基于光纖光譜技術(shù)無損檢測獼猴桃硬度

孟慶龍，尚靜，黃人帥，張艷

1(貴陽學(xué)院 食品與制藥工程學(xué)院，貴州 貴陽，550005)2(貴陽學(xué)院 農(nóng)產(chǎn)品無損檢測工程研究中心，貴州 貴陽，550005)

獼猴桃屬于后熟型水果，為了延長其貯藏期，經(jīng)常采摘還未成熟的果實(shí)，但是如果過早采摘，果實(shí)就會(huì)特別生硬，影響口感，果實(shí)也易受冷害；若過晚采摘，果實(shí)十分柔軟就會(huì)因?yàn)橐赘癄€而難以貯藏[1]。獼猴桃的硬度是衡量其成熟度的關(guān)鍵指標(biāo)之一，因此，開展獼猴桃硬度的快速無損檢測對(duì)于指導(dǎo)其采收時(shí)間、采后儲(chǔ)藏和加工具有重要意義。

水果硬度的傳統(tǒng)檢測方法是將果實(shí)硬度計(jì)的檢測探頭壓入水果果肉中檢測其硬度[2]，然而這種方法最大的缺點(diǎn)是破損樣本。基于光譜技術(shù)的無損檢測方法具有諸多優(yōu)勢，如分析速度快、無污染、無損傷等，近年來，這種方法已被廣泛地用于水果品質(zhì)的快速檢測，引起國內(nèi)外研究學(xué)者的頗多關(guān)注[3-8]。目前，研究人員已開展了關(guān)于香蕉[9]、蘋果[10]、桃[11]、李子[2,12]、梨[13-14]和藍(lán)莓[15]等水果硬度的無損檢測，并取得了一定的成果。邵園園等[16]利用高光譜成像技術(shù)快速無損檢測了獼猴桃貨架期，研究發(fā)現(xiàn)獼猴桃的硬度值隨著貨架期的延長而逐漸減小，與貨架期表現(xiàn)出負(fù)相關(guān)性。HU等[17]無損監(jiān)測了1-甲基環(huán)丙烯對(duì)成熟期獼猴桃中糖分積累的誘導(dǎo)機(jī)制。尚靜等[18]采用光纖光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)實(shí)現(xiàn)了李子硬度的無損檢測，其連續(xù)投影算法-誤差反向傳播網(wǎng)絡(luò)(successive projections algorithm-back propagation，SPA-BP)模型的預(yù)測集相關(guān)系數(shù)(rp)和均方根誤差(root mean square error of prediction,RMSEP)分別為0.70和1.61 kg/cm2。但是，關(guān)于不同成熟期獼猴桃硬度無損檢測的研究卻未見報(bào)道，而且在水果品質(zhì)無損檢測中應(yīng)用光譜技術(shù)存在數(shù)據(jù)量冗余的問題，嚴(yán)重影響了預(yù)測模型的檢測效率。

本文采用光纖光譜采集系統(tǒng)獲取不同成熟期“貴長”獼猴桃的反射光譜；為預(yù)測獼猴桃硬度分別構(gòu)建基于全光譜數(shù)據(jù)的主成分回歸(principal component regression,PCR)和偏最小二乘回歸模型(partial least square regression,PLSR)；然后分別利用競爭性自適應(yīng)重加權(quán)算法(competitive adaptive reweighted sampling,CARS)以及連續(xù)投影算法(successive projection algorithm，SPA)對(duì)全光譜數(shù)據(jù)進(jìn)行降維，并基于特征光譜構(gòu)建獼猴桃硬度的多元線性回歸(multiple linear regression，MLR)預(yù)測模型，以期為獼猴桃硬度無損檢測裝備的開發(fā)提供理論基礎(chǔ)。

1 材料與方法

1.1 實(shí)驗(yàn)材料

不同成熟期(未熟期、半熟期、成熟期、過熟期)“貴長”獼猴桃于2019年9月17日至2019年10月19日分4批次采自貴州省修文縣龍關(guān)口獼猴桃果園，樣品從不同的果樹上隨機(jī)采摘，每批次采摘50個(gè)無病蟲害且無機(jī)械損傷的樣品，共計(jì)200個(gè)。樣品采摘后立即運(yùn)到實(shí)驗(yàn)室，在實(shí)驗(yàn)室溫度為(22±2) ℃條件下貯藏，用柔軟的紙品輕輕擦掉獼猴桃樣品表面的塵土等雜物，依次對(duì)其編號(hào)后采集光譜并測量硬度。

1.2 實(shí)驗(yàn)儀器

光纖光譜采集系統(tǒng)，蔚海光學(xué)儀器(上海)有限公司，該系統(tǒng)主要由QEPro光譜儀(波長為198.2～1 006.4 nm，分辨率為2.84～3 nm)、R600-7-VIS-125F光纖(直徑為600 μm)、HL-2000鹵鎢燈光源(波長為360～2 400 nm)、RPH-1反射探頭支架、RPH-ADP適配器、WS-1標(biāo)準(zhǔn)反射白板以及Lenovo計(jì)算機(jī)等構(gòu)成，系統(tǒng)結(jié)構(gòu)如圖1所示。

圖1 光纖光譜采集系統(tǒng)Fig.1 Optical fiber spectroscopy acquisition system

GY-4數(shù)顯果實(shí)硬度計(jì)，杭州綠博儀器有限公司。

1.3 反射光譜采集

將待測獼猴桃緊貼在反射探頭支架RPH-1上(通過RPH-ADP適配器將反射探頭固定在反射探頭支架RPH-1上，反射探頭支架表面距離樣本約1 cm)，光譜采集部位為獼猴桃赤道位置，5次采集的平均值作為該樣本的光譜數(shù)據(jù)。系統(tǒng)的積分時(shí)間為110 ms，掃描平均次數(shù)為8，滑動(dòng)平均寬度為1，光譜采集由軟件OceanView控制完成。

1.4 硬度的測量

實(shí)驗(yàn)使用數(shù)顯果實(shí)硬度計(jì)測量獼猴桃樣本的硬度，硬度計(jì)的探針直徑為7.9 mm，探頭壓入果子的深度約10 mm，計(jì)量單位為kg/cm2。測量時(shí)先將獼猴桃樣本測量部位去皮，然后將探頭正對(duì)果肉處，緩慢勻速壓入，至刻線處止，每個(gè)獼猴桃樣本分別測量3個(gè)位置，3次測量結(jié)果的平均值作為該樣本的實(shí)測值。

1.5 光譜降維及模型評(píng)價(jià)

1.5.1 特征光譜提取

實(shí)驗(yàn)采取SPA和CARS選取特征波長。SPA是一種將矢量空間共線性最小化的前向變量選擇方法，其優(yōu)點(diǎn)在于從全光譜中選取若干個(gè)特征波長，來消除原始光譜中的多余信息，通常依據(jù)預(yù)測集均方根誤差的最小值來選定最佳的特征波長數(shù)；CARS依靠指數(shù)衰減函數(shù)對(duì)每一次循環(huán)建立的偏最小二乘模型中回歸系數(shù)絕對(duì)值最大的因數(shù)進(jìn)行選擇，同時(shí)采用自適應(yīng)重加權(quán)采樣技術(shù)去掉權(quán)重小的因數(shù)，經(jīng)過多次重復(fù)選擇，選出交互驗(yàn)證均方根誤差值最小的變量子集。特征光譜的提取在MATLAB R2016b軟件中執(zhí)行。

1.5.2 建模方法及模型評(píng)價(jià)

對(duì)全光譜數(shù)據(jù)進(jìn)行降維處理后，分別基于全光譜和特征光譜數(shù)據(jù)建立了獼猴桃硬度PCR、PLSR和MLR模型。PCR方法的主體思路是先將自變量進(jìn)行主成分分析，然后用主成分替換原自變量后與因變量做多元線性回歸，而PLSR是同時(shí)對(duì)自變量和因變量做主成分分析的一種多元線性回歸分析方法。當(dāng)有m個(gè)自變量X(光譜數(shù)據(jù))，即X1，X2，X3，…，Xm，則自變量X和因變量Y(硬度實(shí)測值)之間具有線性回歸方程，如公式(1)所示：

Y=β0+β1X1+...+βmXm+ε

(1)

設(shè)觀察值為{(Yi，Xi1，…，Xim)，i=1，2，…，n}，則MLR模型可以表示成如公式(2)所示方程：

(2)

(3)

(4)

(5)

(6)

(7)

式中：nC和nP為校正集和預(yù)測集中的樣本數(shù)，yact和ymean為樣本參考值實(shí)測值和平均值，ycal和ypre為校正集和預(yù)測集中樣本預(yù)測值，SD表示預(yù)測集中樣本實(shí)測值的標(biāo)準(zhǔn)偏差。

2 結(jié)果與分析

2.1 獼猴桃硬度統(tǒng)計(jì)分析

不同成熟期獼猴桃硬度的統(tǒng)計(jì)結(jié)果如表1所示，獼猴桃的硬度值隨著其逐漸成熟而減小。在構(gòu)建回歸預(yù)測模型之前，需要基于采集的光譜數(shù)據(jù)和測量的硬度值將所有獼猴桃樣本劃分為校正樣本集和預(yù)測樣本集，校正集中硬度值的范圍要比預(yù)測集的范圍寬是劃分樣本集的評(píng)判標(biāo)準(zhǔn)。本文利用SPXY(sample set partitioning based on jointx-ydistances)方法[20]將200個(gè)獼猴桃樣本按照3∶1劃分成150個(gè)校正樣本集以及50個(gè)預(yù)測樣本集。校正樣本集和預(yù)測樣本集中獼猴桃硬度統(tǒng)計(jì)數(shù)據(jù)見表2，頻率分布圖如圖2所示，校正集中獼猴桃硬度的范圍比預(yù)測集中的范圍寬，這樣劃分的樣本集有助于后期建立較優(yōu)的預(yù)測模型。

表1 不同成熟期獼猴桃硬度統(tǒng)計(jì)結(jié)果 單位：kg/cm2

表2 校正集和預(yù)測集中獼猴桃硬度統(tǒng)計(jì)結(jié)果 單位：kg/cm2

圖2 獼猴桃硬度頻率分布圖Fig.2 The probability distribution of the firmness of kiwifruit

2.2 反射光譜及預(yù)處理

由于原始光譜的首末兩頭含有較多的噪聲，因此剔除前10個(gè)和后10個(gè)波長，選擇波段為206.33～999.06 nm的作為有效光譜，該區(qū)域共有1 024個(gè)波長。為了提升預(yù)測模型的精確度和穩(wěn)定性，在建模之前采取多元散射校正(multiplicative sactter correction，MSC)對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。圖3給出了獼猴桃樣本的原始反射光譜(圖3-a)以及經(jīng)過MSC(圖3-b)預(yù)處理后的相對(duì)反射光譜。由圖3可知，在波長675 nm附近的吸收峰是由表面葉綠素的吸收而產(chǎn)生的，反映了獼猴桃表面的顏色信息，波長980 nm附近的吸收峰則是由水分的吸收而產(chǎn)生的，體現(xiàn)了獼猴桃的水分含量信息。

a-原始光譜;b-MSC預(yù)處理后光譜圖3 獼猴桃反射光譜Fig.3 Reflectance spectra of kiwifruit

2.3 基于全光譜的建模結(jié)果

表3 PCR和PLSR模型對(duì)獼猴桃硬度的預(yù)測結(jié)果Table 3 Firmness prediction results of kiwifruit by PCR and PLSR model

2.4 光譜數(shù)據(jù)降維

2.4.1 采用SPA提取特征波長

利用SPA提取特征波長時(shí)，通常依據(jù)RMSEP的最小值來選定最優(yōu)的特征波長數(shù)。RMSEP隨SPA中有效波長數(shù)的變化情況如圖4-a所示，表明RMSEP隨有效波長數(shù)的增加而減小，當(dāng)有效波長數(shù)>7時(shí)，RMSEP減小的趨勢不明顯，因此將這7個(gè)波長(占總波長量的0.68%)作為特征光譜。圖4-b給出了提取的特征波長分布圖。

a-RMSEP隨SPA中有效波長數(shù)的變化情況;b-提取的特征波長圖4 SPA算法提取特征波長結(jié)果Fig.4 The results of characteristic wavelengths selection by SPA algorithm

2.4.2 采用CARS選取特征波長

利用CARS選取特征波長時(shí)，其蒙特卡洛取樣次數(shù)設(shè)定為50次，利用5折交叉驗(yàn)證方法計(jì)算所建立的偏最小二乘(partial least squares,PLS)模型的交叉驗(yàn)證均方根誤差(root mean square error of cross validation,RMSECV)。圖5給出采用CARS算法提取特征波長的結(jié)果，其中不同采樣次數(shù)下RMSECV的變化規(guī)律如圖5-c所示，可以看出第26次采樣獲得的RMSECV值最小，有42個(gè)特征波長(占總波長量的4.1%)包含在該最優(yōu)波長集中(如圖5-b所示)，圖5-d給出了提取的特征波長分布圖。

a-回歸系數(shù)變化路徑;b-每次采樣中變量的變化情況;c-不同采樣次數(shù)下RMSECV的變化情況;d-提取的特征波長圖5 CARS算法提取特征波長結(jié)果Fig.5 The results of characteristic wavelengths selection by CARS algorithm

2.5 基于特征光譜的建模結(jié)果

表4 基于特征光譜構(gòu)建的MLR模型對(duì)獼猴桃硬度的預(yù)測結(jié)果Table 4 Firmness prediction results of kiwifruit by MLR model based on the characteristic spectra

圖6 硬度實(shí)測值與預(yù)測值散點(diǎn)圖Fig.6 The scatter plot of the measured versus predicted values of the firmness

3 結(jié)論

為解決光纖光譜技術(shù)應(yīng)用在水果品質(zhì)無損檢測中存在數(shù)據(jù)量冗余的難題，對(duì)全光譜數(shù)據(jù)降維結(jié)果表明應(yīng)用SPA和CARS分別在1 024條全波長里挑選出7個(gè)和42個(gè)特征波長，明顯提升了預(yù)測模型的運(yùn)行效率。