高光谱成像技术对不同成熟期葡萄香气成分的无损检测

靳雪梅，刘丽华，刘玉娇，郭月，毛迪锐

北华大学林学院（吉林 132013）

我国葡萄产量在世界上连续多年排名第一[1]。葡萄果实中的香气物质是葡萄以及葡萄酒呈现特征风味的重要因子，也是影响葡萄果实内在品质的重要因素之一[2-4]。通过研究葡萄的香气成分，可以确定葡萄的品质、适宜加工的产品及制品质量[5]，甚至可以通过部分香气化合物与葡萄的品种香气直接联系[4]。因此构建葡萄果实香气成分和相关制品香气质量的评价模型逐渐成为新的研究热点。

高光谱成像技术（Hyperspectral imaging technology）因具有非破坏性、快速高效、无污染等优点，被广泛应用于遥感图像、农业、食品、化工等领域。高光谱数据可以反映检测对象内部物理空间结构和化学组成成分，因此在水果的无损检测中具有独特的优势。吴迪等[6]利用高光谱成像技术实现了红色酿酒葡萄果皮中花色苷含量的无损检测；蔡正云等[7]运用高光谱成像技术对宁夏赤霞珠葡萄含水量进行无损检测，并证明该方法的可行性；Julio等[8-9]运用近红外高光谱成像技术对红色葡萄果皮中可提取的酚类物质进行了筛选。此外，该技术在猕猴桃[10-11]、番茄[12]、苹果[13]、枣[14]、蓝莓[15-16]、香蕉[17]等水果的检测中被广泛应用。

此次试验以不同成熟期的贝达葡萄作为研究对象，运用高光谱图像采集系统采集校正集样本和预测集样本的高光谱图像，利用ENVI对图像进行处理，选择感兴趣区域（ROI），提取其平均光谱反射率。采用连续投影（SPA）法选择特征波长，利用偏最小二乘（PLS）法对全波段和特征波长光谱数据分别与香气成分进行相关性分析，建立不同成熟期葡萄的香气成分预测模型。

1 材料与方法

1.1 试验材料

分别在2018年6月12日，6月25日，7月5日，7月20日，8月10日，8月17日，9月10日和10月1日吉林环宇环境检测有限公司葡萄圃，采集8组不同成熟期的贝达葡萄作为试验对象，每组包含采于葡萄架上不同位置或不同高度的5串葡萄，各组的葡萄颗粒大小基本相同，完整无病虫害，生长良好。将样本按3∶1随机分成校正集和预测集。

乙醚（分析纯，青岛秀佰锐生物器材有限公司）；无水硫酸钠（分析纯，济南斌海商贸有限公司）。

1.2 仪器与设备

GCMS-QP2010气相色谱-质谱仪（岛津公司）；GaiaField-F-V10高光谱成像仪（四川双利合谱科技有限公司）。

1.3 试验方法

1.3.1 不同成熟期葡萄香气成分的测定

采用水蒸气蒸馏法提取葡萄中的挥发油成分，采用GC-MS检测葡萄香气成分的组成及含量。

GC-MS条件：色谱柱，名称Rtx-SMS，长度30 m，膜厚0.25 μm，内径0.25 mm；分流温度250 ℃，柱温箱50 ℃；载气，高纯He，柱压120 kPa，总流量18.2 mL/min，柱流量2.04 mL/min；线速度51.9 cm/s，吹扫流量6.0 mL/min，分流比5.0。质谱条件：离子化方式EI，离子源温度200 ℃，接口温度250 ℃。

1.3.2 高光谱图像采集

在户外采集高光谱图像，选择日光能照射的平地，用三脚架固定高光谱相机，将标准白板置于相机下，连接高光谱相机与计算机，设置高光谱图像采集系统采集条件，光谱范围在400～1 000 nm之间，光谱分辨率为3.8 nm，像素为1 392×1 040。

高光谱相机采集的图像数据质量会受到相机本身的影响，比如光源、镜头以及被测物体的反射率，也会受到外界环境的影响。所以要对高光谱原始数据进行黑白校正以得到拉伸后的反射率。校正公式为：

式中：Sampleci为原始样品数据；Darkci为暗背景数据；Whiteci为白板数据。

1.3.3 光谱数据提取

运用高光谱图像处理软件ENVI 5.3提取光谱数据。先对图像进行预处理，处理方法有主成分分析（PCA）法、最小噪声分离（MNF）等，然后随机选择感兴趣区域（ROI），提取其平均光谱反射率，得到不同时期葡萄的光谱数据。

1.3.4 特征波长提取

由于光谱数据具有连续性，相邻波段包含的信息重复较多，因此利用连续投影算法选择具有代表性的波段，可以剔除大部分冗余信息，减少后续计算量，提高模型的准确性。连续投影法原理[18]：记xk(0)为初始迭代向量，N为需要提取的变量个数，光谱矩阵为J列：

a：迭代开始前，任选光谱矩阵的1列j，把校正集的第j列赋值给xj，记为xk(0)。

b：把未选入的列向量位置的集合记为s，s={j, 1≤j≤J, j {k(0), …, k(n-1)}}。

c：分别计算xj对剩下列向量的投影：Pxj=xj-(xjTxk(n-1))xk(n-1)(xkT(n-1)xk(n-1))-1, j∈s。

e：令xj=Pxj, j∈s。

f：n=n+1，如果n＜N，回到b循环计算。

最后，提取出的变量为{xk(n)=0, …, N-1}，对应于每一个k(0)和N，循环一次后进行多元线性回归分析（MLR），得到预测集的均方根误差（RMSE），由最小的RMSE值对应的k(0)和N就是最优值。

1.3.5 建立模型

平均后的光谱数据作为全波段-香气成分模型的变量x，香气成分作为变量y，输入PLS分析相关性，建立全波段-PLS香气成分模型，SPA选择后的光谱数据作为变量X，香气成分为变量Y，进行相关性分析，建立SPA-PLS香气成分模型。

偏最小二乘法是一种多元统计数据分析方法[19]，其原理是[20]：设A为n×m的光谱矩阵，n的值等于样本个数，m的值等于波长数，C为n×l的浓度矩阵，l为组分个数，E、F均为残差矩阵。T为n×d吸光度隐变量矩阵，P为d×m的载荷矩阵，其中d为最佳维数，U是n×d的浓度隐变量矩阵，Q为d×l载荷矩阵。

对矩阵U作线性回归，用矩阵B关联，B为d×d的对角矩阵：

设要预测的样本的光谱矩阵为Ax，根据公式（5）求得Tx：

设要预测的样本的浓度矩阵为Cx，根据公式（6）求出Cx：

1.4 数据处理

不同成熟期葡萄的高光谱图像数据处理运用软件ENVI 5.3，光谱数据与香气成分数据处理运用软件Matlab 2016a。

2 结果与分析

2.1 不同成熟期香气成分组成

GC-MS对预处理后的样品进行分析，得到不同成熟期葡萄的香气成分组成信息。根据葡萄的大小、颜色和成熟期将8组样品分为三个阶段：未成熟期（6月12日—7月20日）、转色期（7月20日—9月10日）和成熟期（9月10日—10月1日）。对GC-MS定性定量分析得出的葡萄香气成分信息进行分类整合，以便于对葡萄香气成分进行整体分析，结果见图1。

图1 不同时期葡萄香气成分

2.2 光谱曲线

同一时期的葡萄光谱曲线基本相同，随机选择一个感兴趣区域的光谱作为代表，结果如图2所示。不同成熟期的葡萄光谱曲线变化趋势类似，但由于系统受电流或外界环境因素的影响，以及在数据采集时存在一定程度的误差，导致同一时期的样本光谱存在差异，所以在同一时期随机选择32个感兴趣区域，按3∶1分为校正集和预测集，再对平均光谱反射率进行平均，得到同一时期的校正集与预测集样本数之比为6∶2，共8个时期，故最终校正集与预测集样本数之比为48∶16。

图2 不同时期葡萄的光谱信息曲线

2.3 不同香气成分的特征波长

通过软件，运用连续投影法对样本校正集进行训练，对预测集进行预测，然后进行变量选择。通常当选择的波长数使均方根误差值达到最小时，得到的波长即为该种成分对应的特征波长。酮类、酚类、烷烃类物质的特征波长选择结果及均方根误差见表1。2.3.1 酮类

表1 三种物质特征波长数及其均方根误差

经过连续投影法选择，酮类物质对应的特征波长有4个（如图3和图4所示），分别是401.89，693.79，938.00和951.09 nm，此时的均方根误差值为0.705 68。当选择的波长数为5时，RMSE值最小，但是在波长数由4到5的过程中，RMSE值变化不明显，选择更多的变量反而会增加模型的复杂程度，所以最终选择4个变量为酮类物质的特征波长。

图3 酮类RMSE随波长数变化

图4 酮类特征波长

2.3.2 酚类

通过连续投影法选择特征波长，当选择的波长数在1～25之间时，随着波长数的增加，RMSE值越来越小，但波长数在17～25之间，RMSE值变化不明显，选择更多的变量会增加模型的复杂程度，所以最终选择17个变量为酚类物质的特征波长。因此酚类物质对应的特征波长有17个（如图5和图6所示），其分别是388.29，422.50，686.40，696.20，930.09，938.00，934.20，945.79，951.09，956.29，972.09，980.00，988.00，990.59和993.29 nm，此时的均方根误差值为1.839 2。

2.3.3 烷烃类

通过连续投影法选择特征波长，当选择的波长数在1～23之间时，随着波长数的增加，RMSE值越来越小，但波长数在12～23之间，RMSE值变化不明显，选择更多的变量会增加模型的复杂程度，所以最终选择12个变量为酚类物质的特征波长。酚类物质对应的特征波长有12个（如图7和图8所示），分别是388.29，422.50，494.29，591.50，686.40，934.20，951.09，988.00，990.59，993.29，1 003.90和1 017.20 nm，此时的均方根误差值为0.648 88。

图5 酚类RMSE随波长数变化

图6 酚类特征波长

图7 烷烃类RMSE随波长数变化

图8 烷烃类特征波长

2.4 相关性结果及分析

通过不同香气成分与光谱进行相关性分析，建立预测模型。得到模型的相关系数和均方根误差，结果见表2。各个香气成分的全波段预测模型与SPA预测模型差别不大，酮类和烷烃类的全波段预测模型相关系数高，而酚类的SPA预测模型相关系数更高。因此，不同成熟期贝达葡萄的3个香气成分均与光谱呈显著相关性。

表2 不同模型评估结果

3 结论

此次试验将不同成熟期的贝达葡萄作为试验样本，重点研究了葡萄光谱曲线和葡萄香气成分的相关性，其中酮类、酚类、烷烃类物质和光谱曲线具有显著的相关性，同时建立了不同香气成分酮类、酚类、烷烃类物质和光谱之间的全波段-PLS和SPA-PLS预测模型，实现了对不同成熟期葡萄香气成分的无损高效检测。研究表明高光谱成像技术在葡萄香气成分检测方面的应用是可行的，结论对实现无损检测葡萄香气成分具有重要意义。