马铃薯干物质空间分布状态可视化研究

许英超 王相友 印 祥 胡周勋 岳仁才

(山东理工大学农业工程与食品科学学院， 淄博 255049)

0 引言

马铃薯作为第四大粮食作物，其品质越来越受到人们的关注。马铃薯的品质评价指标较多，如硬度、蛋白质含量、干物质含量、还原糖含量、淀粉含量等，其中，干物质含量是马铃薯加工业对马铃薯品质评价的主要指标，关系到企业原材料的成本与后续工艺参数的选择[1]。通常用于加工的马铃薯干物质质量分数需要达到马铃薯鲜质量的18%～26%[2]。但马铃薯在生长过程中，由于栽培方式[3]和栽培措施[4]的不同，干物质会发生转移，从而在马铃薯块茎内部分布不均匀。研究马铃薯各部位的干物质含量及分布状态至关重要，直接关系到马铃薯加工业的经济效益。

国外部分学者已对马铃薯干物质分布情况进行研究。PRITCHARD等[5]将马铃薯长轴顶端部分去掉，剩余部分均匀分成9块，干燥后测量干物质，结果显示，外侧干物质含量高于内侧含量。BANDANA等[6]认为马铃薯表皮层干物质含量高于其余部位。以上研究均表明马铃薯干物质在马铃薯块茎各部位的分布不同，但由于取样方法的局限性，不能精确显示各部位的具体情况。因此，需要新的方法提供更详细的马铃薯干物质含量分布信息， 目前未见国内学者进行此项研究的相关文献。

高光谱成像技术将光谱技术与成像技术相结合，可同时获取高光谱图像中每个像素点的光谱信息和空间信息[7]，根据官能团分子的振动跃迁特性，定量测量被测物的化学、物理性质及它们的空间分布状态。目前，高光谱成像技术已被广泛应用于食品质量的快速检测[8]，主要检测食品中的水分[9]、蛋白质[10]、脂肪[11]、可溶性固形物[12]、还原糖[13]和干物质等含量[14]。

本文采用高光谱成像技术对马铃薯干物质的空间分布状态进行可视化检测，结合光谱技术与图像处理技术，建立预测模型，旨在确定马铃薯干物质空间分布状态的可视化，以期为马铃薯精加工提供理论指导，为开发便携式测量装置提供技术支持。

1 材料与方法

1.1 样本

试验用马铃薯采收于山东省滕州市，品种为希森6号。挑选外表完好、无机械损伤、大小均匀的马铃薯20个。洗净放于恒温23℃暗室内晾干24 h。参照MO等[15]方法结合前期的马铃薯光学特性试验研究，将每个样品在平行于轴线方向用ST-208B型手动切片机从右向左依次切11 mm的切片。如图1所示共有6个切片，Ⅰ～Ⅴ厚度为11 mm，第6片厚度随机。如A-A所示，将Ⅰ～Ⅴ切片用直径15 mm的打孔器做30个标记。采用高光谱成像系统对切片进行扫描，将标记处的马铃薯采用干燥法[16]进行干物质测量。

图1 取样示意图Fig.1 Sampling image

1.2 高光谱成像系统

样品信息采集，采用可见-近红外高光谱成像系统。本系统主要包括CCD相机(美国Xenics公司)、Specim V10E型线扫式近红外光谱仪(芬兰奥卢光谱成像有限公司)、双分支光纤光源(美国Advanced illumination公司)、一轴电动移动平台(台湾五铃光学股份有限公司)、暗箱、计算机等。高光谱系统的波长范围为382～1 010 nm，光谱分辨率为2.8 nm，入射光狭缝宽30 μm。相机分辨率1 600像素×1 200像素。光源采用21 V/150 W卤素灯接发光长度152.4 mm的线性光导管加线型聚光镜，移动平台移动距离为400 mm。

1.3 高光谱图像采集

采集的高光谱图像质量与相机的曝光时间、镜头的焦距、移动平台的移动速度以及光源入射角度有关[17]。高光谱图像采集前先将光源提前预热30 min，以确保光源稳定。然后调整各参数，确保图像信息真实有效。经过优化，最终设置的参数如下：曝光时间为25 ms，位移平台移动速度为3.5 mm/s，图像分辨率为804像素×440像素，物距为210 mm，光源入射角度为45°，如图2所示。将3片厚度为11 mm的马铃薯切片根部向右按顺序平铺在移动平台上，关闭暗箱。打开光谱采集软件IRCP0071-1COMB (台湾五铃光学股份有限公司)，采集每片马铃薯的高光谱图像。之后将剩余2片马铃薯切片按相同步骤进行高光谱图像采集。

图2 高光谱成像系统Fig.2 Hyperspectral imaging system1.光源 2.CCD相机 3.光谱仪 4.镜头 5.电动移动平台 6.暗箱 7.马铃薯切片

1.4 高光谱图像校正

由于暗电流的存在以及光源强度在不同波段下的不均匀分布，高光谱图像中含有噪声信号， 故需要对高光谱图像进行黑白标定[18]。将反射率为0.99且与样品等高的白板(芬兰Specim公司)置于样品采集区域，将采集的图像作为全白图像，标记为Iw。将镜头盖上镜头盖采集图像，作为全黑图像，记为Ib。对马铃薯干物质图像进行校正，公式为

(1)

式中I——校正后的马铃薯切片图像

Ir——原始的马铃薯切片图像

1.5 数据处理及建模方法

采用Unscrambler 10.5软件对原始光谱进行预处理，建立了马铃薯干物质含量的回归预测模型。采用Matlab 2012软件对光谱进行特征变量的选取。

分别采用主成分分析(Principal component regression, PCR)、支持向量机(Support vector regression, SVMR)与偏最小二乘回归(Partial least squares regression, PLSR)预测马铃薯干物质含量，并得到最优模型。将高光谱图像与最优模型结合，转化成可视化干物质分布图。

2 结果与分析

2.1 马铃薯干物质分布

试验选用20个马铃薯，每个马铃薯取30个感兴趣区域(Region of interesting, ROI)，共600个ROI，图3是马铃薯600个ROI的干物质含量分布情况。如图3所示，马铃薯干物质含量基本服从正态分布，在19.5%～22.5%附近较多，两侧较少。20.5%和21.5%的频数最高，均为93次。马铃薯干物质质量分数取值范围较大，最小值为12.16%，最大值为28.82%，平均值为20.47%，偏差2.03%。

图3 马铃薯干物质分布情况Fig.3 Distribution of potato dry matter content

图4为各个马铃薯干物质的平均含量及偏差情况。20个马铃薯中干物质总质量分数最小为18.70%，最大为22.92%，偏差范围为1.60%～3.74%。

图4 各马铃薯干物质平均含量及偏差Fig.4 Average dry matter content and standard deviation of each potato

2.2 光谱特征提取

将高光谱图像校正处理后，提取高光谱图像上每个ROI的平均光谱。图5为单个马铃薯30个ROI的原始光谱曲线，如图所示光谱在450 nm附近有较大吸收带，类胡萝卜素中叶黄素和玉米黄素的最大吸收波长均在450 nm 左右[19]，希森6号为黄肉品种，类胡萝卜素含量较高。650 nm附近有小吸收峰，叶绿素在此有吸收带。750、970 nm吸收峰分别为水的O—H三级倍频和二级倍频的吸收带[20]。马铃薯中含有70%～80%的水，因此谱图中970 nm附近有较大吸收带。

图5 马铃薯原始光谱Fig.5 Raw spectra of potato

2.3 光谱预处理

将600个马铃薯样本按照2∶1的比例分配校正集和预测集，并保证最大值和最小值在校正集中。表1为马铃薯干物质在不同预处理下建立的偏最小二乘回归模型。SNV-SG-FD的PLSR模型最好。预测集的决定系数和均方根误差分别为0.803和0.903%，相对分析误差为2.248，该值大于2，因此有好的预测效果。

表1 干物质不同预处理方法的PLSR预测模型Tab.1 Performance of PLSR models of potato dry matter by different preprocessing methods

图6为光谱预处理后的效果图。图6a为SG平滑预处理后光谱图，SG平滑预处理可有效去除光谱噪声；与原始光谱相比光谱更平滑。图6b为SNV预处理后光谱图，SNV能减少基线漂移及光散射引起的光谱冗余数据，图6b中光谱冗余数据少，更集中。图6c为SNV-SG-FD预处理后光谱，FD可降低背景因素的干扰，三者相结合能更好地去除干扰，显示有效光谱数据。由图6c可以看出，光谱去除冗余信息，显示出明显的波峰与波谷。在520 nm出现明显波峰，花青素的吸收带在490～550 nm[21],马铃薯果肉中有较多含量的花青素[22]。在900 nm附近有较大的吸收峰，淀粉中的C—H三级倍频和四级倍频吸收带分别在900 nm和740 nm附近。

图6 预处理光谱图Fig.6 Preprocessed spectrum

2.4 特征变量的选取

采集的光谱共包含440个波段。为了简化建模过程，加快计算速度，提高模型的预测能力，需要提取光谱的特征波段，压缩光谱数据，以期实现马铃薯干物质的在线可视化检测。本文采用正自适应加权算法(Competitive adaptive reweighted sampling, CARS)与连续投影法(Successive projections algorithm, SPA)相结合的方法对光谱进行波段选择[23]，并对所选波段进行主成分分析、偏最小二乘回归和支持向量机建模[24-25]。

正自适应加权算法选择变量，先优选出PLSR回归系数权重大的波长点，再利用十折交叉验证选出n个校正集均方根误差最小的子集作为最优组合。图7a是变量数选择的变化趋势，图7b是十折交叉验证的校正集均方根误差的变化状态，图7c是各变量在采样过程中回归系数的变化路径。从图7可知95次采样获得的校正集均方根误差最小，通子集有42个波段。

图7 CARS变量选择Fig.7 Variable selection by CARS

连续投影法通过分析向量的投影，查找含有冗余信息最少的变量组，使变量共线性最小。通过CARS-SPA选择变量，共获得了22个特征波长(410、421、446、498、525、550、560、604、644、647、661、736、778、792、845、847、898、899、900、906、912、940 nm)，结果如图8所示。马铃薯干物质的大部分成分为淀粉，故所选的对应波段主要在900 nm附近(特征波长898、899、900、906、912 nm)。马铃薯中叶黄素、花青素和叶绿素的含量较多故所选的特征波段较多(特征波长446、498、525、550、560、644、 647、 661 nm)。

图8 CARS-SPA二次变量选择Fig.8 Variable selection by CARS-SPA

2.5 建模方法的优选

表2 不同变量选择方法及建模结果Tab.2 Performance of models on different spectra variable selection

图9 马铃薯干物质质量分数的PLSR预测模型Fig.9 PLSR model for potato dry matter content

2.6 马铃薯干物质含量可视化分析

图10 马铃薯干物质含量空间分布图Fig.10 Distribution map of potato dry matter content

马铃薯干物质的空间分布很难通过肉眼直观判断，图10是利用所得的PLSR模型，将高光谱上的像素点转换成马铃薯干物质含量后所得的马铃薯干物质含量空间分布图。颜色梯度条由下往上代表马铃薯干物质质量分数由低变高，范围为11%～28%。由图10可知，切片Ⅰ和Ⅴ的主要颜色为红色，干物质质量分数为24.62%；切片Ⅱ和Ⅳ的主要颜色为红色和黄色，以黄色为主，干物质质量分数在19%～22%之间；中间切片Ⅲ主要呈蓝绿色，干物质质量分数在12%～21%之间。表明马铃薯中心干物质含量最低，由中心向表皮干物质质量分数逐渐增加。

切片Ⅲ的中间有条紫色竖线，是马铃薯的内髓位置，主要成分为水，因此干物质含量低，干物质质量分数为12.16%。外围蓝色圈是马铃薯的维管束环位置，马铃薯的干物质含量主要分布在内髓与维管束环之间,内髓干物质含量最低。

由此可以看出高光谱图像技术能有效实现马铃薯干物质含量的可视化检测，相比于传统干物质的测量方法，更快速更直观。本研究为薯片薯条的加工及检测提供了技术支持，为近红外便携设备的研制提供了基础。

3 结论

(1)将CARS-SPA两种选择变量的方法相结合提取原始光谱的特征波段，共获得了22个(特征波长410、421、446、498、525、550、560、604、644、647、661、736、778、792、845、847、898、899、900、906、912、940 nm)有效波段。

(3)通过对马铃薯干物质空间分布的研究，提出了采用高光谱成像技术可视化检测马铃薯干物质的方法。利用所得的CARS-SPA-PLSR模型，将高光谱图像转换成马铃薯干物质含量空间分布图，实现了马铃薯干物质含量的直观可视化检测。

(4)得出了马铃薯干物质的空间分布规律，马铃薯干物质主要是分布在内髓与维管束环之间，由内髓向外干物质含量逐渐增加，内髓位置干物质质量分数最低为12.16%，外层干物质质量分数可达24.62%。

1 NIELSEN G G B, KJ☞R A, KLÖSGEN B, et al. Dielectric spectroscopy for evaluating dry matter content of potato tubers[J]. Journal of Food Engineering, 2016, 189: 9-16.

2 RADY A M, GUYER D E. Rapid and/or nondestructive quality evaluation methods for potatoes: a review[J]. Computers & Electronics in Agriculture, 2015, 117:31-48.

3 杨平, 陈昱利, 巩法江, 等. 不同栽培方式对马铃薯干物质积累分配及转运的影响[J]. 中国农学通报, 2017, 33(8): 13-18.

YANG Ping, CHEN Yuli, GONG Fajiang, et al. Effects of different cultivation methods on accumulation, distribution and transport of dry matter in potato[J]. Chinese Agricultural Science Bulletin, 2017, 33(8): 13-18. (in Chinese)

4 杨相昆,魏建军,张占琴,等.不同栽培措施对马铃薯干物质积累与分配的影响[J].作物杂志, 2012(4):130-133.

YANG Xiangkun, WEI Jianjun, ZHANG Zhanqin, et al. Study on accumulation and distribution of dry matter in potato under different cultivation[J]. Crops, 2012(4): 130-133. (in Chinese)

5 PRITCHARD M K, SCANLON M G. Mapping dry matter and sugars in potato tubers for prediction of whole tuber process quality[J]. Canadian Journal of Plant Science, 1997,77(3):461-467.

6 BANDANA, SHARMA V, KAUSHIK S K, et al. Variation in biochemical parameters in different parts of potato tubers for processing purposes[J]. Journal of Food Science & Technology, 2016, 53(4):1-7.

7 尹丽华. 基于高光谱成像技术的鲜枣分级技术的研究[D].太谷:山西农业大学, 2013.

YIN Lihua. Research of online grading for flesh jujube based on hyperspectral imaging abstract[D]. Taigu: Shanxi Agricultural University,2013. (in Chinese)

8 WU D, SUN D W. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment:a review—part II: applications[J]. Innovative Food Science & Emerging Technologies,2013,19(1):15-28.

9 SU W H, SUN D W. Potential of hyperspectral imaging for visual authentication of sliced organic potatoes from potato and sweet potato tubers and rapid grading of the tubers according to moisture proportion[J]. Computers and Electronics in Agriculture, 2016, 125:113-124.

10 CAPORASO N, WHITWORTH M B, FISK I D. Protein content prediction in single wheat kernels using hyperspectral imaging[J]. Food Chemistry, 2018,240(2):32-42.

11 ELMASRY G, SUN D W, ALLEN P. Chemical-free assessment and mapping of major constituents in beef using hyperspectral imaging[J]. Journal of Food Engineering, 2013, 117(2):235-246.

13 RADY A, GUYER D, LU R. Evaluation of sugar content of potatoes using hyperspectral imaging[J]. Food and Bioprocess Technology, 2015, 8(5): 995-1010.

14 宋娟, 吴晨. 基于高光谱成像技术的马铃薯多种营养成分同时检测[J]. 河南工业大学学报:自然科学版, 2016, 37(1):60-66.

SONG Juan, WU Chen. Simultaneous detection of quality nutrients of potaties based on hyperspectral imaging technique[J]. Journal of Henan University of Technology: Natural Science Edition,2016, 37(1):60-66. (in Chinese)

15 MO C, KIM M S, KIM G, et al. Spatial assessment of soluble solid contents on apple slices using hyperspectral imaging[J]. Biosystems Engineering, 2017, 159:10-21.

16 阚琳玮. 不同处理方式对马铃薯品质的影响研究[D]. 郑州:河南工业大学, 2014.

KAN Linwei. Effect of different processing on potatoes quality [D]. Zhengzhou: Henan University of Technology, 2014. (in Chinese)

17 马惠玲, 王若琳, 蔡骋,等. 基于高光谱成像的苹果品种快速鉴别[J/OL]. 农业机械学报, 2017, 48(4):305-312. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170440&flag=1.DOI:10.6041/j.issn.1000-1298.2017.04.040.

MA Huiling, WANG Ruolin, CAI Cheng, et al. Rapid identification of apple varieties based on hyperspectral imaging[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(4):305-312. (in Chinese)

18 朱荣光, 姚雪东, 高广娣,等. 不同储存时间和取样部位牛肉颜色的高光谱图像检测[J/OL]. 农业机械学报, 2013, 44(7):165-169. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130728&flag=1. DOI:10.6041/j.issn.1000-1298.2013.07.028.

ZHU Rongguang, YAO Xuedong, GAO Guangdi, et al. Hyperspectral imaging detection of beef color under different storage time[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(7):165-169. (in Chinese)

19 张春秋, 刘杰, 谢开云,等. 高效液相色谱法测定马铃薯薯肉中类胡萝卜素[J]. 食品科学, 2008, 29(4):302-305.

ZHANG Chunqiu, LIU Jie, XIE Kaiyun, et al. Determination of carotenoids in tuber flesh by HPLC in potato(SolanumtuberosumL.)[J]. Food Science, 2008, 29(4):302-305. (in Chinese)

20 HELGERUD T, WOLD J P, PEDERSEN M B, et al. Towards on-line prediction of dry matter content in whole unpeeled potatoes using near-infrared spectroscopy[J]. Talanta, 2015, 143: 138-144.

21 PARK B, LU R. Hyperspectral imaging technology in food and agriculture[M]. New York: Springer, 2015:104-108.

22 BROWN C R, CULLEY D, YANG C P, et al. Variation of anthocyanin and carotenoid contents and associated antioxidant values in potato breeding lines[J]. Journal of the American Society for Horticultural Science, 2005, 130(2):174-180.

23 周竹, 李小昱, 高海龙,等. 马铃薯干物质含量高光谱检测中变量选择方法比较[J/OL]. 农业机械学报, 2012,43(2):128-133,185.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20120226&flag=1. DOI:10.6041/j.issn.1000-1298.2012.02.026.

ZHOU Zhu, LI Xiaoyu, GAO Hailong, et al. Comparison of different variable selection methods on potato dry matter detection by hyperspectral imaging technology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2012, 43(2):128-133,185. (in Chinese)

24 石力安, 郭辉, 彭彦昆, 等. 牛肉含水率无损快速检测系统研究[J/OL]. 农业机械学报,2015,46(7): 203-209.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150729&flag=1. DOI:10.6041/j.issn.1000-1298.2015.07.029.

SHI Li’an, GUO Hui, PENG Yankun, et al. Nondestructive rapid detection system for water content of beef[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(7): 203-209. (in Chinese)

25 刘贵珊, 房盟盟, 冯愈钦,等. 基于高光谱联合流化床富集的红葡萄酒白藜芦醇检测[J/OL]. 农业机械学报,2017,48(7):301-308.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20170738&flag=1. DOI:10.6041/j.issn.1000-1298.2017.07.038.

LIU Guishan, FANG Mengmeng, FENG Yuqin, et al. Detection of resveratrol in red wine based on fluidized bed preconcentration-hyperspectral imaging[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(7):301-308. (in Chinese)