基于可見-近紅外光譜預測靈武長棗脆度及模型優化

王芹志，強鋒，何建國,*，王松磊,，賀曉光，吳龍國

1(寧夏大學 農學院，寧夏 銀川，750021) 2(寧夏大學 土木水利工程學院，寧夏 銀川，750021)

基于可見-近紅外光譜預測靈武長棗脆度及模型優化

王芹志1，強鋒1，何建國1,2*，王松磊1,2，賀曉光1，吳龍國2

1(寧夏大學 農學院，寧夏 銀川，750021) 2(寧夏大學 土木水利工程學院，寧夏 銀川，750021)

利用可見-近紅外光譜對在4 ℃下冷藏24 h的靈武長棗脆度進行檢測，并建立了最優模型。通過400～1 000 nm高光譜成像系統采集了112個長棗圖像，對原始光譜與經SNV，MSC、S-G、1ST、2ND、SNV+1ST、MSC+1ST、SNV+2ND、MSC+2ND、SNV+ S-G、MSC+ S-G預處理后光譜的偏最小二乘回歸(PLSR)模型進行了對比分析；采用主成分分析法(PCA)、連續投影算法(SPA)、競爭性自適應重加權法(CARS)提取特征波長，分別建立偏最小二乘回歸(PLSR)和主成分回歸(PCR)模型；將經預處理后的簡化PLSR模型與全波段PLSR模型進行了對比分析。結果表明，采用標準歸一化法(SNV)預處理后的PLSR模型優于原光譜及其他預處理方法；提取特征波長后建立的CARS-PLSR模型優于CARS-PCR模型和全波段PLSR模型，其相關系數(RP)和預測均方根誤差(RMSEP)分別為0.919、1.121。這表明，基于可見-近紅外光譜檢測冷藏靈武長棗脆度是可行的，SNV-CARS-PLSR模型最佳。

可見-近紅外光譜；靈武長棗；脆度；模型優化

靈武長棗作為寧夏當地特色農產品，已經逐漸成為地方區域經濟發展的重要支撐和農民收入的主要經濟來源。然而，新鮮的長棗往往由于貯存或者運輸而被冷藏保存，冷藏長棗的脆度大小，直接影響農戶的經濟損失。通常用化學檢測方法對長棗進行品質檢測，但這種方法對其原有品質會造成一定的破壞，且費時費力，無法滿足生產需求[1-6]。

利用光譜技術對果蔬進行無損檢測，成為當下最具創新和方便的檢測技術。近年來，國內外研究人員和學者廣泛利用光譜技術對果蔬理化性質進行了研究，并取得了一定成果[7-14]，光譜可分為近紅外(900～1 700 nm)和可見-近紅外(400～1 000 nm)，將可見-近紅外高光譜(400～1 000 nm)成像技術結合不同預處理方法，不同特征波長選擇方法，建立不同預測模型用于棗類定量分析，進而建立最優的預測模型在國內卻鮮有報道。

本文采用400～1 000 nm可見-近紅外高光譜成像技術獲取冷藏的靈武長棗表面反射信息，運用11種不同的預處理方法，3種不同的特征波長選擇方法，建立偏最小二乘回歸(partial least squares regression ,PLSR)和主成分回歸(principal component regression,PCR)模型，通過比較，最終建立冷藏靈武長棗脆度的最優預測模型，為靈武長棗的無損檢測提供了一種新思路。

1 材料與方法

1.1 實驗材料

從寧夏靈武長棗園采摘大小均勻，完好無損的長棗112個，裝入密封塑料袋中，置于4 ℃冰箱下保存。測試前，將樣本清洗。對其進行編號，測其形態尺寸，記錄數據。

1.2 實驗儀器

Hyperspec VNIR N型高光譜成像系統：美國Headwall Photonicsg公司，由高光譜成像光譜儀(Imspector N系列,Golden Way Scientific Co., Ltd., US)、CCD攝像機(G4-232, Golden Way Scientific CO., Ltd., US)、2個線光源(90-254VAC，47-63Hz，Golden Way Scientific CO.，Lab.，EQUIP)，Headwall Photonics Instruments Co., Ltd., Beijing，China)構成的光源系統，電控位移平臺(VT-80，Headwall Photonics Instruments Co., Ltd., Beijing，China)，計算機(ThinkPadX220 Inter(R) Core i5-2450CPU@2.5GHz，RAM 3.41G)和數據采集軟件(Hyperspec-N for AndorLuca Rev A.3.1.4.vi, Headwall Photonics Instruments Co., Ltd., Beijing, China)等部件組成。

質構儀：英國Stable Micro System公司。

1.3 原始樣本圖像采集

樣品圖像掃描前，為減弱或消除暗電流照明燈的干擾，需進行黑白校正[15]，如公式(1)所示。

(1)

式中：R0是樣本原始漫反射高光譜圖像；W是白板反射圖像；D是全黑圖像；R是校正后的漫反射高光譜圖像。

試驗過程中，每組取5個冷藏長棗樣本，標記，并按照一定的順序擺放在載物臺上，如圖1所示；獲取光譜圖像數據之前，將控制電機和位移平臺連接起來，然后進行掃描，最后獲取圖像數據。圖像數據處理之前，采用系統自帶的ENVI4.6軟件分割高光譜圖像，得到112個冷藏長棗的單個圖像。

1.4 脆度的測定

對采集圖像后的冷藏長棗赤道線上標記的部位，用質構儀進行測定，測其3次的脆度，取平均值。

1.5 光譜分析及模型評價

1.5.1 光譜預處理

樣本光譜除了包含自身有用信息外，外界不確定因素(如光的散射以及環境噪聲等)也會對建模效果產生一定影響[16]。因此，在建模之前需對光譜數據進行預處理[17]。試驗采用標準歸一化(standard normal variable, SNV)、多元散射校正(multiple scattering correction, MSC)、卷積平滑(savitzky-golay smoothing ,S-G)、一階導(first derivative, 1sD)、二階導(second derivative, 2nD)及其組合對光譜數據進行預處理并比較它們對全波段模型性能的影響。高光譜圖像數據處理采用ENVI4.6(Research System Inc.,USA)、Unscrambler X 10.2(CAMO Software AS,OSLO, Norway)和Matlab2011a (Mathwork, Matlab9.0, Inc.,USA)軟件平臺。

圖1 原始樣本圖像采集Fig.1 Original samples collected figure

1.5.2 建模方法及模型評價

對樣本光譜進行預處理后，建立全波長及特征波長提取下的冷藏靈武長棗脆度偏最小二乘回歸[18](PLSR)定量分析模型和特征波長下的主成分回歸[19](PCR)定量分析模型。特征波長提取方法分別采用主成分分析法[20](principal component analysis,PCA)、連續投影算法[21-22](successive projections algorithm ,SPA)、競爭性自適應重加權法[23](competitive adaptive reweighed sampling,CARS)。

本試驗采用均方根誤差(RMSE)和相關系數(R)對建立的模型進行評價[24]。一個好的模型應該具有高的R值(接近于1)、低的均方根誤差(RMSEC/RMSEP/RMSECV) 值，且RMSEC 、RMSEP和RMSECV盡量接近。RMSEC /RMSEP/RMSECV及R的計算方法如公式(2)～公式(4)所示。

(2)

(3)

(4)

R=

(5)

2 結果與分析

2.1 脆度測定

實驗測得112個樣本脆度有效值，將試驗所得樣品隨機劃分為校正集84個樣品，預測集28個樣品，統計結果見表1。其中，校正集用于建模，預測集用于檢驗模型性能[25]。

表1 冷藏靈武長棗脆度數據統計

2.2 長棗樣本光譜

將獲得的112個樣本經過反射高光譜成像系統掃描，選擇感興趣區域，其原始光譜圖及不同預處理(SNV，MSC、S-G、1ST、2ND、SNV+1ST、MSC+1ST、SNV+2ND、MSC+2ND、SNV+ S-G、MSC+ S-G)后的光譜圖見圖2。

由圖2(A)可知，在原始光譜下的光譜曲線整體較為分散，且在900 nm和960 nm處反射率較為明顯，這與胡耀華等[26]利用近紅外高光譜研究豬肉系水力所得結果類似，此峰對應O-H基團的二級倍頻，可能是長棗水分分布不均，對脆度的影響所致；圖2(B)的SNV預處理光譜圖與圖(C)的MSC預處理光譜圖比較相似，這可能是因為2種預處理方法對消除長棗表面粗糙面及不同粗糙面分布不均勻而產生的散射對光譜的影響作用[27]，故圖(B)和圖(C)相對于圖(A)而言，光譜曲線更加緊湊，表面更加平滑。

(A)RAW；(B)SNV;(C)MSC;(D)S-G;(E)1ST;(F)2ND;(G)SNV+1ST;(H)SNV+2ND;(I)MSC+1ST;(J)MSC+2ND;(K)SNV+S-G(L)MSC+S-G圖2 不同預處理方法下的光譜圖Fig.2 The spectrums of different pretreatment methods

圖2(D)、(K)、(L)分別為S-G、SNV+S-G、MSC+S-G預處理光譜圖，三圖均含有S-G預處理方法，比較原始光譜曲線，經SNV+S-G、MSC+S-G組合的處理方法不僅除去了部分噪聲，而且整體較只經S-G方法處理更為緊湊，三圖光譜的波峰和波谷的位置并沒有發生很大偏移。

圖2(E)、(G)、(I)分別為1ST、SNV+1ST、MSC+1ST預處理光譜圖，三圖均含有1ST預處理方法，帶有可校正基線，可以看出，經SNV+1ST處理后的反射率更加突出，三圖平滑處趨于平直，波峰和波谷較原始光譜曲線和其他預處理曲線顯得更加突出。

圖2(F)、(H)、(J)分別為2ND、SNV+2ND、MSC+2ND預處理光譜圖，三圖均含有2ND預處理方法，帶有可校正基線，可以看出，經SNV+2ND處理后的反射率更加突出，三圖噪聲信息較多，雖有突出波峰，但整體波段的波峰和波谷難以辨出。

2.3 光譜預處理方法的選擇

采用原光譜和不同預處理方法，建立全波長偏最小二乘回歸(PLSR)模型，結果見表2。

表2 不同預處理方法下的冷藏靈武長棗脆度PLSR模型

從表2可以得出，(1)在單一預處理方法下，采用SNV對原始光譜預處理后的模型，其RC、RCV、RP分別為0.877、0.830、0.877，RMSEC、RMSECV、RMSEP分別為1.084、1.490、1.212，各項數據較原光譜和其他單一預處理方法無較大差異，且RP較接近1，其主成分數較少，表明該預處理去除了主要的噪聲和背景干擾，模型預測精度和穩定性較好；(2)采用1ST預處理方法，主成分數最少，但其RMSEP較大，預測精度較差；(3)采用2ND預處理方法，RC較原數據和其他單一預處理方法均為最大，但RCV偏小，且RP值為-0.288，出現過擬合現象，主成分數最大，說明噪聲信息比較多；(4)MSC和S-G的RP和RMSEP與SNV的沒有較大差異，但所用主成分數較大；(5)在組合預處理方法下，采用SNV+1ST、MSC+1ST和SNV+2ND3種方法的RP均為負值，出現過擬合現象；(6)采用MSC+2ND預處理方法的RC、RCV、RP均偏小，RMSEP值較大，可行性較差；(7)采用SNV+S-G和MSC+S-G兩種預處理方法的RC、RCV、RP較原光譜均較為理想，但RMSEP較大，且主成分數較大，其穩定性和預測精度都較差。綜合考慮，采用SNV預處理方法，建立冷藏靈武長棗全波長偏最小二乘模型(PLSR)的預測精度最佳。

2.4 提取特征波長

由于原光譜包含的信息量較為冗長，導致獲取樣品信息所需時間較長，一定程度不能滿足在線生產的需要。因此，需對全波段下的光譜數據進行降維處理[28]，以提高效率和模型精度。通過主成分分析法(PCA)提取了7個特征波長(541、603、675、685、689、728、958)，采用連續投影算法(SPA)提取了9個特征波長(401、425、435、469、661、680、901、949、982)，采用競爭性自適應重加權法(CARS)提取了8個特征波長(665、680、833、853、862、910、954、973)，結果見表3。

表3 特征波長提取

2.5 預測模型的建立

基于靈武長棗脆度的特征波長提取方法，分別建立偏最小二乘回歸[29](PLSR)和主成分回歸(PCR)定量分析模型，結果見表4。

表4 不同特征波長提取方法的PLSR建模對比分析

通過比較，結合圖3和表4可以看出：(1)在經過SNV預處理光譜后，基于PLSR的特征波長選擇方法中，CARS-PLSR效果較佳，其RC、RCV、RP分別為0.891、0.865、0.919，均高于其他2種波長選擇方法，說明CARS-PLSR的預測及校正性能較PCA-PLS和SPA-PLS更加優越。(2)CARS-PLSR的RMSEC、RMSECV、RMSEP分別為1.202、1.330、1.121，分別較PCA-PLSR和SPA-PLSR小，說明CARS-PLSR的預測精度和穩定性優于PCA-PLSR和SPA-PLSR；(3)采用主成分分析提取特征波長建立的偏最小二乘模型(PCA-PLSR)，盡管其主成分數較其他2種特征波長選擇方法略小，但RMSEP達到105.093，預測均方根誤差極大，故其預測精度和穩定性明顯劣于SPA-PLSR和CARS-PLSR；(4)CARS-PCR的RMSEP和主成分數與SPA-PCR相差較小，CARS-PCR的RC、RCV、RP均高于其他2種波長選擇方法，其校正及預測性能較好；RMSEC、RMSECV也較其他2種波長選擇方法小，預測精度較佳。綜合考慮，經SNV 預處理的光譜，采用競爭性自適應重加權(CARS)提取特征波長的方法建模，具有較高的精確性和較好的穩定性。

從表4可以得到，CARS-PLSR模型較CARS-PCR模型具有更高的RP和更小的RMSEP，故兩者建立的簡化模型相比，CARS-PLSR模型對靈武長棗脆度的預測精度和穩定性較佳,原因可能是PLSR較PCR更適用于復雜分析體系的光譜數據，數據矩陣的分解與回歸相互結合，使得模型更為穩健[30]。

2.6 全波段模型和簡化模型的比較

采用SNV方法預處理下的全波長偏最小二乘模型(SNV-PLSR)和經CARS法提取特征波長建立的偏最小二乘模型(SNV-CARS-PLSR)效果進行比較，兩模型對冷藏靈武長棗脆度預測性能如圖3所示。

圖3 不同冷藏靈武長棗脆度PLSR預測模型的比較Fig.3 Compared of different PLSR models for brittleness of Lingwu jujube samples

從表3和圖3可以看到，利用CARS對長棗校正模型進行光譜特征波長變量選擇，從125個波長變量中，優選出665 nm，680 nm，833 nm，853 nm，862 nm，910 nm，954 nm，973 nm共8個特征波長，數量僅占全部光譜變量的6.4%，在一定程度上提高了建模變量的利用率，也節省了無用信息的處理時間。此外，與全波長SNV-PLSR模型相比，SNV-CARS-PLSR模型的RP較大且接近于1，RMSEP較小，主成分數較少。特征波長提取建立的SNV-CARS-PLSR模型對冷藏靈武長棗脆度的預測精度和穩定性較佳。

3 結論

(1)利用可見-近紅外高光譜成像技術，建立了4 ℃下24 h冷藏靈武長棗脆度的PLSR模型。選擇400～1 000 nm全波段范圍，進行原始光譜與經過SNV，MSC、S-G、1ST、2ND、SNV+1ST、MSC+1ST、SNV+2ND、MSC+2ND、SNV+S-G、MSC+S-G預處理光譜的PLSR模型的比較表明，SNV預處理光譜效果較好。

(2)采用PCA、SPA、CARS特征波長選擇方法對經SNV預處理后的光譜進行降維，并分別建立PCR和PLSR的預測模型，得到CARS-PLSR模型和CARS-PCA模型的RC、RCV、RP均大于其他特征波長選擇方法，CARS-PLSR模型RC、RP分別為0.891、0.919，CARS-PCR模型RC、RP分別為0.890、0.785，CARS-PLSR模型校正及預測性能較好；兩者RMSEP與其他特征波長選擇方法建模相差不大且偏小，預測精度較好。CARS-PLSR模型預測效果較佳。

(3)對比了SNV-CARS-PLSR模型和全波長SNV-PLSR模型；特征波長提取建立的SNV-CARS-PLSR模型的RP較大且接近1，RMSEP較全波長SNV-PLSR模型小，且主成分數較少，對冷藏靈武長棗脆度的預測精度和穩定性較佳。

綜上所述，基于可見-近紅外光譜預測冷藏靈武長棗脆度的研究是可行的，最優預測模型是SNV-CARS-PLSR。

[1] 李丹.基于高光譜成像技術的靈武長棗品質無損研究[D].銀川：寧夏大學,2015.

[2] 吳龍國.基于高光譜成像技術的靈武長棗常見缺陷無損檢測研究[D]. 銀川：寧夏大學,2014.

[3] 薛建新,張淑娟,張晶晶.高光譜成像技術對鮮棗內外部品質檢測的研究[J].光譜學與光譜分析,2015,35(8)：2 297-2 298.

[4] LI Jiangbo, QIAO Xiaojun , HE Ruyan. Use of Near-Infrared hyperspectral images to identify moldy peanuts[J].Journal of Food Engineering,2016,169：284-290.

[5] PU Yuanyuan, SUN Dawen. Vis-NIR hyperspectral imaging in visualizing moisture distribution of mango slices during microwave-vacuum drying[J].Food Chemistry,2015,188：271-278.

[6] 郭志明.基于近紅外光譜及成像的蘋果品質無損檢測方法和裝置研究[D].北京：中國農業大學,2015.

[7] 劉德華,張淑娟,王斌,等. 基于高光譜成像技術的山楂損傷和蟲害缺陷識別研究[J].光譜學與光譜分析,2015,35(11)：3 167-3 169.

[8] 魏新華,吳姝,范曉冬,等.基于高光譜成像分析的冬棗微觀損傷識別[J].農業機械學報,2015,46(3)：242-245.

[9] 岳學軍,全東平,洪添勝,等.柑橘葉片葉綠素含量高光譜無損檢測模型[J].農業工程學報,2015,31(1)：294-300.

[10] 李勛蘭,易時來,何紹蘭,等.高光譜成像技術的柚類品種鑒別研究[J].光譜學與光譜分析,2015,35(9)：2 639-2 642.

[11] LI Jiangbo, CHEN Liping, HUANG Wenqian ,et al. Multispectral detection of skin defects of bi-colored peaches based on vis-NIR hyperspectral imaging[J].Postharvest Biology and Technology,2016,112：121-133.

[12] FERNANDES A M,FRANCO C, FERREIRA A M,et al. Brix, pH and anthocyanin content determination in whole Port wine grape berries by hyperspectral imaging and neural networks[J].Computers and Electronics in Agriculture,2015,115(2)：88-96.

[13] WANG Wei, NI Xinzhi, LAWRENCE K C, et al. Feasibility of detecting Aflatoxin B1 in single maize kernels using hyperspectral imaging[J].Journal of Food Engineering, 2015,166:182-192.

[14] HELGERUD T, WOLD J P, PEDERSEN M B, et al. Towards on-line prediction of dry matter content in whole unpeeled potatoes using near-infrared spectroscopy[J].Talanta, 2015,143:138-144.

[15] 王正偉,王家云,王松磊,等.基于VIS/NIR高光譜成像技術檢測雞肉嫩度[J].食品科技,2015,40(11)：270-274.

[16] 吳龍國,何建國,劉貴珊,等.基于近紅外高光譜成像技術的長棗含水量無損檢測[J].光電子· 激光,2014,25(1)：135-140.

[17] 郭彩英.基于高光譜成像技術的冷卻羊肉表面微生物活細胞數量無損檢測方法研究[D].銀川：寧夏大學,2014.

[18] 董金磊,郭文川.采后獼猴桃可溶性固形物含量的高光譜無損檢測[J].食品科學,2015,36(16)：103-105.

[19] 宋璇. PCR和SMLR建模方法在煤質全硫含量無損檢測中的比較研究[J].煤炭技術,2014,33(11):267-269.

[20] 吳龍國,何建國,劉貴珊,等.基于NIR高光譜成像技術的長棗蟲眼無損檢測[J].發光學報,2013,34(11)：1 528-1 529.

[21] 羅霞,洪添勝, 羅闊,等.高光譜技術在無損檢測火龍果可溶性固形物中的應用[J].激光與光電子學進展,2015,52(8)：309-317.

[22] 熊雅婷,李宗朋,王健,等.基于連續投影算法的黃酒成分檢測模型[J].分析與檢測,2015,41(3)：185-186.

[23] 劉燕德,鄧清.基于高光譜成像技術的臍橙葉片的葉綠素含量及其分布測量[J].發光學報,2015,36(8)：958-959.

[24] 褚小立.化學計量學方法與分子光譜分析技術[M].北京:化學工業出版社,2011.

[25] 郭文川,董金磊. 高光譜成像結合人工神經網絡無損檢測桃的硬度[J].光學精密儀器,2015,23(6)：1532.

[26] 胡耀華,郭康權,野口剛,等. 基于近紅外光譜檢測豬肉系水力的研究[J].光譜學與光譜分析,2009,29(12):3 259-3 262.

[27] 劉友華,白亞斌,邱祝福,等.基于高光譜圖像技術和波長選擇方法的羊肉摻假檢測方法研究[J].海南師范大學學報(自然科學版),2015,28(3)：266-268.

[28] PAN Leiqing, ZHANG Qiang, ZHANG Wei, et al. Detection of cold injury in peaches by hyperspectral reflectance imaging and artificial neural network[J].Food Chemistry,2016,192：134-141.

[29] XIE Anguo, SUN Dawen, XU Zhongyue, et al. Rapid detection of frozen pork quality without thawing by Vis-NIR hyperspectral imaging technique.[J].Talanta,2015,139：208-215.

[30] 李丹,何建國,賀曉光,等.基于高光譜技術的靈武長棗糖度預測模型研究[J].河南工業大學學報(自然科學版)，2014,35(4)：68-72.

The model of predicting of the brittleness of Lingwu jujube by visible-near infrared spectroscopy and its optimization

WANG Qin-zhi1, QIANG Feng1,HE Jian-guo1,2*,WANG Song-lei1,2, HE Xiao-guang1,WU Long-guo2

1(School of Agriculture, Ningxia University, Yinchuan 750021, China) 2(Institute of civil and hydraulic engineering, Ningxia University, Yinchuan 750021, China)

A model of predicting the brittleness of Lingwu jujube stored at 4 ℃ for 24 hours by Visible-near infrared Spectroscopy was established and optimized. Hyperspectral images of 112 jujubes of samples over 400-1000 nm were acquired. PLSR(Partial least squares regression，PLSR)models of raw spectral and spectral processed by SNV, MSC, S-G, 1ST, 2ND, SNV+1ST, MSC+1ST, SNV+2ND, MSC+2ND, SNV+S-G, MSC+S-G for brittleness were compared. Characteristic wavelengths were selected by principal component analysis (PCA), successive projections algorithm (SPA) and competitive adaptive reweighted sampling (CARS); PLSR models and PCR models on characterizing wavelengths were established. The simplified PLSR model after pretreatment and completed full wavelength PLSR model were compared. The results showed that the PLSR model with pretreatment by SNV was superior to CARS-PCR and full spectralspectral pretreatment. The optimal wavelengths by CARS-PLSR model had an excellent ability to predict the brittleness of jujube and was better than CARS-PCR model and PLSR model to predict brittleness composition. The correlation coefficient (RP) and root mean square error of prediction (RMSEP) were 0.786 and 1.224 respectively. Therefore, it’s possible to determine the brittleness of chilled Lingwu jujubes by Visible-near infrared Spectroscopy and the SNV-CARS-PLSR model was the best.

visible-near infrared spectroscopy; Lingwu jujube;brittleness; optimized model

10.13995/j.cnki.11-1802/ts.201703036

碩士研究生(何建國教授為通訊作者,E-mail：hejg@nxu.edu.cn)。

2015年國家自然基金(31560481)；農業科技成果轉化項目(2014G30000045)

2016-06-30，改回日期：2016-08-16