论文部分内容阅读
摘要：利用近红外光谱（400～1 000 nm）系统采集140个灵武长枣样本的光谱信息，采用不同方法预处理原始光谱数据，优选出最佳预处理方法。分别建立竞争性自适应加权算法（cARs）和连续投影算法（sPA）提取特征变量的果肉硬度偏最小二乘回归（PLsR）预测模型，并利用原始光谱建立灵武长枣贮藏时间的偏最小二乘判别（PLs DA）模型。结果表明，去趋势法（Detrend）为最优预处理方法;建立的Detrend-cARs-PI.SR模型效果较好，果肉平均硬度校正集和预测集模型相关系数均为0.868：果肉最大硬度校正集和预测集模型相关系数分别为0.914、0.849。建立的贮藏时间PLs-DA判别模型的校正集判别准确率为98%，预测集判别准确率为99%。说明，采用近红外光谱技术对灵武长枣贮藏过程中长枣果肉硬度和贮藏时间的快速预测具有可行性。
关键词：
近红外光谱;果肉硬度;贮藏时间
中图分类号：s665.1 文献标识码：A 文章编号：1000 4440（2019）01-0182-07
灵武长枣是宁夏的优势特色果品，其外形独特，色艳个大，鲜脆可口，酸甜适宜，且富含多种矿物质和维生素，倍受消费者的青睐，被誉为“枣中之王”。灵武长枣素以鲜食为主，果肉硬度等质构参数是衡量长枣品质的重要指标。目前，枣果的硬度参数主要采用硬度计或质构仪对枣果进行整果穿刺测试。硬度计测试精度易受外界干扰因素的影响，如测试者用力大小和探头规格及削皮厚度，均会使测试数据产生较大的测量误差。穿刺测试虽能够较好地反映整个果实的流变学特征，但测试已造成枣果破损，使其失去了商品价值，因此研究一种鲜枣果肉硬度的无损快速检测方法意义明显。
近红外光谱技术（NIRS）是现代光谱分析技术、计算机技术和现代化学计量学的高度集合体，是一种多信息融合检测技术，可同时获取样品空间各点的光谱，从而进一步得到空间各点的组成和结构信息。近年来，基于近红外光谱技术的快速无损检测技术的研究与开发受到了国内外学者的广泛关注。闫润等应用近红外光谱技术，通过提取少量特征光谱信息，建立了草莓品质的PLSR-ANN校正模型，实现了草莓品种的快速鉴别。刘燕德等采用可见/近红外漫透射光谱技术，进行了黄桃表面缺陷与可溶性固形物同时在线检测的研究，表面缺陷果的正确判断率为100%，可溶性固形物分选准确率达到93%。NICOLAI等利用近红外漫反射光谱技术在波长800～1690 nm内，采用PLSR法建立的苹果糖含量预测模型预测效果较好。Ma等利用近红外光谱技术建立的苹果可溶性固形物含量的PLSR預测模型取得了较好的预测效果，模型的交叉验证决定系数为0.89，交叉验证的均方根误差为0.05%。但是基于近红外光谱技术针对果品果肉硬度的预测却鲜有报道，有待进一步的深入研究。
本研究拟以宁夏灵武长枣为研究对象，利用近红外光谱仪，采集灵武长枣400-1 000 nm的原始光谱信息。分别选取多种预处理方法，根据PLSR建模效果，优选最佳预处理方法。应用CARS和SPA提取特征变量，分别建立基于全波段和特征波段的PLSR枣果肉平均硬度和最大硬度预测模型，优选最佳预测模型。运用PLS-DA建立灵武长枣贮藏时间的判别模型，为鲜食果品果肉硬度的快速无损检测和贮存期判别提供理论依据。
1材料与方法
1.1测试材料
灵武长枣采摘自宁夏灵武市大泉林场红枣生产基地，去除灰尘后在室温下贮藏。为减少样本个体差异对试验结果的影响，共选出大小形状相似、成熟度一致，无病害、无损伤的140个测试样本，每天从中随机取出20个样本进行光谱和硬度测量，连续测量7d。
1.2.2硬度测量利用TA.XTPlus物性仪及其自带软件Texture Exponent 32，选用P/2n针状探头（直径2 mm），选整枣赤道阴阳两面上的2点，以整果穿刺法进行枣果硬度的测试1。设置测前速度5mm/s，贯人速度1 mm/s，测后速度5 mm/s，最小感知力5 g，穿刺深度5 mm。
1.2.3数据处理分析由于样本的不均匀性，采集到的单个点的光谱信息仅能代表某一点的光谱，不能代表整个样本的信息，若取整个灵武长枣表面的光谱信息的平均值则更能代表整个样本的信息，真实的反应整个样本。本研究拟利用ENVl4.6软件选择恰当的感兴趣区域，提取平均光谱值。采集到的原始光谱中主要包含样本信息，但也可能含有由仪器漂移和光散射导致的系统噪音，为了开发出更精确的光谱模型，需运用预处理方法来校正原始光谱以减少不需要的信息。本研究利用Un-scrambler X10.4软件采用卷积平滑SG、归一化Nor-malize、基线校准Baseline、标准正态变量SNV、去趋势Detrend 5种预处理方法对原始光谱进行预处理。
光谱信息之间存在大量的冗余和共线性信息特征，对光谱有效信息的提取产生较大的干扰，且大量光谱数据会增加数据处理的负担。特征波长提取是通过某种变换，使原始光谱数据从高维空间映射到低维空间，从而实现数据快速降维，并且得到有用的、可靠的数据120]。本研究拟用Matlab2014软件对经预处理后的光谱采用竞争性正自适应加权算法（Competitive adaptive reweighted sampling，CARS）和连续投影算法（sueeessive proiection algorithm，SPA）进行特征波长的选择。
由图2可以看出，随着贮藏时间的延长，果肉平均硬度和最大硬度均逐渐降低，其主要原因可能是酶水解细胞壁多糖，使果胶、纤维素、半纤维素等细胞壁组分发生降解，细胞壁结构解体，胞间连丝消失，细胞趋于分散从而导致果实软化。
2.2灵武长枣硬度预测模型的建立与分析
2.2.1光谱预处理对预测结果的影响
分别选用SG、Normalize、Baseline、SNV、Detrend 5种预处理方法对原始光谱进行预处理，并以预处理后的光谱信息建立了灵武长枣果肉平均硬度和最大硬度的PLSR预测模型，比较研究全波段及不同预处理方法对预测模型的影响，分析结果如表2所示。 SPA是一种向前循环算法，它通过多次迭代选择出冗余信息最少的变量组，能够解决信息重叠、共线性等问题，避免再从大量数据中选择有代表性的数据，极大地调高了模型的效率。设定SPA选取的波长数为5-30，图5是均方根误差与有效波长数的关系，以均方根误差值确定有效特征变量数，由图5a和5b看出，从125个波段中分别筛选出8个和7个特征变量。
2.2.2.2特征波段与全波段PLSR模型比较与分析
表3是特征波段与全波段PLSR模型比较，由表3可以看出，全波段的校正和验证模型的相关系数分别为0.863和0.733：采用CARS法处理后特征波长下果肉平均硬度的校正和验证模型的相关系数均为0.868，果肉最大硬度的校正和验证模型相关系数分别为0.914和0.849。分析可知，采用CARS法提取特征波长后的模型r较高且RMSE和全波段模型相比较低。在特征波长下的光谱具有较低的维数，减小了数据的冗余，有利于实现在线快速检测，因此通过CARS提取特征波长建立的模型优于全波段建立的模型，可用CARS法选取的特征波长替代全波段数据进行建模分析。
2.3灵武长枣贮藏时间判别模型的建立与分析
本研究在全波段范围内，以校正集原始光谱建立灵武长枣贮藏期的PIS-DA判别模型。在建立PIS-DA模型前需要确定最佳主因子数，主因子数初始范圍为1-20，步长为1，交叉验证组数为5，分别建立PLS-DA模型，以校正集判别正确率、交叉验证判别正确率及方差解释率作为评价指标。选取校正集的判别正确率、交叉验证判别正确率及方差解释率最高时所对应的主因子数作为最佳主因子数。校正集判别正确率、交叉验证判别正确率和方差解释率与主因子数的关系见表4所示。由表4可知，主因子数在8～20时，方差解释率均为100%。主因子数为20时校正集判别正确率达到100%，且交叉验证判别正确率达到最大值。当主因子数为15时，校正集判别正确率为98%，交叉验证判别正确率为83%。考虑到主因子数小，更有利于模型的稳定性，因此本试验PIS-DA模型的最佳主因子数最终选取15。
综上，确定最佳主因子数为15，通过105个校正样本训练模型，得到PIS-DA判别模型对灵武长枣贮藏时间的判别率达98%，为了进一步验证所建立的PLS-DA模型，将未参与建模的35个验证集样品的原始光谱代人上述PLS-DA校正模型并计算贮藏时间判别正确率，其判别正确率为99%（1个第1d的样本误判为第7 d）。由此可见，所建模型的可靠性和预测能力较好，可有效鉴别灵武长枣的贮藏时间。
3结论
本研究利用400-1 000 nm的近红外光谱技术对灵武长枣的贮藏时间及贮藏过程中果肉硬度进行无损检测鉴别。通过对比不同预处理方法建模后的效果，优选出最佳预处理方法，对最佳预处理后的光谱进行特征变量提取，并建立了Detrend-CARS—PLSR果肉硬度模型。试验结果表明，基于近红外光谱检测技术的灵武长枣果肉硬度预测是可行的。利用校正集原始光谱采用PLS-DA法建立灵武长枣贮藏时间判别模型，校正和交叉验证判别正确率均达80%以上，经预测集光谱验证后判别正确率达99%，所建模型可靠性和预测能力较好，可有效鉴别灵武长枣的贮藏时间，说明近红外光谱检测技术可有效预测灵武长枣的贮藏时间。
关键词：
近红外光谱;果肉硬度;贮藏时间
中图分类号：s665.1 文献标识码：A 文章编号：1000 4440（2019）01-0182-07
灵武长枣是宁夏的优势特色果品，其外形独特，色艳个大，鲜脆可口，酸甜适宜，且富含多种矿物质和维生素，倍受消费者的青睐，被誉为“枣中之王”。灵武长枣素以鲜食为主，果肉硬度等质构参数是衡量长枣品质的重要指标。目前，枣果的硬度参数主要采用硬度计或质构仪对枣果进行整果穿刺测试。硬度计测试精度易受外界干扰因素的影响，如测试者用力大小和探头规格及削皮厚度，均会使测试数据产生较大的测量误差。穿刺测试虽能够较好地反映整个果实的流变学特征，但测试已造成枣果破损，使其失去了商品价值，因此研究一种鲜枣果肉硬度的无损快速检测方法意义明显。
近红外光谱技术（NIRS）是现代光谱分析技术、计算机技术和现代化学计量学的高度集合体，是一种多信息融合检测技术，可同时获取样品空间各点的光谱，从而进一步得到空间各点的组成和结构信息。近年来，基于近红外光谱技术的快速无损检测技术的研究与开发受到了国内外学者的广泛关注。闫润等应用近红外光谱技术，通过提取少量特征光谱信息，建立了草莓品质的PLSR-ANN校正模型，实现了草莓品种的快速鉴别。刘燕德等采用可见/近红外漫透射光谱技术，进行了黄桃表面缺陷与可溶性固形物同时在线检测的研究，表面缺陷果的正确判断率为100%，可溶性固形物分选准确率达到93%。NICOLAI等利用近红外漫反射光谱技术在波长800～1690 nm内，采用PLSR法建立的苹果糖含量预测模型预测效果较好。Ma等利用近红外光谱技术建立的苹果可溶性固形物含量的PLSR預测模型取得了较好的预测效果，模型的交叉验证决定系数为0.89，交叉验证的均方根误差为0.05%。但是基于近红外光谱技术针对果品果肉硬度的预测却鲜有报道，有待进一步的深入研究。
本研究拟以宁夏灵武长枣为研究对象，利用近红外光谱仪，采集灵武长枣400-1 000 nm的原始光谱信息。分别选取多种预处理方法，根据PLSR建模效果，优选最佳预处理方法。应用CARS和SPA提取特征变量，分别建立基于全波段和特征波段的PLSR枣果肉平均硬度和最大硬度预测模型，优选最佳预测模型。运用PLS-DA建立灵武长枣贮藏时间的判别模型，为鲜食果品果肉硬度的快速无损检测和贮存期判别提供理论依据。
1材料与方法
1.1测试材料
灵武长枣采摘自宁夏灵武市大泉林场红枣生产基地，去除灰尘后在室温下贮藏。为减少样本个体差异对试验结果的影响，共选出大小形状相似、成熟度一致，无病害、无损伤的140个测试样本，每天从中随机取出20个样本进行光谱和硬度测量，连续测量7d。
1.2.2硬度测量利用TA.XTPlus物性仪及其自带软件Texture Exponent 32，选用P/2n针状探头（直径2 mm），选整枣赤道阴阳两面上的2点，以整果穿刺法进行枣果硬度的测试1。设置测前速度5mm/s，贯人速度1 mm/s，测后速度5 mm/s，最小感知力5 g，穿刺深度5 mm。
1.2.3数据处理分析由于样本的不均匀性，采集到的单个点的光谱信息仅能代表某一点的光谱，不能代表整个样本的信息，若取整个灵武长枣表面的光谱信息的平均值则更能代表整个样本的信息，真实的反应整个样本。本研究拟利用ENVl4.6软件选择恰当的感兴趣区域，提取平均光谱值。采集到的原始光谱中主要包含样本信息，但也可能含有由仪器漂移和光散射导致的系统噪音，为了开发出更精确的光谱模型，需运用预处理方法来校正原始光谱以减少不需要的信息。本研究利用Un-scrambler X10.4软件采用卷积平滑SG、归一化Nor-malize、基线校准Baseline、标准正态变量SNV、去趋势Detrend 5种预处理方法对原始光谱进行预处理。
光谱信息之间存在大量的冗余和共线性信息特征，对光谱有效信息的提取产生较大的干扰，且大量光谱数据会增加数据处理的负担。特征波长提取是通过某种变换，使原始光谱数据从高维空间映射到低维空间，从而实现数据快速降维，并且得到有用的、可靠的数据120]。本研究拟用Matlab2014软件对经预处理后的光谱采用竞争性正自适应加权算法（Competitive adaptive reweighted sampling，CARS）和连续投影算法（sueeessive proiection algorithm，SPA）进行特征波长的选择。
由图2可以看出，随着贮藏时间的延长，果肉平均硬度和最大硬度均逐渐降低，其主要原因可能是酶水解细胞壁多糖，使果胶、纤维素、半纤维素等细胞壁组分发生降解，细胞壁结构解体，胞间连丝消失，细胞趋于分散从而导致果实软化。
2.2灵武长枣硬度预测模型的建立与分析
2.2.1光谱预处理对预测结果的影响
分别选用SG、Normalize、Baseline、SNV、Detrend 5种预处理方法对原始光谱进行预处理，并以预处理后的光谱信息建立了灵武长枣果肉平均硬度和最大硬度的PLSR预测模型，比较研究全波段及不同预处理方法对预测模型的影响，分析结果如表2所示。 SPA是一种向前循环算法，它通过多次迭代选择出冗余信息最少的变量组，能够解决信息重叠、共线性等问题，避免再从大量数据中选择有代表性的数据，极大地调高了模型的效率。设定SPA选取的波长数为5-30，图5是均方根误差与有效波长数的关系，以均方根误差值确定有效特征变量数，由图5a和5b看出，从125个波段中分别筛选出8个和7个特征变量。
2.2.2.2特征波段与全波段PLSR模型比较与分析
表3是特征波段与全波段PLSR模型比较，由表3可以看出，全波段的校正和验证模型的相关系数分别为0.863和0.733：采用CARS法处理后特征波长下果肉平均硬度的校正和验证模型的相关系数均为0.868，果肉最大硬度的校正和验证模型相关系数分别为0.914和0.849。分析可知，采用CARS法提取特征波长后的模型r较高且RMSE和全波段模型相比较低。在特征波长下的光谱具有较低的维数，减小了数据的冗余，有利于实现在线快速检测，因此通过CARS提取特征波长建立的模型优于全波段建立的模型，可用CARS法选取的特征波长替代全波段数据进行建模分析。
2.3灵武长枣贮藏时间判别模型的建立与分析
本研究在全波段范围内，以校正集原始光谱建立灵武长枣贮藏期的PIS-DA判别模型。在建立PIS-DA模型前需要确定最佳主因子数，主因子数初始范圍为1-20，步长为1，交叉验证组数为5，分别建立PLS-DA模型，以校正集判别正确率、交叉验证判别正确率及方差解释率作为评价指标。选取校正集的判别正确率、交叉验证判别正确率及方差解释率最高时所对应的主因子数作为最佳主因子数。校正集判别正确率、交叉验证判别正确率和方差解释率与主因子数的关系见表4所示。由表4可知，主因子数在8～20时，方差解释率均为100%。主因子数为20时校正集判别正确率达到100%，且交叉验证判别正确率达到最大值。当主因子数为15时，校正集判别正确率为98%，交叉验证判别正确率为83%。考虑到主因子数小，更有利于模型的稳定性，因此本试验PIS-DA模型的最佳主因子数最终选取15。
综上，确定最佳主因子数为15，通过105个校正样本训练模型，得到PIS-DA判别模型对灵武长枣贮藏时间的判别率达98%，为了进一步验证所建立的PLS-DA模型，将未参与建模的35个验证集样品的原始光谱代人上述PLS-DA校正模型并计算贮藏时间判别正确率，其判别正确率为99%（1个第1d的样本误判为第7 d）。由此可见，所建模型的可靠性和预测能力较好，可有效鉴别灵武长枣的贮藏时间。
3结论
本研究利用400-1 000 nm的近红外光谱技术对灵武长枣的贮藏时间及贮藏过程中果肉硬度进行无损检测鉴别。通过对比不同预处理方法建模后的效果，优选出最佳预处理方法，对最佳预处理后的光谱进行特征变量提取，并建立了Detrend-CARS—PLSR果肉硬度模型。试验结果表明，基于近红外光谱检测技术的灵武长枣果肉硬度预测是可行的。利用校正集原始光谱采用PLS-DA法建立灵武长枣贮藏时间判别模型，校正和交叉验证判别正确率均达80%以上，经预测集光谱验证后判别正确率达99%，所建模型可靠性和预测能力较好，可有效鉴别灵武长枣的贮藏时间，说明近红外光谱检测技术可有效预测灵武长枣的贮藏时间。