基于高光譜成像技術的長棗不同保藏溫度的可溶性固形物含量檢測方法

馮愈欽， 吳龍國， 何建國,*， 王松磊,， 賀曉光， 丁佳興

(1. 寧夏大學 農學院， 寧夏 銀川　750021；　2. 寧夏大學 土木水利工程學院， 寧夏 銀川　750021)

?

基于高光譜成像技術的長棗不同保藏溫度的可溶性固形物含量檢測方法

馮愈欽1， 吳龍國2， 何建國1,2*， 王松磊1,2， 賀曉光1， 丁佳興1

(1. 寧夏大學 農學院， 寧夏 銀川750021；2. 寧夏大學 土木水利工程學院， 寧夏 銀川750021)

高光譜成像； 可溶性固形物； 連續投影法； 偏最小二乘法

1　引　　言

作為寧夏回族自治區最具地方特色的鮮食品種，靈武長棗具有很多優良品質。靈武長棗果實較大，果味鮮美，果肉多汁酥脆、酸甜可口，同時由于長棗內部含有多種維生素、氨基酸、礦物質及水溶性膳食纖維等營養物質，能夠刺激胃腸道運動，有助于消化，使得靈武長棗具有極高的可食性及營養價值，深受消費者的青睞與推崇[1]。果品中的總可溶性固形物含量的高低直接反映了其品質的好壞。它是評估果品口感的主要指標之一，也是分析果品內部品質的重要參數[2]。測定可溶性固形物可以衡量水果成熟情況，以便確定采摘時間。而溫度又是果品可溶性固形物含量的重要影響因素。目前，溫度、可溶性固形物對靈武長棗的品質影響研究報道較多[3-6]，但對不同保藏溫度下的靈武長棗可溶性固形物通過采用數據建模的方式，依據預測模型的效果顯著程度篩選建立一個混合通用的模型研究尚未見報道。為此，我們對靈武長棗的溫度與可溶性固形物含量的關系做了更進一步探討。

近年來，高光譜成像技術在水果檢測方面應用廣泛。它融合傳統的成像和光譜技術，具有分辨率高、波段多等優點，并可以同時實現無損檢測和可視化不同的質量屬性，對基本屬性如pH值、顏色、硬度、脆度、持水量等具有強大預測功能[7-9]。本文分別選取冷藏、常溫條件下的靈武長棗為研究對象，利用高光譜成像技術對靈武長棗進行光譜采集，采用連續投影法(SPA)對感興趣區域(ROI)采集的光譜信息進行降維處理，篩選冗余信息程度最低的變量組，在盡量最小化各個變量之間的共線性的同時，降低建模的變量個數來提高建模的效率。應用SPA方法選擇特征波長，將不同保藏溫度下靈武長棗預處理后的光譜曲線結合實測的可溶性固形物含量建立偏最小二乘回歸預測模型，優選出最佳預處理方法；然后采用偏最小二乘回歸(Partialleastsquareregression，PLSR)、支持向量機(Supportvectormachine，SVM)、主成分回歸法(Principalcomponentregression,PCR) 3種不同定量校正方法對靈武長棗的可溶性固形物含量的檢測建模，對比分析不同保藏溫度下建模的效果，為紅棗產業快速檢測奠定堅實的理論基礎。

2　實　　驗

2.1材料

靈武長棗樣本采摘于寧夏靈武果業有限公司果園，通過人工分選出大小均勻、完好未損的靈武長棗兩份樣本，樣本數均為132個，質量分布范圍在13～14.5g，分別裝入密封潔凈的塑料袋中。一份樣本置于4 ℃冰箱中冷藏24h，另一份至于常溫中保藏。實驗前從冰箱中取出冷藏的靈武長棗，將冷藏、常溫的兩份樣本置于室溫下放置2h后待測。

2.2儀器

實驗中使用的儀器主要有HyperSpecVIS/NIR高光譜成像系統(美國HeadwallPhotonics公司)和PR-101α型折射式數字糖度計(Brix0.0%～45.0%，日本ATAGO有限公司)。

如圖1所示，高光譜圖像數據采集系統的硬件主體包括高光譜圖像攝像儀、光源(90-254VAC，47-63Hz，GoldenWayScientificCo.，Lab.，EQUIP)、電控位移臺(VT-80，HeadwallPhotonicsInstrumentsCo.，Ltd.，Beijing，China)和計算機(ThinkPadX220Inter(R)Corei5-2450CPU@2.5GHz，RAM3.41G)4部分。攝像機和光譜儀共同構成了高光譜圖像攝像儀。其中，色散元件為棱鏡光柵棱鏡結構，攝像機采用進光口鏡頭。CCD攝像機型號為G4-232，美國GoldenWayScientific公司出品。

圖1　可見近紅外高光譜圖像系統

2.3高光譜數據采集

為了消除光強的變化和鏡頭中暗流對成像的影響以及計算掃描物體的相對反射光譜值，在光譜采集前要進行黑白板校正[10-14]，如公式(1)所示:

(1)

式中：R表示校正后圖像，IR表示原始圖像，ID表示黑板校正圖像，IW表示白板校正圖像。

在采集靈武長棗數據的過程中，每組取10個靈武長棗樣本依次置于電控位移載物中心，如圖2所示。線陣探測器在光學焦平面的垂直方向上獲取掃描線上條狀空間中每個像素在各個波長條件的空間圖像信息，隨著電控位移臺的推進，完成樣本的圖像采集。

圖2　靈武長棗樣本置于電控位移載物中心的照片

Fig.2Lingwulongjujubesamplesatelectricdisplacementloadingcenter

2.4可溶性固形物(SSC)含量的測定

在靈武長棗保藏期間，隨機取出長棗10個作為一組樣品。實驗前，將樣品置于室溫下使其回升至室溫且達到均勻。削去果皮，在家用壓蒜器內鋪醫用紗布2層，用壓蒜器將切碎的果肉壓成汁，攪勻后先后用數字式糖度計測量SSC各3次，取各自的平均值作為該樣品的測試結果。

3　結果與討論

3.1提取靈武長棗的平均光譜曲線

實驗采用可見近紅外高光譜成像系統(400～1 000nm)對132個靈武長棗進行圖像掃描。采用ENVIV.4.6(ResearchSystem，Inc.，USA)從采集到的靈武長棗高光譜圖像中選取長棗表面8×8的矩形區域為感興趣區域(Regionofinteresting，ROI)，將平均光譜信息作為原始光譜。

圖3　原始光譜曲線。(a) 4 ℃冷藏；(b) 常溫。

從圖3可知，4 ℃冷藏和常溫條件下的吸收光譜均于689nm附近達到高峰，反射值達到最低。造成該結果的原因可能是由于靈武長棗表皮含有多種色素，如葉綠素a(Chlorophylla)、葉綠素b(Chlorophyllb)、類胡蘿卜素(Carotenoids)等。葉綠素吸收率高，對光合作用與光周期效應有顯著影響，既拓寬了光合作用的作用光譜，其他的色素也能吸收過度的強光而產生所謂的光保護作用(Photoprotection)。在該系統中，當光子打到系統里的色素分子時，電子會在分子之間發生移轉作用，直到反應中心。反應中心是由葉綠素a及特定蛋白質組成，蛋白質的種類決定了波長在400～1 000nm反應中心存在一個吸收峰值。

3.2篩選合適的預處理方法

為了消除光譜曲線上的噪音與其他無關信息的干擾，提取出有用信號，增強分析信息，需要對原始光譜進行光譜預處理[15-17]。本文利用UnscramblerX10.2軟件對原始光譜進行多元散射校正、標準正態變量變換和Savitzky-Golay平滑等預處理，分別對原始光譜和預處理后的光譜曲線建立靈武長棗SSC含量的偏最小二乘回歸預測模型。對保藏溫度為4 ℃和常溫的靈武長棗的光譜數據分別進行MSC、Savitzky-Golay平滑、SNV預處理，結果如圖4所示。

圖4不同預處理方式的光譜曲線。(a) 4 ℃冷藏MSC處理；(b) 常溫MSC處理；(c) 4 ℃冷藏Savitzky-Golay平滑處理；(d) 常溫Savitzky-Golay平滑處理；(e) 4 ℃冷藏SNV處理；(f) 常溫SNV處理。

Fig.4Spectralcurveswithdifferentpretreatment. (a)MSCtreatmentfor4 ℃preservativetemperature. (b)MSCtreatmentforroompreservativetemperature. (c)Savitzky-Golaytreatmentfor4 ℃preservativetemperature. (d)Savitzky-Golaytreatmentforroompreservativetemperature. (e)SNVtreatmentfor4 ℃preservativetemperature. (f)SNVtreatmentforroompreservativetemperature.

3.3可溶性固形物(SSC)測定結果

實驗測得132個樣本的SSC有效值，統計結果見表1。將97個樣本選入校正集用于模型建立，35個樣本選入預測集用于模型預測。

表1　不同溫度下保藏的長棗可溶性固形物數據統計

3.4長棗可溶性固形物含量預測模型

3.4.1光譜預處理方法的比較和分析

RC2和RMSEC分別表示建模集的相關系數和均方根誤差，RP2和RMSEP分別表示預測集的相關系數和均方根誤差。一個好的模型應該具有較高的RC2和RP2值、較低的RMSEC和RMSEP值，RMSEC和RMSEP差異也是越小越好。

表2　不同預處理光譜的PLSR糖度模型效果

利用Matlab編程，分別對4 ℃冷藏和常溫保藏的靈武長棗原始光譜用連續投影法(SPA)挑選出各自的特征波段，以便減少變量的輸入個數簡化后期建模過程。基于特征波段下的光譜具有較低的維數，減小了數據的冗余，有利于實現在線快速檢測[18-21]。SPA運算過程所設定的特征波段個數為5～30，步長為1，計算每個波長下的RMSEP，然后根據最小的RMSEP確定最佳的特征波長數。當特征波長數為13時，冷藏的MSC處理的RMSEP值最小；特征波長數為12時，常溫保藏的MSC處理的RMSEP值最小，由此確定的冷藏、常溫保藏特征波長個數分別為13個和12個，替代全波段數據進行線性判別建模分析，結果如表3所示。

表3　不同溫度MSC處理的特征波長提取

4　預測模型性能的比較與分析

借助Unscrambler10.2分析軟件分析靈武長棗在不同波長處的光譜吸光度，分別挑選用于靈武長棗可溶性固形物含量校正模型的特征波段。將由SPA提取的特征波長下的光譜反射率作為偏最小二乘回歸(PLSR)、支持向量機(SVM)、主成分回歸(PCR)預測模型的輸入，預測模型的輸入對應最優預處理方法挑選出的不同特征波長各自建立3個預測模型，一共獲得6種預測模型，結果見表4。

表4　靈武長棗SSC含量不同建模算法的模型效果

圖5靈武長棗SSC含量的PLSR預測模型。(a) 4 ℃冷藏校正模型；(b) 常溫校正模型；(c) 4 ℃冷藏預測模型；(d) 常溫預測模型。

Fig.5PLSRpredictionmodelofSSCcontentofLingwulongjujube. (a)Correctionmodelfor4 ℃preservativetemperature. (b)Correctionmodelforroompreservativetemperature. (c)Predictionmodelfor4 ℃preservativetemperature. (d)Predictionmodelforroompreservativetemperature.

5　結　　論

分別采用偏最小二乘回歸(PLSR)、支持向量機(SVM)、主成分回歸(PCR)這3種預測模型，對兩種不同溫度下保藏的靈武長棗中可溶性固形物含量進行預測建模，得出的結論如下：

(2)對全波段的原始光譜和預處理光譜進行SPA選擇特征波長，提取了13個4 ℃冷藏的特征波段(421，426，512，598，641，670，675，723，814，906，944，978，982nm)和12個常溫保藏的特征波段(425，507，555，598，673，680，685，718，809，910，954，978nm)，基于特征波長降低了光譜的維數，減小了數據的冗余，有利于實現在線快速檢測。

低溫冷藏破壞了靈武長棗內復雜的呼吸過程的各個階段的協調性，導致可溶性固形物、維生素C等有機酸水解加快而合成速度降低，其含量也相應降低，過氧化酶、酪氨酸和多巴等含量升高，導致表皮變色，吸光度改變。本文利用高光譜成像技術通過對冷藏及常溫下可溶性固形物含量的建模預測，總結了高光譜成像技術在靈武長棗品質與安全檢測方面的原理和應用，對不同溫度條件下的靈武長棗的可溶性固形物含量進行建模，得到較理想的結果，為將來實現不同保藏溫度下靈武長棗品質的無損、快速、高效的在線檢測提供了參考依據。

[1] 張令標. 基于高光譜成像技術的紅棗表面農藥殘留無損檢測的研究 [D]. 銀川:寧夏大學, 2014.

ZHANGLB. Non-destructive The Pesticide Residue of Red Jujube Surface by Hyperspectral Imaging Technology [D].Yinchuan:NingxiaUniversity, 2014. (inChinese)

[2] 曹兵,侯晶東. 對“靈武長棗栽培技術創新與長棗產業發展”的思考 [J]. 農業科學研究, 2011, 32(1):46-49.

CAOB,HONGJD.InnovationofcultivatingtechniquesandindustrydevelopmentofZizyphus jujubeMill.cv.LingwuChangzao[J]. J. Agric. Sci., 2011, 32(1):46-49. (inChinese)

[3]XIONGZJ,SUNDW,ZENGXA, et al..Recentdevelopmentsofhyperspectralimagingsystemsandtheirapplicationsindetectingqualityattributesofredmeats:areview[J]. J. Food Eng., 2014, 132:1-13.

[4]VERDúS,VáSQUEZF,GRAUR, et al..Detectionofadulterationswithdifferentgrainsinwheatproductsbasedonthehyperspectralimagetechnique:thespecificcasesofflourandbread[J]. Food Control, 2016, 62:373-380.

[5]CENHY,LURF,ZHUQB, et al..Nondestructivedetectionofchillinginjuryincucumberfruitusinghyperspectralimagingwithfeatureselectionandsupervisedclassification[J]. Postharv. Biol. Technol., 2016, 111:352-361.

[6]VAKILIH,KOLAKOVICR,GENINAN, et al..Hyperspectralimaginginqualitycontrolofinkjetprintedpersonaliseddosageforms[J]. Int. J. Pharm., 2015, 483(1-2):244-249.

[7] 李金夢,葉旭君,王巧男,等. 高光譜成像技術的柑橘植株葉片含氮量預測模型 [J]. 光譜學與光譜分析, 2014, 34(1):212-216.

LIJM,YEXJ,WANGQN, et al..Developmentofpredictionmodelsfordeterminingncontentincitrusleavesbasedonhyperspectralimagingtechnology[J]. Spectrosc. Spect. Anal., 2014, 34(1):212-216. (inChinese)

[8] 岳絨. 受損獼猴桃貯藏期間近紅外光譜與品質關系的研究 [D]. 楊凌:西北農林科技大學, 2011.

YUER. Research on The Relationship Between Near-infrared Spectroscopy and Quality of Bruised Kiwifruit in Storage [D].Yangling:NorthwestA&FUniversity, 2011. (inChinese)

[9] 劉燕德,鄧清. 基于高光譜成像技術的臍橙葉片的葉綠素含量及其分布測量 [J]. 發光學報, 2015, 36(8): 957-961.

LIUYD,DENGQ.Measurementofchlorophylldistributioninnavelorangeleavesbasedonhyper-spectralimagingtechnique[J]. Chin. J. Lumin., 2015, 36(8):957-961. (inChinese)

[10] 薛建新,張淑娟,張晶晶. 高光譜成像技術對鮮棗內外部品質檢測的研究 [J]. 光譜學與光譜分析, 2015, 35(8): 2297-2302.

XUEJX,ZHANGSJ,ZHANGJJ.SimultaneousdetectionofexternalandinternalqualityparametersofHupingjujubefruitsusinghyperspectralimagingtechnology[J]. Spectrosc. Spect. Anal., 2015, 35(8):2297-2302. (inChinese)

[11]GIOVENZANAV,BEGHIR,CIVELLIR, et al..Opticaltechniquesforrapidqualitymonitoringalongminimallyprocessedfruitandvegetablechain[J]. Trends Food Sci. Technol., 2015, 46(2):331-338.

[12]ALEXANDRINOGL,KHORASANIMR,AMIGOJM, et al..Monitoringofmultiplesolid-statetransformationsattabletsurfacesusingmulti-seriesnear-infraredhyperspectralimagingandmultivariatecurveresolution[J]. Eur. J. Pharm. Biopharm., 2015, 93:224-230.

[13] 鄒小波,徐藝偉,陳武,等. 高光譜圖像技術檢測枇杷葉片三萜酸含量及葉面分布 [J]. 現代食品科技, 2015, 32(9):263-268.

ZOUXB,XUYW,CHENW, et al..Measurementoftriterpenicacidcontentanditsdistributioninloquatleavesbasedonthehyperspectralimagingtechnique[J]. Mod. Food Sci. Technol., 2015, 32(9):263-268. (inChinese)

[14]LIJB,CHENLP,HUANGWQ, et al..Multispectraldetectionofskindefectsofbi-coloredpeachesbasedonVis-NIRhyperspectralimaging[J]. Postharv. Biol. Technol., 2016, 112:121-133.

[15] 鮑一丹,陳納,何勇,等. 近紅外高光譜成像技術快速鑒別國產咖啡豆品種 [J]. 光學 精密工程, 2015, 23(2):349-355.

BAOYD,CHENN,HEY, et al..Rapididentificationofcoffeebeanvarietybynearinfraredhyperspectralimagingtechnology[J]. Opt. Precision Eng., 2015, 23(2):349-355. (inChinese)

[16]GALVISL,BERTINETTOCG,HOLOPAINENU, et al..StructuralandchemicalanalysisofnativeandmaltedbarleykernelsbypolarizedRamanspectroscopy(PRS) [J]. J. Cereal Sci., 2015, 62:73-80.

[17]REINHOLDSI,BARTKEVICSV,SILVISICJ, et al..Analyticaltechniquescombinedwithchemometricsforauthenticationanddeterminationofcontaminantsincondiments:areview[J]. J. Food Compos. Anal., 2015, 44:56-72.

[18] 任曉東,雷武虎. 基于光譜區分法的高光譜核異常檢測算法 [J]. 光子學報, 2016, 45(3):0330003-1-5.

RENXD,LEIWH.Kernelanomalydetectionmethodinhyperspectralimagerybasedonthespectraldiscriminationmethod[J]. Acta Photon. Sinica, 2016, 45(3):0330003-1-5. (inChinese)

[19] 郭文川,董金磊. 高光譜成像結合人工神經網絡無損檢測桃的硬度 [J]. 光學 精密工程, 2015, 23(6):1530-1537.

GUOWC,DONGJL.Nondestructivedetectiononfirmnessofpeachesbasedonhyperspectralimagingandartificialneuralnetworks[J]. Opt. Precision Eng., 2015, 23(6):1530-1537. (inChinese)

[20]KANEKOH,FUNATSUK.ClassificationofdrugtabletsusinghyperspectralimagingandwavelengthselectionwithaGAWLSmethodmodifiedforclassification[J]. Int. J. Pharm., 2015, 491(1-2):130-135.

[21] 黃鴻,楊婭瓊,羅甫林. 基于半監督稀疏多流形嵌入的高光譜影像分類 [J]. 光子學報, 2016, 45(3):0330001.

HUANGH,YANGYQ,LUOFL.Classificationofhyperspectralimagesbasedonsemi-supervisedsparsemulti-manifoldembedding[J]. Acta Photon. Sinica, 2016, 45(3):0330001. (inChinese)

馮愈欽(1992-)，男，河南南陽人，碩士研究生，助理工程師，2014年于寧夏大學獲得學士學位，主要從事農產品無損檢測方面的研究。

E-mail： 15109507615@163.com何建國 (1960-)，男，山東濟南人，教授，碩士生導師，1988年于北京航空航天大學獲得碩士學位，主要從事農業工程裝備及機電一體化技術、農產品無損檢測方面的研究。

E-mail：hejg@nxu.edu.cn

Detection Method of Soluble Solid of Jujube at Different Preservative Temperature Based on Hyper-spectral Imaging Technology

FENG Yu-qin1, WU Long-guo2, HE Jian-guo1,2*, WANG Song-lei1,2, HE Xiao-guang1, DING Jia-xing1

(1. Agricultural College, Ningxia University, Yinchuan 750021, China;2. Hydrology and Civil Engineering College, Ningxia University, Yinchuan 750021, China)

, E-mail: hejg@nxu.edu.cn

Thehyper-spectralimagingtechnologywasappliedtobuildapredictionmodelforsolublesolidcontentofLingwujujubeatdifferentpreservativetemperature.Theaveragespectradatawereextractedfromthearea-of-interestoftheimage.Afterpre-treatmentofdifferentspectrum,thesuccessionprojectionanalysis(SPA)wasusedtoselectcharacteristicwavelength. 13characteristicwavebandsunder4 ℃temperaturecondition(421, 426, 512, 598, 641, 670, 675, 723, 814, 906, 944, 978, 982nm)and12characteristicwavebandsundernormaltemperaturecondition(425, 507, 555, 598, 673, 680, 685, 718, 809, 910, 954, 978nm)wereextracted.ByadoptionofMSCtreatment,MSC+SPAtreatment,Savitzky-GolaysmoothtreatmentandSNVtreatment,bothMSCtreatmentandMSC+SPAtreatmentoutof4abovewerescreenedoutastheoptimumpre-treatmentmethodafterwards.Incorrespondingtothese2optimumpre-treatmentmethods, 3predictionmodelslikepartialleastsquaresregressions(PLSR),supportvectormachine(SVM)andprincipalcomponentregression(PCR)modelwerebuilt,respectively.Amongtheaforesaid6predictionmodels, 2optimummodessuchasPLSRmodelaftertreatedbyMSC(RC2： 0.852，RMSEC： 0.940； RP2： 0.857，RMSEP： 0.894)andPLSRmodelaftertreatedbyMSC+SPA(RC2：0.872，RMSEC： 0.866； RP2： 0.787，RMSEP： 1.007)wereacquired.TheresultsshowthatthecontentofsolublesolidsofLingwujujubeatdifferentpreservativetemperaturecanbeforecastedbyutilizationofhyper-spectralimagingtechnologyincombinationofbuildingmultiplepredictionmodels,sothatthenondestructivetesting(NDT)canbeachievedforLingwujujubeinaccurateandrapidmanner.

hyper-spectralimaging;solublesolid;successiveprojectionsalgorithm;partialleastsquares

1000-7032(2016)08-1014-09

2016-03-13；

2016-04-17

O657.3;S123

A< class="emphasis_italic">DOI

: 10.3788/fgxb20163708.1014