基于可見/近紅外透射光譜技術的紅提糖度和含水率無損檢測

高 升，王巧華

（1. 華中農(nóng)業(yè)大學 工學院，湖北 武漢 430070；2. 農(nóng)業(yè)部長江中下游農(nóng)業(yè)裝備重點實驗室，湖北 武漢 430070）

1 引 言

葡萄是我國五大水果之一，2017年的總產(chǎn)量高達1 308.0萬噸[1]。紅提葡萄果肉堅實、顆粒飽滿、香甜可口，受到人們的廣泛喜愛。可溶性固形物含量（Soluble Solids Content，SSC），一般也稱為糖度，是評價水果內(nèi)部品質(zhì)的關鍵參數(shù)，也是集可溶性糖、酸、纖維素等成分在內(nèi)的綜合指標[2]，是消費者進行購買時的重要參考，也是反映水果成熟度的重要指標[3]。葡萄果粒含有較高的水分，使葡萄果粒呈現(xiàn)出新鮮飽滿和脆嫩的狀態(tài)，具有較好的口感。葡萄容易出現(xiàn)腐爛、軟化、干梗等現(xiàn)象，導致葡萄的品質(zhì)降低[4]。含水率作為果蔬的重要衡量指標，會對果蔬的品質(zhì)、質(zhì)構(gòu)及風味產(chǎn)生較大的影響，且含水率也是葡萄腐敗變質(zhì)的重要原因，及時地檢測葡萄果粒的含水率，根據(jù)含水率挑選出將要腐爛的果實，對保護周邊好的果粒，延長貯藏時間至關重要。此外，含水率還可以在一定程度上反映葡萄的貯藏時間，同樣也可以用于判斷葡萄是否新鮮。

傳統(tǒng)糖度檢測需進行破壞實驗，擠出汁液后，再利用折射法進行測定；含水率則是通過烘干法進行測定，繁瑣費時，且只能進行抽樣檢測，檢測范圍較小，檢測完的實驗樣本損壞后無法銷售。近紅外光譜技術具有檢測時間短、操作簡單等優(yōu)點，被廣泛用于蘋果、哈密瓜、梨、柑橘等食品內(nèi)部品質(zhì)的無損檢測[5-12]。國內(nèi)對果蔬含水率的檢測相對較少[5]，朱丹實等[4]研究了濕度條件對巨峰葡萄貯藏過程中水分及質(zhì)構(gòu)變化的影響，并建立不同濕度貯藏時巨峰葡萄的水分變化規(guī)律。韓東海等[13]利用近紅外技術實現(xiàn)了對小型西瓜生長過程中可溶性固形物和水分的快速無損檢測，并確定了最佳光譜采集區(qū)域。孫海霞等[14]利用光譜和含水率補償方法建立了穩(wěn)定可靠的鮮棗品質(zhì)（含水率、可溶性固形物含量、維生素C含量、蛋白質(zhì)含量、硬度值）模型。目前，大多數(shù)的研究大都集中在對水果的糖度研究，劉燕德等[15]搭建了以STS光譜儀和自制樣品杯作為光譜檢測裝置的蘋果可溶性固形物便攜式檢測平臺，結(jié)合偏最小二乘法建立的蘋果可溶性固形物定量檢測模型精度最高，模型的預測集相關系數(shù)Rp為0.924。許峰等[16]利用可見/近紅外技術檢測紅提糖度和酸度含量，糖度和酸度預測集的相關系數(shù)分別為0.956 8、0.940 5，實現(xiàn)了紅提糖度和酸度的快速無損檢測。已有研究中鮮有針對紅提含水率進行研究，同時對紅提糖度和含水率的綜合檢測研究還未見報道。

本文通過可見/近紅外光譜技術，分析了紅提的放置模式對模型的影響，尋找到最好的光譜采集方式；對光譜數(shù)據(jù)進行預處理，確定最佳預處理方式，并在最佳預處理方式下，分別建立紅提糖度和含水率的PLSR和LSSVM模型；比較模型的穩(wěn)定性和精度，對比分析不同模型的優(yōu)劣，并確定了不同模型的應用場景，通過一次光譜采集，實現(xiàn)同時無損測定紅提糖度和含水率。

2 材料和方法

2.1 材料

實驗材料為晚紅品種的新鮮紅提，購買于中百超市，分別在每穗紅提的外部、中部、頂部、尖部挑選大小相近，顏色差異明顯、表面無損傷的紅提果粒作為實驗樣本，建模樣本總數(shù)為360粒。將樣本編號并放入恒溫恒濕箱中保存12 h[17]，恒溫箱溫度設置為（22±1） ℃，相對濕度為65%。

2.2 儀器與設備

光譜儀選用美國Oceanoptics公司的Maya 2000Pro+微型光纖光譜儀（波長范圍為200～1 100 nm，信噪比為450:1），因光譜兩端噪聲較大，選取550～1 050 nm的波段作為原始光譜進行建模分析；恒溫恒濕箱購自上海新苗醫(yī)療器械制造有限公司；申光WAY(2WAJ) 阿貝爾折射儀購自上海儀電物理光學儀器有限公司；JA2002 電子天平購自上海浦春計量儀器有限公司；電熱鼓風干燥箱購自余姚市星辰儀表廠。

2.3 方法

2.3.1 可見/近紅外實驗裝置與光譜采集

搭建的近紅外采集實驗平臺如圖1所示，實驗時，將紅提果粒放到中間帶有圓孔的隔板上，分別采用果柄朝上的豎放和垂直于果柄的橫放方式進行光譜采集，84UV準直透鏡與中間隔板的距離為4.5 cm，聚光透鏡離中間隔板的距離為3.0 cm。

圖1 紅提可見/近紅外光譜采集系統(tǒng)圖Fig. 1 Schematic of visible / near-infrared spectrum acquisition system for red globe grape

采用Maya2000Pro微型光纖光譜儀，對恒溫樣本進行光譜采集。采集前，先打開光譜及光譜儀采集軟件，將系統(tǒng)預熱30 min。光譜儀采集軟件的參數(shù)設置如下：積分時間為100 ms，平均次數(shù)為10次，平滑寬度為5 nm，將紅提果粒放到中間隔板的圓孔中，采集果粒的光譜數(shù)據(jù)。

2.3.2 紅提糖度和含水率測定方法

樣本制備：用小刀在采集完光譜的紅提樣本頭部（果柄相對的部位）切下大約5 g的剪切樣本，進行含水率測定；再按照國家鮮葡萄行業(yè)標準GH/T1022—2000，將剩余的紅提果粒試樣壓成汁，并用玻璃棒攪拌均勻[18]，立即測定糖度。

糖度測定參照NY/T 2637—2014《水果、蔬菜制品可溶性固形物含量的測定——折射儀法》進行[19]。

含水率測定：含水率的測定采用國標 GB 5009.3—2016《食品中含水率的測定》[20]。取潔凈鋁盒，根據(jù)國標，加熱、干燥后稱量鋁盒的質(zhì)量為m3，加入紅提剪切樣本后，樣本加鋁盒的質(zhì)量為m1，然后放入溫度為105 ℃的電熱鼓風干燥箱內(nèi)烘干，得到烘干后樣本加鋁盒的質(zhì)量m2，試樣中紅提的含水率含量X按式（1）進行計算:

式中X為紅提試樣中含水率(%)，m1為鋁盒和紅提試樣的質(zhì)量(g/100 g)，m2為鋁盒和紅提試樣干燥后的質(zhì)量(g/100 g)，m3為鋁盒的質(zhì)量(g)。

2.3.3 模型建立及評價方法

分別基于原始光譜和進行特征波長提取后的光譜信息建立紅提糖度和含水率的PLSR、LSSVM模型。

運用原始光譜及光譜預處理后的可見/近紅外光譜數(shù)據(jù)，分別采用一次降維（GA、SPA、CARS、UVE）和二次降維組合（CARS-SPA、UVE-SPA、GA-SPA）7種數(shù)據(jù)降維方法對光譜進行特征變量提取；分別結(jié)合偏最小二乘回歸算法（Partial Least Squares Regression，PLSR）與最小二乘支持向量機（Least Squares Support Vector Machine，LSSVM）建立模型，并對比分析模型的優(yōu)劣。

PLSR是一種經(jīng)典的通過最小化偏差平方和對曲線進行線性擬合的方法，其結(jié)合了多元線性回歸、相關分析和主成分的優(yōu)點，廣泛應用于近紅外光譜模型的建立[21]。最小二乘支持向量機[22-23]（LSSVM）方法在有效簡化模型的同時提高了模型的運算速度，通過求解一次線性組來代替支持向量機中的復雜二次優(yōu)化問題。

模型的準確性和穩(wěn)定性由校正集相關系數(shù)（correlation coefficient of calibration，Rc）及均方根誤差（Root Mean Square Error of Calibration set，RMSEC）、預測集相關系數(shù)（root mean square error of prediction set，Rp）及均方根誤差（RMSEP）、殘差預測偏差（Residual Predictive Deviation，RPD)進行模型性能的評價[24]。相關系數(shù)越接近1，均方根誤差越接近零，模型的預測性能及穩(wěn)定性越好。RPD的評價指標：RPD的值小于1.5表示預測性能較差；其值在1.5到2.0之間表示模型可以預測低值和高值；其值在2.0到2.5之間表示可以進行粗略的定量預測；其值在2.5到3.0之間或更高表示具有良好的預測精度。

式中：ypi為預測集中的第i個樣本的預測值；ymi為校正集中的第i個樣本的實際測量值；ymean為對應所有nc個校正集樣本或np個預測集樣本實際測量值的平均值，stdprediction為預測集的標準差。

3 結(jié)果與分析

3.1 光譜數(shù)據(jù)預處理

因外界環(huán)境（光線、噪聲等）影響，使得采集的光譜在550 nm之前和1 050 nm之后的光譜包含較多的噪聲。參考現(xiàn)有學者的研究，光譜波長在550～1 100 nm時，包含較多的關于糖度和含水率的信息[13,16]。本文選擇550～1 050 nm波長的光譜范圍進行研究，采集的原始紅提樣本光譜如圖2所示。可以看出，所有紅提樣本的光譜都呈現(xiàn)出相同的變化趨勢，在波長為550 nm之后透過率顯著升高，725～920 nm波長范圍內(nèi)，光強度較高但變化較小，光譜的透過率較平穩(wěn)，其中波峰為635 nm，波谷為675 nm和980 nm。

圖2 紅提樣本的原始光譜Fig. 2 Original spectra of red globe grape samples

光譜預處理能有效消除儀器噪聲、暗電流等因素的影響。在進行建模前，對標準正態(tài)變量變換（Standard Normal Variable transformation，SNV）、SavitZky-Golay卷積平滑處理法（SavitZky-Golay，S_G）、歸一化(Normalized，Nor)等預處理方法進行比較分析[25-27]，確定較好的預處理方式。

由表1可知，對紅提糖度和含水率的光譜數(shù)據(jù)進行預處理后所建PLSR模型的相關系數(shù)和均方根誤差都有所降低，模型變得更加不穩(wěn)定，因此應直接利用原始光譜建模。

表1 原始光譜及采用不同預處理方法后建立的的全波長PLSR檢測模型Tab. 1 Original spectra and full-wavelength PLSR detection model established by different pretreatment methods

3.2 樣本集的劃分

KS(Kennard-Stone,KS)法[28]能夠有效選取光譜數(shù)據(jù)差異較大的樣本作為校正集，剩余樣本劃分為預測集，從而提高模型適應性和預測精度。實驗中共采集了360個紅提樣本，利用KS法將360紅提樣本以3∶1的比例分別劃分為270個校正集和90個預測集。樣本統(tǒng)計結(jié)果如表2所示。

表2 利用KS算法劃分樣本集的數(shù)據(jù)統(tǒng)計Tab. 2 Data statistics of sample sets partitioned by KS algorithm

從表2可以看出，糖度分布范圍為16.8～24.0（°Brix），校正集和預測集的標準差分別為1.334、1.275；含水率的分布范圍為76.635%～84.327%，校正集和預測集的標準差分別為1.268、1.450。通過KS法所劃分的糖度和含水率校正集的分布范圍比預測集的分布范圍更廣，證明所挑選出來的校正集樣本具有代表性。

3.3 放置模式對PLSR模型的影響

分別對橫放、豎放（果柄側(cè)朝上）、整個果粒平均得到的光譜數(shù)據(jù)建立偏最小二乘回歸模型，根據(jù)PLSR模型的準確性和穩(wěn)定性，確定最優(yōu)的光譜采集方式。表3為不同放置模式的全波長PLSR預測模型。

表3 不同放置模式的全波長PLSR檢測模型Tab. 3 Full-wavelength PLSR detection models of samples with different placement modes

由表3可知：豎放模式建立的紅提糖度和含水率的PLSR模型優(yōu)于橫放模式；豎放模型下進行光譜采集所建立的PLSR模型的檢測性能和穩(wěn)定性比橫放模式更好；利用整個果粒的平均光譜建立的糖度和含水率模型效果最優(yōu)，糖度和含水率的校正集的相關系數(shù)分別為0.927、0901；預測集的相關系數(shù)分別為0.933、0.868，模型的穩(wěn)定性和精度最好；在3種模式下糖度和含水率的相關系數(shù)都大于0.850，表明可見/近紅外光譜能夠有效預測紅提糖度和含水率；糖度模型的相關系數(shù)明顯高于含水率的相關系數(shù)，表明相較于紅提的含水率，可見/近紅外光譜更能較好地預測紅提的糖度。

3.4 特征波長的提取

根據(jù)上文結(jié)論，采用整個果粒的平均光譜作為原始光譜進行研究。因原始光譜包含較多的波長點，數(shù)據(jù)較多，所建模型的運算時間較長，相關系數(shù)不高，均方根誤差較大，模型精度和穩(wěn)定性較低，故在特征波長提取下建立不同模型，得到最好的紅提糖度和含水率檢測模型。下文以糖度為例進行特征波長的提取。

3.4.1 GA提取特征波長

利用遺傳算法（Genetic Algorithm，GA）提取特征波長，建立紅提糖度模型。在GA運算過程中，設定初始群體為30，交叉率為50%，變異率為1%，最大迭代次數(shù)為100，最大循環(huán)次數(shù)為20次，以最小的RMSECV值為標準，挑選出在迭代過程中出現(xiàn)頻次較多的波長點，最終選定特征波長點為85個，如圖3(a)所示，占原始光譜信息的7.39%，GA所選特征波長如圖3(b)所示。

圖3 紅提糖度的GA特征波長選取圖Fig. 3 GA characteristic wavelength selection map of sugar content of red globe grape

3.4.2 SPA提取特征波長

利用連續(xù)投影算法（Successive Projection Algorithm，SPA）提取特征波長，建立紅提糖度模型，設定波長選擇變量數(shù)范圍為5～40，選擇步長為1；如圖4(a)所示，當變量個數(shù)為17時，RMSEC最小為0.527，占原始光譜信息的3.88%，在原始光譜中所選特征波長位置如圖4(b)所示。

圖4 紅提糖度的SPA特征波長選取圖Fig. 4 SPA characteristic wavelength selection map of red globe grape′s sugar content

3.4.3 CARS提取特征波長

利用競爭性自適應重加權（Competitive Adaptive Reweighted Sampling，CARS）提取特征波長，以建立紅提糖度模型。本研究設定蒙特卡羅采樣為50次，采用5折交叉驗證法。由圖5可知，當RMSECV值達到最小值時，各變量的回歸系數(shù)位于圖5(c)中豎直線位置，采樣運行30次。

3.4.4 UVE提取特征波長

利用無信息消除（Uninformative Variable Elimination，UVE）算法提取特征波長，以建立紅提糖度模型。設定噪聲矩陣處最大穩(wěn)定性絕對值的99%作為剔除閾值，圖6（彩圖見期刊電子版）中黃色曲線代表光譜變量的穩(wěn)定性值，紅色曲線代表噪聲變量的穩(wěn)定性值，兩水平藍色虛線為變量的選擇閾值（±17.78），藍色虛線內(nèi)部的為無用信息被剔除，外部區(qū)域為通過UVE選取的特征波長，選取結(jié)果如圖6所示，通過UVE共選取437個特征波長，占原始光譜的38.00%。

圖5 紅提糖度的CARS特征波長選取圖Fig. 5 CARS characteristic wavelength selection map of red globe grape′s sugar content

圖6 紅提糖度的UVE特征波長選取圖Fig. 6 UVE characteristic wavelength selection map of red globe grape′s sugar content

3.5 模型建立及結(jié)果比較

將各算法提取的特征波長作為模型的輸入量，以通過實驗方法獲得的紅提糖度和含水率作為模型的結(jié)果，分別建立PLSR和LSSVM模型。

3.5.1 PLSR模型建立

紅提糖度PLSR預測模型的最優(yōu)特征波點方程：

紅提含水率PLSR檢測模型的最優(yōu)特征波點方程：

由表4～5可知，相較于其他的特征波長提取方法，UVE和GA所提取的特征波長數(shù)量較多。在一次特征波長提取中，通過GA算法提取的特征波長建立的PLSR模型的相關系數(shù)較大，均方根誤差較小，模型比較穩(wěn)定，GA算法可以有效地提取紅提糖度和含水率的有效特征信息，但GA提取的特征信息較多，可通過二次特征波長提取簡化模型。在二次特征波長提取中，紅提糖度和含水率的最優(yōu)組合波長提取方法為GASPA-PLSR，最優(yōu)模型的預測集相關系數(shù)分別為0.958、0.938，均方根誤差分別為0.375、0.512，可以有效地預測紅提的糖度和含水率。

表4 基于特征波長建立的紅提糖度和含水率PLSR檢測模型Tab. 4 PLSR detection models of red globe grape′s sugar and moisture content based on wavelength characteristics

續(xù)表4

表5 紅提糖度和含水率PLSR檢測模型的最優(yōu)特征波點列表Tab. 5 List of optimal wave point characteristics of the sugar and moister content of PLSR detection model for red globe grapes

3.5.2 LSSVM模型建立

由表6～7可知，相較于其他的特征波長提取方法，UVE和GA所提取的特征波長數(shù)量較多。在一次特征波長提取中，通過GA和UVE算法提取的特征波長建立的PLSR模型的相關系數(shù)較大，均方根誤差較小，模型比較穩(wěn)定，可以有效地提取紅提糖度和含水率的有效特征信息，但提取的特征信息較多，可通過二次特征波長提取，簡化模型。在二次特征波長的提取中，紅提糖度和含水率的最優(yōu)模型波長提取方法分別為CARSSPA-LSSVM、UVE-SPA-LSSVM，最優(yōu)模型的預測集相關系數(shù)分別為0.969、0.942，提取的特征波長數(shù)量分別9、19個，占原始光譜數(shù)據(jù)的0.78%、1.65%。LSSVM所建模型的效果好于PLSR所建模型，但模型的運算時間較長。

表6 基于特征波長建立的紅提糖度和含水率LSSVM檢測模型Tab. 6 LSSVM detection models of sugar and moisture content for red globe grapes based on wavelength characteristics

續(xù)表6

表7 紅提糖度和含水率LSSVM檢測模型的最優(yōu)特征波點列表Tab. 7 List of optimal wave point characteristics of the sugar and moisture content of LSSVM detection model for red globe grape

3.5.3 最優(yōu)模型結(jié)果比較

分別利用最優(yōu)特征波長組合建立紅提糖度和含水率的PLSR及LSSVM模型，校正集和預測集樣本的預測值和化學測量值之間的散點圖如圖7～10所示。

由圖7～8可知，所建立的紅提糖度和含水率的最優(yōu)PLSR模型的校正集相關系數(shù)Rc分別為0.957、0.934，RMSEC為0.390、0.454；預測集相關系數(shù)Rp分別為0.958、0.938，RMSEP為0.375、0.512，模型的RPD分別為3.400、2.832，均大于2.5，表明模型的檢測精度較高，穩(wěn)定性和準確性較好。

圖7 基于GA-SPA-PLSR紅提糖度最優(yōu)PLSR模型Fig. 7 Optimal PLSR model based on GA-SPA-PLSR for red globe grape′s sugar content

圖8 基于GA-SPA-PLSR紅提含水率最優(yōu)PLSR模型Fig. 8 Optimal PLSR model based on GA-SPA-PLSR red globe grape′s moisture content

圖9 基于CARS-SPA-LSSVM紅提糖度最優(yōu)LSSVM模型Fig. 9 Optimal LSSVM model based on CARS-SPA-LSSVM for red globe grape′s sugar content

圖10 基于CARS-SPA-LSSVM紅提含水率最優(yōu)LSSVM模型Fig. 10 Optimal LSSVM model based on CARS-SPALSSVM for red globe grape′s moisture content

由圖9～10可知，模型的檢測效果較好。所建立的紅提糖度和含水率的最優(yōu)LSSVM模型的校正集相關系數(shù)Rc分別為0.967、0.945，RMSEC分別為0.340、0.451；預測集相關系數(shù)Rp分別為0.969、0.942，RMSEP分別為0.322、0.475，模型的RPD分別為3.960、3.053，均大于2.5，表明具有較高的檢測精度。LSSVM模型與PLSR模型相比：模型的相關系數(shù)較大，均方根誤差較小，模型的穩(wěn)定性和檢測可靠性有所提高。在紅提糖度和含水率的檢測中，兩種模型下，紅提糖度的檢測效果明顯好于含水率的檢測效果。

4 結(jié) 論

由本文研究可知：紅提的放置模式對糖度和含水率的PLSR檢測模型影響較大，利用整個果粒的平均光譜建立的模型效果最好，豎放模式好于橫放模式所建模型；

在一次特征波長提取中，UVE和GA所提取的特征波長數(shù)量較多，模型比較穩(wěn)定，但提取的特征信息較多，可通過二次特征波長提取，簡化模型。在二次特征波長的提取中，紅提糖度和含水率的最優(yōu)PLSR模型波長提取方法為GA-SPAPLSR，最優(yōu)模型的預測集相關系數(shù)分別為0.958、0.938；紅提糖度和含水率的最優(yōu)LSSVM模型波長提取方法分別為CARS-SPA-LSSVM、UVESPA-LSSVM，最優(yōu)模型的預測集相關系數(shù)分別為0.969、0.942，LSSVM所建模型的效果好于PLSR所建模型，但模型的運算時間較長；

基于可見/近紅外技術檢測紅提糖度和含水率是可行的，且兩種最優(yōu)檢測模型的檢測精度較高，都能滿足檢測要求。在不同的應用下，可選擇不同的模型，PLSR所建最優(yōu)模型的運算時間較短，可以實現(xiàn)在線快速檢測；LSSVM的檢測性能最佳，可更加準確檢測紅提糖度和含水率。