枇杷糖度無(wú)損檢測(cè)及可視化研究

馮樹(shù)南 譚濤 尚靜 溫青純 孟慶龍

摘要：糖度是評(píng)價(jià)枇杷內(nèi)部品質(zhì)的重要指標(biāo)。采集枇杷高光譜圖像并提取不同感興趣區(qū)域的平均光譜，分析光譜提取區(qū)域?qū)﹁凌颂嵌阮A(yù)測(cè)精度的影響規(guī)律。使用標(biāo)準(zhǔn)正態(tài)變換對(duì)原始光譜作預(yù)處理，分別利用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法和連續(xù)投影算法（Successive Projection Algorithm，SPA）篩選特征光譜，為枇杷糖度建立多元線性回歸（Multi Linear Regression，MLR）預(yù)測(cè)模型。最后采用偽彩色技術(shù)實(shí)現(xiàn)枇杷糖度含量分布的可視化。結(jié)果表明：以整個(gè)樣本為感興趣區(qū)域，經(jīng)連續(xù)投影算法篩選特征光譜建立的多元線性回歸模型具有最好的預(yù)測(cè)性能（決定系數(shù)Rp2=0.822，均方根誤差RMSEp=0.435，剩余預(yù)測(cè)偏差RPD=2.407），基于SPAMLR模型計(jì)算枇杷每個(gè)像素點(diǎn)的糖度，生成可視化分布圖。表明采用高光譜成像技術(shù)可實(shí)現(xiàn)枇杷糖度的快速無(wú)損檢測(cè)及可視化研究。

關(guān)鍵詞：枇杷；高光譜成像；糖度；可視化；無(wú)損檢測(cè)

中圖分類(lèi)號(hào)：O657.3： S663.9

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：20955553 （2024） 02015707

收稿日期：2022年5月19日 ?修回日期：2022年7月3日

基金項(xiàng)目：貴陽(yáng)市科技計(jì)劃項(xiàng)目（筑科合同［2021］43-15號(hào)）；國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（202210976043）；貴陽(yáng)學(xué)院碩士研究生科研基金項(xiàng)目（GYU-YJS［2021］-45）

第一作者：馮樹(shù)南，男，1997年生，河北張家口人，碩士研究生；研究方向?yàn)檗r(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)。Email： gyufsn@163.com

通訊作者：孟慶龍，男，1989年生，河北張家口人，博士，副教授；研究方向?yàn)榛趫D像技術(shù)的農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)。Email： scumql@163.com

Nondestructive detection and visualization of sugar content in loquat

Feng Shunan1， 2， Tan Tao1， 2， Shang Jing1， 2， Wen Qingchun1， Meng Qinglong1， 2

（1. School of Food Science and Engineering， Guiyang University， Guiyang， 550005， China； 2. Research Center of

Nondestructive Testing Engineering for Agricultural Products of Guizhou Province， Guiyang， 550005， China）

Abstract：

The sugar content is an important index to evaluate the internal quality of loquat. The hyperspectral images and the average spectra in different regions of interest of loquat were collected. And the effect of the spectral extraction regions on the prediction accuracy of sugar content of loquat was analyzed. The original spectra was preprocessed by standard normal variation.The competitive adaptive reweighting algorithm and the successive projection algorithm （SPA） were used to select characteristic spectra?to establish multi linear regression （MLR） prediction model for predicting the sugar content of loquat. The visualization of the sugar content of loquat was realized by pseudocolor technology. The results indicated that SPAMLR model based on the spectra in entire sample regions had the best prediction performance （Rp2=0.822， RMSEp=0.435， RPD=2.407）. Visualization maps for sugar content were generated by calculating the spectral response of each pixel on loquat samples by SPAMLR. It is indicated that hyperspectral imaging technology can realize rapid nondestructive detection and visualization of loquat sugar content.

Keywords：

loquat; hyperspectral imaging; sugar content; visualization; nondestructive detection

0 引言

貴州開(kāi)陽(yáng)枇杷果面金黃，斑點(diǎn)少，具有果大、肉多、仁小、味甜、含有微量元素硒等特點(diǎn)，很受消費(fèi)者的青睞［1］。水果的外表能夠引導(dǎo)消費(fèi)者最初的購(gòu)買(mǎi)欲望，但其內(nèi)部品質(zhì)才是消費(fèi)者最終購(gòu)買(mǎi)力的決定因素。甜味就是一種由糖濃度控制的重要感官屬性，糖含量影響著消費(fèi)者對(duì)水果的選擇［2］。探究水果糖度適合的檢測(cè)方法有助于對(duì)其品質(zhì)進(jìn)行分級(jí)，提升水果在市場(chǎng)中的競(jìng)爭(zhēng)力，從而增加水果的經(jīng)濟(jì)價(jià)值。

近年來(lái)，隨著信息技術(shù)的發(fā)展，對(duì)水果質(zhì)量主觀性的評(píng)估趨勢(shì)在逐漸降低，而客觀、定量和非破壞性的質(zhì)量評(píng)估技術(shù)越來(lái)越受到重視。我國(guó)水果品質(zhì)檢測(cè)主要采用傳統(tǒng)化學(xué)方法，存在破壞樣本、檢測(cè)速度慢、成本高、有污染等缺陷［3］，相比傳統(tǒng)破壞性檢測(cè)技術(shù)，當(dāng)前基于無(wú)損檢測(cè)原理的技術(shù)在許多領(lǐng)域中受到了廣泛應(yīng)用［4］。高光譜成像技術(shù)將光譜數(shù)據(jù)和圖像信息融合，能夠同時(shí)獲取研究對(duì)象的內(nèi)部成分信息和外部品質(zhì)信息［56］，已廣泛應(yīng)用于水果品質(zhì)檢測(cè)中［710］。其中，應(yīng)用高光譜成像技術(shù)開(kāi)展的水果糖度無(wú)損檢測(cè)研究已有較多報(bào)道。Zhang等［9］利用近紅外高光譜成像技術(shù)結(jié)合波長(zhǎng)選擇算法對(duì)蘋(píng)果可溶性固形物含量進(jìn)行無(wú)損檢測(cè)，從全光譜中提取出10個(gè)特征波長(zhǎng)，顯著提升了模型的運(yùn)行效率，模型的預(yù)測(cè)性能（Rp2=0.907，RMSEp=0.479）也很穩(wěn)定。Zhang等［11］利用近紅外全透射高光譜成像技術(shù)結(jié)合競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法—連續(xù)投影算法構(gòu)建了柑橘可溶性固形物含量的最小二乘支持向量機(jī)模型，模型的剩余預(yù)測(cè)偏差（RPD）為3.180，可以看出基于全透射原理的高光譜成像技術(shù)很好地實(shí)現(xiàn)了柑橘可溶性固形物含量的預(yù)測(cè)。Gao等［12］為高光譜成像系統(tǒng)采集的紅地葡萄的圖像信息與光譜信息分別建立了可溶性固形物含量預(yù)測(cè)模型，發(fā)現(xiàn)基于光譜信息構(gòu)建的模型性能優(yōu)于基于圖像信息構(gòu)建的模型性能，而后又將圖像信息與光譜信息融合建立新的預(yù)測(cè)模型，預(yù)測(cè)效果進(jìn)一步提升，該研究說(shuō)明圖像信息與光譜信息融合的技術(shù)更具有優(yōu)勢(shì)?；诟吖庾V成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)在水果糖度的檢測(cè)中開(kāi)展了大量的無(wú)損檢測(cè)研究工作，但是，對(duì)于枇杷糖度的預(yù)測(cè)鮮有報(bào)道，并且實(shí)現(xiàn)水果糖度的可視化能夠直觀地呈現(xiàn)水果糖度的差異。

本文旨在探究不同感興趣區(qū)域（10×10、30×30、整個(gè)樣本）對(duì)枇杷糖度預(yù)測(cè)模型性能的影響，且利用高光譜成像技術(shù)深度挖掘光譜數(shù)據(jù)與糖度值之間的相關(guān)性，實(shí)現(xiàn)枇杷糖度快速無(wú)損檢測(cè)和可視化研究。

1 材料與方法

1.1 試驗(yàn)材料

枇杷采摘自貴州省開(kāi)陽(yáng)縣枇杷種植基地，挑選表面無(wú)瘀傷、無(wú)疤痕、無(wú)病蟲(chóng)害且形狀相對(duì)均勻的樣本共120個(gè)，放置于保鮮箱，立即帶回實(shí)驗(yàn)室，整齊擺放于室溫（23 ℃±2 ℃）下。試驗(yàn)前，輕輕將樣本表面擦拭干凈并對(duì)樣本編號(hào)。2 h后開(kāi)始試驗(yàn)。

1.2 試驗(yàn)儀器

高光譜圖像采集系統(tǒng)（Gaia FieldFV10）主要包括1臺(tái)高性能電子倍頻CCD相機(jī)、1臺(tái)成像光譜儀、4個(gè)200 W鹵素?zé)簟?套電動(dòng)傳送裝置，以上組件放置于暗室中如圖1所示。暗室外部連接了1臺(tái)包含圖像采集軟件的高性能計(jì)算機(jī)。折射儀（ATAGO PALα），檢測(cè)范圍：0～85°Brix，檢測(cè)精度：±0.2°Brix。

1.電腦 2.待測(cè)樣品 3.鏡頭 4.成像光譜儀 5.CCD相機(jī)

6.溴鎢燈光源 7.載物臺(tái) 8.暗室 9.移動(dòng)平臺(tái)

1.3 高光譜圖像的采集與校正

在采集枇杷樣本圖像前，設(shè)置相機(jī)的曝光時(shí)間為15 ms，樣本距離鏡頭約20 cm，并預(yù)熱30 min。將樣本放置于移動(dòng)平臺(tái)上，通過(guò)線掃描方式獲取樣本圖像。所有樣本信息采集結(jié)束后，對(duì)原始高光譜圖像進(jìn)行黑白校正，以消除部分在圖像采集時(shí)因光照強(qiáng)度分布不均勻及設(shè)備中暗電流噪聲帶來(lái)的影響。黑白校正公式如式（1）所示。

I=I0-BW-B

（1）

式中：

I0——原始光譜圖像；

I——校正后的圖像。

通過(guò)掃描標(biāo)準(zhǔn)白色板得到白板參考圖像W，蓋上鏡頭蓋進(jìn)行掃描得到黑色板參考圖像B。

1.4 感興趣區(qū)域的選取

在樣本赤道附近選取同一中心不同半徑的3個(gè)圓形感興趣區(qū)域（Region of Interest，ROI），這3個(gè)感興趣區(qū)域的大小分別為10×10、30×30、整個(gè)樣本（像素×像素），得到它們的平均光譜，上述步驟在ENVI5.4軟件中完成。選取的區(qū)域如圖2所示。

1.5 糖度的測(cè)定

利用折射儀按照NT/T 2637—2014規(guī)定的方法對(duì)枇杷的糖度進(jìn)行測(cè)定。將枇杷經(jīng)榨汁機(jī)榨汁后，進(jìn)行離心，得到清澈的枇杷汁液，用一次性滴管滴到折射儀鏡面上，重復(fù)測(cè)量3次，讀數(shù)并記錄結(jié)果，取3次結(jié)果的平均值作為樣本的糖度測(cè)量值。

1.6 光譜數(shù)據(jù)的處理

1.6.1 光譜預(yù)處理

原始光譜中存在背景干擾和噪聲影響，需對(duì)原始光譜進(jìn)行預(yù)處理，以消除無(wú)用信息和不確定變量的影響［1315］。預(yù)處理方法較多，本文采用標(biāo)準(zhǔn)正態(tài)變換（Standard Normal Variable Correction，SNV）對(duì)原始光譜進(jìn)行預(yù)處理［16］，SNV能夠消除因固體表面顆粒大小不一、表面散射以及光程變化給漫反射光譜造成的影響。

1.6.2 特征光譜的提取

本文采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（Competitive Adaptive Reweighted Sampling，CARS）和連續(xù)投影算法兩種方法從全光譜中提取特征光譜［17］。CARS通過(guò)自適應(yīng)重加權(quán)采樣技術(shù)在每次采樣時(shí)將校正集中一部分樣本作為建模集，剩余樣本作為預(yù)測(cè)集建立偏最小二乘回歸模型，在所建立的偏最小二乘回歸模型中選擇回歸系數(shù)絕對(duì)值大的波長(zhǎng)點(diǎn)作為新的校正集，經(jīng)過(guò)多次循環(huán)，得到均方根誤差最小的子集，也是最優(yōu)的特征變量組合［18］。SPA是一種前向特征變量選擇方法，把波長(zhǎng)投影到其他波長(zhǎng)上比較投影向量的大小，將投影向量最大的波長(zhǎng)為待選波長(zhǎng)進(jìn)行再一次循環(huán)操作，直到剩余的波長(zhǎng)子集均方根誤差最小為止，得到了光譜信息中含有最少冗余信息的變量組，使得變量之間的共線性達(dá)到最?。?920］。

1.7 回歸模型的建立與評(píng)價(jià)

本文分別基于CARS和SPA選擇的特征光譜構(gòu)建預(yù)測(cè)枇杷糖度的多元線性回歸模型?；貧w分析法是一種應(yīng)用較為普遍的數(shù)理統(tǒng)計(jì)分析方法，通過(guò)多元線性回歸分析法可評(píng)估自變量與因變量之間的關(guān)系?；貧w方程中的每個(gè)系數(shù)對(duì)應(yīng)一個(gè)特征，通過(guò)系數(shù)的大小可以了解每個(gè)特征對(duì)因變量的貢獻(xiàn)程度。

在建立枇杷糖度回歸模型時(shí)，當(dāng)光譜數(shù)據(jù)中含有n個(gè)自變量，即X1，X2，X3，…，Xn，則自變量X和因變量Y（糖度實(shí)測(cè)值）之間的多元線性回歸方程如式（2）所示。

Y=β0+β1X1+…+βnXn+ε

（2）

設(shè)觀察值為{（Yi，Xi1，Xi2，…，Xin），i=1，2，…，m}，則MLR模型可以表示為

Y1=β0+β1X11+β2X12+…+βnX1n+ε1

Y2=β0+β1X21+β2X22+…+βnX2n+ε2

…

Ym=β0+β1Xm1+β2Xm2+…+βnXmn+εm

（3）

基于SPA和CARS提取的特征光譜建立MLR回歸模型，通過(guò)校正集決定系數(shù)Rc2和均方根誤差（Root Mean Square Error of Calibration，RMSEc）、預(yù)測(cè)集決定系數(shù)Rp2和均方根誤差（Root Mean Square Error of Prediction，RMSEp）、剩余預(yù)測(cè)偏差（Residual Predictive Deviation，RPD）來(lái)評(píng)價(jià)模型的效果［21］，旨在尋找枇杷糖度與枇杷光譜之間的關(guān)系，從而有效的預(yù)測(cè)枇杷糖度，其中

Rc2=∑nci=1［yact（i）－ycal（i）］2

∑nci=1［yact（i）－ymean（i）］2

（4）

Rp2=∑npi=1［yact（i）－ypre（i）］2

∑npi=1［yact（i）－ymean（i）］2

（5）

RMSEc=1nc∑nci=1［yact（i）－ycal（i）］2

（6）

RMSEp=1np∑npi=1［yact（i）－ypre（i）］2

（7）

式中：

nc、np——

校正集和預(yù)測(cè)集中的枇杷樣本數(shù)量；

yact、ymean——枇杷樣本糖度的實(shí)測(cè)值和平均值；

ycal、ypre——

校正集和預(yù)測(cè)集中樣本糖度預(yù)測(cè)值。

2 結(jié)果與分析

2.1 光譜特征分析及光譜預(yù)處理

在原始光譜采集過(guò)程中，由于儀器設(shè)備誤差和樣本形狀不規(guī)則等內(nèi)外因素的作用，不可避免地會(huì)攜帶一些與樣本化學(xué)性質(zhì)不相關(guān)的成分，導(dǎo)致所采集的光譜中存在光譜平移、重疊等噪聲，特別是首尾兩端的光譜曲線波動(dòng)較大，因此，本文選取400～1 030 nm范圍內(nèi)的光譜作為有效光譜。為了消除無(wú)用信息帶來(lái)的干擾，提高光譜數(shù)據(jù)的信噪比，本文采用SNV對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。

圖3為不同枇杷感興趣區(qū)域的原始平均反射光譜和經(jīng)SNV預(yù)處理后的平均反射光譜。經(jīng)過(guò)SNV預(yù)處理后，可以明顯地看到相對(duì)于原始的光譜曲線，曲線總體都變得更加平滑，這說(shuō)明SNV預(yù)處理效果是顯著的。400～1 030 nm范圍內(nèi)，感興趣區(qū)域10×10和30×30的平均反射光譜與整個(gè)樣本感興趣區(qū)域的平均反射光譜雖然具有不同的反射率，但光譜曲線走勢(shì)相近，而且產(chǎn)生的波峰和波谷的波段基本一致。光譜曲線在675 nm附近中有一個(gè)明顯的吸收峰，可能是由葉綠素的吸收引起的；在980 nm附近也有一個(gè)較為明顯的吸收峰，這個(gè)吸收峰與水的光譜吸收峰幾乎一致，這主要取決于水中的O-H化學(xué)鍵［12］。

（a） 10×10 ROI的原始光譜

（b） 10×10 ROI SNV處理后的光譜

（c） 30×30 ROI的原始光譜

（d） 30×30 ROI SNV處理后的光譜

（e） 整個(gè)樣本ROI的原始光譜

（f） 整個(gè)樣本的SNV處理后光譜

2.2 糖度統(tǒng)計(jì)結(jié)果

本文采用光譜理化值—共生距離法（SPXY）對(duì)120個(gè)枇杷樣本按照3∶1的比例進(jìn)行劃分。因此，校正集有90個(gè)樣本，預(yù)測(cè)集有30個(gè)樣本。校正集樣本和預(yù)測(cè)集樣本枇杷糖度統(tǒng)計(jì)結(jié)果如表1所示?；诓煌墓庾V提取區(qū)域劃分的校正集中糖度的范圍均為8.600～13.800°Brix，而對(duì)于10×10的光譜提取區(qū)域，其預(yù)測(cè)集中糖度的范圍為9.300～13.500°Brix，對(duì)于30×30的光譜提取區(qū)域，其預(yù)測(cè)集中糖度的范圍為8.700～13.600°Brix。

對(duì)于整個(gè)樣本的光譜提取區(qū)域，其預(yù)測(cè)集中糖度的范圍為9.000°Brix～13.100°Brix。從以上分析可以得出校正集中糖度的范圍大于預(yù)測(cè)集中糖度的范圍，這說(shuō)明通過(guò)SPXY對(duì)樣本集的劃分是科學(xué)的。

2.3 光譜數(shù)據(jù)的降維

高維光譜數(shù)據(jù)量大，且存在一些冗余信息，因此本文分別采用CARS和SPA從全光譜中提取特征光譜，實(shí)現(xiàn)光譜數(shù)據(jù)的降維，達(dá)到提高模型運(yùn)算效率的目的。

2.3.1 CARS提取特征光譜

根據(jù)CARS算法的特點(diǎn)，從3個(gè)不同的感興趣區(qū)域提取特征波長(zhǎng)時(shí)均將蒙特卡洛采樣次數(shù)設(shè)置為50次，并采用5折交叉驗(yàn)證方法構(gòu)建偏最小二乘模型交叉驗(yàn)證均方根誤差（RMSECV）來(lái)獲得所需的最優(yōu)特征波長(zhǎng)子集。

圖4給出了3個(gè)感興趣區(qū)域在不同采樣次數(shù)下的RMSECV變化規(guī)律，其中，當(dāng)采樣次數(shù)分別為第19、22、27次時(shí)，感興趣區(qū)域10×10、30×30、整個(gè)樣本（像素×像素）的RMSECV值最小，此時(shí)3個(gè)感興趣區(qū)域?qū)?yīng)的特征波長(zhǎng)數(shù)量分別為43（占比全光譜的16.8%）、32（占比全光譜的12.5%）、20（占比全光譜的7.8%）。

2.3.2 SPA提取特征光譜

SPA選擇特征波長(zhǎng)的依據(jù)是預(yù)測(cè)模型的均方根誤差，當(dāng)均方根誤差值最小時(shí)，即得到最優(yōu)特征變量數(shù)。

對(duì)于3個(gè)不同感興趣區(qū)域，圖5是利用SPA從全光譜中篩選特征波長(zhǎng)的結(jié)果。這3個(gè)感興趣區(qū)域的均方根誤差最小時(shí)，選取的特征變量個(gè)數(shù)分別為3（占比全光譜的1.2%）、22（占比全光譜的8.6%）、40（占比全光譜的15.6%）。

（a） 10×10 ROI特征波長(zhǎng)提取結(jié)果

（b） 30×30 ROI特征波長(zhǎng)提取結(jié)果

（c） 整個(gè)樣本ROI特征波長(zhǎng)提取結(jié)果

（a） 10×10 ROI模型中包含的變量個(gè)數(shù)

（b） 30×30 ROI模型中包含的變量個(gè)數(shù)

（c） 整個(gè)樣本ROI模型中包含的變量個(gè)數(shù)

經(jīng)CARS和SPA從全光譜中篩選特征變量后，光譜數(shù)據(jù)在很大程度上得到了降維，減輕了計(jì)算機(jī)的負(fù)擔(dān)，極大地提高了運(yùn)算效率。

2.4 糖度預(yù)測(cè)模型的建立

本文采用MLR為枇杷樣本3個(gè)不同感興趣區(qū)域的特征光譜構(gòu)建糖度預(yù)測(cè)模型，建模結(jié)果如表2所示。

從表2可以看出，比較基于不同光譜提取區(qū)域分別構(gòu)建的CARSMLR和SPAMLR模型，利用整個(gè)樣本提取的光譜構(gòu)建的預(yù)測(cè)模型具有最大的預(yù)測(cè)決定系數(shù)、最小的預(yù)測(cè)均方根誤差和最大的剩余預(yù)測(cè)偏差，這說(shuō)明相比基于10×10、30×30感興趣區(qū)域構(gòu)建的模型，對(duì)整個(gè)樣本建模具有更好的預(yù)測(cè)效果?；谡麄€(gè)樣本建模，比較采用CARS和SPA兩種特征波長(zhǎng)提取方法對(duì)建模效果的影響，前者的模型性能為Rp2=0.806，RMSEp=0.453，RPD=2.310；后者的模型性能為Rp2=0.822，RMSEp=0.435，RPD=2.407。從數(shù)據(jù)中能夠發(fā)現(xiàn)SPA提取特征波長(zhǎng)的建模效果優(yōu)于CARS的建模效果，基于整個(gè)樣本構(gòu)建的SPAMLR模型具有良好的預(yù)測(cè)性能。

圖6給出了基于整個(gè)樣本構(gòu)建的枇杷糖度SPAMLR預(yù)測(cè)模型的結(jié)果，糖度實(shí)測(cè)值與預(yù)測(cè)值之間具有良好的線性關(guān)系，二者能夠較好地吻合。

2.5 枇杷糖度含量的可視化

高光譜成像技術(shù)的特點(diǎn)是獲取測(cè)試樣本中每個(gè)像素點(diǎn)的信息［2223］，并且利用這些信息生成理化參考值的可視化圖，這使得不同樣本間理化參考值的差異更加直觀。

本文將ROI每個(gè)像素點(diǎn)信息輸入SPAMLR模型中來(lái)預(yù)測(cè)枇杷果實(shí)各像素的糖度，利用偽彩色技術(shù)實(shí)現(xiàn)不同枇杷糖度含量的可視化。不同枇杷樣本的糖度分布如圖7所示。

顏色由淺到深表示糖度由低到高的變化，從圖7可以看出，枇杷樣本1～樣本3的糖度含量是逐漸增加的，不同枇杷樣本的糖度差異很明顯。

（a） 樣本1

（b） 樣本2

（c） 樣本3

3 結(jié)論

本文研究了基于不同大小感興趣區(qū)域采用不同特征變量提取方法對(duì)枇杷糖度預(yù)測(cè)模型精度的影響，并采用偽彩色技術(shù)實(shí)現(xiàn)枇杷糖度含量的可視化。

1） 采用高光譜成像系統(tǒng)獲取枇杷樣本的圖像，并提取不同感興趣區(qū)域（10像素×10像素、30像素×30像素以及整個(gè)樣本區(qū)域）的平均反射光譜，通過(guò)對(duì)比3個(gè)感興趣區(qū)域的最終建模效果，發(fā)現(xiàn)基于整個(gè)樣本建立的模型預(yù)測(cè)性能更好。

2） 采用SPA和CARS提取特征波長(zhǎng)，實(shí)現(xiàn)高光譜數(shù)據(jù)的降維，通過(guò)對(duì)比基于SPA和CARS提取的特征光譜建模效果，得出基于整個(gè)樣本構(gòu)建的SPAMLR模型具有最好的預(yù)測(cè)性能，其Rp2為0.822，RMSEp為0.435，RPD為2.407。

3） 將枇杷樣本每個(gè)像素點(diǎn)的光譜信息輸入SPAMLR最優(yōu)模型中，得到枇杷樣本糖度的可視化圖，可視化圖展示了不同枇杷樣本間糖度的差異。表明利用高光譜成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法可實(shí)現(xiàn)枇杷糖度的無(wú)損檢測(cè)以及對(duì)不同枇杷樣本糖度含量的可視化。

參 考 文 獻(xiàn)

［1］森姚. 開(kāi)陽(yáng)枇杷： 銅鈴之中有黃金［J］. 消費(fèi)指南， 2015（9）： 26-27.

［2］Zhao Yiying， Zhang Chu， Zhu Susu， et al. Shape induced reflectance correction for nondestructive determination and visualization of soluble solids content in winter jujubes using hyperspectral imaging in two different spectral ranges ［J］. Postharvest Biology and Technology， 2020， 161： 111080.

［3］劉燕德， 周延睿. 便攜式近紅外水果內(nèi)部品質(zhì)檢測(cè)儀原理及應(yīng)用進(jìn)展［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2013， 34（4）： 204-209.

Liu Yande， Zhou Yanrui. Principle and application of nondestructive evaluation for fruit internal quality using portable nearinfrared spectrometry ［J］. Journal of Chinese Agricultural Mechanization， 2013， 34（4）： 204-209.

［4］Magwaza L S， Opara U L， Nieuwoudt H， et al. NIR spectroscopy applications for internal and external quality analysis of citrus fruit： A review ［J］. Food and Bioprocess Technology， 2012， 5（2）： 425-444.

［5］張伏， 張朝臣， 陳自均， 等. 光譜檢測(cè)技術(shù)在種子質(zhì)量檢測(cè)中的應(yīng)用［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（2）： 109-114.

Zhang Fu， Zhang Chaochen， Chen Zijun， et al. Application of spectral testing technology in seed quality testing ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（2）： 109-114.

［6］劉燕德， 姜小剛， 周衍華， 等. 基于高光譜成像技術(shù)對(duì)臍橙葉片的葉綠素、水分和氮素定量分析［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2016， 37（3）： 218-224.

Liu Yande， Jiang Xiaogang， Zhou Yanhua， et al. Quantitative analysis of chlorophyll， water and nitrogen for navel orange leaf based on hyperspectral imaging technology ［J］. Journal of Chinese Agricultural Mechanization， 2016， 37（3）： 218-224.

［7］馬本學(xué)， 肖文東， 祁想想， 等. 基于漫反射高光譜成像技術(shù)的哈密瓜糖度無(wú)損檢測(cè)研究［J］. 光譜學(xué)與光譜分析， 2012， 32（11）： 3093-3097.

Ma Benxue， Xiao Wendong， Qi Xiangxiang， et al. Nondestructive measurement of sugar content of Hami melon based on diffuse reflectance hyperspectral imaging technique ［J］. Spectroscopy and Spectral Analysis， 2012， 32（11）： 3093-3097.

［8］連雅茹. 基于高光譜成像技術(shù)的番茄內(nèi)部品質(zhì)檢測(cè)研究［D］. 楊凌： 西北農(nóng)林科技大學(xué)， 2020.

Lian Yaru. Detecting tomato internal quality based on hyperspectral imaging technology ［D］. Yangling： Northwest A & F University， 2020.

［9］Zhang Dongyan， Xu Yunfei， Huang Wenqian， et al. Nondestructive measurement of soluble solids content in apple using near infrared hyperspectra imaging coupled with wavelength selection algorithm ［J］. Infrared Physics & Technology， 2019， 98： 297-304.

［10］許麗佳， 陳銘， 王玉超， 等. 高光譜成像的獼猴桃糖度無(wú)損檢測(cè)方法［J］. 光譜學(xué)與光譜分析， 2021， 41（7）： 2188-2195.

Xu Lijia， Chen Ming， Wang Yuchao， et al. Study on nondestructive detection method of kiwifruit sugar content based on hyperspectral imaging technology ［J］. Spectroscopy and Spectral Analysis， 2021， 41（7）： 2188-2195.

［11］Zhang Hailiang， Zhan Baishao， Pan Fan， et al. Determination of soluble solids content in oranges using visible and near infrared full transmittance hyperspectral imaging with comparative analysis of models ［J］. Postharvest Biology and Technology， 2020， 163： 111148.

［12］Gao Sheng， Xu Jianhua. Hyperspectral image information fusionbased detection of soluble solids content in red globe grapes ［J］. Computers and Electronics in Agriculture， 2022， 196： 106822.

［13］霍迎秋， 張晨， 李宇豪， 等. 高光譜圖像結(jié)合機(jī)器學(xué)習(xí)方法無(wú)損檢測(cè)獼猴桃［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2019， 40（4）： 71-77.

Huo Yingqiu， Zhang Chen， Li Yuhao， et al. Nondestructive detection for kiwifruit based on the hyperspectral technology and machine learning ［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（4）： 71-77.

［14］尚靜， 黃人帥， 張艷， 等. 高光譜成像結(jié)合模式識(shí)別無(wú)損檢測(cè)獼猴桃成熟度［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（8）： 90-95.

Shang Jing， Huang Renshuai， Zhang Yan， et al. Nondestructive detection for maturity of kiwifruit based on hyperspectral imaging and pattern recognition ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（8）： 90-95.

［15］董朋欣， 董安國(guó)， 李楚婷， 等. 基于全卷積網(wǎng)絡(luò)和自編碼的高光譜圖像分類(lèi)［J］. 計(jì)算機(jī)工程與應(yīng)用， 2022， 58（5）： 256-263.

Dong Pengxin， Dong Anguo， Li Chuting， et al. Hyperspectral image classification based on fully convolutional network and autoencoder ［J］. Computer Engineering and Applications， 2022， 58（5）： 256-263.

［16］周揚(yáng)， 戴曙光， 呂進(jìn)， 等. 光譜預(yù)處理對(duì)近紅外光譜快速檢測(cè)黃酒酒精度的影響［J］. 光電工程， 2011， 38（4）： 54-58.

Zhou Yang， Dai Shuguang， Lü Jin， et al. Effect of spectral pretreatment on near infrared spectroscopy for rapid detection of wine alcohol ［J］. OptoElectronic Engineering， 2011， 38（4）： 54-58.

［17］Sun Jun， Zhou Xin， Hu Yongguang， et al. Visualizing distribution of moisture content in tea leaves using optimization algorithms and NIR hyperspectral imaging ［J］. Computers and Electronics in Agriculture， 2019， 160： 153-159.

［18］王曉明， 章海亮， 羅微， 等. 近紅外光譜檢測(cè)梨果硬度研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2015， 36（6）： 120-123， 142.

Wang Xiaoming， Zhang Hailiang， Luo Wei， et al. Study on pear firmness detection by using near infrared reflectance spectroscopy based on CARS ［J］. Journal of Chinese Agricultural Mechanization， 2015， 36（6）： 120-123， 142.

［19］蔣柏春， 李德侖， 韋克蘇， 等. 基于高光譜的烤煙葉綠素含量估算模型研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（3）： 104-110.

Jiang Baichun， Li Delun， Wei Kesu， et al. Estimation model of chlorophyll content of fluecured tobacco based on hyperspectral ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（3）： 104-110.

［20］高文強(qiáng)， 肖志云. 基于AtrousCDAE1DCNN的紫丁香高光譜數(shù)據(jù)的葉綠素含量反演［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（7）： 158-166.

Gao Wenqiang， Xiao Zhiyun. Inversion of chlorophyll content of lilac hyperspectral data based on AtrousCDAE1DCNN ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（7）： 158-166.

［21］Jie Dengfei， Xie Lijuan， Fu Xiaping， et al. Variable selection for partial least squares analysis of soluble solids content in watermelon using nearinfrared diffuse transmission technique ［J］. Journal of Food Engineering， 2013， 118（4）： 387-392.

［22］Wang Bin， He Junlin， Zhang Shujuan， et al. Nondestructive prediction and visualization of total flavonoids content in Cerasus Humilis fruit during storage periods based on hyperspectral imaging technique ［J］. Journal of Food Process Engineering， 2021，?44（10）： e13807.

［23］邵園園， 王永賢， 玄冠濤， 等. 基于高光譜成像的肥城桃品質(zhì)可視化分析與成熟度檢測(cè)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2020， 51（8）： 344-350.

Shao Yuanyuan， Wang Yongxian， Xuan Guantao， et al. Visual detection of SSC and firmness and maturity prediction for Feicheng peach by using hyperspectral imaging ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（8）： 344-350.