基于光谱技术评价水果品质的研究进展
盐菜的做法摘要:本论文调研了可见光和近红外(Vis/NIR)光谱、多光谱成像和高光谱成像技术在不同品种水果品质属性测量和品种鉴别中的应用。简要介绍了几种常用的化学计量学方法,包括预处理方法、变量选择方法、判别方法和标定方法,且主要集中在可见/近红外光谱。大多数应用集中在品种鉴别或可溶性固形物含量(SSC)、酸度和硬度的测量。论文讨论了不同的光谱模式,即反射率、相互作用和透射率的可行性。
泰山四大奇观关键词:可见光/近红外光谱;水果品质;化学计量学;特征波长
Rearch progress of fruit quality evaluation bad on spectral technology
喜欢你金城武Su Jiayun,Cai Jing, Li Bin, Peng Chengquan
(Foshan University, School of Physical and Optoelectronic Engineering, Guangdong, Foshan,528000)
Abstact: In this paper, we investigated the application of visible and near infrared (Vis/NIR)
spectroscopy, multispectral imaging and hyperspectral imaging in the measurement and identification of fruit quality attributes of different varieties. Several common stoichiometry are briefly introduced, including preprocessing, variable lection, discrimination, and calibration, and focus on the visible / near infrared spectra. Most applications focus on variety identification or the measurement of soluble solid content (SSC), acidity, and hardness. The feasibility of different spectral modes, namely reflectance, interaction and transmittance, is discusd.
Key words: Visible/near infrared spectrum,Fruit quality; Stoichiometry; Characteristics of the wavelength
1.引言
在过去的几十年里,随着经济的快速发展和生活水平的提高,水果的消费量显著增加。同时,消费者对水果的成熟度、硬度、可溶性固形物含量(SSC)和酸度等品质有较高的期望。然而,许多受消费者欢迎且价格合适的水果品质仍使用传统的方法进行检测。因此,如何无损、快速地检测水果的内外品质仍然是研究的热点。世界各地的研究人员都在研究
各种评估水果品质检测技术,包括声学技术、光谱技术、机器视觉和电子鼻。在这些技术中,光谱技术以其突出的优点受到了广泛的关注:(1)它是一种非破坏性的方法,可以在不损伤果实表面的情况下获取果实的内部品质参数;(2)测量过程简单、快速,无需对水果样品进行复杂的预处理或化学反应;(3)可同时检测多个水果内部特征。然而,其缺点是利用光谱检测技术时,常用的小点源测量不能提供空间信息,而空间信息在水果品质评价中是重要的。
成像和光谱学是传统光学技术的两个重要方向。成像技术可以获取水果的图像并获取其空间信息,而光谱学则通过获取光学信息来获取水果的化学成分和物理特性信息。成像光谱技术能够同时获取水果图像和光谱信息,其具有高光谱分辨率和多波段的优点。根据光谱分辨率,成像光谱可分为多光谱成像、高光谱成像和超光谱成像。多光谱成像和高光谱成像技术可使用于水果品质参数测量。然而,目前关于成像技术和光谱技术的论文还很少,因此本文主要关注的是光谱技术,而不是成像技术。
可见和近红外(Vis/NIR)辐射覆盖电磁波谱380 - 2500nm的范围。由于有机化合物中几乎所有主要结构和官能团的信号都能在Vis/NIR光谱中被检测到,且光谱图相当稳定,因此Vis/
NIR光谱常用于分析[1]。在多光谱和高光谱成像技术中用于评估水果品质的波段也位于Vis/NIR区域[2]。当入射辐射击中样品时,它可能被反射、透射或吸收。相应的,可以得到反射率、透射率或吸光度模式的光谱,每一种模式都可以反映样品的一些物理属性和化学组成结构。
1.化学计量学
光谱以及多光谱和高光谱成像技术用于测量水果质量属性通常在Vis/NIR区域进行,此范围的光谱包含了关于O-H, C-H和N-H振动吸收的丰富信息[3]。但在该区域,光谱基本以水为主,水能够高度吸收近红外辐射[4]。此外,Vis/NIR光谱信噪比低,组合波段和泛音重叠程度高,果实组成复杂,光散射依赖波长,仪器噪声较大。所有这些都导致了Vis/NIR光谱的卷积。因此,化学计量学能够应用于从光谱数据中提取有关品质属性的信息。食物禁忌
1.预处理方法
求婚现场布置常见的预处理方法有:(1)平滑,去除频谱高频噪声、提高信噪比的一种有效方法;(2)偏移校正,这是一种集中处理方法,通过从每个光谱中减去前几个波长点(例如5个)
的平均值来实现;(3)去趋势化,一种消除频谱中基线漂移的方法;(4)乘法散射校正(MSC),利用MSC来补偿光谱数据中颗粒大小不同、分布不均等物理效应引起的非均匀散射效应;(5)标准正常变量(SNV),SNV与MSC基本相同,目的是消除粒径和散射引起的偏差;(6)导数修正,一阶导数和二阶导数分别用于消除漂移和散射,是一种广泛应用的预处理方法;(7)小波变换,一种新兴的信号和图像处理方法。在光谱分析中,小波变换常用于数据压缩、平滑和滤波,以及有效信息的提取;(8)正交信号校正(OSC),在信号校准前通过一些正交方法剔除无关信号,可以有效减少主成分数量,提高校准模型的预测能力和稳定性。OSC还可用于解决模型传递和离群点检测等问题;(9)网络分析物预处理(NAP),NAP主要用于提取混合物光谱中某一成分的光谱信息[6]。
1.化妆变量选择方法
由于全光谱信息的丰富性和明显的非线性,可以对全波长范围内的原始光谱数据采用一些处理方法,提取出预测能力最高的特征波长。这种方法减少了输入变量的数量,缩短了校准时间。小鱼儿图片
(1)连续投影算法(SPA) ,在向量空间中通过简单的操作寻找冗余信息最小、共线性最小
的一组变量;(2)回归系数(RC),偏最小二乘回归(PLS)的校正可得到RCs;(3)加载重量(LW) ,在校准PLS的过程中可以获得加载重量;(4)遗传算法(GA),是一种有效的全局搜索方法,它模仿了生物世界中优胜劣汰的竞争机制;(5)竞争自适应重加权抽样(CARS)一种新的波长选择方法,基于PLS模型中的自适应重加权采样技术,将具有较大绝对系数的波长依次识别为水波;(6)无信息变量消除(UVE),其基本方法是在实验变量中加入一些噪声变量,用混合变量建立标定模型[7]。
1.判别方法
(1)主成分分析(PCA),通过应用主成分分析,得到一组主成分。PCA常与其他判别方法结合使用;(2)偏最小二乘-判别分析(PLS-DA) ,是一种常用的优化分类方法,通过虚拟变量代替某些质量属性的浓度;(3)类类比的软独立建模(SIMCA),当应用SIMCA时,对特定训练数据集中的每个类建立PCA模型,再根据与模型的残差距离将每个观测值分配给一个类;(4)线性判别分析(LDA) ,通常用于机器学习中搜索分离不同类别对象的特征的线性组合。
1.校准方法
(1)多元线性回归(MLR),通过每个波长点的光谱值的线性组合来预测因变量;(2)主成分回归(PCR) ,通过主成分分析(PCA)选择少量的主成分(PCs);(3)偏最小二乘回归(PLS)为了克服PCR的缺点,引入了PLS回归。它通过从变量中提取最小的具有最大预测能力的正交因子集来预测因变量;(4)最小二乘支持向量机(LS-SVM) ,一种新兴的统计学习算法,基于结构风险最小化原理,提高了学习机的泛化能力;(5)人工神经网络(ANN), 神经网络在近红外标定中得到了广泛的应用。一个神经网络模型通常由三层神经元组成,分别是输入层、隐藏层和输出层[8]。
1.模型评价
校准模型的预测能力主要通过验证集预测值与实测值之间的相关系数(r)和均方根误差(RMSEP)进行评价。相关系数越高,RMSEP越低,预测效果越好。当采用交叉验证时,还可以通过交叉验证的均方根误差(RMSECV)来评估预测性能。
其他常用的评价参数包括预测标准误差(SEP)、交叉验证标准误差(SECV)、剩余预测偏差(RPD)和相对标准偏差(RSD)。RPD是因变量的标准差与RMSEP或RMSECV的比值。Nicolai et al.[4]和pisard et al.[3]认为,对于预测模型,当RPD值在2 - 2.5之间时,可以进
行粗预测,而RPD值大于2.5则表示预测良好至优秀。Davey等[9]定义了类似的标准,证明香蕉中总类胡萝卜素和β-胡萝卜素可以准确测定(RPD分别为3.34、2.74),α-胡萝卜素和c-胡萝卜素可以粗略预测(RPD分别为1.68和1.96),叶黄素不能预测(RPD = 1.16)。