红枣是许多化学成分的优质来源，其中包括总糖、V_C、矿物质、蛋白质、氨基酸等，具有抗癌、抗氧化及延缓衰老、护肝养脾、镇静安神等作用，素有“营养保健丸”和“木本粮食”之称^[1]。鲜红枣主要在秋季采收，由于其营养丰富、含水量高，极易发生腐烂变质。除少部分用于鲜食外，大部分红枣用于深加工，常见的有干枣、红枣饮料、蜜饯、果脯、枣酒等。脱水干制是常用的延长食品保质期的方法，以利于贮藏或作为加工原料^[2-3]。热风干燥技术是应用最广泛的食品干燥加工方式，90%的果蔬干制品均是采用该技术加工获得的。热风干燥的优点是操作简单、成本低，缺点是由于干燥时间长、温度高等因素，干燥后的产品内外部品质均会受到一定的影响^[4]。因此，对干燥过程中的红枣进行品质检测非常重要。V_C和总糖是红枣中主要的营养成分，是评价干燥过程中红枣营养成分变化的主要指标。两者的常规检测方法均为分光光度计法^[5]。该方法虽然精确，但是操作繁琐、成本高、对样本具有破坏性，不适合同时快速在线检测。因此，需要寻找一种快速、便捷、无损且能同时预测V_C和总糖两种营养成分含量的检测方法。

近红外光谱技术在定性和定量检测农产品内外综合品质方面应用广泛，但近红外设备通常以点检测形式进行光谱采集，无法提供样品空间方面的信息，在分析非均质样品和个体样本整体特性方面有其局限性。高光谱成像技术可同时获取待测物内外部品质的光谱信息与空间信息，相比传统的单一波段光电探测技术，它能够提供更加丰富的目标信息。目前，高光谱成像技术已被广泛应用到农产品品质与安全检测中，大量研究报道了关于谷物、水果、蔬菜、奶制品及肉制品的品质检测，涉及到物理属性^[6]、化学属性^[7]、微生物检测^[8]、等级评定^[9]、缺陷识别^[10]、品种认证^[11]、溯源分类^[12]、食品污染^[13]等各方面。近年来，已有关于高光谱成像技术无损检测红枣V_C、总糖含量的一些研究。如何嘉琳等^[14]在基于高光谱成像技术对灵武长枣V_C含量的无损检测研究中发现，基于竞争性正自适应加权（competitive adaptive reweighted sampling，CARS）建立的偏最小二乘（partial least squares，PLS）模型效果最优，其预测相关系数和预测均方根误差分别为0.8892和12.1453%。李伟伟^[15]在基于近红外高光谱图像技术的南疆红枣内部品质的研究中发现，对于总糖含量采用反向传播神经网络（back propagation neural network，BPNN）建立的预测模型预测能力较好，其预测相关系数和预测均方根误差分别为0.9184和0.9310。以上研究表明高光谱成像技术可以用于预测红枣中的V_C和总糖含量，但其样本均为新鲜红枣，对于加工红枣营养品质的无损检测鲜有报道。此外，大部分文献已报道高光谱检测农产品干燥过程中水分含量的可行性^[16-18]，而产品干燥过程中内部营养品质参数的高光谱检测相关研究报道较少。

本研究拟对新鲜红枣进行干燥处理，以获取不同干燥时间红枣样本，通过高光谱成像系统获得红枣样本的高光谱图像，通过不同的光谱预处理方法建立不同的预测模型，优选出最佳光谱信息预处理方法。同时，采用连续投影算法（successive projections algorithm，SPA）分别提取针对红枣V_C和总糖含量预测的特征波长，通过灰度共生矩阵提取特征波长下的灰度图像纹理数据，建立基于特征波长、图像特征以及两者融合特征的预测模型，以期实现红枣V_C和总糖含量的准确预测，为实际应用提供参考。

1.   材料与方法

1.1   材料与仪器

板枣　采摘于山西稷山稷峰镇嘉庄村枣业联合社采摘基地，采摘时间为2019年9月中旬，方式为人工手摘，采摘后立即快递至实验室，选取270个品质良好、大小均匀的新鲜红枣，每个红枣重约10 g，洗净晾干后放入冰箱（0～4 ℃）冷藏保存；三氯乙酸（TCA）　成都市科隆化学品有限公司；磷酸　西陇科学股份有限公司；红菲啰啉　山东奥康生物科技公司；蒽酮、三氯化铁　上海沃凯生物技术有限公司；抗坏血酸　北京索莱宝科技有限公司；乙酸乙酯、无水乙醇　广东光华科技股份有限公司；浓硫酸　 南京晚晴化玻仪器有限公司；所有试剂　均为分析纯。

DGG-9123A型电热恒温鼓风干燥箱　上海森信实验仪器有限公司；UV-1800紫外分光光度计　日本岛津公司；高光谱成像系统：ImSpector V10E成像光谱仪　芬兰Specim公司；ICLB1620CCD摄像机　美国Imperx公司；IT3900ER 150W卤素光源　美国Illumination Technologies公司；IRCP0076-ICOMB001移动平台、Spectra Image取像软件、HIS Analyzer分析软件　台湾五铃光学股份有限公司。

1.2   实验方法

1.2.1   实验样本的制备

经预实验发现，热风干燥的最佳温度为65 ℃，在该温度下红枣干燥24 h能达到安全含水量25%以下。将红枣样品放入65 ℃预热30 min空气温度稳定后的烘箱中^[6]，分别热风干燥0、3、6、9、12、15、18、21、24 h，每个时间段干燥30个红枣，共270个红枣。从烘箱中拿出来后放入干燥器中待其冷却至室温后立即进行高光谱图像采集。

1.2.2   高光谱信息的采集

采用反射模式可见/近红外高光谱成像系统进行实验。采用可见/近红外高分辨率CCD相机捕捉样本图像信息，单波长图像像素为804×440。成像光谱仪光谱分辨率为2.8 nm，在消除前后噪声波段区域后，保留400～1000 nm有效信息。为了获取清晰无失真的高光谱图像，设置相机镜头距样本28 cm，曝光时间2 ms，平台移动速率6.8 mm/s，光源强度为90 W。为了充分照亮目标样本，投射角度与水平呈45 °夹角，与样品距离30 cm，以减少阴影影响^[19]。

由于相机暗电流、光源强度分布不均匀、食品形状多种多样等因素的存在，通常在弱光源强度的波长范围内采集的图像会产生较大的噪点，从而为数据处理带来了多余的信息^[20-21]。因此需要通过图像采集软件进行黑白板校正，暗反射图像是通过用不透明的盖子完全覆盖相机镜头获得，使用聚四氟乙烯白板（99.99%反射率）获得白色反射图像。该实验所获得的高光谱图像校正公示如下：

其中，R代表校正后的图像；R₀代表原始高光谱图像；D为全暗反射图像，反射率几乎为零；W表示全白反射图像，几乎为全反射。将校正后的图像作为后续处理和分析的基础。

1.2.3   V_C和总糖含量的测定

高光谱图像采集完成之后，立即进行V_C和总糖含量的测定。V_C含量采用分光光度法进行测定，称取2.5 g样品置于研钵中，加入10 mL 50 g/L TCA溶液，在冰浴条件下研磨成浆状，转入到25 mL容量瓶中，并用50 g/L TCA溶液定容至刻度，混合、提取10 min后，过滤，收集滤液备用。取1 mL样品提取液于试管中，加入1.0 ml 50 g/L TCA溶液，再按制作标准曲线相同的方法，加入其它成分，将混合液置于30 ℃反应60 min，于波长534 nm处测定吸光度值。标准曲线方程为：y=0.0145x+0.0074（R²=0.9989），其中，x为抗坏血酸质量，y为吸光度值。

总糖含量采用蒽酮试剂法测定，称取0.5 g样品充分研磨后加入少量蒸馏水转入到刻度试管中，封口煮沸30 min后，冷却后过滤到50 mL容量瓶中，并用蒸馏水定容至刻度。取0.5 mL样品提取液于试管中，加1.5 mL蒸馏水，0.5 mL蒽酮-乙酸乙酯和5.0 mL浓硫酸，沸水浴保温1 min，于波长630 nm处测定吸光度值。标准曲线方程为：y=0.0079x（R²=0.9993），其中，x为总糖质量，y为吸光度值。每个样本重复测定3次，取其平均值。

1.3   数据处理

1.3.1   光谱特征信息提取

使用MatlabR 2010b软件进行光谱数据的提取和分析。以整颗红枣为分析对象，挑选背景与样本光谱相对反射值差值最大的689 nm波长处的灰度图像，进行二值化阈值分割和背景去除，统计样本总的像素点个数和有效光谱值总和，提取每个红枣的平均光谱值，经归一化计算得到相对反射率用于后续数据处理和分析^[22-23]。

1.3.2   光谱预处理及特征波长提取

光谱包含了噪音、背景颜色、暗电流等一些无用的信息。虽然图像校正可以减少暗电流的影响，但不能消除噪声和基线漂移现象，为了减少这些现象的影响，需要进行光谱预处理以提高模型的准确性和鲁棒性^[24]。本研究所尝试的预处理方法有标准化（Autoscale）、一阶导数（1-st）、二阶导数（2-nd）、多元散射校正（multiplicative scatter correction，MSC）和变量标准化（standard normalized variate，SNV）。

每幅图像都具有成百上千个连续波长的高光谱数据，这对于数据处理来说是一个很大的问题^[25]。因此，特征波长的选择对于降低计算负担和简化预测模型非常重要。本研究采用SPA进行特征波长的选择，该算法利用矩阵向量的投影分析，通过将波长投影至其他波长上，比较投影向量的大小，并选择投影向量最大的波长为待选波长，最后基于校正模型选择最终的特征波长^[26]。

1.3.3   图像纹理信息提取

灰度共生矩阵（gray level co-occurrence matrix，GLCM）是一种有效的统计纹理分析技术，其中纹理特征通过统计方法从共生矩阵中提取^[27]。本实验引入图像纹理特征用以反映干制红枣表面的外在形态，考虑图像各像素点之间存在关联性，利用GLCM分别提取0 °、45 °、90 °和135 °方向上对比度、能量、熵以及相关性作为纹理特征参数。由于所得信息维度较大，故以4个纹理信息的平均值和标准差代表最终的纹理信息。每幅图像可以获得8个参数值来代表该图像的纹理信息。GLCM的步骤在MatlabR2010b中进行。

1.3.4   模型的建立与评估

采用PLS算法对红枣V_C和总糖含量进行预测。关于建立模型的性能评价，分别通过对建模集和验证集的决定系数（R²）、预测集均方根误差（root mean square error of prediction，RMSEP）、剩余预测残差（residual predictive deviation，RPD）进行计算。通常，一个好的模型应该具有较高的建模集决定系数$R_C^2$，预测集决定系数$R_P^2$和RPD值，较低的RMSEP值^[28]，且当RPD>2.5时，表明模型效果较好^[26]。

2.   结果与分析

2.1   V_C含量、总糖含量以及光谱分析

如图1（ａ）所示，红枣在干燥过程中的V_C含量随干燥时间的增加而减少，当干燥时间达到12 h，红枣的V_C含量趋于稳定，这主要是由于V_C在高温下容易被氧化^[3]。图1（b）是不同干燥时间下红枣总糖含量（以湿基计算）的变化趋势图，可以发现，红枣的总糖含量随干燥时间的增加而增加，这是由于在热风干燥的条件下，红枣水分不断减少，从而导致红枣中的所含糖分相对含量增高^[29]。刘坤^[1]利用相关性分析方法对干制过程中红枣水分含量和糖分含量之间的关系进行了研究，结果表明两者之间呈现极显著的负相关关系，即干制过程中红枣糖分含量的上升主要是由于水分含量的下降引起的。

图  1  红枣干燥过程中V_C（ａ）和总糖（ｂ）含量的变化

Figure  1.  Changes in contents of V_C (a) and total sugar (b) of jujube during the drying process

下载: 全尺寸图片 幻灯片

从图2可以看出，不同干燥时间测试样品整个光谱的总体趋势是相似的。在630和660 nm处有一个小的峰和谷，可能与红枣中的叶绿素有关^[19]，在730和970 nm处均有一个明显的水分吸收谷，是水分子中O-H键三级倍频吸收带造成的^[19]。900~1000 nm之间的光谱反射差异明显，可以用来区分不同干燥时间段的样本。红枣含有总糖、V_C、蛋白质，有机酸和多酚等化学成分,这些生物化学成分在检测其光谱反射率值时会有相应的响应。由于红枣中的某些化学成分会在干燥过程中发生变化，因此样品的反射曲线在可见/近红外光谱区域中发生了变化和重叠，从而导致复杂的光谱^[25]。

图  2  红枣干燥过程中相对反射率

Figure  2.  Relative reflectance of jujube during drying process

下载: 全尺寸图片 幻灯片

2.2   光谱预处理

2.2.1   样本集的划分

根据含量梯度法^[26]，将270个样本以2:1的比例选出建模集和预测集，样本统计结果见表1。预测集样本的化学值均在建模集样本化学值范围内，且化学值分布较均匀。

表  1  红枣V_C和总糖含量样本划分统计结果

Table  1.  Statistical results of V_C and total sugar contents in jujube samples

指标	样本集	样本量	最大值	最小值	平均值	标准差
VC含量（mg/100 g）	建模集	180	500.378	34.293	138.293	119.793
	预测集	90	435.203	34.711	137.730	118.915
总糖含量（g/g）	建模集	180	0.706	0.175	0.425	0.117
	预测集	90	0.687	0.186	0.425	0.117

下载: 导出CSV 

| 显示表格

2.2.2   预处理方法的选择

从表2可以看出，对于V_C含量预测模型，基于原始光谱建立的PLS模型具有相对较好的预测准确度（$R_P^2$=0.967，RMSEP=21.488 mg/100 g，RPD=5.534），基于MSC和SNV两种预处理方法对模型预测效果没有明显的影响。原始光谱包含大量的噪声和干扰信息，光谱预处理的目的是提高信噪比，以进行有效的多元建模，但是不恰当的预处理方法选择反而会放大这些噪声，降低信噪比。对于V_C含量预测模型，Autoscale、1-st、2-nd三种预处理方法对模型的预测准确度都有不同程度的降低。结果表明，不经过光谱预处理的建模效果最好。杨晓玉等^[30]在高光谱快速检测灵武长枣V_C含量的研究结果也表明未经过光谱预处理的建模效果较好。

表  2  不同光谱预处理方法PLS模型V_C和总糖含量预测结果

Table  2.  Prediction results of V_C and total sugar contents of the PLS model built with different spectral pretreatment methods

预处理 方法	VC含量					总糖含量
	$R_C^2$	$R_P^2$	RMSEP （mg/100 g）	RPD		$R_C^2$	$R_P^2$	RMSEP (g/g)	RPD
原始	0.974	0.967	21.488	5.534		0.879	0.851	0.0449	2.606
Autoscale	0.981	0.960	23.717	5.014		0.927	0.880	0.0405	2.889
1-st	0.972	0.963	22.973	5.176		0.898	0.869	0.0426	2.746
2-nd	0.966	0.957	24.783	4.798		0.900	0.868	0.0426	2.746
MSC	0.974	0.967	21.753	5.467		0.918	0.878	0.0409	2.861
SNV	0.974	0.967	21.759	5.465		0.918	0.878	0.0409	2.861

下载: 导出CSV 

| 显示表格

对于总糖含量预测模型，基于原始光谱建立的PLS模型具有相对较低的预测准确度，五种光谱预处理方法均降低了噪声和干扰，极大地提高了模型的性能。1-st、2-nd两种预处理方法对去除原始光谱中不相关信息的重要性较低，基于MSC和SNV两种预处理方法的PLS模型的预测结果相似，因为它们的目的基本相同，主要是校正散射影响，这一结论与Pu等^[31]的结果一致。其中，采用Autoscale预处理方法建立的模型$R_P^2$从0.851提高到0.880，RMSEP从0.0449降低到0.0405，其应用于预处理原始光谱可以更好地预测红枣的总糖含量，即Autoscale为最优预处理方法。

2.3   特征波长和纹理变量的选择

对V_C和总糖含量预测的原始光谱数据分别经过无预处理和Autoscale预处理后，在400～1000 nm的光谱范围内获得了总共420个波长信息。为了减小光谱数据的维数并减少计算时间，采用SPA从整个光谱范围中选择特征波长，以SPA算法处理过程中的RMSE值大小来确定特征波长及其数量。提取的V_C特征波长分别为403、665、685、704、748、822、910、1000 nm，总糖特征波长分别为403、404、413、489、695、893、953、995 nm，均为8个。此外，GLCM用于从8个特征波长的特征灰度图像中提取纹理特征。结果，每个样本共计获取64个纹理变量。

2.4   光谱和纹理变量建模分析

基于全波长变量、特征波长变量和纹理特征变量建立PLS回归模型，对干制红枣的V_C和总糖含量进行预测。表3显示了用于评估模型性能的主要统计数据。从表3可以看出，对于V_C和总糖的含量预测模型中，V_C含量的预测结果均优于总糖。于慧春等^[32]在基于特征光谱模型对枸杞多糖和总糖含量的预测性能比较中也发现，多糖模型的校正集及预测集结果均优于总糖。此外，两种含量预测模型均是基于特征波长建立的模型预测效果略低于全波段建模，说明在SPA特征波长筛选中，大量噪声及背景信息被删除，也同时存在部分特征数据丢失，从而造成了特征波长建模过程准确性下降。但是模型的RPD大于2.5^[26]，建模效果较好，另外经SPA处理后保留了不足2%的原始信息，考虑建模效率和模型维度方面，更适用于实际应用。

表  3  不同特征信息建立的PLS模型V_C和总糖含量预测结果

Table  3.  Prediction results of V_C and total sugar contents of the PLS model built with different characteristic information

模型数据	变量数	VC含量					总糖含量
		$R_C^2$	$R_P^2$	RMSEP （mg/100 g）	RPD		$R_C^2$	$R_P^2$	RMSEP （g/g）	RPD
全波长	420	0.974	0.967	21.488	5.534		0.927	0.880	0.0405	2.889
特征波长	8	0.935	0.930	30.439	3.907		0.872	0.856	0.0445	2.629
纹理特征	64	0.933	0.895	38.386	3.098		0.858	0.779	0.0552	2.120
数据融合	72	0.957	0.926	32.166	3.697		0.921	0.883	0.0400	2.925

下载: 导出CSV 

| 显示表格

对于V_C含量预测模型，相比较基于特征波长建立的模型，虽然基于纹理特征变量建立的模型效果较低，但是依然有一个较好的预测准确度（$R_P^2$=0.895，RMSEP=38.386 mg/100 g，RPD=3.098）。基于光谱和纹理变量建立的PLS模型均具有较好的预测效果，可能是因为干制红枣的V_C含量变化在红枣的光谱和纹理数据中都得到了很好的反映。光谱信息可以解释红枣样品的化学属性，这些化学属性与V_C含量的变化密切相关；而对于图像信息，由于纹理变化通常伴随红枣相关化合物的变化，因此V_C含量也可以通过纹理特征很好地预测，Cheng等^[27]在结合光谱和纹理数据以增强高光谱预测红肉中K值（肉的新鲜度）能力的研究中也提出，由于纹理变化通常伴随着腺苷三磷酸（adenosine triphosphate，ATP）相关化合物的变化，因此K值也可以通过纹理特征很好地预测。

对于总糖含量预测模型，相比较基于光谱信息建立的模型，基于图像信息建立的模型预测效果较差（$R_P^2$=0.779，RMSEP=0.0552 g/g，RPD=2.120），这可能是因为在建立PLS模型时，光谱数据比纹理数据具有更大的贡献，光谱特征与总糖含量的相关性大于纹理特征。光谱信息可以解释红枣的内部属性（化学成分和组织结构等），这些属性与总糖变化密切相关，而在干燥过程中发生的纹理变化与总糖含量变化没有显著相关性。

2.5   图谱融合建模分析

数据融合可将不同类型的数据信息进行协调优化和综合处理，通过数据叠加或者特征结合等方式能实现整体大于局部的预测目的。对高光谱图像的光谱和纹理特征进行整合，有望使高光谱成像技术预测干制红枣V_C和总糖含量的性能进一步提高。在多数研究中，将数据融合方式简要归纳成三种形式，分别为：原始信息的数据融合、特征层的数据融合以及决策层的数据融合^[33]。在这项研究中，为了避免巨大的数据计算量和潜在的信息丢失，通过特征层的数据融合将高光谱图像的光谱和纹理特征融合在一起，然后基于融合特征使用PLS方法建立V_C和总糖含量的校准模型。

由表3建模集决定系数$R_C^2$可知，基于数据融合的模型建模集结果最好（V_C $R_C^2$=0.957, 总糖$R_C^2$=0.921），表明数据融合能增加模型的建模效果。对于V_C含量预测模型，基于数据融合建立的模型预测集决定系数$R_P^2$较基于特征波长建立的模型降低了0.004，这表明特征数据层直接融合降低了对V_C含量的预测效果，不同类特征进行融合时，只是将特征直接进行了叠加，补充样本信息的同时，也带来了其他干扰信息。于慧春等^[32]融合光谱与纹理信息对枸杞多糖和总糖含量检测也发现，原始特征的直接叠加会降低预测结果的准确性，与本文研究结果类似。对于总糖含量预测模型，基于数据融合建立的模型具有更好的预测准确度（$R_P^2$=0.883，RMSEP=0.0400 g/g，RPD=2.925），与单独使用光谱数据或纹理数据的PLS模型相比，模型的RPD值分别从2.629和2.120提高到2.925，分别提高11.25%和38.0%，表明数据融合是增强高光谱成像预测总糖含量能力的有效方法。综上所述，V_C和总糖含量的最优预测模型分别为基于特征波长建立的和基于数据融合建立的PLS预测模型，对应的预测集决定系数$R_P^2$分别为0.930和0.883，RMSEP分别为30.439 mg/100 g和0.0400 g/g。

3.   结论

对不同干燥时间的红枣V_C和总糖含量进行了无损检测，分别优选出无预处理和Autoscale预处理为最佳方法。基于SPA分别筛选出8个特征波长，建立了PLS预测模型，考虑到模型运算速度，选择SPA-PLS为光谱数据的最优建模方法。通过比较基于特征波长、图像特征以及两者融合特征的预测模型效果发现：对于V_C含量，基于特征波长建立的模型为最优预测模型（$R_C^2$=0.935，$R_P^2$=0.930，RMSEP=30.439 mg/100 g，RPD=3.907）；对于总糖含量，基于数据融合建立的模型预测性能最好（$R_C^2$=0.921，$R_P^2$=0.883，RMSEP=0.0400 g/g，RPD=2.925）。研究结果表明高光谱成像技术可以用于干制红枣V_C和总糖含量的无损检测。