imaging technique; spectrum analysis; grape; soluble solids content; partial least square

2016-11-25

國家科技支撐計劃項目(2015BAD19B03)

徐 麗(1970-),女，河南永城人，碩士，主要從事農(nóng)產(chǎn)品智能化檢測與分級裝備研究。 E-mail：626061652@qq.com

*通訊作者：馬本學(1970-)，男，山東章丘人，教授，主要從事農(nóng)產(chǎn)品智能化檢測與分級裝備研究。 E-mail：mbx_shz@163.com

S663.1;O657.39;TP274

A

1004-3268(2017)03-0143-05