基于可见近红外光谱技术快速检测花椰菜中硫代(2)

采用分光光度法对240个花椰菜样本中硫代葡萄糖苷的含量进行测量，测量结果如表1所示。经过样本总量的平均计算，花椰菜中硫代葡萄糖苷的含量分布在2.44～10.62（μmol/100 g）之间，分布范围较广，因此具有很好的代表性。“松花”花椰菜的预测集硫苷含量范围为4.21～9.98（μmol/100 g），校正集硫苷含量范围为 3.26～11.19（μmol/100 g）。“雪白”花椰菜预测集硫苷含量范围为6.12～9.03（μmol/100 g），校正集硫苷含量范围为4.89～12.31（μmol/100 g）。校正集含量差异较大，反映了个别样本的差异性，但总体不影响预测模型的精度。故“松花”和“雪白”花椰菜预测集中硫代葡萄糖苷的含量均在校正集内，说明校正集和预测集划分合理。

2.2 近红外光谱数据的采集

近红外光谱数据的采集均在自制的暗室中进行。为了减少误差，提高光谱数据的准确程度，每个样本的头部、茎部各采集三次，每次采集光谱时，旋转样本120°。入射光与样本表面成90°角是为了减少样本表面的角反射噪音。采用黑纸板固定样本来防止采集到与样本无关的光谱信息。两个花椰菜品种的所有光谱曲线取平均值后如图1。由图1可知，两类不同品种的花椰菜光谱走势基本相同，但800 nm后“松花”花椰菜的光谱反射率普遍高于“雪白”花椰菜的光谱反射率，这可能与品种、颜色、质地等因素有关。为了去除光谱首尾的噪声对后期光谱数据分析造成的影响，因此，本实验仅采用450 nm～2250 nm波段的数据进行后续的预测分析。

图1 “松花”、“雪白”花椰菜平均光谱曲线Fig.1 Mean spectral curves of "Songhua" and "Snow-white"cauliflower

2.3 光谱数据预处理

表1 硫代葡萄糖苷指标值统计结果Table 1 Statistical results of glucosinolates项目 样品数量/个 最大值/(μmol/100 g) 最小值/(μmol/100 g) 平均值/(μmol/100 g) 方差/(μmol/100 g)2松花校正集 90 11.19 3.26 5.74 3.86松花预测集 30 9.98 4.21 6.70 1.57雪白校正集 90 12.31 4.89 7.71 2.47雪白预测集 30 9.03 6.12 8.21 0.48

表2 “松花”、“雪白”花椰菜不同预处理后PLSR模型精度Table 2 PLSR model accuracy of "Songhua" and "Snow-white" cauliflower after different pretreatment品种 预处理方法 校正集 预测集Rc RMSEC/% Rp RMSEP/%The original spectrum 0.90 1.19 0.89 0.63松花雪白Baseline 0.89 1.22 0.89 0.63 Median Filter 0.90 1.19 0.89 0.63 GaussionFilter 0.90 1.19 0.89 0.63 Standard Nomal Variate transform 0.88 1.27 0.85 0.71 Savitzky-Golay 0.89 1.23 0.86 0.70 The original spectrum 0.86 1.34 0.72 0.47 Baseline 0.86 1.36 0.67 0.50 MedianFilter 0.86 1.34 0.75 0.44 GaussionFilter 0.86 1.34 0.69 0.49 Standard Nomal Variate transform 0.78 1.67 0.70 0.48 Savitzky-Golay 0.86 1.34 0.75 0.45

为了进一步消除可见/近红外光谱中噪声及环境因素对实验精度的影响[18]，分别采用基线校正（Baseline）、标准正态变量变换（Standard Nomal Variate transform，SNV）、中值滤波（MedianFilter，MF）、高斯滤波（GaussionFilter，GF）、S-G 平滑（Savitzky-Golay）五种预处理方法对原始光谱进行预处理。偏最小二乘回归（Partial Least Squares Regression，PLSR）模型是近红外光谱分析中使用最广泛的经典线性回归建模方法之一[15]，通过不同的预处理方法处理后所建的PLSR模型精度如表2所示。经过中值滤波预处理后的“松花”、“雪白”花椰菜预测集相关系数最高，其相关系数Rp分别为0.89、0.75，预测集均方根误差RMSEP分别为0.63、0.44。即中值滤波能较好地消除或减少环境噪音、样本大小不同和表面散射带来的误差。

中值滤波是一种能有效抑制噪声的非线性信号处理技术，其原理是把数字序列中某个值用该值的一个领域中各个值的中值代替，让周围的数据更接近真实值，从而消除孤立的噪声点。马超[19]对贮藏期内滩羊熟肉的肌红蛋白含量变化进行无损检测，光谱数据经过中值滤波预处理后，所建模型效果最佳，其模型参数分别为：Rc=0.79，RMSEC=1.81，Rp=0.87，RMSEP=2.63。“松花”花椰菜经过中值滤波预处理后模型参数优于滩羊熟肉模型的相应模型参数，说明对于“松花”花椰菜而言，使用中值滤波进行预处理后，模型更稳定、可靠性更高。但“雪白”花椰菜经过中值滤波后，建模效果略低于滩羊熟肉的建模效果，可见，经过中值滤波后，并未使“雪白”花椰菜模型获取更多的有效光谱信息，这可能是由于花椰菜的品种差异较大所导致的。综合比较后，采用经过中值滤波预处理后的花椰菜来进行后续研究。

2.4 模型优化

2.4.1 SPA法提取特征波长

连续投影算法SPA可提高建模的速度和效率[20]。SPA作为一种特征波长提取方法在近红外光谱检测中应用广泛。高明[21]在冬小麦叶片叶绿素含量可见/近红外光谱检测研究中使用SPA法对冬小麦的反射叶片光谱数据进行特征波长选择，显著提升了模型（SPA-PLS）的建模精度。

文章来源：《无损检测》 网址: http://www.wsjczzs.cn/qikandaodu/2021/0610/551.html