在新疆生产建设兵团第一师阿拉尔市分别采集“ 黄杏” 、 “ 橄榄杏” 、 “ 小白杏” 、 “ 小米杏” 、 “ 库买提杏” 、 “ 小吊干杏” 6个品种杏样品, 使用便携式车载冰箱冷藏保存后带回实验室, 待样品恢复至室温后采集光谱。 挑选同一品种中大小均匀一致、 表面色泽鲜亮且无损伤的样品, 最终每个品种挑选出90个作为实验对象, 共计540个样品。

使用美国海洋光学公司的USB-650红潮(Red Tide)光谱仪(350~1 000 nm)、 ISP-REF反射式积分球(自带光源)、 标准白板(STAN-SSH)采集样本可见/近红外(visible/near infrared, VIS/NIR)范围光谱; 使用美国赛默飞世尔的Antaris Ⅱ FT(NIR型傅里叶近红外光谱仪(1 000~2 500 nm)采集样本近红外(near infrared, NIR)范围光谱。

1.3.1 光谱采集

将样品从车载冰箱中取出后, 使用纸巾将样品表面擦拭干净, 等待恢复至室温后开始采集光谱。 采集样品VIS/NIR范围光谱时, 对海洋光学USB-650光谱仪及ISP-REF反射式积分球(自带光源)进行预热30min, 使光源趋于稳定。 以标准漫反射白板作为参考, 去除背景噪声, 将样品放置于反射式积分球上, 采集样品赤道部位光谱, 光谱仪设置为自动参比, 光谱平均次数为4, 光谱平滑次数为1, 并按照采集顺序保存光谱数据。 使用Antaris Ⅱ FT-NIR傅里叶近红外光谱仪采集样品NIR范围光谱时, 提前预测光谱仪自带光源30 min, 之后以仪器内部空气为背景进行参比, 将样品放置于光谱采集装置上, 采集样品赤道部位光谱, 确保光谱采集区域与VIS/NIR范围光谱一致。 设置谱区采集范围: 1 000~2 500 nm, 光谱分辨率: 4 cm^-1, 扫描次数: 32次, 增益: 4倍, 之后保存光谱数据。

1.3.2 数据处理

光谱采集时受仪器噪声及环境光影响会产生一定噪声, 对光谱数据进行Savitzky-Golay(SG)卷积平滑处理(设置窗口数为5, 拟合3次多项式), 以降低光谱信号中背景噪声与基线漂移。 不同品种杏的表皮光滑程度不同, 因此对光谱进行多元散射校正(multiple scatter correction, MSC)处理, 以消除杏表皮差异带来的散射影响。

全波段光谱数据中可能含有对品种分类没有帮助的冗余信息, 且全光谱数据建立的模型复杂程度较高、 工作效率低, 不利于实际应用; 利用化学计量学方法对光谱数据降维, 从而简化模型, 提高工作效率^{[16, 17]}。 使用主成分分析(principal component analysis, PCA)、 竞争性自适应加权算法(competitive adaptive re-weighted sampling, CARS)、 随机蛙跳算法(random frog, RF)、 连续投影算法(successive projection algorithm, SPA)4种方法对光谱数据进行降维, 降低光谱数据共线性。

为获取可靠分类结果, 选用线性判别法(linear discriminant analysis, LDA)、 朴素贝叶斯(Naive Bayesian, NB)、 k近邻法(K-nearest neighbor, KNN)、 支持向量机(support vector machine, SVM)4种方法建立分类模型并进行对比。 KNN模型设置最近邻数量为5, SVM模型使用线性内核。 使用混淆矩阵计算分类精度, 准确率(accuracy)为分类模型的评价指标。 准确率越接近1, 说明模型预测效果越好。

Accuracy=TP+TNTP+TN+FP+FN(1)

式(1)中: TP实际为正, 预测为正的数量; TN实际为负, 预测为负的数量; FP实际为负, 预测为正的数量; FN实际为正, 预测为负的数量。

由于350~400 nm范围光谱包含大量噪声, 选择400~1 000和1 000~2 500 nm范围内光谱进行后续分析。 图1(a)和(b)为6个品种的杏经过预处理后的平均光谱。 由图1可以看出, 各类光谱有着相同的变化趋势, 光谱图中波峰、 波谷位置基本一致, 说明杏果实所含的水分、 糖分、 有机酸等成分有相同之处, 光谱吸收峰强度差异可能与品种间各组分含量有关。 图1(a)中, 400~500 nm可见光谱反射值较低, 对应为类胡萝卜素光谱吸收范围, 680 nm处出现明显吸收峰对应C— H振动, 540~680和720~920 nm两处出现较宽的反射峰对应果肉中多种有机物的含氢基团。 图1(b)可见光谱中, 1 200 nm附近吸收峰对应C— H的第三泛频带, 1 450 nm附近吸收峰与O— H键的一级倍频伸缩振动有关, 1 950 nm附近吸收峰对应C— H和C— O的组合带, 与杏果肉中的果胶、 类胡萝卜素、 有机酸等物质在近红外光谱的吸收有关。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 杏可见光光谱(a)与近红外光谱(b)Fig.1 Visible spectrum (a) and Near infrared spectrum (b) of Apricot

将样本按照3∶ 1的比例划分为训练集和预测集, 基于全波段光谱数据建立LDA、 NB、 KNN和SVM分类模型, 预测集预测结果如表1所示。 在VIS/NIR范围内, 4种模型的总分类正确率均大于80%, 其中SVM模型的总分类正确率高达95.7%。 同时, “ 库买提杏” 和“ 小吊干杏” 在4种模型中分类正确率均较高, 可能与其光谱在540~680 nm范围与其他品种杏有较大差异有关。 NIR范围内, NB与KNN模型的分类效果较差, 正确率仅为64.5%、 65.2%, 而LDA与SVM模型的分类效果较好, 正确率分别为97.8%、 90.6%。 在4种模型中, 不同品种杏的分类正确率无较大差异, 原因可能是NIR范围内不同品种杏的光谱无明显差异。 由以上结果可知, 基于全光谱数据结合合适的建模方法可以较好地实现对不同品种杏的鉴别分析, 且VIS/NIR范围内模型的平均分类正确率更高, 更适用于杏品种的区分; 4种分类模型中, NB与KNN模型在NIR范围的分类正确率较低, 说明NB和 KNN可能不适用于NIR范围内杏品种的判别分析。 由于全光谱模型运算效率低, 不利于实际应用, 部分模型预测效果较差可能与全光谱数据中存在的与分类无关的冗余信息有关, 因此有必要对光谱数据降维。

表1

Table 1

表1(Table 1)

表1 基于全波段光谱的分类模型对比 Table 1 Comparison of classification models based on full-band spectrum Spectral range wavelength coverage Model Accuracies/% Huang xing GanLan xing Xiaobai xing Xiaomi xing Kumaiti xing Xiaodiao ganxing Overall VIS/NIR 400~1 000 LDA 52.2 60.9 87 87 100 95.7 80.4 NB 69.6 82.6 78.3 69.6 95.7 91.3 81.2 KNN 82.6 69.6 82.6 78.3 100 82.6 82.6 SVM 91.3 87 100 95.7 100 100 95.7 NIR 1 000~2 500 LDA 100 95.7 100 91.3 100 100 97.8 NB 60.9 73.9 65.2 69.6 65.2 52.2 64.5 KNN 69.6 56.5 73.9 69.6 56.5 65.2 65.2 SVM 73.9 91.3 91.3 91.3 95.7 100 90.6

表1 基于全波段光谱的分类模型对比 Table 1 Comparison of classification models based on full-band spectrum

PCA基于数学变换原理, 降维后的数据能保留原始变量的信息, 且变量彼此间互不相关。 前20个主成分的累积贡献率如图2(a, b)所示。 在两个光谱范围内, 取前3个主成分时, 累积贡献率都在95%以上, 说明前3个主成分已经能很好地表达原始光谱数据中的信息。 前3个主成分的空间分布图如图3(a, b)所示。 在VIS/NIR范围内, 6类杏样本的空间分布有一定差异, 但无法实现准确区分, 在NIR范围内, 6类杏样本的空间分布有很大程度重叠交织, 无法实现品种区分。 取前三个主成分时, 能很好表达原始光谱信息, 但无法实现很好的分类效果, 使用PCA降维后的数据进行杏品种分类识别时, 应当对比分析选择不同主成分数目时的建模结果。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 杏光谱主成分分析的累积贡献率 (a): 可见光谱; (b): 近红外光谱Fig.2 Cumulative contribution rate of PCA for apricot spectra (a): Visible spectrum; (b): Near-infrared spectrum

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 杏光谱主成分分析的前三个主成分分布图 (a): VIS; (b): NIRFig.3 Principal components analysis score plot of apricots (a): VIS; (b): NIR

为了探究PCA降维对各模型分类结果的影响, 基于PCA选取不同主成分数目对原始光谱数据进行降维, 结合4种建模方法建立不同分类模型, 结果如图4(a, b)所示。 由图4(a, b)可知, 主成分数目对各模型分类结果有较大影响, 且各模型的分类正确率变化趋势一致; 4种分类模型中, LDA、 NB、 SVM三种模型的分类效果优于KNN模型; 两个范围光谱的模型中, VIS/NIR范围内的模型分类效果优于NIR范围内的模型。 对比PCA降维模型与全光谱模型的预测结果可知, 在VIS/NIR范围内, LDA与NB模型的总分类正确率得到显著提升, 分别由80.4%、 81.2%提升至最高97.8%、 94.2%; 在NIR范围内, NB模型的总分类正确率相比于全光谱模型得到显著提升, 由64.5%提升至89.1%; 两个范围光谱中, KNN和SVM模型对全光谱与PCA降维数据的判别结果无明显差异; NIR范围内, LDA模型的分类正确率低于全光谱模型, 但由图4趋势可知, 当主成分数目继续增加时, 其分类正确率会与全光谱模型结果一致。 以上结果表明, PCA降维能够简化模型, 提高部分模型的预测效果。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 主成分数目对模型分类结果的影响 (a): VIS; (b): NIRFig.4 The effect of PCs on the classification results (a): VIS; (b): NIR

2.5.1 基于CARS的特征波长提取

CARS采用随机取样方法, 选择一部分样本建立偏最小二乘模型, 重复迭代N次, 最终选择交互验证均方根误差(RMSECV)最小的一组变量。 CARS选择特征波长的过程如图5(a, b)所示, 设置迭代次数50次, 最大主成分数为20, 交互验证次数为10次, 随着迭代次数增加, RMSECV呈现先降后升的趋势。 在VIS/NIR范围内, 第14次采样时RMSECV最小, 选择了132个特征波长, 占全波段的21.96%; NIR范围内, 第17次采样时RMSECV最小, 选择了177个特征波长, 占全波段的11.36%。 由于使用CARS方法选择的特征波长数量较多, 可能仍包含与分类无关的信息, 因此使用SPA方法进一步筛选特征波长。 经SPA进一步筛选后, 在VIS/NIR范围内, 选择的特征波长数量由132降为25, 在NIR范围内, 特征波长数量由177降为26, 分别占全波段的4.16%、 1.67%。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 CARS选择杏光谱特征波长结果 (a): 可见光谱; (b): 近红外光谱Fig.5 Result for variable selecting by CARS in the spectra of apricot (a): Visible spectrum; (b): Near-infrared spectrum

2.5.2 基于RF的特征波长提取

RF基于初始变量提取子集进行多次迭代计算, 最终给出每个变量的选择概率, 选择概率较高的变量则为特征波长。 选择特征波长时, 设置初始抽样变量为2, 模拟蛙跳次数2 000次, 阈值为0.2。 对全波段光谱使用RF选择特征波长, 结果如图6(a, b)所示。 在VIS/NIR范围内, 选取了173个特征波长, 占全波段的27.79%, NIR范围内, 选择了142个特征波长, 占全波段的9.12%。 由于使用RF选择的特征波长数量仍然较多, 使用SPA方法进一步优化筛选特征波长。 经过SPA再次筛选后, 在VIS/NIR范围内, 选择的特征波长由173降为10, 在NIR范围内, 特征波长数量由142降为25, 分别占全波段数量的1.66%、 1.60%。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 RF选择杏光谱特征波长结果 (a): 可见光谱; (b): 近红外光谱Fig.6 Result for variable selecting by RF in the spectra of apricot (a): Visible spectrum; (b): Near-infrared spectrum of apricot

2.5.3 基于SPA的特征波长提取

SPA基于向量的投影分析, 将波长投影到其他波长上, 选择不同波长向量投影中最大的波长为特征波长, 将这些特征波长点组成波长子集, 最终选择的波长组合即为特征波长组合, 能够有效降低数据共线性。 选择特征波长时, 设置特征波长上限为50。 对全波段光谱使用SPA筛选特征波长, 结果如图7(a, b)所示。 在VIS/NIR范围内, 选取了10个特征波长, 占全波段的1.66%; NIR范围内选择了27个特征波长, 占全波段的1.73%。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 SPA选择杏光谱特征波长结果 (a): 可见光谱; (b): 近红外光谱Fig.7 Result for variable selecting by SPA in the spectra of apricot (a): Visible spectrum; (b): Near-infrared spectrum of apricot

为了验证CARS、 RF与SPA选择的特征波长对各模型分类结果的影响, 基于特征波长建立不同分类模型, 结果如表2、 表3所示。 由表2可知, 在VIS/NIR波段, CARS-SPA-LDA与SPA-SVM模型的分类正确率最高, 均为95.7%, 但SPA-SVM仅使用了10个特征波长, 因此模型更为简洁。 由表3可知, 在NIR波段, RF-SPA-LDA分类正确率最高, 达到95.7%, 对应的特征波长数量为25。 对比表2与表3, VIS/NIR范围光谱建立的模型分类效果更优; 4种分类模型中, LDA与SVM模型的分类效果优于NB与KNN模型; VIS/NIR范围内, SPA方法选择的特征波长建模效果最优, NIR范围内, RF-SPA方法选择的特征波长建模效果最优。 通过比较表1与表2、 表3可知, 经过三种方法选择特征波长后, 仅有VIS/NIR范围内的LDA模型的分类精度得到明显提升, 由80.4%提升至最高95.7%。 整体上VIS/NIR范围内其他三种模型与NIR范围内4种模型的分类效果均略低于全光谱模型, 原因可能是选择特征波长时, 部分对分类有用的信息被剔除, 影响了分类结果。

表2

Table 2

表2(Table 2)

表2 基于VIS/NIR降维数据的模型分类结果 Table 2 Classification model results based on VIS/NIR dimensionality reduction data Spectral range Variables election Methods Model Accuracies/% Huang xing GanLan xing Xiaobai xing Xiaomi xing Kumaiti xing Xiaodiao ganxing Overall VIS/NIR CARS-SPA LDA 100 91.3 100 87 95.7 100 95.7 NB 34.8 82.6 73.9 69.6 78.3 47.8 64.5 KNN 78.3 73.9 87 78.3 91.3 87 82.6 SVM 100 82.6 100 82.6 95.7 87 91.3 RF-SPA LDA 95.7 91.3 91.3 91.3 100 100 94.9 NB 30.4 82.6 73.9 69.6 95.7 91.3 73.9 KNN 65.2 73.9 82.6 60.9 100 95.7 79.7 SVM 95.7 87 95.7 82.6 100 100 93.5 SPA LDA 95.7 91.3 95.7 95.7 95.7 95.7 94.9 NB 78.3 78.3 82.6 82.6 91.3 87 83.3 KNN 91.3 78.3 91.3 78.3 100 82.6 87 SVM 95.7 87 95.7 95.7 100 100 95.7

表2 基于VIS/NIR降维数据的模型分类结果 Table 2 Classification model results based on VIS/NIR dimensionality reduction data

表3

Table 3

表3(Table 3)

表3 基于NIR降维数据的模型分类结果 Table 3 Classification model results based on NIR dimensionality reduction data Spectral range Variables election Methods Model Accuracies/% Huang xing GanLan xing Xiaobai xing Xiaomi xing Kumaiti xing Xiaodiao ganxing Overall NIR CARS-SPA LDA 82.6 95.7 100.0 91.3 100.0 100.0 94.9 NB 60.9 69.6 69.6 69.6 60.9 47.8 63.0 KNN 65.2 65.2 73.9 65.2 47.8 52.2 61.7 SVM 78.3 82.6 87.0 91.3 78.3 95.7 85.5 RF-SPA LDA 82.6 95.7 100.0 95.7 100.0 100.0 95.7 NB 60.9 69.6 69.6 69.6 60.9 47.8 63 KNN 65.2 60.9 73.9 69.6 39.1 65.2 62.3 SVM 78.3 82.6 91.3 91.3 78.3 95.7 86.2 SPA LDA 87.0 87.0 100.0 91.3 100.0 100.0 94.2 NB 43.5 56.5 73.9 65.2 65.2 39.1 57.3 KNN 60.9 52.2 73.9 56.5 52.2 56.5 58.7 SVM 73.9 78.3 87 91.3 82.6 95.7 84.8

表3 基于NIR降维数据的模型分类结果 Table 3 Classification model results based on NIR dimensionality reduction data

通过比较表1、 图4、 表2、 表3结果可知, 整体上VIS/NIR范围内模型的分类效果优于NIR范围内模型。 最优预测模型为VIS/NIR范围内的PCA-LDA模型, 分类正确率高达97.8%, 且仅使用了前14个主成分; 经过降维后LDA模型分类正确率得到有效提升; NB与KNN模型在降维前后分类精度变化不大, 模型较为稳定, 但总体分类效果较差; SVM模型在降维前后分类效果变化幅度较小, 且能保持较高分类正确率。 LDA与SVM模型更适用于杏品种的鉴别。