基于可見/近紅外透射光譜技術(shù)的紅提糖度和含水率無損檢測(cè)

高 升，王巧華

（1. 華中農(nóng)業(yè)大學(xué) 工學(xué)院，湖北 武漢 430070；2. 農(nóng)業(yè)部長(zhǎng)江中下游農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430070）

1 引 言

葡萄是我國(guó)五大水果之一，2017年的總產(chǎn)量高達(dá)1 308.0萬噸[1]。紅提葡萄果肉堅(jiān)實(shí)、顆粒飽滿、香甜可口，受到人們的廣泛喜愛。可溶性固形物含量（Soluble Solids Content，SSC），一般也稱為糖度，是評(píng)價(jià)水果內(nèi)部品質(zhì)的關(guān)鍵參數(shù)，也是集可溶性糖、酸、纖維素等成分在內(nèi)的綜合指標(biāo)[2]，是消費(fèi)者進(jìn)行購買時(shí)的重要參考，也是反映水果成熟度的重要指標(biāo)[3]。葡萄果粒含有較高的水分，使葡萄果粒呈現(xiàn)出新鮮飽滿和脆嫩的狀態(tài)，具有較好的口感。葡萄容易出現(xiàn)腐爛、軟化、干梗等現(xiàn)象，導(dǎo)致葡萄的品質(zhì)降低[4]。含水率作為果蔬的重要衡量指標(biāo)，會(huì)對(duì)果蔬的品質(zhì)、質(zhì)構(gòu)及風(fēng)味產(chǎn)生較大的影響，且含水率也是葡萄腐敗變質(zhì)的重要原因，及時(shí)地檢測(cè)葡萄果粒的含水率，根據(jù)含水率挑選出將要腐爛的果實(shí)，對(duì)保護(hù)周邊好的果粒，延長(zhǎng)貯藏時(shí)間至關(guān)重要。此外，含水率還可以在一定程度上反映葡萄的貯藏時(shí)間，同樣也可以用于判斷葡萄是否新鮮。

傳統(tǒng)糖度檢測(cè)需進(jìn)行破壞實(shí)驗(yàn)，擠出汁液后，再利用折射法進(jìn)行測(cè)定；含水率則是通過烘干法進(jìn)行測(cè)定，繁瑣費(fèi)時(shí)，且只能進(jìn)行抽樣檢測(cè)，檢測(cè)范圍較小，檢測(cè)完的實(shí)驗(yàn)樣本損壞后無法銷售。近紅外光譜技術(shù)具有檢測(cè)時(shí)間短、操作簡(jiǎn)單等優(yōu)點(diǎn)，被廣泛用于蘋果、哈密瓜、梨、柑橘等食品內(nèi)部品質(zhì)的無損檢測(cè)[5-12]。國(guó)內(nèi)對(duì)果蔬含水率的檢測(cè)相對(duì)較少[5]，朱丹實(shí)等[4]研究了濕度條件對(duì)巨峰葡萄貯藏過程中水分及質(zhì)構(gòu)變化的影響，并建立不同濕度貯藏時(shí)巨峰葡萄的水分變化規(guī)律。韓東海等[13]利用近紅外技術(shù)實(shí)現(xiàn)了對(duì)小型西瓜生長(zhǎng)過程中可溶性固形物和水分的快速無損檢測(cè)，并確定了最佳光譜采集區(qū)域。孫海霞等[14]利用光譜和含水率補(bǔ)償方法建立了穩(wěn)定可靠的鮮棗品質(zhì)（含水率、可溶性固形物含量、維生素C含量、蛋白質(zhì)含量、硬度值）模型。目前，大多數(shù)的研究大都集中在對(duì)水果的糖度研究，劉燕德等[15]搭建了以STS光譜儀和自制樣品杯作為光譜檢測(cè)裝置的蘋果可溶性固形物便攜式檢測(cè)平臺(tái)，結(jié)合偏最小二乘法建立的蘋果可溶性固形物定量檢測(cè)模型精度最高，模型的預(yù)測(cè)集相關(guān)系數(shù)Rp為0.924。許峰等[16]利用可見/近紅外技術(shù)檢測(cè)紅提糖度和酸度含量，糖度和酸度預(yù)測(cè)集的相關(guān)系數(shù)分別為0.956 8、0.940 5，實(shí)現(xiàn)了紅提糖度和酸度的快速無損檢測(cè)。已有研究中鮮有針對(duì)紅提含水率進(jìn)行研究，同時(shí)對(duì)紅提糖度和含水率的綜合檢測(cè)研究還未見報(bào)道。

本文通過可見/近紅外光譜技術(shù)，分析了紅提的放置模式對(duì)模型的影響，尋找到最好的光譜采集方式；對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，確定最佳預(yù)處理方式，并在最佳預(yù)處理方式下，分別建立紅提糖度和含水率的PLSR和LSSVM模型；比較模型的穩(wěn)定性和精度，對(duì)比分析不同模型的優(yōu)劣，并確定了不同模型的應(yīng)用場(chǎng)景，通過一次光譜采集，實(shí)現(xiàn)同時(shí)無損測(cè)定紅提糖度和含水率。

2 材料和方法

2.1 材料

實(shí)驗(yàn)材料為晚紅品種的新鮮紅提，購買于中百超市，分別在每穗紅提的外部、中部、頂部、尖部挑選大小相近，顏色差異明顯、表面無損傷的紅提果粒作為實(shí)驗(yàn)樣本，建模樣本總數(shù)為360粒。將樣本編號(hào)并放入恒溫恒濕箱中保存12 h[17]，恒溫箱溫度設(shè)置為（22±1） ℃，相對(duì)濕度為65%。

2.2 儀器與設(shè)備

光譜儀選用美國(guó)Oceanoptics公司的Maya 2000Pro+微型光纖光譜儀（波長(zhǎng)范圍為200～1 100 nm，信噪比為450:1），因光譜兩端噪聲較大，選取550～1 050 nm的波段作為原始光譜進(jìn)行建模分析；恒溫恒濕箱購自上海新苗醫(yī)療器械制造有限公司；申光WAY(2WAJ) 阿貝爾折射儀購自上海儀電物理光學(xué)儀器有限公司；JA2002 電子天平購自上海浦春計(jì)量?jī)x器有限公司；電熱鼓風(fēng)干燥箱購自余姚市星辰儀表廠。

2.3 方法

2.3.1 可見/近紅外實(shí)驗(yàn)裝置與光譜采集

搭建的近紅外采集實(shí)驗(yàn)平臺(tái)如圖1所示，實(shí)驗(yàn)時(shí)，將紅提果粒放到中間帶有圓孔的隔板上，分別采用果柄朝上的豎放和垂直于果柄的橫放方式進(jìn)行光譜采集，84UV準(zhǔn)直透鏡與中間隔板的距離為4.5 cm，聚光透鏡離中間隔板的距離為3.0 cm。

圖1 紅提可見/近紅外光譜采集系統(tǒng)圖Fig. 1 Schematic of visible / near-infrared spectrum acquisition system for red globe grape

采用Maya2000Pro微型光纖光譜儀，對(duì)恒溫樣本進(jìn)行光譜采集。采集前，先打開光譜及光譜儀采集軟件，將系統(tǒng)預(yù)熱30 min。光譜儀采集軟件的參數(shù)設(shè)置如下：積分時(shí)間為100 ms，平均次數(shù)為10次，平滑寬度為5 nm，將紅提果粒放到中間隔板的圓孔中，采集果粒的光譜數(shù)據(jù)。

2.3.2 紅提糖度和含水率測(cè)定方法

樣本制備：用小刀在采集完光譜的紅提樣本頭部（果柄相對(duì)的部位）切下大約5 g的剪切樣本，進(jìn)行含水率測(cè)定；再按照國(guó)家鮮葡萄行業(yè)標(biāo)準(zhǔn)GH/T1022—2000，將剩余的紅提果粒試樣壓成汁，并用玻璃棒攪拌均勻[18]，立即測(cè)定糖度。

糖度測(cè)定參照NY/T 2637—2014《水果、蔬菜制品可溶性固形物含量的測(cè)定——折射儀法》進(jìn)行[19]。

含水率測(cè)定：含水率的測(cè)定采用國(guó)標(biāo) GB 5009.3—2016《食品中含水率的測(cè)定》[20]。取潔凈鋁盒，根據(jù)國(guó)標(biāo)，加熱、干燥后稱量鋁盒的質(zhì)量為m3，加入紅提剪切樣本后，樣本加鋁盒的質(zhì)量為m1，然后放入溫度為105 ℃的電熱鼓風(fēng)干燥箱內(nèi)烘干，得到烘干后樣本加鋁盒的質(zhì)量m2，試樣中紅提的含水率含量X按式（1）進(jìn)行計(jì)算:

式中X為紅提試樣中含水率(%)，m1為鋁盒和紅提試樣的質(zhì)量(g/100 g)，m2為鋁盒和紅提試樣干燥后的質(zhì)量(g/100 g)，m3為鋁盒的質(zhì)量(g)。

2.3.3 模型建立及評(píng)價(jià)方法

分別基于原始光譜和進(jìn)行特征波長(zhǎng)提取后的光譜信息建立紅提糖度和含水率的PLSR、LSSVM模型。

運(yùn)用原始光譜及光譜預(yù)處理后的可見/近紅外光譜數(shù)據(jù)，分別采用一次降維（GA、SPA、CARS、UVE）和二次降維組合（CARS-SPA、UVE-SPA、GA-SPA）7種數(shù)據(jù)降維方法對(duì)光譜進(jìn)行特征變量提??；分別結(jié)合偏最小二乘回歸算法（Partial Least Squares Regression，PLSR）與最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LSSVM）建立模型，并對(duì)比分析模型的優(yōu)劣。

PLSR是一種經(jīng)典的通過最小化偏差平方和對(duì)曲線進(jìn)行線性擬合的方法，其結(jié)合了多元線性回歸、相關(guān)分析和主成分的優(yōu)點(diǎn)，廣泛應(yīng)用于近紅外光譜模型的建立[21]。最小二乘支持向量機(jī)[22-23]（LSSVM）方法在有效簡(jiǎn)化模型的同時(shí)提高了模型的運(yùn)算速度，通過求解一次線性組來代替支持向量機(jī)中的復(fù)雜二次優(yōu)化問題。

模型的準(zhǔn)確性和穩(wěn)定性由校正集相關(guān)系數(shù)（correlation coefficient of calibration，Rc）及均方根誤差（Root Mean Square Error of Calibration set，RMSEC）、預(yù)測(cè)集相關(guān)系數(shù)（root mean square error of prediction set，Rp）及均方根誤差（RMSEP）、殘差預(yù)測(cè)偏差（Residual Predictive Deviation，RPD)進(jìn)行模型性能的評(píng)價(jià)[24]。相關(guān)系數(shù)越接近1，均方根誤差越接近零，模型的預(yù)測(cè)性能及穩(wěn)定性越好。RPD的評(píng)價(jià)指標(biāo)：RPD的值小于1.5表示預(yù)測(cè)性能較差；其值在1.5到2.0之間表示模型可以預(yù)測(cè)低值和高值；其值在2.0到2.5之間表示可以進(jìn)行粗略的定量預(yù)測(cè)；其值在2.5到3.0之間或更高表示具有良好的預(yù)測(cè)精度。

式中：ypi為預(yù)測(cè)集中的第i個(gè)樣本的預(yù)測(cè)值；ymi為校正集中的第i個(gè)樣本的實(shí)際測(cè)量值；ymean為對(duì)應(yīng)所有nc個(gè)校正集樣本或np個(gè)預(yù)測(cè)集樣本實(shí)際測(cè)量值的平均值，stdprediction為預(yù)測(cè)集的標(biāo)準(zhǔn)差。

3 結(jié)果與分析

3.1 光譜數(shù)據(jù)預(yù)處理

因外界環(huán)境（光線、噪聲等）影響，使得采集的光譜在550 nm之前和1 050 nm之后的光譜包含較多的噪聲。參考現(xiàn)有學(xué)者的研究，光譜波長(zhǎng)在550～1 100 nm時(shí)，包含較多的關(guān)于糖度和含水率的信息[13,16]。本文選擇550～1 050 nm波長(zhǎng)的光譜范圍進(jìn)行研究，采集的原始紅提樣本光譜如圖2所示?？梢钥闯?，所有紅提樣本的光譜都呈現(xiàn)出相同的變化趨勢(shì)，在波長(zhǎng)為550 nm之后透過率顯著升高，725～920 nm波長(zhǎng)范圍內(nèi)，光強(qiáng)度較高但變化較小，光譜的透過率較平穩(wěn)，其中波峰為635 nm，波谷為675 nm和980 nm。

圖2 紅提樣本的原始光譜Fig. 2 Original spectra of red globe grape samples

光譜預(yù)處理能有效消除儀器噪聲、暗電流等因素的影響。在進(jìn)行建模前，對(duì)標(biāo)準(zhǔn)正態(tài)變量變換（Standard Normal Variable transformation，SNV）、SavitZky-Golay卷積平滑處理法（SavitZky-Golay，S_G）、歸一化(Normalized，Nor)等預(yù)處理方法進(jìn)行比較分析[25-27]，確定較好的預(yù)處理方式。

由表1可知，對(duì)紅提糖度和含水率的光譜數(shù)據(jù)進(jìn)行預(yù)處理后所建PLSR模型的相關(guān)系數(shù)和均方根誤差都有所降低，模型變得更加不穩(wěn)定，因此應(yīng)直接利用原始光譜建模。

表1 原始光譜及采用不同預(yù)處理方法后建立的的全波長(zhǎng)PLSR檢測(cè)模型Tab. 1 Original spectra and full-wavelength PLSR detection model established by different pretreatment methods

3.2 樣本集的劃分

KS(Kennard-Stone,KS)法[28]能夠有效選取光譜數(shù)據(jù)差異較大的樣本作為校正集，剩余樣本劃分為預(yù)測(cè)集，從而提高模型適應(yīng)性和預(yù)測(cè)精度。實(shí)驗(yàn)中共采集了360個(gè)紅提樣本，利用KS法將360紅提樣本以3∶1的比例分別劃分為270個(gè)校正集和90個(gè)預(yù)測(cè)集。樣本統(tǒng)計(jì)結(jié)果如表2所示。

表2 利用KS算法劃分樣本集的數(shù)據(jù)統(tǒng)計(jì)Tab. 2 Data statistics of sample sets partitioned by KS algorithm

從表2可以看出，糖度分布范圍為16.8～24.0（°Brix），校正集和預(yù)測(cè)集的標(biāo)準(zhǔn)差分別為1.334、1.275；含水率的分布范圍為76.635%～84.327%，校正集和預(yù)測(cè)集的標(biāo)準(zhǔn)差分別為1.268、1.450。通過KS法所劃分的糖度和含水率校正集的分布范圍比預(yù)測(cè)集的分布范圍更廣，證明所挑選出來的校正集樣本具有代表性。

3.3 放置模式對(duì)PLSR模型的影響

分別對(duì)橫放、豎放（果柄側(cè)朝上）、整個(gè)果粒平均得到的光譜數(shù)據(jù)建立偏最小二乘回歸模型，根據(jù)PLSR模型的準(zhǔn)確性和穩(wěn)定性，確定最優(yōu)的光譜采集方式。表3為不同放置模式的全波長(zhǎng)PLSR預(yù)測(cè)模型。

表3 不同放置模式的全波長(zhǎng)PLSR檢測(cè)模型Tab. 3 Full-wavelength PLSR detection models of samples with different placement modes

由表3可知：豎放模式建立的紅提糖度和含水率的PLSR模型優(yōu)于橫放模式；豎放模型下進(jìn)行光譜采集所建立的PLSR模型的檢測(cè)性能和穩(wěn)定性比橫放模式更好；利用整個(gè)果粒的平均光譜建立的糖度和含水率模型效果最優(yōu)，糖度和含水率的校正集的相關(guān)系數(shù)分別為0.927、0901；預(yù)測(cè)集的相關(guān)系數(shù)分別為0.933、0.868，模型的穩(wěn)定性和精度最好；在3種模式下糖度和含水率的相關(guān)系數(shù)都大于0.850，表明可見/近紅外光譜能夠有效預(yù)測(cè)紅提糖度和含水率；糖度模型的相關(guān)系數(shù)明顯高于含水率的相關(guān)系數(shù)，表明相較于紅提的含水率，可見/近紅外光譜更能較好地預(yù)測(cè)紅提的糖度。

3.4 特征波長(zhǎng)的提取

根據(jù)上文結(jié)論，采用整個(gè)果粒的平均光譜作為原始光譜進(jìn)行研究。因原始光譜包含較多的波長(zhǎng)點(diǎn)，數(shù)據(jù)較多，所建模型的運(yùn)算時(shí)間較長(zhǎng)，相關(guān)系數(shù)不高，均方根誤差較大，模型精度和穩(wěn)定性較低，故在特征波長(zhǎng)提取下建立不同模型，得到最好的紅提糖度和含水率檢測(cè)模型。下文以糖度為例進(jìn)行特征波長(zhǎng)的提取。

3.4.1 GA提取特征波長(zhǎng)

利用遺傳算法（Genetic Algorithm，GA）提取特征波長(zhǎng)，建立紅提糖度模型。在GA運(yùn)算過程中，設(shè)定初始群體為30，交叉率為50%，變異率為1%，最大迭代次數(shù)為100，最大循環(huán)次數(shù)為20次，以最小的RMSECV值為標(biāo)準(zhǔn)，挑選出在迭代過程中出現(xiàn)頻次較多的波長(zhǎng)點(diǎn)，最終選定特征波長(zhǎng)點(diǎn)為85個(gè)，如圖3(a)所示，占原始光譜信息的7.39%，GA所選特征波長(zhǎng)如圖3(b)所示。

圖3 紅提糖度的GA特征波長(zhǎng)選取圖Fig. 3 GA characteristic wavelength selection map of sugar content of red globe grape

3.4.2 SPA提取特征波長(zhǎng)

利用連續(xù)投影算法（Successive Projection Algorithm，SPA）提取特征波長(zhǎng)，建立紅提糖度模型，設(shè)定波長(zhǎng)選擇變量數(shù)范圍為5～40，選擇步長(zhǎng)為1；如圖4(a)所示，當(dāng)變量個(gè)數(shù)為17時(shí)，RMSEC最小為0.527，占原始光譜信息的3.88%，在原始光譜中所選特征波長(zhǎng)位置如圖4(b)所示。

圖4 紅提糖度的SPA特征波長(zhǎng)選取圖Fig. 4 SPA characteristic wavelength selection map of red globe grape′s sugar content

3.4.3 CARS提取特征波長(zhǎng)

利用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)（Competitive Adaptive Reweighted Sampling，CARS）提取特征波長(zhǎng)，以建立紅提糖度模型。本研究設(shè)定蒙特卡羅采樣為50次，采用5折交叉驗(yàn)證法。由圖5可知，當(dāng)RMSECV值達(dá)到最小值時(shí)，各變量的回歸系數(shù)位于圖5(c)中豎直線位置，采樣運(yùn)行30次。

3.4.4 UVE提取特征波長(zhǎng)

利用無信息消除（Uninformative Variable Elimination，UVE）算法提取特征波長(zhǎng)，以建立紅提糖度模型。設(shè)定噪聲矩陣處最大穩(wěn)定性絕對(duì)值的99%作為剔除閾值，圖6（彩圖見期刊電子版）中黃色曲線代表光譜變量的穩(wěn)定性值，紅色曲線代表噪聲變量的穩(wěn)定性值，兩水平藍(lán)色虛線為變量的選擇閾值（±17.78），藍(lán)色虛線內(nèi)部的為無用信息被剔除，外部區(qū)域?yàn)橥ㄟ^UVE選取的特征波長(zhǎng)，選取結(jié)果如圖6所示，通過UVE共選取437個(gè)特征波長(zhǎng)，占原始光譜的38.00%。

圖5 紅提糖度的CARS特征波長(zhǎng)選取圖Fig. 5 CARS characteristic wavelength selection map of red globe grape′s sugar content

圖6 紅提糖度的UVE特征波長(zhǎng)選取圖Fig. 6 UVE characteristic wavelength selection map of red globe grape′s sugar content

3.5 模型建立及結(jié)果比較

將各算法提取的特征波長(zhǎng)作為模型的輸入量，以通過實(shí)驗(yàn)方法獲得的紅提糖度和含水率作為模型的結(jié)果，分別建立PLSR和LSSVM模型。

3.5.1 PLSR模型建立

紅提糖度PLSR預(yù)測(cè)模型的最優(yōu)特征波點(diǎn)方程：

紅提含水率PLSR檢測(cè)模型的最優(yōu)特征波點(diǎn)方程：

由表4～5可知，相較于其他的特征波長(zhǎng)提取方法，UVE和GA所提取的特征波長(zhǎng)數(shù)量較多。在一次特征波長(zhǎng)提取中，通過GA算法提取的特征波長(zhǎng)建立的PLSR模型的相關(guān)系數(shù)較大，均方根誤差較小，模型比較穩(wěn)定，GA算法可以有效地提取紅提糖度和含水率的有效特征信息，但GA提取的特征信息較多，可通過二次特征波長(zhǎng)提取簡(jiǎn)化模型。在二次特征波長(zhǎng)提取中，紅提糖度和含水率的最優(yōu)組合波長(zhǎng)提取方法為GASPA-PLSR，最優(yōu)模型的預(yù)測(cè)集相關(guān)系數(shù)分別為0.958、0.938，均方根誤差分別為0.375、0.512，可以有效地預(yù)測(cè)紅提的糖度和含水率。

表4 基于特征波長(zhǎng)建立的紅提糖度和含水率PLSR檢測(cè)模型Tab. 4 PLSR detection models of red globe grape′s sugar and moisture content based on wavelength characteristics

續(xù)表4

表5 紅提糖度和含水率PLSR檢測(cè)模型的最優(yōu)特征波點(diǎn)列表Tab. 5 List of optimal wave point characteristics of the sugar and moister content of PLSR detection model for red globe grapes

3.5.2 LSSVM模型建立

由表6～7可知，相較于其他的特征波長(zhǎng)提取方法，UVE和GA所提取的特征波長(zhǎng)數(shù)量較多。在一次特征波長(zhǎng)提取中，通過GA和UVE算法提取的特征波長(zhǎng)建立的PLSR模型的相關(guān)系數(shù)較大，均方根誤差較小，模型比較穩(wěn)定，可以有效地提取紅提糖度和含水率的有效特征信息，但提取的特征信息較多，可通過二次特征波長(zhǎng)提取，簡(jiǎn)化模型。在二次特征波長(zhǎng)的提取中，紅提糖度和含水率的最優(yōu)模型波長(zhǎng)提取方法分別為CARSSPA-LSSVM、UVE-SPA-LSSVM，最優(yōu)模型的預(yù)測(cè)集相關(guān)系數(shù)分別為0.969、0.942，提取的特征波長(zhǎng)數(shù)量分別9、19個(gè)，占原始光譜數(shù)據(jù)的0.78%、1.65%。LSSVM所建模型的效果好于PLSR所建模型，但模型的運(yùn)算時(shí)間較長(zhǎng)。

表6 基于特征波長(zhǎng)建立的紅提糖度和含水率LSSVM檢測(cè)模型Tab. 6 LSSVM detection models of sugar and moisture content for red globe grapes based on wavelength characteristics

續(xù)表6

表7 紅提糖度和含水率LSSVM檢測(cè)模型的最優(yōu)特征波點(diǎn)列表Tab. 7 List of optimal wave point characteristics of the sugar and moisture content of LSSVM detection model for red globe grape

3.5.3 最優(yōu)模型結(jié)果比較

分別利用最優(yōu)特征波長(zhǎng)組合建立紅提糖度和含水率的PLSR及LSSVM模型，校正集和預(yù)測(cè)集樣本的預(yù)測(cè)值和化學(xué)測(cè)量值之間的散點(diǎn)圖如圖7～10所示。

由圖7～8可知，所建立的紅提糖度和含水率的最優(yōu)PLSR模型的校正集相關(guān)系數(shù)Rc分別為0.957、0.934，RMSEC為0.390、0.454；預(yù)測(cè)集相關(guān)系數(shù)Rp分別為0.958、0.938，RMSEP為0.375、0.512，模型的RPD分別為3.400、2.832，均大于2.5，表明模型的檢測(cè)精度較高，穩(wěn)定性和準(zhǔn)確性較好。

圖7 基于GA-SPA-PLSR紅提糖度最優(yōu)PLSR模型Fig. 7 Optimal PLSR model based on GA-SPA-PLSR for red globe grape′s sugar content

圖8 基于GA-SPA-PLSR紅提含水率最優(yōu)PLSR模型Fig. 8 Optimal PLSR model based on GA-SPA-PLSR red globe grape′s moisture content

圖9 基于CARS-SPA-LSSVM紅提糖度最優(yōu)LSSVM模型Fig. 9 Optimal LSSVM model based on CARS-SPA-LSSVM for red globe grape′s sugar content

圖10 基于CARS-SPA-LSSVM紅提含水率最優(yōu)LSSVM模型Fig. 10 Optimal LSSVM model based on CARS-SPALSSVM for red globe grape′s moisture content

由圖9～10可知，模型的檢測(cè)效果較好。所建立的紅提糖度和含水率的最優(yōu)LSSVM模型的校正集相關(guān)系數(shù)Rc分別為0.967、0.945，RMSEC分別為0.340、0.451；預(yù)測(cè)集相關(guān)系數(shù)Rp分別為0.969、0.942，RMSEP分別為0.322、0.475，模型的RPD分別為3.960、3.053，均大于2.5，表明具有較高的檢測(cè)精度。LSSVM模型與PLSR模型相比：模型的相關(guān)系數(shù)較大，均方根誤差較小，模型的穩(wěn)定性和檢測(cè)可靠性有所提高。在紅提糖度和含水率的檢測(cè)中，兩種模型下，紅提糖度的檢測(cè)效果明顯好于含水率的檢測(cè)效果。

4 結(jié) 論

由本文研究可知：紅提的放置模式對(duì)糖度和含水率的PLSR檢測(cè)模型影響較大，利用整個(gè)果粒的平均光譜建立的模型效果最好，豎放模式好于橫放模式所建模型；

在一次特征波長(zhǎng)提取中，UVE和GA所提取的特征波長(zhǎng)數(shù)量較多，模型比較穩(wěn)定，但提取的特征信息較多，可通過二次特征波長(zhǎng)提取，簡(jiǎn)化模型。在二次特征波長(zhǎng)的提取中，紅提糖度和含水率的最優(yōu)PLSR模型波長(zhǎng)提取方法為GA-SPAPLSR，最優(yōu)模型的預(yù)測(cè)集相關(guān)系數(shù)分別為0.958、0.938；紅提糖度和含水率的最優(yōu)LSSVM模型波長(zhǎng)提取方法分別為CARS-SPA-LSSVM、UVESPA-LSSVM，最優(yōu)模型的預(yù)測(cè)集相關(guān)系數(shù)分別為0.969、0.942，LSSVM所建模型的效果好于PLSR所建模型，但模型的運(yùn)算時(shí)間較長(zhǎng)；

基于可見/近紅外技術(shù)檢測(cè)紅提糖度和含水率是可行的，且兩種最優(yōu)檢測(cè)模型的檢測(cè)精度較高，都能滿足檢測(cè)要求。在不同的應(yīng)用下，可選擇不同的模型，PLSR所建最優(yōu)模型的運(yùn)算時(shí)間較短，可以實(shí)現(xiàn)在線快速檢測(cè)；LSSVM的檢測(cè)性能最佳，可更加準(zhǔn)確檢測(cè)紅提糖度和含水率。