戈永慧,宋進,潘磊慶,屠康*

(1.南京農(nóng)業(yè)大學食品科學技術學院,江蘇 南京 210095;2.南京農(nóng)業(yè)大學工學院,江蘇 南京 210031)

獼猴桃(ActinidiachinensisPlanch)是獼猴桃科(Actinidiaceae)獼猴桃屬(Actinidia)的多年生落葉藤本植物,具有獨特的風味、較高的營養(yǎng)價值和保健價值,深受消費者的喜愛[1]。獼猴桃是典型的呼吸躍變型果實,采后不耐儲,在常溫下貯藏成熟和衰老很快,而且極易腐爛,因此,低溫是延長獼猴桃貯藏期的有效方法。但獼猴桃屬于冷敏性水果,長時間低溫條件極易導致果實發(fā)生冷害,并且冷害癥狀先從組織內(nèi)部開始,只有在轉移到常溫銷售條件下才會急劇表現(xiàn)出來,此時的損失已無法挽回[2-4]。

獼猴桃果實冷害癥狀主要表現(xiàn)為表皮發(fā)黑、凹陷,皮下組織木質(zhì)化和褐變,果肉呈水浸狀和果心發(fā)硬等,冷害導致獼猴桃的品質(zhì)下降,影響果實的銷售[5-6]。我國是世界上最大的獼猴桃生產(chǎn)國,近年來,隨著獼猴桃貯藏量和貯藏時間的增加,低溫造成的冷害損失也日趨嚴重,尤其是中華系獼猴桃‘紅陽’最為明顯,0 ℃下貯藏3個月后冷害發(fā)病率達80%以上[7-8]。因此,需要尋找一種全面、準確、快速檢測獼猴桃冷害和判別冷害程度的方法,實現(xiàn)對獼猴桃果實冷害不同階段的檢測。

Suo等[9]將獼猴桃切片、削皮后觀察皮下和果實內(nèi)部的冷害癥狀,將冷害劃分為5個等級,但這種檢測方法破壞了獼猴桃的自身結構,檢測后的獼猴桃不能用于整果銷售。高光譜成像技術基于傳統(tǒng)的成像技術和光譜技術,具有簡便、快速、無損、準確等優(yōu)點,通過一次連續(xù)掃描,可以同時對樣品內(nèi)、外部進行無損檢測[10-13]。與近紅外技術相比,高光譜技術的測量區(qū)域為樣品的整體,而不是局部區(qū)域,采集的光譜信息更具有代表性,而且高光譜技術可以同時獲取被檢測物體的空間信息和光譜信息,具有“圖譜合一”的特點,具有更廣泛的應用前景[14]。

關于高光譜成像技術檢測農(nóng)產(chǎn)品冷害已有相關報道。Pan等[15]基于人工神經(jīng)網(wǎng)絡模型(ANN)建立了桃冷害的檢測模型,正常和冷藏樣本的冷害分類準確率可達95.8%;Cen等[16]基于高光譜成像系統(tǒng)對黃瓜的冷害檢測結果顯示,正常黃瓜與冷害黃瓜之間的光譜圖像差異很難被觀察到,光譜信息更適用于樣品內(nèi)部的冷害檢測;Wang等[17]利用近紅外(NIR)光譜技術對不同冷害程度的中華獼猴桃‘Zesy002’的研究結果表明,獼猴桃冷害與光學特性存在相關關聯(lián)機制,證明光學技術可以實現(xiàn)獼猴桃冷害的檢測。但基于高光譜成像技術檢測獼猴桃冷害的研究鮮有報道。本研究選取‘紅陽’獼猴桃為研究對象,采用高光譜技術采集400～1 000 nm和1 000～2 000 nm波長范圍光譜信息,通過變換建模方法,優(yōu)化預處理方式以及篩選特征波長,建立獼猴桃果實不同冷害階段的分級模型,旨在為獼猴桃采后貯藏過程中的冷害提供一種無損甄別方式。

1 材料與方法

1.1 材料與設備

供試材料為八成熟的‘紅陽’獼猴桃,購于南京眾彩物流有限公司。

CTHI-250B型恒溫恒濕箱購于施都凱設備公司;可見-近紅外高光譜成像系統(tǒng):ImSpector V10E成像光譜儀購于芬蘭Specim公司;ICLB1620CCD攝像機購于美國Imperx公司;IT3900ER 150W鹵素光源購于美國Illumination Technologies公司;Spectra Image取像軟件、HIS Analyzer分析軟件購于五鈴光學股份有限公司。短波紅外高光譜成像系統(tǒng):ImSpector N25E成像光譜儀購于芬蘭Specim公司;Raptor EM285CL攝像機購于英國Raptor Photonics公司;IRCP0076-ICOMB001移動平臺、Spectra Image取像軟件、HIS Analyzer分析軟件均購于五鈴光學股份有限公司。

1.2 試驗方法

1.2.1 試驗樣本的處理挑選果面無缺陷且大小均勻、一致的果實,放入相對濕度為(90±5)%、溫度為0 ℃的冷庫貯藏,每隔1周取樣,置于25 ℃、相對濕度(90±5)%貨架3 d[9],進行高光譜反射圖像的采集。采集圖像后削皮進行獼猴桃冷害等級的判別,通過觀察皮下果肉木質(zhì)化、水浸狀、褐變等冷害癥狀的面積,結合獼猴桃出庫后的商業(yè)價值,將冷害分為4個等級,冷害等級的判別參考Yang等[18]的研究結果并加以改進,判別標準如下:0級為正常(未發(fā)生冷害);1級為極輕(0<可見病癥≤1/4),不影響果實銷售,仍具有商業(yè)價值;2級為較輕(1/4<可見病癥≤1/2),失去部分商業(yè)價值,影響果實銷售;3級為嚴重(1/2≤可見病癥),不可食用,徹底失去商業(yè)價值。剔除異形、破損等樣品后,共有獼猴桃樣品208個,每個冷害等級的樣本各52個。

1.2.2 高光譜圖像的采集采用線掃描采集每個樣品正、反兩面的高光譜反射圖像,相機鏡頭和光源分別距樣本30.0和24.0 cm。為了減少陰影面積,2個光源分別固定于樣品斜上方45°的位置?？梢?近紅外高光譜成像系統(tǒng)有效范圍為400～1 000 nm的440個波長,光譜分辨率為2.8 nm,設置光源強度60 W,曝光時間3 ms,平臺移動速率6.2 mm·s-1。短波紅外高光譜成像系統(tǒng)的有效范圍為1 000～2 000 nm的144個波長,光譜分辨率為6.2 nm,光源強度設置為255 W,曝光時間3 ms,平臺移動速率為13.78 mm·s-1。

1.2.3 高光譜圖像的校正由于光源強度不均、相機暗電流等會對光譜信息產(chǎn)生影響,因此需要進行黑白板校正以消除冗余信息。使用聚四氟乙烯標準校正白板(反射率為99.99%)獲取全白反射圖像,蓋上相機的不透明鏡頭蓋獲取全黑反射圖像,由公式計算得到校正后的相對反射圖像。高光譜圖像校正公式如下:

R=(R0-B)/(W-B)。

式中:R為校正后的高光譜圖像;R0為原始圖像;B為全黑反射圖像;W為全白反射圖像。

1.3 數(shù)據(jù)處理

1.3.1 光譜特征信息提取使用MatlabR2010b軟件提取光譜數(shù)據(jù)并分析。分別選用獼猴桃整果在689和1 494 nm波長處的灰度圖像為掩膜特征圖像,進行二值化閾值分割和背景去除,因為在這2個波長下圖像中背景與樣本的光譜相對反射值差值最大[19-20]。統(tǒng)計樣本總的像素點數(shù)量和有效光譜值總和,提取每個樣本的平均光譜值,經(jīng)歸一化得到相對反射率,再計算同一樣本正、反兩面的平均光譜用于后續(xù)數(shù)據(jù)處理和分析。

1.3.2 光譜預處理方法選擇由于光譜包含了噪聲、背景顏色、吸收峰重疊以及基線漂移等一些無用的信息,為提取更有效的光譜信息和提高模型的檢測精度和穩(wěn)定性,需要對光譜信息進行預處理來削弱或消除無用信息對光譜信息的影響。本研究采用的預處理方法有自動標準化(Autoscale)、變量標準化(standard normalized variate,SNV)、多元散射校正(multiplicative scatter correction,MSC)和一階導數(shù)(the first derivative,1-st),比較不同預處理方法對模型的影響。

1.3.3 光譜特征波長篩選由于高光譜數(shù)據(jù)量龐大,選擇特征波長有利于降低計算負擔,對于簡化模型非常重要。本研究采用連續(xù)投影算法(SPA)、競爭性自適應重加權算法(CARS)進行特征波長的選擇,比較不同特征波段篩選算法的建模結果。

1.3.4 模型的建立與評估基于主成分分析(principle component analysis,PCA)構建不同冷害等級獼猴桃的主成分模型,基于偏最小二乘判別分析(partial least squares-discriminant analysis,PLS-DA)和支持向量機(support vector machine,SVM)優(yōu)化模型,分別建立400～1 000 nm和1 000～2 000 nm全波段范圍和特征波段范圍獼猴桃冷害等級的判別模型,通過建模集和預測集的判別正確率對模型進行評價。

2 結果與分析

2.1 獼猴桃冷害程度與光譜值的變化

不同冷害等級的‘紅陽’獼猴桃的皮下果肉組織的冷害癥狀如圖1所示,‘紅陽’獼猴桃冷害癥狀主要表現(xiàn)為皮下組織木質(zhì)化和褐變、果實內(nèi)部呈水浸狀,皮下組織木質(zhì)化和褐變的面積隨著冷害程度的加劇逐漸增大,獼猴桃內(nèi)部水浸化呈由內(nèi)向外擴散的趨勢,這與索江濤[8]的研究結果相一致。

圖1 不同冷害等級的‘紅陽’獼猴桃的皮下果肉組織的冷害癥狀

如圖2所示:在400～1 000 nm、1 000～2 000 nm波長下,不同冷害程度獼猴桃的平均光譜的總體趨勢是相似的,正常樣品的相對反射率高于冷害樣品,冷害等級越高,相對反射率越低,這可能是由于冷害過程中獼猴桃果實中的成分發(fā)生了變化[9],樣本的組織塌陷、色素受損造成光反射減少,從而導致相對反射率隨冷害程度加劇而降低。研究表明,在500～700 nm波段下,相對反射值的大小與水果蔬菜中葉綠素、類胡蘿卜素、花青素的含量有關[21]。在540 nm處存在的峰主要與獼猴桃中的花青素有關,在630 nm處的寬峰和660 nm處波谷,與獼猴桃中的葉綠素有關,且花青素、葉綠素的含量越高,其相對反射率越高[22]。在770、970 nm和1 450、1 900 nm處均有明顯的水分吸收谷,來源于水分子O—H鍵的伸縮振動,與水分子的結構有關[23-24]。在837～876 nm存在碳水化合物的吸收帶,1 786 和1 190 nm附近處的吸收谷源于碳水化合物中碳氫鍵(C—H)的強烈振動[19]。

圖2 不同冷害程度的獼猴桃反射光譜信息

2.2 獼猴桃冷害的主成分分析(PCA)

由圖3-a可見:在400～1 000 nm波段下,PC1和PC2涵蓋了約90%的光譜數(shù)據(jù)信息,4組樣本存在聚類現(xiàn)象,未發(fā)生冷害(0級)與發(fā)生冷害(1、2、3級)之間有良好的區(qū)分,但冷害等級0、1、2級之間有少量樣本重合。由圖3-b可見:在1 000～2 000 nm波段下,PC1和PC2包括約94%的光譜數(shù)據(jù)信息,不同冷害等級的樣本在一定程度上可以區(qū)分開,但相鄰冷害等級的獼猴桃分布存在一定數(shù)量的交叉。因此,為了實現(xiàn)對獼猴桃冷害等級準確的定性分析,需要進一步分析并建立獼猴桃冷害的預測模型。

圖3 不同冷害程度的獼猴桃在400～1 000 nm(a)和1 000～2 000 nm(b)波長范圍的主成分得分散點圖

2.3 基于預處理的冷害等級分類

根據(jù)含量梯度法[25],對4個冷害等級的208個樣本以3∶1的比例進行建模集和預測集的劃分(建模集∶預測集=156∶52),經(jīng)自動標準化(Autoscale)、變量標準化(SNV)、多元散射校正(MSC)、一階導數(shù)算法對原始光譜進行預處理,建立400～1 000 nm和1 000～2 000 nm波長的偏最小二乘判別分析(PLS-DA)和支持向量機(SVM)模型,以建模集正確率和預測集正確率選擇最優(yōu)建模方式。

由表1可知:對于PLS-DA模型,Autoscale建模集、預測集的正確率均高于其他預處理方法,預處理結果最優(yōu)。SNV-SVM模型建模集正確率高于其他預處理,但預測集正確率最低,因而不適于作為SVM模型最恰當?shù)念A處理方式;而Autoscale-SVM建模集和預測集正確率均達到90%以上,建模集正確率僅次于SNV-SVM,表明Autoscale為SVM模型的最佳預處理方法。綜合以上2種建模方法結果,Autoscale-SVM模型建模集正確率高于Autoscale-PLS-DA,因此,在400～1 000 nm波段范圍采用Autoscale預處理后建立的SVM模型最優(yōu)。

表1 基于400～1 000 nm波長范圍對不同預處理方法下獼猴桃冷害模型的比較

由表2可知:不同預處理方式的SVM模型建模集和預測集的正確率均高于PLS-DA。對于SVM模型,經(jīng)Autoscale預處理后預測集正確率比原始光譜高7.7%,表明Autoscale提升了模型預測準確率和建模效果,這與Huang等[26]的研究結果一致;而經(jīng)SNV、一階導數(shù)、MSC預處理的模型正確率較低,可能是由于不恰當?shù)念A處理方式會放大原始光譜中的噪聲與干擾信息,導致模型準確率下降[27]。因此,基于Autoscale-SVM模型可以更好地判別不同冷害程度的獼猴桃(1 000～2 000 nm)。

表2 基于1 000～2 000 nm波長范圍對不同預處理方法下獼猴桃冷害模型的比較

2.4 基于全波段和特征波段的建模

2.4.1 基于連續(xù)投影算法(SPA)提取特征波長SPA是一種前向選擇特征波段的算法,提取的特征波段共線性小、冗余度低[28]。根據(jù)SPA算法得出的RMSE值大小作為挑選特征變量的依據(jù),在400～1000 nm波段,經(jīng)SPA算法共篩選出的12個特征波長分別為:400、401、412、446、479、504、609、645、729、799、961、1 000 nm。對于1 000～2 000 nm波段下,共篩選出4個特征波長,分別為:1 442、1 479、1 538、1 943 nm。

2.4.2 基于競爭性自適應重加權算法(CARS)提取特征波長CARS算法由多次重復篩選得到一系列的波長變量子集,得到的最優(yōu)特征波長組合交叉驗證均方根誤差(RMSECV)最小[29]。圖4為400～1 000 nm波段下,CARS算法篩選特征變量過程,蒙特卡羅采樣次數(shù)為50,在第28次采樣時,RMSECV最小,說明在前27次采樣中剔除了與冷害無關的波長變量,而在后22次采樣中可能剔除了與冷害相關的關鍵變量[30],RMSECV最小時得到的14個特征波長分別為:400、653、689、719、767、831、853、888、890、891、934、954、960、980 nm。1 000～2 000 nm波段下CARS算法篩選特征變量過程如圖5所示,在第32次采樣時,RMSECV最小,得到10個特征波長分別為:1 466、1 479、1 509、1 538、1 553、1 575、1 626、1 634、1 964、1 985 nm。

圖4 400～1 000 nm波段下CARS算法變量篩選流程

圖5 1 000～2 000 nm波段下CARS算法變量篩選流程

2.4.3 模型的建立與評估對預處理后的光譜信息,基于SVM模型分別建立全波段和SPA、CARS篩選特征波段的獼猴桃冷害檢測的判別模型,結果見表3。

表3 基SVM算法的獼猴桃冷害全波長范圍和特征波長預測模型

在400～1 000 nm波長范圍,基于SPA算法特征波長預測模型的建模集、預測集正確率分別達100%和94.2%,建模集正確率高于全波長和CARS特征波長模型,預測集正確率與CARS-SVM模型相等,并且比全波長模型高3.8%,因此,基于SPA算法建立的獼猴桃冷害分級模型效果最優(yōu)。在1 000～2 000 nm波長范圍,SPA-SVM模型具有最低的建模集正確率,可能是由于SPA算法篩選特征波長時,僅保留了4個特征波長,導致模型精度下降。CARS-SVM模型的建模集和預測集正確率分別為92.3%和86.5%,對徹底失去商業(yè)價值的獼猴桃(3級)預測判別準確率達100%,比全波長模型的預測結果更好、運行速度更快。因此,基于CARS特征波長建立的模型預測效果優(yōu)于全波長和SPA-SVM模型。

在400～1 000 nm波長范圍SPA-SVM模型為獼猴桃冷害的最佳分級模型,建模集正確率、預測集正確率分別達100%、94.2%,未發(fā)生冷害的獼猴桃識別正確率達100%,具有最佳預測效果。

3 討論與結論

獼猴桃采后冷藏容易誘發(fā)冷害,導致果實損失嚴重,甚至失去商業(yè)價值。在已有的研究中,獼猴桃冷害的無損檢測大都基于近紅外技術,Wang等[31]基于可見近紅外光譜(500～1 000 nm)和雙激光系統(tǒng)(730和850 nm)將獼猴桃冷害分為3個等級,建立的判別模型的正確率分別為88.5%和85.2%,而本文采用高光譜技術,建立的SPA-SVM模型(400～1 000 nm)預測集正確率為94.2%,說明在400～1 000 nm波長范圍,基于高光譜成像技術建立的SPA-SVM模型具有一定的優(yōu)越性。

本研究PCA結果表明,發(fā)生冷害與未發(fā)生冷害的獼猴桃之間有良好的區(qū)分,但相鄰等級獼猴桃樣本間存在少量重疊。Autoscale對原始光譜進行預處理可以提高模型的正確率,使用Autoscale構建的 PLS-DA 和SVM模型相對于其他預處理方式的建模效果更好,Autoscale-SVM模型在2個波長范圍都優(yōu)于Autoscale-PLS-DA模型,相對于PLS-DA來說,SVM算法的建模向量之間關聯(lián)程度較小,對于解決非線性識別表現(xiàn)出更高的優(yōu)越性[32]。

通過比較特征波長選擇方式可以對模型進一步優(yōu)化,有利于提高模型的正確率和運行速度。本研究在400～1 000 nm波長范圍基于SPA算法篩選了12個特征波長,其中504、609、645 nm位于葉綠素、花青素、類胡蘿卜素的吸收帶500～700 nm附近,799和961 nm分別接近于水分的吸收谷770、970 nm。SPA-SVM 建模結果優(yōu)于全波長,建模集、預測集正確率可達100%和94.2%,未發(fā)生冷害(0級)的獼猴桃識別正確率達100%。在1 000～2 000 nm波長范圍基于CARS算法篩選了10個特征波長,其中1 466、1 964 nm接近于水分的吸收點1 450、1 900 nm,1 479、1 509、1 538 nm位于C—H鍵的第二組合頻1 333～1 538 nm區(qū)域,1 634 nm接近于C—H伸縮振動的一級倍頻吸收峰1 652 nm[33]。CARS-SVM的建模集、預測集正確率分別為92.3%和86.5%,對徹底失去商業(yè)價值的獼猴桃(3級)預測準確率為100%,既保證了模型準確率,又極大地減少了運算量。由于不同波長范圍的獼猴桃冷害模型對應不同的最優(yōu)特征波長選擇方式,因此,每一項建模試驗都有必要進行選擇特征波長的比較,尤其是大數(shù)據(jù)量的檢測。

本文基于高光譜成像技術建立的SPA-SVM(400～1 000 nm)模型對獼猴桃冷害分級具有一定的優(yōu)越性(建模集正確率為100%,預測集正確率為94.2%),對未發(fā)生冷害的獼猴桃識別率達100%,具有較好的建模效果,因此高光譜可以全面、準確、快速檢測獼猴桃冷害程度。本研究為高光譜成像技術預測獼猴桃冷害等級、無損檢測獼猴桃的品質(zhì)提供了理論基礎,但對于模型的實際應用,以及如何將獼猴桃內(nèi)部的冷害與外部信息結合仍需進一步探討,后續(xù)將進行光譜與圖像信息融合研究。