基于高光譜漫透射成像可視化檢測(cè)臍橙可溶性固形物

介鄧飛， 李澤海， 趙竣威， 連裕翔， 魏 萱

(1. 華中農(nóng)業(yè)大學(xué) 工學(xué)院， 湖北 武漢 430070； 2. 福建農(nóng)林大學(xué) 機(jī)電工程學(xué)院， 福建 福州 350002)

基于高光譜漫透射成像可視化檢測(cè)臍橙可溶性固形物

介鄧飛1， 李澤海1， 趙竣威1， 連裕翔1， 魏 萱2*

(1. 華中農(nóng)業(yè)大學(xué) 工學(xué)院， 湖北 武漢 430070； 2. 福建農(nóng)林大學(xué) 機(jī)電工程學(xué)院， 福建 福州 350002)

厚皮類瓜果內(nèi)部品質(zhì)的無(wú)損檢測(cè)是目前水果產(chǎn)業(yè)的檢測(cè)技術(shù)瓶頸。本文采用高光譜漫透射技術(shù)對(duì)臍橙可溶性固形物(SSC)含量進(jìn)行可視化分析研究。通過(guò)基線校正(Baseline)預(yù)處理結(jié)合連續(xù)投影算法(SPA)優(yōu)選9個(gè)特征波長(zhǎng)，建立SSC偏最小二乘回歸(PLSR)模型，校正集相關(guān)系數(shù)rcal為0.891，校正集均方根誤差RSMEC為0.612 °Brix，預(yù)測(cè)集相關(guān)系數(shù)rpre為0.889，預(yù)測(cè)集均方根誤差RMSEP為0.630 °Brix。最后，計(jì)算各個(gè)像素點(diǎn)的SSC值結(jié)合圖像處理技術(shù)得出SSC的可視化分布圖，直觀判斷臍橙SSC含量高低。

臍橙； 可溶性固形物； 高光譜成像； 可視化； 無(wú)損檢測(cè)

1 引 言

隨著人民生活水平的提高，市場(chǎng)對(duì)水果糖度、口感、營(yíng)養(yǎng)成分等內(nèi)部品質(zhì)的要求也越來(lái)越高。糖度是臍橙的重要內(nèi)部品質(zhì)指標(biāo)，是實(shí)現(xiàn)其快速檢測(cè)與分級(jí)的重要組成部分。由于生長(zhǎng)狀態(tài)的不同，臍橙糖度等內(nèi)部品質(zhì)會(huì)存在差異，而內(nèi)部品質(zhì)的差異直接影響采后水果商品化處理和市場(chǎng)價(jià)值。臍橙屬于厚皮類水果，無(wú)損檢測(cè)難度較大，若能有效解決該問(wèn)題，則可以更好地適應(yīng)臍橙的商品化處理生產(chǎn)需求，提高其經(jīng)濟(jì)效益，增加水果銷售的利潤(rùn)。

國(guó)內(nèi)外許多學(xué)者對(duì)水果品質(zhì)無(wú)損檢測(cè)方法進(jìn)行了研究。目前的研究表明，利用光譜法可以有效檢測(cè)水果的內(nèi)部品質(zhì)，但只能檢測(cè)水果的部分點(diǎn)信息，水果內(nèi)部品質(zhì)在空間上具有不一致性，這對(duì)檢測(cè)結(jié)果的準(zhǔn)確性影響較大。高光譜成像技術(shù)結(jié)合了光譜檢測(cè)和圖像檢測(cè)的優(yōu)點(diǎn)，不僅能獲得待測(cè)物的空間圖像信息，還能反映其內(nèi)部品質(zhì)的光譜信息，該技術(shù)已被用來(lái)檢測(cè)一些水果(如香蕉、犁、蘋(píng)果、臍橙、棗、獼猴桃、草莓、哈密瓜等)常見(jiàn)缺陷(如擦傷，凍傷、蟲(chóng)害、潰瘍、裂紋等)[1-6]、品質(zhì)指標(biāo)(如水分、硬度、可溶性固形物、可滴定酸度等)[7-14]以及成熟度等[15-18]。

基于高光譜成像技術(shù)(Hyper spectral imaging, HSI))，結(jié)合化學(xué)計(jì)量學(xué)以及圖像處理方法可以對(duì)研究對(duì)象的內(nèi)部特征進(jìn)行可視化分析，但目前利用高光譜成像技術(shù)進(jìn)行水果內(nèi)部品質(zhì)可視化研究還較少。Pu和Sun[19]基于HSI技術(shù)對(duì)微波真空干燥芒果片過(guò)程中的水分進(jìn)行研究，獲取高光譜反射圖像，對(duì)水分的分布進(jìn)行了繪制。水分分布圖直觀地表明了干燥過(guò)程中芒果片中央的水分低于其他部分，優(yōu)選7個(gè)波長(zhǎng)建立多元線性回歸模型的預(yù)測(cè)集相關(guān)系數(shù)(Correlation coefficient of prediction，rpre)為0.996，預(yù)測(cè)均方根誤差(Root mean square error of prediction，RMSEP)為1.282%。郭志明等[20]利用高光譜圖像技術(shù)，對(duì)獲取的高光譜反射圖像進(jìn)行光強(qiáng)度校正之后建立糖度預(yù)測(cè)的偏最小二乘(Partial least squares regression, PLSR)預(yù)測(cè)模型，rpre為0.923，RMSEP為0.433 °Brix，得到蘋(píng)果的糖度分布圖，使蘋(píng)果樣本的糖度分布可視化。Sun等[21]采用近紅外高光譜成像技術(shù)對(duì)伊麗莎白甜瓜的糖度進(jìn)行了無(wú)損檢測(cè)研究，研究結(jié)果顯示，對(duì)糖度建立PLSR模型效果較優(yōu)，rpre為0.892，均方根誤差(Root mean square error，RMSE)為1.170%，并得出了伊麗莎白甜瓜糖度可視化分布圖。

高光譜圖像采集方式通常采用反射模式，該模式只可檢測(cè)水果表面和近表面的品質(zhì)和安全屬性[22-23]。為了能夠獲取臍橙內(nèi)部有效信息及避免高光譜采集過(guò)程中表皮亮斑對(duì)內(nèi)部品質(zhì)定量光譜和圖像分析的影響，本文采用高光譜漫透射圖像技術(shù)對(duì)臍橙糖度內(nèi)部品質(zhì)進(jìn)行無(wú)損檢測(cè)研究。目前臍橙等厚皮類水果透射模型的研究應(yīng)用還較少，本研究充分利用高光譜成像技術(shù)的圖譜合一的優(yōu)勢(shì)，對(duì)臍橙可溶性固性物(Soluble solid content，SSC)進(jìn)行可視化檢測(cè)分析，為實(shí)現(xiàn)高光譜圖像對(duì)臍橙水果內(nèi)部品質(zhì)的在線檢測(cè)提供技術(shù)依據(jù)。該研究可以為進(jìn)一步研究厚皮水果不同生長(zhǎng)階段及采后果實(shí)內(nèi)部品質(zhì)部位差異及個(gè)體間空間差異引起的品質(zhì)變化規(guī)律等方面提供前期研究基礎(chǔ)和理論方法。

2 材料與方法

2.1 實(shí)驗(yàn)樣本

實(shí)驗(yàn)所用的臍橙樣本購(gòu)買(mǎi)自武漢水果批發(fā)市場(chǎng)。隨機(jī)選取產(chǎn)地為贛南的臍橙100個(gè)樣品，樣本當(dāng)天運(yùn)回實(shí)驗(yàn)室，剔除異常不規(guī)則樣本后，剩余90個(gè)樣品外觀完好，色澤基本一致。樣本表面擦拭干凈，依次對(duì)樣品進(jìn)行編號(hào)。24 h后，測(cè)定樣本大小、質(zhì)量等物理參數(shù)。

2.2 高光譜漫透射成像系統(tǒng)

高光譜漫透射成像系統(tǒng)如圖1所示。系統(tǒng)主要由高光譜成像儀、光源、風(fēng)扇、暗箱、樣品室、電動(dòng)位移平臺(tái)和計(jì)算機(jī)等組成。其中，高光譜成像儀由CCD攝像頭(Andor，Clara，Britain)、圖像光譜儀(SPECIM，V10E-CL，F(xiàn)inland)和成像鏡頭組成，樣品室光源采用4盞50 W鹵素?zé)簦L(fēng)扇用于樣品室的散熱。在高光譜圖像采集時(shí)，將臍橙樣品放置于樣品室，樣品室置于暗箱內(nèi)部載物臺(tái)，采集臍橙花萼部位的高光譜圖像信息。

圖1 高光譜漫透射成像系統(tǒng)

Fig.1 Acquisition of the transmission spectra of navel orange by hyperspectral imaging system

2.3 高光譜獲取與校正

將實(shí)驗(yàn)樣品放入樣品室內(nèi)，打開(kāi)樣品室的光源，并壓緊上層蓋板，采用柔性材料保證實(shí)驗(yàn)裝置不漏光。高光譜成像儀波長(zhǎng)范圍為390～1 055 nm，光譜分辨率為2.8 nm，設(shè)置曝光時(shí)間100 ms，設(shè)置水平位移速度為2.0 mm/s，采用2×2 binning壓縮采集方式，光譜數(shù)據(jù)點(diǎn)數(shù)520。

利用高光譜成像儀測(cè)量所得的實(shí)驗(yàn)樣品的光譜，在暗電流與光源強(qiáng)度分布不均勻的情況下，會(huì)使所得的光譜中存在許多干擾噪聲從而影響實(shí)驗(yàn)結(jié)果分析。然而采用在暗室下測(cè)得的黑板圖像和在全反射下測(cè)得的白板圖像，利用Spec View軟件進(jìn)行黑白校正，則可很好地去除噪聲。首先，獲取全白漫透射圖像Iwhite，然后蓋上鏡頭，獲取全黑圖像Idark，最后根據(jù)公式(1)進(jìn)行黑白校正，獲取校正后高光譜漫透射圖像Itran。

(1)

其中，Itran為校正后高光譜漫透射圖像，I為采集的原始圖像，Iwhite為全白圖像，Idark為全黑圖像。

2.4 理化指標(biāo)測(cè)定

測(cè)量臍橙樣品的基本外觀參數(shù)、質(zhì)量。用游標(biāo)卡尺測(cè)量每個(gè)樣品的赤道周長(zhǎng)及縱徑(高度)，用電子天平稱其質(zhì)量。通常用果實(shí)中SSC含量代表其糖度，而臍橙內(nèi)部品質(zhì)主要特性指標(biāo)由SSC含量高低來(lái)決定[23]。采用榨汁機(jī)對(duì)臍橙樣本榨汁，過(guò)濾后用WYT-4型手持糖度計(jì)(福建泉州光學(xué)儀器廠)測(cè)量SSC并記錄數(shù)據(jù)。

2.5 分析方法和軟件

運(yùn)算過(guò)程通過(guò)ENVI4.7(ResearchSystemInc,Boulder,Co.,USA)、Unscramblerversion9.6(CAMOPROCESSAS,Norway)、Matlab7.10R2010b(TheMathWorks,Natick,USA)等完成。

高光譜數(shù)據(jù)在進(jìn)行數(shù)據(jù)處理過(guò)程中，有效降維可以降低高光譜圖像中的噪聲，提高算法的抗噪聲能力[24]。連續(xù)投影算法(Successiveprojectionsalgorithm，SPA)是一種矢量空間共線性最小化的前向變量選擇算法，能夠從光譜矩陣中尋找含有最低限度冗余信息的變量組，使變量之間的共線性達(dá)到最小，減少變量個(gè)數(shù)，提高建模效率[25]。

3 結(jié)果與討論

3.1 樣本物理化學(xué)指標(biāo)測(cè)定結(jié)果

依據(jù)臍橙樣本測(cè)得的SSC含量劃分校正集和預(yù)測(cè)集，預(yù)測(cè)集糖度范圍應(yīng)落入校正集內(nèi)，兩個(gè)集合內(nèi)樣本數(shù)目分別為建模集60個(gè)，預(yù)測(cè)集30個(gè)，其理化指標(biāo)測(cè)定結(jié)果如表1所示。從表1可以看出，不同臍橙的外形尺寸和質(zhì)量差異均較大。通過(guò)SPSS軟件，進(jìn)行變量相關(guān)性分析，質(zhì)量、高度、赤道周長(zhǎng)與SSC含量變化均沒(méi)有顯著相關(guān)性(P值分別為0.065，0.171，0.187>0.05)。

表1 臍橙樣本的物理參數(shù)和可溶性固形物含量

3.2 感興趣區(qū)域光譜

對(duì)每個(gè)臍橙樣本高光譜圖像取相同大小感興趣區(qū)域(Regions of interest，ROI)，以花萼為中心，取260×260像素大小的圓形感興趣區(qū)域，統(tǒng)計(jì)感興趣區(qū)域所有像素點(diǎn)，然后計(jì)算該區(qū)域平均光譜曲線。臍橙高光譜圖兩端噪音較大，去除首尾噪音部分，選取450～1 000 nm范圍內(nèi)的光譜，如圖2所示，共計(jì)430個(gè)波段進(jìn)行后續(xù)分析。從圖2可以看出，臍橙高光譜圖在720 nm和810 nm附近有兩個(gè)波峰，在680 nm和760 nm附近有兩個(gè)波谷。

圖2 臍橙樣本的高光譜圖

3.3 光譜預(yù)處理

在高光譜圖像獲取過(guò)程中，樣本差異、光程和測(cè)試環(huán)境的輕微變化均可能會(huì)引起光譜基線的偏移或帶來(lái)噪聲。為了消除這些影響，我們對(duì)獲得的光譜實(shí)施不同的光譜預(yù)處理方法進(jìn)行光譜校正并對(duì)樣本SCC含量建立PLSR預(yù)測(cè)模型，結(jié)果如表2所示。從表中可知，結(jié)果光譜經(jīng)基線校正后所建立的預(yù)測(cè)模型效果較好，校正集相關(guān)系數(shù)(Correlation coefficient of calibration，rcal)為0.905，校正誤差均方根(Root mean square error of calibration，RMSEC)為0.603 °Brix，預(yù)測(cè)集相關(guān)系數(shù)rpre為0.901，預(yù)測(cè)誤差均方根RMSEP為0.625 °Brix。

表2 臍橙高光譜建模預(yù)測(cè)結(jié)果

Tab.2 Modeling using different spectra at different methods

MethodsCalibrationPredictionrcalRMSECrpreRMSEPRaw0.8200.8130.8200.840Smoothing0.8380.7770.8330.801Baseline0.9050.6030.9010.625MSC0.9280.5290.8310.858SNV0.9280.5290.8200.939Smoothing+Baseline0.9050.6040.8110.860

3.4 特征波長(zhǎng)優(yōu)選

對(duì)采用基線校正后的全光譜利用SPA進(jìn)行特征波長(zhǎng)優(yōu)選出9個(gè)波長(zhǎng)，分別為557.9，564.2，576.8，609.5，693.2，718.7，773.8，811.2，864.4 nm，它們?cè)诠庾V中的位置如圖3所示。將選出的9個(gè)特征波長(zhǎng)對(duì)應(yīng)的光譜作為輸入變量對(duì)相應(yīng)的SSC進(jìn)行PLSR建模預(yù)測(cè)分析，所得結(jié)果如下：rcal為0.891，RMSEC為0.612 °Brix；rpre為0.889，RMSEP為0.630 °Brix。雖然建模結(jié)果較全光譜略有降低，但相較430個(gè)波長(zhǎng)，簡(jiǎn)化了預(yù)測(cè)模型，提高了計(jì)算速率。

圖3 連續(xù)投影算法優(yōu)選特征變量

利用上述優(yōu)選出的波長(zhǎng)光譜對(duì)糖度建立多元線性回歸(Multivariable linear regression，MLR)模型：

Y=11.454-2624.68λ1+1754.48λ2-

107.2466λ7-72.8414λ8+61.38307λ9，

(2)

其中Y表示臍橙SSC值，λi表示相應(yīng)波長(zhǎng)i所對(duì)應(yīng)的光譜透射率。方程(2)可用于臍橙各個(gè)像素點(diǎn)SSC值的計(jì)算。

3.5 臍橙內(nèi)部糖度可視化分析

利用方程(2)結(jié)合圖像處理技術(shù)，在Matlab中進(jìn)行進(jìn)一步處理，計(jì)算臍橙樣本各個(gè)像素點(diǎn)對(duì)應(yīng)SSC含量，由此得到臍橙SSC的可視化分布圖。選取不同SSC含量臍橙作為可視化樣本，可視化分析結(jié)果如圖4所示。

從圖4可以看出，對(duì)于任一樣本，臍橙果肉最大SSC含量均超過(guò)平均SSC含量，不同橘瓣中SSC含量有差異，這與顧建芹等的研究結(jié)果一致[26]。對(duì)于單個(gè)成熟果實(shí)而言，其不同部位柑橘果實(shí)可溶性固形物測(cè)定結(jié)果差異顯著，從維管束到囊瓣皮再到汁囊存在由高到低的蔗糖梯度，這在可視化圖中也有所呈現(xiàn)。圖中平均SSC含量越高的樣本，其較高SSC含量的部分分布越廣。在SSC的含量從低到高變化的同時(shí)，其最大SSC含量也在發(fā)生變化，圖4中，(a)～(f)的樣本最大SSC含量值均低于(g)～(l)。平均SSC含量在13.5 °Brix之后，SSC最大含量增大比較明顯，但(a)～(f)或(g)～(l)集合中的樣本之間的最大SSC含量差異較小。對(duì)于較低SSC含量的樣本，如圖4(a)～(b)，仍有少量部分SSC含量較高。相近SSC含量的樣本，如圖4(e)和(f)，SSC含量較高部分和較低部分分布也顯示出較大差異。

4 結(jié) 論

采用可見(jiàn)-近紅外(390～1 055 nm)高光譜漫透射成像技術(shù)可以實(shí)現(xiàn)臍橙內(nèi)部SSC可視化分布，進(jìn)而實(shí)現(xiàn)臍橙內(nèi)部品質(zhì)分析。主要結(jié)論如下：

(1)采用SPA-PLSR建立臍橙內(nèi)部的SSC預(yù)測(cè)模型，可以得到較好的預(yù)測(cè)效果并簡(jiǎn)化預(yù)測(cè)模型，最終保留9個(gè)特征波段，該模型預(yù)測(cè)結(jié)果如下：rcal為0.891，RMSEC為0.612 °Brix；rpre為0.889，RMSEP為0.630 °Brix。

(2)根據(jù)MLR回歸方程計(jì)算臍橙高光譜圖像每個(gè)像素點(diǎn)的SSC值，結(jié)合圖像處理方法可繪制出臍橙內(nèi)部的SSC可視化分布圖，但本文的檢測(cè)精度還需提高。

通過(guò)獲取臍橙高光譜漫透射圖像，采用圖像與光譜技術(shù)實(shí)現(xiàn)臍橙內(nèi)部的SSC可視化，可以直觀地對(duì)臍橙內(nèi)部品質(zhì)進(jìn)行判別，為進(jìn)一步有效監(jiān)測(cè)和分析臍橙生長(zhǎng)變化規(guī)律及采后品質(zhì)變化等方面的無(wú)損檢測(cè)研究提供前期研究基礎(chǔ)與理論方法。

[1] WU L G, HE J G, LIU G S,etal.. Detection of common defects on jujube using Vis-NIR and NIR hyperspectral imaging [J].Postharv.Biol.Technol., 2016, 112:134-142.

[2] 李江波, 饒秀勤, 應(yīng)義斌, 等. 基于高光譜成像技術(shù)檢測(cè)臍橙潰瘍 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2010, 26(8):222-228. LI J B, RAO X Q, YING Y B,etal.. Detection of navel oranges canker based on hyperspectral imaging technology [J].Trans.CSAE, 2010, 26(8):222-228. (in Chinese)

[3] 田有文, 程怡, 王小奇, 等. 基于高光譜成像的蘋(píng)果蟲(chóng)害檢測(cè)特征向量的選取 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(12):132-139. TIAN Y W, CHENG Y, WANG X Q,etal.. Feature vectors determination for pest detection on apples based on hyperspectral imaging [J].Trans.Chin.Soc.Agric.Eng., 2014, 30(12):132-139. (in Chinese)

[4] 章海亮, 高俊峰, 何勇. 基于高光譜成像技術(shù)的柑橘缺陷無(wú)損檢測(cè) [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(9):177-181. ZHANG H L, GAO J F, HE Y. Nondestructive detection of Citrus defection using hyper-spectra imaging technology [J].Trans.Chin.Soc.Agric.Mech., 2013, 44(9):177-181. (in Chinese)

[5] LI J B, CHEN L P, HUANG W Q,etal.. Multispectral detection of skin defects of bi-colored peaches based on Vis-NIR hyperspectral imaging [J].Postharv.Biol.Technol., 2016, 112:121-133.

[6] YU K Q, ZHAO Y R, LI X L,etal.. Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing [J].Comput.Electron.Agric., 2014,103:1-10.

[7] 李丹, 何建國(guó), 劉貴珊, 等. 基于高光譜成像技術(shù)的小黃瓜水分無(wú)損檢測(cè) [J]. 紅外與激光工程, 2014, 43(7):2393-2397. LI D, HE J G, LIU G S,etal.. Non-destructive detection of moisture content in gherkin using hyperspectral imaging [J].InfraredLaserEng., 2014, 43(7):2393-2397. (in Chinese)

[8] LI B C, HOU B L, ZHANG D W,etal.. Pears characteristics (soluble solids content and firmness prediction, varieties) testing methods based on visible-near infrared hyperspectral imaging [J].Optik-Int.J.LightElectron.Opt., 2016, 127(5):2624-2630.

[9] 詹白勺, 倪君輝, 李軍. 高光譜技術(shù)結(jié)合CARS算法的庫(kù)爾勒香梨可溶性固形物定量測(cè)定 [J]. 光譜學(xué)與光譜分析, 2014, 34(10):2752-2757. ZHAN B S, NI J H, LI J. Hyperspectral technology combined with CARS algorithm to quantitatively determine the SSC in Korla Fragrant pear [J].Spectrosc.Spect.Anal., 2014, 34(10):2752-2757. (in Chinese)

[10] LEIVA-VALENZUELA G A, LU R F, AGUILERA J M. Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging [J].J.FoodEng., 2013, 115(1):91-98.

[11] 馬本學(xué), 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(wú)損檢測(cè)研究 [J]. 光譜學(xué)與光譜分析, 2012, 32(11):3093-3097. MA B X, XIAO W D, QI X X,etal.. Nondestructive measurement of sugar content of Hami melon based on diffuse reflectance hyperspectral imaging technique [J].Spectrosc.Spect.Anal., 2012, 32(11):3093-3097. (in Chinese)

[12] 董金磊, 郭文川. 采后獼猴桃可溶性固形物含量的高光譜無(wú)損檢測(cè) [J]. 食品科學(xué), 2015, 36(16):101-106. DONG J L, GUO W C. Nondestructive detection of soluble solid content of postharvest kiwifruits based on hyperspectral imaging technology [J].FoodSci., 2015, 36(16):101-106. (in Chinese)

[13] BAIANO A, TERRACONE C, PERI G,etal.. Application of hyperspectral imaging for prediction of physico-chemical and sensory characteristics of table grapes [J].Comput.Electron.Agric., 2012, 87:142-151.

[14] ELMASRY G, WANG N, ELSAYED A,etal.. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry [J].J.FoodEng., 2007, 81(1):98-107.

[15] SIVAKUMAR S S, QIAO J, WANG N,etal. Detecting maturity parameters of mango using hyperspectral imaging technique [C].AmericanSocietyofAgriculturalandBiologicalEngineersAnnualMeeting,Portland,Oregon, 2006.

[16] RAJKUMAR P, WANG N, EIMASRY G,etal.. Studies on banana fruit quality and maturity stages using hyperspectral imaging [J].J.FoodEng., 2012, 108(1):194-200.

[17] 薛建新, 張淑娟, 張晶晶. 基于高光譜成像技術(shù)的沙金杏成熟度判別 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(11):300-307. XUE J X, ZHANG S J, ZHANG J J. Ripeness classification of Shajin apricot using hyperspectral imaging technique [J].Trans.Chin.Soc.Agric.Eng., 2015, 31(11):300-307. (in Chinese)

[18] ZHANG C, GUO C T, LIU F,etal.. Hyperspectral imaging analysis for ripeness evaluation of strawberry with support vector machine [J].J.FoodEng., 2016, 179:11-18.

[19] PU Y Y, SUN D W. Prediction of moisture content uniformity of microwave-vacuum dried mangoes as affected by different shapes using NIR hyperspectral imaging [J].Innov.FoodSci.Emerg.Technol., 2016, 33:348-356.

[20] 郭志明, 趙春江, 黃文倩, 等. 蘋(píng)果糖度高光譜圖像可視化預(yù)測(cè)的光強(qiáng)度校正方法 [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(7):227-232. GUO Z M, ZHAO C J, HUANG W Q,etal.. Intensity correction of visualized prediction for sugar content in apple using hyperspectral imaging [J].Trans.Chin.Soc.Agric.Mech., 2015, 46(7):227-232. (in Chinese)

[21] SUN M J, ZHANG D, LIU L,etal.. How to predict the sugariness and hardness of melons: a near-infrared hyperspectral imaging method [J].FoodChem., 2017, 218:413-421.

[22] 郭恩有, 劉木華, 趙杰文, 等. 臍橙糖度的高光譜圖像無(wú)損檢測(cè)技術(shù) [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2008, 39(5):91-93. GUO E Y, LIU M H, ZHAO J W,etal.. Nondestructive detection of sugar content on navel orange with hyperspectral imaging [J].Trans.Chin.Soc.Agric.Mech., 2008, 39(5):91-93. (in Chinese)

[23] 許文麗, 孫通, 吳文強(qiáng), 等. 可見(jiàn)/近紅外漫反射與漫透射檢測(cè)臍橙可溶性固形物的對(duì)比研究 [J]. 光子學(xué)報(bào), 2013, 42(12):1486-1490. XU W L, SUN T, WU W Q,etal.. Contrast of Vis/NIR reflection and diffuse transmission in detecting the SSC of Ganan navel oranges [J].ActaPhoton.Sinica, 2013, 42(12):1486-1490. (in Chinese)

[24] 賈志成, 薛允艷, 陳雷, 等. 基于去噪降維和蝙蝠優(yōu)化的高光譜圖像盲解混算法 [J]. 光子學(xué)報(bào), 2016, 45(5):0511001-1-10. JIA Z C, XUE Y Y, CHEN L,etal.. Blind separation algorithm for hyperspectral image based on the denoising reduction and the bat optimization [J].ActaPhoton.Sinica, 2016, 45(5):0511001-1-10. (in Chinese)

[25] 介鄧飛, 謝麗娟, 饒秀勤, 等. 近紅外光譜變量篩選提高西瓜糖度預(yù)測(cè)模型精度 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(12):264-270. JIE D F, XIE L J, RAO X Q,etal.. Improving accuracy of prediction model for soluble solids content of watermelon by variable selection based on near-infrared spectroscopy [J].Trans.Chin.Soc.Agric.Eng., 2013, 29(12):264-270. (in Chinese)

[26] 顧建芹. 暗柳橙及其突變體紅暗柳橙果實(shí)發(fā)育過(guò)程中糖酸組分的變化 [D]. 武漢: 華中農(nóng)業(yè)大學(xué), 2007. GUJ Q.ChangingofSugarandAcidContentsofAnliuSweetOrangeandItsMutantRedAnliuSweetOrangeDuringFruitDevelopments[D]. Wuhan: Huazhong Agricultural University, 2007. (in Chinese)

介鄧飛(1982-)，男，山西運(yùn)城人，博士，講師，2014年于浙江大學(xué)獲得博士學(xué)位，主要從事光譜無(wú)損檢測(cè)技術(shù)與裝備的研究。

Email： jiedengfei@163.com 魏萱(1987-)，女，四川資中人，博士，講師，2014年于浙江大學(xué)獲得博士學(xué)位，主要從事光譜分析技術(shù)方面的研究。

Email： xuanweixuan@126.com

Visualized Detection of Soluble Solid Content Distribution of Navel Orange Based on Hyperspectral Diffuse Transmittance Imaging

JIE Deng-fei1, LI Ze-hai1, ZHAO Jun-wei1, LIAN Yu-xiang1, WEI Xuan2*

(1.CollegeofEngineering,HuazhongAgriculturalUniversity,Wuhan430070,China；2.CollegeofMechanicalandElectronicEngineering,FujianAgricultureandForestryUniversity,Fuzhou350002,China)

Compared with the fruit with thin skin, it is more difficult to acquire the internal quality information of fruits with thick skin. In this study,the hyperspectral diffuse transmission technique was used to visually analyze the soluble solids content (SSC) of navel orange. By comparison of the results, the model using the spectra pretreated by baseline correction as the input was the best one. Based on the baseline corrected spectra, successive projections algorithm (SPA) was applied to select feature wavelengths and finally 9 bands were remained. The results of the partial least squares regression (PLSR) model for SSC prediction indicate that the correlation coefficient of calibration (rcal) is 0.891, the root mean square error of calibration (RSMEC) is 0.612, the correlation coefficient of prediction (rpre) is 0.889, and the root mean square error of prediction (RMSEP) is 0.630, respectively. Using the spectra of feature wavelengths as the input, the multiple linear regression (MLR) models for SSC prediction were calibrated. Based on the MLR model, each pixel value of the images was calculated. Combined with the image processing, the distribution maps of SSC in navel orange were drawn. So, the SSC of navel orange can be intuitive judged.

navel orange; soluble solids content; hyperspectral imaging; visualization; nondestructive detection

1000-7032(2017)05-0685-07

2016-11-05；

2017-01-24

現(xiàn)代農(nóng)業(yè)(柑橘)產(chǎn)業(yè)技術(shù)體系建設(shè)專項(xiàng)資金(CARS-27)； 中央高?；究蒲袠I(yè)務(wù)費(fèi)(2662014BQ091；2662015PY078)資助項(xiàng)目 Support by Project of Special Funds for The Construction of Modern Agriculture (Citrus) Industry Technology System(CARS-27); Fundamental Research Funds for The Central Universities(2662014BQ091,2662015PY078)

S666; TP751

A

10.3788/fgxb20173805.0685

*CorrespondingAuthor,E-mail:xuanweixuan@126.com