基于高光譜技術的燕麥β-葡聚糖含量測定方法研究

李　靖，王春光

(內蒙古農業大學 機電工程學院，呼和浩特　010018)

0　引言

燕麥一般分為皮燕麥和裸燕麥兩種[1]，是一種糧、飼多用途世界性栽培作物，分布于世界各地的42個國家[2]，在小麥、水稻、玉米、大豆、燕麥等糧食作物中，燕麥總產量居第五位[3]，是人們生活中不可或缺的營養保健食品。我國主要種植裸燕麥，其產量占燕麥總產量的90%以上[4]，主要在內蒙古、山西、甘肅、河北、青海等地區種植，內蒙古的種植面積達到全國總面積的35%以上[5]。燕麥富含水分、蛋白質、脂肪及膳食纖維等營養物質，特別是膳食纖維中含有豐富的β-葡聚糖[6]。1997年，美國食品藥品監督管理局(FDA)認定β-葡聚糖具有防止心血管疾病，降低膽固醇的功效[7]。目前，燕麥中β-葡聚糖含量的化學測定方法有剛果紅法[8]、國際標準酶法[9]、改進酶法[10]、熒光法[11]及苯酚-硫酸法[12]等，前兩種方法應用較為廣泛。這些傳統的方法具有測量精度高的優點，但存在檢測速度慢、測量成本高、樣品預處理及破壞樣品等不足，無法做到對燕麥β-葡聚糖含量的快速、準確、無損檢測。因此，探索一種快速、準確、無損檢測燕麥β-葡聚糖含量的方法是非常必要的。

近幾年，高光譜技術發展迅速，該技術將一維光譜技術和二維圖像技術完美結合，可以提取出被測樣本的外觀信息和內部品質信息，具有不破壞樣本、不需預處理樣本、多組分同時分析、分析速度快及操作簡便等優點，結合化學計量學方法可實現樣本組分快速、無損的分析檢測，目前已廣泛應用于農畜產品品質、食品安全檢測等領域，成為一個研究熱點[13-16]。周青梅[17]等利用近紅外光譜法測定麥芽中的β-葡聚糖含量，化學測定值與預測值之間的決定系數R2達到0.827；田海清[18]等基于漫反射高光譜成像技術建立了馬鈴薯干物質含量預測模型。然而，國內外學者利用高光譜成像技術對燕麥β-葡聚糖含量檢測的相關研究報道較少。本文利用高光譜系統采集燕麥的光譜信息，結合化學計量學方法研究燕麥光譜信息和β-葡聚糖含量之間的定量關系模型，探索一種快速、準確、無損的燕麥β-葡聚糖含量測定方法，對燕麥的品質檢測有很好的實際應用價值。

1　材料與方法

1.1材料與設備

實驗以內蒙古農業大學農學院提供的5種燕麥作為研究對象，將燕麥籽粒去殼、去雜清理干凈后，從完整、未發芽、無霉變的燕麥籽粒中挑選飽滿、大小基本一致的籽粒裝袋密封，存放到溫度在3～5℃的冰柜里，以防其變質或水分含量改變而影響實驗結果。

實驗用到的主要設備如下：

1)采集燕麥光譜的高光譜系統。由V10E-QE成像光譜儀、CCD相機、光源、移位載物平臺及計算機等組成，如圖1所示。

1.CCD相機　2.成像光譜儀　3.移位載物平臺　4.計算機　5.光源圖1　高光譜系統

高光譜系統主要的技術參數如下：光譜波長范圍380～1 030nm，光譜分辨率2.8nm，CCD相機像素長寬大小為1 392×1 040像素。

2)測定燕麥β-葡聚糖的儀器。由分光光度計、漩渦混合器、恒溫水浴器、離心機、粉碎機以及沸騰水浴器等組成。

1.2試驗方法

1.2.1樣本的制備與劃分

由于燕麥籽粒間存在著一定的個體差異，因此在裝樣前需進行充分的攪拌均勻，然后再從中隨機取出一定數量的燕麥，裝滿到直徑為10cm、厚度為1 cm 的培養皿中，且用平板由上而下輕輕擠壓培養皿中的燕麥，使燕麥籽粒間空隙較小，并保持培養皿中的燕麥與培養皿上表面在同一水平面上；5個品種中，每個品種裝30個樣本，共制備150個樣本并編號。采用隨機抽樣法(RS法)對樣本進行劃分，將樣本隨機分成100個建模集和50個預測集，如表1所示。每個燕麥樣本在進行光譜數據采集后均保持獨立樣本進行β-葡聚糖含量的生化測定。

表 1　燕麥樣本表

續表1

1.2.2高光譜數據采集

在采集燕麥高光譜數據前，首先將儀器開啟預熱0.5h，使光源和采集系統達到穩定。然后設置相機曝光時間、平臺移動速度及鏡頭到樣本上表面之間的距離，使采集到的圖像大小合適、清晰、不變形失真。經過反復調試和比對，最終確定鏡頭高度設置為32cm，曝光時間設置為144ms，平臺移動速度設置為2.1mm/s。最后，將制備好的樣本按一定順序將其分別放到移位載物平臺上進行高光譜數據采集，如圖2所示。在采集過程中要關閉暗箱以避免外界光線的干擾，并將每次采集完的高光譜數據分別命名保存到計算機中。

圖2　高光譜數據采集圖

由于各波段光源強度分布不均勻及儀器中暗電流存在，使光強分布較弱的波段噪聲較大，因此在采集光譜圖像前必須進行黑白標定，以消除部分噪聲影響[19]。首先，對標準白板進行掃描獲得全白標定圖像IW；然后，蓋上鏡頭蓋進行掃描獲得全黑標定圖像ID；最后，依據公式R=(IR-ID)/(IW-ID)計算校正后的圖像R。其中，R為校正后的圖像；IR為原始圖像；IW為白板校正圖像；ID為黑板校正圖像。

1.2.3反射光譜預處理

由于燕麥籽粒間有縫隙且燕麥籽粒表面不平整，所以樣本的每個點的光譜信息不一樣。為了使每個樣本的光譜更具有代表性，從采集到的燕麥樣本表面上選取盡量大的區域(300×300像素點的矩形區域)作為樣本的感興趣區域，以該區域中所有像素點光譜的平均值作為該樣本的光譜。

為了消除樣本的不均勻性、表面不平整性和光線散射等因素和儀器噪聲的影響，采用多元散射校正(MSC)法對原始光譜進行預處理。由于儀器誤差，光譜曲線在首尾端有較大的噪聲，去掉前后各30個波段，取400～1 000nm范圍內的反射光譜數據進行分析研究，如圖3所示。

圖3　燕麥光譜曲線圖

1.2.4燕麥β-葡聚糖含量的化學測定

首先，對燕麥樣本籽粒經脫殼、粉碎后過孔徑為0.2mm 篩；然后，采用國標法酶法(試劑盒法)測定燕麥β-葡聚糖成分含量。重復測定兩次，取其平均值，結果以干基(%)表示。兩個平行測定的相對誤差，不超過2%，將測定值與光譜數據一一對應記錄保存。

2　結果與分析

2.1燕麥β-葡聚糖含量的統計分析

對采用國標法酶法(試劑盒法)測定的燕麥β-葡聚糖含量進行統計分析，分析結果如表2所示。

表2　燕麥β-葡聚糖含量的統計學分析

由表2可知：經由酶法(試劑盒法)實驗測定的燕麥樣本β-葡聚糖成分含量在建模和估算數據集中有較好的一致性。

2.2高光譜數據特征波長的提取

采集的全波段(400～1 000nm)高光譜數據因維數高、數據量大，且樣本的有些區域光譜信息比較弱，與樣本的組成間缺乏相關關系，直接采用全波段光譜數據作為神經網絡輸入層的變量個數顯然不合適，因此使用基于分段線性回歸[20-21]的參數化數值分析方法對提取出的光譜數據進行降維處理, 定量提取了樣本觀測曲線中的特征光譜的波長及反射率值，進而能夠在不降低準確度的情況下提高網絡識別的速度。該方法的原理如公式(1)所示，即

yi=gi(xi)+ei

gi=g(xi,βi) (αj1≤xi≤αj2)

(1)

其中，yi為使用觀測序列擬合的不同分段結果，gi(xi)為與觀測序列xi條件相關聯的特征數值區間并由分段擬合算法確定。其優勢在于：可充分利用觀測序列的多個觀測樣本，并基于統計規律獲得直接定量的分段擬合結果；既可以分析觀測序列的動態變化趨勢也可獲得序列的特征拐點，也可給待估算或測定目標提供關鍵驅動信息。

使用該算法對光譜按全波段(可劃分1段)、200nm(可劃分3段)、100nm(可劃分6段)間隔進行分段劃分，分別求得各段光譜的拐點波長和反射率。不同分段的拐點特征波長和反射率統計信息如表3～表5所示。

表3　燕麥樣品全波長特征值

表4　燕麥樣品200nm間隔特征值

續表4

表5　燕麥樣品100nm間隔特征值

續表5

2.3建立BP神經網絡的燕麥β-葡聚糖含量預測模型

建立包含3層網絡結構的神經網絡預測模型, 輸入層數據向量采用經分段線性回歸方法得到的10個特征拐點波長對應的反射率值，中間計算隱含層神經元的傳遞函數采用S型正切函數logsig，輸出向量是一維目標向量, 即β-葡聚糖含量。目前，隱含層節點數的選擇還沒有一個比較明確的理論來指導，只能結合樣本的實際情況進行嘗試性的選擇，再逐步優化確定隱含層節點數。輸出層神經元傳遞函數采用函數logsig(Wp+b)計算獲得，其中Wp為不同特征光譜信息的加權計算權重，b為數值計算殘差。神經網絡的訓練算法函數選用Levevberg-Marquardt方法進行尋優建模，最大訓練次數為1 000，目標誤差設為0.000 04，學習速率設為0.01。

經過反復對模型進行訓練試驗，最終得到BP神經網絡預測模型結構為10-9-1。將該模型的輸出結果(估算值)與用國標法測定燕麥β-葡聚糖含量的觀測值進行相關性分析，其分析結果如圖4所示。

圖4　估算值與測量值的相關性分析

由圖4可知：采用BP神經網絡模型的估算值與國標法測定的觀測值間的決定系數R2為0.6。這說明，采用BP神經網絡方法建立的燕麥β-葡聚糖含量估算模型具有較強的擬合能力,可以較為準確地估算未知燕麥β-葡聚糖的含量，具有可行性。

2.4β-葡聚糖與光譜特征值的相關性分析

由于選取的特征值為高光譜的反射率，其反射率大小反映了燕麥品種間生理生化指標差異，因此對10個特征值和β-葡聚糖生理指標進行相關性分析，來確定β-葡聚糖的敏感波段范圍，結果如表6所示。

表6　β-葡聚糖與光譜特征值的相關性

由表6可知：β-葡聚糖與特征值1、特征值2、特征值10存在極顯著地相關性(P<0.01)。所以，特征值對應的波長在492、874、930nm附近的范圍是β-葡聚糖的敏感波段。

2.5預測結果的檢驗

使用所建模型對預測集燕麥樣本β-葡聚糖含量進行估算, 具體估算值、預測集樣本的測定值及它們間的絕對誤差如表7所示。

表7燕麥β-葡聚糖含量的測定值和估算值

Table 7Measured and estimated of β-glucan content in Oat %

編號測定值BP估算值絕對誤差1-10．02330．03730．01401-20．01730．02950．01221-30．01540．02620．01081-40．03540．03780．00241-50．01490．03820．0233

續表7

續表7

由表7可知： 采用BP神經網絡模型對燕麥β-葡聚糖含量的估算值與用國標法測定值的平均絕對偏差為±1%之內，模型的預測均方根誤差(RMSEP)為0.010 5。可見，估算值與觀測值之間的相關性比較高，誤差水平在1%以內。由此說明，采用BP神經網絡方法建立的燕麥β-葡聚糖含量估算模型具有較強的擬合能力,可以較為準確地估算未知燕麥β-葡聚糖的含量，具有可行性。

3　結論

本研究應用高光譜成像技術，結合成熟的BP神經網絡這一化學計量學方法和統計學方法，開展了對燕麥β-葡聚糖含量無損檢測方法的研究。通過研究燕麥品質的檢測機理和方法，找到燕麥光譜特征信息與燕麥品質的相關關系，建立一種快速、準確、簡便和無損的燕麥β-葡聚糖檢測方法來替代常規的檢測方法，具有很好的理論研究意義和實際應用價值。高光譜技術具有多波段、高分辨率和圖譜合一的特點，能同時快速、高效、無損地檢測燕麥的不同組分含量；而常規化學檢測方法費時費力，破壞樣品，操作復雜，已不能滿足當前對檢測精度、速度和自動化的需求。

本文通過高光譜系統采集了400～1 000nm范圍的燕麥高光譜數據，采用分段線性回歸分析方法對高光譜數據進行降維處理，利用BP神經網絡建立了燕麥β-葡聚糖含量的預測模型，并得出以下結論：

1) 燕麥β-葡聚糖含量的敏感波段范圍為492、874、930nm附近。

2) 燕麥β-葡聚糖含量的預測值與國標測定值之間的決定系數R2為0.75。

3) 燕麥β-葡聚糖含量的預測值與國標測定值之間的預測均方根誤差(RMSEP)為0.009 8。

結果表明：燕麥β-葡聚糖含量的預測值與國標測定值之間有著較強的相關關系。因此，利用高光譜成像技術可以簡單、快捷、無損、穩定地對燕麥β-葡聚糖含量進行測定，而且為大批量燕麥β-葡聚糖含量的快速檢測提供便捷技術支持。

參考文獻：

[1]楊海鵬，孫澤民．中國燕麥[M]．北京：中國農業出版社，1989：10-15．

[2]張向前，劉景輝，齊冰潔，等．燕麥種質資源主要農藝性狀的遺傳多樣性分析[J]．植物遺傳資源學報，2010，11(2):168-174．

[3]李進．燕麥的營養價值與保健功效[J]．新疆農業科技，1993(5)：38-39．

[4]李芳，劉剛，劉英，等．燕麥的綜合開發與利用[J]．武漢工業學院學報，2007，26(1)：23-25．

[5]路長喜，周素梅，王岸娜．燕麥的營養與加工[J]．糧油加工，2008(1)：89-92．

[6]鄧勝國,鄧澤元.燕麥麩中β-葡聚糖的提取、測定及其在面條中的應用[J].食品科學,2004,25(11):204-206．

[7]胡新中，魏益民，任長忠．燕麥品質與加工[M].北京:科學出版社，2009．

[8]張娟，杜先鋒，饒硯琴．剛果紅法測定燕麥中β-葡聚糖含量的研究[J]．安徽農業大學學報，2007，34(1)：23-26．

[9]連喜軍，魯曉翔，蔡保松，等．國際標準酶法測定β-葡聚糖含量的研究[J]．糧油食品科技，2006，14(6)：27-29．

[10]鄭殿升，呂耀昌，田長葉，等．中國裸燕麥β-葡聚糖含量的鑒定研究[J]．植物遺傳資源學報，2006，7(1)：54-58．

[11]林偉靜，吳廣楓，王強，等. 燕麥及其制品β-葡聚糖含量測定方法比較[J].食品工業科技,2011(6):143-147．

[12]連喜軍，魯曉翔，林旭輝．苯酚-硫酸法測定β-葡聚糖含量研究[J]．糧食與油脂，2005(10):39-43．

[13]Ariana D，Lu R,Guyer D E．Hyperspectral reflectance imaging for detection of bruises on pickling cucumbers[J]．Computers and Electronics in Agriculture，2006，53(1)：60-70．

[14]Qiao J，Ngadi M O，Wang N，et a1．Pork quality classification using a hyperspectral imaging system and neural network[J]．International Journal of Food Engineering，2007，3(1)：1-12．

[15]Xing J，Symons S，Shahina M，et a1．Detection of sprout damage in Canada Western Red Spring wheat with multiple wavebands using visible/near-infrared hyperspectral imaging[J]．Biosystems Engineering，2010，106(2)：188-194．

[16]Wallays C，Missotten B，Baerdemaeker J De，et a1．Hyperspectral waveband selection for on-line measurement of grain cleanness[J]．Biosystems engineering，2009(104)：1-7．

[17]周青梅，郭立蕓，林智平．近紅外光譜法測定麥芽中的β-葡聚糖[J].食品與發酵工業，2013(10)：223-226．

[18]田海清，王春光，郝敏，等.基于光譜微分濾波及多元校正的馬鈴薯干物質含量快速檢測[J].內蒙古農業大學學報,2013,34(5):93-97．

[19]趙杰文，劉劍華，陳全勝，等．利用高光譜圖像技術檢測水果輕微損傷[J]．農業機械學報，2008，39(1)：106-109．

[20]L H Liew, B Y Lee．Rectification of aerial images using piecewise linear transformation [J]．Earth and Environmental Science ，2014 (18)：1-6．

[21]Miguel A.Garcia,F.Rodriguez An Iterative Algorithm for Automatic Fitting of Continuous Piecewise Linear Models[J]．Wseas Transactions on Signal Processing,2008(4)：474-483．