《Foods》:Linear Variable Filter Hyperspectral Imaging for Determination of Acidity and Hardness of Multiple Fruits
编辑推荐:
酸度决定水果成熟度,是水果风味的重要组成成分;硬度是判断成熟状态、耐贮性及运输品质的关键指标,因此检测酸度与硬度具有重要意义。本研究采用线性渐变滤光片(linear variable filter, LVF)型高光谱成像仪获取苹果、梨及猕猴桃的高光谱数据,共使
酸度决定水果成熟度,是水果风味的重要组成成分;硬度是判断成熟状态、耐贮性及运输品质的关键指标,因此检测酸度与硬度具有重要意义。本研究采用线性渐变滤光片(linear variable filter, LVF)型高光谱成像仪获取苹果、梨及猕猴桃的高光谱数据,共使用150个果实(苹果50个、梨50个、猕猴桃50个)。研究人员采用浓度梯度(SPXY)法按1∶1比例将数据集划分为建模集与验证集,利用6种光谱指数——归一化指数(Normalized Index, NI)、比值指数(Ratio Index, RI)、差值指数(Difference Index, DI)、可调指数(Adjustable Index, AI)、三波段归一化指数(Three?Band Normalized Index, TBNI)、三波段比值指数(Three?Band Ratio Index, TBRI))——构建适用于混合多果种数据集的酸度与硬度检测模型。结果表明:三波段归一化指数(TBNI)对酸度预测精度最高,校正集决定系数R2C=0.832、验证集决定系数R2V=0.783、平均绝对误差MAE=0.14、平均相对误差MRE=0.03;三波段比值指数(TBRI)对硬度预测精度最高,R2C=0.914、R2V=0.898、MAE=0.63、MRE=0.19。上述结果为混合多果种场景下水果生理指标快速检测提供了技术支持。
论文解读——《Linear Variable Filter Hyperspectral Imaging for Determination of Acidity and Hardness of Multiple Fruits》(发表于《Foods》)
水果成熟度可通过若干生理指标反映,其中可滴定酸度(titratable acidity, TA)与pH型酸度(pH acidity)及果实硬度(firmness/hardness)是核心评价参数。传统水果酸度与硬度的无损检测研究多集中于单一果种建模,所得模型无法推广至混合多果种(batch)场景;且推扫式(push?broom)与凝视式(staring?type)高光谱系统存在成本高、结构复杂或光谱分辨率不均等局限。线性渐变滤光片(linear variable filter, LVF)高光谱成像仪无需独立色散模块,可连续获取420–1000 nm多波段影像,具备便携、低成本优势,适合分选线应用。本研究旨在以LVF高光谱成像技术结合光谱指数(spectral index)法,构建不经果种识别即可同时预测苹果、梨、猕猴桃混合样品酸度(pH)与硬度的统一模型,并筛选最优波段组合与指数形式。研究人员采集150个商业成熟度果实(各果种50个)的高光谱反射率数据,以SPXY法分层划分建模集与验证集(1∶1),计算NI、RI、DI、AI、TBNI、TBRI六类光谱指数并遍历优选特征波长,通过一元线性回归建立酸度与硬度预测模型,以决定系数(coefficient of determination, R2)C与V、平均绝对误差(mean absolute error, MAE)、平均相对误差(mean relative error, MRE)评价性能,并以五折交叉验证检验鲁棒性。最终证实TBNI与TBRI分别为混合多果种酸度与硬度的最优预测指数,验证了LVF高光谱成像在多果种联合无损检测中的可行性。
主要关键技术方法
研究人员自北京批发市场购入150个商业成熟度果实——苹果50个(富士20、嘎拉15、金冠15)、梨50个(鸭梨25、皇冠梨25)、猕猴桃50个(海沃德,陕西产),4℃、85%相对湿度贮藏并于48 h内测定。使用Lambda?VN型LVF高光谱成像仪(曝光50 ms,物距30 cm,45°照明,420–1000 nm,256波段,采样间隔2.2 nm)采集赤道区域高光谱图像,经黑白板校正得反射率;每果选取3个25×25像素感兴趣区(region of interest, ROI)取均值代表单果光谱。酸度以校准pH计(PHS?3C)测pH值,硬度以GY?4硬度计(?11.1 mm探头,10 mm压入深度,1 mm/s)测公斤力(kgf),均于赤道去皮处重复三次取均值。全样本以SPXY法按果种均衡分为建模集与验证集(n=75 each),对六类光谱指数在420–1000 nm以10 nm间隔暴力搜索(bruce?force search)最优双波段或三波段组合,建立一元线性回归模型,并进行五折交叉验证。
3.1. Spectral Reflectance Changes in Different Fruits(不同水果的光谱反射率变化)
研究人员经黑白校正与ROI平均后得到三种水果平均反射率曲线。苹果在420–1000 nm具明显峰谷:约500 nm绿峰(叶绿素吸收弱)、560 nm谷(类胡萝卜素吸收)、680 nm谷(叶绿素a强吸收);梨无明显峰谷但420–620 nm反射率陡升,与表皮色素及散射有关;猕猴桃因绿皮弱绿吸收,部分个体在约500 nm出现绿峰。说明不同果种具特有光谱形态,为混合建模提供基线依据。
3.2. Correlation Analysis Between Mixed Fruits and Single?Band Reflectance(混合水果与单波段反射率的关联分析)
以Pearson相关系数(PCC)分别计算单果种及混合样本反射率与酸度、硬度相关性。单果种中苹果酸度在420–650 nm呈中强负相关(420 nm最强),硬度整体弱相关(|r|<0.4);梨硬度在600–900 nm呈中强正相关(800–850 nm峰值),酸度全波段负相关(1000 nm最强负);猕猴桃硬度在420–500 nm呈中强负相关(450 nm最低),酸度在420 nm呈强正相关。混合样本相关性显著增强:酸度全波段正相关(450–570 nm最强),硬度在430–950 nm正相关(650–750 nm近0.8以上,720 nm最高)。表明混合样本可突破单一果种光谱变异性限制,提升统计稳健性。
3.3. Analysis of Acidity Models for Mixed Fruits(混合水果酸度模型分析)
研究人员对六类光谱指数遍历优选波长组合并建立一元回归模型。酸度最优组合为:NI(557.89 nm, 728.44 nm)、RI(563.99 nm, 717.09 nm)、DI(563.99 nm, 773.2 nm)、AI(557.89 nm, 745.34 nm)、TBNI(563.99 nm, 793.72 nm, 811.56 nm)、TBRI(577.89 nm, 750.95 nm, 811.56 nm)。混合果种以TBNI预测效果最佳(R2C=0.832,R2V=0.783,MAE=0.14,MRE=0.03),NI/RI/AI亦较好(R2V>0.76);苹果次之(TBNI R2V=0.471);梨与猕猴桃各模型R2V均<0.30。三波段组合可有效消除基线漂移与颗粒散射干扰,放大有机酸(苹果酸、柠檬酸)弱吸收特征,故TBNI优于双波段指数。五折交叉验证TBNI模型R2C均值0.893、R2V均值0.867,证明稳定性与泛化能力。
3.4. Analysis of Hardness Models for Mixed Fruits(混合水果硬度模型分析)
同理筛选硬度最优波长:NI(750.95 nm, 795.21 nm)、RI与AI(756.53 nm, 784.24 nm)、DI(762.1 nm, 778.73 nm)、TBNI(750.95 nm, 789.93 nm, 916.96 nm)、TBRI(406.92 nm, 728.44 nm, 854.46 nm)。各果种硬度模型精度普遍高于酸度:猕猴桃TBNI几近完美(R2V=0.987),梨AI/TBNI R2V≈0.70–0.71,苹果TBNI R2V=0.354,混合果种TBRI与TBNI并列最优(R2C=0.914,R2V=0.898,MAE=0.63,MRE=0.19),特征波长集中于近红外水吸收敏感区与结构散射区。五折交叉验证TBRI模型R2C均值0.791、R2V均值0.768,具良好鲁棒性。
3.5. Stability Verification of Fruit Acidity and Hardness Detection Algorithm(水果酸度与硬度检测算法稳定性验证)
如前所述,研究人员对最佳酸度模型(TBNI)与最佳硬度模型(TBRI)实施五折交叉验证。TBNI五轮R2V介于0.788–0.924(均值0.867),MAE均值0.656,MRE均值0.197;TBRI五轮R2V介于0.600–0.859(均值0.768),MAE均值0.008,MRE均值0.697。两模型训练与验证指标波动小,无过拟合迹象,证明所选光谱指数与波长组合在多果种混合场景下稳定可靠。
讨论与结论翻译总结
研究人员得出结论:(1)420–1000 nm内苹果反射率具明显峰谷,梨在420–620 nm反射率陡变,猕猴桃因绿皮在约500 nm现绿峰;(2)混合果种反射率与酸度呈全波段正相关(450–570 nm最强),与硬度在430–950 nm正相关(650–750 nm最强);(3)六类光谱指数中三波段归一化指数(TBNI)对混合果种酸度预测最优(R2C=0.832,R2V=0.783,MAE=0.14,MRE=0.03),酸度预测式为 y=1.7488x+3.6114(y为酸度pH,x为TBNI值);(4)三波段比值指数(TBRI)对混合果种硬度预测最优(R2C=0.914,R2V=0.898,MAE=0.63,MRE=0.19),硬度预测式为 y=12.628x-5.9445(y为硬度kgf,x为TBRI值)。研究表明LVF型高光谱成像结合光谱指数法可实现多果种混合场景下酸度与硬度的无损快速预测,为果蔬分选线应用提供技术支撑。研究局限含样本量偏小(n=150)、未做跨产区/跨季节外部验证、仅测pH未测可滴定酸度(TA)、线性光谱指数未能完全捕捉非线性关系,未来拟扩大样本、引入外部验证并比较偏最小二乘回归(partial least squares regression, PLSR)、支持向量回归(support vector regression, SVR)等机器学习方法,扩展至更多果种。