利用高光谱影像和化学计量法测定李子可溶性固形物含量和硬度

题目

利用高光谱影像和化学计量法测定李子可溶性固形物含量和硬度

应用关键词

高光谱影像、水果品质、固形物含量、硬度

背景

硬度和可溶性固形物含量（Soluble solids content, SSC）是李子的两个重要内部特性，也是确定李子成熟度和采收期的两个关键指标。目前，高光谱成像技术已被广泛用于水果的SSC和硬度的无损测定。

大部分研究关注于光谱特征变量的选择，以减少数据的冗余。已有研究表明SWIR高光谱可以预测李子的SSC，VNIR高光谱对L*和a*的颜色预测效果较好。然而，两种高光谱成像系统对李子硬度的测定精度较低。Xie等（2018）将高光谱成像技术应用于香蕉的颜色和硬度测定，所建立的偏最小二乘（Partial least squares, PLS）模型在选择波长的基础上，对L*、a*、b*和硬度均有较好的估测精度。

本文的研究目的是：（a）研究基于高光谱成像和化学计量学的李子硬度和SSC无损预测的可行性；（b）利用连续投影算法（Successive projection algorithm (, SPA）和竞争自适应重加权采样（Competitive adaptive reweighted sampling, CARS）方法从全波段中选择特征波长；（c）比较基于全波段和优选特征的硬度和SSC预测模型的性能。

试验设计

贵阳学院张艳教授团队利用GaiaField-F-V10高光谱成像系统（江苏双利合谱公司）（图1）获取了共120个红和绿李子的高光谱影像，并将其校正为反射率图像，其波长范围为390 ~ 1030 nm，共有256个波段。本研究采用一阶导数、多元散射校正MSC和标准正态变量变换SNV的光谱预处理方法去除原始光谱信号中的噪声。

为了减少信息冗余、提高处理效率，因此，本研究采用SPA和CARS来选择最优波段，并应用多元线性回归（Multiple linear regression, MLR）和反向传播（Back propagation, BP）网络建立回归模型。SPA在向量空间中采用简单的投影来选择共线性最小的波长子集。CARS采用偏最小二乘回归模型回归系数的绝对值作为估计每个波段显著性的参数。

图1 VIS-NIR高光谱成像系统原理图

结论

红和绿李子在390 ~ 1030 nm范围内的光谱如图2所示。结果表明，两个品种李子的光谱变化趋势相似，均在675 nm和980 nm处有两个宽带吸收区。675 nm附近的区域反映了叶绿素含量引起的果实颜色变化。980 nm的近红外光谱吸收区域可能来自碳水化合物和水的OH基团的结合作用。

图2 原始光谱 （a），两个品种李子样品的平均光谱（b）

图3为不同贮藏时间李子样品的SSC和硬度。随着贮藏时间的延长，李子的SSC呈上升趋势，而硬度呈下降趋势。所有李子样本基于SPXY方法分为校准集和预测集。校准集的SSC和硬度范围分别为9.05 ~ 19.50%和2.31 ~ 10.64 kg/cm²，比预测集的范围更大。这对于建立稳健的预测模型非常重要。

图3 不同贮藏时间李子样品的SSC（a）和硬度（b）

在选择有效变量和建立预测模型之前，采用一阶导数、MSC和SNV的光谱预处理方法消除原始光谱信号中的噪声。结果表明，采用光谱预处理方法可以提高模型的性能，SNV是最佳的光谱预处理方法。在构建PLSR和PCR模型之前，对潜在变量LV和主成分PC的数量进行了充分交叉验证优化。SSC和硬度的PLSR和PCR模型的性能见表1。SSC模型精度优于硬度模型，这可能与硬度的分布特征有关。对于SSC，PLSR模型的预测精度优于PCR模型，而PCR模型对硬度的预测性能略优于PLSR模型。

图4显示了SPA选择的用于预测SSC和硬度的波长分布。基于有效波长建立的MLR模型和BP模型性能如表2所示。SSC预测模型（R2P大于0.9，RPD大于3.3）的性能优于硬度预测模型（R2P大于0.6，RPD在1.5 ~ 2.0之间）。SPA-BP模型对SSC和硬度的预测精度均优于SPA-MLR模型。

对于CARS，当采样次数为31时RMSECV最小。如图5所示，我们选取了13个用于预测SSC和硬度的变量。在SSC和硬度两方面，CARS-MLR模型的预测精度均优于CARS-BP模型（表2）。其中，CARS-MLR模型对SSC具有较好的预测精度（R2P = 0.926, RMSEP = 0.573%， RPD = 3.728）。

表1 SSC和硬度的PLSR和PCR模型的性能

图4 SPA选择的用于预测SSC（a）和硬度（b）的特征波段分布

表2 基于SPA和CARS选择的特征变量的MLR和BP模型对SSC和硬度的预测性能

图5 CARS选择的用于预测SSC（a）和硬度（b）的特征波段分布

与全波段模型相比，用SPA和CARS选择的变量建立的模型中，CARS-MLR模型对SSC和硬度的预测效果最好。结果表明，CARS不仅是一种有效的变量选择方法，可以提高李子SSC和硬度的预测精度，也可以提高预测模型的工作效率。

作者信息

张艳，博士，贵阳学院食品与制药工程学院教授，硕士生导师。

主要研究方向：基于高光谱成像技术的农产品无损检测研究。

参考文献：

Meng, Q.L., Shang, J., Huang, R.S., & Zhang, Y. （2020）. Determination of soluble solids content and firmness in plum using hyperspectral imaging and chemometric algorithms. Journal of Food Process Engineering, 44, 1-9.

https://doi.org/10.1111/jfpe.13597