基于近紅外光譜技術(shù)的發(fā)育后期蘋(píng)果內(nèi)部品質(zhì)檢測(cè)

王轉(zhuǎn)衛(wèi) 遲 茜 郭文川 趙春江

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100； 2.農(nóng)業(yè)部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室， 陜西楊凌 712100；3.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心， 北京 100097)

0 引言

蘋(píng)果發(fā)育后期良好的田間管理和成熟后的適時(shí)采收，可以使果實(shí)具有更佳的顏色與風(fēng)味，并且可以減少果實(shí)在運(yùn)輸和存儲(chǔ)過(guò)程中的損傷及病害。由于蘋(píng)果在生長(zhǎng)發(fā)育過(guò)程中會(huì)受到光照、溫度、降水量、土壤養(yǎng)分等多方面環(huán)境因素的影響，很難根據(jù)其外觀(guān)特征直觀(guān)判斷其內(nèi)部品質(zhì)的變化。因此，無(wú)損檢測(cè)生長(zhǎng)發(fā)育后期蘋(píng)果的內(nèi)部品質(zhì)，對(duì)于指導(dǎo)蘋(píng)果的生產(chǎn)與采收具有重要的意義。

由于近紅外光譜技術(shù)具有無(wú)損、高效、簡(jiǎn)單、低成本等優(yōu)勢(shì)，使其在水果品質(zhì)檢測(cè)[1-3]、果樹(shù)栽培調(diào)控、果實(shí)貯藏[4]、果酒的分級(jí)[5]和成分含量檢測(cè)[6]，以及其他農(nóng)產(chǎn)品品質(zhì)檢測(cè)與評(píng)價(jià)[7-9]等方面得到了廣泛應(yīng)用。在蘋(píng)果品質(zhì)檢測(cè)方面，李敏[10]研究了不同產(chǎn)地蘋(píng)果的近紅外光譜識(shí)別方法，識(shí)別正確率達(dá)到97.5%。李桂峰等[11]驗(yàn)證了通過(guò)傅里葉變換近紅外光譜檢測(cè)蘋(píng)果硬度的可行性。范國(guó)強(qiáng)等[12]研究表明，應(yīng)用近紅外漫反射技術(shù)可對(duì)蘋(píng)果糖分和硬度進(jìn)行準(zhǔn)確的定量分析。杜艷民等[13]研究得出，套袋蘋(píng)果可溶性固形物含量的預(yù)測(cè)結(jié)果優(yōu)于未套袋的蘋(píng)果。SCHMUTZLER等[14]利用近紅外漫反射光譜法和傅里葉變換近紅外光譜法成功地進(jìn)行了蘋(píng)果可溶性固形物含量預(yù)測(cè)以及產(chǎn)地識(shí)別。YUAN等[15]研究了使用便攜式光纖光譜儀與多變量篩選分析相結(jié)合對(duì)蘋(píng)果可溶性固形物含量進(jìn)行無(wú)損檢測(cè)的可行性，結(jié)果表明能滿(mǎn)足實(shí)際使用要求。劉靜等[16]利用支持向量機(jī)方法，基于近紅外光譜吸收強(qiáng)度對(duì)蘋(píng)果脆片的品質(zhì)指標(biāo)進(jìn)行預(yù)測(cè)，為果蔬脆片的品質(zhì)評(píng)價(jià)提供了新的參考方法。FAN等[17]研究了不同果實(shí)取向?qū)庾V測(cè)量質(zhì)量的影響，并為進(jìn)一步在線(xiàn)檢測(cè)富士蘋(píng)果的可溶性固形物含量設(shè)計(jì)了合適的校準(zhǔn)模型。郭志明等[18]研究了近紅外光譜技術(shù)在線(xiàn)檢測(cè)蘋(píng)果內(nèi)部品質(zhì)的模型優(yōu)化問(wèn)題，結(jié)果表明，近紅外光譜結(jié)合特征變量提取方法可以建立高效的蘋(píng)果可溶性固形物含量在線(xiàn)檢測(cè)模型。IGNAT等[19]利用可見(jiàn)/近紅外光譜技術(shù)對(duì)采收和貯藏期間的蘋(píng)果品質(zhì)參數(shù)進(jìn)行檢測(cè)，研究表明這項(xiàng)技術(shù)為無(wú)損預(yù)測(cè)果實(shí)成熟度與貯藏期蘋(píng)果內(nèi)部組分變化提供了可能。綜上，近紅外光譜技術(shù)用于蘋(píng)果內(nèi)部品質(zhì)檢測(cè)方面的研究，多集中在果實(shí)采后或貯藏期，關(guān)于蘋(píng)果發(fā)育后期近紅外光譜的變化規(guī)律及其內(nèi)部品質(zhì)檢測(cè)方法方面，尚未見(jiàn)報(bào)道。

為此，本文以“富士”蘋(píng)果為研究對(duì)象，測(cè)量其生長(zhǎng)發(fā)育后期3個(gè)月內(nèi)果實(shí)在833～2 500 nm間的吸光強(qiáng)度以及內(nèi)部品質(zhì)參數(shù)(可溶性固形物含量、硬度、pH值和含水率等)，分析不同發(fā)育時(shí)間蘋(píng)果近紅外光譜特性的變化規(guī)律以及基于單一波長(zhǎng)下的吸光強(qiáng)度預(yù)測(cè)內(nèi)部品質(zhì)的可能性，進(jìn)而利用化學(xué)計(jì)量學(xué)方法建立預(yù)測(cè)蘋(píng)果內(nèi)部品質(zhì)的定量模型，為蘋(píng)果成熟度檢測(cè)儀以及內(nèi)部品質(zhì)無(wú)損檢測(cè)儀的設(shè)計(jì)提供依據(jù)。

1 材料與方法

1.1 材料

試驗(yàn)樣品為處于生長(zhǎng)發(fā)育后期的“富士”蘋(píng)果，于試驗(yàn)前1～2 d隨機(jī)采摘于陜西楊凌某果園的50多棵樹(shù)齡約11a的蘋(píng)果樹(shù)，采摘時(shí)綜合考慮果樹(shù)陽(yáng)面和陰面對(duì)果實(shí)品質(zhì)的影響，并挑選晴好天氣的下午采摘。“富士”蘋(píng)果從開(kāi)花到成熟一般需要180 d左右，試驗(yàn)從蘋(píng)果果實(shí)生長(zhǎng)發(fā)育的第112天(細(xì)胞膨大期后)持續(xù)到第197天，每隔10 d左右采樣1次，共采樣9次。每次挑選外形相似、大小相近、完好無(wú)損的果實(shí)20～30個(gè)，建模樣品總數(shù)為233個(gè)。

1.2 測(cè)量方法

1.2.1近紅外光譜測(cè)量方法

利用 MPA 型傅里葉變換近紅外光譜儀(德國(guó)布魯克公司。掃描范圍：833～2 500 nm，共2 074個(gè)波長(zhǎng)點(diǎn)；掃描次數(shù)：32次；分辨率：8 cm-1；探頭視場(chǎng)角：90°)采集試驗(yàn)樣品的近紅外光譜。測(cè)量前預(yù)熱儀器30～60 min。采集條件：室溫(23～25℃)，儀器內(nèi)置背景為參比，固體光纖漫反射。光譜采集部位：無(wú)損蘋(píng)果赤道上均勻分布的4點(diǎn)，光纖探頭與果皮直接接觸，取4點(diǎn)的平均光譜作為該樣品的光譜值。光譜數(shù)據(jù)由 OPUS軟件 (德國(guó)布魯克公司)采集。

1.2.2內(nèi)部品質(zhì)測(cè)量方法

在光譜數(shù)據(jù)采集完成后，用GY- 3型硬度計(jì)(中國(guó)艾德堡儀器公司)測(cè)量光譜采集點(diǎn)處果肉的硬度，在每個(gè)采集點(diǎn)附近，取適量果肉用PR- 101型數(shù)字折射儀(日本Atago 有限公司)測(cè)量果汁的可溶性固形物含量，再取適量果肉采用干燥法測(cè)量果肉的含水率。每個(gè)樣品4個(gè)點(diǎn)處硬度、可溶性固形物含量和含水率的平均值作為各參數(shù)的測(cè)量結(jié)果。將剩余果肉擠出果汁，用PHSJ- 3F型pH計(jì)(中國(guó)上海精密科學(xué)儀器公司)測(cè)量果汁的pH值，3次測(cè)量的平均值作為測(cè)量結(jié)果。所有測(cè)量均在室溫下進(jìn)行。

1.3 數(shù)據(jù)分析與處理方法

1.3.1樣品集劃分方法

X-Y共生距離法(Sample set partitioning based on jointX-Ydistances , SPXY)是基于KS方法發(fā)展起來(lái)的一種樣品集劃分方法，它的優(yōu)點(diǎn)是同時(shí)考慮各樣品濃度與光譜數(shù)據(jù)間的歐氏距離，使所劃分進(jìn)校正集的樣品集更具代表性[20]。

1.3.2光譜降維方法

主成分分析(Principal component analysis, PCA)方法的原理是沿協(xié)方差最大的方向由高維數(shù)據(jù)空間向低維數(shù)據(jù)空間投影，獲得相互獨(dú)立的主成分向量。該方法既可以去除原始數(shù)據(jù)中的大量冗余信息，又可以最大限度上表征原始信息[21]。

連續(xù)投影算法(Successive projection algorithm , SPA)是經(jīng)過(guò)多次迭代，從變量中選取含有最少冗余信息的變量組，可以有效解決信息重疊和共線(xiàn)性的問(wèn)題[22]。由于去除了大量重復(fù)信息，所以選擇的變量更有代表性，且大大減少了模型的運(yùn)算量。

無(wú)信息變量消除法(Uninformative variable elimination, UVE)是在光譜矩陣中人為地加入一個(gè)隨機(jī)矩陣，建立偏最小二乘回歸交互驗(yàn)證模型。將回歸系數(shù)均值與標(biāo)準(zhǔn)差的商作為衡量指標(biāo)，決定光譜變量是否被選取[23]。

1.3.3建模方法

最小二乘支持向量機(jī)(Least square support vector machine, LSSVM)由傳統(tǒng)的支持向量機(jī)發(fā)展而來(lái)，以求解一組線(xiàn)性方程組代替?zhèn)鹘y(tǒng)SVM中復(fù)雜的二次優(yōu)化問(wèn)題，可以極大改善近紅外光譜定性、定量檢測(cè)檢測(cè)模型的預(yù)測(cè)性能[24]。

極限學(xué)習(xí)機(jī)(Extreme learning machine，ELM)是針對(duì)單隱含層前饋神經(jīng)網(wǎng)絡(luò)提出的算法[25]。該算法具有學(xué)習(xí)速度快、泛化能力強(qiáng)等優(yōu)點(diǎn)，在模式識(shí)別和非線(xiàn)性擬合方面具有明顯優(yōu)勢(shì)。

本研究主要采用校正集均方根誤差RMSEC、預(yù)測(cè)集均方根誤差RMSEP以及|RMSEP-RMSEC|等指標(biāo)對(duì)模型的性能進(jìn)行綜合評(píng)價(jià)。

2 結(jié)果與分析

2.1 發(fā)育后期蘋(píng)果的近紅外光譜特性

圖1為室溫下833～2 500 nm范圍內(nèi)不同發(fā)育時(shí)間蘋(píng)果樣品的吸光強(qiáng)度變化曲線(xiàn)。由圖1可見(jiàn)，不同發(fā)育時(shí)間蘋(píng)果的吸光強(qiáng)度隨波長(zhǎng)變化的規(guī)律一致，只是在數(shù)值上有差異。在所測(cè)波長(zhǎng)范圍內(nèi)有5個(gè)明顯的吸收峰，分別在978、1 203、1 450、1 930、2 440 nm附近。1 450 nm和1 930 nm附近是水分子的兩個(gè)吸收峰，是由于其結(jié)構(gòu)中的羥基(OH—)伸縮振動(dòng)和變角振動(dòng)而產(chǎn)生[26]，相比較可知，1 930 nm附近對(duì)水的變化更敏感。另外，980、1 200、2 440 nm附近的吸收峰是由于糖類(lèi)、淀粉、纖維素等物質(zhì)的存在而產(chǎn)生，而2 440 nm處更為敏感。

圖1 不同發(fā)育時(shí)間蘋(píng)果在833～2 500 nm范圍內(nèi)的吸光強(qiáng)度Fig.1 Absorbance of apples with different development days (833～2 500 nm)

2.2 發(fā)育時(shí)間對(duì)蘋(píng)果吸光強(qiáng)度和內(nèi)部品質(zhì)的影響

圖2給出了5個(gè)吸收峰處蘋(píng)果樣品的吸光強(qiáng)度隨發(fā)育時(shí)間增加的變化曲線(xiàn)。由圖2可以看出，隨著發(fā)育時(shí)間的延長(zhǎng)，蘋(píng)果的吸光強(qiáng)度在各波峰處的變化趨勢(shì)基本一致。其中，在發(fā)育第132天時(shí)，出現(xiàn)極小值；在167～184 d之間蘋(píng)果吸光強(qiáng)度相對(duì)穩(wěn)定；第197天時(shí)，又有所增加。吸光強(qiáng)度的變化應(yīng)該與蘋(píng)果果實(shí)成熟過(guò)程中內(nèi)部物質(zhì)的變化有關(guān)。內(nèi)部組分及結(jié)構(gòu)的變化，在發(fā)育中期相對(duì)穩(wěn)定，發(fā)育初期、成熟期會(huì)有較大變化，反映在對(duì)光的敏感性有所不同。

圖2 5個(gè)吸收峰處蘋(píng)果吸光強(qiáng)度隨發(fā)育時(shí)間增加的變化曲線(xiàn)Fig.2 Changing curves of absorbance of apples at five absorption peaks with different development days

表1為不同發(fā)育時(shí)間下蘋(píng)果樣品內(nèi)部品質(zhì)的測(cè)定結(jié)果。由表1可知，隨著果實(shí)發(fā)育時(shí)間的增加，可溶性固形物含量和pH值總體呈現(xiàn)增大的趨勢(shì)，硬度呈現(xiàn)減小的趨勢(shì)，含水率變化規(guī)律不明顯。這與蘋(píng)果不斷發(fā)育成熟過(guò)程中，含糖量增加、酸度減小的變化規(guī)律相一致。

表1 不同發(fā)育時(shí)間蘋(píng)果的內(nèi)部品質(zhì)測(cè)量結(jié)果Tab.1 Obtained internal quality values of apples withdifferent development days

注：同列中不同字母表示差異顯著(P<0.05)。

2.3 近紅外光譜特性與內(nèi)部品質(zhì)的關(guān)系

為了解發(fā)育后期蘋(píng)果單一波長(zhǎng)下的吸光強(qiáng)度與內(nèi)部品質(zhì)之間的關(guān)系，建立了2 074個(gè)測(cè)試波長(zhǎng)下蘋(píng)果樣品的吸光強(qiáng)度分別與可溶性固形物含量、硬度、pH值和含水率之間的線(xiàn)性關(guān)系式

y=Ax+B

(1)

式中y——吸光強(qiáng)度

x——可溶性固形物含量、硬度、pH值或含水率

A、B——回歸系數(shù)

圖3為蘋(píng)果吸光強(qiáng)度分別與各內(nèi)部品質(zhì)參數(shù)(可溶性固形物含量、硬度、pH值和含水率)之間的線(xiàn)性相關(guān)系數(shù)RSSC、RF、RpH和RMC。

圖3 蘋(píng)果吸光強(qiáng)度與各內(nèi)部品質(zhì)參數(shù)的線(xiàn)性相關(guān)系數(shù)(833～2 500 nm)Fig.3 Linear correlation coefficients between absorbance and internal quality of apples from 833 nm to 2 500 nm

由圖3可以看出，在整個(gè)波長(zhǎng)范圍內(nèi)，RSSC和RpH的變化趨勢(shì)一致，即在833～1 200 nm范圍內(nèi)，相關(guān)系數(shù)較高，且是正相關(guān)，說(shuō)明果實(shí)內(nèi)糖、果膠、纖維素等物質(zhì)的變化對(duì)此波長(zhǎng)范圍內(nèi)光的吸收影響較大。RSSC和RpH的最小值出現(xiàn)在兩個(gè)主要吸收峰(1 450 nm和1 930 nm)附近，證明該波長(zhǎng)下吸光強(qiáng)度與果實(shí)內(nèi)部的糖、果膠、纖維素等物質(zhì)的關(guān)系很弱。整個(gè)波長(zhǎng)范圍內(nèi)，RF小于零，說(shuō)明果實(shí)內(nèi)的硬度與吸光強(qiáng)度呈負(fù)相關(guān)。同可溶性固形物含量與pH值相似，在833～1 200 nm內(nèi)，相關(guān)性較好，最弱的相關(guān)性同樣表現(xiàn)在兩個(gè)主要吸收峰附近。整個(gè)波長(zhǎng)范圍內(nèi)RMC的絕對(duì)值小于0.2，說(shuō)明水分變化與吸光強(qiáng)度之間的相關(guān)性也較弱，但是最高的相關(guān)系數(shù)出現(xiàn)在兩個(gè)主要吸收峰(1 450 nm和1 930 nm)附近，這進(jìn)一步說(shuō)明引起1 450 nm和1 930 nm吸收峰的主要原因是水分。

同時(shí)，圖3說(shuō)明，單一波長(zhǎng)下蘋(píng)果的吸光強(qiáng)度與各內(nèi)部品質(zhì)指標(biāo)間的線(xiàn)性相關(guān)性均較弱，利用單一波長(zhǎng)下的吸光強(qiáng)度預(yù)測(cè)蘋(píng)果的內(nèi)部品質(zhì)參數(shù)具有一定的難度。由于光譜范圍較寬且重疊較嚴(yán)重，原始譜除了包含反映內(nèi)部成分的信息外還含有大量冗余信息，為此將化學(xué)計(jì)量學(xué)方法與人工神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，用于建立發(fā)育后期蘋(píng)果內(nèi)部品質(zhì)的預(yù)測(cè)模型。

2.4 發(fā)育后期蘋(píng)果內(nèi)部品質(zhì)預(yù)測(cè)模型的建立

以發(fā)育后期蘋(píng)果樣品的內(nèi)部品質(zhì)(可溶性固形物含量、硬度、pH值和含水率)作為預(yù)測(cè)對(duì)象，基于SPXY法劃分校正集與預(yù)測(cè)集；以PCA、SPA與UVE方法對(duì)光譜進(jìn)行降維；分別建立預(yù)測(cè)可溶性固形物含量、硬度、pH值和含水率的LSSVM和ELM預(yù)測(cè)模型。

2.4.1光譜預(yù)處理

為了減少原始譜數(shù)據(jù)中由于儀器、環(huán)境等因素帶來(lái)的干擾信息的影響，需要首先對(duì)光譜進(jìn)行預(yù)處理，以簡(jiǎn)化后續(xù)建模處理運(yùn)算過(guò)程，提高分析準(zhǔn)確度。本文采用的預(yù)處理方法為標(biāo)準(zhǔn)正態(tài)變量變換(Standard normal variate transformation, SNV)。SNV處理可以有效消除或減小樣品大小、表面散射以及光程變化等對(duì)近紅外漫反射光譜的影響。圖4為原始光譜在進(jìn)行SNV處理前、后的光譜圖。

2.4.2樣本劃分

采用SPXY方法按照3∶1劃分樣本集，校正集樣本數(shù)175，預(yù)測(cè)集樣本數(shù)58。各樣本集中蘋(píng)果樣品的可溶性固形物含量、硬度、pH值和含水率的統(tǒng)計(jì)結(jié)果見(jiàn)表2。

由表2可以看出，可溶性固形物含量、硬度、pH值和含水率均具有較寬的數(shù)據(jù)范圍，表明所選樣本具有普遍性和一定的代表性；測(cè)試集樣本數(shù)值范圍均包含于校正集樣本數(shù)值范圍內(nèi)，說(shuō)明樣本劃分合理。

圖4 SNV處理前、后所有樣品的近紅外光譜圖Fig.4 Near infrared spectra of all apples before and after SNV processing

內(nèi)部品質(zhì)參數(shù)校正集預(yù)測(cè)集最大值最小值平均值±標(biāo)準(zhǔn)差最大值最小值平均值±標(biāo)準(zhǔn)差可溶性固形物含量/°Brix17.78.912.7±2.116.39.111.6±2.0硬度/(kg·cm-2)8.194.236.10±0.907.404.376.00±0.65pH值4.103.293.63±0.183.873.293.53±0.14含水率/%89.679.584.8±2.087.981.285.1±1.5

2.4.3光譜降維

基于Unscrambler 10.2軟件對(duì)樣品原始光譜進(jìn)行主成分分析，當(dāng)主成分?jǐn)?shù)大于等于12時(shí)，各主成分的貢獻(xiàn)率小于0.001%，此時(shí)累計(jì)貢獻(xiàn)率達(dá)到99.99%，所以采用主成分分析法選擇出前12個(gè)主成分用于后續(xù)建立定量預(yù)測(cè)模型。

在SPA處理過(guò)程中，RMSEC值隨變量數(shù)的增多大體呈現(xiàn)逐漸減小的趨勢(shì)。本研究中以RMSEC不再顯著減小(在0.05顯著水平下)為停止選擇的判斷依據(jù)，針對(duì)可溶性固形物含量、硬度、pH值和含水率所選擇的最優(yōu)特征波長(zhǎng)數(shù)見(jiàn)表3。

表3 不同光譜降維方法下對(duì)各內(nèi)部品質(zhì)參數(shù)所選擇的特征波長(zhǎng)數(shù)Tab.3 Amounts of characteristic variables selectedby different data reduction methods forinternalqualities prediction

在應(yīng)用UVE選擇特征波長(zhǎng)時(shí)，設(shè)定無(wú)信息變量數(shù)為2 074，根據(jù)交互原則，由RMSEC的最小值確定可溶性固形物含量、硬度、pH值和含水率模型的最佳因子數(shù)；再計(jì)算其他參數(shù)，確定穩(wěn)定系數(shù)，根據(jù)穩(wěn)定系數(shù)曲線(xiàn)的波動(dòng)確定優(yōu)選的特征波長(zhǎng)。基于UVE法所確定的預(yù)測(cè)可溶性固形物含量、硬度、pH值和含水率的特征波長(zhǎng)數(shù)見(jiàn)表3。

2.4.4建模結(jié)果

在建模之前，首先需要確定各模型的主要建模參數(shù)。對(duì)于預(yù)測(cè)可溶性固形物含量、硬度、pH值和含水率分別確定的LSSVM模型(以徑向基函數(shù)作為核函數(shù))的正規(guī)化參數(shù)γ和最佳核寬σ2，以及ELM模型的各層節(jié)點(diǎn)數(shù)，分別見(jiàn)表4、5。

表6為不同降維方法下對(duì)于各內(nèi)部品質(zhì)參數(shù)所建LSSVM和ELM模型的建模結(jié)果。

由表6可知，對(duì)于可溶性固形物含量，SPA- ELM模型具有最小的RMSEP(0.443 5°Brix)，且|RMSEP-RMSEC| 最小，說(shuō)明模型不僅具有良好的預(yù)測(cè)性能，且模型的穩(wěn)健性比較好。對(duì)于硬度，PCA- ELM具有最小的RMSEP(0.261 2 kg/cm2)，但是其|RMSEP-RMSEC|大于UVE- ELM，而UVE- ELM的RMSEP偏大，綜合比較，確定PCA- ELM是預(yù)測(cè)硬度的最好模型。對(duì)于pH值，SPA- ELM模型的RMSEP最小，為0.006 8，且|RMSEP-RMSEC|也最小，說(shuō)明SPA- ELM是預(yù)測(cè)pH值的最佳模型。對(duì)于含水率，SPA- ELM雖具有最小的RMSEP(0.380 1%)，但其|RMSEP-RMSEC|最大，為0.595 0%，說(shuō)明模型的穩(wěn)健性最差。綜合比較認(rèn)為，穩(wěn)健性最好的PCA- ELM是預(yù)測(cè)含水率的最優(yōu)模型，其RMSEP為0.623 5%。

表4 不同降維方法下LSSVM預(yù)測(cè)模型參數(shù)設(shè)置Tab.4 Modeling parameters of LSSVM models for internal qualities prediction by different data reduction methods

表5 不同降維方法下ELM預(yù)測(cè)模型參數(shù)設(shè)置Tab.5 Modeling parameters of ELM models for internal quality prediction by different data reduction methods

表6 不同降維方法下對(duì)于各內(nèi)部品質(zhì)參數(shù)所建的LSSVM和ELM模型的建模結(jié)果Tab.6 Modeling results for internal quality predictionof LSSVM and ELM by different data reduction methods

兩種建模方法比較可知，ELM的建模效果優(yōu)于LSSVM。在多種降維方法中，SPA的降維效果整體優(yōu)于PCA和UVE，不僅能使模型具有較好的預(yù)測(cè)性能和穩(wěn)健性，而且降維效果明顯，所提取的特征波長(zhǎng)數(shù)僅是原始光譜的0.29%～0.53%。

綜上說(shuō)明，化學(xué)計(jì)量學(xué)方法與人工神經(jīng)網(wǎng)絡(luò)方法相結(jié)合，可以較好地預(yù)測(cè)生長(zhǎng)發(fā)育后期“富士”蘋(píng)果的內(nèi)部品質(zhì)。

3 結(jié)論

(1)在833～2 500 nm波長(zhǎng)范圍內(nèi)，蘋(píng)果的吸光強(qiáng)度在978、1 203、1 450、1 930、2 440 nm附近出現(xiàn)明顯的吸收峰，且吸光強(qiáng)度隨著發(fā)育時(shí)間的增加呈現(xiàn)先減小、中期相對(duì)穩(wěn)定而后期增大的變化趨勢(shì)。

(2)在“富士”蘋(píng)果的生長(zhǎng)發(fā)育后期，可溶性固形物含量和pH值隨發(fā)育時(shí)間總體呈現(xiàn)增大的趨勢(shì)，硬度呈現(xiàn)減小趨勢(shì)，含水率變化規(guī)律不明顯。

(3)單一波長(zhǎng)下蘋(píng)果的吸光強(qiáng)度與各內(nèi)部品質(zhì)參數(shù)之間的線(xiàn)性相關(guān)性均較弱，基于單一波長(zhǎng)的吸光強(qiáng)度較難預(yù)測(cè)生長(zhǎng)發(fā)育后期“富士”蘋(píng)果的內(nèi)部品質(zhì)。

(4)預(yù)測(cè)可溶性固形物含量、pH值的最優(yōu)模型為SPA- ELM，其RMSEP分別為0.443 5°Brix和0.006 8；預(yù)測(cè)硬度、含水率的最優(yōu)模型為PCA- ELM，其RMSEP分別為0.261 2 kg/cm2和0.623 5%。

1 劉燕德，吳明明，孫旭東，等. 黃桃表面缺陷和可溶性固形物光譜同時(shí)在線(xiàn)檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(6): 289-295.

LIU Yande,WU Mingming, SUN Xudong, et al. Simultaneous detection of surface deficiency and soluble solids content forAmygdaluspersicaby online visible near infrared transmittance spectroscopy[J]. Transactions of the CSAE, 2016, 32(6):289-295. (in Chinese)

2 徐惠榮，李青青. 皇冠梨糖度可見(jiàn)/近紅外光譜在線(xiàn)檢測(cè)模型傳遞研究[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017,48(9): 312-317. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170939&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2017.09.039.

XU Huirong, LI Qingqing. Calibration model transfer between visible/NIR spectrometers in sugar content on-line detection of Crown pears[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2017,48(9):312-317. (in Chinese)

3 AMODIO M L，CEGLIE F，CHAUDHRY M M A，et al. Potential of NIR spectroscopy for predicting internal quality and discriminating among strawberry fruits from different production systems[J]. Postharvest Biology & Technology, 2017, 125:112-121.

4 白倩，周金池. 近紅外光譜技術(shù)在水果產(chǎn)業(yè)中的最新應(yīng)用[J]. 光譜實(shí)驗(yàn)室, 2014, 31(6): 662-667.

BAI Qian, ZHOU Jinchi. The latest application of near-infrared spectroscopy in the fruit industry[J]. Chinese Journal of Spectroscopy Laboratory, 2014, 31(6): 662-667. (in Chinese)

6 YE M，YUE T，YUAN Y，et al. Application of FT- NIR spectroscopy to apple wine for rapid simultaneous determination of soluble solids content, pH, total acidity, and total ester content[J]. Food & Bioprocess Technology, 2014, 7(10): 3055-3062.

7 SEMENIUK I，KRZYSIAK-WARZALA B，KOREN-SZWARC B，et al. Use of FT- NIR spectroscopy for determination of free fatty acids in the sunflowerseed oil[J]. Przemysl Chemiczny, 2016, 95(11): 2359-2362.

8 劉國(guó)海，韓蔚強(qiáng)，江輝. 基于近紅外光譜的橄欖油品質(zhì)鑒別方法研究[J]. 光譜學(xué)與光譜分析, 2016, 36(9): 2798-2801.

LIU Guohai, HAN Weiqiang, JIANG Hui. Study on quality identification of olive oil based on near infrared spectra [J]. Spectroscopy and Spectral Analysis, 2016, 36(9): 2798-2801. (in Chinese)

9 孫海霞，張淑娟，薛建新，等. 鮮棗內(nèi)部綜合品質(zhì)光譜評(píng)價(jià)指標(biāo)建立與分析[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(9): 324-329. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170941&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2017.09.041.

SUN Haixia, ZHANG Shujuan, XUE Jianxin, et al. Establishment and analysis of internal comprehensive quality spectral evaluation index for fresh jujube[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2017, 48(9):324-329. (in Chinese)

10 李敏. 不同產(chǎn)地蘋(píng)果的近紅外光譜分類(lèi)識(shí)別法[J]. 紅外, 2014, 35(12): 41-44.

LI Min. Near infrared spectral classification method of apples from different regions[J]. Infrared, 2014, 35(12) : 41-44. (in Chinese)

11 李桂峰，趙國(guó)建，劉興華，等. 蘋(píng)果硬度的傅里葉變換近紅外光譜無(wú)損檢測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2009, 40(1): 120-123.

LI Guifeng, ZHAO Guojian, LIU Xinghua, et al. Using FT- NIR spectra in non-invasive measurement of apple firmness[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(1): 120-123. (in Chinese)

12 范國(guó)強(qiáng)，閘建文. 運(yùn)用近紅外漫反射技術(shù)檢測(cè)蘋(píng)果內(nèi)部品質(zhì)[J]. 農(nóng)業(yè)裝備與車(chē)輛工程, 2006(11): 33-35.

FAN Guoqiang, ZHA Jianwen. Determination of apple interior qualities with near infrared diffuse reflectance technique[J]. Agricultural Equipment and Vehicle Engineering, 2006(11): 33-35. (in Chinese)

13 杜艷民，王文輝，賈曉輝，等. 蘋(píng)果和梨不同品種及品質(zhì)特性對(duì)近紅外反射光譜無(wú)損測(cè)定SSC的影響[J]. 保鮮與加工, 2014, 14(2): 25-29.

DU Yanmin, WANG Wenhui, JIA Xiaohui, et al. Effects of varieties and quality characteristics of apple and pear on detecting soluble solid content based on non-destructive measurement of near-infrared reflectance spectroscopy[J]. Storage and Process, 2014, 14(2): 25-29. (in Chinese)

14 SCHMUTZLER M，HUCK C W. Automatic sample rotation for simultaneous determination of geographical origin and quality characteristics of apples based on near infrared spectroscopy (NIRS)[J]. Vibrational Spectroscopy, 2014, 72(20): 97-104.

15 YUAN L，CAI J，SUN L，et al. Nondestructive measurement of soluble solids content in apples by a portable fruit analyzer[J]. Food Analytical Methods, 2016, 9(3): 785-794.

16 劉靜，杜廣全，管驍. 基于近紅外光譜的果蔬脆片品質(zhì)評(píng)價(jià)方法研究[J]. 分析科學(xué)學(xué)報(bào), 2017, 33(1): 71-75.

LIU Jing, DU Guangquan, GUAN Xiao. Study on quality evaluation of fruit and vegetable chips based on near infrared apectroscopy[J]. Journal of Analytical Science, 2017, 33(1): 71-75. (in Chinese)

17 FAN S，GUO Z，ZHANG B，et al. Using VIS/NIR diffuse transmittance spectroscopy and multivariate analysis to predicate soluble solids content of apple[J]. Food Analytical Methods, 2016, 9(5): 1333-1343.

18 郭志明，黃文倩，陳全勝，等. 近紅外光譜的蘋(píng)果內(nèi)部品質(zhì)在線(xiàn)檢測(cè)模型優(yōu)化[J]. 現(xiàn)代食品科技, 2016, 32(9): 147-153.

GUO Zhiming, HUANG Wenqian, CHEN Quansheng, et al. Model optimization for the on-line inspection of internal apple quality by shortwave near-infrared spectroscopy[J]. Modern Food Science and Technoly,2016, 32(9): 147-153. (in Chinese)

19 IGNAT T，LURIE S，NYASORDZI J，et al. Forecast of apple internal quality indices at harvest and during storage by VIS- NIR spectroscopy[J]. Food & Bioprocess Technology, 2014, 7(10): 2951-2961.

20 ZHU X，SHAN Y，LI G，et al. Prediction of wood property in Chinese Fir based on visible/near-infrared spectroscopy and least square-support vector machine[J]. Spectrochimica Acta Part A Molecular & Biomolecular Spectroscopy, 2009, 74(2): 344-348.

21 遲茜，王轉(zhuǎn)衛(wèi)，楊婷婷，等. 基于近紅外高光譜成像的獼猴桃早期隱性損傷識(shí)別[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(3): 235-241，234.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150334&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2015.03.034.

CHI Qian, WANG Zhuanwei, YANG Tingting, et al. Recognition of early hidden bruises on kiwifruits based on near-infrared hyperspectral imaging technology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3): 235-241,234. (in Chinese)

22 ANDERSON S S，TELMA W L，DANIEL V L，et al. Spectroscopic multicomponent analysis using multi-objective optimization for variable selection[J]. Computer Technology and Appilication, 2013, 4(9): 466-475.

23 郭文川，董金磊. 高光譜成像結(jié)合人工神經(jīng)網(wǎng)絡(luò)無(wú)損檢測(cè)桃的硬度[J]. 光學(xué)精密工程, 2015, 23(6): 1530-1537.

GUO Wenchuan, DONG Jinlei. Nondeatructive detection on firmness of peaches based on hyperspectral imaging and artificial neural networks[J]. Optics and Precision Engineering, 2015, 23(6): 1530-1537.(in Chinese)

24 張淑娟，張海紅，趙艷茹，等. 鮮棗可溶性固形物可見(jiàn)/近紅外光譜檢測(cè)建模方法比較[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2012, 43(3): 108-112. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20120321&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2012.03.021.

ZHANG Shujuan, ZHANG Haihong, ZHAO Yanru, et al. Comparison of modeling methods of fresh jujube soluble solids measurement by NIR spectroscopy[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(3):108-112. (in Chinese)

25 HUANG G，ZHU Q，SIEW C. Extreme learning machine: theory and applications[J]. Neurocomputing, 2006, 70(1): 489-501.

26 杰爾·沃克曼，洛伊斯·文依. 近紅外光譜解析實(shí)用指南[M]. 北京：化學(xué)工業(yè)出版社，2009: 49-67.