基于高光譜技術(shù)融合圖像信息的杏鮑菇干燥過程中含水率檢測(cè)

宋鎮(zhèn)　姬長(zhǎng)英　張波

摘要：為了應(yīng)用高光譜成像技術(shù)結(jié)合圖像處理技術(shù)研究杏鮑菇含水率的快速無損檢測(cè)以及含水率分布可視化，采集不同干燥時(shí)期共240個(gè)杏鮑菇樣品在358～1021nm波段范圍內(nèi)的高光譜圖像。利用閾值分割方法將圖像中杏鮑菇區(qū)域與背景分離，提取杏鮑菇的平均光譜數(shù)據(jù)。采用連續(xù)投影算法（SPA）和穩(wěn)定性競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣法（SCARS）分別篩選出5個(gè)和10個(gè)特征波長(zhǎng);采用主成分分析方法獲得杏鮑菇的前2個(gè)主成分圖像PC1、PC2，基于灰度共生矩陣（GLCM）提取主成分圖像PC1、PC2共16個(gè)紋理特征。利用偏最小二乘（PLS）和最小二乘支持向量機(jī)（LS-SVM）分別建立光譜特征紋理特征以及光譜與紋理特征融合的含水率預(yù)測(cè)模型。結(jié)果表明：與光譜特征相比，紋理特征與含水率的相關(guān)性較差;光譜特征模型SCARS-LS-SVM預(yù)測(cè)效果最好，其預(yù)測(cè)集決定系數(shù)（R2p）=0.975，均方根誤差（RMSEP）=3.712，相對(duì)分析誤差（RPD）=3.211?；赟CARS-LS-SVM模型，將杏鮑菇樣品含水率分布用不同顏色直觀顯示，實(shí)現(xiàn)了含水率分布可視化。

關(guān)鍵詞：杏鮑菇;含水率;高光譜成像;穩(wěn)定性競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣法;可視化

中圖分類號(hào)：TS255.3

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1000-4440（2019）02-0436-09

杏鮑菇又名雪茸，是一種富含氨基酸、多糖的食用菌新品種[1]，具有很高的食用價(jià)值和藥用價(jià)值。為了提高杏鮑菇的經(jīng)濟(jì)價(jià)值和延長(zhǎng)杏鮑菇的儲(chǔ)藏期和貨架期，通常采用干燥的方式將杏鮑菇進(jìn)行脫水處理或制成具有獨(dú)特風(fēng)味的休閑食品。含水率是杏鮑菇干制過程中的一個(gè)重要指標(biāo)。實(shí)現(xiàn)水分的準(zhǔn)確快速無損檢測(cè)對(duì)了解杏鮑菇干燥特性，完善杏鮑菇干燥工藝和提高杏鮑菇干制品質(zhì)量具有重要意義。

當(dāng)前，果蔬含水率的檢測(cè)主要依靠烘箱烘干法及理化檢測(cè)法[2]。這2種方法都比較費(fèi)時(shí)費(fèi)力且具有一定的破壞性，不能滿足準(zhǔn)確、快速、無損檢測(cè)的需要。隨著高光譜成像技術(shù)的迅速發(fā)展，具有光譜分辨率高、多波段和圖譜合一特點(diǎn)的高光譜成像技術(shù)，在農(nóng)產(chǎn)品無損檢測(cè)方面得到了廣泛的應(yīng)用[3]。國(guó)內(nèi)外研究人員利用該技術(shù)不僅實(shí)現(xiàn)了果蔬表面缺陷、損傷識(shí)別等外部品質(zhì)的檢測(cè)48]，也實(shí)現(xiàn)了糖度、硬度、Vc含量和可溶性固形物含量等內(nèi)部品質(zhì)的檢測(cè)[9-13]。近年來，高光譜成像技術(shù)在果蔬含水率檢測(cè)方面的應(yīng)用研究也取得了較好的成果。李丹等[14]利用高光譜成像技術(shù)實(shí)現(xiàn)了小黃瓜水分的無損檢測(cè)。王超鵬等[15]利用高光譜成像技術(shù)與CARS算法實(shí)現(xiàn)了玉米種子含水率的無損檢測(cè)。趙偉彥等[16]研究發(fā)現(xiàn)利用多模型融合方法可以提高干燥過程中毛豆含水率的無損檢測(cè)精度。但是有關(guān)干燥過程中杏鮑菇含水率無損檢測(cè)的研究鮮有報(bào)道。

本研究利用高光譜成像技術(shù)，提取杏鮑菇樣品的光譜信息和圖像信息，分別建立光譜信息模型、圖像信息模型以及融合信息模型，以期獲得精度較高的杏鮑菇含水率預(yù)測(cè)模型。

1 材料與方法

1.1 樣品制備

杏鮑菇樣品采購(gòu)于南京市浦口區(qū)果蔬批發(fā)市場(chǎng)，挑選的杏鮑菇形狀、大小均勻，新鮮無外傷，濕基含水率為90%+2%。對(duì)杏鮑菇進(jìn)行初步清洗去除表面灰塵，然后放置在冰箱中，溫度設(shè)為3～4℃。

干燥設(shè)備為南京農(nóng)業(yè)大學(xué)與徐州市海濤制冷設(shè)備有限公司聯(lián)合研制的LAD-060果蔬烘干保鮮一體機(jī)，該機(jī)為熱泵干燥機(jī)，最高干燥溫度為70C。由于杏鮑菇屬于熱敏性材料，干燥過程中易發(fā)生褐變，褐變的杏鮑菇產(chǎn)品屬于不合格干制品。因此為了獲得合格的干燥產(chǎn)品，對(duì)不同干燥溫度（40℃、50℃、60℃）與不同切片厚度（沿菇長(zhǎng)方向切片5 mm、6mm、7mm）的杏鮑菇樣品進(jìn)行多次試驗(yàn)，發(fā)現(xiàn)干燥溫度為50℃、切片厚度為5 mm的干制品平均色度較好，因此本研究在此條件下進(jìn)行取樣建模，然后用其他試驗(yàn)條件下的樣品進(jìn)行模型驗(yàn)證。試驗(yàn)前對(duì)杏鮑菇樣品進(jìn)行漂燙（沸水3min）以減少干燥過程中的酶促褐變。試驗(yàn)過程中每30 min取樣1次，最終得到5個(gè)不同時(shí)期（0min、30min、60min、90min、120 min）共240個(gè)樣品。

1.2 杏鮑菇樣品含水率的測(cè)定

采集樣品光譜數(shù)據(jù)后，參照文獻(xiàn)[17]測(cè)定杏鮑菇含水率。準(zhǔn)確稱量杏鮑菇質(zhì)量，然后按順序放入烘干箱中，溫度設(shè)定為105℃，干燥至質(zhì)量不變，稱量干燥后杏鮑菇質(zhì)量。計(jì)算含水率（S），S=[（M-M，）/M，]x100%，式中M為烘干前樣品質(zhì)量，M。為烘干后樣品質(zhì)量。

1.3 高光譜數(shù)據(jù)采集系統(tǒng)

高光譜系統(tǒng)包括：光譜儀（ImSpectorV10E型，芬蘭Specim公司產(chǎn)品）、CCD相機(jī)（GEV-B1621M-TC000型，美國(guó)Imperx公司產(chǎn)品）、鏡頭、21V/150W線性鹵素?zé)艄庠矗绹?guó)Illumination公司產(chǎn)品）、暗箱、電控移動(dòng)平臺(tái)以及計(jì)算機(jī)等部件（圖1）。高光譜成像波長(zhǎng)范圍為358～1021 nm，光譜儀的分辨率為2.8 nm，采樣間隔為1.08 nm，采樣光譜波長(zhǎng)范圍內(nèi)包含616個(gè)波長(zhǎng)變量，圖像分辨率為1632x971像素，曝光時(shí)間52ms，樣品與鏡頭的距離為330mm，傳送帶移動(dòng)速度為1.5 mm/s。圖像采集系統(tǒng)放置于密閉黑色箱中。

1.4 高光譜圖像校正

為了減少光照和暗電流對(duì)試驗(yàn)的影響，增加高光譜圖像的可靠性，需要對(duì)獲取的高光譜圖像進(jìn)行黑白校正[18]，校正公式為：

公式

式中R為校正后的光譜圖像，R。為校正前的漫反射光譜圖像，R，為關(guān)閉電源并合上鏡蓋后的暗圖像，R.為標(biāo)準(zhǔn)白板的漫反射光譜圖像。

1.5 樣品高光譜數(shù)據(jù)提取

獲得的高光譜圖像中包含背景，為了提取樣品的光譜信息，需要將樣品與背景分離。利用ENVI4.8軟件進(jìn)行掩膜處理將圖像中杏鮑菇樣品與背景分離[19]。樣品區(qū)域與背景區(qū)域在不同波長(zhǎng)下的反射率曲線如圖2所示。由于試驗(yàn)時(shí)將杏鮑菇樣品放置在黑色背景布，上進(jìn)行高光譜圖像采集，因此背景區(qū)域的反射率接近0且無明顯波動(dòng)，與樣品區(qū)域的反射率差異非常明顯，有利于二者的分割。由于高光譜設(shè)備硬件原因，高光譜圖像在開始波段和結(jié)束波段受噪聲影響較大，因此選擇中間波段進(jìn)行分割。具體分割處理過程見圖3。圖3a為杏鮑菇樣品在R分量為663.2 nm、G分量為555.4 nm、B分量為450.2 nm下的RGB圖像，圖3b為750 nm波長(zhǎng)下的高光譜圖像，對(duì)該波長(zhǎng)下圖像設(shè)定合適的閾值（分割閾值應(yīng)大于背景的最大反射率，小于杏鮑菇樣品的最小反射率）。經(jīng)過多次設(shè)定閾值分割，閾值取0.5時(shí)，分割出的樣品最為完整（圖3c）。然后將原始圖像與杏鮑菇掩膜圖像進(jìn)行邏輯與運(yùn)算，得到去除背景后的杏鮑菇樣品高光譜圖像（圖3d）。提取整個(gè)杏鮑菇樣品的平均光譜數(shù)據(jù)作為該樣品的光譜信息。240個(gè)杏鮑菇樣品均進(jìn)行，上述處理提取光譜信息。

1.6 光譜預(yù)處理與樣品劃分

采用SG（Savitzky-Golay）平滑、一階微分（First derivative，F(xiàn)D）混合方法進(jìn)行預(yù)處理。SG平滑處理能夠有效消除噪音，尤其是高頻噪音，提高信噪比;一階微分處理能夠有效消除基線和背景干擾，提高分辨率和靈敏度[20-21]。將預(yù)處理后的240個(gè)樣品用Kennard-Stone（KS）[22算法進(jìn)行建模集和預(yù)測(cè)集劃分，設(shè)定建模集與預(yù)測(cè)集之比為2：1，選擇160個(gè)樣品用于建立模型，剩余80個(gè)樣品用于對(duì)模型進(jìn)行檢驗(yàn)。建模集杏鮑菇樣品含水率最大值為91.23%，最小值為19.58%，平均值為45.23%，標(biāo)準(zhǔn)差25.82%;預(yù)測(cè)集杏鮑菇樣品含水率最大值為90.67%，最小值為18.06%，平均值為46.52%，標(biāo)準(zhǔn)差24.77%。

1.7 特征波長(zhǎng)選取方法

1.7.1 連續(xù)投影算法（SPA）[23]

SPA是一種使矢量空間共線性最小化的前向變量選擇算法，對(duì)每一次循環(huán)所提取的變量，分別建立多元線性回歸模型，根據(jù)均方根誤差（RMSE）選出最優(yōu)特征波長(zhǎng)集。SPA主要包含以下4個(gè)步驟：1）提取的特征波長(zhǎng)的數(shù)量記為N，光譜矩陣維數(shù)記為J，從中任選一列j，賦值為a，記為an（o），定義一個(gè)集合s，該集合包含剩余的列向量位置，s={j，1≤j≤J，j≠[k：（0），.，k（N-1）]}。2）分別計(jì)算a;對(duì)剩余所有列向量的投影，Pa;=q;-[a}ax（-1>]xak（n-1）x（[xk1>（<（-1>]-'，j∈s。3）將步驟（2）計(jì)算的投影最大值記為：k（n）=arg[max（II Pa;l），j∈s]。4）令n=n+1，a;=Pa，j∈s，判斷波長(zhǎng)選擇數(shù)是否達(dá)到指定的波長(zhǎng)數(shù)，如果n<N，則返回（2）循環(huán)計(jì)算。

1.7.2 穩(wěn)定性競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣法（SCARS）[24]

SCARS與競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣法（CARS）算法不同點(diǎn)在于：CARS算法以回歸系數(shù)的絕對(duì)值大小作為衡量指標(biāo)，而變量回歸系數(shù)會(huì)隨著每次隨機(jī)選擇建模樣品的不同而變化。蒙特卡羅無信息變量消除法（MC-UVE）所采用的變量穩(wěn)定性能彌補(bǔ)這一不足，因此SCARS算法以變量穩(wěn)定性指數(shù)（定義為回歸系數(shù)除以其標(biāo)準(zhǔn)偏差的絕對(duì)值）作為衡量指標(biāo)，選擇重要的、受測(cè)試樣品參數(shù)影響不敏感的波長(zhǎng)變量，提高模型傳遞效果。主要包含以下5個(gè)步驟：1）循環(huán)次數(shù)i=1時(shí)，計(jì)算原始光譜變量集V中各波長(zhǎng)變量的穩(wěn)定性值。2）利用指數(shù)衰減函數(shù)去除穩(wěn)定值較小的變量，保留穩(wěn)定值較大的變量，變量的保留率

公式

其中

公式

，p為原始波長(zhǎng)變量數(shù)。3）采用自適應(yīng)重加權(quán)算法（ARS）對(duì)步驟（2）中的變量進(jìn)行篩選，將篩選出的變量作為第i次變量子集

公式

4）循環(huán)進(jìn)行步驟（2）、（3），直到蒙特卡洛采樣次.數(shù)達(dá)到設(shè)定的N值。5）將得到的N個(gè)變量子集建立PLS模型，計(jì)算各子集模型的RMSECV值，將RMSECV值最小時(shí)的變量子集作為最優(yōu)變量子集。

1.8 建模方法與模型評(píng)價(jià)

采用偏最小二乘（PLS）和最小二乘支持向量機(jī)（LS-SVM）方法建立杏鮑菇含水率預(yù)測(cè)模型。以預(yù)測(cè)集決定系數(shù)（R2p）、預(yù)測(cè)集均方根誤差（RMSEP）和預(yù)測(cè)集相對(duì)分析誤差（RPD）作為模型的主要評(píng)價(jià)指標(biāo)，以建模集決定系數(shù)（R2p）和建模集均方根誤差（RMSEC）作為模型的輔助評(píng)價(jià)指標(biāo)。其中R2和RPD越大越好，RMSE越小越好。

1.9 杏鮑菇樣品含水率可視化分析

選擇最合適的杏鮑菇含水率預(yù)測(cè)模型后，將杏鮑菇樣品_上每個(gè)像素點(diǎn)對(duì)應(yīng)的光譜數(shù)據(jù)導(dǎo)入模型，計(jì)算出各像素點(diǎn)的含水率值，生成杏鮑菇含水率的分布圖。

2 結(jié)果與分析

2.1 杏鮑菇樣品光譜曲線

由于高光譜設(shè)備硬件原因，高光譜圖像在開始波段和結(jié)束波段受噪聲影響較大，因此只采用400～1000 nm之間的光譜（含555個(gè)波段）。圖4為杏鮑菇樣品在干燥時(shí)間為0 min、30 min、60 min、90min、120 min的平均光譜反射曲線。隨著水分含量的減少，光譜反射值也相應(yīng)減小。新鮮杏鮑菇含有90%左右的水分，因此可以認(rèn)為水分含量的減少是導(dǎo)致光譜反射值減小的主要原因。960nm附近的吸收谷是水分子中O-H三級(jí)倍頻吸收帶造成的。960 nm至1000 nm之間的光譜反射值差異明顯，可以用來區(qū)分不同的含水率水平。

2.2 杏鮑菇光譜的特征波長(zhǎng)

2.2.1 SPA方法篩選的特征波長(zhǎng)

光譜經(jīng)SG-FD預(yù)處理后，應(yīng)用SPA方法進(jìn)行特征波長(zhǎng)篩選。RMSE隨著波長(zhǎng)數(shù)目的增加不斷減小，當(dāng)篩選波長(zhǎng)數(shù)目大于5時(shí)，RMSE降低變緩（圖5a）。而且隨著波長(zhǎng)數(shù)目的增加，模型復(fù)雜度增加，因此選擇5個(gè)特征波長(zhǎng)作為模型的輸入變量，這5個(gè)特征波長(zhǎng)僅占原始波段的0.9%。5個(gè)特征波長(zhǎng)是470.041nm、497.25 nm、935.38 nm、948.67 nm、997.37 nm（圖5b）。

2.2.2 SCARS方法篩選的特征波長(zhǎng)

應(yīng)用SCARS方法篩選特征波長(zhǎng)。首先確定PLS模型中的最優(yōu)主成分?jǐn)?shù)，設(shè)置最大主成分?jǐn)?shù)為15，蒙特卡洛采樣次數(shù)為1000。由圖6可見，當(dāng)主成分?jǐn)?shù)為10時(shí)，交叉驗(yàn)證均方根誤差（RMSECV）值最?。?.5600），故最優(yōu)主成分?jǐn)?shù)為10。設(shè)定SCARS參數(shù)為：蒙特卡洛采樣次數(shù)為100，主成分?jǐn)?shù)為10，交叉驗(yàn)證組數(shù)為5。圖7顯示，隨著采樣數(shù)的增加，被優(yōu)選出的波長(zhǎng)變量數(shù)逐漸減少。在1～65次采樣過程中，RMSECV值不斷降低，說明篩選過程中剔除的變量與含水率無關(guān)。65次采樣之后，隨著采樣次數(shù)的增加，RM-SECV值開始回升，說明開始剔除與含水率相關(guān)的變量，從而導(dǎo)致RMSECV值增大。當(dāng)采樣次數(shù)為65次時(shí)，RMSECV值最小（0.4236），其對(duì)應(yīng)的特征波長(zhǎng)子集最優(yōu)，該子集包含了10個(gè)特征波長(zhǎng)，分別為442.02 nm、457.56 nm、524.67 nm、554.40 nm、598.31 nm、599.38 nm、600.46 nm、601.53 nm、942.03 nm、963.13 nm。

2.3 基于光譜特征的建模與分析

基于全光譜（Full-spectra，F(xiàn)S）、SPA優(yōu)選波長(zhǎng)集和SCARS優(yōu)選波長(zhǎng)集建立PLS和LS-SVM模型，模型預(yù)測(cè)結(jié)果見表1。

從PLS模型的建模集結(jié)果看，基于FS、SPA、SCARS波長(zhǎng)集所建PLS模型的決定系數(shù)（R2p）均大于0.97，RMSEC均小于2.8%，說明這3種模型均具有較好的建模效果，其中FS-PIS模型具有最高的R2（0.982）和最小的RMSEC（2.491%）。從預(yù)測(cè)集結(jié)果看，F(xiàn)S-PLS模型預(yù)測(cè)精度最低，可能是由于輸入變量太多，導(dǎo)致模型過擬合，從而失去了預(yù)測(cè)能力。SCARS-PLS模型的預(yù)測(cè)精度高于SPA-PLS模型，這可能是SPA在尋找最低限度冗余信息的變量時(shí)降低了信噪比導(dǎo)致的。根據(jù)預(yù)測(cè)集結(jié)果，選擇SCARS-PLS為最優(yōu)的PLS模型。

從LS-SVM模型的建模集結(jié)果看，F(xiàn)S、SPA、SCARS3個(gè)波長(zhǎng)集結(jié)合LS-SVM所建模型均具有較好的建模效果（R？均大于0.97，RMSEC均小于2.80%）。其中FS-LS-SVM模型具有最高的R2（0.989）和最小的RMSEC（1.884%）。從預(yù)測(cè)集結(jié)果看，3個(gè)模型中，SCARS-LS-SVM模型的預(yù)測(cè)性能最高，具有最高的R2p值（0.982）和RPD值（3.211）以及最小的RMSEP值（3.712%）。對(duì)比PLS與LS-SVM模型，發(fā)現(xiàn)LS-SVM模型的預(yù)測(cè)性能優(yōu)于PLS模型，F(xiàn)S對(duì)應(yīng)模型的RPD值從2.041提高到2.235，SPA對(duì)應(yīng)模型的RPD值從2.518提高到3.150，SCARS對(duì)應(yīng)模型的RPD值從2.601提高到3.211。說明非線性模型LS-SVM更適用于建立杏鮑菇含水率預(yù)測(cè)模型，其中SCARS-LS-SVM為最優(yōu)模型

對(duì)比3種波長(zhǎng)變量集發(fā)現(xiàn)，基于FS所建模型的建模效果最好，但預(yù)測(cè)性能卻為三者最低。原因可能是全光譜含有最多的光譜信息，其中包含許多不相關(guān)的冗余信息，導(dǎo)致模型過擬合，因此模型的預(yù)測(cè)性能降低。SPA方法篩選出的波長(zhǎng)變量較少，可能丟失了一部分與含水率相關(guān)的光譜信息，雖然簡(jiǎn)化了模型卻降低了精度。SCARS方法篩選出的波長(zhǎng)變量較多（10個(gè)特征波長(zhǎng)變量），既減少了模型的輸入，避免了模型的過擬合，又與含水率緊密相關(guān)，提高了模型預(yù)測(cè)精度。綜上所述，SCARS方法能夠作為一種有效的特征波長(zhǎng)提取方法，實(shí)現(xiàn)杏鮑菇含水率的準(zhǔn)確預(yù)測(cè)。

2.4 杏鮑菇圖像紋理信息的提取與建模分析

在400 nm至1000 nm之間共有555個(gè)波段的高光譜圖像，圖像信息量大，各波段圖像間具有較強(qiáng)的相關(guān)性，冗余信息較多，難以進(jìn)行圖像信息的提取，需要對(duì)原始圖像信息進(jìn)行降維分析。主成分分析（PCA）是一種廣泛應(yīng)用的降維算法[25]。利用ENVI4.8軟件進(jìn)行主成分分析，將原始高光譜圖像數(shù)據(jù)中所有波段下的圖像經(jīng)過線性組合形成主成分圖像，將有用圖像信息集中到盡可能少的主成分圖像中。利用PCA降維后的圖像表示為

公式

，式中PCm為第m個(gè)主成分圖像，λi為第i個(gè)波段所對(duì)應(yīng)的圖像，βim為該主成分在λi下的權(quán)重系數(shù)。βim的值越大，表明λi對(duì)主成分圖像PCm的貢獻(xiàn)度越大。對(duì)原始高光譜圖像進(jìn)行主成分分析后發(fā)現(xiàn)，前3幅圖像的累計(jì)貢獻(xiàn)率達(dá)到了99.93%，因此選取前2個(gè)主成分圖像進(jìn)行分析（圖8）。

圖像紋理特征反映了圖像的表面性質(zhì)。不同含水率杏鮑菇樣品間的收縮程度不同，反映在圖像上就是圖像的紋理粗細(xì)深淺不同，因此利用圖像紋理特征預(yù)測(cè)含水率是可行性的。在眾多紋理特征提取方法中，灰度共生矩陣（Gray-levelco-occurrence ma-trix，GLCM）是一個(gè)很好的紋理分析方法[26]，它不僅能反映圖像灰度在相鄰方向、相鄰間隔、變化幅度上的綜合信息，也能反映相同灰度級(jí)像素之間的位置分布特征，將圖像的灰度值轉(zhuǎn)化為紋理特征信息?；诨叶裙采仃嚪椒▽?duì)杏鮑菇樣品進(jìn)行對(duì)比度、相關(guān)性、能量和熵4個(gè)特征的提取，4個(gè)特征分別描述了紋理的深淺、局部灰度相關(guān)性、紋理粗細(xì)度和灰，度分布的復(fù)雜程度。將像素對(duì)的距離設(shè)定為1，方向依次取0°、45°、90°和135°，分別求出在4個(gè)方向上對(duì)比度、相關(guān)性、能量和熵的平均值和標(biāo)準(zhǔn)差，每幅圖像提取8個(gè)紋理特征值，每個(gè)樣品包含2幅圖像共16個(gè)紋理特征值。

基于16個(gè)紋理特征值建立PLS和LS-SVM含水率預(yù)測(cè)模型，模型預(yù)測(cè)效果見表2。由表2可知，在僅使用杏鮑菇樣品的紋理特征進(jìn)行建模時(shí)，模型的預(yù)測(cè)性能不佳，與上述任一光譜模型相比，預(yù)測(cè)精度均有所下降。通過分析提取的紋理特征數(shù)據(jù)，發(fā)現(xiàn)當(dāng)樣品間的含水率較為接近時(shí)，紋理特征數(shù)據(jù)幾乎沒有變化，因此影響了模型的預(yù)測(cè)精度。說明紋理特征與含水率的相關(guān)性不如光譜特征，僅靠紋理特征難以實(shí)現(xiàn)含水率的準(zhǔn)確預(yù)測(cè)。

2.5 杏鮑菇光譜與紋理特征融合的建模與分析

由于SCARS方法所選波長(zhǎng)集優(yōu)于SPA方法，因此只把SCARS篩選出的10個(gè)特征波長(zhǎng)與16個(gè)紋理特征參數(shù)進(jìn)行融合。由于兩者量綱不同，融合前需要對(duì)光譜和紋理特征參數(shù)進(jìn)行歸一化處理。以融合后的26個(gè)特征參數(shù)作為模型的輸入變量，模型預(yù)測(cè)效果如表3所示。從建模集表現(xiàn)看，光譜與紋理特征融合模型LS-SVM的建模效果最好，優(yōu)于光譜模型SCARS-LS-SVM，這是由于融合模型的特征比單獨(dú)光譜模型的信息更為全面，使模型的自測(cè)能力增強(qiáng)。從預(yù)測(cè)集表現(xiàn)看，光譜與紋理特征融合模型LS-SVM不如單獨(dú)光譜模型SCARS-LS-SVM，這是因?yàn)榕c光譜信息相比，紋理特征與含水率的相關(guān)性較差，光譜與紋理特征的融合，相當(dāng)于引入入了一部分相關(guān)性較差的信息，從而導(dǎo)致模型的預(yù)測(cè)能力下降。綜上所述，基于SCARS優(yōu)選的10個(gè)特征波長(zhǎng)建立的LS-SVM模型預(yù)測(cè)精度最高，因此選用該模型進(jìn)行含水率的可視化分析。

2.6 杏鮑菇含水率預(yù)測(cè)模型驗(yàn)證

由于建模杏鮑菇樣品的干燥條件為干燥溫度50℃、切片厚度5mm，為了證明模型的適用性，取不同干燥條件下50個(gè)樣品進(jìn)行驗(yàn)證。預(yù)測(cè)結(jié)果（表4）顯示，不同干燥條件下的預(yù)測(cè)精度與50℃和5mm條件下的相比稍有下降，其中第2組和第8組的均方根誤差（RMSE）大于4%。這可能與選擇的樣品有關(guān)，受干燥條件的影響，各試驗(yàn)組樣品褐變程度不一致，而褐變程度會(huì)影響光譜反射值，從而影響模型的預(yù)測(cè)精度。從整體看，模型還是具有較好的預(yù)測(cè)能力，能夠?qū)崿F(xiàn)不同干燥條件下杏鮑菇含水率的預(yù)測(cè)。

2.7 杏鮑菇樣品含水率的可視化分析

基于SCARS-LS-SVM模型進(jìn)行杏鮑菇含水率預(yù)測(cè)，將杏鮑菇樣品每個(gè)像素點(diǎn)的特征光譜信息輸入SCARS-LS-SVM模型，計(jì)算含水率值，生成杏鮑菇樣品含水率分布的偽彩色圖像（圖9）。從圖9可以看出，在干燥之前，除邊緣位置外，整個(gè)杏鮑菇呈現(xiàn)紅色，說明杏鮑菇含水量較高且分布均勻。隨著干燥的進(jìn)行，杏鮑菇顏色從紅變黃再變綠，含水率不斷降低，并且含水率的分布逐漸變得不規(guī)律，這與干燥條件和干燥環(huán)境有關(guān)，與干燥介質(zhì)熱交換快的部分含水率低，反之，含水率高?？梢?，利用高光譜技術(shù)能夠有效實(shí)現(xiàn)干燥過程中杏鮑菇含水率的檢測(cè)，并且可以實(shí)現(xiàn)含水率分布的可視化。相比于傳統(tǒng)的水分檢測(cè)方法，本方法更快更直觀，對(duì)了解杏鮑菇干燥規(guī)律和提高杏鮑菇干制品質(zhì)量具有重要意義。

3 結(jié)論

本研究采用高光譜成像技術(shù)對(duì)杏鮑菇干燥過程中的含水率進(jìn)行定量檢測(cè)，并基于定量檢測(cè)模型對(duì)不同干燥時(shí)間的杏鮑菇樣品含水率分布進(jìn)行了可視化分析，為了解杏鮑菇干燥過程中的水分變化提供了依據(jù)。主要結(jié)論如下：1）SCARS方法優(yōu)選特征波長(zhǎng)建立的模型預(yù)測(cè)效果優(yōu)于SPA方法，非線性模型LS-SVM的預(yù)測(cè)效果優(yōu)于線性模型PLS。2）基于光譜特征建立的杏鮑菇含水率預(yù)測(cè)模型的預(yù)測(cè)能力最好，其次是融合模型，紋理特征模型最差。光譜特征與含水率的相關(guān)性大于紋理特征。3）利用SCARS-LS-SVM模型計(jì)算杏鮑菇樣品每個(gè)像素點(diǎn)的含水率值，然后繪制不同干燥時(shí)期杏鮑菇樣品含水率分布圖，可以反映杏鮑菇樣品在干燥過程中的水分變化，實(shí)現(xiàn)含水率分布可視化。

參考文獻(xiàn)：

[1]柯樂芹，張東旭，肖建中.杏鮑菇深加工殘?jiān)嗵敲阜ㄎ⒉ㄝo助提取工藝優(yōu)化[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（21）：332-338.

[2]HU Q，ZHANG M，MUJUMDAR A S，et al.Performance evaluation of vacuum microwave drying of edamame in deep-bed drying[J].Drying Technology，2007，25（4）：731-736.

[3]LORENTE D，ALEIXOS N，GOMEZ-SANCHIS J，et al.Recent advances and applications of hyperspectral imaging for fruit andvegetable quality assessment[J].Food and Bioprocess Technology，2012，5（4）：1121-1142.

[4]YU K Q，ZHAO Y R，LIU Z Y，et al.Application of visible and nearinfrared hyperspectral imaging for detection of defective fea-tures in loquat[J].Food and Bioprocess Technology，2014，7（11）：3077-3087.

[5]XING J，BAERDEMAEKER J.Bruise detection on’Jonagold’ apples using hyperspectral imagin[J].Postharvest Biology and Tech-nology，2005，37（2）：152-162.

[6]周竹，李小昱，陶海龍，等.基于高光譜成像技術(shù)的馬鈴薯外部缺陷檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（21）：221-228.

[7]ARIANA D P，LU R F.Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging[J].Jourmal ofFood Engineering，2010，96（4）：583-590.

[8]章海亮，高俊峰，何勇.基于高光譜成像技術(shù)的柑橘缺陷無損檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（9）：177-181.

[9]洪添勝，喬軍，NING WANG，等.基于高光譜圖像技術(shù)的雪花梨品質(zhì)無損檢測(cè)[J]農(nóng)業(yè)工程學(xué)報(bào)，2007，23（2）：151-155.

[10]LU R F，PENG Y K.Hyperspectral scattering for assessing peach fruit firmness[J].Journal of Biosystems Engineering，2006，93（2）：167-171.

[11]何嘉琳，喬春燕，李冬冬，等.可見-近紅外高光譜成像技術(shù)對(duì)靈武長(zhǎng)棗Vc含量的無損檢測(cè)方法[J].食品科學(xué)，2018，39（6）：194-199.

[12]ELMASRY G，WANG N，ELSAYED A，et al.Hyperspectral imaging for nondestructive determination of some quality attributes forstrawberry[J].Journal of Food Engineering，2007，81（1）：98-107.

[13]PENG Y K，LU R F.Analysis of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble sol-ids content[J].Postharvest Biology and Technology，2008，48（1）：52-62.

[14]李丹，何建國(guó)，劉貴珊，等.基于高光譜成像技術(shù)的小黃瓜水分無損檢測(cè)[J].紅外與激光工程，2014，43（7）：2393-2397.

[15]王超鵬，黃文倩，樊書祥，等.基于高光譜成像技術(shù)與CARS算法的玉米種子含水率檢測(cè)[J].激光與光電子學(xué)進(jìn)展，2016，53（12）：260-267.

[16]趙偉彥，黃敏，朱啟兵.基于多模型融合的干燥過程中毛豆含水率、顏色高光譜圖像無損檢測(cè)[J].食品工業(yè)科技，2015，36（5）：267-271，276.

[17]國(guó)家衛(wèi)生和計(jì)劃生育委員會(huì).食品中水分的測(cè)定：GB5009.3-2 016[S].北京：中國(guó)標(biāo)準(zhǔn)出版社，2016.

[18]何勇，彭繼宇，劉、飛，等.基于光譜和成像技術(shù)的作物養(yǎng)分生理信息快速檢測(cè)研究進(jìn)展[J].農(nóng)業(yè)工程學(xué)報(bào)，2015，31（3）：174-189.

[19]雷雨，韓德俊，曾慶東，等.基于高光譜成像技術(shù)的小麥條銹病病害程度分級(jí)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49（5）：226-232.

[20]尼珍，胡昌勤，馮芳.近紅外光譜分析中光譜預(yù)處理方法的作用及其發(fā)展[J].藥物分析雜志，2008，28（5）：824-829.

[21]王欣.近紅外分析中光譜預(yù)處理方法的研究與應(yīng)用進(jìn)展[J].科技資訊，2013（15）：2.

[22]潘國(guó)鋒.基于K-S算法的水質(zhì)硝酸鹽含量光譜檢測(cè)方法研究[J].光譜實(shí)驗(yàn)室，2011，28（5）：2700-2704.

[23]于慧春，婁楠，殷勇，等.基于高光譜技術(shù)及SPXY和SPA的玉米毒素檢測(cè)模型建立[J].食品科學(xué)，2018，39（16）：328-335.

[24]劉國(guó)海，夏榮盛，江輝，等.一種基于SCARS策略的近紅外特征波長(zhǎng)選擇方法及其應(yīng)用[J].光譜學(xué)與光譜分析，2014，34（8）：2094-2097.

[25]KAMRUZZAMAN M，SUN D W，EIMASRY G，et al.Fast detection and visualization of minced lamb meat adulteration using NIRhyperspectral imaging and multivariate image analysis[J].Talan-ta，2013，103：130-136.

[26]孫俊，金夏明，毛罕平，等.基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（10）：167-173.