基于可見/ 近紅外光譜對腐爛花椰菜的檢測研究

穆炳宇， 薛建新，張淑娟，任 銳，廉孟茹，池江濤

（山西農業大學工學院，山西晉中 030801）

花椰菜（Brassica oleracea L. var. botrytis L.），俗稱花菜、菜花或椰菜花，屬十字花科一年生植物。花椰菜營養價值高，其中以維C 的含量最為豐富；還含有異硫氰酸鹽化合物，可有效抗癌防癌[1]。但是，花椰菜在受到暴曬、凍害或者水分流失后會出現褐變、腐爛，從而失去食用價值[2]。花椰菜容易受到蟲害的影響，導致黑腐病發生，使得花球、根莖處呈現黑色霉層，形成爛菜花，造成減產甚至絕收。目前，花椰菜的品質檢測主要靠人工來完成，尚未有針對花椰菜新鮮和腐爛的判別研究。

近年來，近紅外光譜技術已經廣泛應用于農產品品質的無損檢測中。何寬等人[3]利用光譜成像技術，結合光譜信息分割法實現了對采后藍莓腐爛病的無損檢測，準確率達97.5%以上。孫海霞等人[4]使用光譜技術對黑斑鮮棗進行了識別，通過SPA 提取的特征波長獲得主成分圖像，采用BP-NN 和CNN建立識別模型，判別準確率分別為78.3%和90.0%。Shijie Tian 等人[5]使用透射可見/ 近紅外技術實現了對發霉蘋果核的檢測，對以往直徑較大的健康蘋果被誤認為患病，核心發霉且直徑較小的蘋果被誤認為健康的現狀作出了改進。Roberto Ciccoritti 等人[6]將近紅外和化學計量學方法結合，成功地用于改善獼猴桃在收獲和儲存期間的質量控制，減少了水果損失。劉燕德等人[7]應用近紅外光譜技術，采集黃龍病、缺損和健康3 類葉片樣本的光譜信息并進行建模分析，結果表明，近紅外光譜技術可以對柑橘黃龍病進行檢測。

采用可見/ 近紅外光譜技術對花椰菜的腐爛進行PLS 建模分析，首先對不同的預處理方法進行對比，并進行特征波長提取方式的模型比較，在此基礎上，選出最優的花椰菜判別模型，以期為在線無損檢測花椰菜品質的設備研究提供理論依據。

1 材料與方法

1.1 試驗材料

花椰菜樣品于2019 年9 月采摘自山西省太谷區，當日運至試驗室。選擇新鮮和表面有黑斑的腐爛花椰菜各170 朵，進行光譜數據的采集。將采集到的光譜數據使用Kennard-Stone 算法按3∶1 的比例劃分為校正集254 朵（新鮮127 朵，腐爛127 朵）和預測集86 朵（新鮮43 朵，腐爛43 朵）。

1.2 試驗方法

Field Spec 3 型光譜儀， 美國ASD （Analytical Spectral Device） 公司產品，光譜范圍為350～2 500 nm。使用ASD View Spec Pro V5.0 軟件采集花椰菜同一位置的信息3 次，取平均光譜值；去除兩端光譜噪聲后，選擇500～2 200 nm 的光譜數據進行后續判別分析。

1.3 數據分析和處理方法

1.3.1 原始光譜預處理

為提高數據的使用質量、減少不必要的環境干擾，對光譜數據進行預處理是十分必要的。試驗采用如下方法對光譜進行預處理：

標準正態變量變換（Standard normal variate transformation，SNV）[8]可使得光譜受到樣本表面顆粒和曲面的光程變化的影響最小[9]。S-G 平滑算法（Savitzky-Golay Smoothing）[10]可對數據進行多項式最小二乘擬合并且加權平均，以消除噪聲、減少隨機誤差對試驗造成的影響。基線校正（Baseline）[11]可用來修正光譜采集中，因樣本差異和環境所導致的吸收峰偏移。

1.3.2 光譜特征波長的提取

若使用全波段建模，不僅耗時，而且預測模型包含大量無用信息。因此，建模之前的特征波長提取極為關鍵。試驗采用回歸系數法（Regression coefficient，RC）、連續投影算法（Successive projections algorithm，SPA）[12]、隨機蛙跳（Random frog，RF）算法來對波長進行優選。基于偏最小二乘法（Partial least squares，PLS） 原理，RC 法通過局部極值的選擇而確定最佳波段[13]。SPA 法可消除特征波長間的共線性問題。RF 法可使用較少的變量迭代建模[14]。

1.3.3 建模分析

PLS 是由H.Wold 在1966 年最先提出的[15-16]，其可以應用于大小樣本的研究，提取出的數據信息與待測指標之間相關性好。

1.4 數據處理

光譜數據的預處理、PLS 建模等在The Unscrambler X 10.1 中進行。SPA，RF 在Matlab R2014b軟件中實現。通過校正集均方根誤差（RMSEC） 與決定系數（R2c） 來評價所建模型的準確度，當決定系數越接近1，均方根誤差越接近于0 時，所建模型效果最佳[17]。

2 結果與分析

2.1 菜花的原始光譜分析

新鮮和腐爛花椰菜的平均光譜曲線見圖1。

由圖1 可知，500～2 200 nm 波段范圍內，完好與腐爛花椰菜樣本曲線的整體趨勢一致，但是腐爛樣本的光譜反射率顯著高于完好樣本的光譜反射率，這可能是由于腐爛花椰菜樣本表面有黑斑，導致反射率升高。

2.2 光譜數據預處理

為降低噪聲和環境因素對光譜采樣的影響，試驗對原始樣本的數據進行預處理分析。

不同預處理方法的PLS 模型校正效果見表1。

表1 不同預處理方法的PLS 模型校正效果

通過觀察表1 可知，經過不同預處理的建模精度普遍高于原始光譜建模精度。由此可知，3 種不同預處理方式均可達到降噪的效果，其中Baseline 后的校正集建模精度最高，其RMSEC 達0.095 3，R2c 達0.963 7。

2.3 特征波長提取

2.3.1 SPA 法特征波長的提取

SPA 法可提高建模的速度和效率。

基于SPA 算法的最佳變量選擇見圖2。

如圖2 所示，特征波長數為10 時，RMSE 為最小，值為0.148 64，所提取的10 個波長數換算為波長即為752，1 083，2 189，1 494，530，523，519，703，568，513 nm，重要程度依次遞減。

2.3.2 RC 法特征波長的提取

RC 法是通過對經基線校正預處理數據所建立的PLS 模型提取回歸系數，選取RC 曲線中的局部極值作為特征波長值，所提取的19 個特征波長如圖3 所示。

基于RC 法特征波長的提取見圖3。

2.3.3 RF 法特征波長提取

經Baseline 法預處理后的數據，采用RF 算法來提取特征波長。RF 原理是基于蒙特卡洛算法采樣，隨機性大，因此需要多次運行提高準確率，結果如下：

基于RF 法特征波長的提取見圖4，3 種方法提取的特征波長見表2。

表2 3 種方法提取的特征波長

由表2 可知，3 種特征波長提取方法所提取的特征波長個數依次為SPA （10 個）、RC （16 個）、RF（10 個），其中1 083 nm 波長在3 種方法中均被提取；567，703 nm 波長被SPA 與RC 提取；790，1 083，2 115 nm 波長被RC 與RF 提取。

2.4 基于特征波長的PLS 建模及判別效果

使用The Unscrambler X 10.1 中的PLS 進行建模分析，所建3 種PLS 模型（SPA，RC 和RF） 的系數和判別結果如下所示。

不同特征波長提取的PLS 建模預測結果見表3。

表3 不同特征波長提取的PLS 建模預測結果

由表3 可知，經RC 提取的特征波長建模效果最優，對新鮮和腐爛花椰菜的判別準確率均為100%。

3 結論

利用可見/ 近紅外技術對新鮮和腐爛花椰菜進行檢測研究，通過PLS 對不同的預處理方法進行了數學模型分析。結果表明，Baseline 預處理效果最好，RMSEC 為0.095 3，R2c 為0.963 7；利用SPA，RC，RF 3 種方法進行特征波長提取，分別建立PLS 模型進行判別，結果表明經RC 提取特征波長建模的效果最好，對于新鮮和腐爛花椰菜的判別準確率均為100%，試驗可為相關在線無損檢測設備的研究提供理論基礎。