獼猴桃品質檢測：高光譜成像技術在糖度檢測中的應用

隨著現代農業科技的飛速發展，獼猴桃作為一種備受歡迎的水果，其品質檢測技術的提升顯得尤為重要。獼猴桃的糖度中85%左右的成分是可溶性固形物，常用的傳統糖度檢測方法是采用折射儀測量被擠出的果汁中的可溶性固形物含量來反映糖度值，該方法繁瑣、耗時且破壞樣本，無法實現快速的工業化檢測。而高光譜成像技術的出現，為獼猴桃品質檢測提供了新的解決方案。該技術能夠通過獲取獼猴桃的光譜信息，實現對獼猴桃內部成分的非接觸式、無損檢測，具有廣闊的應用前景。

一、引言

在現代農業生產中，品質檢測是確保農產品質量和安全的重要環節。對于獼猴桃這種水果來說，糖度是衡量其品質的重要指標之一。傳統的獼猴桃糖度檢測方法通常需要進行破壞性采樣和化學分析，不僅操作繁瑣、耗時費力，而且無法實現對獼猴桃品質的實時、在線評估。因此，急需一種高效、無損的獼猴桃糖度檢測方法。高光譜成像技術作為一種新型的無損檢測技術，具有光譜分辨率高、信息量大等優點，為獼猴桃糖度檢測提供了新的思路。

二、高光譜成像技術概述

高光譜成像技術是一種結合了光譜學和成像學的技術，能夠同時獲取目標物體的光譜信息和空間信息。通過對獼猴桃進行高光譜掃描，可以獲取其在不同光譜波段下的圖像信息，從而分析獼猴桃的內部成分和品質指標。在農業領域，高光譜成像技術已經廣泛應用于作物生長監測、病蟲害檢測、品質評估等方面。與傳統的品質檢測方法相比，高光譜成像技術具有非接觸式、無損、快速等優點，能夠提供更客觀、更準確的品質信息。

三、獼猴桃糖度檢測的重要性

糖度是衡量獼猴桃品質的重要指標之一，直接影響獼猴桃的口感和風味。傳統的獼猴桃糖度檢測方法通常需要進行破壞性采樣和化學分析，無法實現對獼猴桃品質的實時、在線評估。而高光譜成像技術的出現，為獼猴桃糖度檢測提供了新的解決方案。通過獲取獼猴桃的光譜信息，可以實現對獼猴桃糖度的快速、無損檢測，為獼猴桃品質評估提供新的技術手段。

四、高光譜成像技術在獼猴桃糖度檢測中的應用

1 實驗部分

1.1 材料

實驗材料為某獼猴桃基地現采的“紅陽”獼猴桃。選取120個大小相近、表面無損傷和疤痕的獼猴桃樣本并依次編號，靜置于實驗室24h,等待采集其高光譜圖像并隨后測量其糖度，實驗期間的環境溫度(26±1)℃。

1.2儀器與設備

本實驗應用了400-1000nm的高光譜相機，可采用廣東賽斯拜克科技有限公司產品SP130M進行相關研究。光譜范圍在400-1000nm，波長分辨率優于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區域波段選擇）。

1.3高光譜圖像信息采集

高光譜分選儀預熱30 min后開始采集圖像，以保證采集時的環境溫度和光源強度在采集初期和后期保持一致。將標準白板的高度調整至與獼猴桃樣本在同一焦面上，光譜相機曝光時間為13.5ms,樣本平臺與鏡頭的距離為170mm,電控移動平臺前進距離為11 cm,其前進速度及回退速度分別為0.46和5cm·s1。

1.4獼猴桃糖度測定

采集完所有樣本的高光譜圖像后，當天進行并完成獼猴桃糖度測定。根據行業規定，常以獼猴桃赤道部位的糖度來代表整體糖度，參照NT/T2637—2014《水果、蔬菜制品可溶性固形物含量的測定-折射儀法》,對每個獼猴桃樣本依次將其赤道上的果皮削掉，取出適量果肉壓汁，隨后用一次性滴管將汁液滴到SKY107手持式糖度折射儀的檢測槽中，讀出該樣本的糖度理化值示數。每個樣本以兩次平行測定結果的算術平均值作為該樣本的糖度理化測量值。

1.5 高光譜數據的提取

采用Spec View軟件對獼猴桃樣本的原始高光譜圖像進行黑白校正，利用ENVI5.1軟件從校正后的圖像中選擇獼猴桃整個赤道區域作為感興趣區域并提取光譜，以ROI區域的平均光譜作為此獼猴桃的原始光譜信息，如圖2(a)所示。

由圖2(a)可知，原始光譜曲線的首尾兩端存在明顯噪聲，故選取每個樣本400～1000 nm波長范圍內的高光譜信息作為有效光譜，如圖2(b)所示，該范圍共計237個波長。

1.6模型評價

利用5個指標值即校正集的相關系數(Rc)及其均方根誤差(RMSEC)、預測集的相關系數(Ro)及其均方根誤差(RMSEP)、相對分析誤差(RPD)來評價模型的預測性能。其中，Rc和Rp越接近于1,表明模型的穩定性及擬合度越高；RMSEC和RMSEP越接近于0,表明模型的預測能力越強；RPD定義為樣本的標準差與其均方根誤差之比，若RPD<1.4,模型對樣本無法實施預測，1.4≤RPD<1.8,模型可對樣本進行粗略預測，1.8≤RPD<2.0,模型可對樣本進行較

好預測，RPD≥2,模型可對樣本進行極好預測。

2 結果與討論

2.1樣本劃分

對120個獼猴桃樣本利用拉依達準則方法進行異常值的判別和剔除，結果顯示無異常值，隨后將其按照3:1比例用KS(Kennard-Stone )算法將其劃分為90個校正集樣本、30個預測集樣本，獼猴桃樣本糖度測量值結果見表1。

2.2光譜及預處理

為了減少提取的光譜數據中摻雜的噪聲和光譜傾斜，以便提高光譜分辨的靈敏度，進行合理的光譜預處理是必要的。利用多元散射校正、標準正態變量變換、直接正交信號校正等3種方法對有效光譜進行預處理，并分別建立對應的ELM預測模型，其預測結果見表2。由表2可知，DOSC-ELM模型的Rc和Rr值**且RMSEC和RMSEP值最小，預測效果好，故后續均基于DOSC預處理方法進行。

DOSC方法通過將光譜矩陣與待測濃度矩陣正交，在不損害數據結構特性的前提下濾除原始光譜中與糖度不相關的信息，保留最相關的信息用于構建預測模型。DOSC預處理前的校正集和預測集的光譜反射率分別如圖3(a)和圖3(c)所示，DOSC預處理后的校正集和預測集的光譜反射率分別如圖3(b)和圖3(d)所示。

從圖3可知，相較于未經過預處理的高光譜圖像，DOSC預處理后的光譜圖像線條更加緊密，圖3(b)和圖3(d)中所凸起的波峰也反映了預處理后的光譜數據與待測成分即糖度的相關性得到了良好的提升。DOSC預處理前后各高光譜波段與獼猴桃糖度的相關系數如圖4所示。通常相關系數0.5≤|r<0.8時為顯著相關，|r|≥0.8時為高度相關，由圖4可知，經DOSC預處理后大量光譜數據與糖度呈現顯著甚至高度相關。

2.3 特征光譜變量的提取與組合

2.3.1 基于IRIV的特征光譜變量提取

對預處理后的光譜用IRIV算法提取特征光譜變量時，設定IRIV算法的交叉驗證次數為5,PLS模型中的**主成分個數為10。IRIV算法一共進行了7輪迭代，如圖5所示。在圖5中，前4輪迭代過程中特征光譜變量的個數迅速減少，變量個數從237個縮減到36個，隨著特征光譜變量個數減少的速度放緩，經第6輪迭代后完全剔除了其中的無信息變量和干擾變量，變量縮減到10個，在反向消除2個變量后，最終得到8個特征光譜變量，占全光譜波段的3.4%。經過IRIV提取的特征光譜變量分布如圖6所示。

2.3.2 基于CARS的特征光譜變量提取

對預處理后的光譜用CARS算法提取特征光譜變量時，設定蒙特卡羅采樣50次，采用5折交叉驗證法。圖7(a)為呈現指數衰減函數的選擇過程，特征光譜變量的數量隨著采樣次數的增加先迅速下降然后平緩減少，具有“粗選”和“精選”2個特征。由圖7(b)可知，隨著Monte-Carlo采樣次數的增加，內部交叉驗證均方根誤差(RMSECV)呈先緩慢減小后陡然增大的趨勢，這是由于選擇過度而移除了富含信息的關鍵變量，導致模型的預測性能下降。圖7(c)是特征光譜變量隨著采樣次數變化的回歸系數路徑圖，當圖7(b)中RM-SECV值達到最小值時，各特征光譜變量的回歸系數位于圖7(c)中的“*”所在的垂直線位置，此時采樣運行5次，最終提取出49個特征光譜變量。

3結論

以“紅陽”獼猴桃為研究對象，本文利用高光譜成像技術結合不同特征光譜變量提取方法構建不同模型，對獼猴桃糖度進行無損檢測。研究結果如下：

(1)對獼猴桃原始有效光譜分別采用MSC,SNV和DOSC預處理后，結合ELM模型的預測結果，分析不同預處理方法對模型預測精度的影響，對比結果顯示DOSC預處理效果**。

(2)對DOSC預處理后的光譜分別采用一次降維、一次組合降維和二次組合降維共7種特征提取方法，提取到的特征光譜變量個數分別為49,9,8,58,55,11和19,占全光譜波段的20.7%,3.8%,3.4%,24.5%,23.2%,4.6%和8%。