应用高光谱成像技术对打蜡苹果无损鉴别研究

本资料包含pdf文件1个，下载需要1积分

苹果是-种最普遍的消费水果，被认为是降饮食生活的重要组成部分。水果打蜡是国际上允许和经常使用的-种果蔬保鲜方法，通常把食用蜡涂覆于苹果、柑橘的表面，形成薄膜。打蜡不仅能使水果表面的光泽更好，还能有效地防止内部水分的蒸发，起到防皱的作用，抑制微生物的入侵，也能防止水果在贮存过程中因为腐烂而相互传染，达到远距离储存运输中能长期保存的效果。在美国、日本、欧洲等发达国家和地区，对水果打蜡都有成熟的工艺流程和法规。我国的《食品添加剂使用卫生标准》中规定可 以给新鲜水果打蜡 ，但必须使用规定的添加剂，适量添加。吗啉脂肪酸盐果蜡是-种国家规定的食品添加剂，其主要的的化学成分为天然棕榈蜡、吗啉脂肪酸盐和水。这种物质对身体没有害处，其安全性是经过评估的，主要用来保鲜，用热水冲洗即可去掉。据调查，目前市场上-些不法商贩经常会使用更廉价的工业蜡给水果打蜡。工业蜡是矿物蜡的-种，主要是-些烃类物质的混合物，含有汞和铅砷等有害物质，可通过果皮渗透进果肉，如果长期食用，肯定会对人体造成危害。食用蜡和工业蜡均无色无味，消费者很难用肉眼区分，-般要送到专业机构进行检测，才能检测其具体成分1。]。

目前，检测水果打蜡种类的方法有气-质联用法、高效液相色谱法等，这些方法耗时较长，对操作者技能要求高。而高光谱成像技术作为-种快速、无损的检测技术，已在医药、食品、化工等领域得到应用4 ]。如Douglas等[8]，研究利用高光谱成像技 术来对猪 肉的等级 进行 了分类；Masoud[9]利用高光谱成像技术来鉴别蘑菇的品质，采用高光谱成像设备不仅可以得到样品的光谱信息，同时可以获取样品的图像信息，使得对样品的分析方法更加全面。而用高光谱成像技术对苹果蜡的鉴别尚未见报道，本文探讨在不同算法应用高光谱成像技术鉴别打苹果蜡的可行性，为以后更深入的研究提供参考。

1 实验部分1.1 样品制备实验所用的 126个苹果购于超市，均为陕西红富士品种。人工给苹果打蜡 ，打蜡的基本要求是在苹果表面均匀涂覆-层薄膜，其中42个苹果打果蜡，42个苹果打工业蜡，余下的苹果不做处理。然后在每个组别下随机抽取 28个样品，共84个试验样品作为建模集，剩余的42个样品作为试验的预测集〃模集样品用于试验中模型的建立，预测集样品用于对所建模型预测性能进行检验。

收稿 日期：2012-11-21。修订 Et期：2013-03-26基金项目：农业部行业专项项目(200903044)，国家农业科技成果转化基金项目(2011GB2C20006)，中央高校基本科研业务费专项项目资助作者简介：高俊峰，1990年生，浙江大学生物系统工程与食品科学学院硕士研究生 e-mail：gaunfeng###163.com通讯联系人 e-mail：yhe###zju.edu.CH第 7期 光谱学与光谱分析 19231.2 高光谱系统和图像采集高光谱图像采集系统，结构如图1所示，包括芬兰Spec-imen公司的ImSpector V10E高光谱摄像机、2个 150 W 的卤钨灯、水平移动控制平台、计算机等-系列部件。光谱分辨率为2.8 nm，所采集的光谱范围380 1 023 nm。在数据采集过程中，高光谱仪器采集装置的参数设置为：曝光时间2.0 ms，载样平台移动速度为 8 mm·s～。

Fig.1 Main components of hyperspectral imaging system1.3 图像的校正、去噪为了减轩线漂移引起的误差，将仪器开启预热半个小时后进行高光谱图像的采集。实际采集中，为了消除光照度、响应时间在不同样品中的差异，还在所有光谱图像采集前进行黑白板校正1 。校正后的图像相对反射率，( )为J： Io- B×100%J0为校正之前高光谱图像的反射率；W为白色聚四氟乙烯板的反射率(约 100 )；B为黑板的反射率(约O )。

标定后的图像仍然有背景噪声存在，为使得数据处理中仅有来自样品的信息，必须去除背景噪声。实验中在遥感图像处理平台 ENv1(ITT Visual Information Solutions，13oul-der，USA)软件下手动选择感兴趣区域(R0I)，然后利用最小噪声分离变换(MNF)对感兴趣区域进行去噪处理。

1.4 光谱数据处理分析经过校正、MNF去噪等处理后，得出所有像素反射率属性的平均值，然后以反射率属性的平均值为自变量x，三种不同类别的苹果为应变量 Y进行研究。

1.4.1 光谱数据的预处理在采样过程中，样品的不均匀性、高频随机噪声(误差)、基线漂移、光散射等因素会对建模效果产生负面影响。

为了减序消除此类因素的影响，需对原始采集的高光谱数据进行不同的预处理。如附加散射校正(MSC)、标准正态变量变换(SNV)、去趋势 (de-trending)算法、-阶卷积求导(Savitzky-Golay，SG1)、平滑(Smoothing)、导数算法(Deriva-tive)、光散射校正(Light Scattering Correction)、傅里叶变换(Fourier Transform)、中值滤波(Median filter)等，本试验在偏最小二乘法(PLS)建模下探讨不同预处理方法所建立的模型差异。

1.4.2 建模方法偏最小二乘法(PLS)是-种多元统计数据分析方法，此法将因子分析和回归分析结合。其突出特点是以样品的总体对预测结果的影响程度，充分考虑单因素之间的综合作用对预测结果的影响。在不同的预处理方法下，通过 PLS算法提取不同打蜡苹果的特征信息，从而建立高光谱数据与苹果类别的关系模型。所建模型的评价指标是决定系数 R 和残差均方根 RMSE，决定系数 R 越大，残差均方根 RMSE越小，表示所建模型的预测性能越好。最小二乘支持向量机(LS-SVM)是对传统的支持向量机的-种改进Ⅲ1 。LS-SVM 由求解-组线性方程组代替原先较为复杂的二次规划方法，从而提高了计算效率口 。 。BP神经网络是基于误差反向传播算法(BP算法)的多层前向神经网络，具有较好的非线性处理信息能力，在近红外光谱的定性定量分析得到了广泛的应用l1 。在 Matlab软件下，利用 BP神经网络算法对实验数据进行建模和预测。

2 结果与讨论2.I 不同苹果类别的高光谱图像由于测量的光谱值在首尾波段存在较大的噪声 ，选择波长范围在4001 000 m 作为实验处理数据。不同打蜡苹果的典型可见-近红外吸收光谱图如图2所示。

300 400 500 600 700 800 900 1 000 1 100Wavelength/nmFig.2 Typical reflectance hyperspectraofthreekinds ofwaxed apple由图2可以看出，不同打蜡苹果的高光谱曲线的趋势较为相似，如果仅从高光谱的光谱学特征难以区分不同的苹果打蜡类型，可以采用化学计量学的建模方法对光谱数据进行处理分析 。

2.2 不同预处理方法下 PLS建模预测采用了不同的预处理方法来消除原始光谱中的噪声，获得更高信噪比的光谱，以助于后续建立预测模型的稳健性和预测结果的拓展性。因此 ，须从多种预处理方法中选择出最有效的预处理方法，用于后面建模的研究。利用 PLS对每种预处理方法获得的数据建立初步的预测模型，用相关系数和 和预测标准差RMSEC与 RMSEP来评价所建模型的优良性。不同的预处理方法所建立的PLS模型的比较分析见表 1。

由表1可以得出通过附加散射校正(MSC)预处理方法所建立的PLS模型的预测性能最好。这可能是因为苹果之间的差异较大，而且表面的不平整，导致所测的样品光谱具有较7 6 5 4 3 2 1 ) 们 oou写 8 1924 光谱学与光谱分析 第 33卷大的差异性，同时某些样品因散射所引起的光谱变化可能大于样品成分引起的光谱变化。而 MsC预处理可以校正每个光谱的散射并获得较为理想的光谱，通过这种校正，随机变异得到最大可能的扣除。Msc预处理下不同苹果蜡的具体预测结果如表 2所示。

Table 1 Effect comparsion of different pretreatmentmethod by PLS mod el预预处理方法 潜在变量 建模集(84) 测集(42)(LVs) R RMSEC预测正确率/Table 2 Prediction results by PLS model withMSC pretreatmentmethod 由表 2可知 MSC预处理下 PLS建模对未打蜡的水果预测性最好，达到了100 的正确率，而对其他打蜡类型的苹果的预测性能较为-般。

2.3 最d-乘支持向量机(LS-SVM)模型由于原始高光谱数据所包含的信息量大，光谱波段共有512个波段。如果将所有波段下的数据作为自变量带人到最小二乘支持向量机(LS-SVM)模型中，会大大降低程序的执行效率。连续投影算法(sPA)可以较好的提取对预测结果影响较大的光谱信息，利用SPA算法对经过 MSC预处理的高光谱数据集提取特征波长1 ，所提取的特征波长是基于交互 验证 的结果。如图3所示 ，从 图3(a)可知 当选取 1 9个特征变量时，其残差均方根较小，且选择的变量也较少。图 3(b)为 19个特征波长所在的空间分布，所对应的波长分别为433，483，411，495，738，416，510，424，461，649，600，1 000，404，814，558，406，711和 977 nrfl。

0 5 l0 15 2O 25 30Number ofvariables included in the modelO 5O 100 150 200 250 3O0 350 400 450 500Variable indexFig.3 Characteristic wavelengths selected by SPA algorithm(a)：RMSE distribution of different variables by SPA algorithm；(b)：Distribution of 19 characteristic wavelengths selected by SPA algorithm将这些特征波长所对应的特征值作为自变量，建立SPA-LS-SVM模型，然后对预测集样品进行预测。其次通过PLS对建模集样品建立模型，从所建模型中提取各个样品的PC值 ，然后将 PCs作为自变量建立 PC-LS-SVM模型。通过模型对不同打蜡类别的苹果进行预测。最终两次不同的特征变量提取方法所建立模型的预测结果如表 3所示。由表 3可知经过 MsC预处理的光谱数据通过 SPA算法提取的特征波长在 LS-SVM模型中预测效果最好 ，不同类别的打蜡水果预测的正确率分别为 100 ，100 ，92.86 。

Table 3 Prediction results by LSSVM with different pretreatment me thod and characteristic variablesO 5 0 5 O 5 O 5 O 5 3 J O 5 4 4 3 3 2 2 0 O O O O O 0O 0 0 0 0 O 0 ∞∞ 壶 第7期 光谱学与光谱分析 19252.4 BP神经网络的建模及预测基本的BP算法通常具有收敛速度慢、易陷于局部极小值等不足，目前出现了许多改进的BP算法[1 ¤助 Mat-lab7.11提供的神经网络工具箱，研究了采用改进的BP网络算法训练得到预测结果，以期提升 BP神经网络算法在高光谱数据的预测性能。在 MSC预处理下通过不同的特征提取方法，最终的预测结果如表 4所示∩知在SPA算法下提取的特征值在改进后的 BP神经网络算法的预测较好。其预测值和实际值的散点分布图如图4所示。

Table 4 Prediction results of BP neural network3 结 论以打食用蜡、工业蜡、未打蜡的苹果作为研究对象，通过高光谱成像仪器获取三种苹果类别的高光谱图像信息，结合 Unscrambler软件处理原始获取的光谱数据，比较了不同[1][2][3][4][5][6][7][8][9]ElO][11][12][13][14][15]E163[17][18]BP网络预测输出0 5 10 15 20 25 3O 35 4O 45SampleFig.4 Predict distribution of BP neural network withcharacteristic values from SPA algorithm的预处理和建模方法 ，确定了 MSC-SPA-LS-SVM 建模预测的效果最好，三类苹果的预测正确率分别为 100 ，100 和92.86 ，而在PLS建模下经过MSC预处理所得到的预测正确率较高。在 BP神经网络建模预测下，经过 SPA提取的特征量较PLS方法提取的特征量最终得到的预测正确率高。通过 MSC-SPA-LS-SVM较好区分了三类苹果 ，为市场上快速无损鉴定打蜡水果提供-种新的方法。

Els A Veraverbeke，Jeroen Lammertyn，Stijn Saevels，et a1.Postharvest Biology and Technology，2001，23(3)：197。

Stephen J Kenney，Larry R Beuchat.International Journal of Food Microbiology，2002，77(3)：257。

Glenn G M，Rom C R，Rasmussen H P.Scientia Hortlculturae，1990，42(4)：289。

Gabriel A，liva-Valenzuela，Lu Renfu，et a1.Journal of Food Engineering，2013，115(1)：91。

Ariana D，Lu R，Guyer D E Computers and Electronics in Agriculture，2006，53(1)：60。

Chao K，Yang C C，Kim M S，et a1.Applied Engineering in Agriculture，2008，24(4)：475。

Roggo Y，Edmond A，Chalus P.Analytica Chimica Acta，2005，535(1-2)：79。

Douglas Barbin，Gamal Elmasry，Sun Dawen，et a1.Meat Science，2012，(90)：259。

Masoud Taghizadeh，Aoife八 Gowen，Co lm P 0Do nnel1.Co mputers and Electronics in Agriculture，2011，77(1)：74。

SHI Ji-yong，ZOU Xiao-bo，ZHAO Jie-wen，et al(石吉勇，邹小波，赵杰文，等).Journal of Jiangsu University：Natural Science Edition(江苏大学学报 ·自然科学版)，2011，32(2)：134。

Suykens J A K，Vandewalle J.Neural Processing Letters，1999，9(3)：293。

I i Xiaoli，Nie Pengcheng，He Yong，et a1.Expert System with Applications，2011，38(9)：11149。

CAO Fang，wU Di，ZHENG Jin-tu，et al(曹 芳，吴 迪，逐土，等).Spectroscopy and Spectral Analysis(光谱学与光谱分析)，2011，31(4)：920。

Wu Di，He Yong，Feng Shuijuan，et a1.Journal of Food Engineering，2008，84(1)：124。

HE Yong，LI Xiao-li(何 勇，李晓丽).Journal of Infrared and Milimeter Waves(红外与毫米波学报)，2006，25(3)：192。

wU I)i，wU Hong-xi，CAI Jing-bo，et al(吴 迪，吴洪喜，蔡景波，等).Journal of Infrared and Milimeter Waves(红外与毫米波学报)，2009，28(6)：423。

HUANG Ling-xia，wU Di，JIN Hang-feng，et al(黄凌霞，吴 迪，金航峰，等).Transactions of the Chinese Society of AgriculturalEngineering(农业工程学报)，2010，26(2)：231。

ZHANG Xiao-chao，wU Jing-zhu，XU Yun(张小超，吴静珠，徐 云).Near Infrared Speactroscopy Analysis Technology and Its Appli-cation in Modern Agriculture(近红外光谱分析技术及其在现代农业中的应用).Beijing：Publishing House of Electronics Industy(L京：电子工业出版社)，2012。

5 O 5 O 5 0 5 3 3 2 2 l 1 O 甚B， o1926 光谱学与光谱分析 第 33卷Nondestructive Discrimination of W axed Apples Based on HyperspectralImaging TechnologyGAO Jun-feng ，ZHANG Hai-liang ，KONG Wen-wen ，HE Yong 1.College of Biosystems Engineering and Food Science，Zhejiang University，Hangzhou 310058，China2.Cyrus Tang Center for Sensor Materials and Applications，Zhejiang University，Hangzhou 310058，ChinaAbstract The potential of hyperspectral imaging technology was evaluated for discriminating three types of waxed apples.Threetypes of apples smeared with fruit wax，with industrial wax，and not waxed respectively were imaged by a hyperspectra[imagingsystem with a spectral range of 308 1 024 nm.ENVI software processing platform was used for extracting hyperspectral imageobject of diffuse reflection spectral response characteristics.Eighty four of 126 apple samples were selected randomly as calibra-tion set and the rest were prediction set.After different preprocess，the related mathematical models were established by usingthe partia1 1east squares(PLS)，the 1east squares support vector machine(L SVM)and BP neura1 network methods and SO on，The results showed that the model of MSC-SPA-LSSVM was the best to discriminate three kinds of waxed apples with i00 ，100% and 92.86 correct prediction respectively。

Keywords W axed apples；Hyperspectral imaging system；PLS；SPA；LS-SVM ；BP neural network；DiscriminationCo rresponding author(Received Nov.21，2012；accepte Mar.26，2013)