基于高光譜成像技術的鮮食核桃仁水分檢測研究

牛瑞敏，張淑娟，陳彩虹，孫海霞，高庭耀

(山西農業大學農業工程學院，山西 晉中 030800)

0 引言

我國是世界上最大的核桃生產國和消費國，鮮核桃仁具有豐富的營養價值，口感脆嫩香甜，近年來在市場上掀起了一股鮮食核桃的消費熱潮[1-3]。貨架期是影響水果品質的重要因素，目前，核桃在采后的貯運銷環節，所處狀態基本為室溫下的貨架期狀態[4]。而貨架期的核桃仍具有活性，青皮會發生失水皺縮，甚至產生褐變，使其售賣價值下降。同時，核桃仁的水分含量也會隨貯藏時間的變化而變化，而鮮食核桃仁的含水量不得低于17%[5]。因此，探究青皮的光譜信息與核桃仁水分含量的關系成為很多學者關注的技術問題。

高光譜技術具有波段多、光譜分辨率高等特點，可以實現簡便、快速、無損和準確檢測[6-9]。目前，高光譜技術已經成功應用于果蔬等農副產品的貨架期預測和判別。邵園園等[10]采用高光譜成像結合化學計量學方法對不同儲存條件下的保鮮獼猴桃進行了貨架期預測。李雄等[11]利用高光譜成像技術，結合偏最小二乘判別法和偏最小二乘支持向量機算法對酥梨貨架期進行了判別。周莉萍等[12]利用高光譜技術對覆蓋保鮮膜的新鮮菠菜葉片貨架期進行預測，建立了偏最小二乘法判別分析模型。

現有的研究主要針對干食核桃，而利用高光譜成像技術預測貨架期青皮核桃的核桃仁水分含量鮮見報道[13-15]。本試驗利用高光譜成像技術結合化學計量學方法對貨架期青皮核桃的核桃仁水分進行快速預測，為食品加工企業和消費者在購買青皮核桃時對其品質的判斷提供參考依據。

1 試驗部分

1.1 試驗材料

本試驗所用“禮品2號”核桃樣本采摘自山西省汾陽市協和堡村。采摘時挑選大小相近、表面光滑、無缺陷損傷的青皮核桃，采后裝于墊有泡沫的紙箱內，采摘當天運回實驗室。將精選出的240個核桃樣品分別編號和標記，并在常溫條件下儲藏。采后的第1、5、9、13、17天從常溫儲藏的樣品中每次隨機抽取48個樣品，采用Kennard-Stone算法按3∶1劃分樣本，其中，校正集180個，預測集60個[15]。分別對其進行光譜采集，再進行青皮及核桃仁水分含量的測定。

1.2 儀器設備

本試驗采用北京卓立公司開發的“蓋亞”高光譜分選儀，儀器主要由Image-λ-N17E光譜相機、4個35 W溴鎢燈、暗箱、電移動平臺和計算機組成，波長范圍900～1 700 nm。為防止采集信息過度飽和而出現失真現象，需要先調整儀器的曝光時間和平臺移動速度，設置曝光時間20 ms，平臺移動速度2 cm/s，樣本與鏡頭距離22 cm。

1.3 采集高光譜數據

為了消除鏡頭暗電流、光照不均等對所采數據的影響，需要在對數據進行分析處理前進行黑白校正[16]。通過掃描標準白板及遮擋鏡頭分別獲得全白圖像W和全黑圖像B。校正公式如式(1)所示。

(1)

式中R——校正后圖像

I——原始圖像

采集高光譜圖像時，正反兩面各采集1次。利用ENVI 5.1提取感興趣區域(ROI)時，選擇20×20像素的區域作為感興趣區域，以正反感興趣區域的平均反射值作為該樣本的原始光譜信息。青皮核桃不同貨架期的平均光譜如圖1所示。

圖1 青皮核桃貨架期平均光譜曲線Fig.1 Average spectral curve of fresh walnut during shelf life

1.4 測定含水率

測定所有樣本的青皮含水率。通過手工破殼取仁并保持核桃仁的完整性，測定對應的核桃仁含水率。按照國家標準GB/T 5009.3—2016中的“直接干燥法”測定水分含量，結果如表1所示。

表1 貨架期青皮及核桃仁含水率統計Tab.1 Statistics of moisture content of green skin and walnut kernel during shelf life

1.5 模型評價

模型的好壞由校正集相關系數(RC)、校正集均方根誤差(RRMSEC)、預測集相關系數(RP)和預測集均方根誤差(RRMSEP)評價。以RC和RP越接近1，RRMSEC和RRMSEP越小為標準選擇最優模型。

2 結果與討論

2.1 相關性分析

核桃青皮與核桃仁的貨架期平均含水率如圖2所示。

圖2 貨架期平均含水率Fig.2 Average moisture content in shelf life

由圖2可知，核桃青皮與核桃仁的含水率均隨著貨架期的增加而逐漸降低。為進一步確定兩者的關系，采用SPSS statistics 26軟件對青皮及核桃仁的含水率進行相關性分析。采用斯皮爾曼(spearman)相關性系數表示青皮及核桃仁含水率之間的相關關系。其計算公式如(2)所示。

(2)

式中ρ——相關性系數

xi——第i個樣本青皮含水率

yi——第i個樣本核桃仁含水率

青皮含水率與核桃仁含水率的相關性分析如表2所示。由表2可知，青皮含水率與核桃仁含水率相關性系數ρ=0.614，說明這兩者的含水率在0.01水平相關性顯著。

表2 含水率相關性分析Tab.2 Correlation analysis of water content

2.2 提取特征波長

連續投影法(SPA)算法是基于不同波長變量之間投影的大小來選擇候選特征波長，不僅可以消除冗余信息的共線性，而且可以避免有效信息的重疊問題[13]。所選出的特征波長如圖3所示。由圖3可知，選出11個特征波長，分別為963、1 010、1 100、1 154、1 189、1 275、1 345、1 373、1 653、1 685和1 700 nm。

圖3 特征波長分布Fig.3 Characteristic wavelength distribution

2.3 建立模型

建模方法主要采用偏最小二乘回歸法(PLS)、多元線性回歸(MLR)和最小二乘支持向量機(LS-SVM)。

PLS回歸廣泛應用于光譜分析，是一種線性回歸模型，其核心思想是把觀測到的數據分成多個部分，每部分數據進行不同權重的線性組合后可用來表示該區域的相應值。

MLR較PLS計算簡單，模型易于理解，并且在實際生產要求不太高時，這種方式能夠降低模型復雜程度，并最終提高模型的速率。

LS-SVM是非線性回歸模型，是一種高效的算法，可減少訓練時間，提升運行速度，簡化計算復雜度，在模式識別、回歸分析等方面應用廣泛。

本研究用SPA法提取特征波長后的特征值作為輸入量，分別建立PLS、MLR和LS-SVM模型，含水率預測結果如圖4所示。其中，PLS、MLR和LS-SVM模型的RP分別為0.771 6、0.771 9和0.800 7，RRMSEP分別為2.302 9、2.300 7和2.189 7。PLS和MLR預測精度相差不多，LS-SVM預測效果最好。

圖4 PLS、MLR、LS-SVM模型預測結果Fig.4 Prediction results of PLS，MLR and LS-SVM models

3 結論

本文以采后第1、5、9、13、17天的青皮核桃為研究對象，利用SPA提取特征波長，分別建立PLS、MLR、LS-SVM模型。PLS模型的RP=0.771 6，RRMSEP=2.302 9；MLR模型的RP=0.771 9，RRMSEP=2.300 7；LS-SVM模型的RP=0.800 7，RRMSEP=2.189 7。所建LS-SVM預測效果最好。因此，利用高光譜成像技術可以實現貨架期青皮核桃的核桃仁水分快速預測。