第ｌ２期（总第４２１期） 农产品加工 Ｎｏ．１２ ２０１６年１２月 Ｆａｒｍ Ｐｒｏｄｕｃｔｓ Ｐｒｏｃｅｓｓｉｎｇ Ｄｅｅ． 文章编号：１６７１—９６４６（２０１６）１２ａ－００３９—０５ 基于高光谱成像技术快速无损测定花生中水分含量 于宏威，刘红芝，杨 颖，石爱民，刘 丽，胡 晖， 王 强 （中国农业科学院农产品加工研究所，农业部农产品加工综合性重点实验室，北京１００１９３） 摘要：花生中水分含量的高低直接影响花生及其制品的贮藏期，而现有的测定方法存在步骤多、时间长等问题。试 验利用高光谱成像技术对花生中水分含量进行快速无损检测分析。通过采集１２０个花生样品的图像信息，从校正后 的图像中提取花生目标区域的平均光谱作为花生光谱信息进行分析；同时，优选最佳的光谱预处理方法和建模方法 建立花生中水分含量全波段模型，在此基础上利用回归系数法，确定重要波长并建立模型。结果表明，二阶导数 （２ ｄｅｒ）偏最小二乘法（ＰＬＳ）全波段模型预测水分含量能力最佳，校正集和预测集的相关系数分别为０．９１和０．８４， 标准偏差分别为Ｏ．２８和０．３８；回归系数法确定的１４个波长所建简化模型的性能与全波段相当，校正集和预测集的相 关系数分别为０．８２和０．８１，标准偏差分别为０．３９和０．４３。因此，高光谱成像技术可以快速元损测定花生中水分含 量，其具有快速运算特点的重要波长模型可以更加方便地应用于花生加工产业中。 关键词：花生；水分含量；高光谱成像技术；偏最小二乘法；无损检测 中图分类号：￥３７ 文献标志码：Ａ ｄｏｉ：１０．１６６９３￣．ｃｎｋｉ．１６７１—９６４６（Ｘ）．２０１６．１２．０１１ Ｒａｐｉｄ ａｎｄ Ｎｏｎ－ｄｅｓｔｒｕｃｔｉｖｅ Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ Ｍｏｉｓｔｕｒｅ Ｃｏｎｔｅｎｔ ｉｎ Ｐｅａｎｕｔ Ｂａｓｅｄ ｏｎ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｉｍａｇｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ＹＵ Ｈｏｎｇｗｅｉ，ＬＩＵ Ｈｏｎｇｚｈｉ，ＹＡＮＧ Ｙｉｎｇ，ＳＨＩ￣ｉｍｌｎ，ＬＩＵ Ｌｉ，ｌＩＵ Ｈｕｉ，＂ＷＡＮＧ Ｑｉ蚰ｇ （Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ａｇｒｏ—Ｐｒｏｄｕｃｔｓ Ｐｒｏｃｅｓｓｉｎｇ，Ｍｉｎｉｓｔｒｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒｅ，Ｉｎｓｉｔｔｕｔｅ ｏｆ Ａｇｒｏ—Ｆｏｏｄ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ａｇｒｉｃｕｌｔｕｒａｌ Ｓｃｉｅｎｃｅｓ，Ｂｅｉｊｉｎｇ １００１９３，Ｃｈｉｎａ） ￣ｓｔｒａｅｔ：Ｍｏｉｓｔｕｒｅ ｃｏｎｔｅｎｔ ｄｉｒｅｃｔｌｙ ａｆｆｅｃｔｓ ｔｈｅ ｓｔｏｒａｇｅ ｐｅｒｉｏｄ ｏｆ ｐｅａｎｕｔ ａｎｄ ｉｔｓ ｐｒｏｄｕｃｔｓ．Ｔｈｅ ｅｘｉｓｔｉｎｇ ｍｅｔｈｏｄｓ ｏｆ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｍｏｉｓｔｕｒｅ ｃｏｎｔｅｎｔ ａｒｅ ｍｏｒｅ ｓｔｅｐｓ ａｎｄ ｔｉｍｅ—ｃｏｎｓｕｍｉｎｇ．Ｉｎ ｔｈｉｓ ｐａｐｅｒ，ｍｏｉｓｔｕｒｅ ｃｏｎｔｅｎｔ ｉｎ ｐｅａｎｕｔ ｉｓ ｒａｐｉｄｌｙ ａｎｄ ｎｏｎ—ｄｅｓｔｒｕｃｔｉｖｅｌｙ ｄｅｔｅｃｔｅｄ ｂｙ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｉｎｇ ｔｅｃｈｎｏｌｏｇｙ（ＨＳ１）．Ｉｍａｇｅ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ １２０ ｐｅａｎｕｔ ｓａｍｐｌｅｓ ｉｓ ａｃｑｕｉｒｅｄ， ａｎｄ ａｖｅｒｇａｅ ｓｐｅｃｔｒａ ｏｆ ｐｅａｎｕｔ ｏｆ ｒｅｓｉｇｎ ｏｆ ｉｎｔｅｒｅｓｔ ａｌ－ｅ ｅｘｔｒａｃｔｅｄ ｆｒｏｍ ｔｈｅ ｃｏｒｒｅｃｔｅｄ ｉｍａｇｅ ａｓ ｐｅａｎｕｔ ｓｐｅｃｔｒｌａ ｉｎｆｏｒｍａｔｉｏｎ ｔｏ ａｎａｌｙｚｅ．Ｔｈｅ ｗｈｏｌｅ ｗａｖｅ－ｂａｎｄ ｍｏｄｅｌ ｏｆ ｍｏｉｓｔｕｒｅ ｃｏｎｔｅｎｔ ｉｎ ｐｅａｎｕｔｓ ｉｓ ｅｓｔａｂｌｉｓｈｅｄ ｂｙ ｓｅｌｅｃｔｉｎｇ ｔｈｅ ｂｅｓｔ ｓｐｅｃｔｒａｌ ｐｒｅ－ｐｒｏｃｅｓｓｉｎｇ ｍｅｔｈｏｄ ａｎｄ ｍｏｄｅｌｉｎｇ ｍｅｔｈｏｄ．Ｂａｓｅｄ ｏｎ ｒｅｇｒｅｓｓｉｏｎ ｃｏｅｆｉｆｃｉｅｎｔ ｍｅｔｈｏｄ，ｉｍｐｏｒｔａｎｔ ｗａｖｅｌｅｎｇｔｈｓ ａｒｅ ｉｄｅｎｔｉｉｆｅｄ ａｎｄ ｍｏｄｅｌ ｉｓ ｓｅｔ ｕｐ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ２￣ａ－ｄｅｒ－ＰＬＳ ｗｈ０ｌｅ ｗａｖｅ－ｂａｎｄ ｍｏｄｅｌ ｈａｄ ｂｅｓｔ ａｂｉｌｉｔｙ ｔｏ ｐｒｅｄｉｃｔ ｍｏｉｓｔｕｒｅ ｃｏｎｔｅｎｔ ｗｉｔｈ Ｒｅ ｏｆ ０．９１ ａｎｄ ＳＥＣ ｏｆＯ．２８．Ｒｐ ｏｆＯ．８４ ａｎｄ ＳＥＣ ｏｆ０．３８．Ｔｈｅ ｐｅｒｆｏｒｍａｎｃｅ ｏｆｔｈｅ ｓｉｍｐｌｆｉｅｄ ｍｏｄｅｌ ｅｓｔａｂｌｉｓｈｅｄ ｂｙ ｔｈｅ ｒｅｇｒｅｓｓｉｏｎ ｃｏｅｆｉｆｃｉｅｎｔ ｉｓ ｅｑｕｉｖａｌｅｎｔ ｔｏ ｔｈａｔ ｏｆ ｔｈｅ ｗｈｏｌｅ ｗａｖｅ—ｂａｎｄ ｗｉｔｈ Ｒｃ ｏｆ ０．８２ ａｎｄ ＳＥＣ ｏｆ ０．３９，Ｒｐ ｏｆ ０．８１ ａｎｄ ＳＥＣ ｏｆ ０．４３．Ｔｈｅ ｒｅｓｅａｒｃｈ ｓｈｏｗ ｔｈａｔ ＨＩＳ ｃｏｕｌｄ ｑｕｉｃｋｌｙ ａｎｄ ｎｏｎ－ｉｎｖａｓｉｖｅｌｙ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｍｏｉｓｔｕｒｅ ｃｏｎｔｅｎｔ ｉｎ ｐｅａｎｕｔｓ， ａｎｄ ｔｈｅ ｉｍｐｏｒｔａｎｔ ｗａｖｅｌｅｎｇｔｈ ｍｏｄｅｌ ｗｉｔｈ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｆａｓｔ ｏｐｅｒａｔｉｏｎ ｃｏｕｌｄ ｂｅ ｍｏｒｅ ｃｏｎｖｅｎｉｅｎｔ ｆｏｒ ｔｈｅ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ｔｈｅ ｐｅａｎｕｔ ｉｎｄｕｓｔｒｙ． Ｋｅｙ ｗｏｒｄｓ：ｐｅａｎｕｔ；ｍｏｉｓｔｕｒｅ ｃｏｎｔｅｎｔ；ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｉｎｇ ｔｅｃｈｎｏｌｏｇｙ；ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅ；ｎｏｎ—ｄｅｓｔｒｕｃｔｉｖｅ ｔｅｓｔｉｎｇ 花生是世界第四大油料作物、第三大蛋白质来 花生仁的安全水分含量在９．０％以内。目前，测定 源，具有很高的经济价值和营养价值，在世界食品 花生中水分含量公认的方法是ＡＯＡＣ ９５０．４６和ＧＢ 市场地位举足轻重ｆ１１。据ＦＡＯ统计，２０１４年世界 ５００９．３—２０１０中干燥法，该方法简单、易操作，且 花生总产量约４ ２３８×１０４ ｔ，我国花生年总产量约 结果准确，但是操作过程中破坏样品，不能在线测 １ ５７８×１０４ ｔ，占全球总产量的３７．２３％，位居世界首 定，恒质量需要花费大量时间。据估算，测定１个 位［２１。花生中水分含量的高低直接影响花生及其制品 花生样品中水分含量平均需要６ ｈ，因此亟需一种快 的贮藏期，水分含量低的贮藏期较长，水分含量高 速无损检测花生中水分含量的方法。 的贮藏期较短［３】，因此ＧＢ／Ｔ １５３２－－２０００花生中要求 整合光谱和图像优势的高光谱成像技术是一门 收稿日期：２０１６－０５—０９ 基金项目：国家科技支持计划课题（２０１２ＢＡＤ２９Ｂ０３）；中国农业科学院科技创新工程（ＣＡＡＳ—ＡＳＴＩＰ－２０１Ｘ—ＩＡＰＰＳＴ）。 作者简介：于宏威（１９９１一），男，硕士，研究方向为粮油加工与副产物综合利用。 通讯作者：王强（１９６５一），男，博士，研究员，研究方向为粮油加工与副产物综合利用。 农产品加工 ２０１６年第１２期 新兴的快速无损检钡４方法，其数据包括了某个波长 都需晃动表面皿，且重复采集３次。扫描参数：成像 下的图像信息和图像平面内某个像素点的光谱信 仪曝光时间５．６ Ｓ，电动机的移动速度８ ｍｒｒｄｓ。 息网。图像信息是指像素点的分布情况；光谱信息是 ＳｉｓｕＣＨＥＭＡ ＮＩＲ见图１。 由物质中的分子从基态向高能级跃迁时，含氢基团 （ＯＨ，ＣＨ等）振动所产生的圈。随着物质分子组成 及含量变化，其产生光谱吸收峰的位置和强度都有 明显差异，其光谱特征也发生相应的变化［６１。因此， 可以基于高光谱成像技术获得光谱信息，并利用化 学计量学定量分析物质的组分含量。目前，高光谱 成像技术已经得到国内外许多学者的关注，并取得 许多研究结果。其中，测定水分含量方法广泛应用 脑控制单元 校正对焦 白参考板 图１ ＳｉｓｕＣＨＥＭＡ ＮｌＲ 到脱水对虾、羊肉、火鸡火腿、蘑菇、鲑鱼等农产 品中【７＿“】。随着花生加工产业的迅猛发展，创建花生 中水分含量的高光谱快速无损检测方法也迫在眉睫。 以我国主要种植的花生品种为试验材料，旨在建 立花生中水分含量的高光谱检测方法。采集了１２０个 花生样品的图像信息，从校正后的高光谱图像中， 提取花生目标区域的平均光谱信息作为花生光谱信 息进行分析，优选最佳的光谱预处理方法和建模方 法建立花生中水分含量全波段模型。在此基础上， 利用回归系数法确定重要波长并建立模型，从而简 便模型、减低运算复杂程度，为快速无损监控花生 原料的品质提供先进手段。 １材料与方法 １．１材料 从我国１１个花生主栽省份（河南、山东、广 东、、辽宁、广西、河北、江苏、福建、江西 和湖北等）收集１２０个花生品种（白沙１０１６号、海 花１号、丰花１号、鲁花１１号、鲁花９号、花育１９号 等）。高光谱成像系统每次可以同时扫描６个花生品 种，因此以每６个花生品种为一组进行试验，共计 ２０组。从每个花生品种中挑选尺寸相同、正常饱满 的花生仁３０粒，进行高光谱数据的采集和水分含量 的测定。 １．２高光谱成像系统和图像获取 试验采用的高光谱成像系统是ＳｉｓｕＣＨＥＭＡ ＮＩＲ （Ｓｐｅｃｔｒａ Ｉｍａｇｉｎｇ公司，芬兰），包括成像光谱仪、照 明系统、输送单元、电脑控制单元及其他附件。其 中，成像光谱仪由ＩｍｓｐｅｃｔｏｒＮ１７Ｅ型光谱仪配有 ＴＥ—ｃｏｏｌｅｄ ＩｎＧａＡｓ ｐｈｏｔｏｄｉｏｄｅ ａｒｒａｙ检测器组成；照明 系统是由１０ Ｗ的卤素灯Ｏｓｒａｍ公司，德国）和照 明盖组成；输送单元由样品盘和线性输送平台组成； 电脑控制单元：Ｉ７处理器，１６ ＧＢ内存，并配备有 ＣｈｅｍａＤＡＱ高光谱数据采集软件；其他附件包括采 集区域大小为２０ ｃｍ×３０ ｃｍ的ＯＬＥ１５镜头，以及对 焦板和白参考板等。在扫描高光谱图像前，先开机 预热仪器３０ ｍｉｎ。用表面皿盛放花生，每次采集图像 １．３高光谱图像分析处理 获得的高光谱原始图像需要进行校正，以减少 环境光、检测器暗电流和光谱仪物理结构对图像信 息的影响。图像校正需要利用２个特别的图像，分 另Ｕ是白参考板（Ｔｅｆｌｏｎ）提供的１００％反射图像和盖 上镜头盖得到的０％反射图像。图像校正公式如下： Ｄ ｎ Ｒｍ唧＝ ×１００％． ＾ ｋ－ ｄ 式中： ——高光谱原始图像； 风ｈｉ 一１Ｏ０％反射图像； Ｒｄ ％反射图像； 一… 高光谱校正图像。 高光谱成像系统采集波长为８８４—１ ７３５ ｎｍ的光 谱图像，但在波长８８４～９００ ｎｍ和１ ７００～１ ７３５ ｎｍ处 有较大的噪音，仅有波长为９００～１ ７００ ｎｍ的高光谱 图像可以用于光谱数据的提取。由于在采集花生图 像时，同时采集了大量的背景图像和边界图像等无 关信息，因此需要利用主成分分析（Ｐｒｉｎｃｉｐｌｅ ｃｏｍｐｏｎｅｎｔ ａｎａｌｙｓｉｓ，ＰＣＡ）将花生像素点和其他像素 点区分开，以剔除这些无关信息。结合花生轮廓分割 图像，将相同花生品种当作目标区域（Ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔ，ＲＯＩ）用于光谱数据的提取。同时，将采集 的１２０个花生品种３次图像平均光谱储存为矩阵形 式，用于下步分析。 利用Ｅｖｉｎｃｅ ２．７．１（ＵｍＢｉｏ公司，瑞典）进行图 像分析处理。 １．４水分含量的测定 按照ＧＢ ５００９．３—２０１０中干燥法测定花生中水分 含量，将花生仁磨碎，装入铝盒中称质量，然后放 入烘箱。利用花生中水分的物理陛质，在１０１．３ ｋＰａ， １０１ １０５℃下除去花生中水分，再通过干燥前后的 质量变化计算出花生中的水分含量。 １．５化学计量学 １．５．１光谱的预处理 高光谱图像提取的光谱除了含有花生自身的化 学信息外，还包含有其他无关信息和噪声，如杂散 光、电噪声和样品背景。因此，在利用回归分析建 ２０１６年第１２期 于宏威，等：基于高光谱成像技术快速无损测定花生中水分含量 ・４ｌ・ 立花生中水分含量模型之前，需要采用光谱预处理 差别所造成。 方法消除光谱数据的无关信息和噪声，以提高水分 单一品种的光谱数据（ａ）和１２０个花生品种的 信噪比。常用的谱图预处理方法有导数（Ｄｅｒｉｖａｔｉｖｅ， 光谱数据（ｂ）见图２。 Ｄｅｒ）、标准正态变量变换（Ｓｔａｎｄａｒｄ ｎｏｒｍａｌ ｖａｒｉａｔｅ ｔｒａｎｆｏｒｍａｔｉｏｎ，ＳＮＶ）、基线校正（Ｂａｓｅｌｉｎｅ）、矢量归 化法（Ｎｏｒｍａｌｉｚａｔｉｏｎ）等。试验将考察不同预处理 方法和复合预处理对模型的影响，从而确定最佳的 一光谱预处理方法。 １．５．２全波段模型的建立 由于光谱各波长点处的信息重叠严重、谱峰宽， 花生中水分含量定量模型的建立通常需要依靠相应 的回归分析方法。常用的建立定量模型方法有多元 线性回归（Ｍｕｈｉ—ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ，ＭＬＲ）、主成分回 归（Ｐｒｉｎｃｉｐａｌ ｃｏｍｐｏｎｅｎｔ ｒｅｇｒｅｓｓｉｏｎ，ＰＣＲ）和偏最小 二乘法（Ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ，ＰＬＳ），其中多元线性 回归是方程式中有２个或２个以上自变量的线性回 归模型；主成分回归通过线性组合的方式重新组合 成一组较少的线性无关的综合指标来代替原来的指 杂 标，新变量能反映原变量的绝大部分信息；偏最小 二乘法在考虑所计算的主成分方差尽可能最大的同 时，还使主成分与浓度最大程度的相关Ｉ １。模型验证 常用内部交叉验证和外部预测集，考核的指标有校 正模型的相关系数（尺 ：）和标准偏差（Ｓｔａｎｄａｒｄ ｅｒｒｏｒ ｏｆ ｃａｌｉｂｒａｔｉｏｎ，ＳＥＣ）、内部验证模型的相关系数（尺。： ） 和标准偏差（Ｓｔａｎｄａｒｄ ｅｒｒｏｒ ｏｆ ｃｒｏｓｓ ｖａｌｉｄａｔｉｏｎ，ＳＥＣＶ） 以及预测模型的相关系数 Ｐ）和标准偏差（Ｓｔａｎｄａｒｄ ｅｒｒｏｒ ｏｆ ｐｒｅｄｉｃｔｉｏｎ，ＳＥＰ）。相关系数越高且标准偏差 越小的模型稳定性越好。 波长Ａ／ｎｍ （ｈ） 图２单一品种的光谱数据（ａ）和 １２Ｏ个花生品种的光谱数据（ｂ） ２．２花生中水分含量分析 将１２０个花生样品按照水分含量从高到低依次 排列，每隔３个样品挑选１个样品为预测集，校正 集样品共９０个，预测集样品共３０个。其中，校正 集水分含量范围为４．１ １％～６．９４％，平均值为５．４６％± Ｉ．５．３重要波长的确定及模型建立 ０．６９％，其水分含量分布范围广，能够涵盖绝大多数 全波段数据中仅有部分光谱与水分含量相关， 花生品种；预测集水分含量范围为４．１７％～６．８５％， 连续光谱信息造成了数据的冗余，降低了预测的准 平均值为５．３５％±０．７０％。按照水分含量高低成比例 确性和运算速度，因此需要选择重要波长，简化全 挑选预测集，预测集水分含量能够位于校正集水分 波段模型，降低运算的复杂性。根据简化模型，可 含量分布内，有利于对校正模型进行验证。 以进一步开发低成本、快速运算的多光谱图像系统。 花生校正集和预测集的水分含量见表１。 本研究将根据全波段模型的回归系数（Ｒｅｇｒｅｓｓｉｏｎ 表１ 花生校正集和预测集的水分含量 ｃｏｅｆｆｉｃｉｅｎｔｓ，ＲＣ）确定重要波长，回归系数绝对值越 高的波长，其重要性越大。基于筛选出来的重要波 长建立模型，考察其预测性能与全波段模型的关系。 利用Ｕｎｓｃｒａｍｂｌｅｒ １０．３（ＣＡＭＯ公司，挪威）进 行化学计量学的分析。 ２＿３化学计量学分析 ２结果与分析 ２．３．１光谱的预处理 不同光谱预处理的花生水分含量ＰＬＳ模型见 表２。 ２．１高光谱图像处理和光谱数据提取 利用ＰＣＡ处理校正后的高光谱图像，确定花生 目标区域，并从中提取光谱数据，按此方法依次提 取１２０个花生品种的光谱数据。各个花生品种的光 谱数据在相同的波长处有吸收峰，但是相同吸收峰 的数值不一样，这主要是Ｆ｝１不同花生品种组成含量 原始光谱建立的ＰＬＳ水分模型，兄 ，尺 和兄 分别是０．４６，０．４５和０．４４，ＳＥＣ，ＳＥＣＶ和ＳＥＰ分别 是０．４ｌ，０．４７和０．５２，模型的稳健性具有较大的上 升空间。因此，分别采用不同的单一预处理和复合 预处理提高模型稳健性，其中２￣ｔ－ｄｅｒ预处理是最佳 农产品加工 ２０１６年第１２期 表２不同光谱预处理的花生水分含量ＰＬＳ模型 表３不同建模算法花生水分含量全波段模型 ８ ７４３ ８ ７鬣４ 的单一光谱预处理方法，尺 ，Ｒ 和Ｒ 分别是０．９１， ０．８１和０．８４，ＳＥＣ，ＳＥＣＶ和ＳＥＰ分别为０．２８，０．４３ 和Ｏ．３９。无论是相关系数还是标准偏差，与原始模 型相比，有了较大的改善。Ｂａｓｅｌｉｎｅ和Ｎｏｒｍａｌｉｚａｔｉｏｎ 仅对光谱进行简单的校正，并没有消除噪声对光谱 的影响，其所建模型的稳健性只比原始模型有了略 微提高。 复合预处理中，２＂ｄ－ｄｅｒ结合２＂ａ－ｄｅｒ方法最佳， 其尺ｃ， ｃｖ和ＲＰ分别是０．９２，０．８１和０．８５，ＳＥＣ， ＳＥＣＶ和ＳＥＰ分别为０．２８，０．４５和０．４０。该方法虽然 比单独进行２＂ａ－ｄｅｒ预处理效果更好，但是光谱数据 进行了２次预处理，加重了运算负担，降低了光谱 处理的速度，如果将该方法用于实际生产，必定会 影响检测效率。因此，确定预测水分含量最佳的光 谱预处理方法为２￣－ｄｅｒ。与国内外研究相比较，杨 传得等人【 ２１收集了１１６份花生于波长８３３—２ ５００ ｎｍ 处的反射光谱，比对了单一预处理和复合预处理对 水分模型的影响，结果表明未经任何预处理的光谱 建模效果最好，但只进行的内部交叉验证，ＳＥＣＶ为 １．３７，远高于本研究方法。Ｇｏｖｉｎｄａｒａｊａｎ等人收集了于 波长１ ０００～１ ８００ ａｍ处的反射光谱，确定了Ｎｏｒｍａｌ— ｉｚａｔｉｏｎ结合一阶导数为最佳的预处理方法，建立的水分 模型ＳＥＣ为１．２３，模型的准确性与本研究存在差距。 ２．３．２水分含量全波段模型的建立 不同建模算法花生水分含量全波段模型见表３， 花生水分含量全波段校正模型（ａ）、内部验证模型 （ｂ）和预测模型（ｃ）见图３。 ３种建模算法中ＰＬＳ结果最好，其校正模型和内 部验证模型稳健性明显高于其他２种方法，Ｒ 和 分别是０．９１和０．８１，ＳＥＣ和ＳＥＣＶ分别为０．２８和 ２ １ ８ ７４３ ３ ４ ５ ６ ７ ８ 参考值 （ｃ） 图３花生水分含量全波段校正模型（ａ）、 内部验证模型（ｂ）和预测模型（Ｃ） ０．４３；ＰＬＳ预测模型与ＰＣＲ预测模型相当，均优于 ＭＬＲ预测模型，ＲＰ和ＳＥＰ分别是０．８４和０．３８。 ＰＬＳ，ＭＬＲ和ＰＣＲ ３种建模算法相互连贯，ＰＣＲ克 服了ＭＬＲ光谱信息不能充分利用的弱点，显著提高 了模型的预测能力；ＰＬＳ则对光谱阵和浓度阵同时进 行分解，并在分解时考虑二者之间的关系，从而保 证获得最佳的校正模型。ＰＬＳ校正模型散点图（图３ （ａ））表明，在４．１ １％～６．９４％范围内花生样品的水分 含量均匀分布回归直线两侧。因此，确定ＰＬＳ为建 立水分含量模型最佳数学方法。 ２．３．３ 水分含量重要波长的选取和模型的建立 采用回归系数法选取１３一ｃｏｅｆｉｆｃｉｅｎｔ绝对值最高 的１４个波长，分别为９５７，９７０，９７７，１ ０７０，１ ０３３， １ １４７，１ ３１７，１ ３３７，１ ３９０，１ ４００，１ ５４４，１ ５５１， １ ６５４，１ ６８１ ｎｍ。根据Ｗｏｒｋｍａｎ Ｊ Ｊ等人研究，水 分中的重要波长是水分子对称和反对称伸缩振动的 ２０１６年第１２期 于宏威，等：基于高光谱成像技术快速无损测定花生中水分含量 。４３・ 组合吸收，以及ＯＨ伸缩振动引起的倍频吸收。分 别比较了上述１２，１３，１４个波长建模效果，随着波 长数量的增加，模型稳健性越好，采用１４个波长建 立模型稳健性最好，Ｒｃ，Ｒｃｖ和 分别是０．８２，０．８０ 和０．８１，ＳＥＣ，ＳＥＣＶ和ＳＥＰ分别为０．３９，０．４４和０．４３。 在１４个波长的基础上增加１个波长，模型的稳健性 并没有得到显著提高，反而增加了运算复杂性。同 时，与全波段中任意１４个波长所建模型相比较，上 模型性能，确定上述１４个波长为重要波长，并建立 花生中水分含量重要波长模型。与已建全波段模型 相比，虽然重要波长校正模型的表现力略差，但其 仅利用１４个波长，计算的复杂性远低于含有２４０个 波长的全波段模型，因此可以利用重要波长模型代 替全波段模型对花生中水分含量进行预测。 花生中水分含量重要波长模型与其他波长模型 见表４，花生水分含量重要波长校正模型（ａ）、内部 述１４个波长模型稳健性优势明显。结合回归系数和 验证模型（ｂ）和预测模型（Ｃ）见图４。 表４花生中水分含量重要波长模型与其他波长模型 ８ 理，以及建模算法对模型的影响，确定了最佳的光 ７ ６ 谱预处理方法是２￣－ｄｅｒ，最佳的建模方法是ＰＬＳ， 露５ 所建全波段校正模型（Ｒｃ＝０．９ １，ＳＥＣ＝Ｏ．２８）、内部验 ｄ 证模型（Ｒｃｖ＝０．８１，ＳＥＣＶ＝Ｏ．４３）和预测模型（ＲＦ＝ ３ ０．８４，ＳＥＰ＝－Ｏ．３８）良好。在此基础上根据回归系数和 ２ 模型性能，确定９５７，９７０，９７７，１ ０７０，１ ０３３，１ １４７， １ ３１７，１ ３３７，１ ３９０，１ ４００，１ ５４４，１ ５５１，１ ６５４， １ ６８１ ｎｍ为１４个重要波长，所建重要波长模型预测 ８ ７花生中水分含量能力与全波段模型相当，其中 ， ＲＣｖ和Ｒ 分别是０．８２，０．８０和０．８１，ＳＥＣ，ＳＥＣＶ和 ＳＥＰ分别为０．３９，０．４４和０．４３。重要波长模型仅利 用１４个波长建立模型，具有运算复杂性低的特点， 可以更加方便地应用在花生加工产业中，为快速无 损监控花生原料的品质提供先进手段。 参考文献： ８ 【１］ 王强．花生加工品质学［Ｍ】．北京：中国农业出版社， ７ ６ ２０１３：７６－８１． 燕５ ＦＡＯ．Ｓｔａｔｉｓｔｉｃａｌ Ｙｅａｒｂｏｏｋ［ＥＢ／ＯＬ］．Ｒｏｍｅ：Ｆｏｏｄ ａｎｄ ａｇｒｉ— ｄ ｃｕｌｔｕｒｅ ｏｒｇａｎｉｚａｔｉｏｎ ｏｆ ｔｈｅ ｕｎｉｔｅｄ ｎａｔｉｏｎｓ．２０１４ ｈａｐＹｆｆａｏ— ３ ２ ｓｔａｔ３．ｆａｏ．ｏｒｇ／ｄｏｗｎｌｏａｄ／Ｑ／ＱＣ／Ｅ． 周瑞宝．花生加工技术［Ｍ】．北京：化学工业出版社， 参考值 ２０１２：４３—５６． （ｃ） Ｇｏｗｅｎ Ａ Ａ，Ｏ’Ｄｏｎｎｅｌｌ Ｃ Ｐ，Ｃｕｌｌｅｎ Ｐ Ｊ，ｅｔ ａ１．Ｈｙｐｅｒ－ 图４花生水分含量重要波长校正模型（ａ）、 ｓｐｅｃｔｒａｌ ｉｍａｇｉｎｇ—ａｎ ｅｍｅｒｇｉｎｇ ｐｒｏｃｅｓｓ ａｎａｌｙｔｉｃａｌ ｔｏｏｌ ｆｏｒ 内部验证模型（ｂ）和预测模型（ｃ） ｆｏｏｄ ｑｕａｌｉｔｙ ａｎｄ ｓ幽ｔｙ ｃｏｎｔｒｏｌ【Ｊ】．Ｔｒｅｎｄｓ ｉｎ Ｆｏｏｄ Ｓｃｉｅｎｃｅ ３结论 ＆Ｔｅｃｈｎｏｌｏｇｙ，２００７，１８（１２）：５９０－５９８． 陆婉珍．现代近红外光谱分析技术【Ｍ】．北京：中国石 本文建立了花生中水分含量高光谱快速无损的 化出版社，２００７：１２６—１３４． 检测方法，分别比较了单一光谱预处理和复合预处 （下转第４７页） ２０１６年第１２期 崔震昆，等：模糊数学在汽爆苹果渣玛芬蛋糕感官评价中的应用 ’４７・ 的硬度是评判样品品质的重要指标，也是显示蛋糕 小、恢复能力更强、黏结性小、弹性更小、品质更 Ｏ Ｏ Ｏ Ｏ ０ Ｏ Ｏ Ｏ 老化程度的一个重要指标。 高，并且增加了玛芬蛋糕的膳食纤维。 基本配方与最佳配方硬度、咀嚼性的对比见图１。 ３结论 ８ ７ ６ ５ ４ ３ ２ ｌ ０ １２０ｏＯ １ＯｏｏＯ ８ ０ｏＯ ６ｏｏＯ ４０ｏＯ ２０ｏ０ ０ Ｉ 硬度 咀嚼度 利用模糊数学感官评价法对苹果渣玛芬蛋糕进 行综合评价，确定其品质因素权重集权重Ｘ＝（颜色 光泽０．２０，形状外观０．２０，组织状态０．２０，香气口 感０．４０），苹果渣玛芬蛋糕最佳配方为低筋粉添加量 圆一基本配方；■一最佳配方 图１ 基本配方与最佳配方硬度、咀嚼性的对 匕 由图１可知，苹果渣玛芬蛋糕最佳配方做出来 的蛋糕硬度比基本配方做出来的蛋糕硬度小；咀嚼 性也比基本配方做出来的蛋糕小，蛋糕的口感绵软、 细腻，品质优于未添加苹果渣的玛芬蛋糕。 基本配方与最佳配方弹性、黏结性、恢复性的 对比见图２。 １００％，苹果渣添加量１２％，白砂糖粉添加量４５％， 蛋液添加量１２０％，牛奶添加量４０％，烘烤温度 １８０℃，烘烤时间３０ ｍｉｎ。通过质构仪测试可以得 出最佳配方制作的玛芬蛋糕其硬度、黏结性、恢复 性都比基本配方高，咀嚼性和弹性比基本配方低。 因此，最佳配方制作的玛芬蛋糕比基本配方制作的 蛋糕口感更加细腻、绵软，更富有弹性，恢复能力 也更强。苹果渣加到玛芬蛋糕中增加可溶性膳食纤 维３．４８％，兼具营养与保健功效，不但满足了人们 营养膳食的需求，同时也为玛芬蛋糕产品开发开辟 出新的生产方向，也将会扩大蛋糕市场，并带来一 定的经济效益。 参考文献： 【１】 付成程，郭玉蓉，薛战峰，等．苹果肉渣膳食纤维蛋糕的 研制及其质构分析【Ｊ］．农产品加工（学刊），２０１２（１１）： ３９－４２． ［２】 郭冬雪，张艳荣．大豆膳食纤维在蛋糕生产中应用的研 弹性 黏结性 恢复性 究［Ｊ］．食品科技，２００６，３０（１Ｏ）：２８７－２９０． 【３】 Ｍ Ｌ Ｓｕｄｈａ，Ｖ Ｂａｓｋａｒａｎ，Ｋ Ｌｅｅｌａｖａｔｈｉ．Ａｐｐｌｅ ｐｏｍａｃｅ ａｓ ａ ｓｏｕｒｓｅ ｏｆ ｄｉｅｔａｒｙ ｆｉｂｅｒ ａｎｄ ｐｏｌｙｐｈｅｎｏｌｓ ａｎｄ ｉｔｓ ｅｆｆｅｃｔ ｏｎ 圆一基本配方；■一最佳配方 图２基本配方与最佳配方弹性、黏结性、恢复性的对比 ｔｈｅ ｒｈｅｏｌｏｇｉｃａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ ｃａｋｅ ｍａｋｉｎｇ［Ｊ］．Ｆｏｏｄ 由图２可知，用质构仪测得玛芬蛋糕的最佳配 Ｃｈｅｍｉｓｔｒｙ，２００７，１０４：６８６—６９２． 方与基本配方相比，黏结性更大，恢复性更强，但 ［４】 王宏，丁玉勇．番木瓜保健面包的研制及营养成分分 析ｆＪ１．中国粮油学报，２０１０（４）：６９—７３． 是弹性减小了。因此，最佳配方制作的玛芬蛋糕其 ［５】 郭玲玲，高海燕，李刚，等．海绵蛋糕的研制［Ｊ］．食品 黏结性、恢复性较好。 工程技术，２００９（１２）：１４７—１４９．◇ 用质构仪测得的最佳配方与原味相比，硬度较 （上接第４３页） ［６ ６］严衍禄．近红外光谱分析的原理技术与应用【Ｍ］．北京： 中国轻工业出版社，２０１３：２１９—２３８． ［７】 Ｗｕ Ｄ，Ｓｈｉ Ｈ，Ｗａｎｇ Ｓ，ｅｔ ａ１．Ｒａｐｉｄ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｍｏｉｓ— ｔｕｒｅ ｃｏｎｔｅｎｔ ｏｆ ｄｅｈｙｄｒａｔｅｄ ｐｒａｗｎｓ ｕｓｉｎｇ ｏｎｌｉｎｅ ｈｙｐｅｒｓｐｅｃ— ｓｐｅｃｔｒｌａ ｉｍａｇｉｎｇ ｓｙｓｔｅｍ【Ｊ】．Ｊｏｕｒｎａｌ ｏｆ Ｆｏｏｄ Ｅｎｇｉｎｅｅｒｉｎｇ， ２０１３，１１７（１）：４２—５１． 【１０］Ｔａｇｈｉｚａｄｅｈ Ｍ，Ｇｏｗｅｎ Ａ，Ｏ’ＤｏｎｎｅＨ Ｃ Ｐ．Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｗｈｉｔｅ ｂｕＲｏｎ ｍｕｓｈｒｏｏｍ（Ａｇａｒｉｃｕｓ ６ ｐｏｒ／／，ｓ）ｍｏｉｓｔｕｒｅ ｃｏｎ— ｔｒｌａ ｉｍａｇｉｎｇ ｓｙｓｔｅｍ［Ｊ】．Ａｎａｌｙｔｉｃａ Ｃｈｉｍｉｅａ Ａｃｔａ，２０１２， ７２６：５７—６６． ｔｅｎｔ ｕｓｉｎｇ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｉｎｇ【Ｊ］．Ｓｅｎｓｉｎｇ ａｎｄ Ｉｎｓｔｒｕ— ｍｅｎｔａｔｉｏｎ ｆｏｒ Ｆｏｏｄ Ｑｕａｌｉ￣ａｎｄ Ｓａｆｅｔｙ，２００９，３（４）：２１９－ ２２６． 【８】 Ｋａｍｒｕｚｚａｍａｎ Ｍ，Ｅ１Ｍａｓｒｙ Ｇ，Ｓｕｎ Ｄ Ｗ，ｅｔ ａ１．Ｎｏｎ－ｄｅ— 【１１】Ｈｅ Ｈ Ｊ，Ｗｕ Ｄ，Ｓｕｎ Ｄ Ｗ．Ｎｏｎ－ｄｅｓｔｒｕｃｔｉｖｅ ａｎｄ ｒａｐｉｄ ｓｔｒｕｃｆｉｖｅ ｐｒｅｄｉｃｔｉｏｎ ａｎｄ ｖｉｓｕａｌｉｚａｔｉｏｎ ｏｆ ｃｈｅｍｉｃａｌ ｃｏｍｐｏｓｉｔｉｏｎ ａｎａｌｙｓｉｓ ｏｆ ｍｏｉｓｔｕｒｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｉｎ ｆａｒｍｅｄ Ａｔｌａｎｔｉｃ ｓａｌｍｏｎ ｉｎ ｌａｍｂ ｍｅａｔ ｕｓｉｎｇ ＮＩＲ ｈｙｐｅｒｓｐｅｅｔｒａｌ ｉｍａｇｉｎｇ ａｎｄ ｍｕｌｔｉｖａｒｉ－ （Ｓａｔｍｏ ｓａｌａｒ）ｆｉｌｌｅｔｓ ｕｓｉｎｇ ｖｉｓｉｂｌｅ ａｎｄ ｎｅａｒ－ｉｎｆｒａｒｅｄ ｈｙｐｅｒ－ ｓｐｅｃｔｒａｌ ｉｍａｉｎｇ【ｇＪ】．Ｉｎｎｏｖａｔｉｖｅ Ｆｏｏｄ Ｓｃｉｅｎｃｅ＆Ｅｍｅｒｉｇｎｇ ａｔｅ ｒｅｇｒｅｓｓｉｏｎ【Ｊ１．Ｉｎｎｏｖａｔｉｖｅ Ｆｏｏｄ Ｓｃｉｅｎｃｅ＆Ｅｍｅｒｇｉｎｇ Ｔｅｃｈｎｏｌｏｇｉｅｓ，２０１２，１６：２１８－２２６． Ｔｅｃｈｎｏｌｏｇｉｅｓ，２０１３，１８：２３７—２４５． 【９】 ｉｑｈａｌ Ａ，Ｓｕｎ Ｄ Ｗ，Ａｌｌｅｎ Ｐ．Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｍｏｉｓｔｕｒｅ，ｃｏｌｏｒ ［１２］杨传得，于洪涛，关淑艳，等．近红外反射光谱技术预测 ａｎｄ ｐＨ ｉｎ ｃｏｏｋｅｄ，ｐｒｅｓｌｉｃｅｄ ｔｕｒｋｅｙ ｈａｍｓ ｂｙ ＮＩＲ ｈｙｐｅｒ－ 花生种子含水量田．花生学报，２０１２，４１（Ｉ）：６＿９．◇
