光譜技術對“貴長”獼猴桃表皮顏色的無損檢測

尚靜，孟慶龍，黃人帥，易繼榮，田馳，張艷

光譜技術對“貴長”獼猴桃表皮顏色的無損檢測

尚靜1a, 1b，孟慶龍1a, 1b，黃人帥1a, 1b，易繼榮1a，田馳2，張艷1b

（1.貴陽學院 a.食品與制藥工程學院 b.農產品無損檢測工程研究中心，貴陽 550005；2.貴陽市花溪區(qū)市場監(jiān)督管理局，貴陽 550005）

水果表皮顏色是判別其品質的主要指標之一，為實現(xiàn)“貴長”獼猴桃表皮顏色（*，*，*）的快速無損檢測。利用光纖光譜儀獲得不同成熟階段“貴長”獼猴桃的光譜反射率；分別運用競爭性自適應重加權算法（CARS）和連續(xù)投影算法（SPA）對標準正態(tài)變換（SNV）預處理后的全光譜進行降維，進而基于提取的特征變量和測得的表皮顏色值構建獼猴桃表皮顏色多元線性回歸（MLR）無損檢測模型。對于預測獼猴桃表皮顏色（*、*、*），采用CARS從1024個全光譜中分別提取了48、48和26個特征變量；相對于構建的SPA-MLR模型，CARS-MLR無損檢測模型具有相對較好的校正性能（*，C=0.91，RMESC=0.96；*，C=0.94，RMESC=0.44；*，C=0.92，RMESC=1.08）和預測性能（*，P=0.88，RMESP=1.13；*，P=0.90，RMESP=0.57；*，P=0.90，RMESP=1.15）?；诠庾V技術結合多元線性回歸預測“貴長”獼猴桃表皮顏色可行。

光譜技術；“貴長”獼猴桃；多元線性回歸；無損檢測

“貴長”獼猴桃產自貴州省貴陽市修文縣，因其果肉細嫩且多漿、果汁酸甜爽口，受到大量消費者的青睞[1]。通常水果的表皮顏色是判別其品質的主要指標之一[2]，水果表皮顏色的傳統(tǒng)檢測方法有專業(yè)人員借助比色卡判別，利用分光光度儀檢測。由于這些方法具有人工判別誤差較大，利用分光光度儀很難實現(xiàn)大規(guī)模檢測等缺點，因此開展獼猴桃表皮顏色的快速無損檢測對于指導其采后分級與銷售具有重要的意義。近幾年，基于光譜技術的檢測技術擁有不破壞檢測對象、檢測速度快、無污染等諸多優(yōu)勢，受到國內外廣大科研學者的關注，已被普遍地應用于水果品質的快速無損檢測[3-8]。目前，已研究了關于蘋果[9-10]、香蕉[11]、獼猴桃[5,12-13]、李子[14]、梨[15-16]以及藍莓[17]等品質的無損檢測。對于“貴長”獼猴桃表皮顏色的快速無損檢測卻鮮有報道。

文中利用光纖光譜儀獲得不同成熟階段“貴長”獼猴桃的光譜反射率，然后分別運用競爭性自適應重加權算法和連續(xù)投影算法對標準正態(tài)變換預處理后的全光譜反射率進行降維處理，最后基于提取的特征變量和測得表皮顏色值（*、*、*）構建“貴長”獼猴桃表皮顏色的多元線性回歸無損檢測模型。

1 實驗

1.1 材料

“貴長”獼猴桃于2019年9月至10月采摘于貴州省修文縣龍關口獼猴桃果園，為增大預測模型的檢測范圍，分4批次（第1批：2019年9月17日；第2批：2019年9月28日；第3批：2019年10月7日；第4批：2019年10月19日）隨機從不同的果樹上共采摘200個（每批次分別采摘50個）不同成熟階段的完好無損的樣本。將樣本采摘后馬上送到實驗室，用軟紙輕輕地擦掉樣本表面的灰塵，對其依次編號后，在室溫(22±2)℃條件下進行實驗。

1.2 儀器

主要儀器：QEPro光纖光譜儀，蔚海光學儀器（上海）有限公司，光譜儀的主要參數詳見文獻[5]；Ci7800臺式分光光度儀，愛色麗（上海）色彩儀器商貿有限公司。

1.3 光譜反射率采集

將待測樣本緊緊地挨著反射探頭支架表面，反射探頭距離待測樣本表面約1 cm，光譜反射率采集的位置位于樣本赤道附近，將5次獲得的反射率平均值作為獼猴桃樣本的原始光譜反射率。

1.4 表皮顏色的測量

采集獼猴桃樣本的原始光譜反射率后，采用臺式分光光度儀測量獼猴桃樣本的表皮顏色值（*，*，*），分光光度儀孔徑板的直徑為10 mm，測量部位均為獼猴桃樣本赤道位置（與光譜采集位置相同），將獼猴桃樣本置于觀察口，然后慢慢關閉色樣架進行測量，在Color IQC軟件中保存數據。

1.5 建模方法

1.5.1 光譜數據降維方法

運用競爭性自適應重加權算法（Competitive adaptive reweighted sampling，CARS）和連續(xù)投影算法（Successive projection algorithm，SPA）對光譜數據進行降維處理。CARS和SPA算法介紹詳見文獻[5]。

1.5.2 多元線性回歸方法

實驗基于提取的特征變量和測得的表皮顏色值構建獼猴桃表皮顏色多元線性回歸（Multi linear regression，MLR）無損檢測模型。當有個自變量（特征變量），即1,2,3, …,X，則自變量與因變量（表皮顏色信息）之間的線性回歸方程為：

(1)

假設觀察值為{(Y,X1, …,X)，=1, 2, …,}，則多元線性回歸檢測模型可以寫成：

(2)

1.5.3 模型評價方法

將校正樣本集和預測樣本集的相關系數（C、P），以及校正樣本集和預測樣本集的均方根誤差（RMSEC、RMSEP）作為評價檢測模型性能優(yōu)劣的關鍵指標[18]。

2 結果與分析

2.1 光譜反射率及預處理

為了消除原始光譜數據中的噪聲信號，提升回歸預測模型的精確度和穩(wěn)定性，運用標準正態(tài)變換（Standard normal variation，SNV）預處理原始的光譜反射率[19]。圖1分別給出了所有獼猴桃樣本的原始光譜反射率（見圖1a）以及經過SNV（見圖1b）預處理后的相對光譜反射率。對比圖1a和b可以看出，經過SNV預處理后的光譜曲線要比原始光譜曲線更平滑。

2.2 獼猴桃表皮顏色統(tǒng)計分析

在構建回歸預測模型之前，運用光譜-理化值共生距離（Sample set partitioning based on jointdistances，SPXY）樣本集劃分方法[20]，按照3∶1的比例將所有獼猴桃劃分為150個校正樣本集和50個預測樣本集。獼猴桃表皮顏色值分析結果見表1，可以看出，校正集中獼猴桃表皮顏色值的范圍比預測集中的范圍寬，這樣劃分的樣本集有助于構建性能較優(yōu)的回歸預測模型。

2.3 光譜數據降維

2.3.1 運用CARS提取特征變量

運用CARS提取特征變量時，根據最小的交叉驗證均方根誤差（RMSECV）提取最優(yōu)的特征變量。采樣變量數和RMSECV值隨采樣次數的變化規(guī)律見圖2和圖3。從圖2和圖3可以觀察到，對于預測*、*、*值，第25、25、30次采樣獲得的RMSECV值最小，最優(yōu)變量集分別包含48、48、26個特征變量（占總變量的4.7%、4.7%、2.5%）。CARS提取的特征變量見表2。

2.3.2 運用SPA提取特征變量

運用SPA提取特征變量時，通常依據最小的RMSEP值來選取最優(yōu)的特征變量。RMSEP隨模型中包含的有效變量數的變化規(guī)律見圖4，可見對于預測*、*、*值，RMSEP均隨著有效變量數的增加而減小，當有效變量數分別大于13、10、9時，RMSEP減小的趨勢不明顯，因此將這13、10、9個變量（占總變量的1.3%、0.98%、0.88%）作為特征變量。SPA提取的特征變量見表2。

2.4 基于特征變量的建模結果

分別將CARS和SPA選取的特征變量作為MLR預測模型的自變量，獼猴桃表皮顏色值（*、*、*）作為因變量，構建預測“貴長”獼猴桃表皮顏色無損檢測模型?；谔卣髯兞繕嫿ǖ腗LR預測模型對獼猴桃表皮顏色的檢測結果見表3。從表3可以看出，相較于基于SPA提取的特征變量構建的SPA-MLR預測模型，建立的CARS-MLR預測模型具有相對較大的C和P，以及相對較小的RMSEC和RMSEP，得出該預測模型具有相對較好的校正性能（*：C=0.91，RMESC=0.96；*：C=0.94，RMESC=0.44；*：C=0.92，RMESC=1.08）和預測性能（*：P=0.88，RMESP=1.13；*：P=0.90，RMESP= 0.57；*：P=0.90，RMESP=1.15），其中對于預測*、*、*值，C的值均超過0.9。同時，對于預測*、*、*值，運用CARS從1024個全光譜波段中分別提取了48、48、26個特征變量作為預測模型的輸入，大大提高了預測模型的檢測效率。以上結果表明，基于特征變量構建的CARS-MLR無損檢測模型對預測“貴長”獼猴桃表皮顏色具有相對較好的檢測性能。其中，CARS-MLR無損檢測模型對于預測“貴長”獼猴桃表皮顏色（*、*、*）的結果見圖5。

圖1 獼猴桃反射率

表1 獼猴桃表皮顏色值分析結果

Tab.1 Analysis results of color of kiwifruits

圖2 采樣變量數隨采樣次數的變化

圖3 RMSECV值隨采樣次數的變化

表2 運用CARS和SPA提取的特征變量

Tab.2 Characteristic variables extracted by CARS and SPA

圖4 RMSEP隨SPA中有效變量數的變化

表3 基于特征變量構建的多元線性回歸模型對獼猴桃表皮顏色的預測結果

Tab.3 Color prediction results of kiwifruits by MLR model based on the characteristic variables

3 結語

以不同成熟階段的“貴長”獼猴桃為研究對象，利用光纖光譜儀獲得了所有獼猴桃樣本的光譜反射率，分別運用競爭性自適應重加權算法和連續(xù)投影算法從標準正態(tài)變換預處理后的相對光譜反射率提取特征變量；對于預測獼猴桃表皮顏色（*、*、*），運用CARS從1024個全波段中分別提取了48、48和26個特征變量，大大提高了預測模型的檢測效率。最后，相對于SPA-MLR預測模型，基于特征變量構建的CARS-MLR無損檢測模型對“貴長”獼猴桃表皮顏色的無損檢測具有相對較好的校正性能（*：C=0.91，RMESC=0.96；*：C=0.94，RMESC= 0.44；*：C=0.92，RMESC=1.08）和預測性能（*：P=0.88，RMESP=1.13；*：P=0.90，RMESP= 0.57；*：P=0.90，RMESP=1.15），為開發(fā)“貴長”獼猴桃表皮顏色的快速無損檢測裝備奠定一定的理論基礎。

[1] 王金華, 杜超, 梁晨, 等. 貴長獼猴桃多糖提取工藝及體外抗氧化功能[J]. 食品科學, 2016, 37(20): 19-23.

WANG Jin-hua, DU Chao, LIANG Chen, et al. Extraction and Antioxidant Activity of Polysaccharides from Guichang Kiwifruit[J]. Food Science, 2016, 37(20): 19-23.

[2] 田有文, 吳偉, 盧時鉛, 等. 深度學習在水果品質檢測與分級分類中的應用[J]. 食品科學, 2021, 42(19): 260-270.

TIAN You-wen, WU Wei, LU Shi-qian, et al. Application of Deep Learning in Fruit Quality Detection and Grading[J]. Food Science, 2021, 42(19): 260-270.

[3] 王芹志, 強鋒, 何建國, 等. 基于可見-近紅外光譜預測靈武長棗脆度及模型優(yōu)化[J]. 食品與發(fā)酵工業(yè), 2017, 43(3): 205-211.

WANG Qin-zhi, QIANG Feng, HE Jian-guo, et al. The Model of Predicting of the Brittleness of Lingwu Jujube by Visible-near Infrared Spectroscopy and Its Optimization[J]. Food and Fermentation Industries, 2017, 43(3): 205-211.

[4] 孟慶龍, 尚靜, 黃人帥, 等. 基于主成分回歸的獼猴桃可溶性固形物無損檢測[J]. 包裝工程, 2021, 42(3): 19-24.

MENG Qing-long, SHANG Jing, HUANG Ren-shuai, et al. Nondestructive Detection for Soluble Solids Content of Kiwifruits Based on Principal Component Regression[J]. Packaging Engineering, 2021, 42(3): 19-24.

[5] 孟慶龍, 尚靜, 黃人帥, 等. 基于光纖光譜技術無損檢測獼猴桃硬度[J]. 食品與發(fā)酵工業(yè), 2020, 46(22): 226-231.

MENG Qing-long, SHANG Jing, HUANG Ren-shuai, et al. Nondestructive Detection for the Firmness of Kiwifruit Based on Optical Fiber Spectroscopy Technology[J]. Food and Fermentation Industries, 2020, 46(22): 226-231.

[6] FAN Shu-xiang, ZHANG Bao-hua, LI Jiang-bo, et al. Prediction of Soluble Solids Content of Apple Using the Combination of Spectra and Textural Features of Hyperspectral Reflectance Imaging Data[J]. Postharvest Biology and Technology, 2016, 121: 51-61.

[7] LI Xiao-li, WEI Yu-zhen, XU Jie, et al. SSC and pH for Sweet Assessment and Maturity Classification of Harvested Cherry Fruit Based on NIR Hyperspectral Imaging Technology[J]. Postharvest Biology and Technology, 2018, 143: 112-118.

[8] ZHANG Dong-yan, XU Lu, WANG Qing-yan, et al. The Optimal Local Model Selection for Robust and Fast Evaluation of Soluble Solid Content in Melon with Thick Peel and Large Size by Vis-NIR Spectroscopy[J]. Food Analytical Methods, 2019, 12(1): 136-147.

[9] 孫炳新, 匡立學, 徐方旭, 等. 蘋果脆度的近紅外無損檢測[J]. 食品與發(fā)酵工業(yè), 2013, 39(5): 185-189.

SUN Bing-xin, KUANG Li-xue, XU Fang-xu, et al. Study on Nondestructive Detecting of Apple Crunchiness by near Infrared Spectroscopy[J]. Food and Fermentation Industries, 2013, 39(5): 185-189.

[10] FAN Shu-xiang, LI Jiang-bo, XIA Yu, et al. Long-Term Evaluation of Soluble Solids Content of Apples with Biological Variability by Using Near-Infrared Spectroscopy and Calibration Transfer Method[J]. Postharvest Biology and Technology, 2019, 151: 79-87.

[11] XIE Chuan-qi, CHU Bing-quan, HE Yong. Prediction of Banana Color and Firmness Using a Novel Wavelengths Selection Method of Hyperspectral Imaging[J]. Food Chemistry, 2018, 245: 132-140.

[12] 董金磊, 郭文川. 采后獼猴桃可溶性固形物含量的高光譜無損檢測[J]. 食品科學, 2015, 36(16): 101-106.

DONG Jin-lei, GUO Wen-chuan. Nondestructive Detection of Soluble Solid Content of Postharvest Kiwifruits Based on Hyperspectral Imaging Technology[J]. Food Science, 2015, 36(16): 101-106.

[13] HU Wei-hong, SUN Da-wen, BLASCO J. Rapid Monitoring 1-MCP-Induced Modulation of Sugars Accumulation in Ripening 'Hayward' Kiwifruit by Vis/NIR Hyperspectral Imaging[J]. Postharvest Biology and Technology, 2017, 125: 168-180.

[14] LI Bo, COBO-MEDINA M, LECOURT J, et al. Application of Hyperspectral Imaging for Nondestructive Measurement of Plum Quality Attributes[J]. Postharvest Biology and Technology, 2018, 141: 8-15.

[15] 詹白勺, 倪君輝, 李軍. 高光譜技術結合CARS算法的庫爾勒香梨可溶性固形物定量測定[J]. 光譜學與光譜分析, 2014, 34(10): 2752-2757.

ZHAN Bai-shao, NI Jun-hui, LI Jun. Hyperspectral Technology Combined with CARS Algorithm to Quantitatively Determine the SSC in Korla Fragrant Pear[J]. Spectroscopy and Spectral Analysis, 2014, 34(10): 2752-2757.

[16] YU Xin-jie, LU Huan-da, WU Di. Development of Deep Learning Method for Predicting Firmness and Soluble Solid Content of Postharvest Korla Fragrant Pear Using Vis/NIR Hyperspectral Reflectance Imaging[J]. Postharvest Biology and Technology, 2018, 141: 39-49.

[17] LEIVA-VALENZUELA G A, LU Ren-fu, AGUILERA J M. Prediction of Firmness and Soluble Solids Content of Blueberries Using Hyperspectral Reflectance Imaging[J]. Journal of Food Engineering, 2013, 115(1): 91-98.

[18] NICOLA? B M, BEULLENS K, BOBELYN E, et al. Nondestructive Measurement of Fruit and Vegetable Quality by Means of NIR Spectroscopy: A Review[J]. Postharvest Biology and Technology, 2007, 46(2): 99-118.

[19] 倪力軍, 張立國. 基礎化學計量學及其應用[M]. 上海: 華東理工大學出版社, 2011: 67-68.

NI Li-jun, ZHANG Li-guo. Basic Chemometrics and Its Application[M]. Shanghai: East China University of Science and Technology Press, 2011: 67-68.

[20] GALV?O R K H, ARAUJO M C U, JOSé G E, et al. A Method for Calibration and Validation Subset Partitioning[J]. Talanta, 2005, 67(4): 736-740.

Nondestructive Detection for Color of "Guichang" Kiwifruits by Spectroscopy Technology

SHANG Jing1a,1b, MENG Qing-long1a,1b, HUANG Ren-shuai1a,1b, YI Ji-rong1a, TIAN Chi2, ZHANG Yan1b

(1a.Food and Pharmaceutical Engineering Institute b.Research Center of Nondestructive Testing for Agricultural Products, Guiyang University, Guiyang 550005, China; 2.Market Supervision Bureau of Huaxi District, Guiyang 550005, China)

The work aims to conduct rapid nondestructive detection for the color (*,*,*) of "Guichang" kiwifruits, because the color of fruits is one of the major index to estimate the quality. The fiber-optic spectrometer was used to collect spectral reflectance of "Guichang" kiwifruits at different maturity stages. The competitive adaptive reweighted sampling (CARS) and successive projection algorithm (SPA) were adopted to reduce the dimension of the full spectrum preprocessed by standard normal transform (SNV). Then, the multi linear regression (MLR) model was built up based on selected characteristic variables and the values of the color. 48, 48 and 26 characteristic variables were extracted by CARS from 1024 full wavelengths to predict the color (*,*,*) of kiwifruits. The calibration ability (*,C=0.91, RMESC=0.96;*,C=0.94, RMESC=0.44;*,C=0.92, RMESC=1.08) and prediction ability (*,P=0.88, RMESP=1.13;*,P=0.90, RMESP=0.57;*,P=0.90, RMESP=1.15) of CARS-MLR model were better than SPA-MLR model. Therefore, it is possible to predict the color of “Guichang” kiwifruits based on spectroscopy technology and the multi linear regression.

spectroscopy technology; “Guichang” kiwifruits; multi linear regression; nondestructive detection

TB487；TS255.3

A

1001-3563(2022)05-0076-07

10.19554/j.cnki.1001-3563.2022.05.011

2021-08-08

貴州省基礎研究計劃（科學技術基金）（黔科合基礎[2020]1Y270）；貴州省科技計劃（黔科合基礎[2019]1010號）；貴州省普通高等學校工程研究中心（黔教合KY字[2016]017）；貴陽市科技局貴陽學院專項資金（GYU-KY-〔2021〕）；大學生創(chuàng)新創(chuàng)業(yè)訓練計劃（S202010976057）

尚靜（1988—），女，貴陽學院講師，主要研究方向為農產品品質無損檢測。

孟慶龍（1989—），男，博士，貴陽學院副教授，主要研究方向為農產品品質無損檢測；張艷（1977—），女，博士，貴陽學院教授，主要研究方向為農產品品質無損檢測。