试验用山东栖霞富士采购于北京岳各庄水果批发市场, 手工挑选无表面缺陷、 果型正常、 直径80~90 mm苹果样本218个。 试验前放于22 ℃实验室环境下24 h, 以减少样本温度带来的试验干扰。

采用自主研发的短积分全透射光谱采集系统进行苹果样本光谱采集(图1), 该系统由一个卤素灯(FUJI, JCR, 150 W, 15 V)、 一个光谱仪(光谱范围615~1 044 nm, 光谱间隔0.5 nm), 一个传送系统、 一个光电传感器和一个计算机组成。 光源和光谱仪分别呈直线式分布于样本两侧, 光谱仪采集样本全透射光谱信号, 以便消除水果镜面反射干扰。 水果传送通道采用了双层遮光帘以避免外界环境光的干扰。 采用硬件触发光谱仪进行光谱采集, 因光电传感器到光谱仪距离恒定, 在匀速运输条件下, 水果遮挡光电传感器后则可以计算水果传送到光谱仪所用的时间, 光谱仪在延迟固定传送时间后开始以设定的积分时间连续采集透射光谱信号, 通过计算苹果遮挡光电传感器时间, 判断光谱仪的工作时长, 从而避免光谱仪采集到无用信息, 提高光谱的有效性。 该系统具有积分时间短、 信号灵敏度高的优势, 可以在水果通过光谱仪时, 以极短的积分时间从单个样本不同位点连续获取多条全透射光谱信号。 苹果不同组织果实内部结构、 组成成分和光学传输特性不同, 因此不同位点获取的透射光谱信号携带了不同的组织信息, 而短积分模式在增加光谱数据处理的灵活性的同时, 也有利于局部组织的成分分析。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 短积分全透射光谱采集系统Fig.1 Schematic of the on-line transmittance spectra measurement system

设定系统运行参数如下: 传送皮带运行速度0.5 m· s^-1, 光谱仪积分时间5 ms, 设备预热30后, 分别以如下三个姿态下采集苹果全透射光谱数据(图2):

姿态1(T1): 果梗-花萼轴竖直, 且垂直运动方向

姿态2(T2): 果梗-花萼轴水平, 且平行运动方向

姿态3(T3): 果梗-花萼轴水平, 且垂直运动方向

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 不同检测姿态的苹果糖度预测模型构建Fig.2 Sugar prediction model based on different detection orientations

将苹果切成小块, 用双层纱布包裹后全部放入压汁机压出果汁, 摇匀后立即采用糖度计(型号PR-101α ; Atago Co., Tokyo, Japan)测量果汁的糖度值。 重复测定三次, 取其平均值作为该样本整果糖度的真实值。

偏最小二乘回归(partial least squares, PLS)是目前基于近红外光谱分析水果内部品质中广泛应用的一种建模方法。 为了全面评价苹果检测姿态对苹果整果糖度预测模型的影响, 采用PLS构建了单一姿态局限模型和多姿态通用模型。

局限模型(Case a): 分别计算单一检测姿态获取的全位点平均透射光谱曲线, 采用PLS算法基于单一检测姿态校正集平均光谱数据构建单一姿态预测模型, 并采用单一姿态模型分别评价其他姿态下预测集样本的预测精度;

通用模型(Case b): 合并T1、 T2和T3三种检测姿态校正集平均光谱数据, 采用PLS算法构建多姿态通用预测模型, 并采用通用模型分别评价三种姿态预测集样本的预测精度。

所用的短积分全透射光谱采集系统可以5 ms积分时间, 在苹果通过光谱仪时, 连续不间断的从单个苹果不同位点获取多条全透射光谱信号。 苹果不同位点入射光的光程不同; 苹果是类球形内部组分分布不均匀的生物体, 苹果不同位置果实内部细胞结构、 组成成分和光学传输特性也不相同, 使得光谱仪在苹果不同位置获取的全透射光谱信号强度不相同。 为了有效的提高短积分全透射光谱的信号质量, 提升苹果糖度预测模型精度, 发挥短积分全透射光谱采集系统信号处理灵活的优势, 提出一种基于信号强度优选的苹果整果糖度在线检测模型优化方法。 方法要点如下: (1)确定全透射光谱曲线中信号强度最大的波段位置W; (2)确定波段W下信号阈值N; (3)筛选波段W下信号阈值大于N的全透射多位点光谱曲线; (4)计算筛选的多位点光谱曲线平均光谱曲线; (5)采用PLS算法构建信号强度阈值为N时的模型预测; (6)按照设定步长提高信号强度阈值N, 分析苹果整果糖度预测精度随信号强度阈值的变化趋势, 优选最优预测模型。 当信号强度阈值N大于样本集中任一样本在波段W下光谱最大信号时, 该样本没有可用于建模的光谱数据, 此时模型终止运行。

所有218个样本按照3:1比例随机划分为校正集和预测集, 其中校正集共计162个用于建立预测模型, 预测集共计52个用于评价预测模型性能。 为了消除样本随机分布导致的模型精度不稳定问题, 便于客观地评价模型预测能力, 将样本随机划分了20次, 并基于每次样本划分结果构建预测模型, 最终模型预测精度用20次建模的平均值和标准偏差表示。

所有模型的预测性能通过校正相关系数(correlation coefficient of calibration, R_c)、 预测相关系数(correlation coefficient of prediction, R_p)、 校正均方根误差(root mean square error of calibration, RMSEC)、 预测均方根误差(root mean square error of prediction, RMSEP)、 残差预测偏差(residual prediction deviation, RPD)来评价。

苹果样本糖度范围在8.1%~14.6%, 平均值为11.49%, 标准偏差为1.33%, 样本集覆盖了足够大的范围, 这有利于提高所建预测模型的适用性。

图3(a—c)分别显示了苹果不同检测姿态、 多位点光谱采集示意图和单个苹果获取的多位点光谱曲线。 650~1 000 nm波段范围内光谱数据质量较好, 所以选用这一区间光谱数据用于后续建模分析。 苹果样本直径80~90 mm, 运行速度0.5 m· s^-1, 积分时间5 ms, 单个样本可获取光谱数量约30~35条。 从图中可以看出, 苹果通过光谱仪时, 不同的检测姿态入射光照射在苹果表面的位点也不相同; 然而三种检测姿态下全透射光谱曲线的走势大致相同, 在920 nm附近具有最大的光谱信号强度, 在850 nm附近存在波谷。 图4为同一苹果三种不同检测姿态的平均光谱曲线, 其中T1和T2姿态平均光谱强度相近, 而T3姿态光谱信号强度最低, 这可能是T3姿态下入射光穿透苹果的光程最长和苹果核的阻挡作用导致的。 图5显示了三种不同检测姿态下同一苹果所有光谱采集位点920 nm波段信号强度的动态变化, 三种检测姿态不同位点光谱强度都有由高到低再升高的趋势, 这也反映了光谱仪获取的苹果检测位点是由边缘到中央再到边缘的过程。 分析光谱的强度变化发现, T3姿态下光谱强度变化最剧烈, 由边缘检测位点的最高值转变为中央检测位点的最低值。 结合采集姿态和采集位点结构示意图, 分析苹果单果光谱采集的动态变化发现, 在T1姿态中, 透射光谱主要获取于苹果赤道线上, 其中中央采集位点光谱是穿透苹果果核区域而采集得到, 此时穿透苹果的入射光光程最长, 透射光谱的信号强度最低。 此外, 苹果果核结构较为坚硬, 光在这一区域的穿透能力较弱, 进一步削弱了透射光的信号强度。 T2姿态中, 透射光谱主要沿着苹果果梗-花萼轴获取, 苹果果核结构始终阻挡着部分入射光的行进。 T3姿态中, 透射光谱主要获取于苹果的果肩和果梗区域, 其中中央采集位点光谱源于果梗区域, 其信号强度最低, 再次证明了T3姿态下果梗-花萼轴严重削弱了果梗区域位点的全透射光谱强度。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同检测姿态下苹果透射光谱采集示意图 (a): 不同的检测姿态; (b): 检测位点示意图; (c): 同一苹果的不同姿态原始光谱Fig.3 The schematic diagram of different detection orientations (a): Different orientations; (b): Spectral collection positions; (c): Raw multi-point transmittance spectra

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 同一苹果三种不同检测姿态的平均光谱曲线Fig.4 Average spectral curves of a whole apple with three different detection orientations

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 不同检测姿态下920 nm波段处光谱强度变化Fig.5 Spectral intensity changes at 920 nm for different detection orientations

由于获取的原始光谱可能含有无用的背景信息或噪声, 预处理方法往往可以提高模型的性能。 采用21点移动平均平滑(smoothing)、 标准正态变量变换(standard normal variable, SNV)、 和多元散射校正(multiplicative scattercorrection, MSC)等不同的预处理方法对原始光谱数据进行了预处理。

表1显示了基于单一检测姿态获取的全位点平均光谱及预处理后光谱数据集构建的苹果整果糖度预测模型结果(局限模型)。 比较校正集和预测集模型参数发现, 基于原始光谱所构建模型出现了过度拟合问题(R_c和R_p相差较大)。 比较预处理前后光谱所建模型发现, 预处理后光谱所建模型没有表现处过拟合, 且预测偏差RMSEP和RPD均优于原始光谱。 Smoothing预处理方法所建的T1, T2和T3局限模型的RMSEP和RPD分别为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, 预测性能均优于SNV和MSC预处理方法, 且T1姿态检测精度优于T2和T3姿态, 因此T1姿态更适用于固定姿态下苹果整果糖度品质检测。

表1

Table 1

表1(Table 1)

表1 不同检测姿态局限模型预测结果 Table 1 The detection result of restricted model 检测姿态 预处理方法 校正集 预测集 Rc RMSEC /% T1 T2 T3 Rp RMSEP/% RPD Rp RMSEP/% RPD Rp RMSEP/% RPD T1 Raw 0.99 0.85 0.74 0.91 1.15 0.69 1.23 0.89 0.57 2.3 0.69 Smoothing 0.88 0.76 0.81 0.80 1.45 0.74 1.15 1.11 0.67 2.13 0.75 SNV 0.87 0.73 0.79 0.83 1.37 0.71 1.22 0.96 0.53 2.76 0.86 MSC 0.88 0.85 0.75 1.28 0.96 0.73 0.93 1.28 0.70 1.25 1.04 T2 Raw 0.99 0.90 0.75 1.19 0.86 0.73 0.93 1.10 0.64 1.30 1.06 Smoothing 0.86 0.85 0.79 1.07 1.09 0.76 0.89 1.36 0.76 1.00 1.37 SNV 0.87 0.85 0.75 1.24 0.98 0.73 0.94 1.26 0.49 2.49 1.11 MSC 0.88 0.85 0.75 1.28 0.96 0.73 0.93 1.28 0.70 1.25 1.04 T3 Raw 0.96 0.96 0.60 1.15 0.88 0.61 1.23 0.81 0.67 1.04 1.08 Smoothing 0.88 0.86 0.66 1.06 1.00 0.69 1.00 1.11 0.77 0.88 1.42 SNV 0.80 0.91 0.57 1.39 0.58 0.51 1.25 0.65 0.62 1.24 1.06 MSC 0.80 0.91 0.56 1.53 0.74 0.49 1.36 0.86 0.62 1.26 1.06

表1 不同检测姿态局限模型预测结果 Table 1 The detection result of restricted model

基于单一姿态构建的局限模型预测其他检测姿态光谱时, 其模型预测精度显著下降。 以T1局限模型为例, 预测集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, 从预测结果可以看出局限模型的鲁棒性不够好, 说明不同检测姿态获取的光谱信息存在很大差异, 局限模型对光谱检测姿态的变化比较敏感, 证明了单一姿态构建的局限模型对检测姿态具有很大的局限性。 然而, 对苹果内部品质检测设备的开发而言, 苹果属于易损伤水果, 更适用于人工放果或吸盘自动放果的单果托盘式检测, 这种上果方式可以有效的保证姿态的一致性, 也有利于提高苹果糖度预测模型的精度。

考虑到实际在线水果检测时, 苹果固定检测姿态对人工要求较高, 为此, 建立了相对单一姿态局限模型而言的多姿态通用模型, 分析通用模型下不同检测姿态对预测结果的影响。 表2显示了通用模型性能, Smoothing预处理后构建的T1、 T2和T3姿态通用模型性能最佳, 其RMSEP和RPD分别为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。 与单一姿态的局限模型相比, 通用模型与同一姿态的局限模型对预测集样本的预测结果无明显差别, 通用模型T1姿态(RMSEP=0.85%± 0.08%)稍差于局限模型(RMSEP=0.80%± 0.07%), 而通用模型T2姿态(RMSEP=0.87%± 0.09%)和T3姿态(RMSEP=0.84%± 0.14%)稍优于局限模型(T2: RMSEP=0.89%± 0.08%, T3: RMSEP=0.88%± 0.17%)。 虽然通用模型预测性能没有显著优化, 但是它对在不同检测姿态的预测集都获得了准确的结果。 因此, 通用模型对检测姿态的变化不再敏感, 也具有更好的适用性和实用性。

表2

Table 2

表2(Table 2)

表2 多检测姿态通用模型预测结果 Table 2 The detection result of universal model 预处理方法 校正集 预测集 Rc RMSEC /% T1 T2 T3 Rp RMSEP/% RPD Rp RMSEP/% RPD Rp RMSEP/% RPD Raw 0.94 0.83 0.77 0.86 1.20 0.78 0.85 1.26 0.77 0.86 1.32 Smoothing 0.83 0.79 0.78 0.85 1.23 0.76 0.87 1.27 0.79 0.84 1.48 SNV 0.80 0.87 0.70 1.02 0.94 0.65 1.07 0.89 0.67 1.20 1.34 MSC 0.83 0.80 0.74 0.92 1.22 0.69 0.98 1.15 0.70 1.03 1.31

表2 多检测姿态通用模型预测结果 Table 2 The detection result of universal model

信号强度越高越能更加详细地表示预测精度随信号强度阈值的变化。 三种检测姿态全透射光谱信号在920 nm波段强度最大, 因此, 设定阈值优选波段W为920 nm, 设定起始阈值N=0, 步长500。 图6显示三种检测姿态下Smoothing预处理光谱20次预测模型平均性能随着光谱信号阈值变化的动态曲线。 随着阈值的不断提高, 三种检测姿态的苹果整果糖度预测偏差RMSEP先降低后升高, RPD先升高后降低。 当信号强度阈值为12 500, 10 000和9 500时, T1, T2和T3姿态所建模型RMSEP最低, 分别为0.78%, 0.88%和0.83%。 当信号强度阈值为12 500, 10 000和9 000时, T1, T2和T3姿态所建模型RPD最高, 分别为1.73, 1.65和1.52。 即T1, T2和T3优选信号阈值分别为12 500, 10 000和9 000~9 500, 由图5可知这些阈值区域基本分布在苹果光谱采集的中央位点区域, 说明移除苹果中央位点区域获取的透射光谱可以优化预测模型精度。 结合苹果结构和不同姿态下苹果光谱采集位点示意图分析, 当苹果被移动通过光谱仪过程中, 光谱仪连续采集苹果边缘—中央—边缘的检测位点, 三种检测姿态下不同位点光谱强度由高到低再到高。 因此随着信号强度阈值的不断提升, 苹果中央位点光谱被逐渐移除, 苹果整果预测模型精度逐步提升。 当信号强度阈值继续提高时, 被移除的光谱由苹果中央位点向两侧边缘不断扩展, 被移除的光谱范围越来越广, 透射光谱携带的苹果组织信息越来越少, 当越来越少的苹果两侧边缘位点光谱参与苹果整果糖度模型构建时, 苹果整果预测模型预测精度逐渐降低。 分析不同检测姿态下模型预测精度随信号阈值变化程度发现, T3姿态在阈值9 000之前变化最剧烈, 模型提升的效果也最显著, RMSEP和RPD由初始阶段的0.88%和1.57分别提升到0.83%和1.65。 T2姿态在阈值10 000之前均比较稳定, 这可能与该姿态获取的苹果组分信息较为稳定有关。 三种姿态下中央位点(直径最大区域)光谱移除有助于模型精度提高, 一方面可能是因为中央位点信号强度弱, 增加了噪声的同时, 减小了光谱信噪比, 削弱了光谱信号质量导致; 另一方面也有可能是因为从中央位点获取的透射光谱穿透了苹果果核结构, 苹果核主要由籽粒和纤维膜物质组成, 这些与苹果糖度预测无关的组织信息降低了糖度模型的预测精度。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 不同检测姿态下模型预测性能随光谱信号阈值变化动态曲线Fig.6 Dynamic curves of predictive model performance changing with spectral signal threshold in different detection orientations

以全透射光谱信号强度最高的920 nm波段作为阈值优选波段W, 设定起始阈值N=0, 步长500。 图7展示了三种不同检测姿态Smoothing预处理光谱合并后构建的20次通用信号强度优化模型平均性能随信号强度变化动态曲线, 与单一姿态构建的信号强度优化模型变化趋势相同, 通用信号强度优化模型性能也随着信号强度的提升表现出先提升后降低的走势。 然而通用强度优化模型中信号强度5 000时, 预测性能达到最优, RMSEP和RPD分别为0.84%和1.58, 最优信号强度阈值显著低于单一姿态下的最优信号强度阈值。 不同姿态获取的透射光谱信号强度差异显著, 不同检测姿态下光谱采集位点也不相同, 通用信号强度优化模型的构建综合考虑多种姿态获取的光谱信息有效性, 删除了920 nm波段下信号强度小于5 000的无效光谱, 提升了通用信号强度优化模型的预测能力和稳定性。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 多姿态通用模型预测性能随光谱信号阈值变化动态曲线Fig.7 Dynamic curves of universal prediction model performance changing with spectral signal threshold in multiple orientations