香蕉成熟期品质可视化与高光谱成像研究

尚增强，杨东福，马质璞

（南阳农业职业学院，河南 南阳473000）

香蕉是全球贸易量最大的水果之一，其营养价值丰富。香蕉属于典型的呼吸跃变型果实，因此，在采摘后，易发生表皮转色快、果肉褐变等软化腐烂现象[1]。香蕉果实的质量参数分为感官指标、理化指标和品质参数。感官指标包括颜色、光泽度、形状、缺陷、质地（硬度、脆度和韧性）等；理化指标包含营养价值、潜在污染物和有毒物质；品质参数指表征食品整体质量的参数。目前，对于香蕉成熟期的确定有各类检测方法，但所采用的检测技术大多具有破坏性[2-3]，试验成本高、检测速度慢、不能规模化检测，而香蕉的最佳成熟期是其品质和价格的保证。因此，研究一种快速、无损、高效的检测方法，对香蕉品质的预测和成熟期鉴别具有重要意义。

机器视觉技术因能够识别对象的物理尺寸、形状、颜色、纹理等属性，被广泛应用于水果收获前后的安全检测、质量分类等自动化领域。在机器视觉技术中，高光谱成像技术将光谱与传统图像相结合，可同时从物体中获取空间尺度和光谱信息，具有快速、无损、高效等优点，已成功应用于水果成熟度检测和品质分析方面[4-7]。Li等[8]采用高光谱成像技术对樱桃的成熟期进行了鉴别分类，并建立了樱桃果实中可溶性固形物含量与pH的预测模型，构建了樱桃品质分析平台。Zhang等[9]采用向量机回归的方式对草莓高光谱数据进行回归建模，一定程度上能对草莓的成熟度进行评价。杨蜀秦等[10]运用高光谱成像技术检测成熟期葡萄果皮中花色苷含量，建立了花色苷含量的预测模型。此外，高光谱成像技术在蓝莓、柿子等水果成熟期鉴别和品质评价等方面均有相应研究成果[11-12]，但以上研究普遍存在识别精度不够稳定、检测效率不高等问题，且目前关于香蕉成熟期及品质分析的高光谱成像研究鲜有报道。

本文以香蕉为研究对象，采集不同成熟期和不同贮藏温度下（20、25、30℃）的香蕉果实高光谱信息，建立光谱信息与可溶性固形物含量（SSC）、含水率及硬度的回归模型，为香蕉成熟期的预测提供依据。

1 材料与方法

1.1 材料

在南阳国家农业科技园的温室中采集未受损的“香芽蕉”的青香蕉果实样品共270份，并用水果泡沫网套包裹放入保鲜盒。使用体积分数40%的乙烯利稀释至1 500 mg/kg，浸果30 s后分别装袋置于黑塑料筐中催熟，并分别在不同温度（20、25、30℃），相对湿度70%条件下贮藏。使用SHPratt公司提供的比色卡将香蕉成熟度分为6个阶段（成熟阶段1（Stage 1）：绿色；成熟阶段2（Stage 2）：绿色隐黄；成熟阶段3（Stage 3）：绿黄偏绿；成熟阶段4（Stage 4）：绿黄偏黄；成熟阶段5（Stage 5）：黄色，尾部带绿；成熟阶段6（Stage 6）：全黄），每组15份。按照每组顺序进行理化指标的测定和光谱数据的采集，每组试验重复3次。每隔1 d随机选择1组样品进行高光谱成像和理化指标测定。将各成熟期试验的香蕉果实随机分为两个亚组：第1组由40个样本组成，作为建立偏最小二乘模型的训练集；第2组由15个样本组成，用于建立验证集模型。

1.2 高光谱图像采集系统

高光谱图像采集系统组成如图1所示，主要包括：ImSpector-V10E型高光谱成像仪（光谱分辨率为3.3 nm），1 392像素×1 040像素HSIA-OL23型成像镜头，320像素×256像素的面阵CCD探测器，4组HSIA-LS-T-200W型对称分布专用光源。在高光谱试验中，相机物距固定为350 mm，曝光时间为20 ms。

图1 高光谱成像系统Fig.1 Hyperspectral imaging system

将采集的高光谱图像使用SpecVIEW软件进行处理，并对其进行黑白校正[13]，以消除相机暗电流及光照对高光谱图像的影响。校正后的图像IC为：

式中：Iraw为获取的高光谱原始图像；Idark为完全关闭相机镜头并关闭外部光源所记录的暗图像；Iwhite为具有99%反射率的白色参考图像。校正后的图像用于光谱特征信息提取、有效波长选择和品质参数含量的模型预测。

1.3 香蕉理化指标的测定

1.3.1 可溶性固形物含量

使用PAL-1型数显折射仪进行测定。将果实切分成长度相等的3部分（纵向），每个部分取10 g样品制成浆，选定3部分相应位置上的测量平均值（试验重复3次）作为香蕉SSC。

1.3.2 含水率

取一定量香蕉样品，采用精度0.1 g的电子天平测量其质量M1。使用热风炉烘干箱在70℃下将样品烘干至恒重，测量其质量M2。根据含水率（w）计算公式w（%）=（M1-M2）/M1×100，求得含水率，试验独立重复3次。

1.3.3硬度

使用GY-1型指针式水果硬度计（浙江托普云农科技股份有限公司）测定，将香蕉果实切成50 mm小段，用直径3.5 mm的圆柱形探针以0.5 mm/s的速度测量果肉的硬度，下压深度设定为10 mm。选取香蕉纵向区域中的3个位置进行测量，取其平均值作为香蕉硬度值。

1.4 高光谱数据分析

采用偏最小二乘分析法（Partial least squares，PLS）建立光谱反射率与果实品质参数（SSC、含水率和硬度）之间的预测模型。PLS模型通常用于建立基于同一目标/样本的两个数据集（即高光谱值和品质参数）的多元模型。PLS可以将大量的高相关性试验数据转换成独立的潜在变量[14-15]。

以香蕉果实全光谱826个波长变量作为预测变量，利用PLS算法，确定属性X^的预测值如下：

式中：X^为香蕉果实品质参数的预测值；T为波长加权分数；a为PLS潜在变量数；β为回归系数。

根据预测的残差平方和（PRESS）确定用于建立校正模型的最佳潜在变量数。

1.5 最佳波长选择与多元回归模型

在高光谱图像处理中，选择合适的特征波长至关重要。这些特征波长需要保证不丢失光谱的关键信息和最大限度还原初始数据，并除去冗余信息以及相应噪声以减少数据处理量，为后续建立预测模型奠定基础。本文选择从PLS校准模型得到的回归系数β最高绝对值作为最佳特征波长[16]，然后使用这些选定的最佳特征波长，利用MATLAB建立多元线性回归模型[17]，如下所示：

其中：Y^为最佳特征波长a0的数目，RλN为预测模型中第N项波长处的光谱反射率。

为了确定表征不同成熟阶段所选波长的可靠性，对反射光谱数据进行了主成分分析（Principal components analysis，PCA）。主成分分析是将采集的数据集转换成一个新的坐标系以对其光谱数据进行降维，该坐标系中投影在第一坐标系中的数据集方差最大，也称为第一主成分。PCA主要用于香蕉光谱数据的相关性分析，其通过正交变换将存在相关性的变量转换成彼此间相互独立的变量，对数据集降维，同时得到最能表征样本属性的变量。

2 结果与分析

2.1 香蕉的光谱反射率

采集到香蕉全光谱信息后，将图像导入ENVI 4.7软件中进行数据预处理。由于采集到的高光谱样本曲线在两端的噪点较多，为了提高预测模型的精度，在不同温度（20、25、30℃）下，从6个不同成熟阶段的香蕉果实中收集400～1 000 nm范围内的826个波段光谱数据用于后续处理，其平均光谱反射率曲线如图2所示。从图中可以看出，在果实成熟第1阶段和第2阶段，香蕉果实的水分含量会影响光谱特征吸收带的形成。与早期成熟阶段（Stage 1～Stage 3，下同）的香蕉果实相比，表征4、5、6阶段的香蕉果实，其光谱反射率值相对较低。香蕉果实在成熟早期阶段有3个宽吸收带，分别位于450、680、960 nm区域。

图2 香蕉不同成熟阶段的高光谱反射率曲线Fig.2 Hyperspectral reflectance curves of banana fruits at different mature stages

在670～710 nm光谱范围内，香蕉果实在3种不同温度下贮藏时均能观察到叶绿素的存在[18]。20℃贮藏的成熟阶段1和成熟阶段2的香蕉果实中叶绿素含量显著高于25℃和30℃。在成熟阶段4～6未见这种吸收，这主要是因为香蕉果实完成转色过程，叶绿素已完全降解。在不同的贮藏温度下，与20℃和25℃贮藏的香蕉果实相比，30℃贮藏的香蕉果实在第1成熟阶段的叶绿素色素吸收较低，其果实转色较快，中后期成熟阶段（Stage 4～Stage 6）的香蕉果实光谱反射率比成熟阶段1～3的光谱反射率低，这是因为中后期成熟阶段香蕉果实的含糖量较高。

水分是香蕉果肉和果皮中最丰富的成分，800～960 nm的光谱带表征香蕉果实的含水量，根据果实中的水分含量清晰地划分了各个阶段。由于未成熟的果皮具有较高的水分，因此表征未成熟阶段1和阶段2的香蕉果实的光谱反射相对较高，而代表中后期成熟阶段（Stage 4～Stage 6）的香蕉果实光谱反射相对较低。这是因为在香蕉果实成熟的中后期，果肉中水分从果皮到果肉的渗透运动，同时存在大量淀粉呼吸分解现象。

不同成熟期香蕉果实理化指标存在显著差异，包括颜色、SSC、硬度和含水率，果实在成熟过程中这些品质参数同时发生了显著变化。在果实转色过程中涉及各种酶促反应，其中糖与淀粉的比例增加，并形成一种特征香气。之后，果皮会出现褐色斑点，然后完全变为褐色，果肉硬度下降，果肉白色纹理质地变为凝胶状，而光谱吸收带也在这些过程中发生相应变化。

2.2 最佳波长选择与多元回归模型的建立

为了提高数据处理速度，挑选共线性最小、冗余最少的波长，通过选择预测残差平方和（Predicted residual error sum of squares,PRESS）的最小值来确定最佳的特征波段。由图3可知，该模型826个波段降维成10个特征波段，它们大部分都处于光谱曲线的波峰和波谷位置，可以较好地反映出光谱曲线的走势，极大地减少了冗余信息。

图3 PLS挑选特征波长过程Fig.3 The process of selecting characteristic wavelength by PLS

基于PLS的β回归系数进行降维分析，结果见图4。预测含水率、SSC和硬度等内在品质属性的香蕉果实成熟期的最佳特征波长分别为440、525、633、665、672、709、760、879、925、984 nm，所选择的特征波长与β回归系数的最高绝对值相对应。

图4 基于PLS的特征降维分析Fig.4 Feature dimension reduction analysis based on PLS

对所选特征波长进行主成分分析。由图5可知，前两个主成分解释的香蕉果实成熟期差异累积贡献率达到98.26%，其中第1主成分的贡献率和第2主成分的贡献率分别为89.88%和8.38%。

图5 选定特征波长的主成分分析Fig.5 Principal component analysis of selected characteristic wavelength

2.3 可溶性固形物含量预测

构建PLS优选特征波长的MLR模型，并进一步建立SSC的PLS模型预测散点图（图6）。MLR模型表明：10个PLS变量的校正模型拥有可靠的精度，SSC训练集和验证集的决定系数（R2）分别为0.858 4和0.894 7，说明在20℃下贮藏的香蕉果实在成熟阶段使用特征波长预测SSC与测定的SSC之间具有良好的相关性，即PLS模型能够较好地表征光谱图像与SSC之间存在的复杂、非线性、高维度映射关系等问题。

图6 SSC实测值和预测值散点图Fig.6 Scatter plots of SSC measured and predicted values

通过对测得的SSC数据进行统计分析（表1）可以得出，对于20℃贮藏的香蕉果实，其成熟阶段1～4的果实SSC呈显著升高趋势（P＜0.05），之后在第5、6成熟阶段开始显著下降（P＜0.05）。而在25℃和30℃贮藏条件下，由于香蕉果实的快速熟化作用，SSC分别至第3成熟阶段和第2成熟阶段达到最高，之后快速下降。

表1 不同成熟阶段香蕉的SSC测定值Table 1 SSC values of banana in different maturity stages 单位：°Brix

分析香蕉果实成熟过程中不同贮藏温度（20、25、30℃）下SSC的变化，以成熟期（x）为横坐标，可溶性固形物含量（y）为纵坐标进行回归方程拟合，结果如下：

2.4 含水率预测

构建PLS优选特征波长的MLR模型，并进一步建立含水率的PLS模型预测散点图。由图7可知，使用特征波长预测含水率与测得的含水率之间具有良好的相关性。在20℃贮藏条件下，香蕉果实含水率的预测模型与验证模型的决定系数R2分别为0.873 5和0.815 5。

图7 含水率实测值和预测值散点图Fig.7 Scatter plots of measured and predicted water contents

对测得的含水率数据进行统计分析（表2），结果表明：在第1、2、3成熟阶段，香蕉果实的含水率存在显著差异（P＜0.05），但在第4和第5成熟阶段，其含水率基本稳定不变，在第6成熟阶段，香蕉果实的含水率增加明显，并且含水率随着成熟度和贮藏温度的升高而增加，分析其原因主要是在第5成熟阶段后加速了果实中淀粉的呼吸分解作用和水分子从果皮到果肉的渗透运动。

表2 不同成熟阶段香蕉的含水率测定值Table 2 Moisture contents of banana in different maturity stages 单位：%

在香蕉果实成熟的不同阶段，分析了不同贮藏温度（20、25、30℃）下含水率的变化，以成熟期（x）为横坐标，含水率（w）为纵坐标进行回归方程拟合，结果如下：

2.5 硬度预测

建立硬度的PLS模型预测散点图（图8）。由图8可知，使用特征波长预测硬度与测得的硬度之间具有良好的相关性。在20℃贮藏条件下，香蕉果实硬度的预测模型与验证模型的决定系数R2分别为0.912 8和0.911 4。

图8 硬度实测值和预测值散点图Fig.8 Scatter plots of measured and predicted hardness

对测得的香蕉果实硬度数据进行统计分析（表3），结果表明：香蕉果实的硬度在成熟的各个阶段均存在显著差异（P＜0.05），并随着成熟阶段的推进和贮藏温度的升高而显著降低（P＜0.05）。

表3 不同成熟阶段香蕉的硬度测定值Table 3 Hardness measurement of banana different maturity stages 单位：kg·cm-2

硬度是香蕉果实重要的品质特性，直接影响果实保鲜期和消费者接受度。在香蕉果实成熟的不同阶段，分析了不同贮藏温度（20、25、30℃）下果实硬度的变化。以成熟期（x）为横坐标，硬度（F）为纵坐标进行回归方程拟合，结果如下：

3 结论

为了快速检测香蕉果实不同成熟阶段的SSC、含水率和硬度，本文基于高光谱成像技术和多元回归模型，研究并建立了香蕉果实成熟期SSC、含水率和硬度的预测模型，并得出以下结论：

（1）为了提升高光谱数据处理速度，基于PLS的β回归系数，将该模型原来的826个波段降维至10个特征波段，有效地减少了冗余信息，提高了无损检测效率。

（2）以SSC、含水率和硬度为果实品质参数，利用8个特征波长来预测香蕉果实的成熟期，并建立了各品质参数的回归预测模型，其SSC、含水率和硬度的预测决定系数分别为0.858 4、0.873 5和0.912 8，实现了不同成熟阶段香蕉果实SSC、含水率和硬度无损评价，为香蕉果实品质在线检测提供理论基础，同时表明高光谱成像技术能够较好地实现香蕉成熟期预测。