鮮棗內(nèi)部綜合品質(zhì)光譜評(píng)價(jià)指標(biāo)建立與分析

孫海霞 張淑娟 薛建新 劉蔣龍 趙旭婷

(山西農(nóng)業(yè)大學(xué)工學(xué)院， 太谷 030801)

鮮棗內(nèi)部綜合品質(zhì)光譜評(píng)價(jià)指標(biāo)建立與分析

孫海霞 張淑娟 薛建新 劉蔣龍 趙旭婷

(山西農(nóng)業(yè)大學(xué)工學(xué)院， 太谷 030801)

為實(shí)現(xiàn)鮮棗內(nèi)部綜合品質(zhì)的在線無(wú)損快速檢測(cè)，利用可見(jiàn)/近紅外光譜漫反射技術(shù)，針對(duì)完熟期壺瓶棗的內(nèi)部品質(zhì)，包括含水率、可溶性固形物含量、硬度、可溶性蛋白質(zhì)含量、維生素C含量5項(xiàng)指標(biāo)，分別采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(CARS)提取特征波長(zhǎng)并建立最小二乘-支持向量機(jī)(LS-SVM)預(yù)測(cè)模型，硬度預(yù)測(cè)模型的相關(guān)系數(shù)和均方根誤差分別為0.945 2和41.684 9，其余品質(zhì)預(yù)測(cè)模型的相關(guān)系數(shù)均在0.923 0及以上、均方根誤差均在3.779 2及以下。在此基礎(chǔ)上，對(duì)5項(xiàng)品質(zhì)指標(biāo)進(jìn)行了相關(guān)性分析，表明在0.01或0.05水平上兩兩指標(biāo)間存在極顯著或顯著的相關(guān)性，故采用因子分析法構(gòu)建了內(nèi)部綜合品質(zhì)評(píng)價(jià)指標(biāo)，建立了CARS-LS-SVM預(yù)測(cè)模型，結(jié)果表明該模型的相關(guān)系數(shù)和均方根誤差分別為0.924 1和6.063 5，預(yù)測(cè)精度較高。研究表明，所建立的CARS-LS-SVM模型可有效實(shí)現(xiàn)鮮棗內(nèi)部綜合品質(zhì)的評(píng)價(jià)。

鮮棗； 內(nèi)部綜合品質(zhì)； 特征提取； 可見(jiàn)/近紅外光譜

引言

在果品品質(zhì)[1-2]評(píng)價(jià)中，含水率、可溶性固形物含量影響果實(shí)的內(nèi)部口感，硬度影響果肉質(zhì)地，蛋白質(zhì)含量、維生素含量影響果實(shí)的營(yíng)養(yǎng)成分，上述指標(biāo)直接影響水果的定級(jí)和定價(jià)。

近年來(lái)，近紅外光譜技術(shù)已成功應(yīng)用于水果內(nèi)部品質(zhì)檢測(cè)中，國(guó)內(nèi)外許多學(xué)者做了相關(guān)研究。JNIOR等[3]建立了新鮮巴西莓的干物質(zhì)含量與傅里葉變換近紅外漫反射光譜數(shù)據(jù)的偏最小二乘回歸(Partial least squares regression，PLSR)模型，從側(cè)面驗(yàn)證了水果中含水率與近紅外光譜數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系。在此基礎(chǔ)上，研究者還對(duì)巴西莓的花青素含量和可溶性固形物含量進(jìn)行了相應(yīng)的檢測(cè)研究[4]。MANIWARA等[5]利用可見(jiàn)光和短波近紅外光譜建立多變量PLSR預(yù)測(cè)模型，同時(shí)實(shí)現(xiàn)對(duì)百香果的可溶性固形物含量、可滴定酸含量、抗壞血酸含量、乙醇濃度、果皮硬度等指標(biāo)的建模分析，可溶性固形物含量預(yù)測(cè)效果最好且相關(guān)系數(shù)達(dá)到0.923；抗壞血酸含量不適合采用該模型預(yù)測(cè)，其余指標(biāo)預(yù)測(cè)效果良好。張淑娟等[6]利用近紅外光譜技術(shù)針對(duì)鮮棗的可溶性固形物含量建立了全波段偏最小二乘模型進(jìn)行預(yù)測(cè)分析，相關(guān)系數(shù)和預(yù)測(cè)均方根誤差分別為0.887 4和1.088 9。上述研究主要在靜態(tài)條件下進(jìn)行。為在生產(chǎn)實(shí)際中推廣使用，SALGUERO-CHAPARRO等[7-8]、MENDOZA等[9]、XU等[10]、JIE等[11]已分別實(shí)現(xiàn)了對(duì)橄欖、蘋(píng)果、梨、西瓜的在線檢測(cè)。以上研究中多采用近紅外光譜技術(shù)，通過(guò)建立單一品質(zhì)模型進(jìn)行檢測(cè)，少有針對(duì)多項(xiàng)內(nèi)部品質(zhì)建立綜合品質(zhì)評(píng)價(jià)指標(biāo)，對(duì)水果進(jìn)行多指標(biāo)同步檢測(cè)的研究。

本文以壺瓶棗為研究對(duì)象，利用Field Spec3型光譜儀采集漫反射光譜數(shù)據(jù)，分別針對(duì)含水率、可溶性固形物含量、硬度、可溶性蛋白質(zhì)含量、維生素C含量提取特征波長(zhǎng)并建立最小二乘-支持向量機(jī)預(yù)測(cè)模型；分析以上5項(xiàng)指標(biāo)的相關(guān)性并運(yùn)用因子分析法構(gòu)建內(nèi)部綜合品質(zhì)評(píng)價(jià)指標(biāo)，然后提取特征波長(zhǎng)，建立最小二乘-支持向量機(jī)預(yù)測(cè)模型，并分析其預(yù)測(cè)精度，旨在建立反映鮮棗內(nèi)部綜合品質(zhì)信息的快速無(wú)損檢測(cè)模型，為實(shí)現(xiàn)鮮棗品質(zhì)多指標(biāo)同步在線檢測(cè)奠定理論基礎(chǔ)。

1 材料與方法

1.1 樣本采集

以從山西省太谷縣小白村果園采集的160個(gè)顏色均勻的完熟期壺瓶棗為實(shí)驗(yàn)樣本，采后當(dāng)天運(yùn)達(dá)實(shí)驗(yàn)室并篩選成熟度、大小、形狀相對(duì)一致的果實(shí)，剔除異形果、損傷果和軟果，以保證果實(shí)的物性初始狀態(tài)相對(duì)一致，降低果實(shí)之間個(gè)體差異對(duì)實(shí)驗(yàn)結(jié)果的影響。最終選擇實(shí)驗(yàn)樣本153個(gè)，按照3∶1的比例隨機(jī)分成校正集(117個(gè))和預(yù)測(cè)集(36個(gè))。

1.2 內(nèi)部品質(zhì)指標(biāo)測(cè)定

對(duì)所有鮮棗樣本進(jìn)行5項(xiàng)內(nèi)部品質(zhì)指標(biāo)的測(cè)定。含水率的測(cè)定按GB/T 5009.3—2010中的直接干燥法進(jìn)行；可溶性固形物含量的測(cè)定按GB/T 12295—90進(jìn)行；維生素C含量的測(cè)定按GB/T 6195—86進(jìn)行；可溶性蛋白質(zhì)含量的測(cè)定采用考馬斯亮藍(lán)法(染料法)[12]；硬度真實(shí)值的測(cè)定采用美國(guó)FTC公司生產(chǎn)的TMS-PRO型食品物性分析儀(質(zhì)構(gòu)儀)進(jìn)行，探頭插入點(diǎn)與光譜采集位點(diǎn)相對(duì)應(yīng)[13]，測(cè)試探頭為直徑2 mm的圓平頭，測(cè)前速率和測(cè)后速率均為3 mm/s，測(cè)中速率為2 mm/s，觸發(fā)力為5 g。

測(cè)定5項(xiàng)理化指標(biāo)的基本統(tǒng)計(jì)值見(jiàn)表1。

表1 壺瓶棗樣本不同理化指標(biāo)的基本統(tǒng)計(jì)值Tab.1 Statistics of different indicators for Huping jujube samples

1.3 可見(jiàn)/近紅外光譜數(shù)據(jù)采集

圖1 樣本光譜曲線Fig.1 Spectrum curves of samples

利用美國(guó)ASD(Analytical Spectral Device)公司生產(chǎn)的Field Spec3型光譜儀(采樣范圍為350～2 500 nm)采集153個(gè)壺瓶棗樣本的漫反射光譜數(shù)據(jù)，如圖1所示。整個(gè)光譜曲線有較高反射率，各光譜曲線的反射率雖有顯著差異但有相似變化趨勢(shì)。960 nm、1 400 nm波長(zhǎng)處，光譜線下凹，形成2個(gè)明顯的水分吸收峰； 680 nm、1 148 nm等多處波長(zhǎng)處也有較弱的吸收峰。1 500～2 500 nm間光譜曲線譜帶復(fù)雜、重疊多、反射率較低，與350～1 100 nm相比，總體走勢(shì)較平緩，沒(méi)有明顯吸收峰，波峰和波谷沒(méi)有劇烈的起伏。350～450 nm、2 400～2 500 nm波段的各條光譜曲線反射率有較小差異，交錯(cuò)在一起很難區(qū)分，為邊緣波段，有較低信噪比，在后續(xù)的研究中應(yīng)剔除。

1.4 光譜數(shù)據(jù)分析

在光譜數(shù)據(jù)的處理和分析中，利用Matlab R2012b軟件(美國(guó)The MathWorks公司)實(shí)現(xiàn)競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(Competitive adaptive reweighted sampling，CARS)提取特征波長(zhǎng)和最小二乘-支持向量機(jī)(Least squares-support vector machines，LS-SVM)建模。

1.4.1特征波長(zhǎng)提取方法

競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法[14-15]是一種變量選擇方法，以自適應(yīng)重加權(quán)采樣技術(shù)和指數(shù)衰減函數(shù)為核心，在偏最小二乘模型優(yōu)選出的極值回歸系數(shù)基礎(chǔ)上，利用十字交叉法優(yōu)選出多個(gè)模型子集中的交叉驗(yàn)證均方根誤差最小的模型為最優(yōu)變量。

1.4.2預(yù)測(cè)模型

最小二乘-支持向量機(jī)[16-18]克服了神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜且容易出錯(cuò)等方面的不足；與原支持向量機(jī)相比，將求解二次規(guī)劃問(wèn)題轉(zhuǎn)化為直接求解線性方程組，降低了計(jì)算復(fù)雜度。

1.5 內(nèi)部品質(zhì)指標(biāo)值統(tǒng)計(jì)分析

利用SPSS19.0軟件對(duì)所測(cè)定的各內(nèi)部品質(zhì)指標(biāo)的相關(guān)數(shù)據(jù)加以分析。

1.5.1顯著性檢驗(yàn)

皮爾遜相關(guān)系數(shù)(Pearson correlation coefficient)的顯著性雙側(cè)檢驗(yàn)主要應(yīng)用于正態(tài)分布情形下的相關(guān)性檢驗(yàn)、非正態(tài)分布情形下的大樣本相關(guān)性檢驗(yàn)等分析中，較斯皮爾曼(Spearman)等方法的檢驗(yàn)效能高。

1.5.2因子分析

因子分析法的前提是經(jīng)KMO檢驗(yàn)和Bartlett球形度檢驗(yàn)是否適合做因子分析，核心為對(duì)若干綜合指標(biāo)進(jìn)行因子分析并提取公因子，再以每個(gè)因子的方差貢獻(xiàn)率作為權(quán)數(shù)，該權(quán)數(shù)與對(duì)應(yīng)因子的得分相乘，再將所得乘數(shù)相加，以此來(lái)構(gòu)造得分函數(shù)。其中，公因子反映了各變量中所含原始信息能被綜合品質(zhì)指標(biāo)表示的程度。

KMO檢驗(yàn)用于比較變量間的簡(jiǎn)單相關(guān)系數(shù)和偏相關(guān)系數(shù)，當(dāng)所有變量間的簡(jiǎn)單相關(guān)系數(shù)平方和遠(yuǎn)大于偏相關(guān)系數(shù)平方和時(shí)，KMO值越接近于1，所有變量越適合做因子分析，當(dāng)KMO值小于0.5時(shí)表示不適合做因子分析。Bartlett球形度檢驗(yàn)近似于χ2檢驗(yàn)，用于檢驗(yàn)相關(guān)系數(shù)矩陣是否為單位矩陣，即各變量的獨(dú)立性，當(dāng)顯著性值P小于0.05時(shí)，表明各變量不獨(dú)立，適合做因子分析。

1.5.3主成分分析

主成分分析法是一種數(shù)據(jù)降維技術(shù)，將原來(lái)的多個(gè)相關(guān)變量重新組合成較少的幾個(gè)不相關(guān)的新變量，使新變量盡可能地反映原來(lái)變量的信息。

2 結(jié)果與討論

2.1 單一品質(zhì)指標(biāo)預(yù)測(cè)

2.1.1特征波長(zhǎng)提取

針對(duì)鮮棗樣本450～2 400 nm間的原始光譜數(shù)據(jù)，采用CARS法分別提取鮮棗5項(xiàng)品質(zhì)指標(biāo)的特征波長(zhǎng)。含水率的特征波長(zhǎng)提取過(guò)程中，首先設(shè)定采樣次數(shù)為50次，對(duì)模型貢獻(xiàn)率大的變量，在采樣次數(shù)的增加過(guò)程中，回歸系數(shù)會(huì)被放大和保留，反之會(huì)逐漸消失和淘汰；在變量篩選過(guò)程中，隨采樣次數(shù)的不斷增加，變量數(shù)由1 951個(gè)逐漸減少到14個(gè)；在采樣次數(shù)變化過(guò)程中，當(dāng)采樣次數(shù)為36時(shí)，模型的交叉驗(yàn)證均方根誤差最小，為1.913，此時(shí)保留下來(lái)的變量即為所提取的特征波長(zhǎng)，共14個(gè)。同理，在可溶性固形物質(zhì)量分?jǐn)?shù)的特征波長(zhǎng)選擇模型中，當(dāng)采樣次數(shù)為38次時(shí)，交叉驗(yàn)證均方根誤差最小為2.176，提取到的特征波長(zhǎng)數(shù)為11個(gè)；在維生素C含量的特征波段選擇模型中，當(dāng)采樣次數(shù)為34次時(shí)，交叉驗(yàn)證均方根誤差為0.517，提取到的特征波長(zhǎng)數(shù)為18個(gè)；在蛋白質(zhì)含量的特征波長(zhǎng)選擇模型中，當(dāng)采樣次數(shù)為41次時(shí)，交叉驗(yàn)證均方根誤差為6.692，提取到的特征波長(zhǎng)數(shù)為7個(gè)；在硬度的特征波長(zhǎng)選擇模型中，當(dāng)采樣次數(shù)為34次時(shí)，交叉驗(yàn)證均方根誤差為68.874，提取到的特征波長(zhǎng)數(shù)為19個(gè)。各品質(zhì)指標(biāo)運(yùn)用CARS算法提取到的特征波長(zhǎng)見(jiàn)表2。

表2 鮮棗品質(zhì)指標(biāo)的CARS優(yōu)選特征波長(zhǎng)Tab.2 Characteristic wavelengths selected by CARS models of fresh jujube quality indexes

2.1.2特征波長(zhǎng)建模分析

分別以CARS提取到的各品質(zhì)指標(biāo)的特征波長(zhǎng)作為模型輸入量，各品質(zhì)指標(biāo)值為輸出量，建立LS-SVM模型。各項(xiàng)品質(zhì)指標(biāo)的預(yù)測(cè)結(jié)果見(jiàn)表3，含水率、可溶性固形物質(zhì)量分?jǐn)?shù)、維生素C含量、蛋白質(zhì)含量、硬度特征波長(zhǎng)預(yù)測(cè)模型的相關(guān)系數(shù)分別為0.923 0、0.936 3、0.974 9、0.934 2、0.945 2，預(yù)測(cè)集均方根誤差分別為1.173 9、1.191 6、0.267 4、3.779 2、41.684 9。

表3 鮮棗品質(zhì)指標(biāo)的CARS-LS-SVM模型預(yù)測(cè)結(jié)果Tab.3 Prediction results of quality indexes of fresh jujube by CARS-LS-SVM models

2.2 內(nèi)部綜合品質(zhì)指標(biāo)預(yù)測(cè)

2.2.1內(nèi)部綜合品質(zhì)指標(biāo)建立

劉嘉芬等[19]測(cè)定完熟期鮮棗的可溶性固形物含量和含水率之和為不受品種影響的相對(duì)恒定數(shù)值，說(shuō)明各品質(zhì)指標(biāo)間可能存在一定的相關(guān)性，故對(duì)鮮棗進(jìn)行了5項(xiàng)品質(zhì)指標(biāo)間的相關(guān)性分析。采用皮爾遜相關(guān)系數(shù)的顯著性雙側(cè)檢驗(yàn)進(jìn)行顯著性分析，分析結(jié)果見(jiàn)表4。由表4可知，5項(xiàng)品質(zhì)指標(biāo)兩兩之間在0.01或0.05水平上存在極顯著或顯著的相關(guān)性，說(shuō)明根據(jù)某一品質(zhì)指標(biāo)所建立的模型必然會(huì)受到其他多項(xiàng)品質(zhì)指標(biāo)的影響。其中，在0.01水平上的含水率與維生素C含量之間的相關(guān)性最好。由于各項(xiàng)指標(biāo)之間兩兩相關(guān)，為更好地表征鮮棗內(nèi)部綜合品質(zhì)信息，擬建立一個(gè)綜合評(píng)價(jià)指標(biāo)，更全面地表征光譜與鮮棗內(nèi)部品質(zhì)間的對(duì)應(yīng)關(guān)系。

所有樣本的各項(xiàng)指標(biāo)原始變量經(jīng)Bartlett球形度檢驗(yàn)的P值為0.02，小于0.05，說(shuō)明各變量間不獨(dú)立；經(jīng)KMO檢驗(yàn)的系數(shù)為0.684，大于0.5，表明各變量間有較強(qiáng)的偏相關(guān)性，適合進(jìn)行因子分析。用主成分分析法提取特征值，各變量公因子方差見(jiàn)表5。

表4 鮮棗品質(zhì)指標(biāo)間的顯著性分析Tab.4 Significant analysis between quality indexes of fresh jujube

注：**表示在0.01水平上具有極顯著的相關(guān)性；*表示在0.05水平上具有顯著的相關(guān)性。

表5 各指標(biāo)公因子方差Tab.5 Statistics of factors variance extracted by quality indexes

由表5可知，5項(xiàng)指標(biāo)的公因子方差均在0.8以上，表明所提取的公因子對(duì)各指標(biāo)變量均有較好的解釋能力。對(duì)因子分析中主成分特征值和累計(jì)貢獻(xiàn)率進(jìn)行分析，見(jiàn)表6。前2個(gè)因子的累計(jì)貢獻(xiàn)率已達(dá)到82.738%，已能較好地反映原始變量的主要信息。

為了考察多項(xiàng)品質(zhì)指標(biāo)間的相互作用并進(jìn)行綜合評(píng)價(jià)，利用回歸方法計(jì)算成分的得分系數(shù)矩陣，結(jié)果見(jiàn)表7。

表6 鮮棗因子分析中主成分特征值及貢獻(xiàn)率Tab.6 Factor analysis of principal component characteristic value and contribution in fresh jujube

表7 成分得分系數(shù)矩陣Tab.7 Coefficient matrix of basic information of common factors

由表7可知，其成分矩陣的2個(gè)主因子得分(I1、I2)表達(dá)式為

I1=0.941X1+0.809X2+0.844X3+0.668X4-
0.087X5

(1)

I2=0.380X1-0.186X2+0.346X3+0.044X4+
0.893X5

(2)

由表6可知，所建立鮮棗內(nèi)部綜合品質(zhì)指標(biāo)I的表達(dá)式為

I=0.503 15I1+0.324 23I2=0.596 7X1+
0.346 8X2+0.536 9X3+0.350 4X4+0.245 7X5

(3)

其中，X1、X2、X3、X4、X5分別為含水率、可溶性固形物質(zhì)量分?jǐn)?shù)、維生素C含量、蛋白質(zhì)含量、硬度經(jīng)標(biāo)準(zhǔn)化處理后的值。

2.2.2內(nèi)部綜合品質(zhì)指標(biāo)預(yù)測(cè)模型建立

2.2.2.1特征波長(zhǎng)提取

針對(duì)鮮棗樣本450～2 400 nm間的原始光譜數(shù)據(jù)，CARS提取內(nèi)部綜合品質(zhì)指標(biāo)特征波長(zhǎng)的過(guò)程見(jiàn)圖2，當(dāng)采樣次數(shù)為29次時(shí)，其特征波長(zhǎng)選擇模型的交叉驗(yàn)證均方根誤差最小，為9.532。提取到的特征波長(zhǎng)為660、721、784、832、999、1 102、1 712、1 950、2 275、2 287、2 300、2 386 nm，共12個(gè)。

圖2 CARS提取特征波長(zhǎng)過(guò)程圖Fig.2 Key variables screening by CARS

各品質(zhì)指標(biāo)的特征吸收峰會(huì)根據(jù)果品的溫度、壓力、內(nèi)部存在化學(xué)物質(zhì)的不同而發(fā)生一定的位置偏移[20-21]。因此，所提取的綜合品質(zhì)指標(biāo)特征波長(zhǎng)可能發(fā)生了一定量的位置偏移。結(jié)合表2可知，660 nm和721 nm可能分別是維生素C含量的特征波長(zhǎng)656 nm和728 nm位置發(fā)生偏移所致；784 nm可能與可溶性固形物質(zhì)量分?jǐn)?shù)的特征波長(zhǎng)789 nm或779 nm的位置偏移有關(guān)；999 nm與蛋白質(zhì)含量的特征波長(zhǎng)相重合；1 102、1 950、2 287 nm可能分別與含水率的特征波長(zhǎng)1 104、1 940、2 277 nm的位置偏移有關(guān)；2 275 nm可能與硬度的特征波長(zhǎng)2 272 nm的位置偏移有關(guān)，2 300 nm與硬度的特征波長(zhǎng)相重合。因此，根據(jù)內(nèi)部綜合品質(zhì)指標(biāo)所提取到的12個(gè)特征波長(zhǎng)中，含有根據(jù)各項(xiàng)單一品質(zhì)所提取到的特征波長(zhǎng)，可以全面表征出5項(xiàng)品質(zhì)的信息。

2.2.2.2內(nèi)部綜合品質(zhì)指標(biāo)特征波長(zhǎng)建模分析

將CARS提取到的內(nèi)部綜合品質(zhì)指標(biāo)特征波長(zhǎng)作為模型輸入量，將基于因子分析法所構(gòu)建的內(nèi)部綜合品質(zhì)指標(biāo)值作為輸出量，建立LS-SVM預(yù)測(cè)模型，判別結(jié)果見(jiàn)圖3，預(yù)測(cè)集的相關(guān)系數(shù)和均方根誤差分別為0.924 1和6.063 5，說(shuō)明該模型的預(yù)測(cè)精度較高。

圖3 鮮棗綜合品質(zhì)的CARS-LS-SVM模型預(yù)測(cè)結(jié)果Fig.3 Prediction results of comprehensive index of fresh jujube by CARS-LS-SVM models

GB/T 22345—2008《鮮棗質(zhì)量等級(jí)》中對(duì)鮮棗內(nèi)部品質(zhì)僅在可溶性固形物指標(biāo)上做了規(guī)定，在口感檢驗(yàn)中通過(guò)品嘗確定果實(shí)是否脆甜適口，沒(méi)有針對(duì)其他質(zhì)量如果實(shí)質(zhì)地、營(yíng)養(yǎng)成分等確定明確的綜合定量評(píng)價(jià)標(biāo)準(zhǔn)。而綜合評(píng)價(jià)指標(biāo)的建立，不僅揭示了各品質(zhì)指標(biāo)間的相互作用，更全面地表征了鮮棗的內(nèi)部綜合品質(zhì)信息，而且解決了鮮棗內(nèi)部品質(zhì)綜合評(píng)價(jià)不能定量分析的問(wèn)題，并為鮮棗內(nèi)部綜合評(píng)價(jià)標(biāo)準(zhǔn)體系的構(gòu)建提供了基礎(chǔ)。內(nèi)部綜合品質(zhì)檢測(cè)模型的建立，解決了各單一品質(zhì)檢測(cè)模型同步實(shí)現(xiàn)有較大難度的問(wèn)題，實(shí)現(xiàn)了多項(xiàng)品質(zhì)的同步綜合檢測(cè)，并且簡(jiǎn)化了檢測(cè)模型，提高了預(yù)測(cè)能力和運(yùn)算速度。

3 結(jié)論

(1)含水率、可溶性固形物質(zhì)量分?jǐn)?shù)、可溶性蛋白質(zhì)含量、維生素C含量、硬度的CARS-LS-SVM模型的預(yù)測(cè)集相關(guān)系數(shù)分別為0.923 0、0.936 3、0.934 2、0.974 9、0.945 2，均方根誤差分別為1.173 9、1.191 6、3.779 2、0.267 4、41.684 9。

(2)鮮棗的5項(xiàng)品質(zhì)指標(biāo)間兩兩相關(guān)，利用因子分析法構(gòu)建了鮮棗內(nèi)部綜合品質(zhì)的評(píng)價(jià)指標(biāo)，實(shí)現(xiàn)了內(nèi)在品質(zhì)的綜合定量評(píng)價(jià)；并建立了 CARS-LS-SVM模型，實(shí)現(xiàn)了對(duì)內(nèi)部綜合品質(zhì)的預(yù)測(cè)，且預(yù)測(cè)集相關(guān)系數(shù)和均方根誤差分別達(dá)到了0.924 1和6.063 5，為實(shí)現(xiàn)鮮棗內(nèi)部綜合品質(zhì)的實(shí)時(shí)快速準(zhǔn)確分級(jí)奠定了基礎(chǔ)。

1 NICOLAI B M, BEULLENS K, BOBELYN E, et al. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy:a review[J]. Postharvest Biology and Technology,2007,46(2):99-118.

2 公麗艷,孟憲軍,劉乃僑,等.基于主成分與聚類(lèi)分析的蘋(píng)果加工品質(zhì)評(píng)價(jià)[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(13):276-285. GONG Liyan, MENG Xianjun, LIU Naiqiao, et al. Evaluation of apple quality based on principal component and hierarchical cluster analysis[J]. Transactions of the CSAE, 2014,30(13):276-285．(in Chinese)

5 MANIWARA P, NAKANO K, BOONYAKIAT D, et al. The use of visible and near infrared spectroscopy for evaluating passion fruit postharvest quality[J]. Journal of Food Engineering,2014,143(2): 33-43.

6 張淑娟,張海紅,趙艷茹,等.鮮棗可溶性固形物可見(jiàn)/近紅外光譜檢測(cè)建模方法比較[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2012, 43(3):108-112.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20120321&journal_id=jcsam. DOI: 10.6041 /j.issn.1000-1298.2012.03.021. ZHANG Shujuan, ZHANG Haihong, ZHAO Yanru, et al. Comparison of modeling methods of fresh jujube soluble solids measurement by NIR spectroscopy[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012,43(3):108-112.(in Chinese)

7 SALGUERO-CHAPARRO L, BAETEN V, ABBAS O, et al. On-line analysis of intact olive fruits by vis-NIR spectroscopy: optimisation of the acquisition parameters[J]. Journal of Food Engineering,2012, 112(3):152-157.

8 SALGUERO-CHAPARRO L, PENA-RODRIGUEZ F. On-line versus off-line NIRS analysis of intact olives[J]. LWT—Food Science and Technology,2014,56(2):363-369.

9 MENDOZA F, LU R F, CEN H Y. Grading of applies based on firmness and soluble solids content using Vis/SWNIR spectroscopy and spectral scattering techniques[J]. Journal of Food Engineering,2014,125:59-68.

10 XU H R, QI B, SUN T, et al. Variable selection in visible and near-infrared spectra: application to on-line determination of sugar content in pears[J]. Journal of Food Engineering,2012,109(1):142-147.

11 JIE D F, XIE L J, RAO X Q, et al. Using visible and near infrared diffuse transmittance technique to predict soluble solids content of watermelon in an on-line detection system[J]. Postharvest Biology and Technology,2014, 90(3):1-6.

12 BRADFORD. A rapid and sensitive method for the quantitation of microg ram quantities of protein utilizing the principle of protein-dye binding [J]. Analytical Biochemistry,1976,72:248-254.

13 薛建新,張淑娟,孫海霞,等.可見(jiàn)/近紅外光譜結(jié)合軟化指標(biāo)快速判定沙果貨架期[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013, 44(8):169-173.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20130828&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2013.08.028. XUE Jianxin, ZHANG Shujuan, SUN Haixia, et al. Detection of shelf life ofMalusasiaticausing near-infrared spectroscopy and softening index[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2013,44 (8): 169-173. (in Chinese)

14 梁琨,杜瑩瑩,盧偉,等.基于高光譜成像技術(shù)的小麥籽粒赤霉病識(shí)別[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(2):309-315. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160241&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2016.02.041. LIANG Kun, DU Yingying, LU Wei, et al. Identification of fusarium head blight wheat based on hyperspectral imaging technology[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(2):309-315.(in Chinese)

15 李江波,郭志明,黃文倩,等.應(yīng)用CARS和SPA算法對(duì)草莓SSC含量NIR光譜預(yù)測(cè)模型中變量及樣本篩選[J].光譜學(xué)與光譜分析,2015,35(2):372-378. LI Jiangbo, GUO Zhiming, HUANG Wenqian, et al. Near-infrared spectra combining with CARS and SPA algorithms to screen the variables and samples for quantitatively determining the soluble solids content in strawberry [J]. Spectroscopy and Spectra Analysis, 2015, 35(2): 372-378. (in Chinese)

16 石吉勇,胡雪桃,朱瑤迪,等.基于近紅外光譜技術(shù)的醋醅中常見(jiàn)桿菌快速識(shí)別[J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào),2016,47(2):245-250.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160232&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2016.02.032. SHI Jiyong, HU Xuetao, ZHU Yaodi, et al. Rapid identification of common bacilli in vinegar culture based on near-infrared spectroscopy[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016,47(2):245-250. (in Chinese)

17 ROBLES G, PARRADO-HERNNDEZ E, ARDILA-REY J, et al. Multiple partial discharge source discrimination with multiclass support vector machines[J]. Expert Systems with Applications,2016,55:417-428.

18 KISI O, PARMAR K S. Application of least square support vector machine and multivariate adaptive regression spline models in long term prediction of river water pollution[J]. Journal of Hydrology, 2016,534:104-112.

19 劉嘉芬,高麗,單公華.棗果發(fā)育過(guò)程中可溶性總糖和水分含量的變化[J].落葉果樹(shù),2007, 39(5):11-12. LIU Jiafen, GAO Li, SHAN Gonghua. Changes of total soluble sugar and water content during development of Chinese jujube fruit [J]. Decid Fruits, 2007, 39(5): 11-12.(in Chinese)

20 VANDERMEULEN D L, RESSLER N. A near-infrared method for studying hydration changes in aqueous solution: illustration with protease reactions and protein denaturation[J]. Arch of Biochemistry and Biophysics, 1980,205(1): 180-190.

21 DELWICHE S R, PITT R E, NORRIS K H. Sensitivity of near-infrared absorption to moisture content versus water activity in starch and cellulose[J]. Cereal Chemistry,1992,69(1):107-109.

EstablishmentandAnalysisofInternalComprehensiveQualitySpectralEvaluationIndexforFreshJujube

SUN Haixia ZHANG Shujuan XUE Jianxin LIU Jianglong ZHAO Xuting

(CollegeofEngineering,ShanxiAgriculturalUniversity,Taigu030801,China)

A non-destructive method for on-line determining the internal comprehensive quality of Huping jujube fruit was investigated based on visible/near-infrared reflection spectrum. Moisture content, soluble solid content, firmness, soluble protein content and vitamin C content were respectively used as internal indexes to assess the quality of Huping jujube at full ripe stage. Competitive adaptive reweighted sampling (CARS) was applied to select sensitive wavelengths. Models of the least squares-support vector machines (LS-SVM) were built based on the sensitive wavelengths respectively. The model of firmness showed that the correlation coefficient of prediction was 0.945 2 and root mean square error of prediction was 41.684 9. The other four models obtained the better results with the correlation coefficient of each prediction over 0.923 0 and root mean square error of each prediction from 0.267 4 to 3.779 2. Then, the correlation was analyzed between the quality indexes. The results indicated that an extremely significant or a significant correlation was revealed between any two indexes in theP<0.01 orP<0.05 levels. Therefore, factor analysis was carried out on five internal quality index of fresh jujube to develop the internal comprehensive quality index, and the CARS-LS-SVM model of this index was established. The results indicated that the correlation coefficient of prediction was 0.924 1 and root mean square error of prediction was 6.063 5. This research showed that the established CARS-LS-SVM model was effective to realize evaluation of the internal comprehensive quality on fresh jujube. This research provided theoretical basis for on-line, rapid and non-destructive detection on internal comprehensive quality of fresh jujube.

fresh jujube; internal comprehensive quality; feature extraction; visible/near-infrared spectrum

S123; S665

A

1000-1298(2017)09-0324-06

10.6041/j.issn.1000-1298.2017.09.041

2017-01-02

2017-02-24

國(guó)家自然科學(xué)基金項(xiàng)目(31271973)

孫海霞(1985—)，女，博士生，主要從事農(nóng)產(chǎn)品無(wú)損檢測(cè)研究，E-mail: sunhaixia1121@126.com

張淑娟(1963—)，女，教授，博士生導(dǎo)師，主要從事農(nóng)產(chǎn)品無(wú)損檢測(cè)研究，E-mail: zsujuan@263.net