光谱技术对“贵长”猕猴桃表皮颜色的无损检测

尚静，孟庆龙，黄人帅，易继荣，田驰，张艳

光谱技术对“贵长”猕猴桃表皮颜色的无损检测

尚静1a, 1b，孟庆龙1a, 1b，黄人帅1a, 1b，易继荣1a，田驰2，张艳1b

（1.贵阳学院 a.食品与制药工程学院 b.农产品无损检测工程研究中心，贵阳 550005；2.贵阳市花溪区市场监督管理局，贵阳 550005）

水果表皮颜色是判别其品质的主要指标之一，为实现“贵长”猕猴桃表皮颜色（*，*，*）的快速无损检测。利用光纤光谱仪获得不同成熟阶段“贵长”猕猴桃的光谱反射率；分别运用竞争性自适应重加权算法（CARS）和连续投影算法（SPA）对标准正态变换（SNV）预处理后的全光谱进行降维，进而基于提取的特征变量和测得的表皮颜色值构建猕猴桃表皮颜色多元线性回归（MLR）无损检测模型。对于预测猕猴桃表皮颜色（*、*、*），采用CARS从1024个全光谱中分别提取了48、48和26个特征变量；相对于构建的SPA-MLR模型，CARS-MLR无损检测模型具有相对较好的校正性能（*，C=0.91，RMESC=0.96；*，C=0.94，RMESC=0.44；*，C=0.92，RMESC=1.08）和预测性能（*，P=0.88，RMESP=1.13；*，P=0.90，RMESP=0.57；*，P=0.90，RMESP=1.15）。基于光谱技术结合多元线性回归预测“贵长”猕猴桃表皮颜色可行。

光谱技术；“贵长”猕猴桃；多元线性回归；无损检测

“贵长”猕猴桃产自贵州省贵阳市修文县，因其果肉细嫩且多浆、果汁酸甜爽口，受到大量消费者的青睐[1]。通常水果的表皮颜色是判别其品质的主要指标之一[2]，水果表皮颜色的传统检测方法有专业人员借助比色卡判别，利用分光光度仪检测。由于这些方法具有人工判别误差较大，利用分光光度仪很难实现大规模检测等缺点，因此开展猕猴桃表皮颜色的快速无损检测对于指导其采后分级与销售具有重要的意义。近几年，基于光谱技术的检测技术拥有不破坏检测对象、检测速度快、无污染等诸多优势，受到国内外广大科研学者的关注，已被普遍地应用于水果品质的快速无损检测[3-8]。目前，已研究了关于苹果[9-10]、香蕉[11]、猕猴桃[5,12-13]、李子[14]、梨[15-16]以及蓝莓[17]等品质的无损检测。对于“贵长”猕猴桃表皮颜色的快速无损检测却鲜有报道。

文中利用光纤光谱仪获得不同成熟阶段“贵长”猕猴桃的光谱反射率，然后分别运用竞争性自适应重加权算法和连续投影算法对标准正态变换预处理后的全光谱反射率进行降维处理，最后基于提取的特征变量和测得表皮颜色值（*、*、*）构建“贵长”猕猴桃表皮颜色的多元线性回归无损检测模型。

1 实验

1.1 材料

“贵长”猕猴桃于2019年9月至10月采摘于贵州省修文县龙关口猕猴桃果园，为增大预测模型的检测范围，分4批次（第1批：2019年9月17日；第2批：2019年9月28日；第3批：2019年10月7日；第4批：2019年10月19日）随机从不同的果树上共采摘200个（每批次分别采摘50个）不同成熟阶段的完好无损的样本。将样本采摘后马上送到实验室，用软纸轻轻地擦掉样本表面的灰尘，对其依次编号后，在室温(22±2)℃条件下进行实验。

1.2 仪器

主要仪器：QEPro光纤光谱仪，蔚海光学仪器（上海）有限公司，光谱仪的主要参数详见文献[5]；Ci7800台式分光光度仪，爱色丽（上海）色彩仪器商贸有限公司。

1.3 光谱反射率采集

将待测样本紧紧地挨着反射探头支架表面，反射探头距离待测样本表面约1 cm，光谱反射率采集的位置位于样本赤道附近，将5次获得的反射率平均值作为猕猴桃样本的原始光谱反射率。

1.4 表皮颜色的测量

采集猕猴桃样本的原始光谱反射率后，采用台式分光光度仪测量猕猴桃样本的表皮颜色值（*，*，*），分光光度仪孔径板的直径为10 mm，测量部位均为猕猴桃样本赤道位置（与光谱采集位置相同），将猕猴桃样本置于观察口，然后慢慢关闭色样架进行测量，在Color IQC软件中保存数据。

1.5 建模方法

1.5.1 光谱数据降维方法

运用竞争性自适应重加权算法（Competitive adaptive reweighted sampling，CARS）和连续投影算法（Successive projection algorithm，SPA）对光谱数据进行降维处理。CARS和SPA算法介绍详见文献[5]。

1.5.2 多元线性回归方法

实验基于提取的特征变量和测得的表皮颜色值构建猕猴桃表皮颜色多元线性回归（Multi linear regression，MLR）无损检测模型。当有个自变量（特征变量），即1,2,3, …,X，则自变量与因变量（表皮颜色信息）之间的线性回归方程为：

(1)

假设观察值为{(Y,X1, …,X)，=1, 2, …,}，则多元线性回归检测模型可以写成：

(2)

1.5.3 模型评价方法

将校正样本集和预测样本集的相关系数（C、P），以及校正样本集和预测样本集的均方根误差（RMSEC、RMSEP）作为评价检测模型性能优劣的关键指标[18]。

2 结果与分析

2.1 光谱反射率及预处理

为了消除原始光谱数据中的噪声信号，提升回归预测模型的精确度和稳定性，运用标准正态变换（Standard normal variation，SNV）预处理原始的光谱反射率[19]。图1分别给出了所有猕猴桃样本的原始光谱反射率（见图1a）以及经过SNV（见图1b）预处理后的相对光谱反射率。对比图1a和b可以看出，经过SNV预处理后的光谱曲线要比原始光谱曲线更平滑。

2.2 猕猴桃表皮颜色统计分析

在构建回归预测模型之前，运用光谱-理化值共生距离（Sample set partitioning based on jointdistances，SPXY）样本集划分方法[20]，按照3∶1的比例将所有猕猴桃划分为150个校正样本集和50个预测样本集。猕猴桃表皮颜色值分析结果见表1，可以看出，校正集中猕猴桃表皮颜色值的范围比预测集中的范围宽，这样划分的样本集有助于构建性能较优的回归预测模型。

2.3 光谱数据降维

2.3.1 运用CARS提取特征变量

运用CARS提取特征变量时，根据最小的交叉验证均方根误差（RMSECV）提取最优的特征变量。采样变量数和RMSECV值随采样次数的变化规律见图2和图3。从图2和图3可以观察到，对于预测*、*、*值，第25、25、30次采样获得的RMSECV值最小，最优变量集分别包含48、48、26个特征变量（占总变量的4.7%、4.7%、2.5%）。CARS提取的特征变量见表2。

2.3.2 运用SPA提取特征变量

运用SPA提取特征变量时，通常依据最小的RMSEP值来选取最优的特征变量。RMSEP随模型中包含的有效变量数的变化规律见图4，可见对于预测*、*、*值，RMSEP均随着有效变量数的增加而减小，当有效变量数分别大于13、10、9时，RMSEP减小的趋势不明显，因此将这13、10、9个变量（占总变量的1.3%、0.98%、0.88%）作为特征变量。SPA提取的特征变量见表2。

2.4 基于特征变量的建模结果

分别将CARS和SPA选取的特征变量作为MLR预测模型的自变量，猕猴桃表皮颜色值（*、*、*）作为因变量，构建预测“贵长”猕猴桃表皮颜色无损检测模型。基于特征变量构建的MLR预测模型对猕猴桃表皮颜色的检测结果见表3。从表3可以看出，相较于基于SPA提取的特征变量构建的SPA-MLR预测模型，建立的CARS-MLR预测模型具有相对较大的C和P，以及相对较小的RMSEC和RMSEP，得出该预测模型具有相对较好的校正性能（*：C=0.91，RMESC=0.96；*：C=0.94，RMESC=0.44；*：C=0.92，RMESC=1.08）和预测性能（*：P=0.88，RMESP=1.13；*：P=0.90，RMESP= 0.57；*：P=0.90，RMESP=1.15），其中对于预测*、*、*值，C的值均超过0.9。同时，对于预测*、*、*值，运用CARS从1024个全光谱波段中分别提取了48、48、26个特征变量作为预测模型的输入，大大提高了预测模型的检测效率。以上结果表明，基于特征变量构建的CARS-MLR无损检测模型对预测“贵长”猕猴桃表皮颜色具有相对较好的检测性能。其中，CARS-MLR无损检测模型对于预测“贵长”猕猴桃表皮颜色（*、*、*）的结果见图5。

图1 猕猴桃反射率

表1 猕猴桃表皮颜色值分析结果

Tab.1 Analysis results of color of kiwifruits

图2 采样变量数随采样次数的变化

图3 RMSECV值随采样次数的变化

表2 运用CARS和SPA提取的特征变量

Tab.2 Characteristic variables extracted by CARS and SPA

图4 RMSEP随SPA中有效变量数的变化

表3 基于特征变量构建的多元线性回归模型对猕猴桃表皮颜色的预测结果

Tab.3 Color prediction results of kiwifruits by MLR model based on the characteristic variables

3 结语

以不同成熟阶段的“贵长”猕猴桃为研究对象，利用光纤光谱仪获得了所有猕猴桃样本的光谱反射率，分别运用竞争性自适应重加权算法和连续投影算法从标准正态变换预处理后的相对光谱反射率提取特征变量；对于预测猕猴桃表皮颜色（*、*、*），运用CARS从1024个全波段中分别提取了48、48和26个特征变量，大大提高了预测模型的检测效率。最后，相对于SPA-MLR预测模型，基于特征变量构建的CARS-MLR无损检测模型对“贵长”猕猴桃表皮颜色的无损检测具有相对较好的校正性能（*：C=0.91，RMESC=0.96；*：C=0.94，RMESC= 0.44；*：C=0.92，RMESC=1.08）和预测性能（*：P=0.88，RMESP=1.13；*：P=0.90，RMESP= 0.57；*：P=0.90，RMESP=1.15），为开发“贵长”猕猴桃表皮颜色的快速无损检测装备奠定一定的理论基础。

[1] 王金华, 杜超, 梁晨, 等. 贵长猕猴桃多糖提取工艺及体外抗氧化功能[J]. 食品科学, 2016, 37(20): 19-23.

WANG Jin-hua, DU Chao, LIANG Chen, et al. Extraction and Antioxidant Activity of Polysaccharides from Guichang Kiwifruit[J]. Food Science, 2016, 37(20): 19-23.

[2] 田有文, 吴伟, 卢时铅, 等. 深度学习在水果品质检测与分级分类中的应用[J]. 食品科学, 2021, 42(19): 260-270.

TIAN You-wen, WU Wei, LU Shi-qian, et al. Application of Deep Learning in Fruit Quality Detection and Grading[J]. Food Science, 2021, 42(19): 260-270.

[3] 王芹志, 强锋, 何建国, 等. 基于可见-近红外光谱预测灵武长枣脆度及模型优化[J]. 食品与发酵工业, 2017, 43(3): 205-211.

WANG Qin-zhi, QIANG Feng, HE Jian-guo, et al. The Model of Predicting of the Brittleness of Lingwu Jujube by Visible-near Infrared Spectroscopy and Its Optimization[J]. Food and Fermentation Industries, 2017, 43(3): 205-211.

[4] 孟庆龙, 尚静, 黄人帅, 等. 基于主成分回归的猕猴桃可溶性固形物无损检测[J]. 包装工程, 2021, 42(3): 19-24.

MENG Qing-long, SHANG Jing, HUANG Ren-shuai, et al. Nondestructive Detection for Soluble Solids Content of Kiwifruits Based on Principal Component Regression[J]. Packaging Engineering, 2021, 42(3): 19-24.

[5] 孟庆龙, 尚静, 黄人帅, 等. 基于光纤光谱技术无损检测猕猴桃硬度[J]. 食品与发酵工业, 2020, 46(22): 226-231.

MENG Qing-long, SHANG Jing, HUANG Ren-shuai, et al. Nondestructive Detection for the Firmness of Kiwifruit Based on Optical Fiber Spectroscopy Technology[J]. Food and Fermentation Industries, 2020, 46(22): 226-231.

[6] FAN Shu-xiang, ZHANG Bao-hua, LI Jiang-bo, et al. Prediction of Soluble Solids Content of Apple Using the Combination of Spectra and Textural Features of Hyperspectral Reflectance Imaging Data[J]. Postharvest Biology and Technology, 2016, 121: 51-61.

[7] LI Xiao-li, WEI Yu-zhen, XU Jie, et al. SSC and pH for Sweet Assessment and Maturity Classification of Harvested Cherry Fruit Based on NIR Hyperspectral Imaging Technology[J]. Postharvest Biology and Technology, 2018, 143: 112-118.

[8] ZHANG Dong-yan, XU Lu, WANG Qing-yan, et al. The Optimal Local Model Selection for Robust and Fast Evaluation of Soluble Solid Content in Melon with Thick Peel and Large Size by Vis-NIR Spectroscopy[J]. Food Analytical Methods, 2019, 12(1): 136-147.

[9] 孙炳新, 匡立学, 徐方旭, 等. 苹果脆度的近红外无损检测[J]. 食品与发酵工业, 2013, 39(5): 185-189.

SUN Bing-xin, KUANG Li-xue, XU Fang-xu, et al. Study on Nondestructive Detecting of Apple Crunchiness by near Infrared Spectroscopy[J]. Food and Fermentation Industries, 2013, 39(5): 185-189.

[10] FAN Shu-xiang, LI Jiang-bo, XIA Yu, et al. Long-Term Evaluation of Soluble Solids Content of Apples with Biological Variability by Using Near-Infrared Spectroscopy and Calibration Transfer Method[J]. Postharvest Biology and Technology, 2019, 151: 79-87.

[11] XIE Chuan-qi, CHU Bing-quan, HE Yong. Prediction of Banana Color and Firmness Using a Novel Wavelengths Selection Method of Hyperspectral Imaging[J]. Food Chemistry, 2018, 245: 132-140.

[12] 董金磊, 郭文川. 采后猕猴桃可溶性固形物含量的高光谱无损检测[J]. 食品科学, 2015, 36(16): 101-106.

DONG Jin-lei, GUO Wen-chuan. Nondestructive Detection of Soluble Solid Content of Postharvest Kiwifruits Based on Hyperspectral Imaging Technology[J]. Food Science, 2015, 36(16): 101-106.

[13] HU Wei-hong, SUN Da-wen, BLASCO J. Rapid Monitoring 1-MCP-Induced Modulation of Sugars Accumulation in Ripening 'Hayward' Kiwifruit by Vis/NIR Hyperspectral Imaging[J]. Postharvest Biology and Technology, 2017, 125: 168-180.

[14] LI Bo, COBO-MEDINA M, LECOURT J, et al. Application of Hyperspectral Imaging for Nondestructive Measurement of Plum Quality Attributes[J]. Postharvest Biology and Technology, 2018, 141: 8-15.

[15] 詹白勺, 倪君辉, 李军. 高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定量测定[J]. 光谱学与光谱分析, 2014, 34(10): 2752-2757.

ZHAN Bai-shao, NI Jun-hui, LI Jun. Hyperspectral Technology Combined with CARS Algorithm to Quantitatively Determine the SSC in Korla Fragrant Pear[J]. Spectroscopy and Spectral Analysis, 2014, 34(10): 2752-2757.

[16] YU Xin-jie, LU Huan-da, WU Di. Development of Deep Learning Method for Predicting Firmness and Soluble Solid Content of Postharvest Korla Fragrant Pear Using Vis/NIR Hyperspectral Reflectance Imaging[J]. Postharvest Biology and Technology, 2018, 141: 39-49.

[17] LEIVA-VALENZUELA G A, LU Ren-fu, AGUILERA J M. Prediction of Firmness and Soluble Solids Content of Blueberries Using Hyperspectral Reflectance Imaging[J]. Journal of Food Engineering, 2013, 115(1): 91-98.

[18] NICOLAÏ B M, BEULLENS K, BOBELYN E, et al. Nondestructive Measurement of Fruit and Vegetable Quality by Means of NIR Spectroscopy: A Review[J]. Postharvest Biology and Technology, 2007, 46(2): 99-118.

[19] 倪力军, 张立国. 基础化学计量学及其应用[M]. 上海: 华东理工大学出版社, 2011: 67-68.

NI Li-jun, ZHANG Li-guo. Basic Chemometrics and Its Application[M]. Shanghai: East China University of Science and Technology Press, 2011: 67-68.

[20] GALVÃO R K H, ARAUJO M C U, JOSÉ G E, et al. A Method for Calibration and Validation Subset Partitioning[J]. Talanta, 2005, 67(4): 736-740.

Nondestructive Detection for Color of "Guichang" Kiwifruits by Spectroscopy Technology

SHANG Jing1a,1b, MENG Qing-long1a,1b, HUANG Ren-shuai1a,1b, YI Ji-rong1a, TIAN Chi2, ZHANG Yan1b

(1a.Food and Pharmaceutical Engineering Institute b.Research Center of Nondestructive Testing for Agricultural Products, Guiyang University, Guiyang 550005, China; 2.Market Supervision Bureau of Huaxi District, Guiyang 550005, China)

The work aims to conduct rapid nondestructive detection for the color (*,*,*) of "Guichang" kiwifruits, because the color of fruits is one of the major index to estimate the quality. The fiber-optic spectrometer was used to collect spectral reflectance of "Guichang" kiwifruits at different maturity stages. The competitive adaptive reweighted sampling (CARS) and successive projection algorithm (SPA) were adopted to reduce the dimension of the full spectrum preprocessed by standard normal transform (SNV). Then, the multi linear regression (MLR) model was built up based on selected characteristic variables and the values of the color. 48, 48 and 26 characteristic variables were extracted by CARS from 1024 full wavelengths to predict the color (*,*,*) of kiwifruits. The calibration ability (*,C=0.91, RMESC=0.96;*,C=0.94, RMESC=0.44;*,C=0.92, RMESC=1.08) and prediction ability (*,P=0.88, RMESP=1.13;*,P=0.90, RMESP=0.57;*,P=0.90, RMESP=1.15) of CARS-MLR model were better than SPA-MLR model. Therefore, it is possible to predict the color of “Guichang” kiwifruits based on spectroscopy technology and the multi linear regression.

spectroscopy technology; “Guichang” kiwifruits; multi linear regression; nondestructive detection

TB487；TS255.3

A

1001-3563(2022)05-0076-07

10.19554/j.cnki.1001-3563.2022.05.011

2021-08-08

贵州省基础研究计划（科学技术基金）（黔科合基础[2020]1Y270）；贵州省科技计划（黔科合基础[2019]1010号）；贵州省普通高等学校工程研究中心（黔教合KY字[2016]017）；贵阳市科技局贵阳学院专项资金（GYU-KY-〔2021〕）；大学生创新创业训练计划（S202010976057）

尚静（1988—），女，贵阳学院讲师，主要研究方向为农产品品质无损检测。

孟庆龙（1989—），男，博士，贵阳学院副教授，主要研究方向为农产品品质无损检测；张艳（1977—），女，博士，贵阳学院教授，主要研究方向为农产品品质无损检测。