基于可見/近紅外光譜技術的玉露香梨可溶性固形物含量檢測

孫海霞，王潤潤，張淑娟，任 銳，蘇立陽，盧心緣

（山西農業大學農業工程學院，山西 晉中 030801）

玉露香梨是山西省特色農產品，富含糖、維生素等多種營養物質，果肉酥脆、口味香甜，深受消費者喜愛[2]。可溶性固形物含量（Soluble solids content，SSC） 是衡量水果品質的一個重要指標，影響果實的營養成分和口感。因此，SSC 檢測對提高玉露香梨的附加價值、滿足消費者需求具有重要意義。

可見/ 近紅外光譜技術[2]利用樣本內部的X-H（C、O、N 等） 基團的倍頻與合頻的吸收特性獲取樣本光譜信息，結合化學計量學方法可實現樣本品質的快速、無損檢測。王世芳等人[3]為了實現對西瓜可溶性固形物檢測，采用光譜－理化值共生距離（SPXY） 算法對不同檢測部位的樣品集進行劃分，建立偏最小二乘回歸預測模型，預測集相關系數（Rp） 和均方根誤差（RMSEP） 分別為0.864 和0.33%。田喜等人[4]利用近紅外光譜技術，分析了檢測姿態對檢測模型的影響，建立了蘋果整果的糖度檢測模型，Rp 和RMSEP 分別為0.79 和0.84%。盛曉慧等人[5]在庫爾勒香梨可溶性糖的檢測中，基于可見/近紅外光譜技術采用無信息變量消除算法進行特征波長的提取，并建立了最小二乘支持向量機（Least Squares Support Vector Machine，LS-SVM） 檢測模型，決定系數（Rp2） 為0.976、預測均方根誤差（RMSEP） 為2.313。張立欣等人[6]基于近紅外光譜技術，利用BiPLS 結合SPA 進行了蘋果SSC 檢測，Rp 和RMSEP 為0.898 1 和0.937 1。趙小康等人[7]提出基于無監督主動學習方法進行了蘋果SSC 和硬度的光譜檢測，與其他算法相比RMSEP 降低了2.0%~13.2%。

以玉露香梨為研究對象，基于可見/近紅外光譜技術進行SSC 檢測，采用多種算法進行預處理，采用采用競爭自適應加權（Competitive Adaptive Reweighted Sampling，CARS） 算法和連續投影算法（Successive Projections Algorithm，SPA） 提取特征波長，采用偏最小二乘回歸（Partial Least Squares Regress，PLSR） 建立檢測模型，分析不同特征提取方法對檢測模型的影響，實現玉露香梨的SSC 快速檢測。

1 材料與方法

1.1 樣本采集

玉露香梨樣本，采集自山西省太谷區白城村，選取成熟度一致、無損傷、尺寸形狀一致的樣本。樣本采后當天運回實驗室，將樣品清洗干凈并置于實驗室條件下4 h，以恢復至室溫。共選取試驗樣本179 個，采用KS 算法分為校正集（110 個樣本） 和預測集（69 個樣本）。

1.2 光譜數據采集與可溶性固形物含量的測定

采用美國ASD（Analytical Spectral Device） 公司生產的光譜儀采集玉露香梨樣本的漫反射光譜信息。每個樣本掃描3 次取其平均值作為光譜數據（見圖1）。各個樣本光譜曲線的變化趨勢相似。光譜曲線的范圍為350~2 500 nm，在970 nm 和1 400 nm附近均有與O-H 相關的吸收峰。在350~450 nm 范圍內和2 475~2 500 nm 范圍內信噪比較低，噪聲大。因此選擇450~2 475 nm 所對應的光譜信息進行后續的分析。

玉露香梨原始光譜曲線見圖1。

采用手持式折光儀測定每個樣本的SSC，最大值為12.10%，最小值為8.2%。

樣本SSC 的統計結果見表1。

表1 樣本SSC 的統計結果 / %

1.3 數據處理方法及模型評價

采用CARS 和SPA 算法提取特征波長，采用偏最小二乘回歸[8]建立預測模型。CARS 算法通過自適應重加權采樣技術將回歸系數大的波長點保留，將權重小的點去除，模仿了達爾文進化論的“適者生存”原則，通過交叉驗證選取交叉驗證均方根誤差小的變量組合[9]。SPA 能夠很好地消除特征波長之間存在的共線性問題，而且避免了重疊信息的重復提取[10-11]，簡便快捷。

所建模型采用校正集的決定系數（Determination coefficient of calibration，Rc2） 和均方根誤差（Root mean squared error of calibration，RMSEC）、預測集的決定系數（Determination coefficient of prediction，Rp2） 和均方根誤差（Root mean squared error of prediction，RMSEP） 來評價模型的性能。

2 結果與分析

2.1 光譜數據預處理

試驗中采用去趨勢（De-trending）、標準化（Normalize）、標準歸一化（standard normal variate，SNV） 進行光譜預處理，采用PLSR 建立SSC 預測模型。去趨勢法所建模型的結果最差，Rp2 和RMSEP分別為0.80 和1.62%，預測能力相對較差。其他3種方法所建模型結果相近，其中Normalize 所建模型的結果稍差，Rp2 和RMSEP 分別為0.86 和0.32%。原始光譜和SNV 所建模型的Rc2、Rp2 和RMSEP 相同，原始光譜所建模型的RMSEC 最小。因此，選擇原始光譜信息進行后續分析，基于全波段所建PLSR模型的Rp2 和RMSEP 分別為0.86 和0.31%。

不同預處理方法所建PLSR 模型的預測結果見表2。

表2 不同預處理方法所建PLSR 模型的預測結果

2.2 特征波長提取

為去除冗余信息，針對玉露香梨450~2 475 nm的原始光譜，采用CARS 提取SSC 的特征波長，提取過程如圖2 所示。CARS 在特征波長選取中，利用蒙特卡洛交叉驗證選取最優潛在變量，設定采樣次數為50。圖2（a） ~（c） 分別為隨采樣次數的變化所選取的特征波長個數，RMSECV 隨采樣次數的變化，采樣過程中回歸系數的變化。采樣中隨采樣次數的增加，變量數逐漸減小；對模型貢獻率大的變量的回歸系數被放大和保留，反之被淘汰。由圖2可知，在第27 次采樣時，RMSECV 達到最小值0.211 4%，共提取到51 個變量。該51 個變量所對應的波長即為特征波長，分別為454，460，461，462，464，473，490，491，495，639，657，676，723，800，840，889，913，914，936，956，977，991，1 142，1 143，1 144，1 249，1 273，1 362，1 421，1 671，1 875，1 878，1 906，1 951，2 013，2 014，2 015，2 041，2 090，2 183，2 213，2 214，2 318，2 339，2 365，2 394，2 410，2 412，2 418，2 472，2 475 nm。

圖2 CARS 提取特征波長

CARS 提取特征波長見圖2。

由于CARS 提取的特征波長數量較多，進行二次數據降維。因此，采用SPA 算法對CARS 所提取的特征波長進行第二次降維。當變量數為16 個時，RMSE 的變化趨于穩定，RMSE 為0.3421 4%（見圖3）。所提取到的16 個特征波長的分布（見圖4），圖4 中提取的數值需與CARS 提取到的特征波長相對應。根據重要程度提取到的特征波長依次為2 183，2 015，1 875，2 318，639，1 951，657，723，495，889，1 421，460，2 472，1 362，2 475，676 nm。

圖3 RMSE 隨變量數的變化

圖4 SPA 提取特征波長

RMSE 隨變量數的變化見圖3，SPA 提取特征波長見圖4。

2.3 SSC 檢測模型的建立

分別將全波長和CARS、CARS-SPA 提取到的特征波長所對應的光譜數據作為模型輸入，采用PLSR建立檢測模型。

不同波段PLSR 預測結果見表3。

表3 不同波段PLSR 預測結果

由表3 可知，全波段所建模型的Rp2 最高，RMSEP 最低。與全波段所建模型相比，采用CARS提取特征波長所建模型的校正集預測結果明顯提高（Rc2 提高0.04，RMSEC 降低0.05%），預測集的結果降低（Rp2 降低0.03，RMSEC 提高0.02%）。CARS 所建模型的校正集和預測集的預測結果差異性最明顯。與全波段所建模型相比，CARS-SPA 所建模型的Rc2 降低了0.05，RMSEC 提高了0.07%，Rp2 降低0.03，RMSEC 提高0.03%。與CARS 所建模型相比，CARS-SPA 所建模型的Rc2 降低了0.09，RMSEC 提高了0.12%，Rp2 相同，RMSEC 提高0.01%。3 個模型的預測集結果接近，均得到較好的預測結果（Rp2 為0.83~0.86，RMSEP 為0.31%~0.34%）。與全波段和CARS 所建模型的預測結果相比，CARS-SPA 所建模型的校正集和預測集結果的差異性最小。CARS-SPA 所提取到的變量信息較少，在建模過程中計算的復雜性相對更小、運算速度相對更快。因此，采用CARS-SPA 所建模型實現了玉露香梨SSC 的檢測，且得到了較好的預測結果，Rp2和RMSEP 分別為0.83 和0.34%。

3 結論

基于可見/ 近紅外光譜技術進行玉露香梨SSC檢測。與預處理后所建PLSR 模型的預測結果相比，原始光譜所建PLSR 模型的結果稍好。基于全波段、CARS、CARS-SPA 提取的特征波長所建PLSR 模型均得到好的預測結果，Rp2 為0.83~0.86，RMSEP 為0.31%~0.34%。與全波段和CARS 所建PLSR 模型的預測結果相比，CARS-SPA-PLSR 模型校正集和預測集結果間的差異性最小，且CARS-SPA 所提取到的變量信息最少。因此，CARS-SPA-PLSR 模型得到最優的預測性能，Rp2 和RMSEP 分別為0.83 和0.34%，為實現玉露香梨SSC 在線檢測提供了基礎。