葡萄可溶性固形物的高光譜無損檢測技術

楊杰+馬本學+王運祥+王靜++徐潔

摘要：為明確采用高光譜成像技術對葡萄可溶性固形物（SSC）檢測的可行性。以高光譜成像系統為試驗儀器，采集葡萄樣本的漫反射光譜，對比分析不同光程校正方法、不同預處理方法對建模精度的影響，建立不同的葡萄SSC定量預測模型。研究結果表明，在波段500～1 000 nm的范圍內，采用經過標準正態變化、一階微分和Savitzky-Golay平滑相結合預處理后的偏最小二乘法建模方法預測能力最強，校正集相關系數（rc）為0.912 6，校正集均方根誤差（RMESC）為0.542，預測集相關系數（rp）為0.854 0，預測集均方根誤差（RMESP）為0.758。由結果可知，應用高光譜成像技術可以對葡萄可溶性固形物含量進行無損檢測。

關鍵詞：高光譜成像技術；葡萄；可溶性固形物；無損檢測

中圖分類號： S663.101文獻標志碼： A文章編號：1002-1302（2016）06-0401-02

收稿日期：2015-05-15

基金項目：國家科技支撐計劃（編號：2015BAD19B03）。

作者簡介：楊杰（1990—），男，山西天鎮人，碩士研究生，主要從事農業裝備自動控制與智能檢測技術研究。E-mail：gexijieshaoyj@163.com。

通信作者：馬本學，博士，教授，主要從事農產品智能化檢測與分級裝備研究。E-mail：mbx_shz@163.com。葡萄是世界四大果品之一，不僅鮮食美味可口，有利于人體新陳代謝，且具有豐富的營養價值，享有“水果皇后”的美譽。可溶性固形物（SSC）是反映葡萄營養物質多少的重要化學成分指標，是影響葡萄收獲及市場銷售的重要因素，而傳統的SSC化學檢測方法費時費力而且有破壞性[1]。

高光譜成像技術，作為一種新興光學無損檢測技術在農產品品質檢測方面被廣泛關注和應用，尤其在水果品質檢測方面，高光譜成像技術能夠分析水果的內外品質，如糖度、堅實度、水分含量、損傷、農藥殘留、病蟲害[2-7]等。國外學者研究利用高光譜成像技術對水果品質進行無損檢測已有較長時間，并取得了較好的研究成果[8-11]。相比之下，國內在此方面起步較晚，但成果突出，已取得的研究結果證明該技術具有較大的研究價值和研究空間[12]。

本研究以新疆特色葡萄品種紅提為對象，采用高光譜成像系統獲取光譜信息并進行建模預測結果分析，選取最優建模方法，探討高光譜成像技術預測葡萄內部特征的可行性。

1材料與方法

1.1葡萄樣本

試驗選取80個葡萄果穗，并從每個果穗上的穗節部、穗中部、穗內部、穗尖部各選3粒葡萄果粒（共12粒）作為1個樣本，共80個樣本。在環境溫度為20 ℃、相對濕度為50%的實驗室條件下放置1 d。

1.2高光譜成像系統

高光譜成像系統包括基于光譜儀的高光譜分光儀（Imspector V10E-QE）、線陣CCD攝像機（Hamamstsu）、150 W鹵化物光源（3900，Schott）、1 套高精度輸送裝置（Zolix，SC300-1A）和計算機等部件組成。光譜采集區域為408～1 013 nm，光譜分辨率為2.8 nm。

1.3葡萄樣本光譜采集和參數測定

高光譜圖像數據獲取基于Spectral-cube軟件。將光譜數據采集曝光時間設定為12.7 ms，電控位移臺速度為 3.54 mm/s，保證圖像清晰不失真。為了防止基線漂移，圖像采集前將高光譜圖像采集系統打開預熱30 min。不同波段下光源強度分布不均勻及攝像頭中暗電流存在都會造成圖像中含有噪聲，因此要對高光譜圖像進行黑白校正[13] 。

1.4葡萄樣本SSC測定

在光譜采集結束后，立即進行葡萄樣本SSC的測定。糖度測定采用折射式糖度計 PR-101α（0～45°Brix）測量SSC含量，將每個樣本的12粒葡萄剝皮榨汁，將葡萄汁滴于折光儀鏡面，測量并讀數記錄，每個樣本測量3次，取平均值作為該樣本的SSC值。

2結果與分析

2.1光譜數據獲取

采用ENVI 4.7（Research system Inc，Boulder，Co.USA）軟件處理采集到的高光譜圖像。對每個樣本、每粒葡萄的圖像避開飽和區域選取1個50×50 pixels 的區域作為感興趣區域（region of interest，ROI）。由于小于500 nm、大于1 000 nm的光譜數據存在明顯噪聲，因此試驗選取500～1 000 nm波長范圍的光譜進行平均反射量計算，獲取的光譜見圖1。

2.2校正集樣本劃分

試驗將紅提葡萄80個樣本作為建模集。采用含量梯度法[14]對校正集樣本進行挑選，將建模樣本依SSC含量從低到高排序，按照3 ∶ 1的比例進行等梯度劃分校正集、預測集，最終校正集含有60個樣本，預測集含有20個樣本，被測葡萄SSC實測值的統計量見表1。

2.3模型評估標準

所建模型準確性由校正集相關系數為rc、預測集相關系數為rp，校正集均方根誤差為RMSEC和預測集均方根誤差為RMSEP來評價。相關系數越大，均方根誤差越小，并且RMSEP與RMSEC差異越小，模型的精度越高，穩定性越好。

2.4光譜校正方法的選擇

光譜校正是對由于葡萄個體差異及實際物距不一致對光譜所造成的影響進行相應的處理，以減少對建模效果的影響，更利于建模時有用信息的提取。

本研究采用多元散射校正（multiplicative signal correction，MSC）和標準正態變化（standard normal variate，SNV）2種光譜校正方法對原始光譜進行預處理，在500～1 000 nm段范圍內建立PLS模型，分析其對模型性能的影響，確定合適的光譜校正方法。

原始光譜經MSC、SNV光譜校正后的PLS建模結果見表2。原始光譜經過SNV光譜校正后，預測模型和校正模型的精度和穩定性都有所提高，校正集相關系數rc由0.758 9提高到0.781 5，預測集相關系數rp也由0.667 9提高到0.754 0，校正均方根誤差RMSEC和預測均方根誤差RMSEP均變小，模型的精度和穩定性都有所改善。因此，對于原始光譜，最優的光譜校正方法是SNV。

2.5微分光譜的選擇與分析

通過選擇不同微分處理，可以有效地消除在光譜采集過程中發生的光譜數據基線偏移和背景噪音的干擾，起到放大和分離重疊信息的作用，更有利于提取有用信息。S-G平滑處理不僅能去除一部分隨機噪聲，而且能在一定程度上提高光譜信噪比。

采用SNV進行光程校正，結合不同預處理方法[一階微分（First derivative，1-Der）、二階微分（Second derivative，2-Der）、1-Der+S-G平滑、2-Der+S-G平滑處理]建立預測模型，模型結果見表3。結果表明，由經過一階微分結合 S-G平滑處理的模型相關系數看出，模型的預測能力優于其他預處理結果。

2.6定量模型的建立與評估

本試驗采用偏最小二乘法（partial least square，PLS）、主成分回歸（principal components regression，PCR），逐步多元線性回歸（stepwise multiple linear regression，SMLR）方法對經過SNV、First derivative 結合S-G平滑預處理后的光譜建立SSC預測模型，建模比較分析結果見表4。結果表明，應用PLS方法所建模的結果較優，模型預測精度和穩定性均比其他2個模型的效果好，光譜經SNV+1-Der+S-G處理后應用PLS建模預測見圖2。

3結論

本研究應用高光譜成像技術檢測紅提葡萄內部可溶性固形物含量，并建立了紅提葡萄可溶性固形物檢測定量模型。結果表明，采用PLS建模方法取得較好預測效果。應用PLS對經過SNV、1-Der和S-G平滑相結合預處理后的光譜建立預測模型，rc為0.912 6，RMSEC為0.542，rp為0.854 0，RMSEP為0.758。

參考文獻：

[1]王亮，尚會建，王麗梅，等. 葡萄糖檢測方法研究進展[J].河北工業科技，2010，27（2）：132-135.

[2]王斌，尹麗華，張淑娟. 梨棗糖度無損檢測建模分析——基于高光譜成像技術[J].農機化研究，2014，36（10）：50-53，57.

[3]李鋒霞，馬本學，何青海，等. 哈密瓜堅實度的高光譜無損檢測技術[J].光子學報，2013，42（5）：592-595.

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

[5]張保華，黃文倩，李江波，等. 用高光譜成像和PCA檢測蘋果的損傷和早期腐爛[J].紅外與激光工程，2013（增刊2）：279-283.

[6]張令標，何建國，劉貴珊，等. 基于可見/近紅外高光譜成像技術的番茄表面農藥殘留無損檢測[J].食品與機械，2014，30（1）：82-85.

[7]田有文，程怡，王小奇，等. 基于高光譜成像的蘋果蟲害檢測特征向量的選取[J].農業工程學報，2014，30（12）：132-139.

[8]Maruo T，Ito T. Nondestructive evaluation of ripeness and soluble solids content in melon and fruits using laser[J] Acta Horticulture，2002，588：373-375.

[9]Polder G，Gerie W A M，van der Heijden. Calibration and characterization of imaging spectrographs[J]. Near-Infrared Spectroscopy，2003，11：193-210.

[10]Polder G A，Leiva-Valenzuela L，Lu R F，et al. Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging[J]. Journal of Food Engineering，2013，115：91-98.

[11]Rajkumar P，Wang N，Elmasry G，et al. Studies on banana fruit quality and maturity stages using hyperspectral imaging[J]. Journal of Food Engineering，2012，108（1）：194-200.

[12]吳龍國，何建國，賀曉光，等. 高光譜圖像技術在水果無損檢測中的研究進展[J].激光與紅外，2013，43（9）：990-996.

[13]徐爽，何建國，易東，等. 基于高光譜圖像技術的長棗糖度無損檢測[J].食品與機械，2012，28（6）：168-170.

[14]Lleti R，Melendeza E，Ortizm C，et al. Outliers in partial least squares regression application to calibration of wine grade with mean infrared data[J]. Analytica Chimica Acta，2005，544（1/2）：60-70.