基于高光谱技术检测香水梨硬度的研究

2021-08-21孙博康刘贵珊

食品安全导刊 2021年19期

孙博康，刘贵珊

（宁夏大学食品与葡萄酒学院，宁夏银川 750021）

香水梨又名软儿梨，属于秋子梨的一个品种，主要分布于甘肃、宁夏境内。在宁夏海原地区，香水梨是当地农民的主要收入来源，近年来种植面积不断扩大，然而目前仍存在很多技术上的问题需要解决[1]。硬度作为梨果的一个重要参数，与香水梨的成熟度，口感，食用性息息相关[2]，传统的检测方法具有明显的破坏性，不适用于大规模量产的地区，因此利用光谱学技术建立一种香水梨的硬度检测方法显得尤为重要。高光谱技术作为一种高效、快速、无损的检测技术[3]，目前已广泛应用于水果内部指标的检测[4-7]。因此，结合当地需求，本文通过对光谱数据进行4种预处理方法，3种特征波长的提取方法处理后，选择一种最优模型来预测香水梨硬度。

1 材料与方法

1.1 样品采集

实验样品全部来自于宁夏回族自治区海原县方堡村，样品自采摘后于24 h内运输至宁夏大学，在宁夏大学冷库内进行保存，贮藏温度0～2 ℃。样品测试前需将样品从冷库取出，放置在20 ℃恒温条件下24 h，待样品中心温度恢复至20 ℃开始检测。

1.2 数据采集

①光谱采集仪器。Hyper Spec VIS/NIR高光谱成像系统，光谱范围为400～1 000 nm和125波段的超高光谱影像可见/近红外光谱仪系统。包括v10e-qe高光谱影像光谱仪、C8484-05G-CCD-相机、90-254vac线性光源、Dcrih卤素灯、传输装置、计算机和数据采集软件。②硬度检测。硬度计HLY-YD5。③数据处理软件。ENVI5.3，The Unscrambler X 10.4，MATLAB R2014a。以上软、硬件由宁夏大学提供。

2 结果与分析

2.1 PLSR初模型的建立及评价方法

偏最小二乘回归（PLSR）是一种多元回归方法，用于建立分析样品光谱响应与参考值之间的验证模型。相对于其他模型直接考虑因变量和自变量而建立回归模型的方法，PLSR则是重新过滤信息，选择最佳变量，再对筛选出的变量进行建模。因此，其筛选出的光谱值决定了建模成功率的高低。一般来说，评价PLSR模型成功率的指标有3个：预测样本集的标准差（RMSEP）、校正集的均方根误差（RMSEC）、决定系数（R2）。一般情况下，R2值越大，RMSEP和RMSEC越小，表明模型的预测能力越强[8]。

使用ENVI5.3提取香水梨样本的感兴趣区域（Region Of Interesting，ROI）[9]感兴趣区域必需具有一定的代表性，可以代表香水梨样品的硬度指标。为了获得具有代表性的光谱值，在选取ROI时要尽量避免过于灰暗的部分，选择香水梨整体光量部分，记录每个样本ROI的平均光谱。

将每个样品提取出的光谱值和硬度数据导入至The Unscrambler X 10.4，选择PLSR进行初步的模型建立。初始模型效果如图1所示。

图1 初始PLSR建模效果

由图1可知，样品初始模型效果不佳，数据点不连续，R2值为0.782。因此，需要对光谱进行处理后，达到降噪均匀优化光谱的目的，再进行PLSR预测模型。

2.2 光谱预处理

采集到的光谱图像由于光源强度不均匀及噪音等因素的影响，可能在某种程度上会存在基线漂移等现象，为了提取出有效的光谱信号，消除光源强度不均匀的问题，需要对原始光谱数据进行预处理，为后续的光谱数据处理提供更加具有代表性的光谱区域[10]。本文采用以下几种方法进行预处理。

2.2.1 卷积平滑法。

卷积平滑（Savitzky-Golay ，S-G）是一种对光谱进行平滑处理的方式，主要包括移动平均法、高斯滤波法、中值滤波法和S-G卷积平滑法[11]。

2.2.2 归一化法

归一化（Normaliaze）是一种行式转换算法，适用于光谱信号与样品函数关系的分析，或者利用其他光谱值代替样品检测值的方法。通过计算机变换，最终使光谱数据在同一范围内，变量和均值的分布更加均匀[12]。

2.2.3 标准正态变换法

标准正态变换（Standard Normal Variate，SNV）是一种通过样品的方差对光谱进行校正的方法，SNV可以有效的消除光源强度不一、散射噪声等检测时出现的干扰，通过线性变换对初始光谱数据标准化进行校正，减小样本因为表面散射、光谱迁移等因素带来的误差[13]。

经过上述预处理后模型结果如表1所示，归一化法拥有较小的CV值和较大的R2值，表明其对结果的预测效果较好，因此后续的特征光谱提取均采用归一化法作为光谱的预处理方法。

表1 4种光谱预处理的结果对比

2.3 特征波长的提取

2.3.1 竞争性自适应加权算法

竞争性自适应加权算法（CARs）是模仿“适者生存”理论而提出的特征变量选择算法。CARs算法的核心是首先采用自适应重加权采样技术，优选出PLSR模型中绝对值大的回归系数所对应的波长变量点，然后借助指数衰减函数，最后将RMSECV最小的子集定义为最优变量子集[14]。

使用Matlab运行CARs程序多次后，选择CV值最小的波长组作为特征波长，一共12条，将12条特征波长导入Unscrambler后建模得到模型如图2所示，其RMSEC值为0.659，R2为 0.764。

图2 12条特征波长提取后PLSR预测模型效果

2.3.2 区间变量迭代空间收缩法

区间变量迭代空间收缩法（iVISSA）的主旨思想是选择最优区间，然后根据最优选区间再进行建模，该算法来自于VISSA算法，之后结合全局和局部搜索，智能地优化波长的宽度、组合及间隔[15]。在局部搜索上，iVISSA算法使用光谱数据的连续性信息来确定波长间隔的宽度，在全局搜索上，主要搜索信息波长的组合和位置。最终用迭代的方式优化光谱间的数据间隔，确定光谱的组合、位置以及宽度[16]。

使用Matlab运行iVISSA程序多次后，选择CV值最小的波长组作为特征波长，一共66条，将66条特征波长导入Unscrambler后建模得到模型如图3所示,其RMSEC值为0.666，R2为 0.760。

图3 66条特征波长提取后PLSR预测模型效果

2.3.3 变量组合集群分析法

变量组合集群分析（VCPA）是一种新兴的特征变量识别算法，该方法的特点是充分考虑了变量集之间可能存在的影响。方法的计算原理是，首先通过利用二进制矩阵采样法对样本空间进行重采样，之后将数据随机划分为若干子集，针对子集分别建立子模型，最后对子模型一一进行评价[17]。一般情况下，VCPA算法计算过程如下：①先利用二进制矩阵采样法，对样本变量进行采样，选取目标函数CV值最小的变量子集；②计算每个波长点对应的化学值或者实测值，在本次迭代计算过程中出现的概率；③通过衰减函数筛选出概率较小的波长范围或者波长点，达到缩小变量集空间的目的；④最后将保留的变量重复上述过程将剩余变量进行组合，最终得到特征波长变量[17-19]。

使用Matlab运行VCPA程序多次后，选择CV值最小的波长组作为特征波长，共10条，将10条特征波长导入Unscrambler后建模得到模型如图4所示，其RMSEC值为0.351，R2为 0.933。