獼猴桃亦稱奇異果，含有多種微量元素和豐富的有機(jī)物，營養(yǎng)價值高且口感酸甜，擁有“水果之王”的美譽(yù)。糖度是獼猴桃主要的內(nèi)部參數(shù)之一，獼猴桃內(nèi)部品質(zhì)參數(shù)直接影響其口感，也是決定獼猴桃采摘時間及儲存時間的重要指標(biāo)，獼猴桃的糖度中85%左右的成分是可溶性固形物，因此常用的傳統(tǒng)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(shí)現(xiàn)快速的工業(yè)化檢測。高光譜成像技術(shù)因其信息量大、光譜分辨率高、操作方便等特點(diǎn)，已廣泛用于如蘋果、櫻桃、柿子、芝麻菜、梨、荔枝等]果蔬內(nèi)部參數(shù)的無損檢測。

1 實(shí)驗(yàn)部分

1.1 材料

實(shí)驗(yàn)材料為某獼猴桃基地現(xiàn)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(shí)驗(yàn)室24h,等待采集其高光譜圖像并隨后測量其糖度，實(shí)驗(yàn)期間的環(huán)境溫度(26±1)℃。

1.2儀器與設(shè)備

本實(shí)驗(yàn)應(yīng)用了400-1000nm的高光譜相機(jī)，可采用杭州彩譜科技有限公司產(chǎn)品FS13進(jìn)行相關(guān)研究。光譜范圍在400-1000nm，波長分辨率優(yōu)于2.5nm，可達(dá)1200個光譜通道。采集速度全譜段可達(dá)128FPS，波段選擇后最高3300Hz（支持多區(qū)域波段選擇）。

1.3高光譜圖像信息采集

高光譜分選儀預(yù)熱30 min后開始采集圖像，以保證采集時的環(huán)境溫度和光源強(qiáng)度在采集初期和后期保持一致。將標(biāo)準(zhǔn)白板的高度調(diào)整至與獼猴桃樣本在同一焦面上，光譜相機(jī)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(jìn)距離為11 cm,其前進(jìn)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(dāng)天進(jìn)行并完成獼猴桃糖度測定。根據(jù)行業(yè)規(guī)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(shù)。每個樣本以兩次平行測定結(jié)果的算術(shù)平均值作為該樣本的糖度理化測量值。

1.5 高光譜數(shù)據(jù)的提取

采用Spec View軟件對獼猴桃樣本的原始高光譜圖像進(jìn)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(qū)域作為感興趣區(qū)域并提取光譜，以ROI區(qū)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(nèi)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(biāo)值即校正集的相關(guān)系數(shù)(Rc)及其均方根誤差(RMSEC)、預(yù)測集的相關(guān)系數(shù)(Ro)及其均方根誤差(RMSEP)、相對分析誤差(RPD)來評價模型的預(yù)測性能。其中，Rc和Rp越接近于1,表明模型的穩(wěn)定性及擬合度越高；RMSEC和RMSEP越接近于0,表明模型的預(yù)測能力越強(qiáng)；RPD定義為樣本的標(biāo)準(zhǔn)差與其均方根誤差之比，若RPD<1.4,模型對樣本無法實(shí)施預(yù)測，1.4≤RPD<1.8,模型可對樣本進(jìn)行粗略預(yù)測，1.8≤RPD<2.0,模型可對樣本進(jìn)行較好預(yù)測，RPD≥2,模型可對樣本進(jìn)行極好預(yù)測。

2 結(jié)果與討論

2.1樣本劃分

對120個獼猴桃樣本利用拉依達(dá)準(zhǔn)則方法進(jìn)行異常值的判別和剔除，結(jié)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(yù)測集樣本，獼猴桃樣本糖度測量值結(jié)果見表1。

2.2光譜及預(yù)處理

為了減少提取的光譜數(shù)據(jù)中摻雜的噪聲和光譜傾斜，以便提高光譜分辨的靈敏度，進(jìn)行合理的光譜預(yù)處理是必要的。利用多元散射校正、標(biāo)準(zhǔn)正態(tài)變量變換、直接正交信號校正等3種方法對有效光譜進(jìn)行預(yù)處理，并分別建立對應(yīng)的ELM預(yù)測模型，其預(yù)測結(jié)果見表2。由表2可知，DOSC-ELM模型的Rc和Rr值最大且RMSEC和RMSEP值最小，預(yù)測效果好，故后續(xù)均基于DOSC預(yù)處理方法進(jìn)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(shù)據(jù)結(jié)構(gòu)特性的前提下濾除原始光譜中與糖度不相關(guān)的信息，保留最相關(guān)的信息用于構(gòu)建預(yù)測模型。DOSC預(yù)處理前的校正集和預(yù)測集的光譜反射率分別如圖3(a)和圖3(c)所示，DOSC預(yù)處理后的校正集和預(yù)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(jīng)過預(yù)處理的高光譜圖像，DOSC預(yù)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(yù)處理后的光譜數(shù)據(jù)與待測成分即糖度的相關(guān)性得到了良好的提升。DOSC預(yù)處理前后各高光譜波段與獼猴桃糖度的相關(guān)系數(shù)如圖4所示。通常相關(guān)系數(shù)0.5≤|r<0.8時為顯著相關(guān)，|r|≥0.8時為高度相關(guān)，由圖4可知，經(jīng)DOSC預(yù)處理后大量光譜數(shù)據(jù)與糖度呈現(xiàn)顯著甚至高度相關(guān)。

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(yù)處理后的光譜用IRIV算法提取特征光譜變量時，設(shè)定IRIV算法的交叉驗(yàn)證次數(shù)為5,PLS模型中的最大主成分個數(shù)為10。IRIV算法一共進(jìn)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(shù)迅速減少，變量個數(shù)從237個縮減到36個，隨著特征光譜變量個數(shù)減少的速度放緩，經(jīng)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(jīng)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(yù)處理后的光譜用CARS算法提取特征光譜變量時，設(shè)定蒙特卡羅采樣50次，采用5折交叉驗(yàn)證法。圖7(a)為呈現(xiàn)指數(shù)衰減函數(shù)的選擇過程，特征光譜變量的數(shù)量隨著采樣次數(shù)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(shù)的增加，內(nèi)部交叉驗(yàn)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(guān)鍵變量，導(dǎo)致模型的預(yù)測性能下降。圖7(c)是特征光譜變量隨著采樣次數(shù)變化的回歸系數(shù)路徑圖，當(dāng)圖7(b)中RM-SECV值達(dá)到最小值時，各特征光譜變量的回歸系數(shù)位于圖7(c)中的“*”所在的垂直線位置，此時采樣運(yùn)行5次，最終提取出49個特征光譜變量。

3結(jié)論

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

(1)對獼猴桃原始有效光譜分別采用MSC,SNV和DOSC預(yù)處理后，結(jié)合ELM模型的預(yù)測結(jié)果，分析不同預(yù)處理方法對模型預(yù)測精度的影響，對比結(jié)果顯示DOSC預(yù)處理效果最好。

(2)對DOSC預(yù)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(shù)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%。