不同成熟度獼猴桃糖度紫外/可見光譜檢測

孟慶龍，尚靜，黃人帥，撒雄星，張艷

（1.貴陽學院食品與制藥工程學院，貴州貴陽550005；2.貴陽學院農產品無損檢測工程研究中心，貴州貴陽550005）

“貴長”獼猴桃是美味獼猴桃品種中的優良品種，1989年貴州省修文縣開始引入該品種，目前已發展成為當地的特色精品水果之一以及支柱產業[1]。在獼猴桃采收時，為了延長其貯藏時間，經常采摘還未成熟的果實，但是如果過早采摘，果實就會特別生硬，這將會使口感受到影響，果實也易受冷害；若過晚采摘，由于果實十分柔軟易腐爛而難以貯藏[2-3]。獼猴桃的糖度是衡量其成熟度的關鍵指標之一，因此，開展獼猴桃糖度的快速無損檢測研究對于指導其采收時間、采后儲藏和加工具有非常重要的意義。

檢測水果糖度的傳統方法是使用折射儀測量被擠出果汁的糖度[4]，然而這種方法存在破損樣本的缺點?；诠庾V技術的無損檢測方法具有諸多優勢，比如分析速度快、無污染、無損傷等，所以，近年來，這種方法已被廣泛地用于水果品質的快速檢測[5-8]。目前，世界各地研究學者已開展了關于李子[9]、草莓[10]、蘋果[11-13]、西瓜[14]、梨[15-16]、藍莓[17]和橙子[18-19]等水果糖度的無損檢測，并取得了一定的成果。董金磊等[4]研究了采后貯藏期間獼猴桃糖度的無損檢測。Hu等[5]無損監測了1-甲基環丙烯（1-methylcyclopropene，1-MCP）對成熟后獼猴桃中糖分積累的誘導機制。但是，對于不同成熟度獼猴桃糖度的無損檢測卻未見報道，而且在水果品質無損檢測中應用的光譜技術存在數據量冗余的問題，嚴重影響了預測模型的檢測效率。

本文采用紫外/可見光譜采集系統獲取不同成熟期“貴長”獼猴桃的反射光譜；比較3種光譜預處理方法（一階導數、多元散射校正、標準正態變換）對光譜的預處理效果，然后應用競爭性自適應重加權算法從全波段中提取特征波長；最后，基于全光譜和特征光譜分別構建預測獼猴桃糖度的誤差反向傳播（error back propagation，BP）網絡模型，確定最優預測模型，以期為獼猴桃糖度無損檢測裝備的開發提供理論基礎。

1 材料與方法

1.1 試驗材料

不同成熟期（未熟期、半熟期、成熟期、過熟期）“貴長”獼猴桃于2019年9月17日至2019年10月19日分4批次采自貴州省修文縣龍關口獼猴桃果園，樣品從不同的果樹上隨機采摘，每批次采摘50個無病蟲害且無機械損傷的樣品，共計200個。樣品采摘后立即運到實驗室，用柔軟的紙品輕輕地擦掉獼猴桃樣品表面的塵土等雜物，依次對其編號后在室溫（22±2）℃條件下采集光譜并測定糖度。

1.2 試驗儀器

數字手持袖珍折射儀（ATAGO PAL-α）：日本Atago公司。光譜采集系統：蔚海光學儀器（上海）有限公司，該系統由：光譜儀（QEPro，波長范圍為198.2 nm～1 006.4 nm，分辨率為 2.84 nm～3 nm）、光纖（R600-7-VIS-125F，直徑為 600 μm）、鹵鎢燈光源（HL-2000，波長范圍為 360 nm～2 400 nm）、反射探頭支架（RPH-1）、適配器（RPH-ADP）、標準反射白板（WS-1）、計算機（Lenovo）等構成，如圖1所示。

圖1 反射式光譜采集系統Fig.1 Schematic diagram of spectra acquisition system

1.3 方法

1.3.1 反射光譜采集

試驗根據測試標準反射白板的光譜強度，調節積分時間和平均次數等參數，并保證測量獼猴桃時的參數一致。其中，系統的積分時間為110 ms，掃描平均次數為8，滑動平均寬度為1。將待測獼猴桃緊貼在RPH-1上（通過RPH-ADP將反射探頭固定在RPH-1上，反射探頭支架表面距離樣本約1 cm），光譜采集部位為獼猴桃赤道位置，5次采集的平均值作為該樣本的數據，光譜采集由軟件OceanView（Ocean Optics，Copyright 2013）控制完成。

1.3.2 糖度的測定

試驗采用數字手持袖珍折射儀測定獼猴桃糖度值，折射儀的測量范圍：0.0～85%，測量精確度：±0.2%。先將獼猴桃榨汁后再離心（離心機的轉速為3000r/min，離心時間為5 min），再將獼猴桃汁涂抹在折光棱鏡的鏡面上，連續按測量鍵按鈕多次，當最后液晶顯示屏3次顯示值一致時記錄該值。

1.3.3 光譜處理及模型評價

1.3.3.1 光譜預處理及特征波長提取

試驗采用一階導數（first-order derivative，D1st）、標準正態變換（standard normal variation，SNV）和多元散射校正（multi-scatter malibration，MSC）對原始光譜進行預處理。應用競爭性自適應重加權算法（competitive adaptive reweighted sampling，CARS）選取特征波長，該算法的核心是利用自適應重加權采樣技術和指數衰減函數篩選出每次循環所建偏最小二乘（partial least square，PLS）模型中回歸系數絕對值大的變量點，利用五折交叉驗證提取出n個PLS子集模型中交叉驗證均方根誤差（root mean squares errors for cross validation，RMSECV）最小的子集，然后將其確定為最優的變量子集[20]。光譜預處理及特征波長的選取在MATLAB R2016b軟件中執行。

1.3.3.2 建模方法及模型評價方法

試驗采用誤差反向傳播（error back propagation，BP）網絡分別構建了基于全光譜和特征光譜的獼猴桃糖度預測模型，BP網絡模型是當前使用很廣泛的人工神經網絡模型之一[21]。

將校正集決定系數（RC2）及其均方根誤差（root mean squares errors for calibration，RMSEC），預測集的決定系數（RP2）及其均方根誤差（root mean squares errors for prediction，RMSEP），剩余預測偏差（residual predictive deviation，RPD）作為模型性能的評價指標。通常一個好的預測模型具有較大的RC2、RP2和RPD值，以及較小的RMSEC和RMSEP值。RPD值位于1.5到2之間意味著模型的預測性能較差，RPD值位于2到2.5之間表明模型可以粗略地完成定量預測，當RPD值位于2.5到3之間甚至大于3時說明模型具有非常好的預測性能[22]。

式中：nC和nP為校正集和預測集中的樣本數；yact和ymean為樣本糖度實測值和平均值；ycal和ypre為校正集和預測集中樣本糖度預測值；SD為預測集中樣本實測值的標準偏差。

2 結果與分析

2.1 反射光譜及預處理

由于原始光譜的首末兩頭含有較多的噪聲，因此剔除前10個和后10個波段，選擇波段206.33 nm～999.06 nm為有效光譜區域，此區域共有1 024個波段。獼猴桃的原始反射光譜（a）以及經過SNV（b）、MSC（c）和D1st（d）預處理后的相對反射光譜見圖2。

從圖2可以看出，在波長675 nm附近的吸收峰是由表面葉綠素的吸收而產生的，反映了獼猴桃表面的顏色信息，波長980 nm相近的吸收峰則是由水分的吸收而產生的，體現了獼猴桃的水分含量信息。

圖2 獼猴桃的反射光譜Fig.2 Reflectance spectra of kiwifruits

2.2 獼猴桃糖度統計分析

不同成熟期獼猴桃糖度的統計數據見表1。

表1 不同成熟期獼猴桃糖度統計數據Table 1 Statistics data of sugar content of different maturity of kiwifruits

表1表明，獼猴桃的糖度隨著其逐漸成熟而增大。在構建回歸預測模型之前，需要基于采集的光譜數據和測定的糖度將所有獼猴桃樣本劃分為校正樣本集和預測樣本集，校正集中糖度的范圍要比預測集的范圍寬是劃分樣本集的評判標準。研究采用基于聯合x-y距離的樣本集劃分法（sample set partitioning based on joint x-y distances，SPXY）[23]將200個獼猴桃按照3∶1的比例劃分為校正集（150個）和預測集（50個）。

校正集和預測集中獼猴桃糖度的統計數據見表2。

從表2可見，校正集中獼猴桃糖度的范圍要比預測集中的范圍寬，這樣劃分的樣本集有利于構建預測性能較好的模型。

表2 校正集和預測集中獼猴桃糖度統計數據Table 2 Statistics data of sugar content of kiwifruits in calibration and prediction set

2.3 特征波長提取

利用CARS選取特征波長時，其蒙特卡洛采樣次數設定為50次，利用五折交叉驗證方法計算所構建PLS模型的RMSECV?；贑ARS從全波段中選取特征波長的結果見圖3。

圖3 基于CARS算法從全波段中提取特征波長的結果Fig.3 Characteristic wavelengths selection from full spectra by CARS algorithm

從圖3（b）可以看出第29次采樣獲得的RMSECV值最小，包含29個特征波長（占總波長量的2.8%），圖3（d）給出了選取的特征波長分布情況，主要位于207.97 nm～390.45 nm，以及810.60 nm～959.22 nm之間。

2.4 BP網絡建模結果

分別將全光譜（full spectra，FS）和CARS提取的特征光譜作為BP網絡模型的自變量，校正集和預測集中獼猴桃糖度實測值作為因變量，構建不同成熟度獼猴桃糖度預測模型。不同預測模型對獼猴桃糖度的檢測結果見表3。

表3 不同預測模型對獼猴桃糖度的檢測結果Table 3 Sugar content prediction results of kiwifruits by different prediction model

從表3可以明顯看出，相比于基于全光譜建立的預測模型而言，基于特征光譜構建的預測模型不僅提升了模型的檢測效率（從1 024個全波段中選取了29個特征波長），而且模型的預測性能得到了明顯的提升（RPD值從2.3～2.6之間提高到了2.8～3.3之間），其中SNV-CARS-BP模型的預測性能最優，其預測集決定系數RP2=0.901，均方根誤差RMSEC=0.643%，剩余預測偏差RPD=3.217大于3進一步說明該模型對不同成熟度獼猴桃糖度的預測效果非常好[5]。SNVCARS-BP模型對獼猴桃糖度的預測結果見圖4。

圖4 獼猴桃糖度的預測結果Fig.4 Prediction results of sugar content of kiwifruits

3 結論

本研究以不同成熟期“貴長”獼猴桃為研究對象，利用紫外/可見光譜采集系統采集了校正集和預測集中樣本的反射光譜。為了提升預測模型的精確度和穩定性，比較分析3種光譜預處理方法（D1st、MSC、SNV）對光譜的預處理效果，得出SNV預處理效果最優；為解決在水果品質無損檢測中應用的光譜技術存在數據量冗余的問題，應用競爭性自適應重加權算法對預處理后的光譜數據進行降維，從1 024個全波段中選取了29個特征波長作為特征光譜，提升了預測模型的檢測效率；基于全光譜和特征光譜分別構建預測獼猴桃糖度的BP網絡模型，得出構建的SNV-CARS-BP模型最優，該模型對不同成熟度獼猴桃糖度的無損檢測具有非常好的預測性能，其預測集決定系數R2P=0.901，均方根誤差RMSEP=0.643%，剩余預測偏差RPD=3.217。研究表明基于紫外/可見光譜技術以及BP網絡建立的預測模型可快速無損預測獼猴桃的糖度，為開發獼猴桃糖度的無損檢測裝備奠定一定的理論基礎。