基于高光譜技術的柑橘不同部位糖度預測模型研究

介鄧飛 楊 杰 彭雅欣 連裕翔 張 登

(華中農業(yè)大學工學院，湖北 武漢 430070)

基于高光譜技術的柑橘不同部位糖度預測模型研究

介鄧飛 楊 杰 彭雅欣 連裕翔 張 登

(華中農業(yè)大學工學院，湖北 武漢 430070)

利用高光譜技術研究柑橘不同部位的糖度預測模型，將花萼、果梗和赤道部位的高光譜信息分別建立與其對應部位糖度的預測模型，建立基于偏最小二乘(Least squares regression，PLSR)、主成分回歸(Principal component regression，PCR)和多元線性回歸(Stepwise multivariate linear regression，SMLR)預測模型，3種預測模型中PLSR模型檢測效果最好，通過Norris derivative預處理方法對花萼光譜數(shù)據(jù)進行處理后，預測集相關系數(shù)rpre=0.950，預測集均方根誤差RMSEP=0.636 °Brix。結果表明，采用柑橘不同部位的高光譜信息與對應糖度預測模型是可行的，花萼部位所建立模型的效果優(yōu)于果梗、赤道部位，因此花萼部位可作為優(yōu)先選擇的光譜檢測部位，這對于指導實際檢測分級生產中柑橘的擺放位置具有重要意義；采用PLSR方法建立柑橘花萼、果梗和赤道部位的高光譜信息與平均糖度的預測模型時，花萼部位模型效果最好，預測集相關系數(shù)rpre=0.913，預測集均方根誤差RMSEP=0.621 °Brix，建模效果相較于對應部位光譜與糖度模型差，因此，采用柑橘全部果肉的平均糖度與采集部位光譜建立糖度預測模型具有一定的局限性。

高光譜技術；柑橘；糖度預測模型；無損檢測；

近年來，隨著社會的發(fā)展和人們消費觀念的不斷提高，農產品的品質問題越來越為人們所重視。柑橘作為世界第一大水果，富含VC、類胡蘿卜素、類黃酮等功能性物質，為消費者所喜愛。柑橘果實中可溶性糖含量與其風味品質密切相關，是其重要的品質指標。在柑橘果實的發(fā)育過程中，柑橘內部糖度的分布受到其生長環(huán)境的影響，可能造成不同果實的可溶性糖積累情況差異較大[1]。在實際生產加工的過程中，對柑橘進行檢測與分級是商品化處理中一個重要的步驟，而其糖度是對柑橘進行分級的重要參考指標[2]。

高光譜成像技術兼?zhèn)鋱D像與光譜兩者的優(yōu)點，在農產品品質和安全性評估方面具有巨大應用潛力，已廣泛應用于葡萄[3]、藍莓[4]、圣女果[5]、黃瓜[6]、棗[7]、桃子[8]等農產品品質檢測[9-11]。在柑橘品質檢測方面，Kim等[12]利用高光譜成像技術建立了柑橘黑斑病檢測模型，檢測精度可達97.9%。Qin等[13]利用主成分分析(Principal Component Analysis，PCA)方法對柑橘潰瘍的高光譜圖像進行無損檢測分析，檢測準確度為92.7%。而在柑橘糖度的內部品質無損檢測方面，許文麗等[14]應用USB4000便攜式近紅外光譜儀獲取不同放置方位下的贛南臍橙的可溶性固形物含量，研究了柑橘的果梗和花萼部位不同夾角的入射光線對光譜圖像的影響。

目前的研究中，大多數(shù)是對整個柑橘果肉進行榨汁后測定其糖度，而柑橘不同部位的光譜特征信息差異較大，柑橘在光譜檢測過程中，由于光源入射角度的原因某些部位的信息可能不會被光譜儀所接收，若在不考慮檢測部位的情況下，與光譜信息所建立的糖度檢測模型將會對判斷柑橘糖度品質產生一定的干擾，影響其檢測精度?；诟吖庾V技術對柑橘進行糖度無損檢測時，尋找柑橘最具代表性的檢測部位，探索檢測部位糖度與光譜信息相關關系至關重要，適宜的檢測部位可以有效獲得柑橘內部信息，從而提高柑橘糖度在線檢測精度。本研究擬采用高光譜技術采集柑橘花萼、果梗和赤道部位的透射光譜信息，分別取對應部位的果肉進行榨汁測定其糖度值，研究柑橘不同部位糖度與高光譜信息之間的相關關系，建立糖度預測模型，探索適宜在線檢測與分級的柑橘擺放位置和糖度建模方法，旨在為柑橘無損檢測分級加工設備開發(fā)提供技術支持和研究基礎。

1 材料與方法

1.1 試驗材料與儀器

新鮮柑橘樣本：采摘于湖北省武漢市江夏區(qū)某橘園，所采摘柑橘大小接近，外觀完好。采摘當天運回實驗室后，進行檢查和篩選，選取試驗樣本70個，并對試驗樣本依次進行編號，記錄其外觀尺寸和重量，在24 ℃(室溫)下存放待測；

手持糖度計：WYT-4型，福建泉州光學儀器廠；

電子天平：APTP452型，中國深圳安普特公司；

游標卡尺：MNT-150E型，中國上海美耐特公司；

高光譜成像光譜儀：Specim V10E型，芬蘭SPECIM公司。

1.2 試驗方法

1.2.1 光譜采集 柑橘試驗樣本的高光譜圖像信息通過漫透射的方式獲取。高光譜漫透射成像系統(tǒng)由光譜儀、鏡頭、光源、電動位移平臺、風扇和電腦組成，裝置示意圖見圖1。高光譜成像儀是由CCD攝像頭(Andor，Clara，Britain)、圖像光譜儀(SPECIM，V10E-CL，F(xiàn)inland)和成像鏡頭組成，樣品室光源采用4盞50 W鹵素燈，風扇用于樣品室的散熱。光譜儀的光譜范圍是390～1 055 nm，分辨率為2.8 nm，像素為1 392×1 040。

在對樣本進行試驗之前，對試驗裝置的各項參數(shù)進行調試以獲得較高信噪比高光譜圖像，調整完畢后，進行信息采集試驗。試驗過程中采集柑橘花萼、果梗和赤道部位的光譜信息，光譜采集部位示意圖見圖2，曝光時間設置為100 ms，電動位移平臺移動速度設置為2 mm/s，通過Spectral SECN-V17E軟件記錄柑橘高光譜漫透射圖像。

1. 電腦 2. 電動機 3. 電動位移臺 4. 升降臺 5. 風扇 6. 光源 7. 柑橘 8. 鏡頭 9. 光譜儀 10. 相機

圖1 高光譜透射成像系統(tǒng)

Figure 1 The acquisition of the transmission spectra of citrus by hyperspectral imaging system

1.2.2 理化指標的測定 高光譜圖像采集完畢之后，進行糖度理化指標測定。采用糖度計測定柑橘可溶性固形物，將蒸餾水滴定在棱鏡玻璃面上，蓋上蓋板，檢查示數(shù)并進行調零操作，將柑橘的花萼、果梗和赤道部位的果肉分別榨汁測定其可溶性固體物(Soluble Solids Content，SSC)含量，并對柑橘樣本均進行重復試驗。

1.2.3 分析方法和軟件 利用ENVI 4.6(美國Exelis Visual Information Solutions公司)對采集到的柑橘高光譜信息進行處理，將樣本與背景分離作為感興趣區(qū)域(Region of Interest，ROI)以減少冗余，對所有樣品進行類似處理，計算ROI的平均光譜，作為定量分析的輸入數(shù)據(jù)。采用TQ Analyst 8.0(美國Thermo公司)和MATLAB 2010a(美國MathWorks公司)軟件進行數(shù)據(jù)處理。通過相關系數(shù)(r)、模型的校正均方根誤差(Root mean square error of calibration，RMSEC)和模型的預測均方根誤差(Root mean square error of prediction，RMSEP)對模型的穩(wěn)定性和準確性進行評價，模型的相關系數(shù)r越大越好(包括校正集相關系數(shù)rcal和預測集相關系數(shù)rpre)，RMSEC和RMSEP越小越好，所建的模型效果越好[15-16]。

2 結果與分析

2.1 光譜分析

柑橘高光譜圖兩端噪音較大，去除首尾噪音部分，選取550～950 nm范圍內的光譜，見圖3，共計313個波段進行后續(xù)分析。由圖3可知，柑橘高光譜圖在650，720，810 nm附近有3個波峰，在680 nm和760 nm附近有兩個波谷。

2.2 柑橘糖度品質指標測量結果

由表1可知，柑橘花萼部位的變異系數(shù)值大于果梗部位和赤道部位，說明花萼部位的可溶性固形物的分布離散性較大。隨著生長時間的延長，柑橘樣品中可溶性固形物的量不斷增加，變化較大的品質指標更能夠顯示出柑橘糖度品質的變化，可以預見柑橘花萼部位的高光譜檢測效果應優(yōu)于果梗部位和赤道部位。

2.3 異常光譜剔除

TQ Analyst軟件中Spectrum Outlier功能可實現(xiàn)對異常光譜的剔除。通過計算每個光譜與樣本光譜平均值之間的差值，將差值大于平均光譜標準差值的0.95置信區(qū)間的異常值剔除。使用Leverage功能實現(xiàn)對濃度異常樣本的剔除，通過杠桿值和學生殘差查驗方式，將靠近上、下邊緣殘差或杠桿值較大的樣本暫定為異常樣本，之后對這些樣本逐次回收計算校驗。將所有樣本均設為建模集，使用PLSR方法建模分析，根據(jù)模型的性能好壞確定是否為異常濃度樣本。柑橘樣本的花萼、果梗、赤道部位光譜分析時，需使用上述方法將異常樣本剔除。

2.4 光譜預處理

在光譜數(shù)據(jù)中存在許多不同類型的隨機噪聲，諸如相機中的讀出噪聲和暗電流，其顯著影響圖像數(shù)據(jù)。在建立預測模型之前，對平均光譜數(shù)據(jù)應用預處理方法，以減少高頻隨機噪聲、樣本中的不均勻性和表面散射的影響。預處理方法包括多元散射校正(Multiplicative signal correction，MSC)、標準正態(tài)變量校正(Standard normal variable，SNV)、一階導數(shù)(First derivative)、二階導數(shù)(Second derivative)、Savitzky-Golay平滑和Norris derivative平滑等。本研究采用花萼部位建模效果的差異選取預處理方法，預處理結果見表2。

對樣本數(shù)據(jù)采用不同光譜預處理方法后，對花萼部位建立PLSR模型，通過比較不同預處理方法下模型效果來確定預處理方法。經對比，原始光譜模型效果最差，預測集相關系數(shù)rpre=0.834，RMSEP=0.985 °Brix，而Norris derivative平滑處理后效果最優(yōu)，預測集相關系數(shù)rpre=0.950，RMSEP=0.636 °Brix。綜上所述，對于該試驗的預處理方法，Norris derivative平滑時建模效果最好，因此，后續(xù)的模型分析都是基于Norris derivative預處理方法進行。

2.5 預測模型的建立

2.5.1 不同預測部位糖度的光譜預測模型比較 分別應用PLSR、PCR、SMLR方法建立了柑橘花萼部位，赤道部位和果梗部位糖度的預測模型，通過模型預測值與真實值的相關結果比較，得到建模效果見表3。

由表3可知，對PLSR、PCR和SMLR 3種建模方法而言，PLSR方法所建模型的效果最好。在此建模方法下，柑橘的花萼部位所建立高光譜信息與糖度模型的預測集相關系數(shù)最優(yōu)(rpre=0.950，RMSEP=0.636 °Brix)，赤道部位所建模型的預測集相關性其次(rpre=0.883，RMSEP=0.660 °Brix)，果梗部位所建模型預測集相關性相對最差(rpre=0.753，RMSEP=0.654 °Brix)?；ㄝ嗖课坏母吖庾V信息與糖度建模效果最優(yōu)，可將其作為預測柑橘糖度的檢測部位，分析結果對指導柑橘無損檢測分級加工過程中的擺放位置具有現(xiàn)實意義。

2.5.2 平均糖度與光譜特性信息檢測模型比較 為了探索花萼、果梗和赤道部位光譜與柑橘全部果肉平均糖度的建模關系，將花萼、果梗和赤道部位所測糖度取平均值，作為柑橘平均糖度值，并將各檢測位置光譜信息與平均糖度建立預測模型。

根據(jù)2.5.1的結論，PLSR方法下所建立模型效果較好，利用經Norris derivative預處理后柑橘各位置高光譜對柑橘平均糖度建立PLSR預測模型。

由表4可知，花萼、果梗和赤道部位高光譜信息和平均糖度關系較對應部位糖度模型建模效果差一些。其中花萼部位的相關性(rpre=0.913，RMSEP=0.621 °Brix)略高于果梗和赤道部位，但不足以作為預測柑橘平均糖度的直接條件。研究表明，采用柑橘整體果肉榨汁取平均糖度對應高光譜信息進行建模預測的方法缺乏合理性。

3 結論

本試驗采用高光譜技術采集柑橘花萼、果梗和赤道部位的高光譜圖像，將花萼、果梗和赤道部位的果肉分別榨汁測定其SSC值，分別建立對應部位光譜的糖度預測模型。柑橘樣本漫透射光譜經Norris derivative預處理后建模效果較好，基于PLSR、PCR、SMLR 3種建模方法中，PLSR預測結果優(yōu)于PCR和SMLR預測結果。柑橘不同部位所建立的PLSR糖度預測模型性能差異較明顯，花萼部位的預測性能優(yōu)于果梗和赤道部位，其預測集相關系數(shù)rpre=0.950，預測集均方根誤差RMSEP=0.636 °Brix。試驗結果表明，在基于高光譜技術的柑橘內部品質檢測中，花萼部位對應光譜糖度模型的預測效果最好，花萼部位可作為優(yōu)先選擇的光譜檢測部位，這對指導實際檢測分級加工生產中柑橘的擺放方式具有重要意義。研究同時表明，利用PLSR建立花萼、果梗和赤道部位高光譜信息與平均糖度的預測模型，模型相關性相對較差。因此，對柑橘果肉整體榨汁取平均糖度值與某一檢測部位的高光譜信息建立預測模型的方法具有一定的局限性。

[1] SONG S Y, LEE Y K, KIM I J. Sugar and acid content of Citrus prediction modeling using FT-IR fingerprinting in combination with multivariate statistical analysis[J]. Food Chemistry, 2015, 190: 1 027-1 032.

[2] ALFATNIA M S M, SHARIFF A R M, ABDULLAH M Z, et al. The application of internal grading system technologies for agricultural products-Review[J]. Journal of Food Engineering, 2013, 116(3): 703-725.

[3] CHEN Shan-shan, ZHANG Fang-fang, NING Ji-feng, et al. Predicting the anthocyanin content of wine grapes by NIR hyperspectral imaging[J]. Food Chemistry, 2015, 172: 788-793.

[4] YANG Ce, LEE W S, GADER P. Hyperspectral band selection for detecting different blueberry fruit maturity stages[J]. Computers and Electronics in Agriculture, 2014, 109(109): 23-31.

[5] CHO B K, KIM M S, BAEK I S, et al. Detection of cuticle defects on cherry tomatoes using hyperspectral fluorescence imagery[J]. Postharvest Biology and Technology, 2013, 76: 40-49.

[6] CEN Hai-yan, LU Ren-fu, ZHU Qi-bing, et al. Nondestructive detection of chilling injury in cucumber fruit using hyperspectral imaging with feature selection and supervised classification[J]. Postharvest Biology and Technology, 2016, 111: 352-361.

[7] 徐爽, 何建國, 易東, 等. 基于高光譜圖像技術的長棗糖度無損檢測[J]. 食品與機械, 2012, 28(6): 168-170.

[8] SUN Ye, GU Xin-zhe, SUN Ke, et al. Hyperspectral reflectance imaging combined with chemometrics and successive projections algorithm for chilling injury classification in peaches[J]. LWT-Food Science and Technology, 2016, 75: 557-564.

[9] 劉燕德, 張光偉. 高光譜成像技術在農產品檢測中的應用[J]. 食品與機械, 2012, 28(5): 223-226, 242.

[10] LIU Dan, ZENG Xin-an, SUN Da-wen. Recent developments and applications of hyperspectral imaging for quality evaluation of agricultural products: a review[J]. Critical Reviews in Food Science and Nutrition, 2015, 55(12): 1 744-1 757.

[11] WU Di, SUN Da-wen. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment: A review-Part II: Applications[J]. Innovative Food Science and Emerging Technologies, 2013, 19: 15-28.

[12] KIM D G, BURKS T F, RITENOUR M A, et al. Citrus black spot detection using hyperspectral image analysis[J]. Agricultural Engineering International: CIGR Journal, 2013, 15(3): 171-180.[13] QIN Jian-wei, BURKS T F, KIM M S, et al. Citrus canker detection using hyperspectral reflectance imaging and PCA-based image classification method[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 168-177.

[14] 許文麗, 孫通, 吳文強, 等. 臍橙放置方位對近紅外光譜檢測結果的影響[J]. 光譜學與光譜分析, 2012, 32(11): 3 002-3 005.

[15] 朱向榮, 李高陽, 蘇東林, 等. 基于近紅外光譜與組合間隔偏最小二乘法的稻米鎘含量快速檢測[J]. 食品與機械, 2015, 31(4): 43-46, 50.

[16] 丁姣, 蔡建榮, 張海東, 等. 近紅外結合Si-ELM檢測食醋品質指標[J]. 食品與機械, 2012, 28(1): 93-96.

Research on the detection model of sugar content in different position of citrus based on the hyperspectral technology

JIE Deng-feiYANGJiePENGYa-xiLIANYu-xiangZHANGDeng

(CollegeofEngineering,HuazhongAgriculturalUniversity,Wuhan,Hubei430070,China)

Hyperspectral techniques were used to study the sugar content of different parts of citrus, and the sugar content detection models with hyperspectral information of calyx, stem and equator part were established respectively. The results showed that the model established by calyx was better than that of stem and equator. The detection models of partial least squares regression (PLSR), principal component regression (PCR), and stepwise multivariate linear regression (SMLR) were established respectively, and the results of these three models were close. The PLSR model was found to the best among them, after Norris derivative pretreatment methods were applied, the prediction correlation coefficient (rpre) and the root mean square error of prediction (RMSEP) were 0.950 and 0.636 °Brix. This result inclined that it was feasible to use the hyperspectral technology to detect the sugar content in different parts. The study indicated that the calyx part could be the prior choice for the sugar content detection site in the citrus quality testing, and the conclusion has great significance for the way of citrus place in the actual production. Moreover, the PLSR method was used to establish the model of hyperspectral information and average sugar content in calyx, stem and equator part. The highest predictionrpreand RMSEP of models was in the calyx and only to be 0.913 and 0.621 °Brix, which was not excellent enough. Therefore, it was limited to predict the citrus average sugar content with the hyperspectral information of a certain part.Keywords： hyperspectral technology; citrus; soluble solids content; nondestructive testing

現(xiàn)代農業(yè)(柑橘)產業(yè)技術體系建設專項資金項目(編號：CARS-27)；中央高?；究蒲袠I(yè)務費資助項目(編號：2662015PY078)；國家級大學生創(chuàng)新項目(編號：201610504057)

介鄧飛(1982—)，男，華中農業(yè)大學講師，博士。 E-mail: dfjie@mail.hzau.edu.cn

2016—12—22

10.13652/j.issn.1003-5788.2017.03.011