高光譜成像技術預測香蔥貯藏品質

任 怡，王成全，Bonah Ernest,3，Joshua Harrington Aheto，王 鋒，黃星奕,

（1.江蘇大學食品與生物工程學院，江蘇鎮江 212013；2.蘇州農業職業技術學院，江蘇蘇州 215008；3.食品藥品監督管理局檢驗部，加納阿克拉 00233）

香蔥是一種重要的調味食品，深受人們喜愛。但其保質期短，在貨架期會出現變色、軟化、失水等現象[1]，影響其品質。水分及葉綠素含量是綠葉蔬菜的主要品質參數。目前香蔥水分與葉綠素含量的測定主要采用干重法[2]和分光光度法[3]。這兩種方法檢測精度高，但速度慢，且對樣品具有破壞性。葉綠素檢測儀能對植物葉片葉綠素含量進行無損檢測，但其檢測范圍僅為2 mm×2 mm，不適用于細長的香蔥植株。因此，本文選用合適的無損檢測技術替代傳統檢測方法，對不同存儲條件下香蔥的貨架期水分及葉綠素含量進行檢測。

高光譜成像技術可同時采集樣品的空間及光譜信息，實現對樣品的無損檢測[4]。部分學者使用高光譜成像技術對植物葉片的葉綠素和水分含量進行了測定[5-8]，但均沒有實現水分及葉綠素分布可視化，而另有學者用高光譜檢測了農產品中顏色和水分的空間分布[9-11]。據此，高光譜成像技術能實現農產品的水分及葉綠素含量分布可視化，但香蔥貨架期水分及葉綠素分布情況的高光譜檢測研究仍較罕見。

綜上所述，本文主要研究香蔥采后0～3 d不同存儲方式下的水分及葉綠素含量變化情況，并使用高光譜成像技術實現了香蔥水分及葉綠素含量分布可視化，以期為其他農產品品質參數的高光譜檢測及可視化分布提供借鑒意義。

1 材料與方法

1.1 材料與儀器

整株帶根的新鮮四季小香蔥 采自當地農場，挑選單株重約1.5 g、直徑2～3 mm、植株高約20 cm的香蔥300株，清洗后裝入塑料袋密封，用冰盒（2～8 ℃）迅速運至實驗室；丙酮、石英砂、碳酸鈣 均為分析純，鎮江華東器化玻有限公司；低密度PVC薄膜（鮮元） 淘寶商城。

UV-2450紫外可見分光光度計 日本島津；BS224S電子天平 北京賽多利斯儀器系統有限公司；UF750烘箱 德國美墨爾特有限公司；ImSpector V10E高光譜相機 芬蘭奧盧光譜成像有限公司；12 V，50 W石英鹵素燈 荷蘭皇家飛利浦公司；移動平臺TSA200-A 北京卓立漢光有限公司。

1.2 實驗方法

1.2.1 樣品準備 將樣本分為3組，以不同的方式存儲。樣品組“R”90株，用低密度的PVC薄膜包裹，置于4 °C冰箱內，模擬傳統的方法儲存；樣品組“W”90株,室溫(20 ℃)下水培；余下120株作為對照組“A”，置于20 °C室內。

采集當天取對照組樣本30株，采后1～3 d每天取對照組“A”、樣品組“R”、樣品組“W”樣本每組30株，進行數據采集。即上述每組30株樣品中取15株香蔥平行樣，對每株樣品進行高光譜檢測，再獲取各單株香蔥的水分含量實測值；另從每組樣品中取15株香蔥平行樣，對每株樣品進行高光譜檢測，再獲取各單株香蔥的葉綠素含量實測值。

1.2.2 高光譜信息的采集 高光譜成像系統由江蘇大學自主研制，硬件結構見圖1。

圖1 高光譜成像系統Fig.1 Hyperspectral imaging system

為避免環境中其他光源干擾，高光譜圖像采集需在暗室內進行。實驗過程如下：打開鹵素燈光源，預熱30 min。將整株樣本置于鏡頭下450 mm處的移動平臺上，使樣本與光源距離約為700 mm，調整鏡頭焦距，將移動平臺采集圖像時的速度設置為0.9 mm/s，進行反射光譜數據采集。

由于相機中的暗電流會導致圖像噪聲，需對原始高光譜圖像進行黑白平衡校正。黑白平衡校正方法如下：使用標準白色校準板獲得一副全白色校準圖像W，蓋上鏡頭蓋獲得全黑校準圖像D，掃描樣本后獲得原始高光譜圖像I。通過公式（1）計算可得黑白平衡后的高光譜圖像R。

式中：W—白色校準圖像，D—全黑校準圖像，I—原始高光譜圖像，R—校準后的高光譜圖像。

軟件（HIS analyzer）可以輔助進行高光譜圖像的黑白平衡校正。

1.2.3 水分含量的測定 每組取15株高光譜數據采集后的樣本，去除樣本根部，將每株樣本切為30 mm的蔥段，用于單株樣本水分含量測定。水分含量測定采用干重法。稱取單株樣本重量wo，放入鋁盒（底部圓形直徑50 mm，高40 mm）中，鋁盒置于80 ℃烘箱中烘干。并在干燥器中冷卻至恒重，使用電子天平稱得樣本重量wd。采用公式（2）計算香蔥樣品的水分含量：

1.2.4 葉綠素含量的測定 每組取15株高光譜數據采集后的樣本，去除樣本根部，將每株樣本切為2 mm的蔥段，用于單株樣本葉綠素含量測定。稱取單株蔥段樣本質量m放入研缽，加少量石英砂、碳酸鈣粉末及80%丙酮溶液3～5 mL,將樣本研成勻漿，繼續研磨至樣本組織變白，靜置3～5 min。經丙酮溶液濕潤的圓形濾紙折疊呈漏斗狀，置于25 mL的棕色樣品瓶口。用少量80%丙酮溶液沖洗研缽、研棒數次，將研缽內容物經濾紙轉移至樣品瓶內。用滴管吸取少量80%丙酮溶液，將濾紙上的葉綠素洗入樣品瓶內，最后以80%丙酮溶液定容至25 mL。將提取液搖勻后，倒入光徑1 cm的石英比色皿內，以80%丙酮溶液為空白，在波長663、645 nm下測定提取液吸光度A663和A645[12]。葉綠素的提取全過程需在避光條件下完成。葉綠素[13]的計算方法基于朗伯-比爾定律，計算公式如下：

式中： Ca—葉綠素a含量， Cb—葉綠素b含量，Ct—總葉綠素含量，單位均為毫克每克（mg/g）；v—試液體積，單位為毫升（mL）；m—樣品質量，單位為克（g）。

1.3 數據處理

1.3.1 光譜數據的提取與數據集的劃分 高光譜數據分析的第一步是去除圖像背景，提取感興趣區域（ROI）。本實驗將除根部外的整株樣本所在區域作為ROI。使用高光譜數據分析軟件ENVI 5.3.1中的ROI工具將背景區域的像素點光譜值設為零，導出每株樣本的ROI高光譜圖像數據，用于后續光譜和空間信息的提取。將每個樣本ROI內所有像素的光譜值自動平均，生成每個樣本的平均光譜。

按1.2.1所述，300個經過高光譜檢測的樣本被平均分為兩組，一組用于水分檢測，一組用于葉綠素檢測。因此，最終形成兩個150×618的平均光譜矩陣，其中150表示樣本數，618表示波段數。兩個高光譜數據級矩陣分別命名為HW和HC，其中HW用于定量預測香蔥樣本的水分含量，HC用于定量預測香蔥樣本的葉綠素含量，且高光譜數據集HW和HC分別以2:1的比例劃分成訓練集和預測集。

1.3.2 光譜預處理 獲取平均光譜數據集后，需對光譜進行預處理，以降低由暗電流及散射光引起的光譜噪聲。

標準正態變異（SNV）校正方法是一種高光譜數據歸一化技術[14]，該方法假設每個光譜的數據點遵循正態分布過程。在這種假設下，每個光譜都經過預處理，使其盡可能接近無散射誤差的理想光譜。

多元散射校正（MSC）是一種常用的散射去除技術[15-16]。MSC首先計算所有樣品光譜的平均光譜[17]，然后將平均光譜作為標準光譜，每個樣品的光譜與標準光譜進行一元線性回歸運算，求得各光譜的線性偏移量和斜率，使用公式（6）計算校正譜。

式中Xcor—校正譜，Xraw—原始光譜，b—偏移量，p—斜率。

卷積平滑法（savitzky-golay，SG）由移動平滑算法演變而來，能提高光譜的平滑性并降低光譜噪聲[18]。假設濾波窗口寬度為5，即各數據點為X∈（Xm-2, Xm-1,Xm,Xm+1,Xm+2），SG將利用窗口內各數據的多項式擬合值替代Xm，并依次遍歷各光譜數據值。

本文借助數據分析軟件（The Unscrambler X 10.4）使用上述校正方法對HW和HC光譜數據集預處理后，分別建立偏最小二乘回歸（PLSR）與支持向量機回歸（SVMR）模型，并根據模型預測精度挑選最適用的光譜降噪方法。

1.3.3 模型的建立與評估 高光譜數據量巨大，存在較多冗余，導致數據處理速度慢，精度低。這也是目前高光譜實驗多在實驗室中進行的原因之一，該缺陷已成為便攜式快速光譜檢測儀器開發的主要障礙。因此，有必要采用合適的方法挑選最佳波長，加強對樣本水分和葉綠素的預測速度與準確性。本文借助軟件MATLAB R2018a，采用競爭自適應加權采樣（CARS）算法進行特征波長的選擇。從618個波長中選出最優波長。隨后使用PLSR和SVMR算法建立基于特征波長的香蔥品質參數預測模型，基于校正決定系數（R2c）、交叉驗證決定系數（R2cv）、預測決定系數（R2p）、校正均方根誤差（RMSEC）、交叉驗證均方根誤差（RMSECV）和預測均方根誤差（RMSEP）作為模型評價標準，選出最優預測模型。

1.3.4 水分和葉綠素含量的可視化 為了更直觀地分析香蔥樣品在不同存儲條件下水分和葉綠素品質參數的變化情況。首先需借助MATLAB R2018a讀入去除根部后的香蔥圖像樣本區域的三維高光譜圖像，并平鋪成n×m的二維矩陣（n為像素點個數，m為CARS優選的特征波段數），然后利用預測模型根據各像素點的特征波段光譜值預測出該點的水分和葉綠素含量值，再將各像素點的預測結果還原成二維矩陣，最后使用偽彩色圖像表征去除根部后的香蔥樣本的水分和葉綠素含量分布圖及變化趨勢。

2 結果與分析

2.1 水分和葉綠素含量變化

圖2為不同存儲條件下測得的10組香蔥水分和葉綠素含量平均值的變化情況。根據圖2a中顯示結果可知，隨著存儲時間的延長，空氣中存放的香蔥樣品水分含量從新鮮時的91.40%下降至第3 d的71.74%，失水量大，出現萎蔫現象，嚴重影響了香蔥的品質。冰箱中存儲的香蔥樣品亦逐步輕微失水，含水率下降至84.30%，保鮮膜內部有水滴凝集，這可能是由香蔥葉片新陳代謝形成的水分[19]。水培的香蔥樣品水分含量在第2 d下降至83.96%，第3 d反而上升至85.90%。可能采摘時香蔥根部受損使其失水，而第3 d部分根部吸水功能恢復，重新使香蔥含水率略有上升。

圖2 不同存儲條件下香蔥水分及葉綠素含量Fig.2 Moisture and chlorophyll content of green onions under different storage conditions

從圖2b的統計結果可知，空氣中存放的香蔥樣品與水培的香蔥樣品葉綠素含量皆隨貨架期的延長而下降?？諝庵屑八嗟南闶[樣品在存儲第3 d的總葉綠素含量分別下降至0.41和0.62 mg/g，葉片脫綠黃化較嚴重，失去食用價值。而冰箱冷藏的香蔥樣品葉綠素含量變化并不顯著，3 d存儲期內總葉綠素含量在1.01 mg/g上下波動。據文獻[20]，光照可改變植物葉綠體膜脂肪酸比例并促使植物產生活性氧，脂肪酸比例的改變使活性氧中的小分子更易進入葉綠體，加速葉綠素的降解。該解釋與本文葉綠素測定實驗結果相符，即無光照的冰箱冷藏樣品組“R”葉綠素衰減程度低于暴露在自然光照條件下的空氣存儲樣品組“A”及水培樣品組“W”的香蔥樣品。另外，保鮮膜具有半透性，能抑制果蔬呼吸代謝，而綠葉植物葉綠素含量與氧氣釋放率呈負相關[21]。該理論也能解釋本文實驗結果。

2.2 光譜降噪預處理

圖3a展示了不同香蔥樣品在431～962 nm波段的原始反射光譜曲線。光譜曲線明顯具有綠色植物的輪廓特征。光譜曲線550 nm處出現了明顯的反射波峰，該波峰主要由葉綠素及其他色素引起[22]。675 nm處的波谷與葉綠素的存在有直接關系[23]。在680～730 nm的光譜區域是紅邊區域，該區域的光譜反射率迅速上升。紅邊的位置和斜率特征往往能反映植物活性及葉綠素含量[24]。水分子中的O-H鍵二級倍頻在960 nm處有吸收峰[25]，圖3（a）中960 nm處的波谷可能由香蔥葉片中的水分產生。

由于相機暗電流及環境光散射等外界因素的干擾，原始反射光譜數據往往包含噪聲。本文分別采用SG、MSC及SNV三種不同的預處理方法對原始光譜進行了相應轉換，預處理后的光譜曲線如圖3（b）～圖3（d）所示。經過預處理的光譜數據更平滑、緊密，消除噪聲的同時最大限度地保留了原有的光譜特征，以利于后續的數據分析。通過得到的三種光譜數據（SG、MSC及SNV）及原始光譜數據（RAW）分別建立預測香蔥樣品水分及葉綠素含量的PLSR和SVMR模型。各模型的預測精度如表1所示。

由表1可知，MSC預處理后的水分含量PLSR模型預測效果最好，預測決定系數高達0.8876；而原始光譜的水分含量SVMR模型預測效果最差，預測決定系數僅為0.7806。MSC預處理后的葉綠素含量PLSR模型預測精度最高，預測決定系數達0.8812；原始光譜的葉綠素含量PLSR模型預測精度最低，預測決定系數為0.7918。綜上，MSC能有效消除散射并強化與目標成分相關的光譜信息，從而提升香蔥水分和葉綠素預測模型的精度，故本文將采用去噪效果最好的MSC作為光譜預處理方法。

2.3 基于最優波長的模型建立與評估

圖3 經不同降噪方法預處理后的光譜Fig.3 Spectra pretreated by different noise reduction methods

表1 不同預處理方法下基于全波段光譜數據的香蔥水分與葉綠素含量預測模型精度Table 1 Accuracy of green onion moisture and chlorophyll content prediction models based on full-band hyperspectral data under different pretreatment methods

結合傳統化學計量學方法，依據MSC降噪后的光譜數據所建模型已能較好地預測香蔥樣品的水分及葉綠素含量，預測集決定系數分別達到了0.8876和0.8812。然而，由于高光譜數據量龐大，數據本身包含很多冗余信息，影響了模型運算速度及精度。基于該缺陷，目前高光譜檢測仍處于實驗室研發階段，極少應用于實際生產。因此，需選用合適的降維手段，減少冗余數據，以提升檢測精度及速度。當前廣泛使用的降維算法有主成分分析法，即將全波段高光譜數據轉換為能代表數據集主要信息的若干個主成分，選用轉換后的前n個主成分代替全波段高光譜數據建立相應模型。但該方法仍需采集樣品的所有波段信息，所使用的檢測儀器價格昂貴。本文采用CARS算法，通過1000次重復抽樣運算，分別為水分預測模型及葉綠素預測模型選出若干條最優波段，提高模型運算速度和精度。

圖4 CARS優選波長過程Fig.4 Process of optimal wavelength selection by CARS

圖4 展示了CARS算法的運行過程。圖中交叉驗證均方根誤差值隨著抽樣次數的增加呈現出先下降后升高的趨勢，均方根誤差最低值為欠擬合與過擬合的交匯點，故選取該點處的最優波長。最終選取了460、537、598、750、755、756、757、812、828、941、959共11個特征波段用于水分含量的預測；550、612、614、623、630、631、690、691、692、710、712、714、715、790、892、911、913、933、945、947共20個特征波段用于香蔥葉綠素含量的預測。所選取的特征波段數量分別僅占全波段的1.78%和3.24%。極大地降低了數據冗余度，提高了模型運行速度與精度。

表2展示了基于全波段的預測模型與采用CARS算法挑選最優特征波段后建立的模型精度對比。使用CARS算法優選特征波段后，通過PLSR和SVMR建立的水分含量與葉綠素含量預測模型的預測決定系數分別提高了0.0170、0.0035、0.0433和0.0567。其中，CARS-PLSR模型進行水分含量預測效果最好，預測決定系數為0.9046，CARSSVMR模型進行葉綠素含量預測效果最好，預測決定系數可達0.9143。

2.4 水分和葉綠素含量的可視化

上文對香蔥在不同存儲條件下的品質屬性（葉綠素和水分含量）進行了評價，并基于高光譜數據建立模型得到了較好的預測結果。然而，除了使用經過驗證的預測模型準確預測這些品質屬性外，可視化分布圖在幫助分析人員確定不同存儲條件影響下品質屬性的變化或空間位置方面也很重要。

圖5顯示了所選香蔥樣品在不同存儲條件下的水分和葉綠素含量的偽彩色分布圖。圖5頂部從紅色到藍色漸變的顏色條所給出的不同顏色代表了不同的水分和葉綠素含量水平。冷色（藍色和綠色）代表水分和葉綠素含量較低，而暖色（紅色、橙色和黃色）則表示含量較高。以空氣中存放的對照組樣品為例，儲藏3 d的過程中，樣品A0～A3的水分含量分布圖從淺藍色逐步變為深藍色，同時葉綠素含量分布圖從暖色調變為了冷色調，這意味著在空氣中存放的樣品隨著存儲時間的延長，其水分和葉綠素含量均明顯下降。由圖可見，隨著存儲時間的增加，空氣中放置0～3 d的香蔥樣品A0、A1、A2、A3的水分含量和葉綠素含量急劇下降；水培1、2、3 d的香蔥樣品W1、W2、W3葉綠素含量略有下降，水分含量呈先下降后上升的趨勢；冰箱中存儲1、2、3 d的香蔥樣品R1、R2、R3水分及葉綠素含量下降并不顯著。圖5中不同樣品的水分和葉綠素水平變化趨勢與其對應組別實際測得的水分和葉綠素含量平均值的變化趨勢（圖2）幾乎是一致的。該現象進一步驗證了利用所建模型進行水分和葉綠素含量可視化分布的準確性和可行性。

表2 香蔥水分與葉綠素含量預測模型精度Table 2 Accuracy of green onion moisture and chlorophyll content prediction models

圖5 不同存儲條件下香蔥水分和葉綠素分布情況Fig.5 Distribution of moisture and chlorophyll in green onions under different storage conditions

3 結論

高光譜成像技術對香蔥樣品進行快速無損檢測，采用4種不同的光譜預處理方法后分別建立基于全波段PLSR和SVMR模型，經比較MSC對光譜信息進行預處理后所建模型效果最好。使用CARS篩選最優波長后，分別使用1.78%和3.24%的光譜數據獲得了很好的建模效果，所建葉綠素和水分預測模型的預測集決定系數分別達到0.9143和0.9046。根據所建預測模型將原始高光譜三維數據轉換成了二維的水分與葉綠素含量分布圖。結果表明：采用合適的化學計量學算法后，利用高光譜成像技術檢測香蔥貯藏期的品質是可行的。本文所研究內容對便攜式果蔬采后品質參數含量分布快速無損檢測儀器的開發提供了理論依據。