西瓜中糖度检测方案(高光谱)

智能文字提取功能测试中

Key words： Hyperspectral imaging； Watermelon and muskmelon； Sugar content； Spectral different； Monitoring Model 基于可见/近红外高光谱成像技术的西瓜糖度检测 何洪巨，，胡丽萍，'，李武'，陈兴海”，黄宇2*，刘业林，苏秋城 (1北京市农林科学院蔬菜研究中心，北京，100097；2四川双利合谱科技有限公司，成都，610016) 摘 要：：目前大多数研究者利用光谱仪检测果类品质、糖度、酸度等时，仅对单一品种或者某一类水果进行研究，所构建的模型有一定的极限性。针对这种情况，本研究提出了以不同品种的西瓜、甜瓜为研究对象，利用可见光/近红外成像高光谱技术分析不同糖度的西瓜的光谱差异及西瓜糖度在可见光/近红外波段范围的响应。实验结果表明，不同品种不同糖度的西瓜，其光谱曲线变化趋势相似，在650-800 nm处，随着糖度升高其光谱反射率呈增加的趋势，在570-650nm 区间反射率呈直线上升；不同品种不同糖度的甜瓜其光谱曲线变化趋势相似，随着糖度的升高反射率呈上升趋势，在550-580 nm 区间反射率上升较快，形成陡坡；不同品种的西瓜其糖度在可见光/近红外波段相关性较高的波段主要集中在650-700 nm 之间，不同品种的甜瓜其糖度在可见光/近红外波段相关性较高的波段则主要集中在670-690 nm 之间，而综合西瓜、甜瓜两种水果，其糖度在可见光/近红外波段相关性较高的集中在630-650 nm，其中相关系数最高的是639.3nm处，其相关系数为0.951；利用独立的建模与检验数据，运用639.3 nm 处的反射率构建监测模型，并对该模型进行检验，其建模R²为0.904，检验R²为 0.847， 斜率 Slope 为0.905，截距为0.867，相对均方根误差 RRMSE 为6.78%。研究表明应用成像高光谱技术检测西甜瓜糖度具有可行性，为进一步研究不同水果糖度高精度模型奠定基础。 关键词：成像高光谱；西甜瓜；糖度；光谱差异；监测模型 Sugar test in watermelon and muskmelon with visible/near infraredhyperspectral imaging technology He Hongjul， Hu Liping'， Li Wul， Chen Xinghai， Huang Yu?*， Liu Yelin?， Su Qiucheng? ， (1 Beijing Vegetable Research Center， Beijing Academy of Agriculture and Forestry Sciences， Beijing 100097， China； 2 Sichuan Dualix Spectral ImageTechnology Co.Ltd， Chengdu， 610016， China) Abstract： Most researchers currently using spectrometer detect fruit quality，sugar and acidity etc.， only for a single species or a kind offruit is studied， the model has a certain limit. In view of this， we propose use different varieties of watermelon， muskmelon as the researchobject， using visible / near infrared imaging hyperspectral technology analysis the spectra difference of different sugar degree inwatermelon and muskmelon， and the response in the visible / near infrared range of different sugar content in watermelon and muskmelon.The results showed that different sugar content of different watermelon varieties， their spectral curves similar trend. At 650 -800 nm， withthe sugar content increasing， it’s spectral reflectance increasing， and at 570- 650 nm range its reflectance showed linear rise. Differentsugar content of different muskmelon varieties， the spectral curve change trend similarly； the reflectance has an increasing trend with thesugar degree increasing， and at 550 - 580 nm， the reflectivity rise rapidly， forming a steep slope. For different watermelon varieties， itssugar content in the visible / Near-infrared bands are highly correlated at 650 - 700 nm， for different muskmelon varieties， its sugarcontent in the visible / near-infrared bands have highly correlation at 670- 690 nm； For watermelon and muskmelon， its sugar content inthe visible/ near-infrared have high correlation at 630-650 nm， the band which has the highest correlation coefficient at 639.3 nm， thecorrelation coefficient was 0.951. Using independent modeling and testing data， the monitoring model was constructed by the reflectanceof 639.3 nm and sugar content， for the model was tested， the model R=0.904， the test R?=0.847， slope was 0.905， intercept was 0.867，relative root mean square error was 6.78%. The research shows that the application of hyperspectral imaging technology to detect thesugar degree of watermelon and muskmelon is feasible， which lays the foundation for the further research for the high precision model ofsugar content of different fruit. ( 基金项目：西甜瓜产业技术体系(CARS-26)， 北京市农林科学院科技创新能力建设专项(KJCX20140111) ) ( 作者简介：何洪巨(1967-)，男，研究员，北京市农 林 科学院蔬菜研究中心， E-mail： hehongju@nercv.org ) ( *通讯作者：黄宇(1987-)，男，工程师，四川双利合谱科技有限公司， E-mail：yu. h uang@dualix.com.cn ) 0 引言 西瓜素有“瓜中之王”的美称，含糖量较高，营养丰富，深受消费者的喜爱。糖度是影响西瓜营养与风味的主要因素，既可表征成熟度，又可体现其品质。传统的品质化学检测方法是一种费时费力的破坏性检测技术，随着成像和光谱技术的快速发展，高光谱成像技术 (Hyperspectral imaging) 已经广泛应用于农产品品质的快速无损检测[2]。高光谱成像技术融合了传统的成像和光谱技术的优点，可以同时获取被检测物体的空间信息和光谱信息，因此该技术既可以检测物体的外部品质，也可以检测物体的内部品质如水果的糖度、坚实度、酸度等[3-10]。 董一威等]以红富士苹果为研究对象，应用自行搭建的 CCD 近红外光谱系统检测苹果的糖酸度，研究结果表明在630 nm-1030 nm 范围内，可实现对苹果糖度、酸度的无损检测研究；金同铭等[12]利用近红外光谱法检测苹果中蔗糖、葡萄糖、果糖三种组分，筛选出914 nm、950 nm、897 nm分别代表蔗糖、葡萄糖和果糖的第一特征波长；赵丽丽等I13]运用近红外光谱仪获取苹果和番茄的光谱，并建立苹果糖度、硬度及番茄的红素的数学模型，所有模型的相关系数均在0.8以上，证明利用红外区域光谱可进行果品类品质的检测；田海清等14]利用透射光谱仪获取蜜瓜的光谱信息，运用经典最小二乘法、逐步多元线性回归、主成分分析、偏最小二乘法等方法构建模型并检验，结果表明 PLS 法的建模与预测结果较好； Polder 等15利用可见光(波长范围为 396-736nm)高光谱成像系统对西红柿的成熟度进行判别研究； Lu[16]利用高光谱成像系统研究了苹果的坚实度； Masry 等[17]采用波长范围为 400-1000 nm 的近红外高光谱成像技术检测了草莓内部含水量和可溶性固形物含量。赵杰文等[18]采集了苹果的高光谱图像(685-900nm)，研究发现利用 PLS 回归模型预测糖度的最优波长为 704.48-805.26nm，预测的相关系数为0.907；马本学等[l利用漫反射高光谱成像技术研究了网纹类甜瓜糖度的无损检测方法。 然而，大多数研究者利用光谱仪检测果类品质、糖度、酸度等时，仅针对单一品种或者某一类水果进行研究，很少有研究者利用多类水果或多品种水果进行研究分析其不同糖度、酸度的光谱差异及特征响应波段范围。因此本研究以无籽/有籽西瓜、为研究对象，利用可见/近红外高光谱成像技术，探索不同种类西瓜不同糖度光谱差异及特征响应波段范围，为探索不同水果糖度高精度检测模型奠定基础。 材料与方法 1.1试验材料 实验材料2015年9月取自大兴庞各庄实验基地。包括不同类型西瓜品种(有籽西瓜、无籽西瓜)；进行瓜瓤的光谱采集和含糖量测定。 1.2高光谱图像采集 高光谱图像数据采集采用四川双利合谱科技有限公司的 GaiaSorter 高光谱分选仪系统。该系统主要由高光谱成像仪、CCD相机、卤素灯光源、暗箱、计算机组成，如图1。实验仪器参数设置如表1。 图1 GaiaSorter 高光谱分选仪 表1 GaiaSorter 高光谱分选仪系统参数 序号 相关参数 V10E N25E-SWIR 1 光谱范围 400-1000 nm 1000-2500 nm 2 光谱分辨率 2.8 nm 12nm 3 像面尺寸 6.15×14.2 7.6×14.2 4 倒线色散 97.5nm/mm 208nm/mm 5 相对孔径 F/2.4 F/2.0 6 杂散光 <0.5% <0.5% 7 波段数 520 288 8 成像镜头 25 mm 30mm ，在进行高光谱图像采集时，需要设置相机曝光时间，平台移动速度以及物镜之间的距离。这3个参数相互影响，图像调节的目的是使采集的图像大小合适，清晰，不变形失真。经过反复尝试，物镜高度设置为26cm， 曝光时间设置为10ms， 平台移动速度设置为4.3 mm/s。图像采集软件采用四川双利合谱科技有限公司提供的高光谱成像系统采集软件 SpecView 完成。图像处理采用 ENVI5.3 软件进行处理。在进行图像处理之前，先要对采集的光谱图像进行图像校正，图像校正公式如下： 式中， Rref 是校正过的图像， DNraw 是原女图像， DNwhite 为白板校正图像， DNdark 是黑板校正图像。 1.3 糖度测定与光谱反射率的获取 西瓜样本光谱数据采集后，为避免光照对糖度造成一定的变化，因此在微光条件下，在西瓜样品上分别作五处标志，并立即用PR-101 数字式折射仪(AtagoCo， Ltd.， Tokyo， Japan)对标志部位进行糖度测量，分切取约15 mm×10mm×5 mm 中部内缘果肉挤出汁液滴到折光仪镜面上，覆盖住底部，测量其糖度并记录。 1.4 光谱获取 试验得到光谱含有由仪器和试验条件等引起的噪声，对这些噪声的处理有助于减少噪声对光谱分析的影响，突出光谱的有效信息。Savitzky-Golay (SG)平滑算法可以有效消减光谱数据中的随机噪声，消噪效果受平滑点数的影响，本文中选择 SG 二次多项式7点平滑对光谱数据进行处理[19]。在高光谱图像上找到西瓜、甜瓜的五个标志处，运用ENVI的感兴趣区域提取功能，获取糖度测量区域，提取该区域的平均光谱 将此平均光谱与其对应的糖度建立一一对应的关系。 1.5 建模与检验数据 本研究一共获取了西甜瓜共20处的糖度值并获取其对应区域的平均光谱反射率，其中西瓜共有20个糖度值，采用随机抽样的方式获取11个西瓜糖度值及其光谱反射率作为建模数据，其余西瓜糖度值及对应的光谱反射率作为检验数据。西瓜建模与检验集的糖度值统计信息如表2所示，本研究采用建模R2、检验R2、相对均方根误差(RRMSE)、Slope 和截距等来评价模型性能[20]。 表2西瓜建模与检验集的糖度值统计信息 数据集 类别 个数 最小值(%) 最大值(%) 均值(%) 标准差(%) 建模集 西瓜 11 6.40 11.80 9.31 2.08 检验集 西瓜 9 6.60 10.20 8.96 2.14 全部 西瓜 20 6.40 11.80 9.15 2.11 2 结果与分析 2.1 有籽西瓜不同含糖量的光谱分析 图2为有籽西瓜不同含糖量的光谱曲线图，从图中可知，不同含糖量在红光至近红外区间差异明显，随着糖度升高其光谱反射率呈增加的趋势；在550nm、700 nm、800 nm 附近出现小峰值，这由于有籽西瓜的有机分子中含氢基团振动的合频、各级倍频的吸收作用引起的；在570-650 nm 红光区域反射率呈直线上升，这与西瓜含有红色素有关。 图2有籽西瓜不同含糖量的光谱曲线差异 2.2 无籽西瓜不同含糖量的光谱分析 图3为无籽西瓜不同含糖量的光谱曲线图，从图中可知，在400-600 nm 范围内，高糖度的光谱反射率与低糖度的光谱反射率差异显著，高糖度的光谱反射率大于低糖度的光谱反射率；在650-900 nm 处，随着糖度升高其光谱反射率升高；在570-650nm 红光区间反射率直直线上升，这与西瓜含有红色素有关；在550nm、700 nm、800 nm 附近出现小峰值。 综合图2和图3两种西瓜品种的光谱反射率曲线可知，西瓜瓜瓤在550 nm、700nm、800 nm 附近有峰值；在570-650 nm 红光区域反射率呈直线上升，因此570-650 nm 波段范围与550nm、700 nm、800 nm 三 个波段者可以作为西瓜瓜瓤的特征波段。 图3 无籽西瓜不同含糖量的光谱曲线差异 2.5 糖度相近时不同品种不同种类水果的光谱曲线分析 图6为糖度相近时不同品种不同种类水果的光谱曲线图。从图中可知，西瓜虽然品种不同，其光谱曲线相近，在580-650nm 范围内光谱反射率直线上升，形成陡坡，在550nm、700 nm、800 nm 三个波长附近有三个吸收峰。比较西瓜两种水果的瓜瓤光谱曲线可知，两种水果都陡坡形成，只是陡坡形成的位置有所差异，在700 nm 和800nm 附近均有吸收峰，在720-1000nm 范围内，不同品种的西瓜光谱反射率曲线变化趋势相似。 图6糖度相近不同西甜瓜的光谱曲线图 2.6 水果糖度与各波段的光谱反身率的相关性分析及模型构建 图7为不同水果的糖度与各波段反射率的相关系数图。从图中可知，不同品种的水果，其光谱反射率对糖度的响应差异较大。对两个品种的西瓜而言，无籽西瓜在400-600 nm范围内，其光谱反射率与含糖量呈负相关关系，在600-1000 nm 范围内，其光谱反射率与含糖量呈正相关关系，其中 600 nm 处为零界点；有籽西瓜在400-630 nm 范围内，其光谱反射率与含糖量呈负相关关系，在620-700 nm 与820-1000 nm范围内，其光谱反射率与含糖量呈正相关关系，在700-820 nm 范围内，其光谱反射率与含糖量相关性较小，接近为0；在 660 nm 附近，有籽和无籽西瓜的光谱反射率与含糖量形成一个峰值，因此，660 nm 可作为西瓜 瓜瓤对糖度的一个特征响应波段。 图8为综合两种西瓜的糖度与各波段反射率的相关系数图，从图中可知，西瓜的糖度与各波段的光谱反射率相关性较高的集中在630-650nm， 其中相关系数最高的是 639.3 nm处，其相关系数为0.951。 图8综合西瓜的糖度与其波段反射率的相关系数 图9为两种西瓜在 639.3 nm 处的光谱反射率与其糖度的散点分布图。根据散点图的分布进行线性拟合，其一次线性拟合的模型为： y=30.941x-11.05，决定系数R?为0.904。 图9西瓜在639.3 nm 处反谱反射率与其糖度的散点图 运用独立的数据对该线性模型 y=30.941x-11.05进行检验，如图10所示，其实测值与预测值之间的决定系数 R?为0.847，斜率 Slope 为0.905，截距为 0.867，相对均方根误差为6.78%。结果表明由639.3 nm处的光谱反射率与其糖度构建的一次线性模型型于西瓜等糖度的预测具有较好的效果。 图10)6639.3 nm处的光谱反射率与糖度的模型检验 3结论 本研究通过分析不同品种的西瓜的光谱曲线可知，对于不同品种的西瓜而言，其光谱曲线总体变化趋势相似，在550 nm、700 nm、800 nm 附近有吸收峰，在570-650nm 红光区域反射率呈直线上升，形成陡坡，因此570-650 nm 波段范围与550nm、700 nm、800 nm 三个波段都可以作为西瓜瓜瓤的特征波段。对于不同品种的甜瓜。 分析不同品种的西瓜的光谱反射率与糖度的相关系数可知，不同品种的西瓜，其光谱反射率对糖度的响应差异较大，但在红光范围630-670范围内均有较高的相关性。综合不同品种、不同种类的西瓜光谱反射率，分析其对糖度的响应波段范围，研究表明，波段响应最高的是639.3 nm， 其相关系数为0.951，利用独立的建模与检验数据，运用639.3 nm 处的光谱构建监测模型，并对该模型进行检验，其建模R?为 0.904，检验R²为0.847，斜率 Slope 为0.905，截距为0.867，相对均方根误差为6.78%，取得较好的研究效果，研究结果表明应用成像高光谱技术检测西瓜糖度具有可行性，为进一步研究不同水果糖度高精度模型奠定理论基础。 ( 参考文献 ) ( [1 ] 马本学，肖文东，祁想想等.基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究[].光谱学与光谱分析，2012，11(32)： 3093-3097. ) ( [2] 张保华，李江波，樊书祥等.高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J].光谱学与光谱分析，2015， 10(34)：2743-2751. ) ( [3]刘燕德，邓清.高光谱成像技术在水果无损检测中的应用[J].农机化研究，2015，7(5)：227-235. ) ( [4] 孙梅，陈兴海，张恒等.高光谱成像技术的苹果品质无损检测[J].红外与激光工程，2014，43(4)： 1272-1277. ) ( [5] 1 3 李 锋霞，马 本 学，何青海等.哈密瓜坚实度的高光谱无损检测技术[J].光子学报，20 1 3，42(5)：592-595. ) ( [6] N agata M， Tallada J G， K o bayashi T， et al. NIR hyperspectral im a ging for measurement of i n ternal quality in s trawberries[C]， 2005ASAE Annual Meeting. American So c iety of Agricultural and Biological Engineers， 2005 ，1 ： 053131-053141. ) ( [7] 11 傅霞萍，应义斌，刘燕德，等.水果坚实度的近红外光谱检测分析试验研究[J].光谱学与光谱分析，2006，26(6)：1038-1041. ) ( [8] 代芬，洪添胜，罗霞， 等 .基于 可 见-近红外光谱的砂糖橘总酸无损检测[].华中农业大学学报，2012，31(4)：518-523. ) ( [9] 李 江波，饶秀勤，应义斌等.基于高光谱成像技术检测脐橙溃疡[J].农业工程学报，2010， 26(8)：222-228 ) ( [10] 曾一 凡 ，刘春生，孙旭东，等. 可 见/近红外光谱技术无损检测果实坚实度的研究[J].农业工程学报，2008，24(5)：250-252. ) ( [111]] . 董 董 一 威，籍保平，史波林等.苹果中 糖 酸度的CCD近红外光谱分析[J].食品科学，20 0 7，28(8)：376-380. ) ( [12 ] 金同铭.苹 果 中主要糖类的非破坏分析[J].食品科学，1 9 96， 17(2)： 60-64. ) ( [13]赵丽丽.果品类内部品质近红外无损检测技术的研究[D].北京：中国农业大学，2003. ) ( [14] 田海清，王 春光 ，吴桂芳.蜜瓜糖度透射光谱检测技术[].农业机械学报，2010，41(12)：130-133. ) ( [15 ] P older G， Van d e r H e ijden G W A M， Y oung I T. S p ectral image anal y s is f o r mea s uring ripe n ess of tomatoes [J]. American Societyof Agricultural Engineers， 2002， 45 (4)： 1 155-1161. ) ( [16] Lu R. Detection of b ruises on apples using near-infrared hyperspectral imaging []. T r ansactions of ASAE， 2003， 46 (2)：523 - 530. ) ( [17] ElMasry G ， W a ng N， E lS a yed A， e t a l . Hyp e rspectral imaging for nond e structive dete r mination of s o me quali t y attributes for strawberry[J]. Journal of Food Engineering， 2007， 81(1)： 98-107.. ) ( [18 ] 赵 杰文，刘剑华，陈全胜.利用高光谱图像技术检测水果轻微损伤[].农业机械学报，2008， 39(1)：106-109. ) ( [19 ] 张初，刘飞，孔汶汶，等. 利 用近红外高光谱图像技术快速鉴别西瓜种子品种[J].农业工程学报，2013，29(20)：270-277. ) ( [20]Y Y ao Xia， Huang Yu， Shang Guiyan et al. Evaluation of Six Algorithms to Monitor Wheat Leaf Nitrogen Concentration[J]. RemoteSensing， 2015， 7 (11)：14939-14966. ) 西瓜素有“瓜中之王”的美称，含糖量较高，营养丰富，深受消费者的喜爱。糖度是影响西瓜营养与风味的主要因素，既可表征成熟度，又可体现其品质[1]。传统的品质化学检测方法是一种费时费力的破坏性检测技术，随着成像和光谱技术的快速发展，高光谱成像技术（Hyperspectral imaging）已经广泛应用于农产品品质的快速无损检测[2]。高光谱成像技术融合了传统的成像和光谱技术的优点，可以同时获取被检测物体的空间信息和光谱信息，因此该技术既可以检测物体的外部品质，也可以检测物体的内部品质如水果的糖度、坚实度、酸度等[3-10]。董一威等[11]以红富士苹果为研究对象，应用自行搭建的CCD近红外光谱系统检测苹果的糖酸度，研究结果表明在630 nm-1030 nm范围内，可实现对苹果糖度、酸度的无损检测研究；金同铭等[12]利用近红外光谱法检测苹果中蔗糖、葡萄糖、果糖三种组分，筛选出914 nm、950 nm、897 nm分别代表蔗糖、葡萄糖和果糖的第一特征波长；赵丽丽等[13]运用近红外光谱仪获取苹果和番茄的光谱，并建立苹果糖度、硬度及番茄的红素的数学模型，所有模型的相关系数均在0.8以上，证明利用红外区域光谱可进行果品类品质的检测；田海清等[14]利用透射光谱仪获取蜜瓜的光谱信息，运用经典最小二乘法、逐步多元线性回归、主成分分析、偏最小二乘法等方法构建模型并检验，结果表明PLS法的建模与预测结果较好；Polder 等[15]利用可见光(波长范围为396-736 nm)高光谱成像系统对西红柿的成熟度进行判别研究；Lu[16]利用高光谱成像系统研究了苹果的坚实度；Masry 等[17]采用波长范围为400-1000 nm 的近红外高光谱成像技术检测了草莓内部含水量和可溶性固形物含量。赵杰文等[18]采集了苹果的高光谱图像（685-900nm），研究发现利用PLS回归模型预测糖度的最优波长为704.48-805.26nm，预测的相关系数为0.907；马本学等[1]利用漫反射高光谱成像技术研究了网纹类甜瓜糖度的无损检测方法。