對(duì)梨棗糖度質(zhì)量分?jǐn)?shù)進(jìn)行無(wú)損檢測(cè)分析,園藝學(xué)論文

對(duì)梨棗糖度質(zhì)量分?jǐn)?shù)進(jìn)行無(wú)損檢測(cè)分析,園藝學(xué)論文梨棗又名大鈴棗、脆棗等,果實(shí)多數(shù)似梨形,為棗中稀有的珍貴鮮食品種。華而不實(shí),梨棗糖度是其鮮食時(shí)品質(zhì)優(yōu)劣的首要判定標(biāo)準(zhǔn)。為了提供高品質(zhì)的梨棗,需要研究能同時(shí)檢測(cè)果實(shí)內(nèi)外部品質(zhì)的快速、無(wú)損自動(dòng)檢測(cè)分級(jí)系統(tǒng)。研究表示清楚,物質(zhì)的內(nèi)部成分與波譜信息密切相關(guān),這使利用光譜信息對(duì)梨棗內(nèi)部品質(zhì)進(jìn)行無(wú)損檢測(cè)成為可能。相對(duì)于傳統(tǒng)的檢測(cè)方式方法,高光譜成像技術(shù)集中了光學(xué)、光電子學(xué)、電子學(xué)、信息處理、計(jì)算機(jī)科學(xué)等領(lǐng)域的先進(jìn)技術(shù),是光譜技術(shù)與圖像技術(shù)的有機(jī)結(jié)合。近年來(lái),高光譜技術(shù)在農(nóng)產(chǎn)品檢測(cè)的應(yīng)用日益廣泛,不僅能夠?qū)崿F(xiàn)農(nóng)作物成分的檢測(cè),還能夠?qū)崿F(xiàn)水果的大小、損傷、糖度等的無(wú)損檢測(cè)分析。小波分析算法作為一種強(qiáng)大的時(shí)-頻局部化分析方式方法,解決了傅里葉分析方式方法無(wú)法對(duì)局部時(shí)間信號(hào)的局部頻譜特性進(jìn)行分析的問(wèn)題。最近幾年,小波分析已經(jīng)廣泛應(yīng)用于工業(yè)檢測(cè)和農(nóng)產(chǎn)品檢測(cè)等各個(gè)領(lǐng)域,其主要應(yīng)用是進(jìn)行去噪和提取特征參數(shù),以提高建模分析水平。小波分析固然在光譜研究中應(yīng)用很多,但是將小波分析應(yīng)用于高光譜數(shù)據(jù)中并提取其逼近系數(shù)進(jìn)行建模分析的應(yīng)用還未見(jiàn)報(bào)道。為此,利用小波分析方式方法,針對(duì)高光譜成像儀采集的梨棗光譜信息建立模型,對(duì)梨棗糖度質(zhì)量分?jǐn)?shù)進(jìn)行無(wú)損檢測(cè)分析。1、實(shí)驗(yàn)材料和方式方法1.1梨棗樣本實(shí)驗(yàn)所用樣本于2020年9月28日采摘于山西省太谷縣東莊棗園。為了實(shí)現(xiàn)高光譜對(duì)梨棗糖度質(zhì)量分?jǐn)?shù)的無(wú)損檢測(cè),采集了82個(gè)正常梨棗樣本(將其標(biāo)記為tg1~tg82),用于檢測(cè)其糖度含量。1.2高光譜數(shù)據(jù)采集高光譜圖像數(shù)據(jù)通過(guò)高光譜成像系統(tǒng)采集得到,系統(tǒng)裝置如此圖1所示。其主要包括成像光譜儀V10EQE、C-mount成像鏡頭OLE23、線光源SchottDCRⅢ、電控位移臺(tái)PSA20011X、OBF570濾片、移動(dòng)平臺(tái)控制器SC300A、計(jì)算機(jī)、校正白板和暗箱等一系列部件。華而不實(shí),線光源SchottDCRⅢ是一種功率為150W的直流穩(wěn)壓鹵素光源。進(jìn)行實(shí)驗(yàn)時(shí),實(shí)驗(yàn)臺(tái)速度設(shè)置為1.6mm/s,高度為240mm,分辨率為6721390,曝光時(shí)間為500ms。本實(shí)驗(yàn)采集得到光譜范圍是400~1000nm之間共512個(gè)波長(zhǎng)下的圖像信息。1.3高光譜圖像校正由于系統(tǒng)暗電流和光源不均勻等的影響,采集梨棗樣本圖像后,須對(duì)高光譜圖像進(jìn)行黑白標(biāo)定。系數(shù)調(diào)整好后,先掃描反射率為99%的標(biāo)準(zhǔn)白色校正板得到全白的參考圖像Ac,然后采集全黑的參考圖像Bc。黑白標(biāo)定公式為式中Ic原始的高光譜圖像;Bc全黑的標(biāo)定圖像;Ac全白的標(biāo)定圖像;Rc標(biāo)定后的高光譜圖像。所有高光譜圖像數(shù)據(jù)的采集都是基于臺(tái)灣五鈴光學(xué)股份有限公司提供的信息采集軟件平臺(tái)(Isuzuo-ptics),數(shù)據(jù)處理基于ENVI4.7(ResearchSystemInc.,Boulder,Co.,USA)和MatlabR2018b軟件平臺(tái)。1.4糖度數(shù)據(jù)采集當(dāng)樣本采集完高光譜后,立即采集其糖度數(shù)據(jù)。本實(shí)驗(yàn)梨棗糖度數(shù)據(jù)采用傳統(tǒng)的方式獲取,即將梨棗果肉擠壓出汁,并采用濾紙對(duì)果汁進(jìn)行過(guò)濾,對(duì)過(guò)濾后的汁液采用數(shù)字阿貝折射儀(WAY-2S)測(cè)定其糖度質(zhì)量分?jǐn)?shù)。2、結(jié)果與討論2.1光譜預(yù)處理2.1.1原始光譜圖將82個(gè)梨棗感興趣區(qū)域像素點(diǎn)的光譜求均值,得到82條光譜曲線。圖1為82個(gè)梨棗樣本的可見(jiàn)-近紅外光譜圖。2.1.2全光譜PLS建模首先將82個(gè)太谷梨棗樣本全部作為校正集,用TheUnscrambler9.8軟件進(jìn)行偏最小二乘法(PLS)建模預(yù)測(cè),得到的糖度質(zhì)量分?jǐn)?shù)(SSC)實(shí)測(cè)值/預(yù)測(cè)值的散點(diǎn)分布圖如此圖2所示,實(shí)測(cè)值與預(yù)測(cè)值的殘差分布圖如此圖3所示。由圖3可知,tg42偏離擬合線最遠(yuǎn),其次為tg3和tg15,先將這3個(gè)樣本暫時(shí)定為異常樣本,對(duì)其逐個(gè)剔除并建模分析模型性能。模型性能參數(shù)如表1所示。由表1可知:首先將tg42剔除后,模型Rc提高,RMSEC降低,模型性能改善;再依次剔除tg3和tg15。當(dāng)剔除tg3時(shí),Rc升高,RMSEC降低,模型得到改善;當(dāng)剔除tg15時(shí),Rc降低,RMSEC降低,但是降低幅度不大。當(dāng)把3個(gè)樣本全部剔除時(shí),Rc降低,RMSEC也降低。綜合考慮,應(yīng)該剔除tg42和tg3。2.1.3原始光譜預(yù)處理背景和噪聲干擾是光譜分析中必須考慮的問(wèn)題。在光譜分析中,首先要去除背景跟噪聲的干擾,提高信噪比。本實(shí)驗(yàn)采用小波變換的分解重構(gòu)法對(duì)剔除異常樣本后的光譜進(jìn)行預(yù)處理,在MatLab里用小波分解重構(gòu)法對(duì)光譜進(jìn)行預(yù)處理。試驗(yàn)表示清楚,該預(yù)處理方式方法得到的數(shù)學(xué)模型比原始光譜所建數(shù)學(xué)模型效果要好。圖4為原始光譜跟小波預(yù)處理后的光譜圖。2.1.4全波段光譜建模分析用80個(gè)正常梨棗樣本的472個(gè)波段的光譜數(shù)據(jù)建立偏最小二乘(PLS)模型和主成分回歸(PCR)模型,模型參數(shù)如表2所示。由表2可知:用預(yù)處理后512個(gè)光譜波段建模時(shí),PLS模型校正集相關(guān)系數(shù)Rc比PCR模型的Rc要高,方差比PCR要低;且PLS預(yù)測(cè)集相關(guān)系數(shù)Rp比PCR模型的Rp要高,方差比PCR要低。所以,PLS模型優(yōu)于PCR模型。2.2近似系數(shù)建模分析2.2.1提取近似系數(shù)對(duì)經(jīng)過(guò)預(yù)處理后的光譜進(jìn)行多尺度分解,提取近似系數(shù)。本文對(duì)梨棗可見(jiàn)-近紅外光譜用小波函數(shù)db6進(jìn)行6層分解,分別提取6層的逼近信號(hào)a1~a6和6層的細(xì)節(jié)信號(hào)d1~d6,如此圖5所示。由圖5可知:細(xì)節(jié)信號(hào)d1和d2的值較小,可以為是由傳感器或是狀態(tài)噪聲的高頻干擾;細(xì)節(jié)信號(hào)d5反響了250波段處的光譜吸收信息,因而第5層的奉獻(xiàn)最大。在利用上述算法計(jì)算特征提取時(shí),小波分解的尺度由于目的光譜特征寬度較大,往往在所確定尺度上特征空間數(shù)據(jù)量過(guò)少,對(duì)原始光譜的描繪敘述較為粗糙。這時(shí),能夠選擇計(jì)算結(jié)果所確定尺度的上一級(jí)近似小波系數(shù)作為光譜特征提取的結(jié)果,即a4近似系數(shù)。最終選擇用小波函數(shù)db6進(jìn)行4層分解,并提取第4層的近似系數(shù)a4來(lái)代替原始光譜信息進(jìn)行建模分析。2.2.2近似系數(shù)建模分析對(duì)梨棗樣本提取的42個(gè)近似系數(shù)進(jìn)行建模分析,分別建立偏最小二乘回歸(PLS)模型和主成分回歸(PCR)模型,模型參數(shù)如表3所示。隨機(jī)取前20個(gè)樣本作為預(yù)測(cè)集,后60個(gè)樣本作為建模集,用建模集樣本分別建立PLS校正模型和PCR校正模型,并分別對(duì)預(yù)測(cè)集樣本進(jìn)行預(yù)測(cè),結(jié)果如此圖6所示。由表2和表3可知:近似系數(shù)的PLS模型校正集相關(guān)系數(shù)Rc(0.931)和PCR模型Rc(0.882)分別要比全光譜PLS模型Rc(0.875)和PCR模型Rc(0.858)要高;PLS模型校正集方差RMSEC(0.986)、預(yù)測(cè)集方差RMSEP(1.159)和PCR模型校正集方差RMSEC(1.048)、預(yù)測(cè)集方差RMSEP(1.322)分別要比全光譜PLS模型校正集方差RMSEC(0.731)、預(yù)測(cè)集方差RMSEP(1.270)和PCR模型校正集方差RM-SEC(0.958)、預(yù)測(cè)集方差RMSEP(1.361)的差值更為接近,講明近似系數(shù)所建模型較穩(wěn)定。因而,基于小波分解得到的近似系數(shù)能夠代表光譜信息進(jìn)行建模分析。由圖6可知,近似系數(shù)PLS模型預(yù)測(cè)結(jié)果的相關(guān)系數(shù)為0.746,PCR模型預(yù)測(cè)結(jié)果的相關(guān)系數(shù)為0.7363,均到達(dá)了良好的預(yù)測(cè)結(jié)果,且PLS模型預(yù)測(cè)結(jié)果比PCR模型要好。3、結(jié)論1)比照近似系數(shù)建模和全光譜數(shù)據(jù)建模,建模參數(shù)由512個(gè)減少為42個(gè),主成分?jǐn)?shù)也減少,且模型性能穩(wěn)定。因而,基于小波分解得到的近似系數(shù)能夠代表光譜信息進(jìn)行建模分析。2)比照近似系數(shù)建模和全光譜建?？芍?近似系數(shù)的PLS模型和PCR模型校正集相關(guān)系數(shù)分別要比全光譜PLS模型和PCR模型校正集相關(guān)系數(shù)高;PLS模型和PCR模型校正集方差、預(yù)測(cè)集方差分別要比全光譜PLS模型和PCR模型校正集方差、預(yù)測(cè)集方差更為接近。這講明,應(yīng)用近似系數(shù)所建模型較穩(wěn)定。因而,基于小波分解得到的近似系數(shù)能夠代表光譜信息進(jìn)行建模分析。以下為參考文獻(xiàn):[1]周竹,李小昱,高海龍,等.馬鈴薯干物質(zhì)含量高光譜檢測(cè)中變量選擇方式方法比擬[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2020,43(2):128-133,185.[2]孫通,徐惠榮,應(yīng)義斌.近紅外光譜分析技術(shù)在農(nóng)產(chǎn)品/食品品質(zhì)在線無(wú)損檢測(cè)中的應(yīng)用研究進(jìn)展[J].光譜學(xué)與光譜分析,2018,29(1):122-126.[3]趙聰明智慧,張淑娟,張海紅,等.鮮棗可溶