黃瓜水分和硬度高光譜特征波長選擇與預(yù)測模型構(gòu)建

馬帥帥 于慧春 殷 勇 袁云霞 李 欣 薛書凝

(河南科技大學(xué)食品與生物工程學(xué)院，河南 洛陽 471023)

黃瓜本身營養(yǎng)豐富，風(fēng)味獨特，深受人們喜愛，是世界范圍內(nèi)普遍栽培的重要蔬菜作物。但黃瓜采摘后容易失水萎蔫、衰老，新鮮度降低，口感變差，食用價值降低，影響其市場銷量。而傳統(tǒng)果蔬的品質(zhì)檢測方法主要有感官評定、化學(xué)檢測法等[1]，感官評定主觀性強，且無法對其內(nèi)部進行準確評定。化學(xué)檢測法精度高，但耗時、費力、工藝復(fù)雜，測定結(jié)果受前處理影響較大，無法實現(xiàn)其快速檢測。

近年來，高光譜成像技術(shù)因其“圖譜合一”、速度快、樣品無需預(yù)處理等優(yōu)點，在果蔬的品質(zhì)檢測領(lǐng)域中獲得較多的應(yīng)用研究[2]。利用高光譜圖像中的光譜信息，結(jié)合化學(xué)計量學(xué)方法，可以實現(xiàn)對被檢測樣品每一點口感風(fēng)味等食用品質(zhì)指標(如可溶性固形物、水分、酸度及硬度等)以及營養(yǎng)品質(zhì)指標(如淀粉、色素等)的預(yù)測和評估；利用高光譜圖像信息，結(jié)合圖像處理方法，可以實現(xiàn)對樣品外部品質(zhì)(如傷痕、形態(tài)等)的檢測。因此，高光譜技術(shù)可以同時檢測樣品的內(nèi)部和外部品質(zhì)，在果蔬品質(zhì)檢測領(lǐng)域呈現(xiàn)出極大發(fā)展?jié)摿Α?/p>

目前高光譜圖像技術(shù)在黃瓜病蟲害[3]、葉片含水量[4]、黃瓜葉片葉綠素含量[5]及過氧化酶活性[6]等方面的檢測及評價都有研究報道，但在黃瓜新鮮度方面的研究很少，且建立的理化值預(yù)測模型精度不高，穩(wěn)定性較差[7]。由于高光譜圖像數(shù)據(jù)信息量龐大，且存在大量冗余多重共線性信息，會嚴重影響預(yù)測模型的精度及可靠性，因此應(yīng)用時需要進行特征波長的選擇。

黃瓜的水分含量與硬度可以反映黃瓜的新鮮狀態(tài)且二者具有顯著相關(guān)性，可以作為關(guān)鍵指標對貯藏期間黃瓜新鮮度進行判別評價[8]。試驗擬采用高光譜成像技術(shù)對不同貯藏時間的黃瓜樣品進行檢測，在對原始高光譜數(shù)據(jù)進行預(yù)處理以去除噪聲干擾的基礎(chǔ)上，研究硬度和失水率的適宜特征提取方法，并建立判別模型，以期實現(xiàn)對貯藏黃瓜新鮮度的快速、準確評價。

1 材料與方法

1.1 儀器與設(shè)備

質(zhì)構(gòu)儀：SMS TA.XT Express型，英國，Stable Micro Systems公司；

電子天平：DT-500B型，常熟市佳衡天平儀器有限公司；

高光譜圖像采集系統(tǒng)(見圖1)：由高光譜成像儀(IST50-3810型，德國Inno-Spec公司)、500 W的光纖鹵素?zé)?RK90000420108型，德國Esylux公司)、移動裝置和計算機組成，實驗室自行搭建。

1.2 試驗材料

黃瓜：德瑞特D19，河南省洛陽市大張超市。

1.3 試驗方法

1.3.1 貯藏與采樣 將新鮮采摘的黃瓜樣品500 kg，存放于貯藏庫(溫度25 ℃、濕度80%)。對常溫貯藏的黃瓜每隔1 d取樣一次，即對黃瓜貯藏第1，3，5，7，9，11天取樣，并分別進行硬度、失水率和高光譜檢測。

1. 樣本 2. 光源 3. 光譜儀 4. 輸送裝置 5. 計算機

1.3.2 硬度測定 采用質(zhì)構(gòu)儀選擇果蔬硬度測試模型，測試參數(shù)設(shè)置：探頭直徑5 mm，觸發(fā)力值5.0 g，下行速度1 mm/s，測中速度0.5 mm/s，上行速度1 mm/s。試驗當天從貯藏庫不同貨架隨機選取6根黃瓜，距離黃瓜頭部2 cm處徑向均勻選取3個測試點，取其平均值作為該天黃瓜樣本的硬度值。

1.3.3 失水率的測定 黃瓜入庫當天從貯藏庫不同貨架隨機選取6根黃瓜，依次順序編號，樣品重量用電子天平測量，按式(1)計算失水率。取6根黃瓜樣品失水率平均值作為該天黃瓜樣本的失水率值。

(1)

式中：

a——失水率，%；

W——每根黃瓜原始重量，g；

w——相應(yīng)黃瓜當天的重量，g。

1.3.4 高光譜檢測 通過預(yù)試驗確定高光譜檢測參數(shù)：成像儀物鏡高度350 mm，曝光時間90 ms，載物平臺的移動速度1.20 mm/s。儀器光譜采集范圍371.05～1 023.82 nm，光譜分辨率2.8 nm，采樣間隔為0.49～0.51 nm，在光譜范圍內(nèi)共采集1 288個波段。試驗當天從貯藏庫不同貨架隨機選取10根黃瓜，從黃瓜頭部2 cm處開始，均勻切片，每片厚度約2 mm，每根黃瓜切5片，共計50片樣本。黃瓜片逐一平放在洗凈的玻璃平皿中，置于輸送帶上進行高光譜數(shù)據(jù)采集。

1.4 數(shù)據(jù)處理

1.4.1 黑白校正 用ENVI5.1軟件選取黃瓜樣本圖像中感興趣區(qū)域，對高光譜圖像進行黑白板校正。校正方法：在同一采集環(huán)境下，采集標準白色校正板得到的全白標定圖像(反射率接近99%)，關(guān)閉相機鏡頭采集全黑標定圖像(反射率接近0%)，并按式(2)計算得到校正后圖像[9]。

(2)

式中：

R——校正后高光譜圖像；

I——原始黃瓜高光譜圖像；

B——全黑標定圖像；

W——全白標定圖像。

1.4.2 原始光譜數(shù)據(jù)的預(yù)處理 為減少環(huán)境噪聲及儀器自身的系統(tǒng)誤差對光譜信息的干擾，分別采用Savitzky-Golar法(SG)、多元散射校正(MSC)和標準正態(tài)變量變換(SNV) 3種方法對原始高光譜數(shù)據(jù)進行預(yù)處理，并根據(jù)相關(guān)系數(shù)(R2)和均方根誤差(RMSE)進行結(jié)果對比。

1.4.3 特征波長的選擇 由于原始光譜數(shù)據(jù)存在共線性，為了減少模型運算量，提高計算精度，對預(yù)處理之后的光譜數(shù)據(jù)采用競爭性自適應(yīng)重加權(quán)算法(CARS)、偏最小二乘(PLS)、連續(xù)投影算法(SPA)，分別進行特征波長的提取。

CARS方法是基于蒙特卡羅采樣和偏最小二乘(PLS)模型中回歸系數(shù)的一種特征波長選擇方法，旨在選擇最具有競爭力的波數(shù)組合[10-11]。其通過蒙特卡羅采樣選擇的校正集樣本建立對應(yīng)的PLS模型，計算該次采樣中波長回歸系數(shù)的絕對值權(quán)重，去掉權(quán)重較小的波長后，采用自適應(yīng)重加權(quán)采樣的方法選擇波長來建立PLS模型，選取交互驗證均方根誤差(RMSECV)最小的PLS模型對應(yīng)的波長為特征波長[12]。

偏最小二乘回歸系數(shù)法[13]，是在PLS建模過程中得到的，是集主成分分析、典型相關(guān)分析于一體的一種特征波長提取方法。通過偏最小二乘回歸分析，得到權(quán)重回歸系數(shù)，并根據(jù)回歸系數(shù)的極值進行特征波長的提取。

連續(xù)投影算法(SPA)[14]可以將波長變量間的共線性消除，有效避免信息重疊，從而用很少的信息量來代表多數(shù)樣本的光譜信息[15-16]，特征波長最終的選擇結(jié)果為最小交互驗證均方根誤差(RMSEV)對應(yīng)的波長變量個數(shù)。

1.4.4 模型的建立 采用BP神經(jīng)網(wǎng)絡(luò)[17](back propagation neural network，BPNN)方法構(gòu)建檢測模型。BPNN是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，采用經(jīng)驗風(fēng)險最小和梯度下降法計算目標函數(shù)最優(yōu)值從而逼近函數(shù)表達[18]，使信號正向傳播和誤差反向傳播交替循環(huán)進行，信號正向傳播一次計算相應(yīng)的誤差一次，讓誤差沿著梯度負方向下降一個很小的變化量，將得到的誤差變化量反向傳播到BPNN各層，然后對各層參數(shù)的值進行調(diào)整，再進行下一次循環(huán)。當BPNN的誤差收斂到一個較為穩(wěn)定的范圍，可認為各層參數(shù)的值達到了理想狀態(tài)，模型達到了最優(yōu)狀態(tài)。

2 結(jié)果與分析

2.1 硬度結(jié)果分析

如表1所示，在貯藏期間硬度值隨貯藏時間增長總體呈下降趨勢，其中第3～5天硬度值下降趨勢最明顯。

表1 黃瓜硬度值

2.2 失水率結(jié)果分析

如表2所示，貯藏中黃瓜在第1～3天失水速率最高，可能是貯藏室整體環(huán)境溫濕度不穩(wěn)定造成的，環(huán)境穩(wěn)定后隨貯藏時間增長黃瓜樣本失水率總體平穩(wěn)增加。

2.3 高光譜測定結(jié)果分析

去除876.97～1 023.82 nm明顯存在噪聲的波段，保留371.05～876.47 nm范圍內(nèi)的平均光譜進行后續(xù)分析。各不同貯藏日期黃瓜樣本原始光譜曲線如圖2所示。

2.4 高光譜數(shù)據(jù)分析

2.4.1 高光譜圖像預(yù)處理 分別采用SG、SNV、MSC 3種方法對光譜進行預(yù)處理，并基于預(yù)處理后的全光譜數(shù)據(jù)建立硬度和失水率指標的BP預(yù)測模型，結(jié)果如表3所示。

由表3可知，SG法預(yù)處理效果較好，其對硬度和失水率預(yù)測的R2分別為0.82，0.84，RMSE分別為0.03，0.39。但是整體R2較低，均在0.8左右，說明基于全波長信息的預(yù)測模型效果不理想，大約只有80%的有效信息，在全波長高光譜信息中存在較多的冗余信息，降低了模型的精度和可靠度，因此需對全波長高光譜進行特征波長的選擇。

表2 黃瓜失水率

圖2 黃瓜原始光譜圖

表3 3種預(yù)處理方法的BP分析結(jié)果

圖3為經(jīng)SG卷積平滑法處理后的光譜數(shù)據(jù)。對比圖2和圖3可以發(fā)現(xiàn)，經(jīng)SG法預(yù)處理后，減少了噪聲和暗電流等因素對光譜數(shù)據(jù)的影響，曲線更平滑，更有利于模型的構(gòu)建。

2.4.2 特征波長的選擇 圖4為CARS方法特征波長提取過程。如圖4(a)所示，隨著采樣次數(shù)的增加，優(yōu)化變量數(shù)逐步下降；圖4(b)中RMSECV值表明了基于CARS選擇的特征波長建立的PLS模型的效果，RMSECV值越小表明模型效果越好，*號即為RMSECV值最小的位置，對應(yīng)RMSECV值最小的位置采集次數(shù)為59次，得到黃瓜硬度指標的較優(yōu)特征波長個數(shù)為25個。同理，黃瓜失水率的采樣次數(shù)為70次，得到的較優(yōu)特征波長個數(shù)為20個，篩選過程如圖4(c)和(d)所示。

圖3 SG處理后黃瓜光譜圖

運用PLS方法提取硬度和失水率特征波長個數(shù)分別為13，16個，得到黃瓜特征光譜的權(quán)重系數(shù)圖，如圖5所示。從權(quán)重系數(shù)圖看，絕對值越大的波長點代表這些波長對模型的影響越大，這些波長都處在波峰或者波谷位置，第1主成分和第2主成分波動小，樣本間的差異不明顯；第3主成分波動大，樣本間的差異明顯，所以選取第3主成分回歸系數(shù)波峰和波谷所對應(yīng)的波長為特征波長。

SPA提取特征波長個數(shù)均為20個，特征波長提取如圖6所示。

圖4 基于CARS特征波長提取

圖5 基于PLS特征波長提取

基于不同方法所篩選出的各個特征波長結(jié)果如表4所示。

2.4.3 特征波長下黃瓜硬度和失水率判別模型分析 分別基于3種方法提取的特征波長建立BPNN模型。每個等級的黃瓜樣品的50條高光譜中35條作為訓(xùn)練集，15條作為預(yù)測集。

BPNN模型結(jié)果如表5所示。在BPNN模型中，迭代次數(shù)設(shè)置1 000次，學(xué)習(xí)速率為0.001，訓(xùn)練目標為0.000 1，隱含層神經(jīng)元函數(shù)選擇tansig函數(shù)，輸出層神經(jīng)元函數(shù)選擇purelin函數(shù)，網(wǎng)絡(luò)訓(xùn)練函數(shù)選擇trainlm函數(shù)。在BPNN硬度模型中，輸入層神經(jīng)元個數(shù)為25，13，20個，分別對應(yīng)CARS、PLS和SPA選取的硬度特征波長個數(shù)；在BPNN失水率模型中，輸入層神經(jīng)元個數(shù)分別為20，16，20個，分別對應(yīng)CARS、PLS和SPA選取的失水率特征波長個數(shù)。輸出層神經(jīng)元數(shù)為6，對應(yīng)樣品種類。隱含層層數(shù)越多，精度越高，但網(wǎng)絡(luò)結(jié)構(gòu)越復(fù)雜，訓(xùn)練時間越長[19]，最終選擇的隱含層層數(shù)均為1。隱含層神經(jīng)元個數(shù)的選擇參照式(3)，經(jīng)調(diào)試，隱含層神經(jīng)元個數(shù)為23時，判別效果最佳。

(3)

式中：

圖6 基于SPA特征波長提取

表4 特征波長提取結(jié)果

表5 特征波長下BPNN判別正確率

N——隱含層神經(jīng)元個數(shù)；

n——輸入層神經(jīng)元個數(shù)；

m——輸出層神經(jīng)元個數(shù)；

a——常數(shù)。

由表5可知，3種模型的預(yù)測效果均明顯改善，SPA提取的特征波長建立的BPNN判別模型效果較好，硬度訓(xùn)練集和測試集正確率分別達到95.24%，91.67%，失水率訓(xùn)練集和測試集正確率分別達到97.78%，95.00%。與全波長光譜信息的預(yù)測模型相比，預(yù)測的精度大大提高。由表6可知，SPA選擇的特征波長建立的判別模型對硬度和失水率的判別效果均較好，R2和RMSE值均優(yōu)于其他特征波長選擇方法。

基于SPA方法提取的特征光譜信息，構(gòu)建BPNN硬度和失水率預(yù)測模型，預(yù)測結(jié)果如圖7、8所示。

表6 特征波長下BPNN模型判別分析結(jié)果

圖7 BPNN硬度模型訓(xùn)練和驗證結(jié)果

圖8 BPNN失水率模型訓(xùn)練和驗證結(jié)果

3 結(jié)論

研究通過對原始高光譜數(shù)據(jù)的預(yù)處理及特征波長的提取，建立黃瓜硬度和失水率預(yù)測模型。采用Savitzky-Golar法、多元散射校正和標準正態(tài)變量變換3種方法對高光譜原始數(shù)據(jù)進行處理，基于全波段信息建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，結(jié)果表明Savitzky-Golar法預(yù)處理更優(yōu)；在Savitzky-Golar法預(yù)處理基礎(chǔ)上，采用競爭性自適應(yīng)重加權(quán)算法、偏最小二乘、連續(xù)投影算法3種方法進行特征波長提取；基于特征波長，建立BP神經(jīng)網(wǎng)絡(luò)判別模型。李丹等[20]曾對黃瓜水分進行預(yù)測，通過對900～1 700 nm波段范圍內(nèi)的特征波長下建立的偏最小二乘水分預(yù)測模型，模型的相關(guān)系數(shù)和均方根誤差分別為0.86和0.111。文中基于連續(xù)投影算法提取的特征波長所建立的預(yù)測模型，精度明顯高于其他特征波長選取方法；硬度和失水率訓(xùn)練集準確率分別為95.24%，97.78%，測試集準確率分別為91.67%，95.00%，預(yù)測結(jié)果相對于全波長預(yù)測精度大大提高。

研究下一步解決的問題是硬度和失水率共同特征波長的提取并構(gòu)建多理化指標預(yù)測模型，特征波長提取方法仍然是模型構(gòu)建的關(guān)鍵點，是值得不斷深入分析和研究的問題。