0引言

番茄是我國(guó)需求量較高的蔬菜之一，在全國(guó)范圍內(nèi)大面積栽培種植。番茄作為茄科作物之一，本身所含的谷胱甘肽、維生素、番茄紅素、β－胡蘿卜素等營(yíng)養(yǎng)成分對(duì)于人們來說就具有很高的應(yīng)用價(jià)值。因此，番茄的高質(zhì)量生產(chǎn)是必不可少的。番茄的生長(zhǎng)狀況可以通過葉片的葉綠素含量表現(xiàn)出來，葉綠素含量是番茄重要的生理指標(biāo)之一。可通過對(duì)葉綠素含量的檢測(cè)從而對(duì)微咸水灌溉下番茄生長(zhǎng)發(fā)育情況、健康狀況做出監(jiān)測(cè)。目前，常見的測(cè)定方法往往操作流程繁瑣、費(fèi)時(shí)，只能進(jìn)行單個(gè)葉片檢測(cè)，同時(shí)傳統(tǒng)方法一般具有事后性和破壞性，不能滿足高效技術(shù)要求。因此，無(wú)損、高效的檢測(cè)方法是番茄高質(zhì)量生產(chǎn)中重要的環(huán)節(jié)。

高光譜成像技術(shù)是近年來無(wú)損檢測(cè)技術(shù)發(fā)展的新趨勢(shì)，將光譜信息和數(shù)字成像信息相集成，主要是利用光譜反射率以及光譜反射波形特征，從而可以精確地檢測(cè)到所需樣本圖像中每一個(gè)像素點(diǎn)的光譜數(shù)據(jù)以及圖像信息，這種技術(shù)具有速度快，效果好等優(yōu)點(diǎn)，同時(shí)在檢測(cè)過程中不會(huì)破壞樣本，在很大程度上彌補(bǔ)了傳統(tǒng)檢測(cè)方法中存在的不足，能夠?yàn)榭梢暬c高效無(wú)損檢測(cè)提供一定的技術(shù)依據(jù)。高光譜技術(shù)被廣泛應(yīng)用于多個(gè)領(lǐng)域。包括農(nóng)產(chǎn)品質(zhì)量評(píng)估、品種鑒別、食品的安全檢測(cè)、肉類保鮮等。

1結(jié)果與分析

1.1樣本劃分方法的選擇及模型的建立

為了建立穩(wěn)健的模型，需對(duì)樣本集進(jìn)行劃分。本研究采用RS、KS、SPXY方法進(jìn)行校正集與預(yù)測(cè)集樣本劃分，結(jié)果如表1、表2 所示。

表１不同樣本劃分方法對(duì)葉綠素的PLSR模型結(jié)果統(tǒng)計(jì)

從表1可以得出， SPXY法的預(yù)測(cè)集相關(guān)系數(shù)Rp大于0.8，高于KS法和RS法。數(shù)值之和也可用來評(píng)價(jià)模型效果，其值越大說明精確度越高。KS法之和為1.6631，RS法為1.4838，SPXY法為1.7021，SPXY法的Rc與Rp之和數(shù)值也是3種方法數(shù)值最高的。并且采用SPXY法建立的模型中，預(yù)測(cè)集的RMSEP值均小。綜上考慮，選擇SPXY法劃分番茄葉片葉綠素樣本集最為合適。

表２樣本番茄葉片葉綠素統(tǒng)計(jì)

表2可以看出，使用SPXY法對(duì)樣本中葉綠素值進(jìn)行劃分是可行的。對(duì)于192個(gè)番茄葉片葉綠素值樣本，取2/3樣本作為校正集，1/3樣本作為預(yù)測(cè)集，并且預(yù)測(cè)集的各指標(biāo)值包含在校正集的指標(biāo)值范圍之內(nèi)。校正集和預(yù)測(cè)集的方差值也較為理想，由此可以說明所選樣本數(shù)據(jù)集的劃分具有代表性。

1.2原始光譜特征波長(zhǎng)下不同光譜參數(shù)的建模分析

為了研究全波段（900～1700ｎｍ）下Kubelka-Munk處理對(duì)建模的影響，利用UnscraｍblerX10.4軟件對(duì)原始光譜的反射率進(jìn)行轉(zhuǎn)換以及Kubelka-Munk函數(shù)轉(zhuǎn)換，研究不同光譜參數(shù)對(duì)番茄葉片葉綠素含量的預(yù)測(cè)?；赑LSR分別對(duì)R、K、-M光譜曲線建立模型對(duì)比分析，結(jié)果見表３。

表３原始光譜特征波長(zhǎng)下不同光譜參數(shù)的PLSR模型

從表３可以看出，Kubelka-Munk處理后建模的Rp值小于原始光譜建模的Rp，說明處理后的光譜數(shù)據(jù)建模的預(yù)測(cè)效果并不是太理想。原始光譜的Rc值大于Kubelka-Munk處理的Rc值。但二者之間的差異較小，說明2個(gè)模型的性能差異不大，而Kubelka-Munk處理只是模型性能做了細(xì)微的調(diào)改。因此，可以采用原始光譜進(jìn)行數(shù)據(jù)處理，不僅減少了數(shù)據(jù)的前期處理，而且能夠獲得較優(yōu)的校正模型與預(yù)測(cè)模型。

1.3預(yù)處理方法的選擇

前期為了獲得真實(shí)清晰的圖像進(jìn)行黑白校正，這只是簡(jiǎn)單的對(duì)光源強(qiáng)度分布不均以及在圖像采集過程中自身暗電流等不利因素進(jìn)行了消除。而樣品的背景色和雜散光等都還會(huì)對(duì)試驗(yàn)結(jié)果產(chǎn)生一定的誤差，為了提高模型的精確性，需要對(duì)光譜進(jìn)行一定的處理。而在對(duì)比分析中，要充分考慮各個(gè)變量之間的影響，而偏小二乘法能夠綜合考慮變量之間的關(guān)系，能夠在多重共線性條件下進(jìn)行回歸建模，因此可以利用PLSR模型進(jìn)行光譜預(yù)處理的結(jié)果比較，結(jié)果見表４。

表４不同預(yù)處理方法對(duì)葉綠素含量的ＰＬＳＲ模型結(jié)果統(tǒng)計(jì)

從表４可以看出，對(duì)于番茄葉片的中葉綠素指標(biāo)來說，經(jīng)過MSC法對(duì)樣本值進(jìn)行預(yù)處理后建立的PLSR模型與原始數(shù)據(jù)相比，具有較好的模型參數(shù)，Rc和Rp值較之前有所提高，RMSEC和RMSEP都有所減小。綜上所述，MSC為番茄葉片葉綠素樣本的最佳預(yù)處理方法。

1.4特征波長(zhǎng)的選取

1.4.1PLSR權(quán)重系數(shù)法提取特征波長(zhǎng)

β系數(shù)是反映評(píng)價(jià)指標(biāo)重要程度的量化系數(shù)，系數(shù)越大，說明該指標(biāo)對(duì)總目標(biāo)影響越大。由圖2可知，基于對(duì)葉綠素進(jìn)行MSC預(yù)處理后建立的PLSR模型進(jìn)行特征提取，第4成分具有最顯著的特征，選為最優(yōu)主成分?jǐn)?shù)用于提取特征波長(zhǎng)；在900-1700ｎｍ波段下，葉綠素的吸收很弱，光譜吸收特征不明顯。所以在β系數(shù)圖中按照局部絕對(duì)值最大原則選取7個(gè)葉綠素特征波長(zhǎng)為1008、1202、1226、1369、1515、1628、1657ｎｍ。有效地降低了光譜的維數(shù)，方便后期建立模型。

1.4.2競(jìng)爭(zhēng)自適應(yīng)重加權(quán)算法提取特征波長(zhǎng)

競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法即采用自適應(yīng)重加權(quán)采樣（ARS）技術(shù)在模型中選擇并保留下回歸系數(shù)絕對(duì)值大的波段數(shù)，同時(shí)，去掉權(quán)重小的波段數(shù)，此算法在計(jì)算取值的過程中是采用交互驗(yàn)證法選出均方根誤差值最低的子集，此算法所取值覆蓋范圍廣，因此可有效地尋出最優(yōu)與最具代表性的變量組合。利用CARS方法提取900～1700ｎｍ范圍內(nèi)的特征波長(zhǎng)，得到結(jié)果見圖3。由圖3可知，在采樣運(yùn)算過程中，變量數(shù)的下降過程呈現(xiàn)由快變慢的趨勢(shì)，圖３-Ｂ是基于自適應(yīng)加權(quán)采樣選擇特征波長(zhǎng)建立偏最小二乘模型預(yù)測(cè)效果的顯示。圖３-Ｃ回歸系數(shù)路徑則反映了特征波長(zhǎng)變量回歸系數(shù)的變化趨勢(shì)，?號(hào)線反映了RMSECV最小位置，?號(hào)線之后部分有效信息被去除，RMSECV值持續(xù)增大。葉綠素依據(jù)RMSECV最小值原則選擇11個(gè)特征波長(zhǎng)，模型擬合效果最佳，數(shù)據(jù)壓縮率為95.7％ ，有效去除了環(huán)境干擾及不相干信息，但可能有效信息也被去除。

1.4.3無(wú)信息變量消除變換法（UVE）提取特征波長(zhǎng)

如圖４所示，在 900-1700ｎｍ波段范圍內(nèi)，在主成分?jǐn)?shù)是10時(shí)t-value值模型擬合效果最佳。圖中左側(cè)表示256個(gè)輸入變量的分布曲線，而右側(cè)圖表示隨機(jī)變量的分布曲線。最終，對(duì)于葉綠素選取了96個(gè)特征波長(zhǎng)。

1.4.4連續(xù)投影算法（SPA）提取特征波長(zhǎng)

選擇m-min＝10，m-max＝30，圖5-A表示特征變量數(shù)與RMSE的變化曲線，可以得出RMSE最小值與特征變量數(shù)的關(guān)系，綜合分析可以確定葉綠素特征波長(zhǎng)數(shù)為14個(gè)，RMSE值為4.1343。圖5-B為SPA算法所選取葉綠素的14個(gè)波段數(shù)。

1.4.5 UVE+SPA 組合算法提取特征波長(zhǎng)

通過UVE法提取900-1700ｎｍ波段范圍內(nèi)的特征波長(zhǎng)為96個(gè)，但與其他方法相比發(fā)現(xiàn)數(shù)據(jù)量仍然較大，為了降低維數(shù)，減少冗余，可以對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步的提取與優(yōu)化。在本試驗(yàn)中將UVE法和SPA法相結(jié)合來提取特征波長(zhǎng)（圖6）。

由圖６可知，在900-1700ｎｍ波段對(duì)提取出的特征波長(zhǎng)進(jìn)一步采用SPA法，組合法UVE＋SPA與UVE法相比，數(shù)據(jù)由96個(gè)減少到13個(gè)并且葉綠素的RMSEC值為3.8635，與UVE法相比，大大壓縮了數(shù)據(jù)，方便后續(xù)的建模與分析。

1.4.6不同方法提取特征波長(zhǎng)及對(duì)比分析

為了優(yōu)選最佳的特征波段進(jìn)行模型建立，對(duì)5種特征波長(zhǎng)提取的波段進(jìn)行分析，結(jié)果見表5。

表５特征波長(zhǎng)選取統(tǒng)計(jì)

由 表５可 知，5種 特 征 波 長(zhǎng) 提 取 方 法 中， βcofficientoPLSR提取了7個(gè)特征波長(zhǎng)，占總波長(zhǎng)的2.7％ ；CARS提取11個(gè)，占總波長(zhǎng)的4.3％ ；UVE提取96個(gè)，占總波長(zhǎng)37.5％ ；SPA提取14個(gè)，占總波長(zhǎng)的5.5％ ；UVE＋SPA提取13個(gè)，占總波長(zhǎng)的5.1％ 。由于UVE法選取的波長(zhǎng)數(shù)較多，所以和SPA組合使用，可以減低冗余，減少維數(shù)。采用這５種方法選取特征波長(zhǎng)，各個(gè)波段均有挑選，具有一定的合理性。

1.5建模方法的比較分析

為了對(duì)比不同建模方法對(duì)提取特征波長(zhǎng)的建模效果，采用多元線性回歸、主成分回歸、偏最小二乘回歸方法進(jìn)行模型對(duì)比分析，結(jié)果見表6。由表6可知，（１）與偏最小二乘回歸模型對(duì)比，UVE挑選出來的特征波長(zhǎng)建立的模型Rc和RCV最大， RMSEC和 RMSECV最小，校正模型優(yōu)于其他模型。在預(yù)測(cè)能力上，采用UVE法提取的特征波長(zhǎng)建立的模型有最大的Rp值0.8495和最低的RMSEP。

表６不同特征提取方法建模效果對(duì)比

值4.3375，說明該模型預(yù)測(cè)能力的穩(wěn)定性優(yōu)于其他模型。綜合各個(gè)參數(shù)，采用５種方法提取的特征波長(zhǎng)建立的PLSR模型中UVE挑選出來的波長(zhǎng)所建立的是最優(yōu)模型。（２）多元線性回歸模型對(duì)比，在５種提取特征波長(zhǎng)的方法中UVE法的Rc值最大RMSEC值最小，但RCV值較小，說明預(yù)測(cè)能力的穩(wěn)定性不強(qiáng)。而SPA法的Rc值次于UVE，但RCV值較高。從綜合參數(shù)角度來看，SPA法建模效果是5中方法中最佳的，所以，選擇SPA建立MLR模型。（３）主成分回歸模型對(duì)比，CARS提取特征波長(zhǎng)的方法，均具有最高的Rc、RCV和Rp值，最低的RMSE、RMSECV、RMSEP值。因此，無(wú)論是校正能力還是預(yù)測(cè)能力，CARS效果都是5種方法中最佳的。

1.6最優(yōu)特征波長(zhǎng)模型比較

通過光譜的預(yù)處理，提取特征波長(zhǎng)等方法，可以得出最優(yōu)的特征波長(zhǎng)的建模方法（表7）。

表7最優(yōu)特征波長(zhǎng)模型對(duì)比

由表7可知，使用UVE法建立的PLSR模型與其他2個(gè)相比，模型性能參數(shù)較好，擁有較高的Rc值0.8624和較低的RMSEC值4.4489，預(yù)測(cè)模型的Rp在3種模型中也有較好效果，具有一定的校正能力和預(yù)測(cè)能力，并且與全波段建立的PLSR模型的Rc值較為接近，差異小。綜合參數(shù)來看，UVE-PLSR模型代表全波段建模是具有可行性的，UVE-PLSR模型結(jié)果見圖7。

2結(jié) 論本試驗(yàn)提出了基于近紅外高光譜成像技術(shù)對(duì)葉綠素含量的快速檢測(cè)。將成像技術(shù)與化學(xué)計(jì)量學(xué)方法相結(jié)合，建立了番茄葉片葉綠素含量的PLSR模型。對(duì)葉綠素采用SPXY法進(jìn)行樣本劃分。并基于原始光譜與Kubelka-Munk處理光譜參數(shù)建立模型比較，對(duì)比分析可知經(jīng)Kubelka-Munk處理后的模型參數(shù)低于原始光譜參數(shù)。因此，試驗(yàn)采用原始光譜進(jìn)行后期的數(shù)據(jù)分析。最終建立并分析了基于特征波長(zhǎng)的PLSR、MLR、PCR模型，并對(duì)模型的性能進(jìn)行了評(píng)價(jià)。其中UVE-PLSR最優(yōu)，其預(yù)測(cè)模型的Rp值為0.8495，RMSEP為4.3375。本試驗(yàn)利用NIR高光譜成像技術(shù)對(duì)番茄葉片葉綠素進(jìn)行無(wú)損檢測(cè)是可行的。能為今后高光譜成像技術(shù)應(yīng)用于番茄品質(zhì)的在線檢測(cè)提供參考，也可為推動(dòng)寧夏回族自治區(qū)地方番茄產(chǎn)業(yè)快速發(fā)展提供技術(shù)支持。

歡迎關(guān)注公眾號(hào)：萊森光學(xué)，了解更多光譜知識(shí)。

萊森光學(xué)（深圳）有限公司是一家提供光機(jī)電一體化集成解決方案的高科技公司，我們專注于光譜傳感和光電應(yīng)用系統(tǒng)的研發(fā)、生產(chǎn)和銷售。

審核編輯 黃昊宇