基于高光谱成像技术的长枣不同保藏温度的可溶性固形物含量检测方法

冯愈钦， 吴龙国， 何建国,*， 王松磊,， 贺晓光， 丁佳兴

(1. 宁夏大学 农学院， 宁夏 银川　750021；　2. 宁夏大学 土木水利工程学院， 宁夏 银川　750021)



基于高光谱成像技术的长枣不同保藏温度的可溶性固形物含量检测方法

冯愈钦1， 吴龙国2， 何建国1,2*， 王松磊1,2， 贺晓光1， 丁佳兴1

(1. 宁夏大学 农学院， 宁夏 银川750021；2. 宁夏大学 土木水利工程学院， 宁夏 银川750021)

高光谱成像； 可溶性固形物； 连续投影法； 偏最小二乘法

1　引　　言

作为宁夏回族自治区最具地方特色的鲜食品种，灵武长枣具有很多优良品质。灵武长枣果实较大，果味鲜美，果肉多汁酥脆、酸甜可口，同时由于长枣内部含有多种维生素、氨基酸、矿物质及水溶性膳食纤维等营养物质，能够刺激胃肠道运动，有助于消化，使得灵武长枣具有极高的可食性及营养价值，深受消费者的青睐与推崇[1]。果品中的总可溶性固形物含量的高低直接反映了其品质的好坏。它是评估果品口感的主要指标之一，也是分析果品内部品质的重要参数[2]。测定可溶性固形物可以衡量水果成熟情况，以便确定采摘时间。而温度又是果品可溶性固形物含量的重要影响因素。目前，温度、可溶性固形物对灵武长枣的品质影响研究报道较多[3-6]，但对不同保藏温度下的灵武长枣可溶性固形物通过采用数据建模的方式，依据预测模型的效果显著程度筛选建立一个混合通用的模型研究尚未见报道。为此，我们对灵武长枣的温度与可溶性固形物含量的关系做了更进一步探讨。

近年来，高光谱成像技术在水果检测方面应用广泛。它融合传统的成像和光谱技术，具有分辨率高、波段多等优点，并可以同时实现无损检测和可视化不同的质量属性，对基本属性如pH值、颜色、硬度、脆度、持水量等具有强大预测功能[7-9]。本文分别选取冷藏、常温条件下的灵武长枣为研究对象，利用高光谱成像技术对灵武长枣进行光谱采集，采用连续投影法(SPA)对感兴趣区域(ROI)采集的光谱信息进行降维处理，筛选冗余信息程度最低的变量组，在尽量最小化各个变量之间的共线性的同时，降低建模的变量个数来提高建模的效率。应用SPA方法选择特征波长，将不同保藏温度下灵武长枣预处理后的光谱曲线结合实测的可溶性固形物含量建立偏最小二乘回归预测模型，优选出最佳预处理方法；然后采用偏最小二乘回归(Partialleastsquareregression，PLSR)、支持向量机(Supportvectormachine，SVM)、主成分回归法(Principalcomponentregression,PCR) 3种不同定量校正方法对灵武长枣的可溶性固形物含量的检测建模，对比分析不同保藏温度下建模的效果，为红枣产业快速检测奠定坚实的理论基础。

2　实　　验

2.1材料

灵武长枣样本采摘于宁夏灵武果业有限公司果园，通过人工分选出大小均匀、完好未损的灵武长枣两份样本，样本数均为132个，质量分布范围在13～14.5g，分别装入密封洁净的塑料袋中。一份样本置于4 ℃冰箱中冷藏24h，另一份至于常温中保藏。实验前从冰箱中取出冷藏的灵武长枣，将冷藏、常温的两份样本置于室温下放置2h后待测。

2.2仪器

实验中使用的仪器主要有HyperSpecVIS/NIR高光谱成像系统(美国HeadwallPhotonics公司)和PR-101α型折射式数字糖度计(Brix0.0%～45.0%，日本ATAGO有限公司)。

如图1所示，高光谱图像数据采集系统的硬件主体包括高光谱图像摄像仪、光源(90-254VAC，47-63Hz，GoldenWayScientificCo.，Lab.，EQUIP)、电控位移台(VT-80，HeadwallPhotonicsInstrumentsCo.，Ltd.，Beijing，China)和计算机(ThinkPadX220Inter(R)Corei5-2450CPU@2.5GHz，RAM3.41G)4部分。摄像机和光谱仪共同构成了高光谱图像摄像仪。其中，色散元件为棱镜光栅棱镜结构，摄像机采用进光口镜头。CCD摄像机型号为G4-232，美国GoldenWayScientific公司出品。

图1　可见近红外高光谱图像系统

2.3高光谱数据采集

为了消除光强的变化和镜头中暗流对成像的影响以及计算扫描物体的相对反射光谱值，在光谱采集前要进行黑白板校正[10-14]，如公式(1)所示:

(1)

式中：R表示校正后图像，IR表示原始图像，ID表示黑板校正图像，IW表示白板校正图像。

在采集灵武长枣数据的过程中，每组取10个灵武长枣样本依次置于电控位移载物中心，如图2所示。线阵探测器在光学焦平面的垂直方向上获取扫描线上条状空间中每个像素在各个波长条件的空间图像信息，随着电控位移台的推进，完成样本的图像采集。

图2　灵武长枣样本置于电控位移载物中心的照片

Fig.2Lingwulongjujubesamplesatelectricdisplacementloadingcenter

2.4可溶性固形物(SSC)含量的测定

在灵武长枣保藏期间，随机取出长枣10个作为一组样品。实验前，将样品置于室温下使其回升至室温且达到均匀。削去果皮，在家用压蒜器内铺医用纱布2层，用压蒜器将切碎的果肉压成汁，搅匀后先后用数字式糖度计测量SSC各3次，取各自的平均值作为该样品的测试结果。

3　结果与讨论

3.1提取灵武长枣的平均光谱曲线

实验采用可见近红外高光谱成像系统(400～1 000nm)对132个灵武长枣进行图像扫描。采用ENVIV.4.6(ResearchSystem，Inc.，USA)从采集到的灵武长枣高光谱图像中选取长枣表面8×8的矩形区域为感兴趣区域(Regionofinteresting，ROI)，将平均光谱信息作为原始光谱。

图3　原始光谱曲线。(a) 4 ℃冷藏；(b) 常温。

从图3可知，4 ℃冷藏和常温条件下的吸收光谱均于689nm附近达到高峰，反射值达到最低。造成该结果的原因可能是由于灵武长枣表皮含有多种色素，如叶绿素a(Chlorophylla)、叶绿素b(Chlorophyllb)、类胡萝卜素(Carotenoids)等。叶绿素吸收率高，对光合作用与光周期效应有显著影响，既拓宽了光合作用的作用光谱，其他的色素也能吸收过度的强光而产生所谓的光保护作用(Photoprotection)。在该系统中，当光子打到系统里的色素分子时，电子会在分子之间发生移转作用，直到反应中心。反应中心是由叶绿素a及特定蛋白质组成，蛋白质的种类决定了波长在400～1 000nm反应中心存在一个吸收峰值。

3.2筛选合适的预处理方法

为了消除光谱曲线上的噪音与其他无关信息的干扰，提取出有用信号，增强分析信息，需要对原始光谱进行光谱预处理[15-17]。本文利用UnscramblerX10.2软件对原始光谱进行多元散射校正、标准正态变量变换和Savitzky-Golay平滑等预处理，分别对原始光谱和预处理后的光谱曲线建立灵武长枣SSC含量的偏最小二乘回归预测模型。对保藏温度为4 ℃和常温的灵武长枣的光谱数据分别进行MSC、Savitzky-Golay平滑、SNV预处理，结果如图4所示。

图4不同预处理方式的光谱曲线。(a) 4 ℃冷藏MSC处理；(b) 常温MSC处理；(c) 4 ℃冷藏Savitzky-Golay平滑处理；(d) 常温Savitzky-Golay平滑处理；(e) 4 ℃冷藏SNV处理；(f) 常温SNV处理。

Fig.4Spectralcurveswithdifferentpretreatment. (a)MSCtreatmentfor4 ℃preservativetemperature. (b)MSCtreatmentforroompreservativetemperature. (c)Savitzky-Golaytreatmentfor4 ℃preservativetemperature. (d)Savitzky-Golaytreatmentforroompreservativetemperature. (e)SNVtreatmentfor4 ℃preservativetemperature. (f)SNVtreatmentforroompreservativetemperature.

3.3可溶性固形物(SSC)测定结果

实验测得132个样本的SSC有效值，统计结果见表1。将97个样本选入校正集用于模型建立，35个样本选入预测集用于模型预测。

表1　不同温度下保藏的长枣可溶性固形物数据统计

3.4长枣可溶性固形物含量预测模型

3.4.1光谱预处理方法的比较和分析

RC2和RMSEC分别表示建模集的相关系数和均方根误差，RP2和RMSEP分别表示预测集的相关系数和均方根误差。一个好的模型应该具有较高的RC2和RP2值、较低的RMSEC和RMSEP值，RMSEC和RMSEP差异也是越小越好。

表2　不同预处理光谱的PLSR糖度模型效果

利用Matlab编程，分别对4 ℃冷藏和常温保藏的灵武长枣原始光谱用连续投影法(SPA)挑选出各自的特征波段，以便减少变量的输入个数简化后期建模过程。基于特征波段下的光谱具有较低的维数，减小了数据的冗余，有利于实现在线快速检测[18-21]。SPA运算过程所设定的特征波段个数为5～30，步长为1，计算每个波长下的RMSEP，然后根据最小的RMSEP确定最佳的特征波长数。当特征波长数为13时，冷藏的MSC处理的RMSEP值最小；特征波长数为12时，常温保藏的MSC处理的RMSEP值最小，由此确定的冷藏、常温保藏特征波长个数分别为13个和12个，替代全波段数据进行线性判别建模分析，结果如表3所示。

表3　不同温度MSC处理的特征波长提取

4　预测模型性能的比较与分析

借助Unscrambler10.2分析软件分析灵武长枣在不同波长处的光谱吸光度，分别挑选用于灵武长枣可溶性固形物含量校正模型的特征波段。将由SPA提取的特征波长下的光谱反射率作为偏最小二乘回归(PLSR)、支持向量机(SVM)、主成分回归(PCR)预测模型的输入，预测模型的输入对应最优预处理方法挑选出的不同特征波长各自建立3个预测模型，一共获得6种预测模型，结果见表4。

表4　灵武长枣SSC含量不同建模算法的模型效果

图5灵武长枣SSC含量的PLSR预测模型。(a) 4 ℃冷藏校正模型；(b) 常温校正模型；(c) 4 ℃冷藏预测模型；(d) 常温预测模型。

Fig.5PLSRpredictionmodelofSSCcontentofLingwulongjujube. (a)Correctionmodelfor4 ℃preservativetemperature. (b)Correctionmodelforroompreservativetemperature. (c)Predictionmodelfor4 ℃preservativetemperature. (d)Predictionmodelforroompreservativetemperature.

5　结　　论

分别采用偏最小二乘回归(PLSR)、支持向量机(SVM)、主成分回归(PCR)这3种预测模型，对两种不同温度下保藏的灵武长枣中可溶性固形物含量进行预测建模，得出的结论如下：

(2)对全波段的原始光谱和预处理光谱进行SPA选择特征波长，提取了13个4 ℃冷藏的特征波段(421，426，512，598，641，670，675，723，814，906，944，978，982nm)和12个常温保藏的特征波段(425，507，555，598，673，680，685，718，809，910，954，978nm)，基于特征波长降低了光谱的维数，减小了数据的冗余，有利于实现在线快速检测。

低温冷藏破坏了灵武长枣内复杂的呼吸过程的各个阶段的协调性，导致可溶性固形物、维生素C等有机酸水解加快而合成速度降低，其含量也相应降低，过氧化酶、酪氨酸和多巴等含量升高，导致表皮变色，吸光度改变。本文利用高光谱成像技术通过对冷藏及常温下可溶性固形物含量的建模预测，总结了高光谱成像技术在灵武长枣品质与安全检测方面的原理和应用，对不同温度条件下的灵武长枣的可溶性固形物含量进行建模，得到较理想的结果，为将来实现不同保藏温度下灵武长枣品质的无损、快速、高效的在线检测提供了参考依据。

[1] 张令标. 基于高光谱成像技术的红枣表面农药残留无损检测的研究 [D]. 银川:宁夏大学, 2014.

ZHANGLB. Non-destructive The Pesticide Residue of Red Jujube Surface by Hyperspectral Imaging Technology [D].Yinchuan:NingxiaUniversity, 2014. (inChinese)

[2] 曹兵,侯晶东. 对“灵武长枣栽培技术创新与长枣产业发展”的思考 [J]. 农业科学研究, 2011, 32(1):46-49.

CAOB,HONGJD.InnovationofcultivatingtechniquesandindustrydevelopmentofZizyphus jujubeMill.cv.LingwuChangzao[J]. J. Agric. Sci., 2011, 32(1):46-49. (inChinese)

[3]XIONGZJ,SUNDW,ZENGXA, et al..Recentdevelopmentsofhyperspectralimagingsystemsandtheirapplicationsindetectingqualityattributesofredmeats:areview[J]. J. Food Eng., 2014, 132:1-13.

[4]VERDúS,VáSQUEZF,GRAUR, et al..Detectionofadulterationswithdifferentgrainsinwheatproductsbasedonthehyperspectralimagetechnique:thespecificcasesofflourandbread[J]. Food Control, 2016, 62:373-380.

[5]CENHY,LURF,ZHUQB, et al..Nondestructivedetectionofchillinginjuryincucumberfruitusinghyperspectralimagingwithfeatureselectionandsupervisedclassification[J]. Postharv. Biol. Technol., 2016, 111:352-361.

[6]VAKILIH,KOLAKOVICR,GENINAN, et al..Hyperspectralimaginginqualitycontrolofinkjetprintedpersonaliseddosageforms[J]. Int. J. Pharm., 2015, 483(1-2):244-249.

[7] 李金梦,叶旭君,王巧男,等. 高光谱成像技术的柑橘植株叶片含氮量预测模型 [J]. 光谱学与光谱分析, 2014, 34(1):212-216.

LIJM,YEXJ,WANGQN, et al..Developmentofpredictionmodelsfordeterminingncontentincitrusleavesbasedonhyperspectralimagingtechnology[J]. Spectrosc. Spect. Anal., 2014, 34(1):212-216. (inChinese)

[8] 岳绒. 受损猕猴桃贮藏期间近红外光谱与品质关系的研究 [D]. 杨凌:西北农林科技大学, 2011.

YUER. Research on The Relationship Between Near-infrared Spectroscopy and Quality of Bruised Kiwifruit in Storage [D].Yangling:NorthwestA&FUniversity, 2011. (inChinese)

[9] 刘燕德,邓清. 基于高光谱成像技术的脐橙叶片的叶绿素含量及其分布测量 [J]. 发光学报, 2015, 36(8): 957-961.

LIUYD,DENGQ.Measurementofchlorophylldistributioninnavelorangeleavesbasedonhyper-spectralimagingtechnique[J]. Chin. J. Lumin., 2015, 36(8):957-961. (inChinese)

[10] 薛建新,张淑娟,张晶晶. 高光谱成像技术对鲜枣内外部品质检测的研究 [J]. 光谱学与光谱分析, 2015, 35(8): 2297-2302.

XUEJX,ZHANGSJ,ZHANGJJ.SimultaneousdetectionofexternalandinternalqualityparametersofHupingjujubefruitsusinghyperspectralimagingtechnology[J]. Spectrosc. Spect. Anal., 2015, 35(8):2297-2302. (inChinese)

[11]GIOVENZANAV,BEGHIR,CIVELLIR, et al..Opticaltechniquesforrapidqualitymonitoringalongminimallyprocessedfruitandvegetablechain[J]. Trends Food Sci. Technol., 2015, 46(2):331-338.

[12]ALEXANDRINOGL,KHORASANIMR,AMIGOJM, et al..Monitoringofmultiplesolid-statetransformationsattabletsurfacesusingmulti-seriesnear-infraredhyperspectralimagingandmultivariatecurveresolution[J]. Eur. J. Pharm. Biopharm., 2015, 93:224-230.

[13] 邹小波,徐艺伟,陈武,等. 高光谱图像技术检测枇杷叶片三萜酸含量及叶面分布 [J]. 现代食品科技, 2015, 32(9):263-268.

ZOUXB,XUYW,CHENW, et al..Measurementoftriterpenicacidcontentanditsdistributioninloquatleavesbasedonthehyperspectralimagingtechnique[J]. Mod. Food Sci. Technol., 2015, 32(9):263-268. (inChinese)

[14]LIJB,CHENLP,HUANGWQ, et al..Multispectraldetectionofskindefectsofbi-coloredpeachesbasedonVis-NIRhyperspectralimaging[J]. Postharv. Biol. Technol., 2016, 112:121-133.

[15] 鲍一丹,陈纳,何勇,等. 近红外高光谱成像技术快速鉴别国产咖啡豆品种 [J]. 光学 精密工程, 2015, 23(2):349-355.

BAOYD,CHENN,HEY, et al..Rapididentificationofcoffeebeanvarietybynearinfraredhyperspectralimagingtechnology[J]. Opt. Precision Eng., 2015, 23(2):349-355. (inChinese)

[16]GALVISL,BERTINETTOCG,HOLOPAINENU, et al..StructuralandchemicalanalysisofnativeandmaltedbarleykernelsbypolarizedRamanspectroscopy(PRS) [J]. J. Cereal Sci., 2015, 62:73-80.

[17]REINHOLDSI,BARTKEVICSV,SILVISICJ, et al..Analyticaltechniquescombinedwithchemometricsforauthenticationanddeterminationofcontaminantsincondiments:areview[J]. J. Food Compos. Anal., 2015, 44:56-72.

[18] 任晓东,雷武虎. 基于光谱区分法的高光谱核异常检测算法 [J]. 光子学报, 2016, 45(3):0330003-1-5.

RENXD,LEIWH.Kernelanomalydetectionmethodinhyperspectralimagerybasedonthespectraldiscriminationmethod[J]. Acta Photon. Sinica, 2016, 45(3):0330003-1-5. (inChinese)

[19] 郭文川,董金磊. 高光谱成像结合人工神经网络无损检测桃的硬度 [J]. 光学 精密工程, 2015, 23(6):1530-1537.

GUOWC,DONGJL.Nondestructivedetectiononfirmnessofpeachesbasedonhyperspectralimagingandartificialneuralnetworks[J]. Opt. Precision Eng., 2015, 23(6):1530-1537. (inChinese)

[20]KANEKOH,FUNATSUK.ClassificationofdrugtabletsusinghyperspectralimagingandwavelengthselectionwithaGAWLSmethodmodifiedforclassification[J]. Int. J. Pharm., 2015, 491(1-2):130-135.

[21] 黄鸿,杨娅琼,罗甫林. 基于半监督稀疏多流形嵌入的高光谱影像分类 [J]. 光子学报, 2016, 45(3):0330001.

HUANGH,YANGYQ,LUOFL.Classificationofhyperspectralimagesbasedonsemi-supervisedsparsemulti-manifoldembedding[J]. Acta Photon. Sinica, 2016, 45(3):0330001. (inChinese)

冯愈钦(1992-)，男，河南南阳人，硕士研究生，助理工程师，2014年于宁夏大学获得学士学位，主要从事农产品无损检测方面的研究。

E-mail： 15109507615@163.com何建国 (1960-)，男，山东济南人，教授，硕士生导师，1988年于北京航空航天大学获得硕士学位，主要从事农业工程装备及机电一体化技术、农产品无损检测方面的研究。

E-mail：hejg@nxu.edu.cn

Detection Method of Soluble Solid of Jujube at Different Preservative Temperature Based on Hyper-spectral Imaging Technology

FENG Yu-qin1, WU Long-guo2, HE Jian-guo1,2*, WANG Song-lei1,2, HE Xiao-guang1, DING Jia-xing1

(1. Agricultural College, Ningxia University, Yinchuan 750021, China;2. Hydrology and Civil Engineering College, Ningxia University, Yinchuan 750021, China)

, E-mail: hejg@nxu.edu.cn

Thehyper-spectralimagingtechnologywasappliedtobuildapredictionmodelforsolublesolidcontentofLingwujujubeatdifferentpreservativetemperature.Theaveragespectradatawereextractedfromthearea-of-interestoftheimage.Afterpre-treatmentofdifferentspectrum,thesuccessionprojectionanalysis(SPA)wasusedtoselectcharacteristicwavelength. 13characteristicwavebandsunder4 ℃temperaturecondition(421, 426, 512, 598, 641, 670, 675, 723, 814, 906, 944, 978, 982nm)and12characteristicwavebandsundernormaltemperaturecondition(425, 507, 555, 598, 673, 680, 685, 718, 809, 910, 954, 978nm)wereextracted.ByadoptionofMSCtreatment,MSC+SPAtreatment,Savitzky-GolaysmoothtreatmentandSNVtreatment,bothMSCtreatmentandMSC+SPAtreatmentoutof4abovewerescreenedoutastheoptimumpre-treatmentmethodafterwards.Incorrespondingtothese2optimumpre-treatmentmethods, 3predictionmodelslikepartialleastsquaresregressions(PLSR),supportvectormachine(SVM)andprincipalcomponentregression(PCR)modelwerebuilt,respectively.Amongtheaforesaid6predictionmodels, 2optimummodessuchasPLSRmodelaftertreatedbyMSC(RC2： 0.852，RMSEC： 0.940； RP2： 0.857，RMSEP： 0.894)andPLSRmodelaftertreatedbyMSC+SPA(RC2：0.872，RMSEC： 0.866； RP2： 0.787，RMSEP： 1.007)wereacquired.TheresultsshowthatthecontentofsolublesolidsofLingwujujubeatdifferentpreservativetemperaturecanbeforecastedbyutilizationofhyper-spectralimagingtechnologyincombinationofbuildingmultiplepredictionmodels,sothatthenondestructivetesting(NDT)canbeachievedforLingwujujubeinaccurateandrapidmanner.

hyper-spectralimaging;solublesolid;successiveprojectionsalgorithm;partialleastsquares

1000-7032(2016)08-1014-09

2016-03-13；

2016-04-17

O657.3;S123

A< class="emphasis_italic">DOI

: 10.3788/fgxb20163708.1014