基于近紅外透射光譜與機(jī)器視覺的蜜柚汁胞?；旨?jí)檢測(cè)

孫瀟鵬，劉燦燦，陸華忠，3，徐 賽

(1.華南農(nóng)業(yè)大學(xué) 工程學(xué)院，廣東 廣州 510642；2.廣西大學(xué) 輕工與食品工程學(xué)院，廣西 南寧 530004；3.廣東省農(nóng)業(yè)科學(xué)院，廣東 廣州 510642；4.廣東省農(nóng)業(yè)科學(xué)院 農(nóng)產(chǎn)品公共監(jiān)測(cè)中心，廣東 廣州 510642)

蜜柚(CitrusmaximaL.)為蕓香科柑橘屬喬木，果圓球形或梨形，風(fēng)味極佳，營(yíng)養(yǎng)價(jià)值高。柑橘類水果經(jīng)常遭受各種生理性疾病的困擾，如汁胞?；?又稱為硬?；?等，對(duì)蜜柚的品質(zhì)和口感產(chǎn)生極大的影響[1]。1934年，Bartholomew等[2]首次報(bào)道了汁胞粒化后，又有來(lái)自不同國(guó)家的研究人員進(jìn)行了相關(guān)報(bào)道。汁胞?；歉涕兕愃兄耗业囊环N生理失調(diào)，其汁液囊變硬、干燥膨大，呈灰色，幾乎沒有可提取的汁液[3]。隨著汁胞?；潭鹊脑黾樱麖墓遗葜袚p失了更多的水分，伴隨著內(nèi)部品質(zhì)的迅速降低，使其缺乏食用價(jià)值。柑橘類水果的汁胞?；ǔＥc汁液囊泡中的次生壁形成和細(xì)胞壁增厚有關(guān)[4]。收獲時(shí)間也對(duì)果實(shí)內(nèi)部品質(zhì)有重要影響，收獲時(shí)間較晚可能會(huì)加重蜜柚的汁胞?；潭萚5]。由于造成汁胞粒化的原因很復(fù)雜，所以目前對(duì)汁胞粒化的相關(guān)研究非常有限。

近紅外透射光譜是一種無(wú)損檢測(cè)技術(shù)，現(xiàn)已廣泛應(yīng)用于水果的內(nèi)部品質(zhì)檢測(cè)，如可溶性固形物含量(SSC)[6]、水果成熟度[7]或柑橘黃龍病[8]等檢測(cè)。然而，有限的穿透深度限制了其對(duì)水果內(nèi)部品質(zhì)檢測(cè)的潛力，尤其是可能會(huì)影響厚皮水果(如西瓜和蜜柚)內(nèi)部品質(zhì)檢測(cè)的準(zhǔn)確性[9]。由于樣本的特殊性和汁胞?；膹?fù)雜性，很難準(zhǔn)確地分類不同?；燃?jí)的蜜柚。近年來(lái)，機(jī)器視覺技術(shù)已廣泛用于農(nóng)業(yè)和食品行業(yè)，尤其是對(duì)水果特征的提取和計(jì)算(如果形提取、體積估算等)[10]。研究發(fā)現(xiàn)：體積的差異可用于水果品質(zhì)檢測(cè)，如柑橘類水果的汁胞?；旨?jí)[11]。因此，本研究將近紅外透射光譜與機(jī)器視覺技術(shù)相結(jié)合，對(duì)蜜柚的?；燃?jí)進(jìn)行分級(jí)檢測(cè)和評(píng)估。

1 材料與方法

1.1 材料與試劑

蜜柚采摘自梅州市蜜柚果園，采摘后立即運(yùn)至實(shí)驗(yàn)室，剔除外部破損和畸形的蜜柚，擦拭蜜柚外部污漬，自然晾干，在室溫(19～21 ℃)下靜置24 h后，進(jìn)行實(shí)驗(yàn)。根據(jù)蜜柚生長(zhǎng)期，每周采集20個(gè)樣本進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)樣本共計(jì)600個(gè)。

NaOH溶液、酚酞指示劑，廣州和為醫(yī)藥科技有限公司。

1.2 儀器與設(shè)備

PAL-Grape Must型數(shù)字折光儀，ATAGO(愛拓)中國(guó)分公司；游標(biāo)卡尺(測(cè)量范圍0～300 mm)，上海申韓量具有限公司；DHG-9030A型電熱鼓風(fēng)干燥箱，上海一恒科學(xué)儀器有限公司；酸堿中和滴定常用儀器(酸式滴定管、堿式滴定管、滴定管夾、鐵架臺(tái)、錐形瓶、玻璃棒等)，江蘇博雅教學(xué)設(shè)備有限公司。

近紅外透射光譜檢測(cè)系統(tǒng)：計(jì)算機(jī)、NIR-QUEST型光譜儀(測(cè)量波長(zhǎng)900～1 700 nm，光譜分辨率0.25 nm，信噪比15 000∶1，積分時(shí)間1 ms～10 s，美國(guó)海洋光學(xué)公司)、實(shí)驗(yàn)箱體、光纖、積分球和實(shí)驗(yàn)托盤等[12-13]。光譜采集軟件，廣州標(biāo)旗光電科技發(fā)展有限公司。

1.3 實(shí)驗(yàn)方法

1.3.1近紅外透射光譜采集及預(yù)處理

啟動(dòng)近紅外透射光檢測(cè)系統(tǒng)，預(yù)熱15 min使設(shè)備達(dá)到穩(wěn)定的工作狀態(tài)。在光譜采集軟件中，積分時(shí)間設(shè)置2 000 ms，平均次數(shù)設(shè)置為1。將托盤置于光譜平臺(tái)內(nèi)，分別采用標(biāo)準(zhǔn)白板和標(biāo)準(zhǔn)黑板貼住積分球校正光譜儀后，進(jìn)行樣本光譜采集。將柚果放置在托盤上，每旋轉(zhuǎn)90°采集1次，并存儲(chǔ)光譜數(shù)據(jù)，取4次光譜的平均值作為該樣本的光譜數(shù)據(jù)。在近紅外透射光譜中，將樣本的相對(duì)透射率作為光譜信息的研究參數(shù)，計(jì)算見式(1)。光譜數(shù)據(jù)中除有效光譜信息外，也含有大量無(wú)關(guān)或冗雜信息，且存在背景噪聲。光譜預(yù)處理可削弱或剔除干擾及無(wú)效信息，保留有效信息，降低模型的復(fù)雜度。研究采用Savitzky-Golay多項(xiàng)式平滑對(duì)原始光譜進(jìn)行預(yù)處理[14]。

(1)

式(1)中，T，樣本的相對(duì)透射率，%；Is，樣本的透射光強(qiáng)度，cd;Iw，標(biāo)準(zhǔn)白板的透射光強(qiáng)度，cd；Ib，標(biāo)準(zhǔn)黑板的透射光強(qiáng)度，cd。

1.3.2光譜特征提取

連續(xù)投影算法(successive projections algorithm，SPA)是一種無(wú)監(jiān)督的變量選擇算法，可用于近紅外透射光譜的特征變量提取。SPA從光譜數(shù)據(jù)中提取有效信息，依據(jù)均方根誤差相對(duì)較低的值，提取符合要求的特征變量[15]。該算法能夠有效剔除變量之間的共線性，最大程度避免信息的重復(fù)，使得變量之間的信息冗余度最低。經(jīng)SPA預(yù)處理后，光譜數(shù)據(jù)以少數(shù)波長(zhǎng)點(diǎn)來(lái)概括樣品中大部分光譜信息，從而能夠提升模型數(shù)據(jù)處理的速率[16]。

1.3.3樣本特征的獲取與估算

基于機(jī)器視覺技術(shù)，自搭建圖像獲取系統(tǒng)，如圖1。圖像獲取系統(tǒng)配套圖片捕獲軟件(IC capture)和圖像處理軟件(Matlab R2018a)共同使用。

1.實(shí)驗(yàn)箱體；2.GigE相機(jī)(DFK 33GP006型)；3.相機(jī)鏡頭(M0814-MP2, F1.4, f8 mm 2/3)；4.條形光源(24 V，580 mA)；5.環(huán)形光源(24 V，580 mA)；6.蜜柚樣本；7.蜜柚托盤；8.計(jì)算機(jī)。

基于機(jī)器視覺技術(shù)，通過圖像信息獲取系統(tǒng)，可快速獲取并估算樣本的特征數(shù)據(jù)。該系統(tǒng)采用IC capture軟件獲取樣本圖像信息，110 mm×110 mm標(biāo)定板和 Matlab 軟件工具箱(computer vision system toolbox 8.1)進(jìn)行相機(jī)標(biāo)定。Matlab軟件工具箱(image processing toolbox 10.2)可快速獲取橫徑和縱徑的像素值，通過像素-尺度轉(zhuǎn)換[17]，得到橫徑和縱徑的估算值。

估算體積時(shí)，可將蜜柚默認(rèn)為橢球體。橢球體的長(zhǎng)、寬、高分別用L、W和H表示。將橢球體劃分為多個(gè)圓臺(tái)，切面默認(rèn)為標(biāo)準(zhǔn)圓，即W≈H，圓臺(tái)的上頂面和下底面分別由Htj和Hbj表示，橢球體的H和L可分別代表橫徑和縱徑，如圖2。因此，樣本的體積可認(rèn)為是多個(gè)圓臺(tái)體積的累加，圓臺(tái)體積(Vj)和樣本的估算體積(V)，可由式(2)和式(3)計(jì)算得到。

圖2 橢球體的劃分和體積估算

(2)

(3)

1.3.4樣本理化指標(biāo)測(cè)定

分別采用游標(biāo)卡尺測(cè)定樣本的橫徑和縱徑(mm)，電子天平稱量樣本的質(zhì)量(g)，排水法測(cè)定樣本的體積(cm3)。提取光譜采集區(qū)域內(nèi)果肉少許，通過擠壓和紗布過濾提取果汁，數(shù)字折光儀測(cè)量可溶性固形物含量，酸堿中和滴定法測(cè)定樣本的可滴定酸度(titratable acidity, TA)，每個(gè)樣本重復(fù)3次后記錄平均值。采用趙曉玲[18]方法測(cè)定樣本的汁胞含水率(moisture content, MC)，計(jì)算見式(4)[19]。

(4)

式(4)中，m1，鮮汁胞的質(zhì)量，g；m2，干汁胞的質(zhì)量,g。

1.4 ?；坭衷u(píng)價(jià)分級(jí)

邀請(qǐng)10位感官評(píng)價(jià)人員對(duì)不同生長(zhǎng)期樣本的不同?；潭冗M(jìn)行打分。分級(jí)標(biāo)準(zhǔn)參考陳昆松等[19]的方法進(jìn)行，將蜜柚沿著果蒂縱切八瓣，進(jìn)行?；u(píng)級(jí)。根據(jù)蜜柚汁胞?；潭?，將蜜柚分為5級(jí)，1級(jí)為未發(fā)生汁胞粒化，2級(jí)為汁胞?；潭刃∮?5%，3級(jí)為汁胞?；潭仍?6%～50%，4級(jí)為汁胞?；潭仍?1%～75%，5級(jí)為汁胞?；潭却笥?5%[20]。

1.5 模型建立與評(píng)價(jià)指標(biāo)確定

1.5.1模糊C均值聚類

模糊C均值(fuzzy c-means, FCM)聚類是模糊聚類中常用的劃分聚類方法，屬于軟化分算法。FCM算法由MacQueen提出,其原理是首先定義一個(gè)準(zhǔn)則函數(shù),并隨機(jī)選取c個(gè)初始聚類中心,然后根據(jù)樣本與聚類中心的隸屬度來(lái)確定聚類關(guān)系，再重新計(jì)算每類的聚類中心，此過程不斷重復(fù)，直到準(zhǔn)則函數(shù)最小。準(zhǔn)則函數(shù)為樣本和聚類中心的平方誤差的總和[21]。

模糊C均值聚類的準(zhǔn)則，設(shè)xi(i=1, 2, …,n)是n個(gè)樣本組成的樣本集合，c為預(yù)定的類別數(shù)目，μj(xi)是第i個(gè)樣本對(duì)于第j類的隸屬度函數(shù)。用隸屬度函數(shù)定義的聚類損失函數(shù)計(jì)算見式(5)。

(5)

其中，b>1,是一個(gè)可以控制聚類結(jié)果模糊程度的常數(shù)。在不同的隸屬度定義方法下最小化聚類損失函數(shù)，就得到不同的模糊聚類方法。其中最有代表性的是模糊C均值聚類，它要求每個(gè)樣本對(duì)于各個(gè)聚類的隸屬度之和為1，如式(6)。

(6)

1.5.2K-近鄰法聚類

K-近鄰法(K-nearest neighbor, KNN)聚類是一種高效且具備較高分類精度的方法[22]。KNN聚類算法的核心思想是在多維空間Rn中找到與未知樣本最近鄰的k個(gè)點(diǎn)，并根據(jù)這k個(gè)點(diǎn)的類別來(lái)判斷預(yù)測(cè)樣本的類屬。該算法假設(shè)所有樣本對(duì)應(yīng)于n維空間中的點(diǎn)，每個(gè)樣本的最近鄰是根據(jù)歐式距離定義，設(shè)x的特征向量為[a1(x),a2(x), …,an(x)]。其中，ar(x)表示樣本x的第r個(gè)屬性值。2個(gè)樣本xi和xj間的距離定義為d(xi,xj),計(jì)算見式(7)。

(7)

以xi為預(yù)測(cè)樣本的特征向量，Y定義樣本的類別，yi∈Y{c1,c2,…,ck}為預(yù)測(cè)樣本的類別，I為指示函數(shù)，NK(x)為n維空間內(nèi)選取與x最鄰近的k個(gè)點(diǎn)的領(lǐng)域，并以x預(yù)測(cè)y類別[23]，如式(8)。

(i=1,2,3,…,N;j=1,2,3,…,K)

(8)

1.5.3樣本分級(jí)的評(píng)價(jià)指標(biāo)確定

通過kennard-stone法[24]將600個(gè)實(shí)驗(yàn)樣本按照2∶1的比例，分為訓(xùn)練集和預(yù)測(cè)集。運(yùn)用模糊C均值聚類、K-近鄰法聚類對(duì)樣本進(jìn)行分級(jí)，運(yùn)用混淆矩陣評(píng)估二進(jìn)制分類模型的性能[25]。假設(shè)將1級(jí)樣本定義為目標(biāo)樣本，2、3、4、5級(jí)樣本定義為非目標(biāo)樣本。TP為目標(biāo)樣本正確分類為1級(jí)樣本的數(shù)量；TN為非目標(biāo)樣本正確分類在2、3、4、5級(jí)樣本中的數(shù)量；FP為非目標(biāo)樣本分類為1級(jí)樣本的數(shù)量；FN為目標(biāo)樣本分類為2、3、4、5級(jí)樣本的數(shù)量，即本屬于1級(jí)的樣本被分類為2級(jí)、3級(jí)、4級(jí)或5級(jí)的樣本數(shù)量和。當(dāng)其他級(jí)別樣本定義為目標(biāo)樣本，皆可根據(jù)以上方法進(jìn)行假設(shè)。再根據(jù)式(9)～式(11)，分別從聚類模型的準(zhǔn)確性、敏感性和特異性進(jìn)行分級(jí)評(píng)價(jià)。

(9)

(10)

(11)

2 結(jié)果與分析

2.1 近紅外透射光譜分析

600個(gè)樣本的近紅外透射原始光譜見圖3(a)。在近紅外光譜區(qū)域內(nèi)，典型的重疊吸收峰對(duì)應(yīng)水果中水分和碳水化合物的C—H、O—H和N—H化學(xué)鍵。在短波近紅外光譜區(qū)域(900～1 100 nm)，重疊吸收峰出現(xiàn)在大約948 nm處，950 nm附近的吸收峰為水分的吸收帶[26]。汁胞?；倪^程伴隨著樣本枯水的過程，其果汁囊泡中損失了更多的水分。在長(zhǎng)波近紅外光譜區(qū)域(1 100～1 700 nm)，最大的吸收峰出現(xiàn)在1 283 nm處，這是C—H鍵第二官能團(tuán)振動(dòng)帶[27]。而1 410 nm處吸收峰是木質(zhì)素相關(guān)的吸收帶，它是亞甲基C—H鍵與R(CH2)nR的C—H鍵的組合官能團(tuán)。柑橘類水果發(fā)生汁胞?；c果汁囊泡的細(xì)胞壁結(jié)構(gòu)變化有關(guān)，是木質(zhì)素、纖維素和果膠等細(xì)胞壁成分的增加造成的[3]。5種?；燃?jí)的平均光譜見圖3(b)。隨著樣本的汁胞粒化程度加重，948 nm處吸收峰呈依次遞減趨勢(shì)；而1 410 nm處吸收峰呈依次遞增趨勢(shì)。

圖3 樣本的近紅外透射光譜

樣本的近紅外透射光譜經(jīng)預(yù)處理后，采用SPA進(jìn)行光譜特征提取，如圖4。SPA共選取17個(gè)特征變量，代表樣本在900～1 700 nm波段的光譜信息，快速高效地完成了數(shù)據(jù)降維，解決了變量間的共線性問題。且特征變量多集中在950、1 283、1 410 nm吸收峰附近，與蜜柚汁胞?；倪^程密切相關(guān)。

圖4 連續(xù)投影法的光譜特征提取

2.2 樣本理化指標(biāo)與汁胞?；年P(guān)系分析

根據(jù)蜜柚的生長(zhǎng)期，研究1～5級(jí)汁胞?；瘶颖镜奶卣髯兓鐖D5。實(shí)驗(yàn)采集的樣本隨著汁胞粒化等級(jí)的增加，外部形態(tài)逐漸減小。根據(jù)?；瘶颖驹u(píng)級(jí)方法，樣本隨著汁胞?；燃?jí)的增加，內(nèi)部出現(xiàn)汁液囊變硬、干燥、膨大等特征，顏色呈灰色，幾乎沒有可提取的汁液(見圖6)。隨儲(chǔ)藏時(shí)間的增加，果汁囊泡中損失了更多的水分，存儲(chǔ)過程中疾病的嚴(yán)重性增加。

圖5 1～5級(jí)汁胞?；瘶颖镜耐獠刻卣髯兓?/p>

圖6 1～5級(jí)汁胞粒化樣本的內(nèi)部品質(zhì)變化

各級(jí)?；瘶颖镜睦砘笜?biāo)見表1。結(jié)果表明：隨著汁胞粒化等級(jí)由1級(jí)升至5級(jí)，樣本的橫徑和縱徑逐漸減小，伴隨著體積也逐漸減?。慌c此同時(shí)，樣本的MC、SSC和TA也逐漸降低。樣本的外部特征及內(nèi)部品質(zhì)均會(huì)受到汁胞?；挠绊?。

表1 各級(jí)粒化樣本的理化指標(biāo)

2.3 樣本特征估算與數(shù)據(jù)分析

為驗(yàn)證體積估算值的可靠性，將排水法測(cè)定的體積測(cè)量值(Vacc)與圖像信息獲取系統(tǒng)計(jì)算的體積估算值(V)進(jìn)行比較。對(duì)Vacc與V進(jìn)行線性擬合分析，如圖7(a)。由回歸方程可知，V與Vacc之間存在線性規(guī)律，決定系數(shù)R2等于0.987 9，證明蜜柚體積的估算模型中，估算值相較于真實(shí)值，準(zhǔn)確率達(dá)到98.79%。對(duì)Vacc與V進(jìn)行差異性分析，來(lái)確定樣品的測(cè)量值和估算值之間的差異[28]，見圖7(b)。Vacc與V的95%一致性極限均位于d-1.96至d+1.96。Vacc與V平均差異百分比為7.2%，95%一致性極限區(qū)間為[4.4, 9.9]，證明V比Vacc小約4.4%～9.9%。進(jìn)一步佐證體積估算值可代替測(cè)量值，將其融合光譜數(shù)據(jù)可用于汁胞?；哪Ｐ头旨?jí)檢測(cè)與研究。

圖7 體積測(cè)量值和估算值的數(shù)據(jù)分析

2.4 預(yù)測(cè)模型的分級(jí)評(píng)價(jià)

研究采用SPA-FCM和SPA-KNN 2種分級(jí)模型，對(duì)各級(jí)粒化樣本進(jìn)行分級(jí)檢測(cè)。根據(jù)kennard-stone法[24]，從600個(gè)實(shí)驗(yàn)樣本數(shù)據(jù)中，隨機(jī)選取400個(gè)訓(xùn)練集樣本數(shù)據(jù)，進(jìn)行模型建立和訓(xùn)練；剩余200個(gè)預(yù)測(cè)集樣本數(shù)據(jù)進(jìn)行模型預(yù)測(cè)。模型輸入變量為經(jīng)預(yù)處理和特征提取的近紅外透射光譜數(shù)據(jù)與圖像特征提取的樣本體積估算值，模型輸出變量為汁胞?；燃?jí)。

分級(jí)模型的混淆矩陣，如表2。SPA-FCM與SPA-KNN的混淆矩陣中，預(yù)測(cè)集的誤判樣本均少于訓(xùn)練集。模型訓(xùn)練集與模型預(yù)測(cè)集中，1級(jí)和2級(jí)互為誤判樣本的機(jī)率較高，證明從無(wú)汁胞粒化至小于25%汁胞?；?，樣本的內(nèi)部品質(zhì)變化較小；因此分級(jí)模型完成1級(jí)和2級(jí)準(zhǔn)確分級(jí)難度較大。與此同時(shí)，4級(jí)和5級(jí)互為誤判樣本的機(jī)率較高，證明從50%～75%汁胞?；链笥?5%汁胞?；瑯颖緝?nèi)部均已嚴(yán)重?；殡S著汁胞含水率的降低，出現(xiàn)嚴(yán)重的枯水現(xiàn)象，無(wú)可提取果汁，SSC和TA的急劇降低，內(nèi)部果肉基本不可食，且口感極差；因此，分級(jí)模型完成4級(jí)和5級(jí)準(zhǔn)確分級(jí)難度較大。然而，SPA-FCM與SPA-KNN均能完成對(duì)3級(jí)樣本的準(zhǔn)確分類。

表2 分級(jí)模型的混淆矩陣

根據(jù)分級(jí)評(píng)價(jià)指標(biāo)，結(jié)合模型的混淆矩陣，對(duì)預(yù)測(cè)集樣本進(jìn)行分級(jí)預(yù)測(cè)，見表3。SPA-FCM預(yù)測(cè)結(jié)果的準(zhǔn)確性、敏感性和特異性分別達(dá)到0.925 9、0.733 3和0.935 3以上；SPA-KNN預(yù)測(cè)結(jié)果的準(zhǔn)確性、敏感性和特異性分別達(dá)到0.970 0、0.923 1和0.987 4以上。而且，SPA-FCM與SPA-KNN對(duì)3級(jí)樣本完全準(zhǔn)確預(yù)測(cè)，其準(zhǔn)確性、敏感性和精確性均達(dá)到1。結(jié)果表明：SPA-KNN相較于SPA-FCM，對(duì)各級(jí)?；瘶颖镜姆旨?jí)預(yù)測(cè)能力更好，即能更好地完成對(duì)樣本汁胞?；姆旨?jí)檢測(cè)。

表3 分級(jí)模型對(duì)樣本預(yù)測(cè)集的預(yù)測(cè)能力

3 結(jié) 論

采用近紅外透射光譜和機(jī)器視覺技術(shù)的分級(jí)預(yù)測(cè)模型，可用于蜜柚汁胞?；姆旨?jí)檢測(cè)。近紅外透射光譜可以捕獲由汁胞粒化引起的內(nèi)部品質(zhì)的化學(xué)變化。機(jī)器視覺技術(shù)可快速估算樣本的外觀特征，探究由汁胞?；鸬耐獠刻卣鞯奈锢碜兓４朔椒▽?duì)?；瘶颖镜念A(yù)測(cè)能力好，分級(jí)準(zhǔn)確率高，分級(jí)檢測(cè)過程中，對(duì)樣本無(wú)破壞，適用于實(shí)時(shí)在線檢測(cè)。因此，基于近紅外透射光譜和機(jī)器視覺技術(shù)對(duì)蜜柚汁胞粒化的分級(jí)檢測(cè)具有較高的可行性，以期為厚皮水果或柑橘類水果的內(nèi)部品質(zhì)檢測(cè)提供了一定的研究基礎(chǔ)和參考。