基于可见/ 近红外光谱对腐烂花椰菜的检测研究
2020-12-14穆炳宇薛建新张淑娟廉孟茹池江涛
穆炳宇， 薛建新，张淑娟，任 锐，廉孟茹，池江涛
（山西农业大学工学院，山西晋中 030801）
花椰菜（Brassica oleracea L. var. botrytis L.），俗称花菜、菜花或椰菜花，属十字花科一年生植物。花椰菜营养价值高，其中以维C 的含量最为丰富；还含有异硫氰酸盐化合物，可有效抗癌防癌[1]。但是，花椰菜在受到暴晒、冻害或者水分流失后会出现褐变、腐烂，从而失去食用价值[2]。花椰菜容易受到虫害的影响，导致黑腐病发生，使得花球、根茎处呈现黑色霉层，形成烂菜花，造成减产甚至绝收。目前，花椰菜的品质检测主要靠人工来完成，尚未有针对花椰菜新鲜和腐烂的判别研究。
近年来，近红外光谱技术已经广泛应用于农产品品质的无损检测中。何宽等人[3]利用光谱成像技术，结合光谱信息分割法实现了对采后蓝莓腐烂病的无损检测，准确率达97.5%以上。孙海霞等人[4]使用光谱技术对黑斑鲜枣进行了识别，通过SPA 提取的特征波长获得主成分图像，采用BP-NN 和CNN建立识别模型，判别准确率分别为78.3%和90.0%。Shijie Tian 等人[5]使用透射可见/ 近红外技术实现了对发霉苹果核的检测，对以往直径较大的健康苹果被误认为患病，核心发霉且直径较小的苹果被误认为健康的现状作出了改进。Roberto Ciccoritti 等人[6]将近红外和化学计量学方法结合，成功地用于改善猕猴桃在收获和储存期间的质量控制，减少了水果损失。刘燕德等人[7]应用近红外光谱技术，采集黄龙病、缺损和健康3 类叶片样本的光谱信息并进行建模分析，结果表明，近红外光谱技术可以对柑橘黄龙病进行检测。
采用可见/ 近红外光谱技术对花椰菜的腐烂进行PLS 建模分析，首先对不同的预处理方法进行对比，并进行特征波长提取方式的模型比较，在此基础上，选出最优的花椰菜判别模型，以期为在线无损检测花椰菜品质的设备研究提供理论依据。
1 材料与方法
1.1 试验材料
花椰菜样品于2019 年9 月采摘自山西省太谷区，当日运至试验室。选择新鲜和表面有黑斑的腐烂花椰菜各170 朵，进行光谱数据的采集。将采集到的光谱数据使用Kennard-Stone 算法按3∶1 的比例划分为校正集254 朵（新鲜127 朵，腐烂127 朵）和预测集86 朵（新鲜43 朵，腐烂43 朵）。
1.2 试验方法
Field Spec 3 型光谱仪， 美国ASD （Analytical Spectral Device） 公司产品，光谱范围为350～2 500 nm。使用ASD View Spec Pro V5.0 软件采集花椰菜同一位置的信息3 次，取平均光谱值；去除两端光谱噪声后，选择500～2 200 nm 的光谱数据进行后续判别分析。
1.3 数据分析和处理方法
1.3.1 原始光谱预处理
为提高数据的使用质量、减少不必要的环境干扰，对光谱数据进行预处理是十分必要的。试验采用如下方法对光谱进行预处理：
标准正态变量变换（Standard normal variate transformation，SNV）[8]可使得光谱受到样本表面颗粒和曲面的光程变化的影响最小[9]。S-G 平滑算法（Savitzky-Golay Smoothing）[10]可对数据进行多项式最小二乘拟合并且加权平均，以消除噪声、减少随机误差对试验造成的影响。基线校正（Baseline）[11]可用来修正光谱采集中，因样本差异和环境所导致的吸收峰偏移。
1.3.2 光谱特征波长的提取
若使用全波段建模，不仅耗时，而且预测模型包含大量无用信息。因此，建模之前的特征波长提取极为关键。试验采用回归系数法（Regression coefficient，RC）、连续投影算法（Successive projections algorithm，SPA）[12]、随机蛙跳（Random frog，RF）算法来对波长进行优选。基于偏最小二乘法（Partial least squares，PLS） 原理，RC 法通过局部极值的选择而确定最佳波段[13]。SPA 法可消除特征波长间的共线性问题。RF 法可使用较少的变量迭代建模[14]。
1.3.3 建模分析
PLS 是由H.Wold 在1966 年最先提出的[15-16]，其可以应用于大小样本的研究，提取出的数据信息与待测指标之间相关性好。
1.4 数据处理
光谱数据的预处理、PLS 建模等在The Unscrambler X 10.1 中进行。SPA，RF 在Matlab R2014b软件中实现。通过校正集均方根误差（RMSEC） 与决定系数（R2c） 来评价所建模型的准确度，当决定系数越接近1，均方根误差越接近于0 时，所建模型效果最佳[17]。
2 结果与分析
2.1 菜花的原始光谱分析
新鲜和腐烂花椰菜的平均光谱曲线见图1。
由图1 可知，500～2 200 nm 波段范围内，完好与腐烂花椰菜样本曲线的整体趋势一致，但是腐烂样本的光谱反射率显著高于完好样本的光谱反射率，这可能是由于腐烂花椰菜样本表面有黑斑，导致反射率升高。
2.2 光谱数据预处理
为降低噪声和环境因素对光谱采样的影响，试验对原始样本的数据进行预处理分析。
不同预处理方法的PLS 模型校正效果见表1。
表1 不同预处理方法的PLS 模型校正效果
通过观察表1 可知，经过不同预处理的建模精度普遍高于原始光谱建模精度。由此可知，3 种不同预处理方式均可达到降噪的效果，其中Baseline 后的校正集建模精度最高，其RMSEC 达0.095 3，R2c 达0.963 7。
2.3 特征波长提取
2.3.1 SPA 法特征波长的提取
SPA 法可提高建模的速度和效率。
基于SPA 算法的最佳变量选择见图2。
如图2 所示，特征波长数为10 时，RMSE 为最小，值为0.148 64，所提取的10 个波长数换算为波长即为752，1 083，2 189，1 494，530，523，519，703，568，513 nm，重要程度依次递减。
2.3.2 RC 法特征波长的提取
RC 法是通过对经基线校正预处理数据所建立的PLS 模型提取回归系数，选取RC 曲线中的局部极值作为特征波长值，所提取的19 个特征波长如图3 所示。
基于RC 法特征波长的提取见图3。
2.3.3 RF 法特征波长提取
经Baseline 法预处理后的数据，采用RF 算法来提取特征波长。RF 原理是基于蒙特卡洛算法采样，随机性大，因此需要多次运行提高准确率，结果如下：
基于RF 法特征波长的提取见图4，3 种方法提取的特征波长见表2。
表2 3 种方法提取的特征波长
由表2 可知，3 种特征波长提取方法所提取的特征波长个数依次为SPA （10 个）、RC （16 个）、RF（10 个），其中1 083 nm 波长在3 种方法中均被提取；567，703 nm 波长被SPA 与RC 提取；790，1 083，2 115 nm 波长被RC 与RF 提取。
2.4 基于特征波长的PLS 建模及判别效果
使用The Unscrambler X 10.1 中的PLS 进行建模分析，所建3 种PLS 模型（SPA，RC 和RF） 的系数和判别结果如下所示。
不同特征波长提取的PLS 建模预测结果见表3。
表3 不同特征波长提取的PLS 建模预测结果
由表3 可知，经RC 提取的特征波长建模效果最优，对新鲜和腐烂花椰菜的判别准确率均为100%。
3 结论
利用可见/ 近红外技术对新鲜和腐烂花椰菜进行检测研究，通过PLS 对不同的预处理方法进行了数学模型分析。结果表明，Baseline 预处理效果最好，RMSEC 为0.095 3，R2c 为0.963 7；利用SPA，RC，RF 3 种方法进行特征波长提取，分别建立PLS 模型进行判别，结果表明经RC 提取特征波长建模的效果最好，对于新鲜和腐烂花椰菜的判别准确率均为100%，试验可为相关在线无损检测设备的研究提供理论基础。
