田 喜，陳立平，王慶艷，李江波，楊 一，樊書祥，黃文倩*

1.中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，北京 100083 2.北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心，北京 100097 3.北京市農(nóng)林科學(xué)院信息技術(shù)研究中心，北京 100097

引 言

蘋果是世界四大水果之一, 當前中國已成為世界最大的蘋果生產(chǎn)國和消費國。隨著我國蘋果消費快速增長，消費者和種植者對蘋果的內(nèi)部品質(zhì)也越來越關(guān)注。糖度是體現(xiàn)蘋果內(nèi)部質(zhì)量的關(guān)鍵因素之一，直接影響了蘋果售價。穩(wěn)定、準確地對蘋果糖度進行無損檢測分級是目前蘋果產(chǎn)業(yè)急需解決的問題。傳統(tǒng)的蘋果糖度測定方法屬于損傷性檢測，效率較低，檢測范圍有限，不適用于蘋果品質(zhì)分級。隨著計算機和光電傳感技術(shù)的發(fā)展，近紅外光譜技術(shù)因無損、快速、準確的優(yōu)勢在水果品質(zhì)檢測分級領(lǐng)域快速發(fā)展和應(yīng)用。

根據(jù)光源和光譜儀之間的位置關(guān)系不同，近紅外無損檢測通?？煞譃槁瓷浜屯干涠N模式[1]。漫反射模式中光源和光譜儀位于同一側(cè)，該模式在水果品質(zhì)檢測中應(yīng)用較早，以靜態(tài)檢測為主。蘋果表面較為光滑，漫反射模式會產(chǎn)生鏡面反射信號，這些無用的鏡面反射信號也會被光譜儀采集，降低水果品質(zhì)的檢測精度，這也是水果在線檢測中漫反射模式研究較少的一個主要原因。另一方面，受光照強度和維管束分布影響，蘋果糖度陽面高于陰面，近果皮處高于內(nèi)部，近萼端部高于近梗端部，所以蘋果屬于內(nèi)部組分分布不均的生物體。然而，漫反射模式只能獲取光照區(qū)域蘋果淺層果肉的光譜信息，無法對整果的綜合品質(zhì)做出有效評價。與漫反射模式不同，透射模式中光譜儀和光源分布在樣本的兩側(cè)，光譜儀可以采集到穿過樣本的光譜信號，這些透射光譜攜帶了水果內(nèi)部深層的組織信息[2]。此外，透射模式也沒有鏡面反射等無用信號的干擾，是水果內(nèi)部品質(zhì)在線檢測高效且極具前景的檢測模式。透射模式也可以細分漫透射和全透射二種方式，漫透射方式可以獲取部分水果內(nèi)部組分信息；劉燕德等采用漫透射方式開發(fā)了水果動態(tài)在線分選設(shè)備，構(gòu)建了不同品種蘋果糖度在線檢測通用模型，證明了漫透射方式在線檢測蘋果內(nèi)部品質(zhì)的可行性[3]。全透射方式中光譜儀和光源呈直線式分布在樣本兩側(cè)，入射光照射水果后，光譜儀獲取整個水果的透射光譜信號，然而全透射方式對光譜儀的靈敏性要求較高，當前研究報道還較少。

尺寸、顏色、紋理、年份、產(chǎn)區(qū)等生物個體差異和環(huán)境溫度、檢測速度、檢測姿態(tài)、檢測位點等系統(tǒng)差異對預(yù)測模型性能均有影響[4]。其中，檢測姿態(tài)直接影響了光譜信號質(zhì)量和預(yù)測模型的穩(wěn)定性。Fan等[5]分析了蘋果三種檢測姿態(tài)的漫透射光譜信號質(zhì)量，發(fā)現(xiàn)果梗-花萼軸豎直向上姿態(tài)獲取的漫透射光譜信號最穩(wěn)定。Xia等[6]基于蘋果六種姿態(tài)獲取的漫反射光譜構(gòu)建了蘋果整果糖度預(yù)測模型，發(fā)現(xiàn)果梗-花萼豎直向上姿態(tài)的整果糖度預(yù)測精度最高。建模算法對預(yù)測模型的預(yù)測能力和適用能力起到了重要影響；劉燕德[3]等融合三個品種蘋果光譜數(shù)據(jù)構(gòu)建了蘋果糖度在線檢測通用模型。Tian等[7]分析了色素對蘋果糖度預(yù)測模型的影響，基于移除色素特征波長后二次挑選的蘋果糖度特征波段構(gòu)建了更穩(wěn)定的糖度預(yù)測模型。Guo等[8]將蘋果表面顏色信息與漫反射光譜數(shù)據(jù)融合，提高了蘋果糖度的預(yù)測精度。此外，光譜信號質(zhì)量直接影響了光譜信噪比。蘋果等水果是類球形生物體，入射光在蘋果表面照射的位點不同，使得光在蘋果內(nèi)部傳輸?shù)墓獬滩煌?，而且蘋果不同組織果實內(nèi)部細胞結(jié)構(gòu)、組成成分和光學(xué)傳輸特性也不相同，這些原因使得光譜儀在不同照射位點獲取的全透射光譜信號強度具有差異性?？傮w而言，構(gòu)建一個預(yù)測精度高、穩(wěn)定性能好的水果糖度檢測模型需要綜合考慮到光譜質(zhì)量、樣本個體差異、檢測系統(tǒng)和建模算法等多種因素[9-12]。

本研究采用課題組自主開發(fā)的短積分全透射近紅外光譜采集系統(tǒng)，基于構(gòu)建的單一姿態(tài)和多姿態(tài)通用的在線檢測模型，分析了檢測姿態(tài)對蘋果糖度預(yù)測精度的影響，并結(jié)合信號強度閾值優(yōu)選方法，篩選了有利于蘋果糖度預(yù)測的全透射光譜，建立了適用于單一姿態(tài)和通用姿態(tài)的蘋果糖度最優(yōu)檢測模型。

1 實驗部分

1.1 樣品

試驗用山東棲霞富士采購于北京岳各莊水果批發(fā)市場，手工挑選無表面缺陷、果型正常、直徑80～90 mm蘋果樣本218個。試驗前放于22 ℃實驗室環(huán)境下24 h，以減少樣本溫度帶來的試驗干擾。

1.2 光譜采集

采用自主研發(fā)的短積分全透射光譜采集系統(tǒng)進行蘋果樣本光譜采集(圖1)，該系統(tǒng)由一個鹵素燈(FUJI, JCR, 150 W, 15 V)、一個光譜儀(光譜范圍615～1 044 nm，光譜間隔0.5 nm)，一個傳送系統(tǒng)、一個光電傳感器和一個計算機組成。光源和光譜儀分別呈直線式分布于樣本兩側(cè)，光譜儀采集樣本全透射光譜信號，以便消除水果鏡面反射干擾。水果傳送通道采用了雙層遮光簾以避免外界環(huán)境光的干擾。采用硬件觸發(fā)光譜儀進行光譜采集，因光電傳感器到光譜儀距離恒定，在勻速運輸條件下，水果遮擋光電傳感器后則可以計算水果傳送到光譜儀所用的時間，光譜儀在延遲固定傳送時間后開始以設(shè)定的積分時間連續(xù)采集透射光譜信號，通過計算蘋果遮擋光電傳感器時間，判斷光譜儀的工作時長，從而避免光譜儀采集到無用信息，提高光譜的有效性。該系統(tǒng)具有積分時間短、信號靈敏度高的優(yōu)勢，可以在水果通過光譜儀時，以極短的積分時間從單個樣本不同位點連續(xù)獲取多條全透射光譜信號。蘋果不同組織果實內(nèi)部結(jié)構(gòu)、組成成分和光學(xué)傳輸特性不同，因此不同位點獲取的透射光譜信號攜帶了不同的組織信息，而短積分模式在增加光譜數(shù)據(jù)處理的靈活性的同時，也有利于局部組織的成分分析。

圖1 短積分全透射光譜采集系統(tǒng)

設(shè)定系統(tǒng)運行參數(shù)如下：傳送皮帶運行速度0.5 m·s-1，光譜儀積分時間5 ms，設(shè)備預(yù)熱30后，分別以如下三個姿態(tài)下采集蘋果全透射光譜數(shù)據(jù)(圖2)：

圖2 不同檢測姿態(tài)的蘋果糖度預(yù)測模型構(gòu)建

姿態(tài)1(T1)：果梗-花萼軸豎直，且垂直運動方向

姿態(tài)2(T2)：果梗-花萼軸水平，且平行運動方向

姿態(tài)3(T3)：果梗-花萼軸水平，且垂直運動方向

1.3 糖度測定

將蘋果切成小塊，用雙層紗布包裹后全部放入壓汁機壓出果汁，搖勻后立即采用糖度計(型號PR-101α; Atago Co., Tokyo, Japan)測量果汁的糖度值。重復(fù)測定三次，取其平均值作為該樣本整果糖度的真實值。

1.4 不同檢測姿態(tài)的通用模型構(gòu)建

偏最小二乘回歸(partial least squares, PLS)是目前基于近紅外光譜分析水果內(nèi)部品質(zhì)中廣泛應(yīng)用的一種建模方法。為了全面評價蘋果檢測姿態(tài)對蘋果整果糖度預(yù)測模型的影響，采用PLS構(gòu)建了單一姿態(tài)局限模型和多姿態(tài)通用模型。

局限模型(Case a)：分別計算單一檢測姿態(tài)獲取的全位點平均透射光譜曲線，采用PLS算法基于單一檢測姿態(tài)校正集平均光譜數(shù)據(jù)構(gòu)建單一姿態(tài)預(yù)測模型，并采用單一姿態(tài)模型分別評價其他姿態(tài)下預(yù)測集樣本的預(yù)測精度；

通用模型(Case b)：合并T1、T2和T3三種檢測姿態(tài)校正集平均光譜數(shù)據(jù)，采用PLS算法構(gòu)建多姿態(tài)通用預(yù)測模型，并采用通用模型分別評價三種姿態(tài)預(yù)測集樣本的預(yù)測精度。

1.5 全透射光譜信號強度優(yōu)選模型構(gòu)建

所用的短積分全透射光譜采集系統(tǒng)可以5 ms積分時間，在蘋果通過光譜儀時，連續(xù)不間斷的從單個蘋果不同位點獲取多條全透射光譜信號。蘋果不同位點入射光的光程不同；蘋果是類球形內(nèi)部組分分布不均勻的生物體，蘋果不同位置果實內(nèi)部細胞結(jié)構(gòu)、組成成分和光學(xué)傳輸特性也不相同，使得光譜儀在蘋果不同位置獲取的全透射光譜信號強度不相同。為了有效的提高短積分全透射光譜的信號質(zhì)量，提升蘋果糖度預(yù)測模型精度，發(fā)揮短積分全透射光譜采集系統(tǒng)信號處理靈活的優(yōu)勢，提出一種基于信號強度優(yōu)選的蘋果整果糖度在線檢測模型優(yōu)化方法。方法要點如下：(1)確定全透射光譜曲線中信號強度最大的波段位置W；(2)確定波段W下信號閾值N；(3)篩選波段W下信號閾值大于N的全透射多位點光譜曲線；(4)計算篩選的多位點光譜曲線平均光譜曲線；(5)采用PLS算法構(gòu)建信號強度閾值為N時的模型預(yù)測；(6)按照設(shè)定步長提高信號強度閾值N，分析蘋果整果糖度預(yù)測精度隨信號強度閾值的變化趨勢，優(yōu)選最優(yōu)預(yù)測模型。當信號強度閾值N大于樣本集中任一樣本在波段W下光譜最大信號時，該樣本沒有可用于建模的光譜數(shù)據(jù)，此時模型終止運行。

1.6 模型預(yù)測精度的客觀性分析

所有218個樣本按照3∶1比例隨機劃分為校正集和預(yù)測集，其中校正集共計162個用于建立預(yù)測模型，預(yù)測集共計52個用于評價預(yù)測模型性能。為了消除樣本隨機分布導(dǎo)致的模型精度不穩(wěn)定問題，便于客觀地評價模型預(yù)測能力，將樣本隨機劃分了20次，并基于每次樣本劃分結(jié)果構(gòu)建預(yù)測模型，最終模型預(yù)測精度用20次建模的平均值和標準偏差表示。

1.7 模型預(yù)測性能評價

所有模型的預(yù)測性能通過校正相關(guān)系數(shù)(correlation coefficient of calibration,Rc)、預(yù)測相關(guān)系數(shù)(correlation coefficient of prediction,Rp)、校正均方根誤差(root mean square error of calibration, RMSEC)、預(yù)測均方根誤差(root mean square error of prediction, RMSEP)、殘差預(yù)測偏差(residual prediction deviation, RPD)來評價。

2 結(jié)果與討論

2.1 糖度統(tǒng)計

蘋果樣本糖度范圍在8.1%～14.6%，平均值為11.49%，標準偏差為1.33%，樣本集覆蓋了足夠大的范圍，這有利于提高所建預(yù)測模型的適用性。

2.2 光譜特征分析

圖3(a—c)分別顯示了蘋果不同檢測姿態(tài)、多位點光譜采集示意圖和單個蘋果獲取的多位點光譜曲線。650～1 000 nm波段范圍內(nèi)光譜數(shù)據(jù)質(zhì)量較好，所以選用這一區(qū)間光譜數(shù)據(jù)用于后續(xù)建模分析。蘋果樣本直徑80～90 mm，運行速度0.5 m·s-1，積分時間5 ms，單個樣本可獲取光譜數(shù)量約30～35條。從圖中可以看出，蘋果通過光譜儀時，不同的檢測姿態(tài)入射光照射在蘋果表面的位點也不相同；然而三種檢測姿態(tài)下全透射光譜曲線的走勢大致相同，在920 nm附近具有最大的光譜信號強度，在850 nm附近存在波谷。圖4為同一蘋果三種不同檢測姿態(tài)的平均光譜曲線，其中T1和T2姿態(tài)平均光譜強度相近，而T3姿態(tài)光譜信號強度最低，這可能是T3姿態(tài)下入射光穿透蘋果的光程最長和蘋果核的阻擋作用導(dǎo)致的。圖5顯示了三種不同檢測姿態(tài)下同一蘋果所有光譜采集位點920 nm波段信號強度的動態(tài)變化，三種檢測姿態(tài)不同位點光譜強度都有由高到低再升高的趨勢，這也反映了光譜儀獲取的蘋果檢測位點是由邊緣到中央再到邊緣的過程。分析光譜的強度變化發(fā)現(xiàn)，T3姿態(tài)下光譜強度變化最劇烈，由邊緣檢測位點的最高值轉(zhuǎn)變?yōu)橹醒霗z測位點的最低值。結(jié)合采集姿態(tài)和采集位點結(jié)構(gòu)示意圖，分析蘋果單果光譜采集的動態(tài)變化發(fā)現(xiàn)，在T1姿態(tài)中，透射光譜主要獲取于蘋果赤道線上，其中中央采集位點光譜是穿透蘋果果核區(qū)域而采集得到，此時穿透蘋果的入射光光程最長，透射光譜的信號強度最低。此外，蘋果果核結(jié)構(gòu)較為堅硬，光在這一區(qū)域的穿透能力較弱，進一步削弱了透射光的信號強度。T2姿態(tài)中，透射光譜主要沿著蘋果果梗-花萼軸獲取，蘋果果核結(jié)構(gòu)始終阻擋著部分入射光的行進。T3姿態(tài)中，透射光譜主要獲取于蘋果的果肩和果梗區(qū)域，其中中央采集位點光譜源于果梗區(qū)域，其信號強度最低，再次證明了T3姿態(tài)下果梗-花萼軸嚴重削弱了果梗區(qū)域位點的全透射光譜強度。

圖3 不同檢測姿態(tài)下蘋果透射光譜采集示意圖

圖4 同一蘋果三種不同檢測姿態(tài)的平均光譜曲線

圖5 不同檢測姿態(tài)下920 nm波段處光譜強度變化

2.3 光譜預(yù)處理分析

由于獲取的原始光譜可能含有無用的背景信息或噪聲，預(yù)處理方法往往可以提高模型的性能。采用21點移動平均平滑(smoothing)、標準正態(tài)變量變換(standard normal variable, SNV)、和多元散射校正(multiplicative scattercorrection, MSC)等不同的預(yù)處理方法對原始光譜數(shù)據(jù)進行了預(yù)處理。

2.4 檢測姿態(tài)對整果糖度預(yù)測影響

表1顯示了基于單一檢測姿態(tài)獲取的全位點平均光譜及預(yù)處理后光譜數(shù)據(jù)集構(gòu)建的蘋果整果糖度預(yù)測模型結(jié)果(局限模型)。比較校正集和預(yù)測集模型參數(shù)發(fā)現(xiàn)，基于原始光譜所構(gòu)建模型出現(xiàn)了過度擬合問題(Rc和Rp相差較大)。比較預(yù)處理前后光譜所建模型發(fā)現(xiàn)，預(yù)處理后光譜所建模型沒有表現(xiàn)處過擬合，且預(yù)測偏差RMSEP和RPD均優(yōu)于原始光譜。Smoothing預(yù)處理方法所建的T1，T2和T3局限模型的RMSEP和RPD分別為0.80%±0.07%和1.45±0.20，0.89%±0.08%和1.36±0.16，0.88%±0.17%和1.42±0.18，預(yù)測性能均優(yōu)于SNV和MSC預(yù)處理方法，且T1姿態(tài)檢測精度優(yōu)于T2和T3姿態(tài)，因此T1姿態(tài)更適用于固定姿態(tài)下蘋果整果糖度品質(zhì)檢測。

表1 不同檢測姿態(tài)局限模型預(yù)測結(jié)果

基于單一姿態(tài)構(gòu)建的局限模型預(yù)測其他檢測姿態(tài)光譜時，其模型預(yù)測精度顯著下降。以T1局限模型為例，預(yù)測集RMSEP和RPD由T1的0.80%±0.07%和1.45±0.20到T2的1.15%±0.13%和1.11±0.13、T3的2.13%±0.33%、0.75±0.06，從預(yù)測結(jié)果可以看出局限模型的魯棒性不夠好，說明不同檢測姿態(tài)獲取的光譜信息存在很大差異，局限模型對光譜檢測姿態(tài)的變化比較敏感，證明了單一姿態(tài)構(gòu)建的局限模型對檢測姿態(tài)具有很大的局限性。然而，對蘋果內(nèi)部品質(zhì)檢測設(shè)備的開發(fā)而言，蘋果屬于易損傷水果，更適用于人工放果或吸盤自動放果的單果托盤式檢測，這種上果方式可以有效的保證姿態(tài)的一致性，也有利于提高蘋果糖度預(yù)測模型的精度。

2.5 不同檢測姿態(tài)通用模型開發(fā)

考慮到實際在線水果檢測時，蘋果固定檢測姿態(tài)對人工要求較高，為此，建立了相對單一姿態(tài)局限模型而言的多姿態(tài)通用模型，分析通用模型下不同檢測姿態(tài)對預(yù)測結(jié)果的影響。表2顯示了通用模型性能，Smoothing預(yù)處理后構(gòu)建的T1、T2和T3姿態(tài)通用模型性能最佳，其RMSEP和RPD分別為0.85%±0.08%和1.23±0.14，0.87%±0.09%和1.27±0.18，0.84%±0.14%和1.48±0.14。與單一姿態(tài)的局限模型相比，通用模型與同一姿態(tài)的局限模型對預(yù)測集樣本的預(yù)測結(jié)果無明顯差別，通用模型T1姿態(tài)(RMSEP=0.85%±0.08%)稍差于局限模型(RMSEP=0.80%±0.07%)，而通用模型T2姿態(tài)(RMSEP=0.87%±0.09%)和T3姿態(tài)(RMSEP=0.84%±0.14%)稍優(yōu)于局限模型(T2：RMSEP=0.89%±0.08%, T3：RMSEP=0.88%±0.17%)。雖然通用模型預(yù)測性能沒有顯著優(yōu)化，但是它對在不同檢測姿態(tài)的預(yù)測集都獲得了準確的結(jié)果。因此，通用模型對檢測姿態(tài)的變化不再敏感，也具有更好的適用性和實用性。

表2 多檢測姿態(tài)通用模型預(yù)測結(jié)果

2.6 不同檢測姿態(tài)信號強度優(yōu)化模型

信號強度越高越能更加詳細地表示預(yù)測精度隨信號強度閾值的變化。三種檢測姿態(tài)全透射光譜信號在920 nm波段強度最大，因此，設(shè)定閾值優(yōu)選波段W為920 nm，設(shè)定起始閾值N=0，步長500。圖6顯示三種檢測姿態(tài)下Smoothing預(yù)處理光譜20次預(yù)測模型平均性能隨著光譜信號閾值變化的動態(tài)曲線。隨著閾值的不斷提高，三種檢測姿態(tài)的蘋果整果糖度預(yù)測偏差RMSEP先降低后升高，RPD先升高后降低。當信號強度閾值為12 500，10 000和9 500時，T1，T2和T3姿態(tài)所建模型RMSEP最低，分別為0.78%，0.88%和0.83%。當信號強度閾值為12 500，10 000和9 000時，T1，T2和T3姿態(tài)所建模型RPD最高，分別為1.73，1.65和1.52。即T1，T2和T3優(yōu)選信號閾值分別為12 500，10 000和9 000～9 500，由圖5可知這些閾值區(qū)域基本分布在蘋果光譜采集的中央位點區(qū)域，說明移除蘋果中央位點區(qū)域獲取的透射光譜可以優(yōu)化預(yù)測模型精度。結(jié)合蘋果結(jié)構(gòu)和不同姿態(tài)下蘋果光譜采集位點示意圖分析，當蘋果被移動通過光譜儀過程中，光譜儀連續(xù)采集蘋果邊緣—中央—邊緣的檢測位點，三種檢測姿態(tài)下不同位點光譜強度由高到低再到高。因此隨著信號強度閾值的不斷提升，蘋果中央位點光譜被逐漸移除，蘋果整果預(yù)測模型精度逐步提升。當信號強度閾值繼續(xù)提高時，被移除的光譜由蘋果中央位點向兩側(cè)邊緣不斷擴展，被移除的光譜范圍越來越廣，透射光譜攜帶的蘋果組織信息越來越少，當越來越少的蘋果兩側(cè)邊緣位點光譜參與蘋果整果糖度模型構(gòu)建時，蘋果整果預(yù)測模型預(yù)測精度逐漸降低。分析不同檢測姿態(tài)下模型預(yù)測精度隨信號閾值變化程度發(fā)現(xiàn)，T3姿態(tài)在閾值9 000之前變化最劇烈，模型提升的效果也最顯著，RMSEP和RPD由初始階段的0.88%和1.57分別提升到0.83%和1.65。T2姿態(tài)在閾值10 000之前均比較穩(wěn)定，這可能與該姿態(tài)獲取的蘋果組分信息較為穩(wěn)定有關(guān)。三種姿態(tài)下中央位點(直徑最大區(qū)域)光譜移除有助于模型精度提高，一方面可能是因為中央位點信號強度弱，增加了噪聲的同時，減小了光譜信噪比，削弱了光譜信號質(zhì)量導(dǎo)致；另一方面也有可能是因為從中央位點獲取的透射光譜穿透了蘋果果核結(jié)構(gòu)，蘋果核主要由籽粒和纖維膜物質(zhì)組成，這些與蘋果糖度預(yù)測無關(guān)的組織信息降低了糖度模型的預(yù)測精度。

圖6 不同檢測姿態(tài)下模型預(yù)測性能隨光譜信號閾值變化動態(tài)曲線

2.7 不同檢測姿態(tài)通用信號強度優(yōu)化模型

以全透射光譜信號強度最高的920 nm波段作為閾值優(yōu)選波段W，設(shè)定起始閾值N=0，步長500。圖7展示了三種不同檢測姿態(tài)Smoothing預(yù)處理光譜合并后構(gòu)建的20次通用信號強度優(yōu)化模型平均性能隨信號強度變化動態(tài)曲線，與單一姿態(tài)構(gòu)建的信號強度優(yōu)化模型變化趨勢相同，通用信號強度優(yōu)化模型性能也隨著信號強度的提升表現(xiàn)出先提升后降低的走勢。然而通用強度優(yōu)化模型中信號強度5 000時，預(yù)測性能達到最優(yōu)，RMSEP和RPD分別為0.84%和1.58，最優(yōu)信號強度閾值顯著低于單一姿態(tài)下的最優(yōu)信號強度閾值。不同姿態(tài)獲取的透射光譜信號強度差異顯著，不同檢測姿態(tài)下光譜采集位點也不相同，通用信號強度優(yōu)化模型的構(gòu)建綜合考慮多種姿態(tài)獲取的光譜信息有效性，刪除了920 nm波段下信號強度小于5 000的無效光譜，提升了通用信號強度優(yōu)化模型的預(yù)測能力和穩(wěn)定性。

圖7 多姿態(tài)通用模型預(yù)測性能隨光譜信號閾值變化動態(tài)曲線

3 結(jié) 論

短積分全透射近紅外在線檢測系統(tǒng)可以用于不同姿態(tài)下蘋果糖度通用模型開發(fā)。本研究采用移動平均平滑、標準正態(tài)變量變換和多元散射校正等預(yù)處理方法有效去除原始光譜的隨機噪聲和基線偏差，減小了樣本檢測姿態(tài)引起的光譜差異。基于全位點平均透射光譜構(gòu)建的單一姿態(tài)局限模型對檢測姿態(tài)具有很大的局限性，而多姿態(tài)通用模型預(yù)測能力較單一檢測姿態(tài)相當，但卻對不同的檢測姿態(tài)具有更強的適用能力?；谛盘枏姸乳撝祪?yōu)選方法的蘋果整果糖度預(yù)測模型進一步優(yōu)化了模型的預(yù)測能力，移除中央位點獲取的透射光譜信號，有利于提高蘋果整果糖度預(yù)測模型精度。不同檢測姿態(tài)獲取的透射光譜信號強度不同，不同檢測姿態(tài)獲取的蘋果組織信息也具有差異性，使得蘋果整果糖度檢測姿態(tài)的最優(yōu)信號強度不同。不同檢測姿態(tài)的通用信號強度優(yōu)化模型綜合考慮多種姿態(tài)獲取的光譜信息有效性，有效提升了通用信號強度優(yōu)化模型的預(yù)測能力和穩(wěn)定性。結(jié)果表明短積分全透射近紅外在線檢測系統(tǒng)用于不同姿態(tài)蘋果糖度預(yù)測是可行的，短積分多位點透射光譜采集模式提高了光譜數(shù)據(jù)處理的靈活性，信號強度閾值優(yōu)選方法提升了光譜信號的質(zhì)量和模型的預(yù)測能力。