基于可见/近红外高光谱成像技术的西甜瓜糖度检测

何洪巨，胡丽萍，李 武，陈兴海，黄 宇，刘业林

(1 北京市农林科学院蔬菜研究中心，北京 100097；2四川双利合谱科技有限公司，成都 610016)



基于可见/近红外高光谱成像技术的西甜瓜糖度检测

何洪巨1，胡丽萍1，李 武1，陈兴海2，黄 宇2，刘业林2

(1北京市农林科学院蔬菜研究中心，北京 100097；2四川双利合谱科技有限公司，成都 610016)

提出了以不同品种的西瓜、甜瓜为研究对象，利用可见光/近红外成像高光谱技术分析不同糖度的西瓜、甜瓜的光谱差异及西瓜、甜瓜糖度在可见光/近红外波段范围的响应。研究表明应用成像高光谱技术检测西甜瓜糖度具有可行性，为进一步研究不同水果糖度高精度模型奠定基础。

成像高光谱；西甜瓜；糖度；光谱差异；监测模型

糖度是影响西甜瓜营养与风味的主要因素，既可表征成熟度，又可体现其品质[1]。随着成像和光谱技术的快速发展，高光谱成像技术已经广泛应用于农产品品质的快速无损检测[2]。高光谱成像技术融合了传统的成像和光谱技术的优点，可以同时获取被检测物体的空间信息和光谱信息，因此该技术既可以检测物体的外部品质，也可以检测物体的内部品质如水果的糖度、坚实度、酸度等[3-7]。

董一威等[8]以红富士苹果为研究对象，应用自行搭建的CCD近红外光谱系统检测苹果的糖酸度，研究结果表明在630～1 030 nm范围内，可实现对苹果糖度、酸度的无损检测研究；金同铭等[9]利用近红外光谱法检测苹果中蔗糖、葡萄糖、果糖三种组分，筛选出914、950、897 nm分别代表蔗糖、葡萄糖和果糖的第一特征波长；赵丽丽等[10]运用近红外光谱仪获取苹果和番茄的光谱，并建立苹果糖度、硬度及番茄的红素的数学模型，所有模型的相关系数均在0.8以上，证明利用红外区域光谱可进行果品类品质的检测；田海清等[11]利用透射光谱仪获取蜜瓜的光谱信息，运用经典最小二乘法、逐步多元线性回归、主成分分析、偏最小二乘法等方法构建模型并检验，结果表明PLS法的建模与预测结果较好；Polder 等[12]利用可见光(波长范围为396～736 nm)高光谱成像系统对西红柿的成熟度进行判别研究。

然而，大多数研究者利用光谱仪检测果类品质、糖度、酸度等时，很少有研究者利用多类水果或多品种水果进行研究分析其不同糖度、酸度的光谱差异及特征响应波段范围。研究单一品种或单一类水果的检测模型其稳定性低、普适性弱，不能较好地实现科研成果产业化的发展。因此本研究以无籽/有籽西瓜、青色/黄色甜瓜为研究对象，利用可见/近红外高光谱成像技术，探索不同种类西甜瓜不同糖度光谱差异及特征响应波段范围，为探索不同水果糖度高精度检测模型奠定基础。

1 材料与方法

1.1 试验材料

试验材料2015年9月取自大兴庞各庄实验基地。包括不同类型西甜瓜品种(有籽西瓜、无籽西瓜)；甜瓜(青皮甜瓜、黄皮甜瓜)。进行瓜瓤的光谱采集和含糖量测定。

1.2 高光谱图像采集

高光谱图像数据采集采用某公司的 GaiaSorter高光谱分选仪系统。该系统主要由高光谱成像仪、CCD相机、卤素灯光源、暗箱、计算机组成。试验仪器参数设置如表1。在进行高光谱图像采集时，需要设置相机曝光时间，平台移动速度以及物镜之间的距离。这 3 个参数相互影响，图像调节的目的是使采集的图像大小合适，清晰，不变形失真。经过反复尝试，物镜高度设置为 26 cm，曝光时间设置为10ms，平台移动速度设置为 4.3 mm/s。图像采集软件采用某公司提供的高光谱成像系统采集软件SpecView完成。图像处理采用 ENVI5.3 软件进行处理。在进行图像处理之前，先要对采集的光谱图像进行图像校正，图像校正公(1)式：

(1)

(1)式中，Rref 是校正过的图像，DNraw 是原始图像，DNwhite为白板校正图像，DNdark 是黑板校正图像。

表1 GaiaSorter 高光谱分选仪系统参数

1.3 糖度测定与光谱反射率的获取

西瓜、甜瓜样本光谱数据采集后，为避免光照对糖度造成一定的变化，因此在微光条件下，在西瓜、甜瓜样品上分别作五处标志和四处标志，并立即用PR-101数字式折射仪对标志部位进行糖度测量，分切取约 15 mm×10 mm×5 mm中部内缘果肉挤出汁液滴到折光仪镜面上，覆盖住底部，测量其糖度并记录。

1.4 光谱获取

试验得到的光谱含有由仪器和试验条件等引起的噪声，对这些噪声的处理有助于减少噪声对光谱分析的影响，突出光谱的有效信息。Savitzky-Golay(SG)平滑算法可以有效消减光谱数据中的随机噪声，消噪效果受平滑点数的影响，本文中选择SG二次多项式7点平滑对光谱数据进行处理[13]。在高光谱图像上找到西瓜、甜瓜的标志处，运用ENVI的感兴趣区域提取功能，获取糖度测量区域，提取该区域的平均光谱，将此平均光谱与其对应的糖度建立一一对应的关系。

1.5 建模与检验数据

共获取了西甜瓜共36处的糖度值并获取其对应区域的平均光谱反射率，其中西瓜共有20个糖度值(有籽无籽西瓜各2个，分别在西瓜的东西南北中5个位置取样点)，甜瓜共有16个糖度值(青黄甜瓜各2个，分别在甜瓜的东西南北4个位置取样点)，采用随机抽样的方式获取11个西瓜糖度值、9个甜瓜糖度值及其光谱反射率作为建模数据，其余西瓜、甜瓜糖度值及对应的光谱反射率作为检验数据。西甜瓜建模与检验集的糖度值统计信息如表2所示，本研究采用建模R2、检验R2、相对均方根误差、Slope和截距等来评价模型性能[14]。

2 结果与分析

2.1 有籽西瓜不同含糖量的光谱分析

从图1可知，不同含糖量在红光至近红外区间差异明显，随着糖度升高其光谱反射率呈增加的趋势；在550、700、800 nm附近出现小峰值，这由于有籽西瓜的有机分子中含氢基团振动的合频、各级倍频的吸收作用引起的；在570～650 nm 红光区域反射率呈直线上升，这与西瓜含有红色素有关。

表2 西甜瓜建模与检验集的糖度值统计信息

图1 有籽西瓜不同含糖量的光谱曲线差异

2.2 无籽西瓜不同含糖量的光谱分析

从图2中可知，在400～600 nm范围内，高糖度的光谱反射率与低糖度的光谱反射率差异显著，高糖度的光谱反射率大于低糖度的光谱反射率；在650～900 nm处，随着糖度升高其光谱反射率升高；在570～650 nm 红光区间反射率呈直线上升，这与西瓜含有红色素有关；在550、700、800 nm附近出现小峰值。综合图1和图2可知，西瓜瓜瓤在550、700、800 nm附近有峰值；在570～650 nm 红光区域反射率呈直线上升，因此570～650 nm波段范围与550、700、800 nm等3个波段都可以作为西瓜瓜瓤的特征波段。

2.3 黄色甜瓜不同含糖量的光谱分析

图2 无籽西瓜不同含糖量的光谱曲线差异

从图3可知，随着含糖量的升高在可见光、近红外区间其光谱反射率呈增加的趋势。在410～600 nm 区间反射率上升速度较快；在600～680 nm区间反射率上升缓慢；在680～720 nm区间缓慢下降；在720～800 nm处呈上升趋势；到了800 nm后，光谱反射率呈下降趋势；与西瓜瓜瓤相似，在700 nm和800 nm附近有2个峰值，与西瓜一样，这也是由于甜瓜的有机分子中含氢基团振动的合频、各级倍频的吸收作用引起的。总体而言，黄色甜瓜糖度不同，其光谱曲线差异显著。

图3 黄色甜瓜不同含糖量的光谱曲线差异

2.4 青色甜瓜不同含糖量的光谱分析

从图4可知，在430～550 nm范围内，随着含糖量的升高其光谱反射率减小；在550～700 nm区间随着甜瓜糖度的升高，其反射率升高；在550～580 nm区间反射率上升较快，形成陡坡；在680 nm附近，低糖度的甜瓜瓜瓤出现低谷，含糖量越高，谷值越深；与西瓜瓜瓤相似，在700 nm和800 nm附近也有2个峰值；在700～1 000 nm区间，糖度与光谱反射率曲线无显著规律变化。综合图3和图4可知，在400～550 nm范围内，黄色甜瓜的光谱反射率显著高于青色甜瓜，甜瓜在700、800 nm附近有峰值；在500～600 nm 范围内反射率呈直线上升，形成陡坡，因此500～600 nm波段范围与700、800 nm两个波段都可以作为甜瓜瓜瓤的特征波段。

图4 青色甜瓜不同含糖量的光谱曲线差异

2.5 糖度相近时不同品种不同种类水果的光谱曲线分析

从图5可知，西瓜虽然品种不同，其光谱曲线相近，在580～650 nm范围内光谱反射率直线上升，形成陡坡，在550、700、800 nm等3个波长附近有3个吸收峰。两种甜瓜在400～600 nm范围内，光谱曲线变化规律相似，在520～580 nm附近光谱反射率曲线直线上升，形成陡坡；但在600～720 nm范围内，2个品种的甜瓜光谱曲线差异显著，青色甜瓜在680 nm附近有吸收谷，而黄色甜瓜没有出现吸收谷，在720～1 000 nm范围内，2个品种的甜瓜光谱曲线变化趋势相似。比较西瓜、甜瓜两种水果的瓜瓤光谱曲线可知，两种水果都陡坡形成，只是陡坡形成的位置有所差异，在700 nm和800 nm附近均有吸收峰，在720～1 000 nm范围内，不同品种的西瓜、甜瓜光谱反射率曲线变化趋势相似。

图5 糖度相近不同西甜瓜的光谱曲线图

2.6 水果糖度与各波段的光谱反射率的相关性分析及模型构建

从图6中可知，4种不同品种的水果，其光谱反射率对糖度的响应差异较大。对2个品种的西瓜而言，无籽西瓜在400～600 nm范围内，其光谱反射率与含糖量呈负相关关系，在600～1 000 nm范围内，其光谱反射率与含糖量呈正相关关系，其中600 nm处为零界点；有籽西瓜在400～630 nm范围内，其光谱反射率与含糖量呈负相关关系，在620～700 nm与820～1 000 nm范围内，其光谱反射率与含糖量呈正相关关系，在700～820 nm范围内，其光谱反射率与含糖量相关性较小，接近为0；在660 nm附近，有籽和无籽西瓜的光谱反射率与含糖量形成1个峰值，因此，660 nm可作为西瓜瓜瓤对糖度的一个特征响应波段。而对于两个品种的甜瓜，黄色甜瓜的光谱反射率与糖度在400～1 000nm范围内呈正相关关系，但在520 nm附近出现一个谷值，该谷值为0，即与糖度相关性为0；在550～1 000 nm范围内，黄色甜瓜的光谱反射率与糖度相关性较为稳定，保持在0.8左右；青色甜瓜在400～570 nm范围内，其光谱反射率与含糖量呈负相关关系，在570～1 000 nm范围内，其光谱反射率与含糖量呈正相关关系，与黄色甜瓜类似，在520 nm附近出现1个谷值，该谷值为0.8，即相关系数为0.8；青色甜瓜的光谱反射率与含糖量的零界点在570 nm，即相关系数为0。

图6 西甜瓜的糖度与各波段反射率的相关系数

从图7可知，西瓜、甜瓜的糖度与各波段的光谱反射率相关性较高的集中在630～650 nm，其中相关系数最高的是639.3 nm处，其相关系数为0.951。根据图8散点图的分布进行线性拟合，其一次线性拟合的模型为：y=30.941x-11.05，决定系数R2为0.904。运用独立的数据对该线性模型y=30.941x-11.05进行检验，如图9所示，其实测值与预测值之间的决定系数R2为0.847、斜率Slope为0.905、截距为0.867，相对均方根误差为6.78%。结果表明，由639.3 nm处的光谱反射率与其糖度构建的一次线性模型对于西瓜、甜瓜等糖度的预测具有较好的效果。

图7 综合西甜瓜的糖度与其波段反射率的相关系数

图8 西瓜、甜瓜在639.3 nm处光谱反射率与其糖度的散点图

图9 639.3 nm处的光谱反射率与糖度的模型检验

3 结论

本研究通过分析不同品种的西瓜、甜瓜的光谱曲线可知，对于不同品种的西瓜而言，其光谱曲线总体变化趋势相似，在550、700、800 nm附近有吸收峰，在570～650 nm 红光区域反射率呈直线上升，形成陡坡，因此570～650 nm波段范围与550、700、800 nm等3个波段都可以作为西瓜瓜瓤的特征波段。对于不同品种的甜瓜，在400～550 nm范围内，黄色甜瓜的光谱反射率显著高于青色甜瓜，甜瓜在700、800 nm附近也有吸收峰；在500～600 nm 范围内反射率呈直线上升，形成陡坡，因此500～600 nm波段范围与700、800 nm两个波段都可以作为甜瓜的特征波段。比较相似糖度下的西瓜和甜瓜的光谱曲线可知，两种水果都陡坡形成，只是陡坡形成的位置有所差异，甜瓜的光谱曲线陡坡在500～600 nm附近，西瓜的光谱曲线陡坡在570～650 nm附近；在700 nm和800 nm附近均有吸收峰，在720～1 000 nm范围内，不同品种的西瓜、甜瓜光谱反射率曲线变化趋势相似。

不同品种的西瓜、甜瓜，其光谱反射率对糖度的响应差异较大，但在红光范围630～670 nm范围内均有较高的相关性。综合不同品种、不同种类的西甜瓜光谱反射率，分析其对糖度的响应波段范围，研究表明，波段响应最高的是639.3 nm，其相关系数为0.951，利用独立的建模与检验数据，运用639.3 nm处的光谱构建监测模型，并对该模型进行检验，其建模R2为0.904、检验R2为0.847、斜率Slope为0.905、截距为0.867，相对均方根误差为6.78%，取得较好的研究效果，研究结果表明，应用成像高光谱技术检测西甜瓜糖度具有可行性。◇

[1]马本学，等.基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究[J].光谱学与光谱分析，2012，11(32)：3093-3097.

[2]张保华，等.高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J].光谱学与光谱分析，2015，10(34)：2743-2751.

[3]刘燕德，邓清.高光谱成像技术在水果无损检测中的应用[J].农机化研究，2015，7(5)：227-235.

[4]孙梅，陈兴海，张恒，等.高光谱成像技术的苹果品质无损检测[J].红外与激光工程，2014，43(4)：1272-1277.

[5]Nagata M，et al.NIR hyperspectral imaging for measurement of internal quality in strawberries[C]，2005 ASAE Annual Meeting.American Society of Agricultural and Biological Engineers，2005，1：053131-053141.

[6]傅霞萍，等.水果坚实度的近红外光谱检测分析试验研究[J].光谱学与光谱分析，2006，26(6)：1038-1041.

[7]曾一凡，等.可见/近红外光谱技术无损检测果实坚实度的研究[J].农业工程学报，2008，24(5)：250-252.

[8]董一威，籍保平，史波林，等.苹果中糖酸度的CCD近红外光谱分析[J].食品科学，2007，28(8)：376-380.

[9]金同铭.苹果中主要糖类的非破坏分析[J].食品科学，1996，17(2)：60-64.

[10]赵丽丽.果品类内部品质近红外无损检测技术的研究[D].北京：中国农业大学，2003.

[11]田海清，等.蜜瓜糖度透射光谱检测技术[J].农业机械学报，2010，41(12)：130-133.

[12]Polder G，et al.Spectral image analys is for measuring ripeness of tomatoes [J].American Society of Agricultural Engineers，2002，45(4)：1155-1161.

[13]张初，等.利用近红外高光谱图像技术快速鉴别西瓜种子品种[J].农业工程学报，2013，29(20)：270-277.

[14]Yao Xia，et al.Evaluation of Six Algorithms to Monitor Wheat Leaf Nitrogen Concentration[J].Remote Sensing，2015，7(11)：14939-14966.

(责任编辑 李燕妮)

Sugar Test in Watermelon and Muskmelon with Visible/Near Infrared Hyperspectral Imaging Technology

HE Hong-ju1，HU Li-ping1，LI Wu1，CHEN Xing-hai2，HUANG Yu2，LIU Ye-lin2

(1Beijing Vegetable Research Center，Beijing Academy of Agriculture and Forestry Sciences，Beijing 100097，China；2Sichuan Dualix Spectral Image Technology Co.Ltd，Chengdu 610016，China)

We propose used different varieties of watermelon，muskmelon as the research object，using visible / near infrared imaging hyperspectral technology to analyze the spectra of different sugar content in watermelon and muskmelon，and the responses in the visible / near infrared range of different sugar content in watermelon and muskmelon.The research showed that the application of hyperspectral imaging technology to detect the sugar content of watermelon and muskmelon was feasible，which layed the foundation for the further research for the high precision model of sugar content of different fruit.

Hyperspectral imaging；watermelon and muskmelon；sugar content；spectral different；monitoring model

西甜瓜产业技术体系(项目编号：CARS-26)；北京市农林科学院科技创新能力建设专项(项目编号：KJCX20140111)。

黄宇(1987— )，男，硕士，工程师，研究方向：农业遥感。

何洪巨(1967— )，男，博士，研究员，研究方向：蔬菜营养品质、活性物质和安全与健康。