基于高光譜成像技術(shù)的草莓硬度預測

盧娜　韓平　王紀華

摘要：為對草莓硬度進行預測研究，利用高光譜成像系統(tǒng)獲取草莓的高光譜數(shù)據(jù)，光譜數(shù)據(jù)波長為400～1 000nm，采用標準正態(tài)變換（SNV）、多元散射校正（MSC）、卷積平滑方法（SavitzkyGolay ）以及幾種方法相結(jié)合對光譜數(shù)據(jù)進行預處理，選擇最優(yōu)的預處理方法，進一步結(jié)合化學計量學方法建立PLS預測模型，比較不同的光譜預處理方法對預測模型的效果，以選擇最優(yōu)預測模型。結(jié)果表明，經(jīng)標準正態(tài)變換（SVN）處理后建立的偏最小二乘（PLS）模型效果最好，校正集和預測集的相關(guān)系數(shù)及均方根誤差分別為0.989，0.882和0.021，0.073。因此，可采用高光譜成像技術(shù)對草莓硬度進行預測。

關(guān)鍵詞：高光譜成像技術(shù)；草莓；硬度；無損檢測

DOIDOI：10.11907/rjdk.172845

中圖分類號：TP319

文獻標識碼：A文章編號文章編號：16727800（2018）003018003

英文摘要Abstract：To predict the firmness of strawberry， hyperspectral data of strawberry were obtained by hyperspectral imaging system. The spectral data were wavelengths of 400～1 000nm.There were used to acquire the best pretreatment method in the spectral region that is standard normal transform （SNV）， multiple scattering correction （MSC）， convolution smoothing method （SavitzkyGolay） and combined several methods. We will establish the partial least squares forecasting model with chemometrics and then compare the effect of different spectral preprocessing methods on the prediction model to select the optimal prediction model. The results show that the partial least squares （PLS） model established by standard normal transform （SVN） is best. The correlation coefficients and root mean square errors of the calibration set and the prediction set are 0.989， 0.882 and 0.021， 0.073， respectively. Therefore， hyperspectral imaging techniques can be used to predict the firmness of strawberry.

英文關(guān)鍵詞Key Words：hyperspectral imaging technique； strawberry； firmness； nondestructive detection

0引言

草莓又叫紅莓、洋莓、地莓等，原產(chǎn)于南美，在中國各地及歐洲等地廣為栽培。草莓營養(yǎng)價值豐富，有“水果皇后”的美譽，含豐富維生素C，有幫助消化的功效。與此同時，草莓還有鞏固齒齦、清新口氣、潤澤喉部、保護視力等保健功效。因此，草莓成為深受廣大消費者喜愛的水果之一，人們在選擇時也就會更加關(guān)注草莓的內(nèi)部品質(zhì)。硬度是評價草莓內(nèi)部品質(zhì)的主要指標之一，由于草莓保存時間較短，很容易變質(zhì)，檢測草莓的硬度不僅有助于指導消費者，而且對于草莓的采后貯藏和加工具有重要意義。目前主要采用探頭壓入的方法檢測草莓硬度，這種方法不僅耗時、費力，而且是一種有損檢測方法，不利于水果的大規(guī)模檢測[15]。因此，尋找一種快速無損檢測水果品質(zhì)的方法很有必要。

高光譜成像技術(shù)因其優(yōu)越性，不僅在遙感領(lǐng)域大量應用，在水果品質(zhì)無損檢測領(lǐng)域也應用廣泛。它集合了成像技術(shù)和光譜技術(shù)兩者的優(yōu)點，具有“圖譜合一”的特點，其中提取圖像信息檢測水果外部品質(zhì)，提取光譜信息則用于檢測水果內(nèi)部品質(zhì)，同時可將圖像信息和光譜信息進行特征融合，以此更好地檢測水果的內(nèi)外部品質(zhì)[6，7]。近年來，國內(nèi)外研究學者已將高光譜成像技術(shù)應用到水果品質(zhì)的檢測中。Janos[8]、GómezSanchis[9]、李江波等[10]利用高光譜成像技術(shù)對蘋果早期淤傷、柑橘表面腐爛、桃的皮膚缺陷進行檢測研究；Sun[11]、Polder[12]、洪添勝等[13]采用高光譜成像技術(shù)對水果的內(nèi)部品質(zhì)進行檢測研究，都取得了良好的效果。因此，高光譜成像技術(shù)在水果品質(zhì)檢測上具有很大的發(fā)展?jié)摿?。本文以采后新鮮草莓為試驗材料，利用高光譜成像技術(shù)并結(jié)合化學計量學對其進行建模分析，以達到檢測草莓硬度的目的，并為利用高光譜成像技術(shù)對草莓品質(zhì)進行檢測與分級提供技術(shù)依據(jù)。

1材料與方法

1.1實驗樣品

采集新鮮、大小均勻的草莓樣品120個，品種為甘露。采摘后放置于4℃條件下冷藏，隔天取出樣品放置6h，使其處于室溫下并編號。對其采集高光譜圖像和硬度測量。

1.2高光譜采集

高光譜成像系統(tǒng)（見圖1），是由EMCCD相機（Andor Luca EMCCD DL604M，Andor Technology plc.，Ireland）、高光譜成像儀（ImSpector V10E，Spectral Imaging Ltd.，Oulu，F(xiàn)inland）、兩個500W石英鹵素燈光源（天安國際有限公司，中國臺灣）、可編程的電動定位樣品臺（EZHR17EN，AllMotion，Inc.，America）以及一臺計算機組成。波長范圍為325～1 100nm，光譜分辨率為2.8nm。

高光譜圖像采集應置于暗室條件下，采集前需要將儀器預熱半小時左右，為了減少基線漂移對數(shù)據(jù)造成的影響，相機設(shè)置在連續(xù)模式下，具有22ms的曝光時間。收集的光譜圖像被存儲為立方體數(shù)據(jù)塊，這種立方體塊不是傳統(tǒng)意義上的黑、白或者R/G/B，區(qū)別在于它在光譜維度上有多個通道，以達到圖譜合一的目的。

由于光源強度不均勻，在CCD相機中存在很多暗電流，因此會產(chǎn)生很大的噪聲，需要進行黑白校正才能消除部分噪聲以獲得更有效的原始光譜數(shù)據(jù)。如式（1）所示：

R=R0-DW-D×100%（1）

式（1）中：R0是樣本原始的漫反射光譜圖像，W是白板的漫反射圖像，D是暗圖像，R是校正后的漫反射光譜圖像。

1.3硬度測定

水果硬度計是測量水果硬度的專用儀器，它的用途非常廣泛，在種子培育、產(chǎn)后貯藏、產(chǎn)后運輸和加工等方面，都需要對水果的硬度進行檢測。實驗采用型號為JC05FT02的水果硬度計測量草莓的硬度。首先將硬度計歸零，將硬度計插入果肉中，插入長度不得超過刻度線，分別在赤道部位向陽區(qū)和背陽區(qū)各測定1次硬度值，記錄并取其平均值。測量范圍為0～1kg；探頭直徑為6mm。草莓硬度計算如式（2）所示：

P=mg/s（2）

P為硬度值，單位為N；m為硬度計讀數(shù)，單位為kg，g取9.8N/kg；s為果實受力面積，單位為m2。

1.4數(shù)據(jù)處理及模型驗證

由于高光譜數(shù)據(jù)量大，冗余度較高，既存在有用信息，也有很多無用信息和各種噪聲，因此在建模之前對數(shù)據(jù)進行預處理很有必要。光譜數(shù)據(jù)預處理的方法有很多，本次研究選用標準正態(tài)變換（SNV）、多元散射校正（MSC）、卷積平滑方法（SavitzkyGolay）以及幾種方法相結(jié)合對光譜數(shù)據(jù)進行優(yōu)化。標準正態(tài)變換（SNV）主要是消除采集光譜時散射光所產(chǎn)生的誤差，對光譜數(shù)據(jù)進行標準正態(tài)化處理。多元散射校正（MSC）也是用來消除散射影響的，但是與標準正態(tài)化處理不同的是，它消除由于顆粒尺寸及其分布不均勻帶來的影響，進而提高對有用信息的提取，以獲得較為理想的光譜。卷積平滑方法（SavitzkyGolay）是一種比較常用的數(shù)據(jù)預處理方法，用來消除高光譜成像系統(tǒng)收集光譜信息時產(chǎn)生的隨機誤差，以減少噪聲。

模型的評價指標為相關(guān)系數(shù)R和均方根誤差，校正集和驗證集的相關(guān)系數(shù)越接近1，均方根誤差越接近0，且校正集和驗證集的均方根誤差越接近，說明模型效果較好。

2結(jié)果與討論

2.1樣本集劃分

隨機選擇90個作為校正集，30個作為預測集，樣本集劃分見表1。

2.2光譜數(shù)據(jù)獲取

將草莓置于高光譜成像系統(tǒng)的移動操作臺上，采取線掃描方式獲取光譜數(shù)據(jù)，該方式是在空間域進行掃描，特別適合于傳送帶上方物體的動態(tài)檢測，是果蔬品質(zhì)檢測時最為常用的圖像獲取方式。由于草莓體積較小，檢測過程中以10個草莓為一組構(gòu)成一幅圖像（見圖2）。

采用ENVI4.7軟件對采集的光譜圖像進行光譜信息提取，為了使光譜數(shù)據(jù)更準確，提取整個樣本的平均光譜作為原始光譜，如圖3，由于小于400nm和大于100nm的光譜數(shù)據(jù)噪聲較大，因此，選取400～1 000nm波長的數(shù)據(jù)。

2.3模型建立與評價

本次研究利用Unscrambler軟件采用不同的方法對原始光譜進行預處理，并使用該數(shù)據(jù)進行建模，分析不同的預處理方法對預測模型的作用。應用偏最小二乘回歸（PLSR）建立草莓硬度預測模型，并對模型的預測能力進行驗證和精度評價。采用不同預處理方法的偏最小二乘（PLS）模型效果如表2所示。

由表2可知，原始光譜數(shù)據(jù)經(jīng)過標準正態(tài)變換處理后建立的預測模型，校正集和驗證集的相關(guān)系數(shù)分別為0.989和0.882，相較于其他模型更為穩(wěn)定，預測效果最好，而且RMSEC和RMSEP較低且比較接近。一個好的模型不只是要求較高的RC，還要看RP，在使用不同的數(shù)據(jù)預處理方法后，結(jié)合SVN處理的預測模型RC和RP都較高，且RMSEC和RMSEP的值較大、相差較少。因此，經(jīng)過標準正態(tài)變換處理后建立的模型最為合適。經(jīng)過標準正態(tài)變換處理后建立的PLS驗證模型見圖4。

3結(jié)語

利用高光譜成像技術(shù)對草莓硬度預測進行研究，運用多種預處理方法，消除采集光譜數(shù)據(jù)過程中所產(chǎn)生的噪聲，并建立了PLS定量預測分析模型。結(jié)果表明，不同預處理方法都有一定效果，采用經(jīng)過標準正態(tài)變換（SVN）預處理后的光譜建立PLS預測模型，校正集和驗證集的相關(guān)系數(shù)RC和RP分別為0.989和0.882，RMSEC和RMSEP分別為0.021和0.073。研究結(jié)果表明，利用高光譜成像技術(shù)對草莓硬度的預測方法是可行的。在以后對草莓的研究過程中可以增加草莓的種類，研究貯藏過程中草莓內(nèi)部品質(zhì)的變化，以延長草莓的貯藏期。建立預測效果更佳且更為穩(wěn)定的模型，促進高光譜成像技術(shù)在果蔬品質(zhì)檢測中有更廣泛應用。

參考文獻參考文獻：

[1]PETER R.S. Improving the protein content and composition of cereal grain[J]. Journal of Cereal Science，2007，11（3）：239250.

[2]畢京翠，張文偉，肖應輝，等.應用近紅外光譜技術(shù)分析稻米蛋白質(zhì)含量[J].作物學報，2006（5）：709715.

[3]陸艷婷，金慶生，葉勝海，等.應用近紅外光譜技術(shù)快速測定粳稻品種的直鏈淀粉含量[J].中國糧油學報，2007（3）：149153.

[4]劉建學，吳守一，方如明.大米直鏈淀粉含量的近紅外光譜分析[J].農(nóng)業(yè)工程學報，2000（3）：9496.

[5]陳季旺，劉英，劉剛，等.大米淀粉純化工藝及其性質(zhì)的研究[J].農(nóng)業(yè)工程學報，2007（9）：225228.

[6]饒秀勤.基于機器視覺的水果品質(zhì)實時檢測與分級生產(chǎn)線的關(guān)鍵技術(shù)研究[D].杭州：浙江大學，2007.

[7]徐廣通，袁洪福，陸婉珍.現(xiàn)代近紅外光譜技術(shù)及應用進展[J].光譜學與光譜分析，2000（2）：134142.

[8]JANOS C. K， MOHAMMAD G. Realtime pixel based early apple bruise detection using short wave infrared hyperspectral imaging in combination with calibration and glare correction techniques[J]. Food Control，2016，66：215226.

[9]GMEZSANCHIS J， MARTINGUERRERO J D， SORIAOLIVAS E， et al. Detecting rottenness caused by penicillium genus fungi in citrus fruits using machine learning techniques[J]. Expert Systems with Applications，2009，39（1）：780785.

[10]LI J B， CHEN L P， HUANG W Q， et al. Multispectral detection of skin defects of bicolored peaches based on visNIR hyperspectral imaging[J]. Postharvest Biology and Technology，2016：112121，133.

[11]SUN M J， ZHANG D， LIU L， et al. How to predict the sugariness and hardness of melons： a nearinfrared hyperspectral imaging method[J]. Food Chemistry，2016，218： 413421.

[12]POLDER G， YOUNG I T. Spectral image analysis for measuring ripeness of tomatoes[J] . Trans of ASAE，2002，45（4）：11551161.

[13]洪添勝，喬軍，趙祚喜，等.基于高光譜圖像技術(shù)的雪花梨品質(zhì)無損檢測[J].農(nóng)業(yè)工程學報，2007（2）：151155.

責任編輯（責任編輯：何麗）