0引??言

番茄是我國需求量較高的蔬菜之一，在全國范圍內大面積栽培種植。?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－胡蘿卜素等營養(yǎng)成分對于人們來說就具有很高的應用價值。因此，番茄的高質量生產是必不可少的。番茄的生長狀況可以通過葉片的葉綠素含量表現出來，葉綠素含量是番茄重要的生理指標之一?？赏ㄟ^對葉綠素含量的檢測從而對微咸水灌溉下番茄生長發(fā)育情況、健康狀況做出監(jiān)測。目前，常見的測定方法往往操作流程繁瑣、費時，只能進行單個葉片檢測，同時傳統(tǒng)方法一般具有事后性和破壞性，不能滿足高效技術要求。因此，無損、高效的檢測方法是番茄高質量生產中重要的環(huán)節(jié)。

高光譜成像技術是近年來無損檢測技術發(fā)展的新趨勢，將光譜信息和數字成像信息相集成，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到所需樣本圖像中每一個像素點的光譜數據以及圖像信息，這種技術具有速度快，效果好等優(yōu)點，同時在檢測過程中不會破壞樣本，在很大程度上彌補了傳統(tǒng)檢測方法中存在的不足，能夠為可視化與高效無損檢測提供一定的技術依據。高光譜技術被廣泛應用于多個領域。?包括農產品質量評估、品種鑒別、食品的安全檢測、肉類保鮮等。

1結果與分析

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，需對樣本集進行劃分。本研究采用RS、KS、SPXY方法進行校正集與預測集樣本劃分，結果如表1、表2 所示。

表１　?不同樣本劃分方法對葉綠素的PLSR模型結果統(tǒng)計

從表1?可以得出， SPXY法的預測集相關系數Rp大于0.8，高于KS?法和RS法。?數值之和也可用來評價模型效果，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之和數值也是3種方法數值最高的。?并且采用SPXY法建立的模型中，預測集的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

表2可以看出，使用SPXY法對樣本中葉綠素值進行劃分是可行的。?對于192個番茄葉片葉綠素值樣本，取2/3樣本作為校正集，1/3樣本作為預測集，并且預測集的各指標值包含在校正集的指標值范圍之內。?校正集和預測集的方差值也較為理想，由此可以說明所選樣本數據集的劃分具有代表性。

1.2?原始光譜特征波長下不同光譜參數的建模分析

為了研究全波段（900～1700ｎｍ）下Kubelka-Munk處理對建模的影響，利用UnscraｍblerX10.4軟件對原始光譜的反射率進行轉換以及?Kubelka-Munk?函數轉換，研究不同光譜參數對番茄葉片葉綠素含量的預測。?基于PLSR分別對R、K、-M光譜曲線建立模型對比分析，結果見表３。

表?３　?原始光譜特征波長下不同光譜參數的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據建模的預測效果并不是太理想。?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個模型的性能差異不大，而Kubelka-Munk處理只是模型性能做了細微的調改。?因此，可以采用原始光譜進行數據處理，不僅減少了數據的前期處理，而且能夠獲得較優(yōu)的校正模型與預測模型。

1.3?預處理方法的選擇

前期為了獲得真實清晰的圖像進行黑白校正，這只是簡單的對光源強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行了消除。?而樣品的背景色和雜散光等都還會對試驗結果產生一定的誤差，為了提高模型的精確性，需要對光譜進行一定的處理。?而在對比分析中，要充分考慮各個變量之間的影響，而偏小二乘法能夠綜合考慮變量之間的關系，能夠在多重共線性條件下進行回歸建模，因此可以利用PLSR模型進行光譜預處理的結果比較，結果見表?４。

表?４　?不同預處理方法對葉綠素含量的?ＰＬＳＲ?模型結果統(tǒng)計

從表?４?可以看出，對于番茄葉片的中葉綠素指標來說，經過MSC法對樣本值進行預處理后建立的PLSR模型與原始數據相比，具有較好的模型參數，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處理方法。

1.4?特征波長的選取

1.4.1　PLSR權重系數法提取特征波長?

β?系數是反映評價指標重要程度的量化系數，系數越大，說明該指標對總目標影響越大。?由圖2?可知，基于對葉綠素進行MSC預處理后建立的PLSR模型進行特征提取，第4成分具有最顯著的特征，選為最優(yōu)主成分數用于提取特征波長；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?系數圖中按照局部絕對值最大原則選取7個葉綠素特征波長為1008、1202、1226、1369、1515、1628、1657ｎｍ。?有效地降低了光譜的維數，方便后期建立模型。

1.4.2?競爭自適應重加權算法提取特征波長　?

競爭性自適應重加權算法即采用自適應重加權采樣（ARS）技術在模型中選擇并保留下回歸系數絕對值大的波段數，同時，去掉權重小的波段數，此算法在計算取值的過程中是采用交互驗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?范圍內的特征波長，得到結果見圖?3。?由圖?3?可知，在采樣運算過程中，變量數的下降過程呈現由快變慢的趨勢，圖３-Ｂ?是基于自適應加權采樣選擇特征波長建立偏最小二乘模型預測效果的顯示。?圖?３-Ｃ?回歸系數路徑則反映了特征波長變量回歸系數的變化趨勢，?號線反映了RMSECV最小位置，?號線之后部分有效信息被去除，RMSECV值持續(xù)增大。?葉綠素依據RMSECV最小值原則選擇11個特征波長，模型擬合效果最佳，數據壓縮率為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?無信息變量消除變換法（UVE）提取特征波長

如圖?４?所示，在 900-1700ｎｍ?波段范圍內，在主成分數是10時t-value值模型擬合效果最佳。圖中左側表示256個輸入變量的分布曲線，而右側圖表示隨機變量的分布曲線。?最終，對于葉綠素選取了96個特征波長。

1.4.4　連續(xù)投影算法（SPA）提取特征波長　

選擇m-min?＝10，m-max＝30，圖5-A?表示特征變量數與RMSE的變化曲線，可以得出RMSE最小值與特征變量數的關系，綜合分析可以確定葉綠素特征波長數為14?個，RMSE值為4.1343。?圖5-B為SPA算法所選取葉綠素的14個波段數。

1.4.5 UVE+SPA 組合算法提取特征波長　?

通過UVE法提取900-1700ｎｍ?波段范圍內的特征波長為96個，但與其他方法相比發(fā)現數據量仍然較大，為了降低維數，減少冗余，可以對數據進行進一步的提取與優(yōu)化。?在本試驗中將UVE?法和SPA?法相結合來提取特征波長（圖6）。

?

由圖?６?可知，在900-1700ｎｍ?波段對提取出的特征波長進一步采用SPA法，組合法UVE＋SPA與UVE法相比，數據由96個減少到13個并且葉綠素的RMSEC值為3.8635，與UVE法相比，大大壓縮了數據，方便后續(xù)的建模與分析。

1.4.6　不同方法提取特征波長及對比分析　

為了優(yōu)選最佳的特征波段進行模型建立，對?5種特征波長提取的波段進行分析，結果見表?5。

表?５　?特征波長選取統(tǒng)計

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

1.5?建模方法的比較分析

為了對比不同建模方法對提取特征波長的建模效果，采用多元線性回歸、主成分回歸、偏最小二乘回歸方法進行模型對比分析，結果見表6。由表6可知，（１）與偏最小二乘回歸模型對比，UVE挑選出來的特征波長建立的模型Rc和RCV最大， RMSEC和 RMSECV最小，校正模型優(yōu)于其他模型。?在預測能力上，采用UVE法提取的特征波長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比

值4.3375，說明該模型預測能力的穩(wěn)定性優(yōu)于其他模型。?綜合各個參數，采用?５?種方法提取的特征波長建立的PLSR模型中UVE挑選出來的波長所建立的是最優(yōu)模型。（２）多元線性回歸模型對比，在?５種提取特征波長的方法中UVE法的Rc值最大RMSEC值最小，但RCV值較小，說明預測能力的穩(wěn)定性不強。?而SPA法的Rc值次于UVE，但RCV值較高。?從綜合參數角度來看，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）主成分回歸模型對比，CARS提取特征波長的方法，均具有最高的Rc、RCV和Rp值，最低的RMSE、RMSECV、RMSEP值。?因此，無論是校正能力還是預測能力，CARS效果都是5種方法中最佳的。

1.6?最優(yōu)特征波長模型比較

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

表?7最優(yōu)特征波長模型對比

由表?7可知，使用UVE法建立的PLSR?模型與其他2個相比，模型性能參數較好，擁有較高的Rc值0.8624和較低的RMSEC值4.4489，預測模型的Rp在3種模型中也有較好效果，具有一定的校正能力和預測能力，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模型結果見圖7。

2結? 論本試驗提出了基于近紅外高光譜成像技術對葉綠素含量的快速檢測。?將成像技術與化學計量學方法相結合，建立了番茄葉片葉綠素含量的PLSR模型。?對葉綠素采用SPXY法進行樣本劃分。并基于原始光譜與Kubelka-Munk處理光譜參數建立模型比較，對比分析可知經Kubelka-Munk處理后的模型參數低于原始光譜參數。?因此，試驗采用原始光譜進行后期的數據分析。?最終建立并分析了基于特征波長的PLSR、MLR、PCR模型，并對模型的性能進行了評價。?其中UVE-PLSR最優(yōu)，其預測模型的Rp值為0.8495，RMSEP為4.3375。?本試驗利用NIR高光譜成像技術對番茄葉片葉綠素進行無損檢測是可行的。?能為今后高光譜成像技術應用于番茄品質的在線檢測提供參考，也可為推動寧夏回族自治區(qū)地方番茄產業(yè)快速發(fā)展提供技術支持。

歡迎關注公眾號：萊森光學，了解更多光譜知識。

萊森光學（深圳）有限公司是一家提供光機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用系統(tǒng)的研發(fā)、生產和銷售。