香水梨又名軟兒梨，屬于秋子梨的一個品種，主要分布于甘肅、寧夏境內。在寧夏海原地區，香水梨是當地農民的主要收入來源，近年來種植面積不斷擴大，然而目前仍存在很多技術上的問題需要解決。硬度作為梨果的一個重要參數，與香水梨的成熟度，口感，食用性息息相關，傳統的檢測方法具有明顯的破壞性，不適用于大規模量產的地區，因此利用光譜學技術建立一種香水梨的硬度檢測方法顯得尤為重要。高光譜技術作為一種高效、快速、無損的檢測技術，目前已廣泛應用于水果內部指標的檢測。因此，結合當地需求，本文通過對光譜數據進行 4 種預處理方法，3 種特征波長的提取方法處理后，選擇一種最優模型來預測香水梨硬度。

一、材料與方法

1.1? 樣品采集

實驗樣品全部來自于寧夏回族自治區海原縣方堡村，樣品自采摘后于 24 h 內運輸至寧夏大學，在寧夏大學冷庫內進行保存，貯藏溫度?0?～ 2 ℃。樣品測試前需將樣品從冷庫取出，放置在 20 ℃恒溫條件下 24 h，待樣品中心溫度恢復至 20 ℃開始檢測。

①光譜采集儀器。Hyper Spec VIS/NIR 高光譜成像系統，光譜范圍為 400?～ 1000 nm 和 125 波段的超高光譜影像可見?/?近紅外光譜儀系統。包括?v10e-qe?高光譜影像光譜儀、C8484-05G-CCD- 相機、90-254vac?線性光源、Dcrih?鹵素燈、傳輸裝置、計算機和數據采集軟件。②硬度檢測。硬度計HLY-YD5。③數據處理軟件。ENVI5.3，The?Unscrambler? X? 10.4，MATLAB R2014a。以上軟、硬件由寧夏大學提供。

二、結果與分析

2.1 PLSR初模型的建立及評價方法

偏最小二乘回歸（PLSR）是一種多元回歸方法，用于建立分析樣品光譜響應與參考值之間的驗證模型。相對于其他模型直接考慮因變量和自變量而建立回歸模型的方法，PLSR 則是重新過濾信息，選擇最佳變量，再對篩選出的變量進行建模。因此，其篩選出的光譜值決定了建模成功率的高低。一般來說，評價 PLSR 模型成功率的指標有 3 個：預測樣本集的標準差（RMSEP）、校正集的均方根誤差（RMSEC）、決定系數（R2）。一般情況下，R2值越大，RMSEP 和 RMSEC 越小，表明模型的預測能力越強。使用 ENVI5.3 提取香水梨樣本的感興趣區域（Region Of Interesting，ROI）感興趣區域必須具有一定的代表性，可以代表香水梨樣品的硬度指標。為了獲得具有代表性的光譜值，在選取 ROI 時要盡量避免過于灰暗的部分，選擇香水梨整體光量部分，記錄每個樣本 ROI 的平均光譜。將每個樣品提取出的光譜值和硬度數據導入至 The?Unscrambler X 10.4，選擇 PLSR 進行初步的模型建立。初始模型效果如圖 1 所示。

由圖 1 可知，樣品初始模型效果不佳，數據點不連續，R2值為?0.782。因此，需要對光譜進行處理后，達到降噪均勻優化光譜的目的，再進行 PLSR 預測模型。

2.2? 預處理方法的選擇

采集到的光譜圖像由于光源強度不均勻及噪音等因素的影響，可能在某種程度上會存在基線漂移等現象，為了提取出有效的光譜信號，消除光源強度不均勻的問題，需要對原始光譜數據進行預處理，為后續的光譜數據處理提供更加具有代表性的光譜區域。本文采用以下幾種方法進行預處理。

2.2.1??卷積平滑法

卷積平滑（Savitzky-Golay ，S-G）是一種對光譜進行平滑處理的方式，主要包括移動平均法、高斯濾波法、中值濾波法和 S-G 卷積平滑法。

2.2.2??歸一化法

歸一化（Normaliaze）是一種行式轉換算法，適用于光譜信號與樣品函數關系的分析，或者利用其他光譜值代替樣品檢測值的方法。通過計算機變換，最終使光譜數據在同一范圍內，變量和均值的分布更加均勻。

2.2.3??標準正態變換法

標準正態變換（Standard Normal Variate，SNV）是一種通過樣品的方差對光譜進行校正的方法，SNV 可以有效的消除光源強度不一、散射噪聲等檢測時出現的干擾，通過線性變換對初始光譜數據標準化進行校正，減小樣本因為表面散射、光譜遷移等因素帶來的誤差。經過上述預處理后模型結果如表 1?所示，歸一化法擁有較小的 CV 值和較大的 R2值，表明其對結果的預測效果較好，因此后續的特征光譜提取均采用歸一化法作為光譜的預處理方法。

2.3 特征波長的提取

2.3.1 競爭性自適應加權算法

競爭性自適應加權算法（CARs）是模仿“適者生存”理論而提出的特征變量選擇算法。CARs 算法的核心是首先采用自適應重加權采樣技術，優選出 PLSR 模型中絕對值大的回歸系數所對應的波長變量點，然后借助指數衰減函數，最后將 RMSECV 最小的子集定義為最優變量子集。使用 Matlab運行 CARs 程序多次后，選擇CV值最小的波長組作為特征波長，一共12條，將12條特征波長導入Unscrambler 后建模得到模型如圖2所示，其RMSEC值為0.659，R2為?0.764。

2.3.2??區間變量迭代空間收縮法

區間變量迭代空間收縮法（i VISSA）的主旨思想是選擇最優區間，然后根據最優選區間再進行建模，該算法來自于VISSA?算法，之后結合全局和局部搜索，智能地優化波長的寬度、組合及間隔。在局部搜索上，i VISSA 算法使用光譜數據的連續性信息來確定波長間隔的寬度，在全局搜索上，主要搜索信息波長的組合和位置。最終用迭代的方式優化光譜間的數據間隔，確定光譜的組合、位置以及寬度。使用 Matlab 運行 i VISSA 程序多次后，選擇 CV 值最小的波長組作為特征波長，一共 66 條，將 66 條特征波長導入Unscrambler 后建模得到模型如圖3所示 , 其 RMSEC 值為0.666，R2為?0.760。

2.3.3??變量組合集群分析法

變量組合集群分析（VCPA）是一種新興的特征變量識別算法，該方法的特點是充分考慮了變量集之間可能存在的影響。方法的計算原理是，首先通過利用二進制矩陣采樣法對樣本空間進行重采樣，之后將數據隨機劃分為若干子集，針對子集分別建立子模型，最后對子模型一一進行評價。一般情況下，VCPA 算法計算過程如下：①先利用二進制矩陣采樣法，對樣本變量進行采樣，選取目標函數 CV 值最小的變量子集；②計算每個波長點對應的化學值或者實測值，在本次迭代計算過程中出現的概率；③通過衰減函數篩選出概率較小的波長范圍或者波長點，達到縮小變量集空間的目的；④最后將保留的變量重復上述過程將剩余變量進行組合，最終得到特征波長變量。使用 Matlab 運行 VCPA 程序多次后，選擇 CV 值最小的波長組作為特征波長，共 10?條，將 10?條特征波長導入Unscrambler 后建模得到模型如圖4所示，其 RMSEC 值為0.351，R2為?0.933。

三、結論

對香水梨硬度原始光譜進行了 3 種預處理后，選擇歸一化法為最佳方法，以此作為基礎光譜，對比 3 個特征波長建模后的 PLSR 模型效果，最終選擇 VCPA 法，其提取特征波長10個，建立的 PLSR 模型優于初始模型，R2=0.933，可以用作一種快速檢測香水梨硬度的方法。

審核編輯：符乾江