題目

利用高光譜影像和化學(xué)計(jì)量法測(cè)定李子可溶性固形物含量和硬度

應(yīng)用關(guān)鍵詞

高光譜影像、水果品質(zhì)、固形物含量、硬度

背景

硬度和可溶性固形物含量（Soluble solids content, SSC）是李子的兩個(gè)重要內(nèi)部特性，也是確定李子成熟度和采收期的兩個(gè)關(guān)鍵指標(biāo)。目前，高光譜成像技術(shù)已被廣泛用于水果的SSC和硬度的無損測(cè)定。

大部分研究關(guān)注于光譜特征變量的選擇，以減少數(shù)據(jù)的冗余。已有研究表明SWIR高光譜可以預(yù)測(cè)李子的SSC，VNIR高光譜對(duì)L*和a*的顏色預(yù)測(cè)效果較好。然而，兩種高光譜成像系統(tǒng)對(duì)李子硬度的測(cè)定精度較低。Xie等（2018）將高光譜成像技術(shù)應(yīng)用于香蕉的顏色和硬度測(cè)定，所建立的偏最小二乘（Partial least squares, PLS）模型在選擇波長(zhǎng)的基礎(chǔ)上，對(duì)L*、a*、b*和硬度均有較好的估測(cè)精度。

本文的研究目的是：（a）研究基于高光譜成像和化學(xué)計(jì)量學(xué)的李子硬度和SSC無損預(yù)測(cè)的可行性；（b）利用連續(xù)投影算法（Successive projection algorithm (, SPA）和競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣（Competitive adaptive reweighted sampling, CARS）方法從全波段中選擇特征波長(zhǎng)；（c）比較基于全波段和優(yōu)選特征的硬度和SSC預(yù)測(cè)模型的性能。

試驗(yàn)設(shè)計(jì)

貴陽(yáng)學(xué)院張艷教授團(tuán)隊(duì)利用GaiaField-F-V10高光譜成像系統(tǒng)（江蘇雙利合譜公司）（圖1）獲取了共120個(gè)紅和綠李子的高光譜影像，并將其校正為反射率圖像，其波長(zhǎng)范圍為390 ~ 1030 nm，共有256個(gè)波段。本研究采用一階導(dǎo)數(shù)、多元散射校正MSC和標(biāo)準(zhǔn)正態(tài)變量變換SNV的光譜預(yù)處理方法去除原始光譜信號(hào)中的噪聲。

為了減少信息冗余、提高處理效率，因此，本研究采用SPA和CARS來選擇最優(yōu)波段，并應(yīng)用多元線性回歸（Multiple linear regression, MLR）和反向傳播（Back propagation, BP）網(wǎng)絡(luò)建立回歸模型。SPA在向量空間中采用簡(jiǎn)單的投影來選擇共線性最小的波長(zhǎng)子集。CARS采用偏最小二乘回歸模型回歸系數(shù)的絕對(duì)值作為估計(jì)每個(gè)波段顯著性的參數(shù)。

圖1 VIS-NIR高光譜成像系統(tǒng)原理圖

結(jié)論

紅和綠李子在390 ~ 1030 nm范圍內(nèi)的光譜如圖2所示。結(jié)果表明，兩個(gè)品種李子的光譜變化趨勢(shì)相似，均在675 nm和980 nm處有兩個(gè)寬帶吸收區(qū)。675 nm附近的區(qū)域反映了葉綠素含量引起的果實(shí)顏色變化。980 nm的近紅外光譜吸收區(qū)域可能來自碳水化合物和水的OH基團(tuán)的結(jié)合作用。

圖2 原始光譜 （a），兩個(gè)品種李子樣品的平均光譜（b）

圖3為不同貯藏時(shí)間李子樣品的SSC和硬度。隨著貯藏時(shí)間的延長(zhǎng)，李子的SSC呈上升趨勢(shì)，而硬度呈下降趨勢(shì)。所有李子樣本基于SPXY方法分為校準(zhǔn)集和預(yù)測(cè)集。校準(zhǔn)集的SSC和硬度范圍分別為9.05 ~ 19.50%和2.31 ~ 10.64 kg/cm²，比預(yù)測(cè)集的范圍更大。這對(duì)于建立穩(wěn)健的預(yù)測(cè)模型非常重要。

圖3 不同貯藏時(shí)間李子樣品的SSC（a）和硬度（b）

在選擇有效變量和建立預(yù)測(cè)模型之前，采用一階導(dǎo)數(shù)、MSC和SNV的光譜預(yù)處理方法消除原始光譜信號(hào)中的噪聲。結(jié)果表明，采用光譜預(yù)處理方法可以提高模型的性能，SNV是最佳的光譜預(yù)處理方法。在構(gòu)建PLSR和PCR模型之前，對(duì)潛在變量LV和主成分PC的數(shù)量進(jìn)行了充分交叉驗(yàn)證優(yōu)化。SSC和硬度的PLSR和PCR模型的性能見表1。SSC模型精度優(yōu)于硬度模型，這可能與硬度的分布特征有關(guān)。對(duì)于SSC，PLSR模型的預(yù)測(cè)精度優(yōu)于PCR模型，而PCR模型對(duì)硬度的預(yù)測(cè)性能略優(yōu)于PLSR模型。

圖4顯示了SPA選擇的用于預(yù)測(cè)SSC和硬度的波長(zhǎng)分布?；谟行РㄩL(zhǎng)建立的MLR模型和BP模型性能如表2所示。SSC預(yù)測(cè)模型（R2P大于0.9，RPD大于3.3）的性能優(yōu)于硬度預(yù)測(cè)模型（R2P大于0.6，RPD在1.5 ~ 2.0之間）。SPA-BP模型對(duì)SSC和硬度的預(yù)測(cè)精度均優(yōu)于SPA-MLR模型。

對(duì)于CARS，當(dāng)采樣次數(shù)為31時(shí)RMSECV最小。如圖5所示，我們選取了13個(gè)用于預(yù)測(cè)SSC和硬度的變量。在SSC和硬度兩方面，CARS-MLR模型的預(yù)測(cè)精度均優(yōu)于CARS-BP模型（表2）。其中，CARS-MLR模型對(duì)SSC具有較好的預(yù)測(cè)精度（R2P = 0.926, RMSEP = 0.573%， RPD = 3.728）。

表1 SSC和硬度的PLSR和PCR模型的性能

圖4 SPA選擇的用于預(yù)測(cè)SSC（a）和硬度（b）的特征波段分布

表2 基于SPA和CARS選擇的特征變量的MLR和BP模型對(duì)SSC和硬度的預(yù)測(cè)性能

圖5 CARS選擇的用于預(yù)測(cè)SSC（a）和硬度（b）的特征波段分布

與全波段模型相比，用SPA和CARS選擇的變量建立的模型中，CARS-MLR模型對(duì)SSC和硬度的預(yù)測(cè)效果最好。結(jié)果表明，CARS不僅是一種有效的變量選擇方法，可以提高李子SSC和硬度的預(yù)測(cè)精度，也可以提高預(yù)測(cè)模型的工作效率。

作者信息

張艷，博士，貴陽(yáng)學(xué)院食品與制藥工程學(xué)院教授，碩士生導(dǎo)師。

主要研究方向：基于高光譜成像技術(shù)的農(nóng)產(chǎn)品無損檢測(cè)研究。

參考文獻(xiàn)：

Meng, Q.L., Shang, J., Huang, R.S., & Zhang, Y. （2020）. Determination of soluble solids content and firmness in plum using hyperspectral imaging and chemometric algorithms. Journal of Food Process Engineering, 44, 1-9.

https://doi.org/10.1111/jfpe.13597