实验所用的600个不同成熟度的番茄, 均手工采自美国密歇根州立大学的园艺研究与教学中心 (Holt, Michigan, USA)。 番茄洗净擦拭后, 根据美国农业部制定的不同番茄成熟期表面颜色标准^[13], 通过视觉观察将番茄分为六个等级(green, breaker, turning, pink, light red and red), 每一个成熟度等级包括100个番茄样本。

可见/近红外光谱采集系统如图1所示。 主要包括可见/短波近红外便携式光谱仪(Model LOE-USB, tec5USA Inc., Plainview, NY, USA)、 中波近红外便携式光谱仪(Model NIR 512L-1.7T1, Control Development Inc., South Bend, IN, USA)、 环形探头和计算机等。 环形探头有一个直径为25 mm的环形光源, 检测光纤位于探头中心, 通过准直镜使检测区域控制在11 mm直径的圆周范围, 在光源与检测光纤之间用黑色橡胶圈将光源与检测光纤隔离, 避免光源发出的光直接进入检测光纤, 在光源外围加装5 mm厚的环形海绵以避免或减少环境中的杂散光影响。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 可见/近红外光谱采集系统Fig.1 Schematic of the visible and near-infrared spectral measurement systems

在进行光谱采集时, 将探头直接贴合于番茄样品和参比样本。 参比样本选择直径80 mm的白色圆柱特氟龙(Teflon)。 环形光源由200W的卤素灯通过导向光纤传送, 可见/短波近红外便携式光谱仪曝光时间设置为400 ms, 中波近红外便携式光谱仪曝光时间设置为8 s。 对番茄赤道的两个对立面进行光谱采集, 每个样本采集2次, 采用其平均光谱用于后续数据分析。

在光谱采集后, 用质构分析仪(Model TA.XT2i, Stable Micro System, Inc., Surrey, UK) 对每一个番茄样本进行准静态压缩试验。 压缩采用直径为50.7 mm的金属圆盘, 设定加载速度为2 mm· s^-1, 触发力1 N, 番茄压缩深度为2 mm, 采用试验所获得的力/位移曲线中的最大力(Compression Maximum Force)表征番茄坚实度。 压缩试验完成后, 将番茄切成三片, 两侧片用来挤汁, 用手持式数显糖度折光仪(model PR-101, Atago Co., Tokyo, Japan)测定可溶性固形物含量。 用食品检测的专业便携式pH计(HI98161, HANNA instruments Inc., Woonsocket, Rhode Island, USA)探头直接插入中间切片的番茄组织中, pH计探头读取三点pH值平均后, 作为最终结果。

为了减少系统本身光学特性的影响, 采用相对光谱I来分析和建模, 相对光谱I计算如式(1)

I=(S-D)(R-D)(1)

其中S为样品原始光谱, R为参比光谱, D为暗场光谱。

1.4.1 光谱的波长比处理法

有研究表明^[14], 在用超光谱或多光谱图像进行检测和分析时, 使用两个不同波长比图像, 不仅可以有效地避免光源波动和反射率变化对测试的影响, 而且可以显著提高图像的特征信息。 基于此, 提出一种波长比光谱预处理方法, 来避免光源在测试过程中强度的变化, 放大有用信号, 提高光谱信息量。 波长比处理方法的基本原理是: 将两个波长点间的相对反射率两两相除, 然后将新获得的数据在矩阵列方向进行合并形成新的光谱。 新光谱数据点是原始光谱的n倍(n为总的波长数), 通过式(2)可以计算得出以波长点j为基数的第i个波长比数据, 即

I˙i, j=IiIj (i=1, 2, 3…, n)(2)

然后通过式(3)计算不同波长比后, 得到一个新的光谱Π _j

Πj=[I˙1, j, I˙2, j, I˙3, j, …, I˙i, j] (j=1, 2, 3, …, n)(3)

其中Π _j是以波长j为基数的波长比光谱, n为总的波长数。

通过上述波长比计算方法, 可得到n组新光谱组合。 由于番茄中水分的高吸收, 信号在1 300 nm之后会变得特别弱, 因此在进行波长比数据处理时, 为避免放大噪声信号, 中波近红外光谱只选取900~1 300 nm来进行分析(作为除数), 1 300 nm之后的数据仍然用于波长比的计算(被除数)。 可见/短波近红外和中波近红外波长点间隔均选择7 nm, 以减少数据的运算量。

1.4.2 自动缩放预处理

自动缩放处理是一种通过使用均值中心, 然后将每列变量除以该列的标准偏差而实现数据缩放的数据预处理技术, 是一种校正不同变量的有效方法, 通过自动缩放处理, 可以使得有用信号与其他变量的信号具有相等的基础。 数据的自动缩放预处理, 采用PLS toolbox8.2 软件(Eigenvector Research, Inc., Wenatchee, WA, USA)中的光谱预处理自动缩放功能来实现。

1.4.3 建模

600个不同成熟度的番茄被随机分成含有450个样本的校正集和含有150个样本的验证集。 对校正集光谱数据采用波长比、 自动缩放波长比+自动缩放以及不处理四种方法, 分别建立SSC, pH和坚实度的偏最小二乘回归模型。 运用威尼斯百叶窗交叉验证法, 最小交叉验证均方根误差(RMSECV)来确定最佳潜在变量数量。 最后用验证集样本数据对模型进行验证和比较。

表1为600个番茄样品的SSC, pH和坚实度测量结果的统计分析。 相比较于其他研究^{[10, 15, 16]}, 本研究所选择样本的SSC和pH的范围更广, 分别为3.5%~7.1%和3.76~4.81, 但坚实度范围相对较窄, 为5.03~59.51(N), 这可能是主要是由于番茄品种不同的原因而造成。 总体而言, SSC和pH分布都比较均匀, 变异系数分别为12.77%和4.35%, 坚实度(Compression Maximum Force)分布较大, 变异系数达到52.77%。

表1

Table 1

表1(Table 1)

表1 600个番茄的SSC, pH和坚实度统计数据 Table 1 Statistics of SSC, pH and firmness for 600 ‘ Sun Bright’ tomatoes Quality Parameters Units Mean SD Max Min CV /% SSC ° Brix 5.01 0.64 7.10 3.50 12.77 pH 4.14 0.18 4.81 3.76 4.35 Compression maximum force N 18.42 9.72 59.51 5.03 52.77 SD=standard deviation; CV= coefficient of variation

表1 600个番茄的SSC, pH和坚实度统计数据 Table 1 Statistics of SSC, pH and firmness for 600 ‘ Sun Bright’ tomatoes

6个不同成熟度番茄的平均光谱如图2所示。 不同成熟度番茄的中波近红外光谱图基本没有什么变化, 而不同成熟度番茄的可见/短波近红外光谱图差异明显, 这可能是因为在中波近红外波段, 水分的干扰比较强所致。 另外, 从图2(a)可知, 在 550 nm以及675 nm附近, 不同成熟度番茄的光谱差异最为显著, 这是因为花青素和叶绿素含量会随着番茄成熟而发生变化^[17]。 随着番茄的成熟, 颜色由绿变色, 花青素增多, 而叶绿素随之减少。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 番茄6个不同成熟度的平均相对光谱 (a): 可见/短波近红外光谱(400~1 100 nm); (b): 中波近红外光谱(900~1 683 nm)Fig.2 Mean relative interactance spectra of tomatoes at the six maturity stages obtained with the visible and shortwave near-infrared spectrometer for 400~1 100 nm (a) and the near-infrared (NIR) spectrometer for 900~1 683 nm (b)

图3(a)显示了番茄SSC, pH和坚实度与可见/短波近红外光谱间的波长相关性, 在波长400~600 nm区间, SSC和pH与波长都呈现负相关, 坚实度呈现正相关, 且在560 nm左右, SSC和pH负相关性较高, 分别可达到-0.66和-0.6, 坚实度正相关性可达到0.8以上。 而在675 nm左右, SSC和pH均可获得最高的正相关值, 分别为0.66和0.65, 坚实度可达最高的负相关值-0.68。 对于中波近红外光谱, 番茄的SSC和pH值与波长均呈现正相关, 坚实度在绝大部分波段处呈现负相关, 但三个品质参数与中波近红外波长的相关系数均不高, 尤其是在1 340 nm之后, 这可能是由于番茄中水分的强吸收导致的低信噪比造成的结果。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 番茄SSC, pH和坚实度(CF)与可见/短波近红外光谱(a)和中波近红外光谱(b)的波长相关性曲线Fig.3 Correlation curves for the SSC, pH and firmness (compression force or CF) of tomato fruit with individual wavelengths for the visible and shortwave near-infrared region of 400~1 100 nm (a) and near-infrared region of 900~1 683 nm (b)

图4(a1)显示了以673 nm处的相对反射率为基数获得的600个番茄样本的波长比光谱, 与其对应的原始光谱如图4(a2)所示。 通过比较可知, 波长比预处理后光谱变得更平滑, 且将500~600和700~1 100 nm波段各样本间的特征差异显著放大; 而在存在一定噪声的400~500 nm开始阶段, 经过波长比预处理后, 波段的特征被弱化、 噪声影响明显减少。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 600个番茄样本的波长比光谱(673和1 209 nm)(a1和b1)与相对可见/近红外光谱(a2和b2)Fig.4 Wavelength ratio spectra calculated at 673 and 1 209 nm (a1 and b1) and the original relative Vis/NIR and NIR spectra (a2 and b2) for 600 tomato samples

图4(b1)则显示了以1 209 nm处相对反射率为基数获得的600个测试番茄波长比光谱, 图形整体特征与原始光谱图(b2)相比没有多大变化, 但经过波长比处理后, 900~1 150 nm处的信号被放大了10~18倍, 显著增加了信号强度。 但在1 150 nm以后, 由于番茄中高水分影响, 信噪比降低。 再经过波长比预处理, 1 150 nm之后的信号特征更加弱化, 相应地, 噪声影响也显著减少。

由于波长比预处理是以每个波长点为基数, 将获得的光谱数据在矩阵列方向合并形成新的光谱, 增加了光谱的信息量, 放大了有用光谱信号并减少噪声影响, 因此, 总体而言, 波长比方法能够有效提高不同样本间信号差异, 有利于样本识别。

分别采用原始光谱、 自动缩放、 波长比和波长比+自动缩放处理后的光谱数据建模, 对番茄样本的SSC, pH和坚实度 (CF)进行预测, 结果如表2所示。 由表可知, 不管是对可见/短波近红外(Vis/SWNIR)光谱还是中波近红外(NIR)光谱, 波长比和自动缩放的组合处理对SSC的预测均可获得最优结果, 相关系数分别为0.779和0.818, 见图5(a)和图6(a)。 在可见/短波近红外波段, 单一自动缩放和波长比预处理所得的预测结果比原始光谱略差, 而两种预处理的组合, 可使PLS模型对SSC的预测能力提高13.2%。 在中波近红外波段, 单一自动缩放预处理无法明显提高模型预测能力, 单一波长比预处理可将模型预测能力提高4.1%, 而两种预处理的组合可进一步将模型预的测性能提高8.6%。

表2

Table 2

表2(Table 2)

表2 不同方法预处理两个光谱仪采集的数据对番茄质量属性的PLS预测效果 Table 2 PLS prediction results for quality attributes of tomatoes for the visible and shortwave near-infrared (Vis/SWNIR) and near-infrared (NIR) spectra using different preprocessing methods Parameter Instrument Treatment rc rp RMSEC RMSEP SSC Vis/SWNIR No 0.776 0.688 0.41 0.46 Autoscale 0.773 0.672 0.41 0.47 WR 0.744 0.684 0.43 0.47 WR+autoscale 0.888 0.779 0.30 0.42 NIR No 0.774 0.753 0.41 0.42 Autoscale 0.869 0.756 0.32 0.43 WR 0.775 0.784 0.41 0.40 WR+autoscale 0.828 0.818 0.36 0.37 pH Vis/SWNIR No 0.722 0.726 0.12 0.13 Autoscale 0.764 0.770 0.11 0.12 WR 0.696 0.745 0.13 0.12 WR+autoscale 0.825 0.796 0.10 0.11 NIR No 0.702 0.704 0.13 0.13 Autoscale 0.791 0.739 0.11 0.13 WR 0.751 0.712 0.12 0.13 WR+autoscale 0.731 0.696 0.12 0.13 Compression Vis/SWNIR No 0.926 0.907 3.73 4.00 Maximum Force Autoscale 0.928 0.910 3.66 3.94 WR 0.898 0.868 4.33 4.76 WR+autoscale 0.942 0.917 3.31 3.79 NIR No 0.902 0.876 4.26 4.66 Autoscale 0.916 0.843 3.94 5.14 WR 0.829 0.803 5.50 5.60 WR+autoscale 0.894 0.824 4.41 5.45

表2 不同方法预处理两个光谱仪采集的数据对番茄质量属性的PLS预测效果 Table 2 PLS prediction results for quality attributes of tomatoes for the visible and shortwave near-infrared (Vis/SWNIR) and near-infrared (NIR) spectra using different preprocessing methods

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 可见/短波近红外光谱仪测得的150个番茄验证集样本的最佳SSC, pH和坚实度预测值与实测值相关图Fig.5 SSC, pH and firmness (compression maximum force) predictions by partial least squares models with the best preprocessing method, based on the Vis/SWNIR spectra of 150 validation tomato samples

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 中波近红外光谱仪测得的150个番茄验证集样本的最佳SSC, pH和坚实度预测值与实测值相关图Fig.6 SSC, pH and firmness (compression maximum force) predictions by partial least squares models with the best preprocessing method based on the NIR spectra of 150 validation tomato samples

在利用PLS模型对pH进行预测时, 与原始光谱相比, 在短波和中波近红外波段, 经过单一自动缩放和波长比预处理后, 模型的预测能力均可获得提高。 对于可见/短波近红外光谱, 两个预处理的组合可进一步将预测相关系数提高9.6%; 但对于中波近红外光谱, 两个预处理的组合反而降低了模型预测能力。

在利用PLS模型对坚实度进行预测时, 在可见/短波近红外波段, 单一自动缩放预处理没有明显提高模型预测能力, 而单一波长比预处理表现出更差的模型预测性能, 但两个预处理的组合则可将相关系数由0.907提高到0.917如图5(c)所示。 在中波近红外波长区域, 不管是单一预处理还是组合预处理均无法提高PLS模型对坚实度的预测能力。

与其他研究^[18]结果相比, 对SSC和pH预测误差基本相近, 在0.45和0.09左右, 说明本研究所建模型在预测性能上与以往研究类似。 至于本研究模型对SSC和pH值预测的相关系数与以往研究有一定差异, 可能是由于光谱采集的方式和预处理方法的不同、 波长范围的差异以及番茄的产地、 品种的不同所造成。 由表1可知, 番茄的SSC和pH分布比较窄, 说明番茄在不同成熟期的SSC和pH变化不大, 是影响模型预测精度的因素之一, 与Clé ment^[11]研究报道相一致。 在对番茄坚实度预测中, 以往其他研究^{[9, 10]}的最佳坚实度预测相关系数仅可达到0.81左右, 而本研究中通过波长比与自动缩放组合预处理后, 所开发模型的最优预测相关系数可达到0.917, 模型预测能力提高了13.2%。 说明波长比与自动缩放组合处理的效果很明显。