寧夏赤霞珠葡萄水分含量的高光譜無(wú)損檢測(cè)研究

蔡正云,吳龍國(guó),王 菁,潘 媛,馬建榮,李梓溢

(1.寧夏大學(xué)農(nóng)學(xué)院,寧夏銀川 750021;2.寧夏大學(xué)土木與水利工程學(xué)院,寧夏銀川 750021)

寧夏赤霞珠葡萄水分含量的高光譜無(wú)損檢測(cè)研究

蔡正云1,吳龍國(guó)2,王 菁1,潘 媛1,馬建榮1,李梓溢

(1.寧夏大學(xué)農(nóng)學(xué)院,寧夏銀川 750021;2.寧夏大學(xué)土木與水利工程學(xué)院,寧夏銀川 750021)

利用可見(jiàn)近紅外高光譜成像技術(shù)對(duì)寧夏赤霞珠葡萄含水量的無(wú)損檢測(cè)進(jìn)行了初步探討。通過(guò)高光譜成像系統(tǒng)(400～1000 nm)采集了136幅赤霞珠葡萄圖像,對(duì)原始光譜、平均平滑、高斯濾波、中值濾波、卷積平滑、歸一化、多元散射校正、標(biāo)準(zhǔn)正態(tài)化、基線校準(zhǔn)、去趨勢(shì)化等預(yù)處理的偏最小二乘回歸(PLSR)模型進(jìn)行對(duì)比分析;采用主成分分析(PCA)、偏最小二乘回歸(PLSR)、連續(xù)投影算法(SPA)、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)(CARS)方法選擇特征波長(zhǎng),建立4種特征波長(zhǎng)下的PLSR的葡萄含水量預(yù)測(cè)模型,優(yōu)選CARS提取特征波長(zhǎng)的方法。在此基礎(chǔ)上,對(duì)比分析了全波段與特征波長(zhǎng)下的MLR、PCR、PLSR的葡萄含水量預(yù)測(cè)模型。結(jié)果表明:采用多元散射校正(MSC)光譜建立的PLSR模型優(yōu)于原始光譜和其他預(yù)處理光譜的PLSR模型;CARS提取特征波長(zhǎng)建立的PLSR模型優(yōu)于多元線性回歸(MLR)、主成分回歸(PCR)模型,預(yù)測(cè)集的相關(guān)系數(shù)(R)和預(yù)測(cè)均方根誤差(RMSEP)分別為0.806、0.144。因此,利用可見(jiàn)近紅外高光譜成像技術(shù)提取特征波長(zhǎng)進(jìn)行寧夏赤霞珠葡萄含水量的檢測(cè)是可行的。

高光譜成像技術(shù),釀酒葡萄,含水量,無(wú)損檢測(cè)

釀酒葡萄產(chǎn)業(yè)是寧夏農(nóng)業(yè)特色優(yōu)勢(shì)產(chǎn)業(yè)之一,也是自治區(qū)政府大力培育和支持發(fā)展的產(chǎn)業(yè)。尤其是賀蘭山東麓釀酒葡萄產(chǎn)區(qū),其已發(fā)展成為我國(guó)三大“原產(chǎn)地保護(hù)區(qū)”之一。截止2012年底,寧夏釀酒葡萄種植面積已達(dá)2.93萬(wàn)公頃,成為全國(guó)最大的釀酒葡萄產(chǎn)區(qū)[1-2]。得天獨(dú)厚的地理環(huán)境和優(yōu)良的生態(tài)條件,使寧夏釀酒葡萄產(chǎn)區(qū)越來(lái)越受到世人的矚目。然而,新鮮的釀酒葡萄含水量高且極易受損,因此對(duì)于鮮釀酒葡萄品質(zhì)的檢測(cè)是必不可少的。傳統(tǒng)的檢測(cè)方法費(fèi)時(shí)費(fèi)力且效率低,無(wú)法滿足生產(chǎn)需求。這就亟需發(fā)展一種快速、無(wú)損、高效的檢測(cè)方法來(lái)檢測(cè)釀酒葡萄的品質(zhì)。

隨著科技的快速發(fā)展,光譜檢測(cè)技術(shù)已成為當(dāng)下無(wú)損檢測(cè)的前沿。在農(nóng)產(chǎn)品檢測(cè)方面,高光譜成像技術(shù)應(yīng)用廣泛,將圖像信息和光譜信息進(jìn)行融合,可同時(shí)檢測(cè)被測(cè)樣品的全面信息。國(guó)內(nèi)外學(xué)者利用高光譜圖像(400～1000 nm)技術(shù)不僅可以實(shí)現(xiàn)對(duì)農(nóng)產(chǎn)品表面缺陷[3-6]、損傷[7-11]、大小[12]等的檢測(cè),而且對(duì)水果的酸度、水分、硬度、可溶性固形物含量等也做了大量的研究[13-19]。以上研究成果表明高光譜成像技術(shù)在水果檢測(cè)方面所具有的巨大應(yīng)用前景。然而,應(yīng)用高光譜成像技術(shù)(400～1000 nm)對(duì)釀酒葡萄含水量的研究尚少。

本文采用高光譜成像技術(shù)(400～1000 nm)對(duì)赤霞珠釀酒葡萄含水量進(jìn)行檢測(cè),提取赤霞珠釀酒葡萄的光譜曲線并比較不同預(yù)處理的建模效果;基于主成分分析法(Principal Component Analysis,PCA)、偏最小二乘法(partial least-squares regression,PLSR)、連續(xù)投影算法(Successive Projections Algorithm,SPA)、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)(Competitive Adaptive Reweighted Sampling,CARS)等算法提取特征波長(zhǎng),對(duì)比4種提取特征波長(zhǎng)方法的PLSR模型,優(yōu)選最佳特征提取方法,對(duì)比分析全波段與特征波段下建立的多元線性回歸(Multiple linear regression,MLR)、主成分回歸(Principal component regression,PCR)、PLSR模型對(duì)赤霞珠釀酒葡萄含水量的預(yù)測(cè)能力,選取最優(yōu)建模方法,實(shí)現(xiàn)釀酒葡萄含水量的無(wú)損檢測(cè),以期為高光譜成像技術(shù)應(yīng)用于釀酒葡萄品質(zhì)分級(jí)分選提供參考。

1 材料與方法

1.1 材料與儀器

葡萄 選取新鮮采摘的136個(gè)大小均勻、無(wú)損傷的賀蘭山東麓釀酒葡萄赤霞珠樣本,裝入密封塑料袋中,置于4 ℃冰箱下保存,測(cè)試前將樣本至室溫(22 ℃)條件下2 h,并對(duì)其進(jìn)行編號(hào),測(cè)其初始重量,記錄數(shù)據(jù)。

HyperSpec VNIR高光譜成像系統(tǒng) 美國(guó)Headwall Photonics公司生產(chǎn),包括:高光譜成像光譜儀(Imspector N系列,Golden Way Scientific CO.,Ltd.,US)、CCD相機(jī)(G4-232,Golden Way Scientific CO.,Ltd.,US)、光源系統(tǒng)(含2個(gè)線光源,90-254VAC,47～63 Hz,Golden Way Scientific CO.,Lab.,EQUIP)、電控位移平臺(tái)(VT-80,Headwall Photonics Instruments Co.,Ltd.,Beijing,China)、計(jì)算機(jī)(ThinkPadX220 Inter(R)Core i5-2450CPU@2.5GHz,RAM 3.41G)和數(shù)據(jù)采集軟件(Hyperspec-N for AndorLuca Rev A.3.1.4.vi,Headwall Photonics Instruments Co.,Ltd.,Beijing,China)等部件組成,圖像分辨率為1004×501,光譜范圍400～1000 nm,光譜分辨率為2.8 nm;DP-307DGY冷凍干燥設(shè)備 無(wú)錫德譜儀器制造有限公司;JA3102電子天平 上海海康電子儀器廠。

1.2 葡萄的干燥

對(duì)采集圖像后的賀蘭山東麓釀酒葡萄,用精度為0.005 g的電子天秤稱取樣品,進(jìn)行編號(hào)并記錄數(shù)據(jù)。然后將葡萄放入105 ℃冷凍干燥箱中進(jìn)行干燥,干燥后用相同的電子天秤稱其干重。

1.3 葡萄水分含量的測(cè)定

采用水分含量分析儀進(jìn)行測(cè)定,實(shí)驗(yàn)重復(fù)三次。含水值為鮮重與干重之差。

1.4 高光譜成像的采集

由于采集高光譜圖像時(shí),有許多影響因素,如曝光時(shí)間、掃描速度、物距等,因此需要進(jìn)行預(yù)實(shí)驗(yàn)進(jìn)行反復(fù)嘗試。最終經(jīng)過(guò)預(yù)實(shí)驗(yàn)確定最佳的圖像采集的參數(shù)如下:物距為400 mm,輸送裝置的步距為180 μm/s,成像光譜儀的曝光時(shí)間為35 ms,掃描起始位置90 mm,掃描線實(shí)際長(zhǎng)度為60 mm。在采樣之前,為減弱成像光譜儀暗電流和室內(nèi)照明對(duì)圖像的影響,應(yīng)在暗室進(jìn)行操作儀器,避免雜散光對(duì)采集樣本的干擾。同時(shí)需對(duì)儀器進(jìn)行黑白校正[20],如式(1)所示。

式(1)

式中,R是校正后的漫反射光譜圖像,RO是樣本原始的漫反射光譜圖像,D是暗圖像,W是白板的漫反射圖像。

實(shí)驗(yàn)過(guò)程中,由于葡萄個(gè)體小,為了節(jié)約光譜采集時(shí)間,每組取6個(gè)釀酒葡萄樣本,編號(hào),按照一定的順序擺放在載物臺(tái)上。因被測(cè)釀酒葡萄表皮顏色為紫黑色,為了與背景區(qū)分明顯,選擇白色背景做參考。圖像數(shù)據(jù)處理之前,采用系統(tǒng)自帶的ENVI 4.6軟件分割高光譜圖像,得到136個(gè)去掉背景的釀酒葡萄的單個(gè)圖像。

1.5 特征波長(zhǎng)的預(yù)處理

本實(shí)驗(yàn)利用Unscrambler X10.2軟件對(duì)原始光譜曲線進(jìn)行平均平滑(Average Smoothing)、高斯濾波(Gaussian Filter)、中值濾波(Median Filter)、卷積平滑(Savitzky-Golay Smoothing)歸一化(Normalize)、多元散射校正(Multiple scattering correction,MSC)、標(biāo)準(zhǔn)正態(tài)化(Standard normal variate,SNV)、基線校準(zhǔn)(baseline correction)、去趨勢(shì)化(Detrending)等預(yù)處理。

1.6 特征波長(zhǎng)的提取及建模

由于高光譜數(shù)據(jù)的冗余性,需要對(duì)其數(shù)據(jù)進(jìn)行降維處理,提取出特征波段。實(shí)驗(yàn)采用PCA、PLSR、SPA[21-22]、CARS[23]法對(duì)MSC預(yù)處理光譜數(shù)據(jù)進(jìn)行特征提取。采用MLR、PCR、PLSR進(jìn)行釀酒葡萄水分值的模型建立。

1.7 模型評(píng)估

模型采用相關(guān)系數(shù)(R)、均方根誤差(RMSEC/RMSEP)進(jìn)行評(píng)估,一個(gè)好的模型應(yīng)該有高的R值,較低的RMSEC/RMSEP。高光譜圖像數(shù)據(jù)處理的分析軟件有儀器自帶的ENVI4.6、MATLABR 2011a(The Mathworks Inc.,Natick,MA,USA)以及Unscrambler X 10.2(CAMO Software AS,OSLO,Norway)軟件。

表2 原始光譜與預(yù)處理光譜的PLSR模型對(duì)比分析Table 2 Comparison and analysis of the PLSR model of original and the pretreatment spectrum

2 結(jié)果與分析

2.1 葡萄水分的測(cè)定

對(duì)于136個(gè)葡萄樣本,選取111個(gè)樣本作為校正集,其余的25個(gè)樣本作為預(yù)測(cè)集,并保證最大值和最小值均在校正集中,葡萄的水分實(shí)測(cè)值見(jiàn)表1。

表1 葡萄的形態(tài)特征參數(shù)與水分含量Table 1 Morphological properties and moisture contents of grape samples

2.2 光譜曲線提取

對(duì)原始圖像進(jìn)行感興趣區(qū)域提取,獲得136個(gè)樣本的平均光譜曲線,見(jiàn)圖1所示。從圖1可以看出:光譜波段在511～680 nm直接有強(qiáng)吸收,這主要是葡萄表皮里葉綠素成分的吸收所致[24];而在690 nm之后,隨著波段的延長(zhǎng),反射率逐漸增高,到達(dá)891 nm處達(dá)到峰值,這主要是由于葡萄表皮受紅外光所致導(dǎo)致強(qiáng)烈的反射;隨之逐漸降低至970 nm處,出現(xiàn)波谷,這主要是水的吸收有關(guān)[25]。因此,選擇400～1000 nm全波段進(jìn)行后續(xù)數(shù)據(jù)分析。

圖1 原始光譜曲線圖Fig.1 Original spectral curve

2.3 原始光譜與預(yù)處理光譜的PLSR模型對(duì)比分析

由于光譜曲線中存在噪音和其他無(wú)關(guān)水分的信息的影響,為了提高建模的精確度和穩(wěn)定性,需要對(duì)原始光譜進(jìn)行預(yù)處理。采用PLSR分別對(duì)原始光譜和預(yù)處理光譜建立葡萄含水量模型,并對(duì)建模效果進(jìn)行對(duì)比分析,結(jié)果如表2所示。

表3 特征波長(zhǎng)提取Table 3 Extraction of characteristic wavelengths

表4 不同特征波長(zhǎng)提取方法的PLSR建模對(duì)比分析Table 4 Comparison and analysis of PLSR model based on different extraction characteristic wavelengths method

從表2可以看出:原始光譜與不同預(yù)處理光譜的PLSR模型差異顯著。對(duì)比結(jié)果如下,a.對(duì)比平均平滑、高斯濾波、中值濾波的PLSR模型,參數(shù)設(shè)為3點(diǎn)的PLSR模型優(yōu)于其他其他參數(shù)點(diǎn),而且隨著參數(shù)點(diǎn)的增加,模型預(yù)測(cè)效果越低;b.對(duì)比卷積平滑的不同參數(shù)處理,參數(shù)設(shè)為2項(xiàng)1點(diǎn),相對(duì)應(yīng)的PLSR模型較優(yōu);c.對(duì)比分析歸一化的不同參數(shù)處理,峰值歸一化的PLSR模型較優(yōu);d.對(duì)比分析原始光譜與9種預(yù)處理光譜的PLSR模型,綜合主成分?jǐn)?shù)與建模預(yù)測(cè)相關(guān)系數(shù)因素,優(yōu)選出MSC光譜作為后續(xù)數(shù)據(jù)分析的光譜數(shù)據(jù)。

2.4 特征波長(zhǎng)提取及模型對(duì)比

為了降低數(shù)據(jù)處理量,利用Unscrambler X 10.2軟件對(duì)MSC預(yù)處理光譜進(jìn)行特征提取,采用PCA法,軟件選擇了第五主成分為最優(yōu)主成分?jǐn)?shù),提取第五主成分的4個(gè)特征波長(zhǎng)(473、680、723、800 nm),同時(shí)采用PLSR的β系數(shù),軟件給出最優(yōu)主成分?jǐn)?shù)為12個(gè)潛變量,在β系數(shù)圖上基于局部絕對(duì)值最大的原則,提取了9個(gè)特征波長(zhǎng)(459、502、675、689、713、848、877、944、987 nm);利用Matlab2011b軟件進(jìn)行編程,采用SPA法提取特征波長(zhǎng),在選擇mmax=15時(shí)獲得最小RMSECV值,模型擬合效果最佳。選取了15個(gè)特征波段數(shù),其對(duì)應(yīng)的特征波長(zhǎng)(445、454、464、488、555、675、685、704、771、853、910、939、978、987、992 nm)如圖2所示。另外采用CARS法選擇特征波長(zhǎng),最大主成分?jǐn)?shù)A=18,交互驗(yàn)證分組數(shù)fold=10,數(shù)據(jù)方法method=‘center’,篩選中蒙特卡洛采樣次數(shù)設(shè)定為100次,提取了22個(gè)特征波長(zhǎng)(478、497、512、531、565、584、675、689、723、781、790、800、814、848、862、877、881、920、925、934、982、987 nm)。結(jié)果如表3所示。

圖2 SPA提取特征波段Fig. 2 Extraction of the characteristicwavelengths based on the SPA method

為了進(jìn)一步確定較佳的特征波長(zhǎng),對(duì)比分析PCA、PLSR、SPA、CARS四種方法提取特征波長(zhǎng)的建模效果,采用PLSR方法進(jìn)行模型分析,結(jié)果如表4所示。

從表4可以看出:SPA與CARS方法提取特征波長(zhǎng)的PLSR模型優(yōu)于PCA與PLSR提取特征波長(zhǎng)的PLSR模型;對(duì)比分析SPA與CARS方法,雖然CARS的PLSR模型具有較高的主成分?jǐn)?shù)和較低的RP,但CARS方法提取特征波長(zhǎng)PLSR模型的RC、RCV優(yōu)于SPA方法提取特征波長(zhǎng)PLSR模型的RC、RCV,RP=0.806,RMSEP=0.144。因此,選擇CARS方法提取特征波長(zhǎng)進(jìn)行后續(xù)模型計(jì)算。

2.5 特征波長(zhǎng)下的不同建模對(duì)比分析

對(duì)于CARS提取的特征波段進(jìn)行模型優(yōu)化,選擇MLR、PCR、PLSR方法進(jìn)行數(shù)據(jù)擬合,結(jié)果如表5所示。

表5 特征波長(zhǎng)的模型建立對(duì)比Table 5 Comparison and analysis of different models based on characteristic wavelength

從表5可知:MLR模型和PCR模型具有較高的潛變量和RC、RCV,但RP略低;PLSR模型具有較低的潛在因子數(shù),且具有較高的RP和較低的RMSEP值。因此,綜合考慮選擇PLSR模型為最優(yōu)模型,其校正集與預(yù)測(cè)集的模型效果結(jié)果如圖3所示。圖3a為111個(gè)校正集樣本建立的校正模型,相關(guān)系數(shù)為0.887,均方根誤差為0.125;圖3b為25個(gè)預(yù)測(cè)集應(yīng)用校正模型得到預(yù)測(cè)結(jié)果,真實(shí)值與預(yù)測(cè)值的相關(guān)系數(shù)為0.806,均方根誤差為0.144。

圖3 葡萄含水量的特征波長(zhǎng)的PLSR模型Fig.3 PLSR model of grape’s moisture content based on important wavelength 注:a:校正集;b:驗(yàn)證集。

3 結(jié)論

本文選擇400～1000 nm全波段范圍內(nèi)的原始光譜與不同預(yù)處理(平均平滑、高斯濾波、中值濾波、卷積平滑、歸一化、多元散射校正、標(biāo)準(zhǔn)正態(tài)化、基線校準(zhǔn)、去趨勢(shì)化)光譜的PLSR模型的比較,優(yōu)選MSC方法;采用CARS提取特征波長(zhǎng),建立特征波長(zhǎng)的PLSR模型,其Rp=0.806,RMSEP=0.144，顯示了較好預(yù)測(cè)效果。結(jié)果表明:利用高光譜成像技術(shù)對(duì)寧夏釀酒葡萄水分含量進(jìn)行無(wú)損檢測(cè)是可行的。

[1]李紅英,張曉煜,王靜,等.寧夏不同熟性釀酒葡萄生態(tài)適宜性區(qū)劃[J].生態(tài)學(xué)雜志,2014,33(11):3120-3126.

[2]李雅善,李華,王華,等.基于作物水分虧缺指數(shù)的寧夏釀酒葡萄干旱時(shí)空差異分析[J].自然災(zāi)害學(xué)報(bào),2014(23):203-211.

[3]吳龍國(guó),王松磊,康寧波,等.基于高光譜成像技術(shù)的靈武長(zhǎng)棗缺陷識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào),2015,20(31):281-285.

[4]劉德華,張淑娟,王斌,等.基于高光譜成像技術(shù)的山楂損傷和蟲(chóng)害缺陷識(shí)別研究[J].光譜學(xué)與光譜分析,2015,11(35):3167-3171.

[5]Nicola B,Ltze E,Peirs A,et al. Non-destructive Measurement of Bitter Pit in Apple Fruit Using NIR Hyperspectral Imaging[J].Postharvest Biology and Technology,2006,40:1-6.

[6]李江波,饒秀勤,應(yīng)義斌,等.基于高光譜成像技術(shù)檢測(cè)臍橙潰瘍[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26(8):222-228.

[7]Diwan P Ariana,Renfu Lu. Hyperspectral waveband selection for internal defect detection of pickling cucumbers and whole pickles[J]. Computers and Electronics in Agriculture,2010,74:137-144.

[8]Byoung-Kwan Cho,Moon S Kim,In-Suck Baek,et al. Detection of cuticle defects on cherry tomatoes using hyperspectral fluorescence imagery[J].Postharvest Biology and Technology,2013,76:40-49.

[9]Lü Qiang,TANG Mingjie. Detection of Hidden Bruise on Kiwi Fruit Using Hyperspectral Imaging and Parallelepiped Classification[J]. Procedia Environmental Sciences,2012,11:1172-1179.

[10]Baranowski P,Mazurek W,Wozniak J,et al. Detection of early bruises in apples using hyperspectral data and thermal imaging[J]. Journal of Food Engineering,2012,110(3):345-355.

[11]Li J,Rao X,Ying Y. Development of algorithms for detecting citrus canker based on hyperspectral reflectance imaging[J]. Journal of the Science of Food and Agriculture,2012,92(1):125-134.

[12]馬本學(xué),應(yīng)義斌,饒秀勤,等.高光譜成像在水果內(nèi)部品質(zhì)無(wú)損檢測(cè)中的研究進(jìn)展[J]. 光譜學(xué)與光譜分析,2009,29(6):1611-1615.

[13]Gamal ElMasry,Ning Wang,Adel ElSayed,et al. Hyperspectral Imaging for Non-destructive Determination of Some Quality Attributes for Strawberry[J].Journal of Food Engineering,2007,81:98-107.

[14]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(wú)損檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2007,23(2):151-155.

[15]Jianguo He,Yang Luo,Guishan Liu,et al. Prediction of soluble solids content of jujube fruit using hyperspectral reflectance imaging[J].Advanced Materials Research,2013,706:201-204.

[16]Rajkumar P,Wang N,EImasry G. Studies on Banana Fruit Quality and Maturity Stages Using Hyperspectral Imaging[J]. Journal of Food Engineering,2012,108:194-200.

[17]Shuang Wang,Min Huang,Qibing Zhu. Model Fusion for Prediction of Apple Firmness Using Hyperspectral ScatteringImage[J].Computers and Electronics in Agriculture,2012,80:1-7.

[18]P Rajkumar N,Wang G EImasry. Studies on Banana Fruit Quality and Maturity Stages Using Hyperspectral Imaging[J]. Journal of Food Engineering,2012,108:194-200.

[19]Gabriel A,Leiva-Valenzuela,Renfu Lu,et al. Prediction of Firmness and Soluble Solids Content of Blueberries Using Hyperspectral Reflectance Imaging[J].Journal of Food Engineering,2013,115:91-98.

[20]Polder G,Gerie WAM,Van Der Heijden. Calibration and Characterization of Imaging Spectrographs[J].Near-Infrared Spectroscopy,2003,11:193-210.

[21]Galv?o R K H,Araújo M C U,Fragoso W D,et al. A variable elimination method to improve the parsimony of MLR models using the successive projections algorithm[J]. Chemometrics and Intelligent Laboratory Systems,2008,92(1),83-91.

[22]Liu F,He Y. Application of successive projections algorithm for variable selection to determine organic acids of plum vinegar[J]. Food Chemistry,2009,115(4):1430-1436.

[23]丁希斌,張初,劉飛,等.高光譜成像技術(shù)結(jié)合特征提取方法的草莓可溶性固形物檢測(cè)研究[J].光譜學(xué)與光譜分析,2015,4(35):1020-1024.

[24]梁亮,楊敏華,張連蓬,等. 基于SVR算法的小麥冠層葉綠素含量高光譜反演[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(20):162-171.

[25]SimsDA,GamonJA. Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance:A comparison of indices based on liquid water and chlorophyll absorption features[J].Remote Sensing of Environment,2003,(84):526-537.

Non-destructive determination of moisture composition in Ningxia wine grapes based on visible near-infrared hyperspectral imaging technique

CAI Zheng-yun1,WU Long-guo2,WANG Jing1,PAN Yuan1,MA Jian-rong1,LI Zi-yi1

(1.School of agriculture,Ningxia University,Yinchuan 750021,China;2.School of Civil and Hydraulic Engineering,Ningxia University,Yinchuan 750021,China)

This article summarizes a visible near-infrared(Vis-NIR)hyperspectral imaging technique was investigated for non-destructive determination of moisture composition of cabernet sauvignon grape produced in Helan mountain. The hyperspectral images of grape over the spectral region between 400 nm and 1000 nm were acquired for 136 grape samples and the difference between raw wavelength and pretreatment wavelength(Average Smoothing,Gaussian Filter,Median Filter,Savitzky-Golay Smoothing,Normalize,MSC,SNV,Baseline Correction,Detrending)by partial least-squares regression(PLSR)were obtained. The efficient wavelengths were selected using weighted coefficients of principal component analysis(PCA),weightedβ-coefficients of partial least-squares regression(PLSR),SPA and CARS. Then the 4 characteristics wavelength of PLSR model of the moisture of cabernet sauvignon grape were built and the CARS method of PLSR model was the best. On this basis,the MLR,PCR and PLSR model of raw wavelength and optimal wavelength for the prediction of grape moisture were established. The results suggested that MSC method was considered to the optimal preprocessing method. The characteristic wavelength extracted by CARS method preformed better than MLR and PCR methods,and the correlation coefficient of prediction and the root mean square prediction error(RMSEP)were 0.806,0.144,respectively. Hence,It’s feasible to determinate the moisture of cabernet sauvignon grape using these optimal wavelengths by hyperspectral imaging technique.

hyperspectral imaging technique;wine grape;moisture content;non-destruction

2016-07-05

蔡正云(1981-)，男，碩士，副教授，主要從事農(nóng)產(chǎn)品檢測(cè)方面的研究，E-mail：caizhy@nxu.edu.cn。

2014年度國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目(141074917)。

TS255.2

A

1002-0306(2017)02-0079-06

10.13386/j.issn1002-0306.2017.02.007