對梨棗糖度質量分數進行無損檢測分析,園藝學論文

對梨棗糖度質量分數進行無損檢測分析,園藝學論文梨棗又名大鈴棗、脆棗等,果實多數似梨形,為棗中稀有的珍貴鮮食品種。華而不實,梨棗糖度是其鮮食時品質優(yōu)劣的首要判定標準。為了提供高品質的梨棗,需要研究能同時檢測果實內外部品質的快速、無損自動檢測分級系統(tǒng)。研究表示清楚,物質的內部成分與波譜信息密切相關,這使利用光譜信息對梨棗內部品質進行無損檢測成為可能。相對于傳統(tǒng)的檢測方式方法,高光譜成像技術集中了光學、光電子學、電子學、信息處理、計算機科學等領域的先進技術,是光譜技術與圖像技術的有機結合。近年來,高光譜技術在農產品檢測的應用日益廣泛,不僅能夠實現農作物成分的檢測,還能夠實現水果的大小、損傷、糖度等的無損檢測分析。小波分析算法作為一種強大的時-頻局部化分析方式方法,解決了傅里葉分析方式方法無法對局部時間信號的局部頻譜特性進行分析的問題。最近幾年,小波分析已經廣泛應用于工業(yè)檢測和農產品檢測等各個領域,其主要應用是進行去噪和提取特征參數,以提高建模分析水平。小波分析固然在光譜研究中應用很多,但是將小波分析應用于高光譜數據中并提取其逼近系數進行建模分析的應用還未見報道。為此,利用小波分析方式方法,針對高光譜成像儀采集的梨棗光譜信息建立模型,對梨棗糖度質量分數進行無損檢測分析。1、實驗材料和方式方法1.1梨棗樣本實驗所用樣本于2020年9月28日采摘于山西省太谷縣東莊棗園。為了實現高光譜對梨棗糖度質量分數的無損檢測,采集了82個正常梨棗樣本(將其標記為tg1~tg82),用于檢測其糖度含量。1.2高光譜數據采集高光譜圖像數據通過高光譜成像系統(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PSA20011X、OBF570濾片、移動平臺控制器SC300A、計算機、校正白板和暗箱等一系列部件。華而不實,線光源SchottDCRⅢ是一種功率為150W的直流穩(wěn)壓鹵素光源。進行實驗時,實驗臺速度設置為1.6mm/s,高度為240mm,分辨率為6721390,曝光時間為500ms。本實驗采集得到光譜范圍是400~1000nm之間共512個波長下的圖像信息。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,須對高光譜圖像進行黑白標定。系數調整好后,先掃描反射率為99%的標準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。黑白標定公式為式中Ic原始的高光譜圖像;Bc全黑的標定圖像;Ac全白的標定圖像;Rc標定后的高光譜圖像。所有高光譜圖像數據的采集都是基于臺灣五鈴光學股份有限公司提供的信息采集軟件平臺(Isuzuo-ptics),數據處理基于ENVI4.7(ResearchSystemInc.,Boulder,Co.,USA)和MatlabR2018b軟件平臺。1.4糖度數據采集當樣本采集完高光譜后,立即采集其糖度數據。本實驗梨棗糖度數據采用傳統(tǒng)的方式獲取,即將梨棗果肉擠壓出汁,并采用濾紙對果汁進行過濾,對過濾后的汁液采用數字阿貝折射儀(WAY-2S)測定其糖度質量分數。2、結果與討論2.1光譜預處理2.1.1原始光譜圖將82個梨棗感興趣區(qū)域像素點的光譜求均值,得到82條光譜曲線。圖1為82個梨棗樣本的可見-近紅外光譜圖。2.1.2全光譜PLS建模首先將82個太谷梨棗樣本全部作為校正集,用TheUnscrambler9.8軟件進行偏最小二乘法(PLS)建模預測,得到的糖度質量分數(SSC)實測值/預測值的散點分布圖如此圖2所示,實測值與預測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,其次為tg3和tg15,先將這3個樣本暫時定為異常樣本,對其逐個剔除并建模分析模型性能。模型性能參數如表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。當剔除tg3時,Rc升高,RMSEC降低,模型得到改善;當剔除tg15時,Rc降低,RMSEC降低,但是降低幅度不大。當把3個樣本全部剔除時,Rc降低,RMSEC也降低。綜合考慮,應該剔除tg42和tg3。2.1.3原始光譜預處理背景和噪聲干擾是光譜分析中必須考慮的問題。在光譜分析中,首先要去除背景跟噪聲的干擾,提高信噪比。本實驗采用小波變換的分解重構法對剔除異常樣本后的光譜進行預處理,在MatLab里用小波分解重構法對光譜進行預處理。試驗表示清楚,該預處理方式方法得到的數學模型比原始光譜所建數學模型效果要好。圖4為原始光譜跟小波預處理后的光譜圖。2.1.4全波段光譜建模分析用80個正常梨棗樣本的472個波段的光譜數據建立偏最小二乘(PLS)模型和主成分回歸(PCR)模型,模型參數如表2所示。由表2可知:用預處理后512個光譜波段建模時,PLS模型校正集相關系數Rc比PCR模型的Rc要高,方差比PCR要低;且PLS預測集相關系數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近似系數建模分析2.2.1提取近似系數對經過預處理后的光譜進行多尺度分解,提取近似系數。本文對梨棗可見-近紅外光譜用小波函數db6進行6層分解,分別提取6層的逼近信號a1~a6和6層的細節(jié)信號d1~d6,如此圖5所示。由圖5可知:細節(jié)信號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;細節(jié)信號d5反響了250波段處的光譜吸收信息,因而第5層的奉獻最大。在利用上述算法計算特征提取時,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據量過少,對原始光譜的描繪敘述較為粗糙。這時,能夠選擇計算結果所確定尺度的上一級近似小波系數作為光譜特征提取的結果,即a4近似系數。最終選擇用小波函數db6進行4層分解,并提取第4層的近似系數a4來代替原始光譜信息進行建模分析。2.2.2近似系數建模分析對梨棗樣本提取的42個近似系數進行建模分析,分別建立偏最小二乘回歸(PLS)模型和主成分回歸(PCR)模型,模型參數如表3所示。隨機取前20個樣本作為預測集,后60個樣本作為建模集,用建模集樣本分別建立PLS校正模型和PCR校正模型,并分別對預測集樣本進行預測,結果如此圖6所示。由表2和表3可知:近似系數的PLS模型校正集相關系數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)、預測集方差RMSEP(1.159)和PCR模型校正集方差RMSEC(1.048)、預測集方差RMSEP(1.322)分別要比全光譜PLS模型校正集方差RMSEC(0.731)、預測集方差RMSEP(1.270)和PCR模型校正集方差RM-SEC(0.958)、預測集方差RMSEP(1.361)的差值更為接近,講明近似系數所建模型較穩(wěn)定。因而,基于小波分解得到的近似系數能夠代表光譜信息進行建模分析。由圖6可知,近似系數PLS模型預測結果的相關系數為0.746,PCR模型預測結果的相關系數為0.7363,均到達了良好的預測結果,且PLS模型預測結果比PCR模型要好。3、結論1)比照近似系數建模和全光譜數據建模,建模參數由512個減少為42個,主成分數也減少,且模型性能穩(wěn)定。因而,基于小波分解得到的近似系數能夠代表光譜信息進行建模分析。2)比照近似系數建模和全光譜建?？芍?近似系數的PLS模型和PCR模型校正集相關系數分別要比全光譜PLS模型和PCR模型校正集相關系數高;PLS模型和PCR模型校正集方差、預測集方差分別要比全光譜PLS模型和PCR模型校正集方差、預測集方差更為接近。這講明,應用近似系數所建模型較穩(wěn)定。因而,基于小波分解得到的近似系數能夠代表光譜信息進行建模分析。以下為參考文獻:[1]周竹,李小昱,高海龍,等.馬鈴薯干物質含量高光譜檢測中變量選擇方式方法比擬[J].農業(yè)機械學報,2020,43(2):128-133,185.[2]孫通,徐惠榮,應義斌.近紅外光譜分析技術在農產品/食品品質在線無損檢測中的應用研究進展[J].光譜學與光譜分析,2018,29(1):122-126.[3]趙聰明智慧,張淑娟,張海紅,等.鮮棗可溶