應(yīng)用方向：

高光譜成像技術(shù)在農(nóng)業(yè)與食品領(lǐng)域展現(xiàn)出了廣闊的應(yīng)用前景，尤其在水果等農(nóng)產(chǎn)品的無損品質(zhì)檢測與智能分級。通過獲取果實在不同波段下的光譜與空間信息，高光譜成像能夠?qū)崿F(xiàn)對內(nèi)部含水率分布的精準(zhǔn)表征與可視化，為果實新鮮度評價和品質(zhì)分級提供可靠依據(jù)。同時，該技術(shù)可用于果實成熟度與貯藏狀態(tài)監(jiān)測，輔助優(yōu)化采后處理與冷鏈管理過程。在實際應(yīng)用中，高光譜成像還可與智能算法和自動化分選設(shè)備相結(jié)合，構(gòu)建在線檢測與分級系統(tǒng)，提升農(nóng)產(chǎn)品質(zhì)量控制水平和加工效率，對推進(jìn)智慧農(nóng)業(yè)和農(nóng)產(chǎn)品精細(xì)化管理具有重要意義。

背景：

枇杷作為一種高水分、高呼吸強度的鮮食果品，在采后貯藏和流通過程中極易發(fā)生失水、軟化和品質(zhì)劣變，而含水率的變化是影響其新鮮度和商品價值的關(guān)鍵因素之一。傳統(tǒng)的枇杷含水率與新鮮度檢測方法多依賴取樣、破壞性測定或主觀經(jīng)驗判斷，難以實現(xiàn)快速、無損和空間分布層面的精準(zhǔn)評估，無法滿足現(xiàn)代果品品質(zhì)分級和精細(xì)化管理的需求。高光譜成像技術(shù)能夠同時獲取樣品的空間信息和光譜信息，在無損條件下反映果實內(nèi)部水分狀態(tài)及其空間分布特征，為果品水分檢測與品質(zhì)評價提供了新的技術(shù)途徑。因此，該研究探索了利用高光譜成像技術(shù)對枇杷含水率分布進(jìn)行可視化分析，并在此基礎(chǔ)上實現(xiàn)枇杷新鮮度的科學(xué)分級，以提升枇杷品質(zhì)監(jiān)測的客觀性、準(zhǔn)確性和實用性。

作者信息： 尚靜，貴陽學(xué)院，碩士生導(dǎo)師

期刊來源：Journal of Food Composition and Analysis

研究內(nèi)容

該研究以枇杷為研究對象，圍繞其含水率分布特征與新鮮度分級需求，探索高光譜成像技術(shù)在果實內(nèi)部品質(zhì)無損檢測中的應(yīng)用潛力。研究通過高光譜成像系統(tǒng)，獲取枇杷在可見—近紅外波段范圍內(nèi)的高光譜數(shù)據(jù)，并對樣品進(jìn)行系統(tǒng)的光譜與空間信息分析。在此基礎(chǔ)上，提取與含水率變化密切相關(guān)的光譜特征，建立枇杷含水率預(yù)測模型，實現(xiàn)果實內(nèi)部水分分布的可視化表達(dá)。同時，結(jié)合含水率分布特征與品質(zhì)指標(biāo)，對枇杷新鮮度進(jìn)行分級判別。研究證明了高光譜成像技術(shù)用于枇杷含水率無損檢測與新鮮度分級的可行性，為果品品質(zhì)評價與分級提供一種快速、直觀且非破壞性的技術(shù)手段。

實驗設(shè)計

新鮮枇杷樣品（橫向直徑：35-55 mm）從位于中國貴州省的果園收集，共采集了120個無缺陷、形狀相對均勻的樣品，采集當(dāng)天將樣品運送至實驗室，然后按樣品編號均勻分為4組，22 ± 3 ℃保存，1天后開始實驗，持續(xù)4天。每天，在實驗中使用一批30個樣品。在實驗過程中收集每個樣品的高光譜圖像，隨后獲得樣品的水分含量（MC）值。

本研究使用了推掃式高光譜成像（HSI）系統(tǒng)（GaiaField-F-V10，雙利合譜，中國）獲取枇杷的高光譜反射圖像。該HSI系統(tǒng)主要包括圖像光譜儀、CCD相機（像素：696 × 1313）、變焦鏡頭（焦距：23mm）、四盞200W鹵素?zé)簦℉SIA-LST-200 W）、傳輸裝置（HSIA-T400-IMS）、暗箱（HSIAT400-IMS）和計算機。變焦鏡頭與傳輸平臺之間的距離設(shè)定為400毫米，CCD相機的曝光時間為12.6毫秒，光譜分辨率為3.5納米，空間分辨率設(shè)置為0.2毫米/像素。枇杷樣品被放置在傳輸平臺上，并以1厘米/秒的速度移動。

為了減輕傳感器暗電流引起的不均勻光強度分布和噪聲的影響，對枇杷的原始高光譜圖像進(jìn)行反射率校正。之后將校正圖像導(dǎo)入ENVI 5.4軟件后中，選取整個枇杷的表面作為感興趣區(qū)域（ROI），以ROI內(nèi)所有像素的平均光譜作為每個枇杷樣品的光譜，由于提取的光譜曲線兩端存在噪聲，選擇390-1030 nm范圍內(nèi)的波長作為有效光譜。

研究方法

在高光譜圖像采集過程中，儀器性能、隨機誤差和環(huán)境因素都會引起基線漂移和隨機噪聲等問題，因此，為了校正光譜差異并減輕干擾信息的影響，采用MSC和SNV對原始光譜進(jìn)行預(yù)處理。使用聯(lián)合x-y距離（SPXY）算法劃分校準(zhǔn)集與預(yù)測集，比例為3∶1。

在每次高光譜圖像采集中，相機在 390–1030 nm 波段范圍內(nèi)采集了 256 個光譜圖像波段，其中包含大量無關(guān)且高度共線的數(shù)據(jù)。為提高模型構(gòu)建的效率，有必要剔除那些會增加建模復(fù)雜度的冗余信息。在本研究中，采用競爭自適應(yīng)重加權(quán)采樣（CARS）、遺傳算法（GA）和逐步投影算法（SPA）對特征波長進(jìn)行篩選，并進(jìn)一步確定*優(yōu)的特征波長選擇方法。

基于全光譜數(shù)據(jù)和 MC 參考值，分別采用偏最小二乘回歸（PLSR）和主成分回歸（PCR）構(gòu)建預(yù)測模型?；谔卣鞑ㄩL和 MC 參考值，進(jìn)一步建立了多元線性回歸（MLR）、極限學(xué)習(xí)機（ELM）和反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）三種模型?；貧w模型的性能采用多種指標(biāo)進(jìn)行評估，包括校正集的決定系數(shù)（R2_C）和預(yù)測集的決定系數(shù)（R2_P），均方根誤差（校正集 RMSEC 與預(yù)測集 RMSEP），以及預(yù)測集的相對預(yù)測偏差（RPD）。

采用偏最小二乘判別分析（PLS-DA）、多項邏輯回歸（MLogR）和反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）三種分類器，構(gòu)建分類模型以區(qū)分不同貯藏時間下枇杷的新鮮度等級。在本研究中，采用混淆矩陣、分類準(zhǔn)確率以及受試者工作特征（ROC）曲線對分類模型的整體性能進(jìn)行評估。

結(jié)果

圖1給出了全部枇杷樣本的原始反射光譜以及不同貯藏時間下的平均光譜?？梢姡髻A藏時段的光譜曲線形態(tài)相似，但反射強度存在明顯差異（圖1b），這主要歸因于枇杷水分含量（MC）隨貯藏時間的變化。

圖1 枇杷樣本光譜 a) 原始反射光譜；b) 不同貯藏時間的平均光譜。

為提升預(yù)測模型性能，采用 SNV 與 MSC 兩種光譜預(yù)處理方法消除原始光譜中的干擾信息。通過基于不同預(yù)處理建立的 PLSR 與 PCR 模型對枇杷水分含量（MC）的預(yù)測效果可知，光譜預(yù)處理顯著改善了模型表現(xiàn)，其中 SNV 預(yù)處理效果*優(yōu)；同時，PLSR 模型整體性能優(yōu)于 PCR 模型。

CARS 通過交叉驗證確定最佳特征波長數(shù)，以實現(xiàn)光譜特征的高效篩選。設(shè)置 Monte Carlo 采樣次數(shù)為 50、交叉驗證折數(shù)為 5，隨著采樣次數(shù)增加，交叉驗證均方根誤差（RMSECV）呈先降后升趨勢，并在第 30 次采樣時達(dá)到最小。此時優(yōu)選出的波長子集共包含 14 個特征波長。在遺傳算法（GA）中，設(shè)置種群規(guī)模為30，交叉概率0.5，變異概率0.01，迭代次數(shù)100。以交叉驗證均方根誤差（RMSECV）最小為準(zhǔn)則，篩選出用于預(yù)測枇杷水分含量（MC）的最佳波長組合，共獲得27個特征波長。SPA 以模型 RMSE *低時的波長數(shù)作為最終特征。隨著有效波長數(shù)增加，RMSE 先下降；當(dāng)波長增至某一數(shù)量后，RMSE 降幅趨于平緩。本研究中，RMSE 在第 23 個特征波長處不再單調(diào)降低，故將 SPA 提取的 23 個波長定為關(guān)鍵變量。

以優(yōu)選的特征波長替代全譜，用于枇杷MC預(yù)測。基于CARS、GA、SPA特征波長建立的MLR、ELM和BPNN模型顯示，無論采用哪種特征提取方法，MLR模型的表現(xiàn)均優(yōu)于ELM和BPNN；進(jìn)一步比較發(fā)現(xiàn)，以CARS特征建立的MLR模型又顯著優(yōu)于GA和SPA對應(yīng)模型。其中，SNV-CARS-MLR組合效果*佳，其R2c、R2p與RPD分別達(dá)到0.85、0.82和2.40，RPD>2.0表明該模型具有優(yōu)異的穩(wěn)定性和預(yù)測能力。圖2給出了預(yù)測值與實測值的散點對比。

圖2 SNV-CARS-MLR 模型散點圖 橫軸：實測水分含量（%），縱軸：預(yù)測水分含量（%）； R2p = 0.82，RPD = 2.40，預(yù)測值與實測值高度吻合。

為直觀觀察枇杷水分含量的細(xì)微差異并輔助新鮮度分級，將高光譜圖像逐像素光譜輸入*優(yōu)預(yù)測模型（SNV-CARS-MLR），計算各像素 MC 值并生成偽彩分布圖。圖3 給出 4 個典型樣本（對應(yīng)新鮮度等級 I–IV）的 MC 分布圖。圖中采用紅–藍(lán)線性色標(biāo)（右側(cè)色帶）直觀顯示 MC 由高到低的變化；每幅圖旁標(biāo)注的數(shù)字為該樣本整體平均 MC。

圖3 不同貯藏時間枇杷的MC分布圖 （色標(biāo)由紅到藍(lán)表示 MC 從高到低，數(shù)字為樣本平均 MC 值）

水分含量（MC）是衡量果實新鮮度的核心指標(biāo)，MC 越高，果實越新鮮。本研究將枇杷新鮮度劃分為 I–IV 四個等級。隨后，以 CARS、GA、SPA 提取的特征波長分別建立 PLS-DA、MLogR 與 BPNN 新鮮度判別模型，基于CARS、GA、SPA構(gòu)建的MLogR模型在校正集上準(zhǔn)確率達(dá)100%，優(yōu)于PLS-DA與BPNN；然而，在預(yù)測集上，BPNN系列模型表現(xiàn)最佳，其中CARS-BPNN以93.33%的判別率高居*首。混淆矩陣（圖4）進(jìn)一步顯示：GA-PLS-DA將5個真實IV級樣本誤判為III級；GA-MLogR出現(xiàn)1個III→IV和2個IV→III的錯分；CARS-BPNN僅出現(xiàn)2個IV→III的錯分，誤差最小。ROC曲線（圖5）亦證實CARS-BPNN的AUC最高。綜上，CARS-BPNN在枇杷新鮮度分級中表現(xiàn)*優(yōu)，校正集與預(yù)測集判別準(zhǔn)確率分別為95.56%與93.33%。

圖4. 混淆矩陣a) GA-PLS-DA 模型；b) GA-MLogR 模型；c) CARS-BPNN 模型。

圖5. GA-PLS-DA、GA-MLogR 與 CARS-BPNN 模型的 ROC 曲線

結(jié)論

本研究探討了利用HSI實現(xiàn)枇杷MC的快速無損預(yù)測、可視化其水分分布，并判別不同貯藏時間下的新鮮度等級。首先，以 MSC 與 SNV 算法對全波段進(jìn)行預(yù)處理，建立 PCR 和 PLSR 模型，篩選最佳預(yù)處理方法；隨后，在 CARS、GA、SPA 提取的特征波長基礎(chǔ)上，構(gòu)建 MLR、ELM 與 BPNN 模型，以確定枇杷 MC 的*優(yōu)預(yù)測方案。結(jié)果顯示，SNV-CARS-MLR 模型表現(xiàn)最佳，其 R2c、R2p 與 RPD 分別達(dá)到 0.85、0.82 與 2.40，RPD > 2.0 表明模型具有優(yōu)異穩(wěn)健性。進(jìn)一步將該模型逐像素應(yīng)用于枇杷高光譜圖像，生成 MC 分布偽彩圖。在新鮮度判別環(huán)節(jié)，CARS-BPNN 模型顯著優(yōu)于其他方案，校正集與預(yù)測集識別準(zhǔn)確率分別為 95.56 % 與 93.33 %。綜上，HSI 可作為一種快速、無損的手段，用于枇杷 MC 預(yù)測、分布可視化及新鮮度分級。