基于高光譜成像的青梅酸度檢測方法

趙茂程 楊君榮 陸丹丹 曹 瑾 陳一鳴

(1.南京林業大學機械電子工程學院， 南京 210037； 2.機電產品包裝生物質材料國家地方聯合工程研究中心， 南京 210037)

基于高光譜成像的青梅酸度檢測方法

趙茂程1,2楊君榮1陸丹丹1曹 瑾1陳一鳴1

(1.南京林業大學機械電子工程學院， 南京 210037； 2.機電產品包裝生物質材料國家地方聯合工程研究中心， 南京 210037)

針對傳統理化分析的青梅酸度檢測方法破壞性大、耗時長、無法實現在線檢測的不足，對基于高光譜成像技術的青梅酸度快速無損檢測方法進行研究。采集了487個青梅樣本在550～1 000 nm波段內的高光譜圖像，經過光譜相對反射率校正和6種不同濾波后，分別利用連續投影算法(SPA)、遺傳算法(GA)以及連續投影結合遺傳算法(SPA+GA) 3種光譜降維方法，提取了反映青梅內部酸度信息的特征波長，并建立波長與青梅pH值的偏最小二乘(PLS)預測模型，研究不同濾波和不同降維方法下的預測精度。研究結果表明：同一預測模型，Savitzky-Golay(S-G)平滑濾波預測精度最高；相比SPA或GA單一算法降維，經5點S-G平滑濾波后SPA+GA 光譜降維的方法，可顯著降低模型復雜度，提高模型預測精度，預測集的均方根誤差為0.070 6，相關系數為0.792 5。

青梅； 酸度； 高光譜圖像； 遺傳算法； 連續投影法； 特征降維

引言

青梅是營養價值較高的果實，具有獨特的營養成分和生物學功能。梅果中富含以檸檬酸為主的有機酸，能促進三羧酸循環，恢復體力；梅果中的兒茶酸能促進腸道蠕動，有效預防便秘[1]；有機酸可使人體腸道暫時呈酸性，抑制大腸桿菌、沙門氏菌、金色葡萄球菌等病原菌，可預防胃腸道傳染病，對腹瀉和便秘皆有效，是調理消化器官的功能性食品[2]。

在實際生產中，主要靠工人的經驗，即利用采摘時間管理控制原料梅果的成分。一般來說，生產梅精的梅果于七成熟采摘，釀造青梅酒的梅果于八成熟采摘[3]。然而，由于受到地域、品種、光照，以及園藝管理、不同植株及不同部位果實成熟度個體差異等影響，同批采摘的梅果總酸度之間存在較大差異[4-5]。理化測定法測定青梅酸度常用電極電位法測定，但該方法具有破壞性、隨機性、主觀性，檢測效率較低，無法滿足對原料果開展按成分檢測分等的需求。因此，探索基于光譜成像[6-9]的青梅內部酸度快速無損檢測方法，建立基于此方法的青梅成分預測模型[10]，具有實際意義。

預測青梅內部酸度的光譜成像檢測技術核心在于光譜成像數據的預測建模[11]。本文利用不同光譜預處理方法對光譜數據進行不同角度的噪聲濾除，提高光譜數據信噪比；針對全波段預測模型較復雜和預測精度可能不高的問題，分別利用連續投影算法[12](Successive projection algorithm，SPA)、遺傳算法[13-14](Genetic algorithm，GA)和連續投影結合遺傳算法(SPA+GA)對光譜數據進行降維處理，剔除共線冗余及信噪比差的波段，以實現光譜數據的壓縮。

1 材料與方法

1.1 實驗樣本與數據采集

鮮青梅樣本分兩次購買于福建省詔安縣，兩批次數量均為250個，剔除其中有大面積壞斑和異常小的青梅，將其余487個作為青梅樣本，在采集樣本高光譜圖像后，利用理化分析法檢測樣本的酸度。

為解決青梅生長過程中朝陽面和朝陰面成熟度不同的問題，分別拍攝青梅正反兩面的高光譜圖像以保證光譜中包含青梅的整體信息。利用文獻[15]中的高光譜圖像采集系統采集，該系統位于550～1 000 nm波段，波段間隔1 nm，使用自動曝光(保證每一個通道不過曝的情況下亮度達到最大)，一個青梅拍攝451幅高光譜圖像，平均需要6 s，鮮青梅水分充足，不會因水分蒸發而影響后續酸度的化學檢測。將采集好的青梅樣本擠壓成青梅汁，利用雷磁PHS-2F型精密pH計測定青梅酸度，作為青梅建模時的化學計量值。之后由計算機(Yangtian A4600t, Lenovo, China, XP系統)進行數據處理。

1.2 數據處理

1.2.1圖像預處理

采用Halcon軟件中的圖像閾值分割技術對兩幅光譜圖像進行閾值分割，對分割后青梅的光譜圖像內所有空間像素位置處光譜均值化，提取特征光譜，得到光譜曲線，把相應的光譜曲線轉化為實驗所需要的數據形式。以青梅在波長i處的原始光譜圖像為例，公式為

(1)

式中μi——青梅i處光譜值Si1——青梅i處光譜圖像朝陽面面積Si2——青梅i處光譜圖像朝陰面面積μi1——青梅i處光譜圖像朝陽面光譜均值

μi2——青梅i處光譜圖像朝陰面光譜均值

1.2.2光譜預處理

本文使用Matlab2012a軟件對光譜數據進行預處理，盡可能降噪而又不過度削弱數據中的信息，以提高模型的預測能力[16]。預處理包含了光譜反射率校正和光譜濾波。

對采集的樣本特征光譜，采用當日系統暗噪光譜及99%的標準反射率標定板光譜進行相對反射率校正[17]，相對反射率校正計算公式為

(2)

式中 R——反射率校正后的光譜 C——待校正的樣本特征光譜 Rw——標準99%反射率板的光譜 Rd——蓋上鏡頭蓋采集的暗噪光譜

本文主要基于Savitzky-Golay(S-G)濾波進行局部光譜預處理，包括平滑濾波和微分濾波預處理[18-19]。光譜平滑濾波目的是抑制或消除隨機噪聲的同時盡可能保留數據中的有用信息。但樣本的某些特征信息有時會隱藏在光譜曲線的細節中，以不明顯的光譜曲線峰谷變化反映。為此，通過光譜數據微分對光譜曲線的低頻部分進行有效抑制，從而得到突顯微弱影響因素的微分光譜曲線，光譜數據微分從階數上可分為一階微分、二階微分等。對于S-G濾波器寬度，一般認為寬度不應超過曲線峰半峰寬的1.5倍。綜合考慮濾波器階數與S-G濾波器寬度參數對光譜數據的影響，本文分別利用5點S-G平滑濾波、7點S-G平滑濾波、5點S-G一階微分、7點S-G一階微分、5點S-G二階微分和7點S-G二階微分6種濾波方法對光譜數據進行預處理。

1.3 特征波長選取

為解決基于全波段光譜建立的預測模型相對復雜和預測精度不高的問題，需要對全波段光譜進行降維處理，剔除無信息波長及信噪比差的波長，挑選蘊含豐富信息且信噪比高的特征波長。

本文采用偏最小二乘(Partial least squares，PLS)作為建模工具，分別利用SPA、GA、SPA+GA(先通過SPA消除原始光譜共線性的影響，再利用GA進行最佳波長挑選)對原始高維光譜進行降維，選取最佳波長組建立預測模型，以提高模型預測精度和降低模型復雜度。

2 結果與分析

2.1 訓練集和預測集的劃分

所有青梅樣本按照酸度指標進行等概率抽樣，得到訓練集和預測集，訓練集樣本數量為392，預測集樣本數量為95。青梅樣本酸度(pH值)實測值的變化范圍、平均值及標準偏差如表1所示。

表1 青梅酸度化學檢測結果Tab.1 Chemical detection results of greengage acidity

本文主要用預測集中青梅預測值和實際值的均方根誤差和相關系數來評價模型的性能，相關系數描述2個變量之間的線性相關程度。均方根誤差越小，相關系數絕對值越接近1，模型預測精度越高[20-21]。

2.2 不同光譜預處理下特征曲線的比較

青梅樣本經過反射率校正后的光譜數據，分別經5點S-G平滑濾波、7點S-G平滑濾波、5點S-G一階微分、7點S-G一階微分、5點S-G二階微分和7點S-G二階微分6種濾波預處理，從不同濾波角度提高光譜數據信噪比。效果如圖1所示。

由圖1a、1b可知，S-G平滑濾波抑制了原始光譜曲線的細小波動，但隨著濾波器窗口長度的增加，濾波后的曲線會更加光滑，曲線峰谷的數量及波動幅度出現下降，說明噪聲抑制能力的增強會伴隨細節信息的丟失；由圖1c、1d可知，S-G一階微分顯著放大了原始光譜曲線的細節部分，但隨著濾波器窗口的增加曲線愈加平滑，且光譜的強度覆蓋范圍也有所下降；采用類似的方法繼續計算得到S-G二階微分的光譜數據，如圖1e、1f所示。

應用相同的建模方法對同樣的原始光譜進行酸度的建模，其預測精度會根據所采用的光譜預處理方法的不同而變化，因此最佳預處理方法需根據后續光譜預測建模結果綜合評定。

2.3 全波段建模與特征波長建模結果比較

表2為不同光譜預處理后經全波段建模和SPA、GA、SPA+GA 3種算法光譜降維、再利用偏最小二乘建模的預測結果。全波段模型基于10個主成分、特征波長基于波長數減1作為主成分數建模。對于4種建模方法，經過S-G平滑濾波后的預測精度相比于沒有經過濾波的，有了一定程度的提高；經過S-G一階微分濾波相比沒有濾波的，出現了下降趨勢；S-G二階微分濾波最差。可能是一階微分和二階微分在放大光譜中的隱藏特征信息時，也同時放大了噪聲干擾，導致信噪比下降。

圖1 不同預處理下青梅光譜曲線Fig.1 Greengage spectra curves with different pretreatments

在5點平滑和7點平滑濾波方法下，特征波長建模下的青梅pH值預測誤差均小于全波段建模下的預測誤差。表明3種不同特征波長建模都能剔除噪聲相對較大的波段，提高建模速度，使青梅內部成分預測能力和模型精度更高。

表2 4種預測模型預測集精度比較Tab.2 Prediction accuracy comparison of four models with different filters

2.4 不同特征波長建模結果比較

由表2可知，基于SPA選取的特征波長預測模型相比于GA選取的特征波長預測模型，預測精度偏低，可能原因是SPA在尋找最低限度冗余信息的變量時會降低信號的信噪比，在特征較少時，由于單一特征會缺少信息的互補作用，干擾信息對建模準確度的影響較大；對于GA模型，從全波段中通過GA大量不斷地循環迭代，尋找精度最高的波長組作為最佳特征波長，雖然在預測精度上有了一定的保證，卻在優化最佳波長環節耗費了大量時間，耗時較長；對于SPA+GA模型，由SPA經全波段中優化出最低限度冗余信息的波段組，保證信息豐富的前提下消除了波段間的共線性影響，大大減少了GA循環迭代的時間。

現研究不同濾波預處理下建立SPA模型預測青梅pH值。SPA進行全波段降維時，選取了6～30個特征波長進行預測精度的分析，發現7點S-G平滑濾波下基于23個特征波長的模型預測精度最高，均方根誤差為0.076 2，相關系數為0.747 2，圖2a中紅色圓點表示SPA對青梅光譜數據壓縮后優化出的特征波長，這些特征波長通常分布在一階導數譜中各個峰值和波動位置，無信息的平緩區則沒有波長被選中，體現出了SPA的優點。另外SPA挑出的波長在580 nm和740 nm附近較為集中。

圖2 不同模型下的特征波長優選Fig.2 Characteristic wavelength preferred in different models

一般認為特征波長個數在10以內為最佳，這樣既能準確反映預測集的信息，又能避免過擬合現象，有必要對SPA挑選出來的波長做進一步篩選。利用GA再次降維后發現，預測精度并未有所提升，反而隨著特征波長的減少出現了下降趨勢，可能原因是特征波長減少的同時也減少了有用信息，造成預測精度的下降。經過反復試驗，本文在SPA降維時選擇了共線性最小的100個特征波長，再進行GA二次降維，利用不同波長的信息互補減弱特征波長減少帶來的信息缺失。圖2b是經過GA進一步優化出556、577、581、587、667、763、770、780、830、843 nm 10個波長作為青梅pH值預測模型的優選組合，降維耗時僅20 min左右，訓練集均方根誤差為0.065 3，相關系數為0.826 9，表明預測模型穩健性較好；且預測集均方根誤差為0.070 6，相關系數為0.792 5，相比SPA模型預測精度有了顯著提高。在580 nm和740 nm附近的波長數也得到了有效控制。

對于GA預測模型，7點S-G平滑濾波下預測效果最好，預測集均方根誤差為0.069 7，相關系數為0.798 8。圖2c中紅色圓點表示GA對青梅光譜數據壓縮后優選出的9個特征波長，與圖2b中SPA+GA波長組相比較，在680、780、830 nm波長附近幾乎有一半特征波長相重合，預測精度相差不大，但降維耗時2 h 10 min左右，約是SPA+GA的6倍。

圖3是經SPA+GA優選出最佳波長組建立的預測模型對青梅pH值預測結果。由圖可知，預測值與實測值有較好的線性關系，基于此特征波長構建一套低成本的多光譜成像系統，能夠滿足實際生產的需要。

3 結論

(1)提出了基于SPA和GA算法相結合的青梅酸度高光譜圖像預測模型。研究結果表明：利用連續投影法篩選出信息豐富且具有代表性的特征波長，結合遺傳算法減去大量冗余共線性變量的干擾，可以大大縮短特征降維時間；相比于單一SPA模型，預測精度有顯著提高。對于同一預測模型，光譜數據預處理方法對預測精度具有較大影響，S-G平滑濾波預測精度最高，S-G一階微分濾波次之，S-G二階微分效果最差。

圖3 SPA+GA模型對青梅pH值預測結果Fig.3 Results of prediction set for SPA+GA model

(2)本文對光譜數據進行5點S-G平滑濾波，基于SPA+GA光譜降維，再利用偏最小二乘建立的預測模型效果最佳，其預測集均方根誤差為0.070 6，相關系數為0.792 5，預測精度能夠滿足實際生產需要。

1 潘惠慧. 青梅有機酸組份及其抗結石功能研究[D]. 杭州：浙江大學, 2007. PAN Huihui. Studies on organic acid component in prunus mune and inhibiting effect on calcium oxalate crystallization[D]. Hangzhou:Zhejiang University,2007.(in Chinese)

2 黃偉素, 潘秋月, 高一勇. 青梅果產品的開發現狀和發展趨勢[J]. 食品工業科技, 2011(11):519-521. HUANG Weisu, PAN Qiuyue, GAO Yiyong. Recent development and trends of the products made from plum fruit[J]. Science and Technology of Food Industry, 2011(11):519-521.(in Chinese)

3 林鑰銘, 楊穎, 楊雪, 等. 成熟度對青梅果汁營養成分及風味的影響[J]. 浙江農業學報, 2014，26(4):1049-1054. LIN Yueming, YANG Ying, YANG Xue, et al. Effects of ripe stage on nutritional composition and flavor of green mume juice[J]. Acta Agriculturae Zhejiangensis, 2014，26(4): 1049-1054.(in Chinese)

4 李艷, 蕭永堅, 羅格羅. 青梅果酒酵母的篩選與發酵工藝優化[J]. 釀酒科技, 2016(2):65-68. LI Yan, XIAO Yongjian, LUO Geluo. Screening of yeast strains for plum wine and optimization of its fermentation process[J]. Liquor-Making Science & Technology, 2016(2):65-68. (in Chinese)

5 葉倩雯, 劉長海, 廖堪義. 青梅酒發酵工藝的研究[J]. 食品與發酵科技, 2014(3):60-65. YE Qianwen, LIU Changhai, LIAO Kanyi. Study on the fermentation techniques of plum fermented wine[J]. Food and Fermentation Technology, 2014(3):60-65. (in Chinese)

6 朱詠莉，李萍萍，毛罕平，等．基于特征光譜提取的有機基質含水量快速測定方法[J]．江蘇大學學報：自然科學版，2011，32(2)：140-143. ZHU Yongli, LI Pingping, MAO Hanping, et al. Moisture content detection in organic substrates based on characteristic wavelength in near infrared spectroscopy[J]. Journal of Jiangsu University: Natural Science Edition, 2011, 32(2): 140-143. (in Chinese)

7 於海明,李石,吳威,等.稻谷千粒質量近紅外光譜預測模型的波長選擇方法[J/OL].農業機械學報,2015, 46(11):275-279. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx ? flag=1&file_no=20151137&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2015.11.037. YU Haiming, LI Shi, WU Wei, et al. Wavelength selecting methods of nirs predicting model of paddy grain weight[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(11): 275-279. (in Chinese)

8 黃雙萍，洪添勝，岳學軍，等．基于高光譜的柑橘葉片氮素含量多元回歸分析[J]．農業工程學報，2013，29(5)：132-138． HUANG Shuangping, HONG Tiansheng, YUE Xuejun, et al. Multiple regression analysis of citrus leaf nitrogen content using hyperspectral technology[J]. Transactions of the CSAE, 2013, 29(5): 132-138. (in Chinese)

9 蔡曉煒. 智能在線PH檢測記錄儀的研究和設計[D].杭州：浙江工業大學, 2009. CAI Xiaowei. Research and design of smart online pH detector and recorder[D]. Hangzhou:Zhejiang University of Technology, 2009.(in Chinese)

10 QIN J, CHAO K, KIM M S, et al. Hyperspectral and multispectral imaging for evaluating food safety and quality[J]. Journal of Food Engineering, 2013, 118(2):157-171.

11 WANG X, ZHAO M, JU R, et al. Visualizing quantitatively the freshness of intact fresh pork using acousto-optical tunable filter-based visible/near-infrared spectral imagery[J]. Computers & Electronics in Agriculture, 2013, 99(7):41-53.

12 高洪智, 盧啟鵬, 丁海泉,等. 基于連續投影算法的土壤總氮近紅外特征波長的選取[J].光譜學與光譜分析, 2009, 29(11):2951-2954. GAO Hongzhi, LU Qipeng, DING Haiquan, et al. Choice of characteristic near-infrared wavelengths for soil total nitrogen based on successive projection algorithm[J]. Spectroscopy and Spectral Analysis, 2009,29(11):2951-2954. (in Chinese)

13 楊淑瑩, 張樺. 群體智能與仿生計算:Matlab技術實現[M]. 北京：電子工業出版社, 2012.

14 李江波,趙春江,陳立平,等.基于可見/近紅外光譜譜區有效波長的梨品種鑒別[J/OL].農業機械學報, 2013,44(3):153-157, 179.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx? flag=1&file_no=20130328&journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2013.03.028. LI Jiangbo,ZHAO Chunjiang,CHEN Liping,et al.Variety identification of pears based on effective wavelengths in visible/near infrared region[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2013,44(3):153-157,179.(in Chinese)

15 汪希偉. 基于光譜成像的豬肉新鮮度檢測方法[D]. 南京：南京林業大學, 2014. WANG Xiwei. New approach to detect freshness of pork using spectral imaging[D]. Nanjing:Nanjing Forestry University, 2014.(in Chinese)

16 吳靜珠, 李慧, 王克棟,等. 光譜預處理在農產品近紅外模型優化中的應用研究[J]. 農機化研究, 2011,33(3):178-181. WU Jingzhu, LI Hui, WANG Kedong, et al. Application of spectrum preprocessing algorithms in optimizing NIR models of agricultural products[J]. Journal of Agricultural Mechanization Research, 2011, 33(3):178-181.(in Chinese)

17 趙杰文, 林顥. 食品、農產品檢測中的數據處理和分析方法[M]. 北京：科學出版社, 2012.

18 SOLFRIZZI V, ARDO G A, PANZA F, et al. Detection of adulterations with different grains in wheat products based on the hyperspectral image technique: the specific cases of flour and bread[J]. Archives of Gerontology and Geriatrics, 2015(Supp.1):69-72.

19 呂程序,姜訓鵬,張銀橋,等.基于變量選擇的小麥粗蛋白含量近紅外光譜檢測[J/OL].農業機械學報,2016,47(增刊):340-346.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=2016s052 & journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2016.S0.052. Lü Chengxu, JIANG Xunpeng, ZHANG Yinqiao, et al. Variable selection based near infrared spectroscopic quantitative analysis on wheat crude protein content[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2016,47(Supp.):340-346.(in Chinese)

20 孫俊, 金夏明, 毛罕平,等. 基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測[J].農業工程學報,2014, 30(10):167-173. SUN Jun, JIN Xiaming, MAO Hanping, et al. Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology[J].Transactions of the CSAE, 2014, 30(10):167-173.(in Chinese)

21 鄒小波,陳正偉,石吉勇,等.基于近紅外高光譜圖像的黃瓜葉片色素含量快速檢測[J/OL].農業機械學報,2012,43(5):152-156. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20120526 & journal_id=jcsam. DOI：10.6041/j.issn.1000-1298.2012.05.026. ZOU Xiaobo, CHEN Zhengwei, SHI Jiyong, et al. Rapid detection of cucumber leaves pigments based on near infrared hyper-spectral image technology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(5): 152-156. (in Chinese)

DetectionMethodsofGreengageAcidityBasedonHyperspectralImaging

ZHAO Maocheng1,2YANG Junrong1LU Dandan1CAO Jin1CHEN Yiming1

(1.CollegeofMechanicalandElectronicEngineering,NanjingForestryUniversity,Nanjing210037,China2.National-ProvincialJointEngineeringResearchCenterofElectromechanicalProductPackagingwithBiomaterials，Nanjing210037,China)

Greengage acidity detection is very important in refining and deeply processing greengage. However, traditional greengage acidity detection methods based on physicochemical analysis are destructive, time-consuming and not detective online. The fast and non-destructive method based on hyperspectral imaging system was proposed to predict greengage acidity. Hyperspectral images of 487 greengage specimens between wavelengths of 550 nm and 1 000 nm were captured. Three spectral dimensional reduction methods such as successive projection algorithm (SPA), genetic algorithm (GA) and SPA combined with GA (SPA+GA) were explored after spectrum relative reflectivity was calibrated and the images were filtered in six different ways. The featured wavelengths of the spectrum were extracted which reflected the internal acidity information of greengage. Partial least squares (PLS) prediction model was built between wavelength, and pH value and prediction precision were compared among different methods of filters and dimensionality reductions. The results showed that the model smoothly filtered by Savitzky-Golay (S-G) had the highest prediction accuracy. The model smoothly filtered by five points and then dimensionally reduced by both SPA and GA can reduce its complexity and improve its prediction accuracy compared with the ones only using SPA or GA. The root mean square error of prediction set was 0.070 6, and the correlation coefficient of prediction set was 0.792 5. This model based on the selected wavelength was practical to predict the greengage acidity, which would lay the foundation for further developing actual greengage multispectral image system.

greengage; acidity; highspectral image; genetic algorithm; successive projection algorithm; dimension reduction

TS201.2； TS207.3

A

1000-1298(2017)09-0318-06

10.6041/j.issn.1000-1298.2017.09.040

2016-12-07

2017-02-08

國家自然科學基金面上項目(31570714)、江蘇省重點研發計劃項目(BE2015304-3)、江蘇高校優勢學科建設工程項目(PAPD)、2016年度省級戰略性新興產業發展專項資金項目和南京2015年度科技發展計劃項目(201505058)

趙茂程(1966—)，男，教授，博士生導師，主要從事無損檢測與圖像處理等研究，E-mail: mczhao@njfu.edu.cn