基于高光譜成像技術(shù)檢測(cè)干制紅棗VC和總糖含量

龍家美，費(fèi)倩雯，曾 艷，屠羽婕，陳繼昆，潘磊慶，屠 康,

（1.南京農(nóng)業(yè)大學(xué)食品科學(xué)技術(shù)學(xué)院，江蘇南京 210095；2.云南省綠色食品發(fā)展中心，云南昆明 650225）

紅棗是許多化學(xué)成分的優(yōu)質(zhì)來源，其中包括總糖、VC、礦物質(zhì)、蛋白質(zhì)、氨基酸等，具有抗癌、抗氧化及延緩衰老、護(hù)肝養(yǎng)脾、鎮(zhèn)靜安神等作用，素有“營養(yǎng)保健丸”和“木本糧食”之稱[1]。鮮紅棗主要在秋季采收，由于其營養(yǎng)豐富、含水量高，極易發(fā)生腐爛變質(zhì)。除少部分用于鮮食外，大部分紅棗用于深加工，常見的有干棗、紅棗飲料、蜜餞、果脯、棗酒等。脫水干制是常用的延長(zhǎng)食品保質(zhì)期的方法，以利于貯藏或作為加工原料[2?3]。熱風(fēng)干燥技術(shù)是應(yīng)用最廣泛的食品干燥加工方式，90%的果蔬干制品均是采用該技術(shù)加工獲得的。熱風(fēng)干燥的優(yōu)點(diǎn)是操作簡(jiǎn)單、成本低，缺點(diǎn)是由于干燥時(shí)間長(zhǎng)、溫度高等因素，干燥后的產(chǎn)品內(nèi)外部品質(zhì)均會(huì)受到一定的影響[4]。因此，對(duì)干燥過程中的紅棗進(jìn)行品質(zhì)檢測(cè)非常重要。VC和總糖是紅棗中主要的營養(yǎng)成分，是評(píng)價(jià)干燥過程中紅棗營養(yǎng)成分變化的主要指標(biāo)。兩者的常規(guī)檢測(cè)方法均為分光光度計(jì)法[5]。該方法雖然精確，但是操作繁瑣、成本高、對(duì)樣本具有破壞性，不適合同時(shí)快速在線檢測(cè)。因此，需要尋找一種快速、便捷、無損且能同時(shí)預(yù)測(cè)VC和總糖兩種營養(yǎng)成分含量的檢測(cè)方法。

近紅外光譜技術(shù)在定性和定量檢測(cè)農(nóng)產(chǎn)品內(nèi)外綜合品質(zhì)方面應(yīng)用廣泛，但近紅外設(shè)備通常以點(diǎn)檢測(cè)形式進(jìn)行光譜采集，無法提供樣品空間方面的信息，在分析非均質(zhì)樣品和個(gè)體樣本整體特性方面有其局限性。高光譜成像技術(shù)可同時(shí)獲取待測(cè)物內(nèi)外部品質(zhì)的光譜信息與空間信息，相比傳統(tǒng)的單一波段光電探測(cè)技術(shù)，它能夠提供更加豐富的目標(biāo)信息。目前，高光譜成像技術(shù)已被廣泛應(yīng)用到農(nóng)產(chǎn)品品質(zhì)與安全檢測(cè)中，大量研究報(bào)道了關(guān)于谷物、水果、蔬菜、奶制品及肉制品的品質(zhì)檢測(cè)，涉及到物理屬性[6]、化學(xué)屬性[7]、微生物檢測(cè)[8]、等級(jí)評(píng)定[9]、缺陷識(shí)別[10]、品種認(rèn)證[11]、溯源分類[12]、食品污染[13]等各方面。近年來，已有關(guān)于高光譜成像技術(shù)無損檢測(cè)紅棗VC、總糖含量的一些研究。如何嘉琳等[14]在基于高光譜成像技術(shù)對(duì)靈武長(zhǎng)棗VC含量的無損檢測(cè)研究中發(fā)現(xiàn)，基于競(jìng)爭(zhēng)性正自適應(yīng)加權(quán)（competitive adaptive reweighted sampling，CARS）建立的偏最小二乘（partial least squares，PLS）模型效果最優(yōu)，其預(yù)測(cè)相關(guān)系數(shù)和預(yù)測(cè)均方根誤差分別為0.8892和12.1453%。李偉偉[15]在基于近紅外高光譜圖像技術(shù)的南疆紅棗內(nèi)部品質(zhì)的研究中發(fā)現(xiàn)，對(duì)于總糖含量采用反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation neural network，BPNN）建立的預(yù)測(cè)模型預(yù)測(cè)能力較好，其預(yù)測(cè)相關(guān)系數(shù)和預(yù)測(cè)均方根誤差分別為0.9184和0.9310。以上研究表明高光譜成像技術(shù)可以用于預(yù)測(cè)紅棗中的VC和總糖含量，但其樣本均為新鮮紅棗，對(duì)于加工紅棗營養(yǎng)品質(zhì)的無損檢測(cè)鮮有報(bào)道。此外，大部分文獻(xiàn)已報(bào)道高光譜檢測(cè)農(nóng)產(chǎn)品干燥過程中水分含量的可行性[16?18]，而產(chǎn)品干燥過程中內(nèi)部營養(yǎng)品質(zhì)參數(shù)的高光譜檢測(cè)相關(guān)研究報(bào)道較少。

本研究擬對(duì)新鮮紅棗進(jìn)行干燥處理，以獲取不同干燥時(shí)間紅棗樣本，通過高光譜成像系統(tǒng)獲得紅棗樣本的高光譜圖像，通過不同的光譜預(yù)處理方法建立不同的預(yù)測(cè)模型，優(yōu)選出最佳光譜信息預(yù)處理方法。同時(shí)，采用連續(xù)投影算法（successive projections algorithm，SPA）分別提取針對(duì)紅棗VC和總糖含量預(yù)測(cè)的特征波長(zhǎng)，通過灰度共生矩陣提取特征波長(zhǎng)下的灰度圖像紋理數(shù)據(jù)，建立基于特征波長(zhǎng)、圖像特征以及兩者融合特征的預(yù)測(cè)模型，以期實(shí)現(xiàn)紅棗VC和總糖含量的準(zhǔn)確預(yù)測(cè)，為實(shí)際應(yīng)用提供參考。

1 材料與方法

1.1 材料與儀器

板棗 采摘于山西稷山稷峰鎮(zhèn)嘉莊村棗業(yè)聯(lián)合社采摘基地，采摘時(shí)間為2019年9月中旬，方式為人工手摘，采摘后立即快遞至實(shí)驗(yàn)室，選取270個(gè)品質(zhì)良好、大小均勻的新鮮紅棗，每個(gè)紅棗重約10 g，洗凈晾干后放入冰箱（0～4 ℃）冷藏保存；三氯乙酸（TCA） 成都市科隆化學(xué)品有限公司；磷酸 西隴科學(xué)股份有限公司；紅菲啰啉 山東奧康生物科技公司；蒽酮、三氯化鐵 上海沃凱生物技術(shù)有限公司；抗壞血酸 北京索萊寶科技有限公司；乙酸乙酯、無水乙醇 廣東光華科技股份有限公司；濃硫酸 南京晚晴化玻儀器有限公司；所有試劑 均為分析純。

DGG-9123A型電熱恒溫鼓風(fēng)干燥箱 上海森信實(shí)驗(yàn)儀器有限公司；UV-1800紫外分光光度計(jì)日本島津公司；高光譜成像系統(tǒng)：ImSpector V10E成像光譜儀 芬蘭Specim公司；ICLB1620CCD攝像機(jī) 美國Imperx公司；IT3900ER 150W鹵素光源 美國Illumination Technologies公司；IRCP0076-ICOMB001移動(dòng)平臺(tái)、Spectra Image取像軟件、HIS Analyzer分析軟件 臺(tái)灣五鈴光學(xué)股份有限公司。

1.2 實(shí)驗(yàn)方法

1.2.1 實(shí)驗(yàn)樣本的制備 經(jīng)預(yù)實(shí)驗(yàn)發(fā)現(xiàn)，熱風(fēng)干燥的最佳溫度為65 ℃，在該溫度下紅棗干燥24 h能達(dá)到安全含水量25%以下。將紅棗樣品放入65 ℃預(yù)熱30 min空氣溫度穩(wěn)定后的烘箱中[6]，分別熱風(fēng)干燥0、3、6、9、12、15、18、21、24 h，每個(gè)時(shí)間段干燥30個(gè)紅棗，共270個(gè)紅棗。從烘箱中拿出來后放入干燥器中待其冷卻至室溫后立即進(jìn)行高光譜圖像采集。

1.2.2 高光譜信息的采集 采用反射模式可見/近紅外高光譜成像系統(tǒng)進(jìn)行實(shí)驗(yàn)。采用可見/近紅外高分辨率CCD相機(jī)捕捉樣本圖像信息，單波長(zhǎng)圖像像素為804×440。成像光譜儀光譜分辨率為2.8 nm，在消除前后噪聲波段區(qū)域后，保留400～1000 nm有效信息。為了獲取清晰無失真的高光譜圖像，設(shè)置相機(jī)鏡頭距樣本28 cm，曝光時(shí)間2 ms，平臺(tái)移動(dòng)速率6.8 mm/s，光源強(qiáng)度為90 W。為了充分照亮目標(biāo)樣本，投射角度與水平呈45 °夾角，與樣品距離30 cm，以減少陰影影響[19]。

由于相機(jī)暗電流、光源強(qiáng)度分布不均勻、食品形狀多種多樣等因素的存在，通常在弱光源強(qiáng)度的波長(zhǎng)范圍內(nèi)采集的圖像會(huì)產(chǎn)生較大的噪點(diǎn)，從而為數(shù)據(jù)處理帶來了多余的信息[20?21]。因此需要通過圖像采集軟件進(jìn)行黑白板校正，暗反射圖像是通過用不透明的蓋子完全覆蓋相機(jī)鏡頭獲得，使用聚四氟乙烯白板（99.99%反射率）獲得白色反射圖像。該實(shí)驗(yàn)所獲得的高光譜圖像校正公示如下：

其中，R代表校正后的圖像；R0代表原始高光譜圖像；D為全暗反射圖像，反射率幾乎為零；W表示全白反射圖像，幾乎為全反射。將校正后的圖像作為后續(xù)處理和分析的基礎(chǔ)。

1.2.3 VC和總糖含量的測(cè)定 高光譜圖像采集完成之后，立即進(jìn)行VC和總糖含量的測(cè)定。VC含量采用分光光度法進(jìn)行測(cè)定，稱取2.5 g樣品置于研缽中，加入10 mL 50 g/L TCA溶液，在冰浴條件下研磨成漿狀，轉(zhuǎn)入到25 mL容量瓶中，并用50 g/L TCA溶液定容至刻度，混合、提取10 min后，過濾，收集濾液備用。取1 mL樣品提取液于試管中，加入1.0 ml 50 g/L TCA溶液，再按制作標(biāo)準(zhǔn)曲線相同的方法，加入其它成分，將混合液置于30 ℃反應(yīng)60 min，于波長(zhǎng)534 nm處測(cè)定吸光度值。標(biāo)準(zhǔn)曲線方程為：y=0.0145x+0.0074（R2=0.9989），其中，x為抗壞血酸質(zhì)量，y為吸光度值。

總糖含量采用蒽酮試劑法測(cè)定，稱取0.5 g樣品充分研磨后加入少量蒸餾水轉(zhuǎn)入到刻度試管中，封口煮沸30 min后，冷卻后過濾到50 mL容量瓶中，并用蒸餾水定容至刻度。取0.5 mL樣品提取液于試管中，加1.5 mL蒸餾水，0.5 mL蒽酮-乙酸乙酯和5.0 mL濃硫酸，沸水浴保溫1 min，于波長(zhǎng)630 nm處測(cè)定吸光度值。標(biāo)準(zhǔn)曲線方程為：y=0.0079x（R2=0.9993），其中，x為總糖質(zhì)量，y為吸光度值。每個(gè)樣本重復(fù)測(cè)定3次，取其平均值。

1.3 數(shù)據(jù)處理

1.3.1 光譜特征信息提取 使用MatlabR 2010b軟件進(jìn)行光譜數(shù)據(jù)的提取和分析。以整顆紅棗為分析對(duì)象，挑選背景與樣本光譜相對(duì)反射值差值最大的689 nm波長(zhǎng)處的灰度圖像，進(jìn)行二值化閾值分割和背景去除，統(tǒng)計(jì)樣本總的像素點(diǎn)個(gè)數(shù)和有效光譜值總和，提取每個(gè)紅棗的平均光譜值，經(jīng)歸一化計(jì)算得到相對(duì)反射率用于后續(xù)數(shù)據(jù)處理和分析[22?23]。

1.3.2 光譜預(yù)處理及特征波長(zhǎng)提取 光譜包含了噪音、背景顏色、暗電流等一些無用的信息。雖然圖像校正可以減少暗電流的影響，但不能消除噪聲和基線漂移現(xiàn)象，為了減少這些現(xiàn)象的影響，需要進(jìn)行光譜預(yù)處理以提高模型的準(zhǔn)確性和魯棒性[24]。本研究所嘗試的預(yù)處理方法有標(biāo)準(zhǔn)化（Autoscale）、一階導(dǎo)數(shù)（1-st）、二階導(dǎo)數(shù)（2-nd）、多元散射校正（multiplicative scatter correction，MSC）和變量標(biāo)準(zhǔn)化（standard normalized variate，SNV）。

每幅圖像都具有成百上千個(gè)連續(xù)波長(zhǎng)的高光譜數(shù)據(jù)，這對(duì)于數(shù)據(jù)處理來說是一個(gè)很大的問題[25]。因此，特征波長(zhǎng)的選擇對(duì)于降低計(jì)算負(fù)擔(dān)和簡(jiǎn)化預(yù)測(cè)模型非常重要。本研究采用SPA進(jìn)行特征波長(zhǎng)的選擇，該算法利用矩陣向量的投影分析，通過將波長(zhǎng)投影至其他波長(zhǎng)上，比較投影向量的大小，并選擇投影向量最大的波長(zhǎng)為待選波長(zhǎng)，最后基于校正模型選擇最終的特征波長(zhǎng)[26]。

1.3.3 圖像紋理信息提取 灰度共生矩陣（gray level co-occurrence matrix，GLCM）是一種有效的統(tǒng)計(jì)紋理分析技術(shù)，其中紋理特征通過統(tǒng)計(jì)方法從共生矩陣中提取[27]。本實(shí)驗(yàn)引入圖像紋理特征用以反映干制紅棗表面的外在形態(tài)，考慮圖像各像素點(diǎn)之間存在關(guān)聯(lián)性，利用GLCM分別提取0 °、45 °、90 °和135 °方向上對(duì)比度、能量、熵以及相關(guān)性作為紋理特征參數(shù)。由于所得信息維度較大，故以4個(gè)紋理信息的平均值和標(biāo)準(zhǔn)差代表最終的紋理信息。每幅圖像可以獲得8個(gè)參數(shù)值來代表該圖像的紋理信息。GLCM的步驟在MatlabR2010b中進(jìn)行。

1.3.4 模型的建立與評(píng)估 采用PLS算法對(duì)紅棗VC和總糖含量進(jìn)行預(yù)測(cè)。關(guān)于建立模型的性能評(píng)價(jià)，分別通過對(duì)建模集和驗(yàn)證集的決定系數(shù)（R2）、預(yù)測(cè)集均方根誤差（root mean square error of prediction，RMSEP）、剩余預(yù)測(cè)殘差（residual predictive deviation，RPD）進(jìn)行計(jì)算。通常，一個(gè)好的模型應(yīng)該具有較高的建模集決定系數(shù)，預(yù)測(cè)集決定系數(shù)和RPD值，較低的RMSEP值[28]，且當(dāng)RPD＞2.5時(shí)，表明模型效果較好[26]。

2 結(jié)果與分析

2.1 VC含量、總糖含量以及光譜分析

如圖1（a）所示，紅棗在干燥過程中的VC含量隨干燥時(shí)間的增加而減少，當(dāng)干燥時(shí)間達(dá)到12 h，紅棗的VC含量趨于穩(wěn)定，這主要是由于VC在高溫下容易被氧化[3]。圖1（b）是不同干燥時(shí)間下紅棗總糖含量（以濕基計(jì)算）的變化趨勢(shì)圖，可以發(fā)現(xiàn)，紅棗的總糖含量隨干燥時(shí)間的增加而增加，這是由于在熱風(fēng)干燥的條件下，紅棗水分不斷減少，從而導(dǎo)致紅棗中的所含糖分相對(duì)含量增高[29]。劉坤[1]利用相關(guān)性分析方法對(duì)干制過程中紅棗水分含量和糖分含量之間的關(guān)系進(jìn)行了研究，結(jié)果表明兩者之間呈現(xiàn)極顯著的負(fù)相關(guān)關(guān)系，即干制過程中紅棗糖分含量的上升主要是由于水分含量的下降引起的。

圖1 紅棗干燥過程中VC（a）和總糖（b）含量的變化Fig.1 Changes in contents of VC (a) and total sugar (b) of jujube during the drying process

從圖2可以看出，不同干燥時(shí)間測(cè)試樣品整個(gè)光譜的總體趨勢(shì)是相似的。在630和660 nm處有一個(gè)小的峰和谷，可能與紅棗中的葉綠素有關(guān)[19]，在730和970 nm處均有一個(gè)明顯的水分吸收谷，是水分子中O-H鍵三級(jí)倍頻吸收帶造成的[19]。900～1000 nm之間的光譜反射差異明顯，可以用來區(qū)分不同干燥時(shí)間段的樣本。紅棗含有總糖、VC、蛋白質(zhì)，有機(jī)酸和多酚等化學(xué)成分,這些生物化學(xué)成分在檢測(cè)其光譜反射率值時(shí)會(huì)有相應(yīng)的響應(yīng)。由于紅棗中的某些化學(xué)成分會(huì)在干燥過程中發(fā)生變化，因此樣品的反射曲線在可見/近紅外光譜區(qū)域中發(fā)生了變化和重疊，從而導(dǎo)致復(fù)雜的光譜[25]。

圖2 紅棗干燥過程中相對(duì)反射率Fig.2 Relative reflectance of jujube during drying process

2.2 光譜預(yù)處理

2.2.1 樣本集的劃分 根據(jù)含量梯度法[26]，將270個(gè)樣本以2:1的比例選出建模集和預(yù)測(cè)集，樣本統(tǒng)計(jì)結(jié)果見表1。預(yù)測(cè)集樣本的化學(xué)值均在建模集樣本化學(xué)值范圍內(nèi)，且化學(xué)值分布較均勻。

表1 紅棗VC和總糖含量樣本劃分統(tǒng)計(jì)結(jié)果Table 1 Statistical results of VC and total sugar contents in jujube samples

2.2.2 預(yù)處理方法的選擇 從表2可以看出，對(duì)于VC含量預(yù)測(cè)模型，基于原始光譜建立的PLS模型具有相對(duì)較好的預(yù)測(cè)準(zhǔn)確度（=0.967，RMSEP=21.488 mg/100 g，RPD=5.534），基于MSC和SNV兩種預(yù)處理方法對(duì)模型預(yù)測(cè)效果沒有明顯的影響。原始光譜包含大量的噪聲和干擾信息，光譜預(yù)處理的目的是提高信噪比，以進(jìn)行有效的多元建模，但是不恰當(dāng)?shù)念A(yù)處理方法選擇反而會(huì)放大這些噪聲，降低信噪比。對(duì)于VC含量預(yù)測(cè)模型，Autoscale、1-st、2-nd三種預(yù)處理方法對(duì)模型的預(yù)測(cè)準(zhǔn)確度都有不同程度的降低。結(jié)果表明，不經(jīng)過光譜預(yù)處理的建模效果最好。楊曉玉等[30]在高光譜快速檢測(cè)靈武長(zhǎng)棗VC含量的研究結(jié)果也表明未經(jīng)過光譜預(yù)處理的建模效果較好。

表2 不同光譜預(yù)處理方法PLS模型VC和總糖含量預(yù)測(cè)結(jié)果Table 2 Prediction results of VC and total sugar contents of the PLS model built with different spectral pretreatment methods

對(duì)于總糖含量預(yù)測(cè)模型，基于原始光譜建立的PLS模型具有相對(duì)較低的預(yù)測(cè)準(zhǔn)確度，五種光譜預(yù)處理方法均降低了噪聲和干擾，極大地提高了模型的性能。1-st、2-nd兩種預(yù)處理方法對(duì)去除原始光譜中不相關(guān)信息的重要性較低，基于MSC和SNV兩種預(yù)處理方法的PLS模型的預(yù)測(cè)結(jié)果相似，因?yàn)樗鼈兊哪康幕鞠嗤饕切Ｕ⑸溆绊?，這一結(jié)論與Pu等[31]的結(jié)果一致。其中，采用Autoscale預(yù)處理方法建立的模型從0.851提高到0.880，RMSEP從0.0449降低到0.0405，其應(yīng)用于預(yù)處理原始光譜可以更好地預(yù)測(cè)紅棗的總糖含量，即Autoscale為最優(yōu)預(yù)處理方法。

2.3 特征波長(zhǎng)和紋理變量的選擇

對(duì)VC和總糖含量預(yù)測(cè)的原始光譜數(shù)據(jù)分別經(jīng)過無預(yù)處理和Autoscale預(yù)處理后，在400～1000 nm的光譜范圍內(nèi)獲得了總共420個(gè)波長(zhǎng)信息。為了減小光譜數(shù)據(jù)的維數(shù)并減少計(jì)算時(shí)間，采用SPA從整個(gè)光譜范圍中選擇特征波長(zhǎng)，以SPA算法處理過程中的RMSE值大小來確定特征波長(zhǎng)及其數(shù)量。提取的VC特征波長(zhǎng)分別為403、665、685、704、748、822、910、1000 nm，總糖特征波長(zhǎng)分別為403、404、413、489、695、893、953、995 nm，均為8個(gè)。此外，GLCM用于從8個(gè)特征波長(zhǎng)的特征灰度圖像中提取紋理特征。結(jié)果，每個(gè)樣本共計(jì)獲取64個(gè)紋理變量。

2.4 光譜和紋理變量建模分析

基于全波長(zhǎng)變量、特征波長(zhǎng)變量和紋理特征變量建立PLS回歸模型，對(duì)干制紅棗的VC和總糖含量進(jìn)行預(yù)測(cè)。表3顯示了用于評(píng)估模型性能的主要統(tǒng)計(jì)數(shù)據(jù)。從表3可以看出，對(duì)于VC和總糖的含量預(yù)測(cè)模型中，VC含量的預(yù)測(cè)結(jié)果均優(yōu)于總糖。于慧春等[32]在基于特征光譜模型對(duì)枸杞多糖和總糖含量的預(yù)測(cè)性能比較中也發(fā)現(xiàn)，多糖模型的校正集及預(yù)測(cè)集結(jié)果均優(yōu)于總糖。此外，兩種含量預(yù)測(cè)模型均是基于特征波長(zhǎng)建立的模型預(yù)測(cè)效果略低于全波段建模，說明在SPA特征波長(zhǎng)篩選中，大量噪聲及背景信息被刪除，也同時(shí)存在部分特征數(shù)據(jù)丟失，從而造成了特征波長(zhǎng)建模過程準(zhǔn)確性下降。但是模型的RPD大于2.5[26]，建模效果較好，另外經(jīng)SPA處理后保留了不足2%的原始信息，考慮建模效率和模型維度方面，更適用于實(shí)際應(yīng)用。

表3 不同特征信息建立的PLS模型VC和總糖含量預(yù)測(cè)結(jié)果Table 3 Prediction results of VC and total sugar contents of the PLS model built with different characteristic information

對(duì)于VC含量預(yù)測(cè)模型，相比較基于特征波長(zhǎng)建立的模型，雖然基于紋理特征變量建立的模型效果較低，但是依然有一個(gè)較好的預(yù)測(cè)準(zhǔn)確度（=0.895，RMSEP=38.386 mg/100 g，RPD=3.098）?；诠庾V和紋理變量建立的PLS模型均具有較好的預(yù)測(cè)效果，可能是因?yàn)楦芍萍t棗的VC含量變化在紅棗的光譜和紋理數(shù)據(jù)中都得到了很好的反映。光譜信息可以解釋紅棗樣品的化學(xué)屬性，這些化學(xué)屬性與VC含量的變化密切相關(guān)；而對(duì)于圖像信息，由于紋理變化通常伴隨紅棗相關(guān)化合物的變化，因此VC含量也可以通過紋理特征很好地預(yù)測(cè)，Cheng等[27]在結(jié)合光譜和紋理數(shù)據(jù)以增強(qiáng)高光譜預(yù)測(cè)紅肉中K值（肉的新鮮度）能力的研究中也提出，由于紋理變化通常伴隨著腺苷三磷酸（adenosine triphosphate，ATP）相關(guān)化合物的變化，因此K值也可以通過紋理特征很好地預(yù)測(cè)。

對(duì)于總糖含量預(yù)測(cè)模型，相比較基于光譜信息建立的模型，基于圖像信息建立的模型預(yù)測(cè)效果較差（=0.779，RMSEP=0.0552 g/g，RPD=2.120），這可能是因?yàn)樵诮LS模型時(shí)，光譜數(shù)據(jù)比紋理數(shù)據(jù)具有更大的貢獻(xiàn)，光譜特征與總糖含量的相關(guān)性大于紋理特征。光譜信息可以解釋紅棗的內(nèi)部屬性（化學(xué)成分和組織結(jié)構(gòu)等），這些屬性與總糖變化密切相關(guān)，而在干燥過程中發(fā)生的紋理變化與總糖含量變化沒有顯著相關(guān)性。

2.5 圖譜融合建模分析

數(shù)據(jù)融合可將不同類型的數(shù)據(jù)信息進(jìn)行協(xié)調(diào)優(yōu)化和綜合處理，通過數(shù)據(jù)疊加或者特征結(jié)合等方式能實(shí)現(xiàn)整體大于局部的預(yù)測(cè)目的。對(duì)高光譜圖像的光譜和紋理特征進(jìn)行整合，有望使高光譜成像技術(shù)預(yù)測(cè)干制紅棗VC和總糖含量的性能進(jìn)一步提高。在多數(shù)研究中，將數(shù)據(jù)融合方式簡(jiǎn)要?dú)w納成三種形式，分別為：原始信息的數(shù)據(jù)融合、特征層的數(shù)據(jù)融合以及決策層的數(shù)據(jù)融合[33]。在這項(xiàng)研究中，為了避免巨大的數(shù)據(jù)計(jì)算量和潛在的信息丟失，通過特征層的數(shù)據(jù)融合將高光譜圖像的光譜和紋理特征融合在一起，然后基于融合特征使用PLS方法建立VC和總糖含量的校準(zhǔn)模型。

3 結(jié)論

對(duì)不同干燥時(shí)間的紅棗VC和總糖含量進(jìn)行了無損檢測(cè)，分別優(yōu)選出無預(yù)處理和Autoscale預(yù)處理為最佳方法。基于SPA分別篩選出8個(gè)特征波長(zhǎng)，建立了PLS預(yù)測(cè)模型，考慮到模型運(yùn)算速度，選擇SPA-PLS為光譜數(shù)據(jù)的最優(yōu)建模方法。通過比較基于特征波長(zhǎng)、圖像特征以及兩者融合特征的預(yù)測(cè)模型效果發(fā)現(xiàn)：對(duì)于VC含量，基于特征波長(zhǎng)建立的模型為最優(yōu)預(yù)測(cè)模型（=0.935，=0.930，RMSEP=30.439 mg/100 g，RPD=3.907）；對(duì)于總糖含量，基于數(shù)據(jù)融合建立的模型預(yù)測(cè)性能最好（=0.921，=0.883，RMSEP=0.0400 g/g，RPD=2.925）。研究結(jié)果表明高光譜成像技術(shù)可以用于干制紅棗VC和總糖含量的無損檢測(cè)。