基于高光譜技術檢測香水梨硬度的研究
孫博康，劉貴珊
（寧夏大學 食品與葡萄酒學院，寧夏銀川 750021）
摘 要：本文基于可見—近紅外高光譜（Visible Near Infrared Reflectio，Vis-NIR）成像技術對150個香水梨進行光譜數據采集。將樣本劃分后，采用卷積平滑（Savitzky-Golay，S-G）、歸一化（Normalize）和標準正態變換（Standard Normal Variate，SNV）3種方法對原始光譜進行預處理，利用競爭性自適應加權算法（Competitive Adaptive Reweighted Sampling，CARs）、區間變量迭代空間收縮法（Interval Variable Iterative Space Shrinkage Approach，iVISSA）和變量組合集群分析（Variable Combination Population Analysis，VCPA）對特征波長提取進行波段縮減和特征提取，建立特征波段下香水梨硬度的偏最小二乘（Partial Least Squares Regression，PLSR）預測模型，優選最佳模型。結果表明，VCPA法建立的PLSR模型優于初始模型2=0.933。（寧夏大學 食品與葡萄酒學院，寧夏銀川 750021）
關鍵詞：香水梨；高光譜；硬度；無損檢測
香水梨又名軟兒梨，屬于秋子梨的一個品種，主要分布于甘肅、寧夏境內。在寧夏海原地區，香水梨是當地農民的主要收入來源，近年來種植面積不斷擴大，然而目前仍存在很多技術上的問題需要解決[1]。硬度作為梨果的一個重要參數，與香水梨的成熟度，口感，食用性息息相關[2]，傳統的檢測方法具有明顯的破壞性，不適用于大規模量產的地區，因此利用光譜學技術建立一種香水梨的硬度檢測方法顯得尤為重要。高光譜技術作為一種高效、快速、無損的檢測技術[3]，目前已廣泛應用于水果內部指標的檢測[4-7]。因此，結合當地需求，本文通過對光譜數據進行4種預處理方法，3種特征波長的提取方法處理后，選擇一種最優模型來預測香水梨硬度。
1 材料與方法
1.1 樣品采集
實驗樣品全部來自于寧夏回族自治區海原縣方堡村，樣品自采摘后于24 h內運輸至寧夏大學，在寧夏大學冷庫內進行保存，貯藏溫度0～2 ℃。樣品測試前需將樣品從冷庫取出，放置在20 ℃恒溫條件下24 h，待樣品中心溫度恢復至20 ℃開始檢測。
1.2 數據采集
①光譜采集儀器。Hyper Spec VIS/NIR高光譜成像系統，光譜范圍為400～1 000 nm和125波段的超高光譜影像可見/近紅外光譜儀系統。包括v10e-qe高光譜影像光譜儀、C8484-05G-CCD-相機、90-254vac線性光源、Dcrih鹵素燈、傳輸裝置、計算機和數據采集軟件。②硬度檢測。硬度計HLY-YD5。③數據處理軟件。ENVI5.3，The Unscrambler X 10.4，MATLAB R2014a。以上軟、硬件由寧夏大學提供。
2 結果與分析
2.1 PLSR初模型的建立及評價方法
偏最小二乘回歸（PLSR）是一種多元回歸方法，用于建立分析樣品光譜響應與參考值之間的驗證模型。相對于其他模型直接考慮因變量和自變量而建立回歸模型的方法，PLSR則是重新過濾信息，選擇最佳變量，再對篩選出的變量進行建模。因此，其篩選出的光譜值決定了建模成功率的高低。一般來說，評價PLSR模型成功率的指標有3個：預測樣本集的標準差（RMSEP）、校正集的均方根誤差（RMSEC）、決定系數（R2）。一般情況下，2值越大，RMSEP和RMSEC越小，表明模型的預測能力越強[8]。
使用ENVI5.3提取香水梨樣本的感興趣區域（Region Of Interesting，ROI）[9]感興趣區域必需具有一定的代表性，可以代表香水梨樣品的硬度指標。為了獲得具有代表性的光譜值，在選取ROI時要盡量避免過于灰暗的部分，選擇香水梨整體光量部分，記錄每個樣本ROI的平均光譜。
將每個樣品提取出的光譜值和硬度數據導入至The Unscrambler X 10.4，選擇PLSR進行初步的模型建立。初始模型效果如圖1所示。
由圖1可知，樣品初始模型效果不佳，數據點不連續，R2值為0.782。因此，需要對光譜進行處理后，達到降噪均勻優化光譜的目的，再進行PLSR預測模型。
2.2 光譜預處理
采集到的光譜圖像由于光源強度不均勻及噪音等因素的影響，可能在某種程度上會存在基線漂移等現象，為了提取出有效的光譜信號，消除光源強度不均勻的問題，需要對原始光譜數據進行預處理，為后續的光譜數據處理提供更加具有代表性的光譜區域[10]。本文采用以下幾種方法進行預處理。
2.2.1 卷積平滑法。
卷積平滑（Savitzky-Golay ，S-G）是一種對光譜進行平滑處理的方式，主要包括移動平均法、高斯濾波法、中值濾波法和S-G卷積平滑法[11]。
2.2.2 歸一化法
歸一化（Normaliaze）是一種行式轉換算法，適用于光譜信號與樣品函數關系的分析，或者利用其他光譜值代替樣品檢測值的方法。通過計算機變換，最終使光譜數據在同一范圍內，變量和均值的分布更加均勻[12]。
2.2.3 標準正態變換法
標準正態變換（Standard Normal Variate，SNV）是一種通過樣品的方差對光譜進行校正的方法，SNV可以有效的消除光源強度不一、散射噪聲等檢測時出現的干擾，通過線性變換對初始光譜數據標準化進行校正，減小樣本因為表面散射、光譜遷移等因素帶來的誤差[13]。
經過上述預處理后模型結果如表1所示，歸一化法擁有較小的CV值和較大的2值，表明其對結果的預測效果較好，因此后續的特征光譜提取均采用歸一化法作為光譜的預處理方法。
2.3 特征波長的提取
2.3.1 競爭性自適應加權算法
競爭性自適應加權算法（CARs）是模仿“適者生存”理論而提出的特征變量選擇算法。CARs算法的核心是首先采用自適應重加權采樣技術，優選出PLSR模型中絕對值大的回歸系數所對應的波長變量點，然后借助指數衰減函數，最后將RMSECV最小的子集定義為最優變量子集[14]。
使用Matlab運行CARs程序多次后，選擇值最小的波長組作為特征波長，一共12條，將12條特征波長導入Unscrambler后建模得到模型如圖2所示，其RMSEC值為0.659，R2為0.764。
2.3.2 區間變量迭代空間收縮法
區間變量迭代空間收縮法（iVISSA）的主旨思想是選擇最優區間，然后根據最優選區間再進行建模，該算法來自于VISSA算法，之后結合全局和局部搜索，智能地優化波長的寬度、組合及間隔[15]。在局部搜索上，iVISSA算法使用光譜數據的連續性信息來確定波長間隔的寬度，在全局搜索上，主要搜索信息波長的組合和位置。最終用迭代的方式優化光譜間的數據間隔，確定光譜的組合、位置以及寬度[16]。
使用Matlab運行iVISSA程序多次后，選擇值最小的波長組作為特征波長，一共66條，將66條特征波長導入Unscrambler后建模得到模型如圖3所示,其RMSEC值為0.666，R2為0.760。
2.3.3 變量組合集群分析法
變量組合集群分析（VCPA）是一種新興的特征變量識別算法，該方法的特點是充分考慮了變量集之間可能存在的影響。方法的計算原理是，首先通過利用二進制矩陣采樣法對樣本空間進行重采樣，之后將數據隨機劃分為若干子集，針對子集分別建立子模型，最后對子模型一一進行評價[17]。一般情況下，VCPA算法計算過程如下：①先利用二進制矩陣采樣法，對樣本變量進行采樣，選取目標函數值最小的變量子集；②計算每個波長點對應的化學值或者實測值，在本次迭代計算過程中出現的概率；③通過衰減函數篩選出概率較小的波長范圍或者波長點，達到縮小變量集空間的目的；④最后將保留的變量重復上述過程將剩余變量進行組合，最終得到特征波長變量[17-19]。
使用Matlab運行VCPA程序多次后，選擇值最小的波長組作為特征波長，共10條，將10條特征波長導入Unscrambler后建模得到模型如圖4所示，其RMSEC值為0.351，R2為0.933。
3 結論
對香水梨硬度原始光譜進行了3種預處理后，選擇歸一化法為最佳方法，以此作為基礎光譜，對比3個特征波長建模后的PLSR模型效果，最終選擇VCPA法，其提取特征波長10個，建立的PLSR模型優于初始模型，R2=0.933，可以用作一種快速檢測香水梨硬度的方法。
參考文獻
[1]徐璐娜,劉緡,龐婷婷.海原香水梨生長氣象條件分析[J].南方農業,2020,14(30):182-183.
[2]王曉明,章海亮,羅微,等.近紅外光譜檢測梨果硬度研究[J].中國農機化學報, 2015,36(6):120-123.
[3]張珮,王銀紅,江靖,等.便攜式近紅外光譜儀在果蔬品質定性和定量分析中的應用[J].食品科技,2020,45(5):
287-292.
[4]黎源鴻,王紅軍,鄧建猛,等.基于PCA-ELM和光譜技術預測香蕉成熟度[J].現代食品科技,2017,33(10):268-274.
[5]李夢珠.基于高光譜技術的水果品質無損檢測研究[D].西安:西安電子科技大學,2019.
[6]岳林珊.基于圖像處理技術的冷凍冷藏果蔬品質研究[D].天津:天津商業大學,2019.
[7]張保華.基于機器視覺和光譜成像技術的蘋果外部品質檢測方法研究[D].上海:上海交通大學,2016.
[8]TAGHIZADEH M,GOWEN A,DONNELL C P O.Prediction of white button mushroom(Agaricus bisporus)moisture content using hyperspectral imaging[J].Sensing and Instrumentation for Food Quality and Safet,2009,3(4):219-226.
[9]程琳琳,陳昭炯,傅明建.基于感興趣區域的色彩傳遞算法[J].計算機應用與軟件,2019,36(2):39-43.
[10]VIDAL M,AMIGO J M.Pre-processing of hyperspectral images.Essential steps before image analysis[J].Chemometrics and Intelligent Laboratory Systems,2012,117：138-148.
[11]成軍虎.基于高光譜成像魚肉新鮮度無損快速檢測方法研究[D].廣州:華南理工大學,2016.
[12]郭志明.利用近紅外光譜分析技術檢測綠茶有效成分的研究[D].鎮江:江蘇大學,2009.
[13]ZHAO N,WU Z S,CHENG Y Q,et al.MDL and RMSEP assessment of spectral pretreatments by adding different noises in calibration/validation datasets[J].Spectrochimica acta.Part A,Molecular and biomolecular spectroscopy,2016,163:20-27.
[14]YAN H,SONG X Z,TIAN K D,et al.A modification of the bootstrapping soft shrinkage approach for spectral variable selection in the issue of over-fitting,model accuracy and variable selection credibility[J].Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy,2019，210:362-371.
[15]DENG B C,YUN Y H,LIANG Y Z L,et al.A novel
variable selection approach that iteratively optimizes variable space using weighted binary matrix sampling[J].The Analyst,2014,139(19):4836-4845.
[16]DENG B C,YUN Y H,MA P,et al.A new method for
wavelength interval selection that intelligently optimizes the locations,widths and combinations of the intervals[J].The Analyst,2015,140(6):1876-1885.
[17]YUN Y H,WANG W T,DENG B C,et al.Using variable combination population analysis for variable selection in multivariate calibration[J].Analytica Chimica Acta,2015,862:14-23.
[18]宋雨宸,宦克為,韓雪艷,等.基于蒙特卡洛變量組合集群分析法的小麥蛋白質近紅外光譜變量選擇[J].長春理工大學學報(自然科學版),2017,40(5):29-35.
[19]楊東,陸安祥,王紀華.高光譜成像技術定量可視化檢測熟牛肉中揮發性鹽基氮的含量[J].現代食品科技,2017,33(9):257-264.
相關熱詞搜索：
[責任編輯:]
挪帝克開設京東旗艦店 與京東全球購達成戰略合作
2019《食品安全導刊》雜志訂閱返百元紅包！
9月大事 | 市場監管總局開展2018年全國“質量月”活動
盒裝水果省事不衛生 實驗解釋3大疑問
“食安中國網”手機站上線通知
食安中國網關于2015年春節放假的通知
食品安全新動向講座：權威解讀食品安全中的過敏原問
【采訪ADM】力行不輟、多元發展，滿足消費者的營養
食品摻假與成分檢測網絡研討會
權威專家解讀食品中的丙烯酰胺及含量控制措施，快來
專家齊聚第三屆全球食品安全共治論壇，啟動食品安全
參與評論