葡萄可溶性固形物的高光谱无损检测技术

杨杰+马本学+王运祥+王静++徐洁

摘要：为明确采用高光谱成像技术对葡萄可溶性固形物（SSC）检测的可行性。以高光谱成像系统为试验仪器，采集葡萄样本的漫反射光谱，对比分析不同光程校正方法、不同预处理方法对建模精度的影响，建立不同的葡萄SSC定量预测模型。研究结果表明，在波段500～1 000 nm的范围内，采用经过标准正态变化、一阶微分和Savitzky-Golay平滑相结合预处理后的偏最小二乘法建模方法预测能力最强，校正集相关系数（rc）为0.912 6，校正集均方根误差（RMESC）为0.542，预测集相关系数（rp）为0.854 0，预测集均方根误差（RMESP）为0.758。由结果可知，应用高光谱成像技术可以对葡萄可溶性固形物含量进行无损检测。

关键词：高光谱成像技术；葡萄；可溶性固形物；无损检测

中图分类号： S663.101文献标志码： A文章编号：1002-1302（2016）06-0401-02

收稿日期：2015-05-15

基金项目：国家科技支撑计划（编号：2015BAD19B03）。

作者简介：杨杰（1990—），男，山西天镇人，硕士研究生，主要从事农业装备自动控制与智能检测技术研究。E-mail：gexijieshaoyj@163.com。

通信作者：马本学，博士，教授，主要从事农产品智能化检测与分级装备研究。E-mail：mbx_shz@163.com。葡萄是世界四大果品之一，不仅鲜食美味可口，有利于人体新陈代谢，且具有丰富的营养价值，享有“水果皇后”的美誉。可溶性固形物（SSC）是反映葡萄营养物质多少的重要化学成分指标，是影响葡萄收获及市场销售的重要因素，而传统的SSC化学检测方法费时费力而且有破坏性[1]。

高光谱成像技术，作为一种新兴光学无损检测技术在农产品品质检测方面被广泛关注和应用，尤其在水果品质检测方面，高光谱成像技术能够分析水果的内外品质，如糖度、坚实度、水分含量、损伤、农药残留、病虫害[2-7]等。国外学者研究利用高光谱成像技术对水果品质进行无损检测已有较长时间，并取得了较好的研究成果[8-11]。相比之下，国内在此方面起步较晚，但成果突出，已取得的研究结果证明该技术具有较大的研究价值和研究空间[12]。

本研究以新疆特色葡萄品种红提为对象，采用高光谱成像系统获取光谱信息并进行建模预测结果分析，选取最优建模方法，探讨高光谱成像技术预测葡萄内部特征的可行性。

1材料与方法

1.1葡萄样本

试验选取80个葡萄果穗，并从每个果穗上的穗节部、穗中部、穗内部、穗尖部各选3粒葡萄果粒（共12粒）作为1个样本，共80个样本。在环境温度为20 ℃、相对湿度为50%的实验室条件下放置1 d。

1.2高光谱成像系统

高光谱成像系统包括基于光谱仪的高光谱分光仪（Imspector V10E-QE）、线阵CCD摄像机（Hamamstsu）、150 W卤化物光源（3900，Schott）、1 套高精度输送装置（Zolix，SC300-1A）和计算机等部件组成。光谱采集区域为408～1 013 nm，光谱分辨率为2.8 nm。

1.3葡萄样本光谱采集和参数测定

高光谱图像数据获取基于Spectral-cube软件。将光谱数据采集曝光时间设定为12.7 ms，电控位移台速度为 3.54 mm/s，保证图像清晰不失真。为了防止基线漂移，图像采集前将高光谱图像采集系统打开预热30 min。不同波段下光源强度分布不均匀及摄像头中暗电流存在都会造成图像中含有噪声，因此要对高光谱图像进行黑白校正[13] 。

1.4葡萄样本SSC测定

在光谱采集结束后，立即进行葡萄样本SSC的测定。糖度测定采用折射式糖度计 PR-101α（0～45°Brix）测量SSC含量，将每个样本的12粒葡萄剥皮榨汁，将葡萄汁滴于折光仪镜面，测量并读数记录，每个样本测量3次，取平均值作为该样本的SSC值。

2结果与分析

2.1光谱数据获取

采用ENVI 4.7（Research system Inc，Boulder，Co.USA）软件处理采集到的高光谱图像。对每个样本、每粒葡萄的图像避开饱和区域选取1个50×50 pixels 的区域作为感兴趣区域（region of interest，ROI）。由于小于500 nm、大于1 000 nm的光谱数据存在明显噪声，因此试验选取500～1 000 nm波长范围的光谱进行平均反射量计算，获取的光谱见图1。

2.2校正集样本划分

试验将红提葡萄80个样本作为建模集。采用含量梯度法[14]对校正集样本进行挑选，将建模样本依SSC含量从低到高排序，按照3 ∶ 1的比例进行等梯度划分校正集、预测集，最终校正集含有60个样本，预测集含有20个样本，被测葡萄SSC实测值的统计量见表1。

2.3模型评估标准

所建模型准确性由校正集相关系数为rc、预测集相关系数为rp，校正集均方根误差为RMSEC和预测集均方根误差为RMSEP来评价。相关系数越大，均方根误差越小，并且RMSEP与RMSEC差异越小，模型的精度越高，稳定性越好。

2.4光谱校正方法的选择

光谱校正是对由于葡萄个体差异及实际物距不一致对光谱所造成的影响进行相应的处理，以减少对建模效果的影响，更利于建模时有用信息的提取。

本研究采用多元散射校正（multiplicative signal correction，MSC）和标准正态变化（standard normal variate，SNV）2种光谱校正方法对原始光谱进行预处理，在500～1 000 nm段范围内建立PLS模型，分析其对模型性能的影响，确定合适的光谱校正方法。

原始光谱经MSC、SNV光谱校正后的PLS建模结果见表2。原始光谱经过SNV光谱校正后，预测模型和校正模型的精度和稳定性都有所提高，校正集相关系数rc由0.758 9提高到0.781 5，预测集相关系数rp也由0.667 9提高到0.754 0，校正均方根误差RMSEC和预测均方根误差RMSEP均变小，模型的精度和稳定性都有所改善。因此，对于原始光谱，最优的光谱校正方法是SNV。

2.5微分光谱的选择与分析

通过选择不同微分处理，可以有效地消除在光谱采集过程中发生的光谱数据基线偏移和背景噪音的干扰，起到放大和分离重叠信息的作用，更有利于提取有用信息。S-G平滑处理不仅能去除一部分随机噪声，而且能在一定程度上提高光谱信噪比。

采用SNV进行光程校正，结合不同预处理方法[一阶微分（First derivative，1-Der）、二阶微分（Second derivative，2-Der）、1-Der+S-G平滑、2-Der+S-G平滑处理]建立预测模型，模型结果见表3。结果表明，由经过一阶微分结合 S-G平滑处理的模型相关系数看出，模型的预测能力优于其他预处理结果。

2.6定量模型的建立与评估

本试验采用偏最小二乘法（partial least square，PLS）、主成分回归（principal components regression，PCR），逐步多元线性回归（stepwise multiple linear regression，SMLR）方法对经过SNV、First derivative 结合S-G平滑预处理后的光谱建立SSC预测模型，建模比较分析结果见表4。结果表明，应用PLS方法所建模的结果较优，模型预测精度和稳定性均比其他2个模型的效果好，光谱经SNV+1-Der+S-G处理后应用PLS建模预测见图2。

3结论

本研究应用高光谱成像技术检测红提葡萄内部可溶性固形物含量，并建立了红提葡萄可溶性固形物检测定量模型。结果表明，采用PLS建模方法取得较好预测效果。应用PLS对经过SNV、1-Der和S-G平滑相结合预处理后的光谱建立预测模型，rc为0.912 6，RMSEC为0.542，rp为0.854 0，RMSEP为0.758。

参考文献：

[1]王亮，尚会建，王丽梅，等. 葡萄糖检测方法研究进展[J].河北工业科技，2010，27（2）：132-135.

[2]王斌，尹丽华，张淑娟. 梨枣糖度无损检测建模分析——基于高光谱成像技术[J].农机化研究，2014，36（10）：50-53，57.

[3]李锋霞，马本学，何青海，等. 哈密瓜坚实度的高光谱无损检测技术[J].光子学报，2013，42（5）：592-595.

[4]李丹，何建国，刘贵珊，等. 基于高光谱成像技术的小黄瓜水分无损检测[J].红外与激光工程，2014，43（7）：2393-2397.

[5]张保华，黄文倩，李江波，等. 用高光谱成像和PCA检测苹果的损伤和早期腐烂[J].红外与激光工程，2013（增刊2）：279-283.

[6]张令标，何建国，刘贵珊，等. 基于可见/近红外高光谱成像技术的番茄表面农药残留无损检测[J].食品与机械，2014，30（1）：82-85.

[7]田有文，程怡，王小奇，等. 基于高光谱成像的苹果虫害检测特征向量的选取[J].农业工程学报，2014，30（12）：132-139.

[8]Maruo T，Ito T. Nondestructive evaluation of ripeness and soluble solids content in melon and fruits using laser[J] Acta Horticulture，2002，588：373-375.

[9]Polder G，Gerie W A M，van der Heijden. Calibration and characterization of imaging spectrographs[J]. Near-Infrared Spectroscopy，2003，11：193-210.

[10]Polder G A，Leiva-Valenzuela L，Lu R F，et al. Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging[J]. Journal of Food Engineering，2013，115：91-98.

[11]Rajkumar P，Wang N，Elmasry G，et al. Studies on banana fruit quality and maturity stages using hyperspectral imaging[J]. Journal of Food Engineering，2012，108（1）：194-200.

[12]吴龙国，何建国，贺晓光，等. 高光谱图像技术在水果无损检测中的研究进展[J].激光与红外，2013，43（9）：990-996.

[13]徐爽，何建国，易东，等. 基于高光谱图像技术的长枣糖度无损检测[J].食品与机械，2012，28（6）：168-170.

[14]Lleti R，Melendeza E，Ortizm C，et al. Outliers in partial least squares regression application to calibration of wine grade with mean infrared data[J]. Analytica Chimica Acta，2005，544（1/2）：60-70.