全透射近紅外光譜的蘋果整果糖度在線檢測模型優(yōu)化

田 喜，陳立平，王慶艷，李江波，楊 一，樊書祥，黃文倩*

1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083 2.北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心，北京 100097 3.北京市農(nóng)林科學(xué)院信息技術(shù)研究中心，北京 100097

引 言

蘋果是世界四大水果之一, 當(dāng)前中國已成為世界最大的蘋果生產(chǎn)國和消費(fèi)國。隨著我國蘋果消費(fèi)快速增長，消費(fèi)者和種植者對(duì)蘋果的內(nèi)部品質(zhì)也越來越關(guān)注。糖度是體現(xiàn)蘋果內(nèi)部質(zhì)量的關(guān)鍵因素之一，直接影響了蘋果售價(jià)。穩(wěn)定、準(zhǔn)確地對(duì)蘋果糖度進(jìn)行無損檢測分級(jí)是目前蘋果產(chǎn)業(yè)急需解決的問題。傳統(tǒng)的蘋果糖度測定方法屬于損傷性檢測，效率較低，檢測范圍有限，不適用于蘋果品質(zhì)分級(jí)。隨著計(jì)算機(jī)和光電傳感技術(shù)的發(fā)展，近紅外光譜技術(shù)因無損、快速、準(zhǔn)確的優(yōu)勢在水果品質(zhì)檢測分級(jí)領(lǐng)域快速發(fā)展和應(yīng)用。

根據(jù)光源和光譜儀之間的位置關(guān)系不同，近紅外無損檢測通?？煞譃槁瓷浜屯干涠N模式[1]。漫反射模式中光源和光譜儀位于同一側(cè)，該模式在水果品質(zhì)檢測中應(yīng)用較早，以靜態(tài)檢測為主。蘋果表面較為光滑，漫反射模式會(huì)產(chǎn)生鏡面反射信號(hào)，這些無用的鏡面反射信號(hào)也會(huì)被光譜儀采集，降低水果品質(zhì)的檢測精度，這也是水果在線檢測中漫反射模式研究較少的一個(gè)主要原因。另一方面，受光照強(qiáng)度和維管束分布影響，蘋果糖度陽面高于陰面，近果皮處高于內(nèi)部，近萼端部高于近梗端部，所以蘋果屬于內(nèi)部組分分布不均的生物體。然而，漫反射模式只能獲取光照區(qū)域蘋果淺層果肉的光譜信息，無法對(duì)整果的綜合品質(zhì)做出有效評(píng)價(jià)。與漫反射模式不同，透射模式中光譜儀和光源分布在樣本的兩側(cè)，光譜儀可以采集到穿過樣本的光譜信號(hào)，這些透射光譜攜帶了水果內(nèi)部深層的組織信息[2]。此外，透射模式也沒有鏡面反射等無用信號(hào)的干擾，是水果內(nèi)部品質(zhì)在線檢測高效且極具前景的檢測模式。透射模式也可以細(xì)分漫透射和全透射二種方式，漫透射方式可以獲取部分水果內(nèi)部組分信息；劉燕德等采用漫透射方式開發(fā)了水果動(dòng)態(tài)在線分選設(shè)備，構(gòu)建了不同品種蘋果糖度在線檢測通用模型，證明了漫透射方式在線檢測蘋果內(nèi)部品質(zhì)的可行性[3]。全透射方式中光譜儀和光源呈直線式分布在樣本兩側(cè)，入射光照射水果后，光譜儀獲取整個(gè)水果的透射光譜信號(hào)，然而全透射方式對(duì)光譜儀的靈敏性要求較高，當(dāng)前研究報(bào)道還較少。

尺寸、顏色、紋理、年份、產(chǎn)區(qū)等生物個(gè)體差異和環(huán)境溫度、檢測速度、檢測姿態(tài)、檢測位點(diǎn)等系統(tǒng)差異對(duì)預(yù)測模型性能均有影響[4]。其中，檢測姿態(tài)直接影響了光譜信號(hào)質(zhì)量和預(yù)測模型的穩(wěn)定性。Fan等[5]分析了蘋果三種檢測姿態(tài)的漫透射光譜信號(hào)質(zhì)量，發(fā)現(xiàn)果梗-花萼軸豎直向上姿態(tài)獲取的漫透射光譜信號(hào)最穩(wěn)定。Xia等[6]基于蘋果六種姿態(tài)獲取的漫反射光譜構(gòu)建了蘋果整果糖度預(yù)測模型，發(fā)現(xiàn)果梗-花萼豎直向上姿態(tài)的整果糖度預(yù)測精度最高。建模算法對(duì)預(yù)測模型的預(yù)測能力和適用能力起到了重要影響；劉燕德[3]等融合三個(gè)品種蘋果光譜數(shù)據(jù)構(gòu)建了蘋果糖度在線檢測通用模型。Tian等[7]分析了色素對(duì)蘋果糖度預(yù)測模型的影響，基于移除色素特征波長后二次挑選的蘋果糖度特征波段構(gòu)建了更穩(wěn)定的糖度預(yù)測模型。Guo等[8]將蘋果表面顏色信息與漫反射光譜數(shù)據(jù)融合，提高了蘋果糖度的預(yù)測精度。此外，光譜信號(hào)質(zhì)量直接影響了光譜信噪比。蘋果等水果是類球形生物體，入射光在蘋果表面照射的位點(diǎn)不同，使得光在蘋果內(nèi)部傳輸?shù)墓獬滩煌?，而且蘋果不同組織果實(shí)內(nèi)部細(xì)胞結(jié)構(gòu)、組成成分和光學(xué)傳輸特性也不相同，這些原因使得光譜儀在不同照射位點(diǎn)獲取的全透射光譜信號(hào)強(qiáng)度具有差異性?？傮w而言，構(gòu)建一個(gè)預(yù)測精度高、穩(wěn)定性能好的水果糖度檢測模型需要綜合考慮到光譜質(zhì)量、樣本個(gè)體差異、檢測系統(tǒng)和建模算法等多種因素[9-12]。

本研究采用課題組自主開發(fā)的短積分全透射近紅外光譜采集系統(tǒng)，基于構(gòu)建的單一姿態(tài)和多姿態(tài)通用的在線檢測模型，分析了檢測姿態(tài)對(duì)蘋果糖度預(yù)測精度的影響，并結(jié)合信號(hào)強(qiáng)度閾值優(yōu)選方法，篩選了有利于蘋果糖度預(yù)測的全透射光譜，建立了適用于單一姿態(tài)和通用姿態(tài)的蘋果糖度最優(yōu)檢測模型。

1 實(shí)驗(yàn)部分

1.1 樣品

試驗(yàn)用山東棲霞富士采購于北京岳各莊水果批發(fā)市場，手工挑選無表面缺陷、果型正常、直徑80～90 mm蘋果樣本218個(gè)。試驗(yàn)前放于22 ℃實(shí)驗(yàn)室環(huán)境下24 h，以減少樣本溫度帶來的試驗(yàn)干擾。

1.2 光譜采集

采用自主研發(fā)的短積分全透射光譜采集系統(tǒng)進(jìn)行蘋果樣本光譜采集(圖1)，該系統(tǒng)由一個(gè)鹵素?zé)?FUJI, JCR, 150 W, 15 V)、一個(gè)光譜儀(光譜范圍615～1 044 nm，光譜間隔0.5 nm)，一個(gè)傳送系統(tǒng)、一個(gè)光電傳感器和一個(gè)計(jì)算機(jī)組成。光源和光譜儀分別呈直線式分布于樣本兩側(cè)，光譜儀采集樣本全透射光譜信號(hào)，以便消除水果鏡面反射干擾。水果傳送通道采用了雙層遮光簾以避免外界環(huán)境光的干擾。采用硬件觸發(fā)光譜儀進(jìn)行光譜采集，因光電傳感器到光譜儀距離恒定，在勻速運(yùn)輸條件下，水果遮擋光電傳感器后則可以計(jì)算水果傳送到光譜儀所用的時(shí)間，光譜儀在延遲固定傳送時(shí)間后開始以設(shè)定的積分時(shí)間連續(xù)采集透射光譜信號(hào)，通過計(jì)算蘋果遮擋光電傳感器時(shí)間，判斷光譜儀的工作時(shí)長，從而避免光譜儀采集到無用信息，提高光譜的有效性。該系統(tǒng)具有積分時(shí)間短、信號(hào)靈敏度高的優(yōu)勢，可以在水果通過光譜儀時(shí)，以極短的積分時(shí)間從單個(gè)樣本不同位點(diǎn)連續(xù)獲取多條全透射光譜信號(hào)。蘋果不同組織果實(shí)內(nèi)部結(jié)構(gòu)、組成成分和光學(xué)傳輸特性不同，因此不同位點(diǎn)獲取的透射光譜信號(hào)攜帶了不同的組織信息，而短積分模式在增加光譜數(shù)據(jù)處理的靈活性的同時(shí)，也有利于局部組織的成分分析。

圖1 短積分全透射光譜采集系統(tǒng)

設(shè)定系統(tǒng)運(yùn)行參數(shù)如下：傳送皮帶運(yùn)行速度0.5 m·s-1，光譜儀積分時(shí)間5 ms，設(shè)備預(yù)熱30后，分別以如下三個(gè)姿態(tài)下采集蘋果全透射光譜數(shù)據(jù)(圖2)：

圖2 不同檢測姿態(tài)的蘋果糖度預(yù)測模型構(gòu)建

姿態(tài)1(T1)：果梗-花萼軸豎直，且垂直運(yùn)動(dòng)方向

姿態(tài)2(T2)：果梗-花萼軸水平，且平行運(yùn)動(dòng)方向

姿態(tài)3(T3)：果梗-花萼軸水平，且垂直運(yùn)動(dòng)方向

1.3 糖度測定

將蘋果切成小塊，用雙層紗布包裹后全部放入壓汁機(jī)壓出果汁，搖勻后立即采用糖度計(jì)(型號(hào)PR-101α; Atago Co., Tokyo, Japan)測量果汁的糖度值。重復(fù)測定三次，取其平均值作為該樣本整果糖度的真實(shí)值。

1.4 不同檢測姿態(tài)的通用模型構(gòu)建

偏最小二乘回歸(partial least squares, PLS)是目前基于近紅外光譜分析水果內(nèi)部品質(zhì)中廣泛應(yīng)用的一種建模方法。為了全面評(píng)價(jià)蘋果檢測姿態(tài)對(duì)蘋果整果糖度預(yù)測模型的影響，采用PLS構(gòu)建了單一姿態(tài)局限模型和多姿態(tài)通用模型。

局限模型(Case a)：分別計(jì)算單一檢測姿態(tài)獲取的全位點(diǎn)平均透射光譜曲線，采用PLS算法基于單一檢測姿態(tài)校正集平均光譜數(shù)據(jù)構(gòu)建單一姿態(tài)預(yù)測模型，并采用單一姿態(tài)模型分別評(píng)價(jià)其他姿態(tài)下預(yù)測集樣本的預(yù)測精度；

通用模型(Case b)：合并T1、T2和T3三種檢測姿態(tài)校正集平均光譜數(shù)據(jù)，采用PLS算法構(gòu)建多姿態(tài)通用預(yù)測模型，并采用通用模型分別評(píng)價(jià)三種姿態(tài)預(yù)測集樣本的預(yù)測精度。

1.5 全透射光譜信號(hào)強(qiáng)度優(yōu)選模型構(gòu)建

所用的短積分全透射光譜采集系統(tǒng)可以5 ms積分時(shí)間，在蘋果通過光譜儀時(shí)，連續(xù)不間斷的從單個(gè)蘋果不同位點(diǎn)獲取多條全透射光譜信號(hào)。蘋果不同位點(diǎn)入射光的光程不同；蘋果是類球形內(nèi)部組分分布不均勻的生物體，蘋果不同位置果實(shí)內(nèi)部細(xì)胞結(jié)構(gòu)、組成成分和光學(xué)傳輸特性也不相同，使得光譜儀在蘋果不同位置獲取的全透射光譜信號(hào)強(qiáng)度不相同。為了有效的提高短積分全透射光譜的信號(hào)質(zhì)量，提升蘋果糖度預(yù)測模型精度，發(fā)揮短積分全透射光譜采集系統(tǒng)信號(hào)處理靈活的優(yōu)勢，提出一種基于信號(hào)強(qiáng)度優(yōu)選的蘋果整果糖度在線檢測模型優(yōu)化方法。方法要點(diǎn)如下：(1)確定全透射光譜曲線中信號(hào)強(qiáng)度最大的波段位置W；(2)確定波段W下信號(hào)閾值N；(3)篩選波段W下信號(hào)閾值大于N的全透射多位點(diǎn)光譜曲線；(4)計(jì)算篩選的多位點(diǎn)光譜曲線平均光譜曲線；(5)采用PLS算法構(gòu)建信號(hào)強(qiáng)度閾值為N時(shí)的模型預(yù)測；(6)按照設(shè)定步長提高信號(hào)強(qiáng)度閾值N，分析蘋果整果糖度預(yù)測精度隨信號(hào)強(qiáng)度閾值的變化趨勢，優(yōu)選最優(yōu)預(yù)測模型。當(dāng)信號(hào)強(qiáng)度閾值N大于樣本集中任一樣本在波段W下光譜最大信號(hào)時(shí)，該樣本沒有可用于建模的光譜數(shù)據(jù)，此時(shí)模型終止運(yùn)行。

1.6 模型預(yù)測精度的客觀性分析

所有218個(gè)樣本按照3∶1比例隨機(jī)劃分為校正集和預(yù)測集，其中校正集共計(jì)162個(gè)用于建立預(yù)測模型，預(yù)測集共計(jì)52個(gè)用于評(píng)價(jià)預(yù)測模型性能。為了消除樣本隨機(jī)分布導(dǎo)致的模型精度不穩(wěn)定問題，便于客觀地評(píng)價(jià)模型預(yù)測能力，將樣本隨機(jī)劃分了20次，并基于每次樣本劃分結(jié)果構(gòu)建預(yù)測模型，最終模型預(yù)測精度用20次建模的平均值和標(biāo)準(zhǔn)偏差表示。

1.7 模型預(yù)測性能評(píng)價(jià)

所有模型的預(yù)測性能通過校正相關(guān)系數(shù)(correlation coefficient of calibration,Rc)、預(yù)測相關(guān)系數(shù)(correlation coefficient of prediction,Rp)、校正均方根誤差(root mean square error of calibration, RMSEC)、預(yù)測均方根誤差(root mean square error of prediction, RMSEP)、殘差預(yù)測偏差(residual prediction deviation, RPD)來評(píng)價(jià)。

2 結(jié)果與討論

2.1 糖度統(tǒng)計(jì)

蘋果樣本糖度范圍在8.1%～14.6%，平均值為11.49%，標(biāo)準(zhǔn)偏差為1.33%，樣本集覆蓋了足夠大的范圍，這有利于提高所建預(yù)測模型的適用性。

2.2 光譜特征分析

圖3(a—c)分別顯示了蘋果不同檢測姿態(tài)、多位點(diǎn)光譜采集示意圖和單個(gè)蘋果獲取的多位點(diǎn)光譜曲線。650～1 000 nm波段范圍內(nèi)光譜數(shù)據(jù)質(zhì)量較好，所以選用這一區(qū)間光譜數(shù)據(jù)用于后續(xù)建模分析。蘋果樣本直徑80～90 mm，運(yùn)行速度0.5 m·s-1，積分時(shí)間5 ms，單個(gè)樣本可獲取光譜數(shù)量約30～35條。從圖中可以看出，蘋果通過光譜儀時(shí)，不同的檢測姿態(tài)入射光照射在蘋果表面的位點(diǎn)也不相同；然而三種檢測姿態(tài)下全透射光譜曲線的走勢大致相同，在920 nm附近具有最大的光譜信號(hào)強(qiáng)度，在850 nm附近存在波谷。圖4為同一蘋果三種不同檢測姿態(tài)的平均光譜曲線，其中T1和T2姿態(tài)平均光譜強(qiáng)度相近，而T3姿態(tài)光譜信號(hào)強(qiáng)度最低，這可能是T3姿態(tài)下入射光穿透蘋果的光程最長和蘋果核的阻擋作用導(dǎo)致的。圖5顯示了三種不同檢測姿態(tài)下同一蘋果所有光譜采集位點(diǎn)920 nm波段信號(hào)強(qiáng)度的動(dòng)態(tài)變化，三種檢測姿態(tài)不同位點(diǎn)光譜強(qiáng)度都有由高到低再升高的趨勢，這也反映了光譜儀獲取的蘋果檢測位點(diǎn)是由邊緣到中央再到邊緣的過程。分析光譜的強(qiáng)度變化發(fā)現(xiàn)，T3姿態(tài)下光譜強(qiáng)度變化最劇烈，由邊緣檢測位點(diǎn)的最高值轉(zhuǎn)變?yōu)橹醒霗z測位點(diǎn)的最低值。結(jié)合采集姿態(tài)和采集位點(diǎn)結(jié)構(gòu)示意圖，分析蘋果單果光譜采集的動(dòng)態(tài)變化發(fā)現(xiàn)，在T1姿態(tài)中，透射光譜主要獲取于蘋果赤道線上，其中中央采集位點(diǎn)光譜是穿透蘋果果核區(qū)域而采集得到，此時(shí)穿透蘋果的入射光光程最長，透射光譜的信號(hào)強(qiáng)度最低。此外，蘋果果核結(jié)構(gòu)較為堅(jiān)硬，光在這一區(qū)域的穿透能力較弱，進(jìn)一步削弱了透射光的信號(hào)強(qiáng)度。T2姿態(tài)中，透射光譜主要沿著蘋果果梗-花萼軸獲取，蘋果果核結(jié)構(gòu)始終阻擋著部分入射光的行進(jìn)。T3姿態(tài)中，透射光譜主要獲取于蘋果的果肩和果梗區(qū)域，其中中央采集位點(diǎn)光譜源于果梗區(qū)域，其信號(hào)強(qiáng)度最低，再次證明了T3姿態(tài)下果梗-花萼軸嚴(yán)重削弱了果梗區(qū)域位點(diǎn)的全透射光譜強(qiáng)度。

圖3 不同檢測姿態(tài)下蘋果透射光譜采集示意圖

圖4 同一蘋果三種不同檢測姿態(tài)的平均光譜曲線

圖5 不同檢測姿態(tài)下920 nm波段處光譜強(qiáng)度變化

2.3 光譜預(yù)處理分析

由于獲取的原始光譜可能含有無用的背景信息或噪聲，預(yù)處理方法往往可以提高模型的性能。采用21點(diǎn)移動(dòng)平均平滑(smoothing)、標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variable, SNV)、和多元散射校正(multiplicative scattercorrection, MSC)等不同的預(yù)處理方法對(duì)原始光譜數(shù)據(jù)進(jìn)行了預(yù)處理。

2.4 檢測姿態(tài)對(duì)整果糖度預(yù)測影響

表1顯示了基于單一檢測姿態(tài)獲取的全位點(diǎn)平均光譜及預(yù)處理后光譜數(shù)據(jù)集構(gòu)建的蘋果整果糖度預(yù)測模型結(jié)果(局限模型)。比較校正集和預(yù)測集模型參數(shù)發(fā)現(xiàn)，基于原始光譜所構(gòu)建模型出現(xiàn)了過度擬合問題(Rc和Rp相差較大)。比較預(yù)處理前后光譜所建模型發(fā)現(xiàn)，預(yù)處理后光譜所建模型沒有表現(xiàn)處過擬合，且預(yù)測偏差RMSEP和RPD均優(yōu)于原始光譜。Smoothing預(yù)處理方法所建的T1，T2和T3局限模型的RMSEP和RPD分別為0.80%±0.07%和1.45±0.20，0.89%±0.08%和1.36±0.16，0.88%±0.17%和1.42±0.18，預(yù)測性能均優(yōu)于SNV和MSC預(yù)處理方法，且T1姿態(tài)檢測精度優(yōu)于T2和T3姿態(tài)，因此T1姿態(tài)更適用于固定姿態(tài)下蘋果整果糖度品質(zhì)檢測。

表1 不同檢測姿態(tài)局限模型預(yù)測結(jié)果

基于單一姿態(tài)構(gòu)建的局限模型預(yù)測其他檢測姿態(tài)光譜時(shí)，其模型預(yù)測精度顯著下降。以T1局限模型為例，預(yù)測集RMSEP和RPD由T1的0.80%±0.07%和1.45±0.20到T2的1.15%±0.13%和1.11±0.13、T3的2.13%±0.33%、0.75±0.06，從預(yù)測結(jié)果可以看出局限模型的魯棒性不夠好，說明不同檢測姿態(tài)獲取的光譜信息存在很大差異，局限模型對(duì)光譜檢測姿態(tài)的變化比較敏感，證明了單一姿態(tài)構(gòu)建的局限模型對(duì)檢測姿態(tài)具有很大的局限性。然而，對(duì)蘋果內(nèi)部品質(zhì)檢測設(shè)備的開發(fā)而言，蘋果屬于易損傷水果，更適用于人工放果或吸盤自動(dòng)放果的單果托盤式檢測，這種上果方式可以有效的保證姿態(tài)的一致性，也有利于提高蘋果糖度預(yù)測模型的精度。

2.5 不同檢測姿態(tài)通用模型開發(fā)

考慮到實(shí)際在線水果檢測時(shí)，蘋果固定檢測姿態(tài)對(duì)人工要求較高，為此，建立了相對(duì)單一姿態(tài)局限模型而言的多姿態(tài)通用模型，分析通用模型下不同檢測姿態(tài)對(duì)預(yù)測結(jié)果的影響。表2顯示了通用模型性能，Smoothing預(yù)處理后構(gòu)建的T1、T2和T3姿態(tài)通用模型性能最佳，其RMSEP和RPD分別為0.85%±0.08%和1.23±0.14，0.87%±0.09%和1.27±0.18，0.84%±0.14%和1.48±0.14。與單一姿態(tài)的局限模型相比，通用模型與同一姿態(tài)的局限模型對(duì)預(yù)測集樣本的預(yù)測結(jié)果無明顯差別，通用模型T1姿態(tài)(RMSEP=0.85%±0.08%)稍差于局限模型(RMSEP=0.80%±0.07%)，而通用模型T2姿態(tài)(RMSEP=0.87%±0.09%)和T3姿態(tài)(RMSEP=0.84%±0.14%)稍優(yōu)于局限模型(T2：RMSEP=0.89%±0.08%, T3：RMSEP=0.88%±0.17%)。雖然通用模型預(yù)測性能沒有顯著優(yōu)化，但是它對(duì)在不同檢測姿態(tài)的預(yù)測集都獲得了準(zhǔn)確的結(jié)果。因此，通用模型對(duì)檢測姿態(tài)的變化不再敏感，也具有更好的適用性和實(shí)用性。

表2 多檢測姿態(tài)通用模型預(yù)測結(jié)果

2.6 不同檢測姿態(tài)信號(hào)強(qiáng)度優(yōu)化模型

信號(hào)強(qiáng)度越高越能更加詳細(xì)地表示預(yù)測精度隨信號(hào)強(qiáng)度閾值的變化。三種檢測姿態(tài)全透射光譜信號(hào)在920 nm波段強(qiáng)度最大，因此，設(shè)定閾值優(yōu)選波段W為920 nm，設(shè)定起始閾值N=0，步長500。圖6顯示三種檢測姿態(tài)下Smoothing預(yù)處理光譜20次預(yù)測模型平均性能隨著光譜信號(hào)閾值變化的動(dòng)態(tài)曲線。隨著閾值的不斷提高，三種檢測姿態(tài)的蘋果整果糖度預(yù)測偏差RMSEP先降低后升高，RPD先升高后降低。當(dāng)信號(hào)強(qiáng)度閾值為12 500，10 000和9 500時(shí)，T1，T2和T3姿態(tài)所建模型RMSEP最低，分別為0.78%，0.88%和0.83%。當(dāng)信號(hào)強(qiáng)度閾值為12 500，10 000和9 000時(shí)，T1，T2和T3姿態(tài)所建模型RPD最高，分別為1.73，1.65和1.52。即T1，T2和T3優(yōu)選信號(hào)閾值分別為12 500，10 000和9 000～9 500，由圖5可知這些閾值區(qū)域基本分布在蘋果光譜采集的中央位點(diǎn)區(qū)域，說明移除蘋果中央位點(diǎn)區(qū)域獲取的透射光譜可以優(yōu)化預(yù)測模型精度。結(jié)合蘋果結(jié)構(gòu)和不同姿態(tài)下蘋果光譜采集位點(diǎn)示意圖分析，當(dāng)蘋果被移動(dòng)通過光譜儀過程中，光譜儀連續(xù)采集蘋果邊緣—中央—邊緣的檢測位點(diǎn)，三種檢測姿態(tài)下不同位點(diǎn)光譜強(qiáng)度由高到低再到高。因此隨著信號(hào)強(qiáng)度閾值的不斷提升，蘋果中央位點(diǎn)光譜被逐漸移除，蘋果整果預(yù)測模型精度逐步提升。當(dāng)信號(hào)強(qiáng)度閾值繼續(xù)提高時(shí)，被移除的光譜由蘋果中央位點(diǎn)向兩側(cè)邊緣不斷擴(kuò)展，被移除的光譜范圍越來越廣，透射光譜攜帶的蘋果組織信息越來越少，當(dāng)越來越少的蘋果兩側(cè)邊緣位點(diǎn)光譜參與蘋果整果糖度模型構(gòu)建時(shí)，蘋果整果預(yù)測模型預(yù)測精度逐漸降低。分析不同檢測姿態(tài)下模型預(yù)測精度隨信號(hào)閾值變化程度發(fā)現(xiàn)，T3姿態(tài)在閾值9 000之前變化最劇烈，模型提升的效果也最顯著，RMSEP和RPD由初始階段的0.88%和1.57分別提升到0.83%和1.65。T2姿態(tài)在閾值10 000之前均比較穩(wěn)定，這可能與該姿態(tài)獲取的蘋果組分信息較為穩(wěn)定有關(guān)。三種姿態(tài)下中央位點(diǎn)(直徑最大區(qū)域)光譜移除有助于模型精度提高，一方面可能是因?yàn)橹醒胛稽c(diǎn)信號(hào)強(qiáng)度弱，增加了噪聲的同時(shí)，減小了光譜信噪比，削弱了光譜信號(hào)質(zhì)量導(dǎo)致；另一方面也有可能是因?yàn)閺闹醒胛稽c(diǎn)獲取的透射光譜穿透了蘋果果核結(jié)構(gòu)，蘋果核主要由籽粒和纖維膜物質(zhì)組成，這些與蘋果糖度預(yù)測無關(guān)的組織信息降低了糖度模型的預(yù)測精度。

圖6 不同檢測姿態(tài)下模型預(yù)測性能隨光譜信號(hào)閾值變化動(dòng)態(tài)曲線

2.7 不同檢測姿態(tài)通用信號(hào)強(qiáng)度優(yōu)化模型

以全透射光譜信號(hào)強(qiáng)度最高的920 nm波段作為閾值優(yōu)選波段W，設(shè)定起始閾值N=0，步長500。圖7展示了三種不同檢測姿態(tài)Smoothing預(yù)處理光譜合并后構(gòu)建的20次通用信號(hào)強(qiáng)度優(yōu)化模型平均性能隨信號(hào)強(qiáng)度變化動(dòng)態(tài)曲線，與單一姿態(tài)構(gòu)建的信號(hào)強(qiáng)度優(yōu)化模型變化趨勢相同，通用信號(hào)強(qiáng)度優(yōu)化模型性能也隨著信號(hào)強(qiáng)度的提升表現(xiàn)出先提升后降低的走勢。然而通用強(qiáng)度優(yōu)化模型中信號(hào)強(qiáng)度5 000時(shí)，預(yù)測性能達(dá)到最優(yōu)，RMSEP和RPD分別為0.84%和1.58，最優(yōu)信號(hào)強(qiáng)度閾值顯著低于單一姿態(tài)下的最優(yōu)信號(hào)強(qiáng)度閾值。不同姿態(tài)獲取的透射光譜信號(hào)強(qiáng)度差異顯著，不同檢測姿態(tài)下光譜采集位點(diǎn)也不相同，通用信號(hào)強(qiáng)度優(yōu)化模型的構(gòu)建綜合考慮多種姿態(tài)獲取的光譜信息有效性，刪除了920 nm波段下信號(hào)強(qiáng)度小于5 000的無效光譜，提升了通用信號(hào)強(qiáng)度優(yōu)化模型的預(yù)測能力和穩(wěn)定性。

圖7 多姿態(tài)通用模型預(yù)測性能隨光譜信號(hào)閾值變化動(dòng)態(tài)曲線

3 結(jié) 論

短積分全透射近紅外在線檢測系統(tǒng)可以用于不同姿態(tài)下蘋果糖度通用模型開發(fā)。本研究采用移動(dòng)平均平滑、標(biāo)準(zhǔn)正態(tài)變量變換和多元散射校正等預(yù)處理方法有效去除原始光譜的隨機(jī)噪聲和基線偏差，減小了樣本檢測姿態(tài)引起的光譜差異?；谌稽c(diǎn)平均透射光譜構(gòu)建的單一姿態(tài)局限模型對(duì)檢測姿態(tài)具有很大的局限性，而多姿態(tài)通用模型預(yù)測能力較單一檢測姿態(tài)相當(dāng)，但卻對(duì)不同的檢測姿態(tài)具有更強(qiáng)的適用能力。基于信號(hào)強(qiáng)度閾值優(yōu)選方法的蘋果整果糖度預(yù)測模型進(jìn)一步優(yōu)化了模型的預(yù)測能力，移除中央位點(diǎn)獲取的透射光譜信號(hào)，有利于提高蘋果整果糖度預(yù)測模型精度。不同檢測姿態(tài)獲取的透射光譜信號(hào)強(qiáng)度不同，不同檢測姿態(tài)獲取的蘋果組織信息也具有差異性，使得蘋果整果糖度檢測姿態(tài)的最優(yōu)信號(hào)強(qiáng)度不同。不同檢測姿態(tài)的通用信號(hào)強(qiáng)度優(yōu)化模型綜合考慮多種姿態(tài)獲取的光譜信息有效性，有效提升了通用信號(hào)強(qiáng)度優(yōu)化模型的預(yù)測能力和穩(wěn)定性。結(jié)果表明短積分全透射近紅外在線檢測系統(tǒng)用于不同姿態(tài)蘋果糖度預(yù)測是可行的，短積分多位點(diǎn)透射光譜采集模式提高了光譜數(shù)據(jù)處理的靈活性，信號(hào)強(qiáng)度閾值優(yōu)選方法提升了光譜信號(hào)的質(zhì)量和模型的預(yù)測能力。