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(yáng)”獼猴桃。選取120個(gè)大小相近、表面無損傷和疤痕的獼猴桃樣本并依次編號(hào)，靜置于實(shí)驗(yàn)室24h,等待采集其高光譜圖像并隨后測(cè)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)，可采用廣東賽斯拜克科技有限公司產(chǎn)品SP130進(jìn)行相關(guān)研究。光譜范圍在400-1000nm，波長(zhǎng)分辨率優(yōu)于2.5nm，可達(dá)1200個(gè)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(shí)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(shí)間為13.5ms,樣本平臺(tái)與鏡頭的距離為170mm,電控移動(dòng)平臺(tái)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(cè)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(cè)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(cè)定-折射儀法》,對(duì)每個(gè)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(cè)槽中，讀出該樣本的糖度理化值示數(shù)。每個(gè)樣本以兩次平行測(cè)定結(jié)果的算術(shù)平均值作為該樣本的糖度理化測(cè)量值。

1.5 高光譜數(shù)據(jù)的提取

采用Spec View軟件對(duì)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(gè)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(gè)樣本400～1000 nm波長(zhǎng)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(jì)237個(gè)波長(zhǎng)。

1.6模型評(píng)價(jià)

利用5個(gè)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(cè)集的相關(guān)系數(shù)(Ro)及其均方根誤差(RMSEP)、相對(duì)分析誤差(RPD)來評(píng)價(jià)模型的預(yù)測(cè)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(cè)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(duì)樣本無法實(shí)施預(yù)測(cè)，1.4≤RPD<1.8,模型可對(duì)樣本進(jìn)行粗略預(yù)測(cè)，1.8≤RPD<2.0,模型可對(duì)樣本進(jìn)行較好預(yù)測(cè)，RPD≥2,模型可對(duì)樣本進(jìn)行極好預(yù)測(cè)。

2 結(jié)果與討論

2.1樣本劃分

對(duì)120個(gè)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(gè)校正集樣本、30個(gè)預(yù)測(cè)集樣本，獼猴桃樣本糖度測(cè)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(hào)校正等3種方法對(duì)有效光譜進(jìn)行預(yù)處理，并分別建立對(duì)應(yīng)的ELM預(yù)測(cè)模型，其預(yù)測(cè)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(cè)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(cè)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(cè)模型。DOSC預(yù)處理前的校正集和預(yù)測(cè)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(cè)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(cè)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(shí)為顯著相關(guān)，|r|≥0.8時(shí)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(duì)預(yù)處理后的光譜用IRIV算法提取特征光譜變量時(shí)，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(gè)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(gè)數(shù)迅速減少，變量個(gè)數(shù)從237個(gè)縮減到36個(gè)，隨著特征光譜變量個(gè)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(gè)，在反向消除2個(gè)變量后，最終得到8個(gè)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(duì)預(yù)處理后的光譜用CARS算法提取特征光譜變量時(shí)，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(gè)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(shì)，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(cè)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(shí)，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(shí)采樣運(yùn)行5次，最終提取出49個(gè)特征光譜變量。

3結(jié)論

以“紅陽(yáng)”獼猴桃為研究對(duì)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(duì)獼猴桃糖度進(jìn)行無損檢測(cè)。研究結(jié)果如下：

(1)對(duì)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(cè)結(jié)果，分析不同預(yù)處理方法對(duì)模型預(yù)測(cè)精度的影響，對(duì)比結(jié)果顯示DOSC預(yù)處理效果最好。

(2)對(duì)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(gè)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%。