可見-近紅外光譜對花椰菜色澤的檢測研究

穆炳宇，薛建新，張淑娟，呂森博，肖新盈，何長江

（山西農業大學農業工程學院，山西晉中 030801）

花椰菜（Brassica oleracea L.var.botrytis L.），俗稱花菜、菜花或椰菜花，營養豐富，但是在采后貯藏、運輸過程中表面顏色會變黃、變暗，出現褐變，影響其商品價值[1-2]。色澤是判別花椰菜采后品質的重要指標。通常花椰菜色澤的測量方法是有損檢測，而近紅外技術以無損、速度快、效率高的特點廣泛應用于農產品貯藏和加工領域[3]，已有學者使用近紅外技術檢測了羊肉[4]、葡萄[5]、獼猴桃[6]等的色澤。但對花椰菜色澤變化的研究未見報道。

試驗使用可見-近紅外光譜技術與“松花”花椰菜表面的L*值建立聯系，選擇了最優的預處理方法，并通過特征波長的提取加快建模速度，實現了近紅外技術對花椰菜表面色澤的快速、無損檢測。

1 材料與方法

1.1 試驗材料

花椰菜品種為“松花”，樣本于2020 年10 月采摘自山西省晉中市太谷區，當天運至實驗室。選擇大小相近、無病蟲害的花椰菜共240 朵作為試驗對象。

1.2 光譜采集

使用美國ASD（Analytical Spectral Device）公司的Field Spec 3 型光譜儀進行花椰菜樣本光譜數據的采集，光譜數據的范圍為350～2 500 nm，因光譜曲線兩端存在明顯的噪聲，故選擇波長450～2 450 nm的光譜數據進行建模分析[7]。

1.3 色澤L*值的測量

采用日本Konica Minolta 公司的CR-400 型色差儀測定與近紅外光譜采集點位相對應的花椰菜表面的L*值。每個對應點位進行3 次測量，取平均值作為最終結果。

1.4 數據處理和分析方法

采用K-S 算法（Kennard-Stone）劃分樣本集；使用S-G 平滑（Savitzky-Golay Smoothing）、標準正態變量變換（Standard normal variate transformation，SNV）、基線校正（Baseline）、歸一化（Normalize，NOR）方法進行預處理；使用連續投影算法（Successive projections algorithm，SPA）提取特征波長；采用偏最小二乘回歸（Partial least squares regression，PLSR）方法進行建模。使用The Unscramber X10.1及Matlab 2014a 軟件進行數據分析和處理；利用Origin2019b 進行繪圖工作。模型的優劣通過相關系數（Correlation coefficient，R）和均方根誤差（Root mean square error，RMSE）進行評價[7]。

2 結果與分析

2.1 花椰菜的色澤L*值

使用K-S 算法按照3∶1 的比例將花椰菜樣本隨機劃分為校正集（180 朵）和預測集（60 朵），對測量的L*值進行數據分析。

校正集和預測集樣品的色澤分布特征見表1。

表1 校正集和預測集樣品的色澤分布特征

由表1 可知，240 朵花椰菜樣本的L*平均值為89.02，標準差為1.34；校正集和預測集的平均值相差0.48，標準差相差0.15；校正集的L*值測量范圍大于預測集，說明經K-S 算法劃分的數據分布合理。

2.2 花椰菜近紅外光譜曲線

花椰菜近紅外光譜曲線見圖1。

圖1 花椰菜近紅外光譜曲線

由圖1 可知，花椰菜在1 180，1 450，1 680，2 240 nm 處出現了明顯的吸收峰，其中1 180 和1 450 nm 處為O-H 鍵的倍頻峰，1 680 和2 240 nm處則與C-H、C-O 鍵倍頻峰有關[6]。

2.3 光譜預處理方法的選擇

為消除溫度變化、儀器噪聲等干擾因素對數據采集造成的影響，提高模型的精度和穩定性，對原始光譜數據進行預處理操作。表2 為基于花椰菜原始光譜經不同預處理方法的PLSR 分析結果。綜合比較發現，采用NOR 處理的建模效果最優，校正集的Rc 達到0.892 9，RMSEC 為0.615 4；預測集的Rp達到0.903 4，RMSEP 為0.527 3。RMSEC、RMSEP均低于原始光譜，表明經NOR 預處理可有效降低干擾因素的影響。

不同預處理方法的PLSR 建模效果比較見表2。

表2 不同預處理方法的PLSR 建模效果比較

2.4 光譜特征波長的提取

為了提高建模的速度，使用SPA 算法對經NOR預處理后的光譜數據進行特征波長的提取。圖2 表示當選擇變量為10 個時，RMSE 值達到最低為0.665 2；所提取的10 個特征波長數為780，1 093，1 160，1 124，1 306，1 333，1 661，2 118，2 430，2 443 nm。

基于SPA 算法的最佳變量選擇見圖2。

圖2 基于SPA 算法的最佳變量選擇

2.5 花椰菜色澤L*值預測模型的建立與分析

使用經SPA 算法提取的特征波長建立PLSR 模型，校正集的Rc 達到0.896 7，RMSEC 為0.631 9。該模型較全波段所建模型的精度高，所需時間更短。為了驗證預測模型的準確性，使用預測集的60 朵花椰菜的L*值進行驗證分析。RMSEP 為0.541 1，Rp為0.908 9，取得了較好的預測效果。結果表明，使用可見/近紅外光譜技術可實現對花椰菜色澤L*的檢測。

SPA-PLSR 模型的預測集樣本的實際值和預測值散點圖見圖3。

圖3 SPA-PLSR 模型的預測集樣本的實際值和預測值散點圖

3 結論

花椰菜的色澤是評價花椰菜品質的重要指標。采用可見-近紅外光譜技術對花椰菜表面的色澤L*值進行檢測，選擇出最優預處理方法為NOR，使用SPA 提取特征波長并建立PLSR 模型。結果表明，所建立的預測模型Rp 達到0.908 9，RMSEP 達到0.541 1，模型性能較好、穩定性高。因此，花椰菜的色澤L*值可以通過近紅外模型來進行檢測。