基于光谱技术检测梨果实可溶性糖含量的方法

张 铭，王文芳，郜一川，吴悦菊，王国英

（河北农业大学 园艺学院/河北省梨工程技术研究中心, 河北 保定 071000）

果实品质是果实重要的经济性状，提高果实品质是果树栽培和育种工作的重要方向［1］。果实中的糖是果面颜色和风味物质合成的基础原料，糖代谢和积累是影响果实品质和生长发育的重要因素［2］。果实积累的糖主要为果糖、葡萄糖和蔗糖［3］。传统梨可溶性糖含量测定方法有3,5-二硝基水杨酸比色法［4］、蒽酮比色法［5］和高效液相色谱法［6］等，这些方法虽然精准度高，但在梨果的处理过程中存在检测速度慢和检测成本高的问题，其过程需要大量的人工和化学药剂，且梨果会有损坏［7］。

光谱分析技术是一类新型的定性、定量分析技术，具有无破坏性、成本低、高效节能、简单快速和绿色环保等优点，目前已广泛应用于农、林、牧、渔等领域［8-10］。Sinelli N 阐明了光谱技术可以无损检测蓝莓中糖和水的含量［11］。Guoqiang［12］、刘燕德［13］研究表明光谱技术可以准确、快速、无损检测苹果可溶性固形物含量。郭俊先等利用高光谱成像技术扫描新疆冰糖心红富士并鉴别出水心病果，通过机器学习建立相关光谱模型，其校正集和预测集均高于80%，研究结果表明光谱成像技术可以无损检测出红富士水心病果［14］。何嘉琳等建立了测定灵武长枣VC含量的最佳预测模型，较准确的预测灵武长枣VC含量［15］。胡润文通过近红外光谱扫描脐橙果面，采用机器学习建立了脐橙糖酸比近红外光谱的预测模型，结果表明通过近红外光谱技术可以无损检测脐橙可溶性糖含量［16］。综上所述，光谱技术可以准确检测每个像素点的光谱数据，为无损检测梨可溶性糖含量提供技术支持。

本研究利用光谱仪对梨果实进行扫描，并将所得光谱数据与通过蒽酮比色法测得的梨可溶性糖含量进行统计学关联分析，建立梨果实可溶性糖含量的光谱预测模型，实现基于光谱分析技术建立的准确、高效、无损、低成本的梨果实可溶性糖含量测定。

1 材料与方法

1.1 试验材料

本试验在河北省威县龙集梨园进行，选取7 年生‘新梨7 号’，株行距1 m ×4 m。试验采用五点取样法选取梨树，每个点选取树势相近的5 棵树，于果实成熟期在每棵试验树正东和正西方向分别挑选2 个形状相近、大小均匀且完好无损的‘新梨7 号’果实，共50 个试验样品，其中40 个梨果为训练集用于建立模型，10 个梨果为测试集用于检验模型，训练集和测试集比例为4 ∶1。采后当天将样品送至实验室并放置于4 ℃冰箱中保存。

室内分析试验主要在河北省梨工程技术研究中心实验室进行。

1.2 试验设备与光谱采集

光谱采集装置所用光纤光谱仪为便携式地物光谱仪（丹麦，PSR-1100），其波长范围在320 ～1 100 nm，在左端与光谱仪呈60°的方向装卤钨灯（12V、100W），采用直流稳压电源供电，且电压和电流可调，计算机与检测探头间使用1 000 μm ×2 m 光纤连接，探头位于传送线正上方。如图1所示。

图1 用于梨可溶性糖含量测定的光谱扫描系统Fig. 1 Spectral scanning system for determination of soluble sugar content in pears

1.2.1 光谱数据采集 光谱测量在室温(25±1)℃下进行，将探头垂直向下，由于光谱仪扫描范围为左右45°，故为保证扫描果实面积达到90%以上，将升降台高度设置为40 cm，利用光谱设备随机扫描梨果面3 次，每面重复3 次，取平均值作为该样本的光谱反射率，在每次测量前用白板进行校正。

1.2.2 光谱数据的预处理 采用SG 平滑滤波法，通过最小二乘原理的多项式平滑算法进行平滑去噪，并将去除噪音后的光谱信号进行了频谱分析，获得无噪音无杂波可利用的光谱图像。SNV 标准正态化方法主要用来消除光谱信号的变异，过滤试验中光程的变化对光谱信号的影响，消除散射现象，从而进行光谱数据归一化、准确化、中心化处理。OSC正交信号校正方法可将被测品质之外的所有信息滤除［17］，从而使得光谱曲线更加光滑、整齐、紧密，准确性显著提升，计算公式如下：

1.2.3 降维分析 本试验采用主成分分析法（PCA）和连续投影算法（SPA），分别对光谱图像进行高纬度特征数据降维分析。主成分分析滤除光谱图像中重复的变量和多种多余的变量，从而建立数量相对少的新变量，使得建立的新变量之间无紧密关系，新变量在反映光谱信号时依旧保持原有的重要光谱信息［18］。利用主成分分析可以将大量的原始变量用数量最少的新变量代替，从而降低复杂程度提高光谱数据的准确性。连续投影算法是对原始波段进行精确筛选，选取出具有代表性的光谱特征波段，将特征波段的波长信息进行投影从而代替全波段，该算法可有效消除原始波段中多余的信息。

1.2.4 预测模型建立 本研究采用多元线性回归（MLR）、偏最小二乘法（PLSR）和支持向量机回归（SVR）建立梨可溶性糖含量的预测模型。多元线性回归（MLR）就是多种自变量和一种因变量的线性关系；偏最小二乘法（PLSR）是一种多元数据处理分析方法，可以解决多重线性回归问题［19］；支持向量机回归（SVR）可以拟合多种数据，使数据更具有代表性，从而提高图像数据的精确度［20］。最终将梨可溶性糖含量的最终预测模型通过R2和RMSE 进行评判。计算公式如下：

1.3 可溶性糖含量的测定

梨样品的可溶性糖含量采用分光光度计（UV5500 型紫外可见分光光度计，上海元析仪器有限公司）测量，其波长范围在190 ～ 1 100 nm，光谱波带在2 nm，波长准确度在±0.5 nm。为提高机械测量准确度应在测量前预热30 min。

按照每个采集光谱果面的中心位作为采样部位，用水果刀在每个部位的梨果赤道处切取长度、宽度和深度均为3 cm 的样品，切取后进行混样，并在混样中称取0.3 g 果肉（果肉不带果皮）于研钵中研磨，待研磨均匀后转入10 mL 离心管中，加入10 mL 蒸馏水，用塑料薄膜封口置于沸水中，水浴30 min 后取出，放置室温后提取上清液，过滤到25 mL 容量瓶中，并用蒸馏水定容作为提取液。吸取0.5 mL 提取液于20 mL 试管中，加入1.5 mL 蒸馏水，按顺序依次向试管中加入0.5 mL 蒽酮乙酸乙酯试剂和 5 mL 浓硫酸，充分震荡均匀后立即放入沸水中，水浴1 min 后取出冷却至室温，以空白作为参照，在630 nm 波长下测量光密度。

1.4 数据处理

采 用Microsoft Excel 2010 整 理 数 据， 使 用Matlab、SPSS 22.0 和Unscrambler X10.4 进行数据分析，采用Origin 2020 作图。

2 结果与分析

2.1 梨可溶性糖含量测定值及分析

使用蒽酮比色法测得梨可溶性糖含量数据如表1 所示。训练集中所测40 个梨样品可溶性糖含量的平均值为50.89 g/kg，测试集中所测10 个梨样品中可溶性糖含量的平均值为49.36 g/kg，训练集的梨可溶性糖含量范围大于测试集，测试集在训练集范围内，能够有效实现预测。

表1 训练集与测试集梨可溶性糖含量Table 1 Soluble sugar content of pear in training set and test set

2.2 梨可溶性糖含量的光谱数据预处理

图2a 为原始光谱数据，图2b 为SG 平滑滤波对原始数据的噪音进行去噪处理后的图像，通过该方法可以消除外界干扰，获得可利用的光谱数据，因试验过程中光谱噪音较小，经SG 平滑滤波处理后与原始光谱数据差异较小。图2c 为使用SNV 标准归一化预处理光谱图像，通过该方法对光谱样本中差异较大的光谱反射率进行校正处理，可以有效消除图像表面散射问题，获得标准归一化的光谱图像。图2d 为原始光谱经过SG 平滑滤波后又经过SNV 标准归一化的光谱预处理数据，通过这2 种方法的叠加既可以滤除外界噪声对图像的干扰又可以对光谱图像各个光程进行归一校正。图2e 为OSC正交信号校正法，利用该方法过滤掉与可溶性糖含量无关的光谱信号且消除散射的影响。

图2 梨可溶性糖含量的光谱图Fig. 2 Images of detecting soluble sugar content of pear based on spectroscopic technique

2.3 降维分析

2.3.1 主成分分析 利用主成分分析法，将781 个变量用占有原始变量不足1%的综合变量代替，降低了模型的运算难度，提高了模型精确度和运行速度。其中4 种方法所提取主成分的累计贡献率如表2 所示。

表2 不同方法提取主成分累计贡献率Table 2 Cumulative contribution rate of Principal components analysis by different methods

2.3.2 连续投影算法 基于SG 平滑滤波预处理后的数据选取了505、657、682、1 071 nm 4 个特征波段，基于SNV 预处理后光谱数据选取了354、529、657、741、863、966、1 033、1 036、1 041、1 069 nm 10 个特征波段，基于SG 平滑滤波与SNV后预处理数据利用连续投影算法选取了351、528、586、657、741、813、864、966、1 031、1 053、 1 066、1 069 nm 12 个特征波段。基于OSC 预处理数据的连续投影算法提取了476、670、892、948、1 062 nm 5 个特征波段。

2.4 预测模型的建立及评价

本研究利用多元线性回归（MLR）、偏最小二乘法（PLSR）和支持向量机回归（SVR）建模方法建立了梨可溶性糖含量的预测模型，通过3 种建模方法分别建立了基于SG 平滑预处理、SNV 标准正态变化预处理、SG 平滑滤波+SNV 标准正态变量以及OSC 正交信号校正结合主成分分析（PCA）与连续投影算法（SPA）的预测模型。其预测模型的可决系数（RC2）和标准误差（RMSE）如表3 所示。

表3 梨可溶性糖含量与光谱数据不同的预处理建模Table 3 pretreatment modeling of pear soluble sugar content and spectral data

根据不同方法所建立的预测模型，最终选取OSC+PCA+SVR 建 立 模 型，此 模 型 的RC²=0.85，RMSE=2.21。 另 取10 个 梨 作 为 测 试 集 带 入OSC+PCA+SVR 的非线性回归中进行模型验证，测试集=0.78，RMSE=1.48。基于正交信号校正（OSC）和主成分分析法（PCA）结合支持向量机回归（SVR）预处理后建立的模型拟合图，如图3 所示。

图3 梨可溶性糖含量的化学实测值与模型预测值的拟合 效果图Fig. 3 fitting effect of chemical measured value and model predicted value of soluble sugar content in Pear

3 讨论与结论

本研究应用光谱技术对梨可溶性糖含量进行预测，通过理化试验建立可溶性糖含量与光谱数据的机器学习模型，该方法可以快速、便捷、无损测定梨可溶性糖含量。本试验供试品种为‘新梨7 号’，所建模型可能仅适用于‘新梨7 号’可溶性糖含量的检测，不能代替其他品种可溶性糖含量的估测模型，故今后还应在不同品种进行验证。盛晓慧［21］等通过近红外光谱技术检测库尔勒香梨可溶性糖含量同样发现，该方法可能仅限于库尔勒香梨可溶性糖含量的无损检测。王铭海［22］等通过对成熟期内砀山酥梨可溶性固形物含量的测定结合近红外漫反射光谱技术建立算法模型，该模型在可滴定酸含量和VC含量的无损检测应用中还有待验证，与本研究结果相符。

本研究利用主成分分析（PCA）方法对预处理后的数据进行降维处理，将原始变量的781 波段用10 个主成分代替，仅以不到1%原始变量代替所有原始变量，其累计贡献率达到99.559%，极大的降低了模型的复杂度，从而使所得光谱数据更具有代表性。采用正交信号校正法（OSC）过滤掉与可溶性糖含量无关的光谱信号且消除散射的影响，在经过主成分分析（PCA）降维处理和支持向量机回归（SVR）可以拟合多种数据，使得模型更为准确，最终获得最佳的可溶性糖估测模型OSC+PCA+SVR，该 模 型RC² 达 到0.85，RMSE 为2.21，Rv²达到0.78，RMSE 为1.48。

综上所述，采用光谱技术扫描梨果和适当的主成分筛选与建模技术，可以较为准确地测定梨可溶性糖含量，为梨可溶性糖含量的实时监测提供依据，为梨果分级分装设备的研发及应用提供技术支持，通过该方法可以更加省时省力、高效便捷和低成本测得梨可溶性糖含量。因此该模型的建立在园艺产品品质检测方面有广阔的应用前景，为未来光谱技术与梨可溶性糖含量模型的建立也提供了重要参考。