基于可见/近红外光谱技术的毛脚茧的光谱快速鉴别方法研究

黄凌霞，周逸斌，金航峰，沈建栋

（1.浙江大学动物科学学院，浙江杭州 310058；2.浙江农林大学农业与食品科学学院，浙江杭州 311300；3.湖州南浔尚豪蚕桑专业合作社，浙江湖州 313000）

基于可见/近红外光谱技术的毛脚茧的光谱快速鉴别方法研究

黄凌霞1，周逸斌1，金航峰2，沈建栋3

（1.浙江大学动物科学学院，浙江杭州 310058；2.浙江农林大学农业与食品科学学院，浙江杭州 311300；3.湖州南浔尚豪蚕桑专业合作社，浙江湖州 313000）

基于可见/近红外光谱技术，研究了鲜茧毛脚茧快速鉴别的方法。采用主成分分析法对毛脚茧和成熟茧进行定性分析，再对光谱数据采用最小二乘支持向量机方法建模鉴别，通过连续投影算法从400～1000 nm波段的鲜茧光谱数据中选取了12个特征波长。采用最小二乘支持向量机法基于400 nm，430 nm，487 nm，512 nm，604 nm，616 nm，732 nm，759 nm，784 nm，852 nm，985 nm，999 nm这12个特征波长建模，结果对毛脚茧的判别准确率达到100%。表明可见/近红外光谱可以用于毛脚茧的鉴别检测。

近红外光谱；毛脚茧；最小二乘支持向量机；连续投影算法

蚕茧的上蔟时间（mounting time）是影响蚕茧品质的重要因素之一。在实际收购中，通常把正在吐丝的茧及吐完丝未化蛹的毛脚茧统称为毛脚茧（imma⁃ture cocoon）。一般熟蚕上蔟后，在25℃左右的条件下，从上蔟第1 d开始吐丝，至第3 d或第4 d吐丝结茧完成，再经过2～3 d才蜕皮化蛹［1］。随着上蔟时间的增加（3～7 d），蚕茧的茧层量和茧层率均增加［2］。根据研究，上蔟后48 h所采蚕茧，当日无化蛹茧；上蔟后72 h所采蚕茧，当日化蛹率为26%；上蔟后96 h所采蚕茧，化蛹率为78%；上蔟后120 h所采蚕茧，化蛹率为100%［3］。

蚕茧流通和加工过程中，毛脚茧的主要危害为烘折比正常茧大，影响蚕茧和生丝的品质。特别是尚未吐完丝的茧，将直接影响粒茧丝长、茧层率及出丝率。毛脚茧发生蒸热后，毛脚茧蛹、嫩蛹、正常蛹等均易被闷死，而被闷死的嫩蛹在干燥中，蛹壳易破裂，流出污汁或蛹油污染茧层而成下茧。根据统计，同批量的毛脚茧比正常茧的上车率低2～4%，解舒率下降4～6%，蒸热严重者解舒率下降10%甚至更多。按照丝厂经验数据，解舒下降1%或上车率降低1%，对应缫折增大3～4 kg，生丝成本将会有所增加，同时造成生丝品质和丝价的降低。

近年来，由于毛脚茧的泛滥，被誉为全国优质茧基地的江浙地区，能缫制出6A级高品位生丝的蚕茧越来越少，严重影响丝绸的质量和形象。为此，浙江和江苏两省的丝绸协会联合向蚕茧收购单位和缫丝企业发起关于不收毛脚茧的倡议，呼吁从当年春茧收购开始，各单位企业严格按照国家《茧丝流通管理办法》《茧丝质量监督管理办法》不收毛脚茧［4］。由此可见，是否能够快速有效地删减收购蚕茧中的毛脚茧是提高茧丝质量的一个关键因素。

在生产应用中，选择上蔟时间较长的蚕茧，可以有效减少毛脚茧的数量，提高蚕茧品质。目前对于毛脚茧的鉴别还处于手感目测的阶段，需要检测者有比较丰富的评茧经验。当鲜茧大量上市时，人工手感目测法需要耗费大量的人力，且效率较低，因而有必要研究采用一种快速无损的现代检测技术对蚕茧的上蔟时间进行检测。

可见/近红外光谱（visible and near infraredspec⁃troscopy，Vis-NIRS）分析技术是一种低成本、无污染的分析技术，操作简便，测定速度快［5～6］。刘洁等［7］的研究表明近红外光谱分析技术对于带壳和不带壳的板栗水分测定都具有可行性。这说明近红外光谱获取的信息并不局限于物体的表面，而对于物体的内容物也可以提供有效的近红外光谱信息。陈寿松等［8］研究了茶叶含水率的近红外的在线快速检测装置，这也说明了近红外光谱技术可以用于在线快速检测中，具有实际应用的价值。但是目前还未见将可见/近红外光谱技术用于毛脚茧鉴别检测的研究报道。

本研究采用可见/近红外光谱技术对毛脚茧进行鉴别检测。采用连续投影算法（SPA）提取特征波长，并用PLS方法建立了模型，为实现毛脚茧快速鉴别提供依据。

1 材料与方法

1.1 研究样品来源

本研究采用的蚕茧品种是秋丰×白玉，蚕茧样本由湖州南浔尚豪蚕桑专业合作社于2014年春季提供。熟蚕于5月15日上蔟，5月19日～5月24日每d由蔟中取出蚕茧，观察蚕茧茧形、色泽、茧层厚薄和缩皱是否正常，外表是否有疵点。每d挑选外观正常无疵点的蚕茧50粒。总共选取了4 d、5 d、6 d、7 d、8 d和9 d共六个上蔟时间的鲜茧样本各50个，共计300个鲜茧样本。

1.2 光谱数据采集

本研究使用Handheld FieldSpec光谱仪（美国ASD公司生产），采集蚕茧350～1075 nm波段的可见/近红外光谱数据。在光谱测量前，在实验室25℃恒温条件下先避光贮藏2 h。将蚕茧剥去茧衣后，采用反射模式采集可见/近红外光谱。蚕茧可见/近红外光谱信息采集示意图如图1所示，图中a是计算机，b是连接光谱仪和计算机的数据线，c是Handheld Fieldspec光谱仪，d是蚕茧样本，e是光源卤素灯。将蚕茧样本放置在水平桌面上，调整光谱仪位置，使光谱仪与水平面成45°角，同时离桌面高度约8 cm，保证样本在光谱仪探头采集范围内。卤素灯放置在侧面，同样与水平面成45°角。对300个鲜茧样本各扫描20次取平均。

图1 蚕茧可见/近红外光谱信息采集示意图Figure 1 Diagram of visible and near spectral acquisition of cocoon

1.3 分析方法

主成分分析（Principal component analysis，PCA）是通过对原始高维度光谱变量进行变换，使数目较少的新变量成为原始变量的线性组合，而且，新变量能最大限度的表征原始变量的数据结构特征，并不丢失信息的一种分析方法。其目的是对数据降维，以消除众多信息中相互重叠和相关的部分信息［9］。

最小二乘支持向量机（least square-support vec⁃tor machine，LS-SVM）是一种新型的建模方法，以求解一组线性方程代替经典SVM中复杂的二次优化问题，降低了计算的复杂性，加快了计算的速度，是解决“维数灾”和“过学习”的有效工具之一，已在光谱分析领域得到应用［10］。

连续投影算法（successive projections algorithm，SPA）是特征变量选取的一种方法。它可以在光谱矩阵中寻找含有最低限度的冗余信息的变量组，使得变量之间的共线性达到最小，从而达到减少模型运算变量的效果［11］。

本研究通过MTALAB软件建立各模型。

2 结果与分析

2.1 不同上蔟时间鲜茧的可见/近红外光谱曲线

为减少光谱数据采集过程中带入的噪声，提高最终建立模型的检测效果，我们选择了400～1000 nm波段共600个波长点的光谱数据进行后续处理。不同上蔟时间鲜茧的400～1000 nm可见/近红外光谱曲线如图2所示。可以看到光谱曲线之间存在明显差异，且有随着上蔟时间增加，样本吸光度值逐渐下降的趋势。同时发现，上蔟时间为4～6 d的鲜茧之间的光谱差异较大，而上蔟后7～9 d采集鲜茧之间的光谱差异则较小。这可能是因为前3 d茧内熟蚕正处于化蛹阶段而产生了较大个体变化，而后3 d蛹体已发育成熟导致蚕茧变化较小。

图2 不同上蔟时间鲜茧的原始可见/近红外光谱曲线Figure 2Original Vis/NIR spectral curve of fresh cocoons with different mounting time

2.2 光谱基线校正预处理

由于在光谱采集过程中，我们对同一上蔟时间的蚕茧样本进行了集中采集，导致了不同上蔟时间蚕茧的光谱数据之间存在基线差异，这在一定程度上夸大了模型的检测效果。为了得到可信性更高的检测模型，我们需要预先对光谱数据进行基线校正预处理。校正前后的光谱曲线图如图3所示，可以看到经过基线校正处理，光谱曲线变得相对集中。

图3 基线校正前后不同上蔟时间鲜茧的可见/近红外光谱曲线Figure 3Vis/NIR spectral curve of fresh cocoons with different mounting time

2.3 PCA定性分析

将光谱采集的毛脚茧与成熟茧样本的数据进行主成分分析（PCA），可以得到定性的聚类分析结果，取前三个主成分（PC1、PC2和PC3）作主成分分析的三维得分图如图4所示，从图中可以看出，成熟茧和毛脚茧基本上都能很好地区分开来，说明通过主成分分析法可以获得基本的聚类效果，能够将成熟茧与毛脚茧基本加以鉴别。但是，在图中也可发现，两类蚕茧的聚类的边界分界不明显，因而，为了取得明确的鉴别结果，还需要通过数学建模方法获得定量鉴别结果。

2.4 基于可见/近红外光谱的毛脚茧LS-SVM模型鉴别检测

在采用基线校正预处理后对全波段光谱建立LS-SVM模型。表1显示了预测集样本的判别正确率。从表可以看到经过基线校正预处理后所建立的模型对预测集样品的判别正确率提高到了100%。通过进行基线校正预处理后进行建模，能够很好地将毛脚茧和成熟茧区分开来。

图4 毛脚茧鉴别的主成分分析法主得分图Figure 4Scores plots obtained from the PCA（PC1×PC2×PC3）of immature cocoon-discrimination

表1 基于不同光谱预处理方法处理全波段光谱后建立的毛脚茧鉴别LS-SVM模型建模和预测结果Table 1 Performance of LS-SVM model based on different preprocessing on all spectra ranges ofimmature cocoon discrimination

2.5 基于SPA方法的全波段有效波长选取

从表1可以看到采用全波段建立的模型得到了较好的预测结果。整体的判别正确率达到了100.0%。说明可见/近红外光谱技术能够应用于蚕茧毛脚茧和成熟茧的快速、无损判别。采用SPA算法对全波段光谱共601个变量进行有效波长选择。图5显示了基于不同变量个数的验证标准偏差（RMSEV）值的变化情况。可以看到变量个数从3个到6个时RMSEV下降较快。当变量个数为12时，RMSEV值下降到一个低点并趋于稳定，为0.1438。

通过SPA提取的12个波长分别为400，430，487，512，604，616，732，759，784，852，985，999 nm。SPA得到的波长分布情况如图6所示。其中黑色的竖线表示选中的波长。可以看到选择的有效波长在整个可见到近红外光谱范围内都有分布。说明在对蚕茧是否为毛脚茧还是成熟茧进行判别时需要考虑整个可见/近红外范围的光谱信息将得到的12个变量作为输入，建立LS-SVM模型，结果如表1所示。通过SPA进行有效变量选择，LS-SVM模型所用到的输入变量个数由原始光谱的601个减少到了12个，而基于有效波长所建立的模型对预测集样本的判别正确率依然维持了全波段建模时的100.0%。说明得到的这12个有效波长变量可以很好地代替全波段光谱来建立模型。

图5 连续投影算法选取的毛脚茧鉴别波长数对应的验证集预测标准偏差Figure 5 RMSEV plot of selected number of immature cocoon discrimination variables by SPA

图6 SPA法选择的毛脚茧鉴别12个波长分布图Figure 6 Plot of 4 selected wavelengths of unpupated cocoon-discrimination by SPA.

3 结论

本研究基于可见/近红外光谱技术，对毛脚茧进行了鉴别检测。首先使用基线校正预处理方法，消除因不同采集时间导致的样品光谱数据基线不同，然后采用主成分分析方法（PCA）对毛脚茧和成熟茧进行了定性分析，随后提出了一种基于最小二乘支持向量机（LS-SVM）算法的毛脚茧鉴别方法，并采用连续投影算法（SPA）将601个光谱变量减少到12个，减少了98.00%的模型变量。此模型对毛脚茧的鉴别准确率达到了100%。表明基于可见/近红外光谱技术，可以较好的检测出毛脚茧。

［1］刘鹏.浅析毛脚茧的危害及其对策［J］.蚕学通讯，1998（4）：55-56.

［2］王泽林.不同采茧时间对家蚕茧质的影响［J］.蚕学通讯，2008，28（4）：25-28.

［3］钱忠兵.不同采茧时间对蚕茧质量的影响［J］.中国蚕业，2014（01）：38-40.

［4］滕启跃.送走毛脚茧：丝绸产业转型升级的第一步［J］.中国纤检，2014（13）：34-35.

［5］Cozzolino D，Kwiatkowski M J，Parker M，et al.Prediction of phenolic compounds in red wine fermentations by visi⁃ble and near infrared spectroscopy［J］.Analytica Chimi⁃ca Acta，2004，513：73-80.

［6］Phonkrit M，Kazuhiro N，Danai B，et al.The use of visi⁃ble and near infrared spectroscopy for evaluating passion fruit postharvest quality［J］.Journal of Food Engineering， 2014，143：33-43.

［7］刘洁，李小昱，李培武，等.基于近红外光谱的板栗水分检测方法［J］.农业工程学报，2010（02）：338-341.

［8］陈寿松，郑功宇，金心怡，等.茶叶含水率近红外在线快速测定及其应用研究［J］.茶叶科学，2014（04）：337-343.

［9］He Y，Li X L，Shao Y N.Fast discrimination of apple va⁃rieties using Vis/NIR spectroscopy.International Journal of Food Properties.2007，10（1）：9-18.

［10］Tao SH，Chen DZ，Zhao WX.Fast pruning algorithm for multi-output LS-SVM and its application in chemical pattern classification.Chemometrics and Intelligent Labo⁃ratory Systems，2009，96（1）：63-69.

［11］Paola D M，Alexsandro M Z，Ronaldo C F，et al.Multivari⁃ate linear regression with variable selection by a succes⁃sive projections algorithm applied to the analysis of anod⁃ic stripping voltammetry data［J］.ElectrochimicaActa，2014，127（1）：68-78.

Detection of Immature Cocoon Based on Visible and Near Infrared Spectroscopy

HUANG Ling-xia1,ZHOU Yi-bin1,JIN Hang-feng2,SHEN Jian-dong3
（1.College of Animal Sciences,ZhejiangUniversity,Hangzhou 310058,China; 2.School of Agricultural and Food Science,Zhejiang A&F University,Hangzhou 311300,China; 3.Shanghao Sericultural Professional Cooperation,Huzhou 313000 Zhejiang,China）

The visible and near infrared spectroscopy has been used to detect immature cocoon.Using principal compo⁃nent analysis of the qualitative analysis of the immature cocoon and mature cocoon,and then the spectral data using least squares support vector machine modeling identification method,through the successive projections algorithm 12 characteristic wavelengths selected from fresh cocoon spectral data of 400～1000 nm.By using the least squaresupport vector machine method based on 400 nm,430 nm,487 nm,512 nm,604 nm,616 nm,732 nm,759 nm,784 nm,852 nm, 985 nm,999 nm of the 12 characteristic wavelength modeling,results of immature cocoon discriminate accuracy of 100%.Results show that the visible/near infrared spectroscopy can be used to identify the detection immature cocoon.

near infrared spectroscopy;immature cocoon;LS-SVM;successive projections algorithm

O657.3；S886.3

A

0258-4069［2014］04-026-05

国家科技支撑计划（213BD20B20）；现代农业产业技术体系专项（No.CARS-22）；浙江省自然科学基金（LY12C17001）

黄凌霞（1980-），女，上海崇明人，副研究员，主要从事数字蚕桑方面的研究。E-mail：lxhuang@zju.edu.cn