可见-近红外光谱对花椰菜色泽的检测研究

穆炳宇，薛建新，张淑娟，吕森博，肖新盈，何长江

（山西农业大学农业工程学院，山西晋中 030801）

花椰菜（Brassica oleracea L.var.botrytis L.），俗称花菜、菜花或椰菜花，营养丰富，但是在采后贮藏、运输过程中表面颜色会变黄、变暗，出现褐变，影响其商品价值[1-2]。色泽是判别花椰菜采后品质的重要指标。通常花椰菜色泽的测量方法是有损检测，而近红外技术以无损、速度快、效率高的特点广泛应用于农产品贮藏和加工领域[3]，已有学者使用近红外技术检测了羊肉[4]、葡萄[5]、猕猴桃[6]等的色泽。但对花椰菜色泽变化的研究未见报道。

试验使用可见-近红外光谱技术与“松花”花椰菜表面的L*值建立联系，选择了最优的预处理方法，并通过特征波长的提取加快建模速度，实现了近红外技术对花椰菜表面色泽的快速、无损检测。

1 材料与方法

1.1 试验材料

花椰菜品种为“松花”，样本于2020 年10 月采摘自山西省晋中市太谷区，当天运至实验室。选择大小相近、无病虫害的花椰菜共240 朵作为试验对象。

1.2 光谱采集

使用美国ASD（Analytical Spectral Device）公司的Field Spec 3 型光谱仪进行花椰菜样本光谱数据的采集，光谱数据的范围为350～2 500 nm，因光谱曲线两端存在明显的噪声，故选择波长450～2 450 nm的光谱数据进行建模分析[7]。

1.3 色泽L*值的测量

采用日本Konica Minolta 公司的CR-400 型色差仪测定与近红外光谱采集点位相对应的花椰菜表面的L*值。每个对应点位进行3 次测量，取平均值作为最终结果。

1.4 数据处理和分析方法

采用K-S 算法（Kennard-Stone）划分样本集；使用S-G 平滑（Savitzky-Golay Smoothing）、标准正态变量变换（Standard normal variate transformation，SNV）、基线校正（Baseline）、归一化（Normalize，NOR）方法进行预处理；使用连续投影算法（Successive projections algorithm，SPA）提取特征波长；采用偏最小二乘回归（Partial least squares regression，PLSR）方法进行建模。使用The Unscramber X10.1及Matlab 2014a 软件进行数据分析和处理；利用Origin2019b 进行绘图工作。模型的优劣通过相关系数（Correlation coefficient，R）和均方根误差（Root mean square error，RMSE）进行评价[7]。

2 结果与分析

2.1 花椰菜的色泽L*值

使用K-S 算法按照3∶1 的比例将花椰菜样本随机划分为校正集（180 朵）和预测集（60 朵），对测量的L*值进行数据分析。

校正集和预测集样品的色泽分布特征见表1。

表1 校正集和预测集样品的色泽分布特征

由表1 可知，240 朵花椰菜样本的L*平均值为89.02，标准差为1.34；校正集和预测集的平均值相差0.48，标准差相差0.15；校正集的L*值测量范围大于预测集，说明经K-S 算法划分的数据分布合理。

2.2 花椰菜近红外光谱曲线

花椰菜近红外光谱曲线见图1。

图1 花椰菜近红外光谱曲线

由图1 可知，花椰菜在1 180，1 450，1 680，2 240 nm 处出现了明显的吸收峰，其中1 180 和1 450 nm 处为O-H 键的倍频峰，1 680 和2 240 nm处则与C-H、C-O 键倍频峰有关[6]。

2.3 光谱预处理方法的选择

为消除温度变化、仪器噪声等干扰因素对数据采集造成的影响，提高模型的精度和稳定性，对原始光谱数据进行预处理操作。表2 为基于花椰菜原始光谱经不同预处理方法的PLSR 分析结果。综合比较发现，采用NOR 处理的建模效果最优，校正集的Rc 达到0.892 9，RMSEC 为0.615 4；预测集的Rp达到0.903 4，RMSEP 为0.527 3。RMSEC、RMSEP均低于原始光谱，表明经NOR 预处理可有效降低干扰因素的影响。

不同预处理方法的PLSR 建模效果比较见表2。

表2 不同预处理方法的PLSR 建模效果比较

2.4 光谱特征波长的提取

为了提高建模的速度，使用SPA 算法对经NOR预处理后的光谱数据进行特征波长的提取。图2 表示当选择变量为10 个时，RMSE 值达到最低为0.665 2；所提取的10 个特征波长数为780，1 093，1 160，1 124，1 306，1 333，1 661，2 118，2 430，2 443 nm。

基于SPA 算法的最佳变量选择见图2。

图2 基于SPA 算法的最佳变量选择

2.5 花椰菜色泽L*值预测模型的建立与分析

使用经SPA 算法提取的特征波长建立PLSR 模型，校正集的Rc 达到0.896 7，RMSEC 为0.631 9。该模型较全波段所建模型的精度高，所需时间更短。为了验证预测模型的准确性，使用预测集的60 朵花椰菜的L*值进行验证分析。RMSEP 为0.541 1，Rp为0.908 9，取得了较好的预测效果。结果表明，使用可见/近红外光谱技术可实现对花椰菜色泽L*的检测。

SPA-PLSR 模型的预测集样本的实际值和预测值散点图见图3。

图3 SPA-PLSR 模型的预测集样本的实际值和预测值散点图

3 结论

花椰菜的色泽是评价花椰菜品质的重要指标。采用可见-近红外光谱技术对花椰菜表面的色泽L*值进行检测，选择出最优预处理方法为NOR，使用SPA 提取特征波长并建立PLSR 模型。结果表明，所建立的预测模型Rp 达到0.908 9，RMSEP 达到0.541 1，模型性能较好、稳定性高。因此，花椰菜的色泽L*值可以通过近红外模型来进行检测。