在果品的冷冻冷藏过程中，冰晶体的存在会对果品的细胞膜、细胞壁等微观结构造成机械损害[1-2]，进而直接影响了果品贮藏的保鲜状态。目前的研究工作多集中在采后贮藏过程中果品品质的分析[3]，缺少无损快速检测研究手段。
在高光谱研究领域，目前的研究热点主要集中在对其方法本身的研究[4-7]。高光谱反射成像技术[8]主要利用光反射经果蔬组织吸收后成像所采集的光谱和图像信息，依靠所获得的具有高分辨率的空间信息和光谱信息，进行深层提取得到果蔬的特征波长，进而能对其综合品质进行快速且有效的检测。例如：Zhu等[9]利用高光谱成像技术对新鲜和冷冻解冻后的大比目鱼进行了有效的分类，Barbin等[10]提出了一种基于近红外波段的反射率图像处理算法，可快速可靠地识别鲜肉和冻肉。Cheng等[11]对不同解冻阶段草鱼的硬度进行了高光谱分析。
侯宝路等[12]利用高光谱成像系统拍摄了不同种类的梨的光谱图，预测梨的可溶性固形物含量和硬度，得到相关系数为0.898和0.923。Pallag等[13]通过抗氧化能力测定法（cupric reducing antioxidant capacity，CUPRAC）和铁离子还原/抗氧化能力法（ferricreducing abilityofplasma，FRAP），确定8种不同种类的水果抗氧化能力。Fan等[14]采用不同的预处理与变量选择方法并结合偏最小二乘法建立梨的校正模型，结果表明，可溶性固形物采用竞争性自适应重加权算法-连续投影法-偏最小二乘法（competitive adaptive reweighted sampling-successive projections algorithmpartialleastsquare，CARS-SPA-PLS）的相关系数和预测误差均方根（root mean square error of prediction，RMSEP）分别为0.876和0.491。
本文建立不同冷冻-复温条件下的高光谱模型，判别不同预处理方式对模型精度的影响。研究成果不仅可以扩大高光谱技术的应用领域，而且可以为研究果品的冷冻损伤提供技术支持，为果品冷藏和冻藏技术指标的确定提供指导，对低温伤害和冻害的预防具有重要意义。
1 材料与方法
1.1 材料与仪器
选用产自辽宁鞍山的南果梨作为本文研究对象，建立可溶性固形物含量预测模型。选择新鲜无损、颜色相近的梨样品共320个，大小纵径为4.7 cm～5.2 cm、横径为5.5 cm～5.8 cm，平均单果重50 g～75 g。每一大组80个，55个用于校正集建模，25个用于预测集建模，其中新鲜组用于校正集样本15个，验证集样本5个，可在4种不同试验条件下作对照。
HTL-800B恒温恒湿试验机：弘达仪器股份有限公司；Zelos-258GV CCD高光谱相机：德国Kappa optronics GmbH公司；PSA200-11-X电控位移平台、35W HSIA-LS-TDIF卤钨灯：北京卓立汉光仪器有限公司；GMK-706R糖酸仪：韩国G-won公司。
1.2 试验方法
图1为高光谱反射成像采集光谱图像时南果梨的摆放姿态图。将南果梨顶端水平放置，获取南果梨的圆周赤道面，包含 3 个面（简称 C1、C2、C3），每两个相邻位置圆周赤道面间隔120°。
图1 南果梨光谱成像姿态
Fig.1 Positions of a pear in Hyperspectral reflectance imaging
采用恒温恒湿箱实现对南果梨温湿度的控制，其样本标准为起始温度22℃、降温速率5℃/min、临界温度-30℃、保温时间30 min、复温速率10℃/min，复温终温25℃。在进行不同参数的研究时，仅改变所需的参数，其他参数设置为样本标准参数。设置临界温度（-10、-20、-30℃）、循环次数（1次、2次、3次）、保温时间（30、45、60 min）以及降温速率（1、3、5 ℃/min）4 种冷冻-复温条件，每种冷冻-复温条件用80个新鲜南果梨样品进行试验，采用糖酸仪测量不同冷冻-复温条件下南果梨的可溶性固形物值[15]，并进行分析。
1.3 数据处理
采用 ENVI5.1、The Unscrambler9.7、Matlab 数据分析软件对采集的南果梨高光谱数据进行校正、感兴趣区域裁剪、降噪、平均光谱提取、预处理、特征波长提取等一系列分析，判别不同的冷冻-复温条件对高光谱反射率的影响。采用不同的光谱预处理方法[多元散射校正（multiplicative scatter correction，MSC）、标准正态变量交换（standard normal variate，SNV）、平滑-标准正态变量交换（Savitzky-Golay standard normal variate，SG-SNV）、平滑-多元散射校正（Savitzky-Golay multiplicative scatter correction，S-G-MSC）]并结合竞争性自适应重加权算法（competitive adaptive reweighted sampling，CARS）所识别的特征光谱，通过偏最小二乘法（partial least squares method，PLS）建立南果梨不同冷冻-复温条件下获得的可溶性固形物模型。
定量分析模型的性能采用相关系数R、校正均方根误差（root mean square error of correction，RMSEC）、预测均方根误差（root mean square error of prediction，RMSEP）和交叉验证均方根误差（root mean square error of cross validation，RMSECV）4个指标来综合评价。
2 结果与分析
2.1 不同循环次数冷冻处理南果梨可溶性固形物定量模型的建立
分别采用了MSC、S-G-MSC、SNV以及S-G-SNV四种预处理方式对南果梨的高光谱数据进行预处理。选用新鲜组1～15号、循环1次组21～35号、循环2次组41～55号、循环3次组61～75号南果梨共60个样本作为校正集样本，新鲜组16～20号、循环1次组36～40号、循环2次组56～60号、循环3次组76～80号南果梨共20个样本作为验证集样本进行建模对比分析。在这项研究中，结合偏最小二乘法建立了南果梨的高光谱数据与其质量属性可溶性固形物含量之间的校正模型。根据校正集相关系数R、校正集均方根误差RMSEC、预测集相关系数R和预测均方根误差RMSEP评估模型的性能。
表1为经过不同循环次数处理的80个南果梨的可溶性固形物（soluble solid content，SSC）指标统计分析结果。
表1 南果梨可溶性固形物含量
Table 1 Nanguo pear soluble solids content °Brix
样本 平均值 标准偏差 最小值 最大值新鲜组 15.590 0.556 39 14.2 17.2循环1次 15.606 0.627 60 14.0 16.7循环2次 16.070 0.707 00 13.9 17.0循环3次 15.836 0.800 20 14.0 17.1
由表1可知，经不同循环次数处理后，可溶性固形物含量平均值差别较小，标准偏差随着循环次数的增加而变大。
图2是新鲜组、循环1次组、循环2次组、循环3次组的南果梨SSC的PLS模型校正集和验证集结果。
从图2可知，不同预处理方法建立模型的校正集相关系数均大于0.65且小于0.81，验证集的相关系数均大于0.81，说明验证模型具有良好的性能，综合比较可知采用S-G-MSC建立的模型最优。S-G-MSC校正集中样品实测值与预测值均匀分布在拟合线两侧。验证集中的样品分布较其他3组更加集中分布在回归线两侧，说明模型的预测效果较好，精度较高。
图2 南果梨SSC的PLS预测结果
Fig.2 Prediction results of SSC of pears using PLS
2.2 不同降温速率冷冻处理南果梨SSC定量模型的建立
为研究不同的降温速率对光谱建立模型的影响，采用与2.1中相同的预处理方式，选用新鲜组1～15号、1℃/min组21～35号、3℃/min组41～55号、5℃/min组61～75号南果梨共60个样本作为校正集样本，新鲜组16～20号、1℃/min组36～40号、3℃/min组56～60号、5℃/min组76～80号南果梨共20个样本作为验证集样本进行建模对比分析。
表2为经过不同降温速率冷冻处理的80个南果梨的可溶性固形物指标统计分析结果。
表2 南果梨可溶性固形物含量
Table 2 Nanguo pear soluble solids content °Brix
样本 平均值 标准偏差 最小值 最大值新鲜组 15.590 0.556 39 14.2 17.2 1℃/min 15.470 0.674 30 14.1 17.1 3℃/min 16.060 0.593 00 14.9 17.2 5℃/min 15.606 0.627 60 14.0 16.7
由表2可得，经不同降温速率处理后，可溶性固形物含量平均值差别不明显，新鲜组标准偏差最小，1℃/min组标准偏差最大。
图3为新鲜组、1℃/min组、3℃/min组、5℃/min组共80个样品的SSC的PLS模型校正集和验证集结果。
图3 南果梨SSC的PLS预测结果
Fig.3 Prediction results of SSC of pears using PLS
由图3可以看出，S-G-SNV预处理校正集模型的相关系数大于0.81，但验证集的相关系数只有0.76，低于0.81，说明此组合预处理方式下，模型的预测能力欠佳。MSC预处理后的校正集相关系数和预测集相关系数均大于0.81，能够预测结果。经过MSC预处理后建立的模型校正集和验证集的可溶性固形物含量实测值与预测值均匀、集中分布在回归线两侧，说明模型可以实现对未知样品的预测，且预测精度也较高。
2.3 不同保温时间冷冻处理南果梨SSC定量模型的建立
研究不同保温时间对光谱建立模型的影响，设定其他条件与2.1相同。选用新鲜组1～15号、30 min组21～35号、45 min组41～55号、60 min组61～75号南果梨共60个样本作为校正集样本，新鲜组16～20号、30 min组36～40号、45 min组56～60号、60 min组76～80号南果梨共20个样本作为验证集样本进行建模对比分析。
表3为经过不同保温时间冷冻处理的80个南果梨的可溶性固形物指标统计分析结果。
表3 南果梨可溶性固形物含量
Table 3 Nanguo pear soluble solids content °Brix
样本 平均值 标准偏差 最小值 最大值新鲜组 15.59 0.556 39 14.2 17.2 30 min 15.47 0.674 30 14.1 17.1 45 min 16.036 0.633 00 14.9 17.0 60 min 16.600 0.369 00 15.1 16.6
由表3可以得出，经不同保温时间处理后，可溶性固形物含量随着保温时间的延长而增加，标准偏差随保温时间的延长而减小。
图4是新鲜组、30 min组、45 min组及60 min组冷冻处理的南果梨SSC的PLS模型校正集和验证集结果。
由图4可以看出，校正集的相关系数均大于0.81，预处理后的模型具有更好的性能和更好的预测能力。经过SNV处理的高光谱，样品的实际测量值与预测值均能较好地集中分布在回归线两侧，说明不同保温时间下，光谱经SNV预处理后建立的模型最好。
图4 南果梨SSC的PLS预测结果
Fig.4 Prediction results of SSC of pears using PLS
2.4 不同临界温度冷冻处理南果梨SSC定量模型的建立
研究不同的临界温度对光谱建立模型的影响，设定其他条件与2.1相同。选用新鲜组1～15号、-10℃组21～35号、-20℃组41～55号、-30℃组61～75号南果梨共60个样本作为校正集样本，新鲜组16～20号、-10℃组36～40号、-20℃组56～60号、-30℃组76～80号南果梨共20个样本作为验证集样本进行建模对比分析。
表4为经过不同临界温度冷冻处理的80个南果梨的可溶性固形物指标统计分析结果。
由表4可知，经不同临界温度处理后，可溶性固形物含量平均值随着温度的降低而降低，标准偏差随温度的降低而增加。
表4 南果梨可溶性固形物含量
Table 4 Nanguo pear soluble solids content °Brix
样本 平均值 标准偏差 最小值 最大值新鲜组 15.59 0.556 39 14.2 17.2-10℃ 15.65 0.478 00 14.8 16.9-20℃ 15.63 0.579 80 15.0 16.9-30℃ 15.47 0.674 30 14.1 17.1
图5是新鲜组、-10℃组、-20℃组、-30℃组冷冻处理的南果梨SSC的PLS模型校正集和验证集结果。
由图5可以看出，不同的预处理方法结合偏最小二乘法建立的模型性能大致相同，具有良好的预测能力，S-G-SNV预处理结合PLS方法建立的模型相对最优。测量值和预测值均匀地集中在回归线的两侧，说明该模型能够很好地预测未知样本的可溶性固形物值，并且均方根误差的差异很小。
图5 南果梨SSC的PLS预测结果
Fig.5 Prediction results of SSC of pears using PLS
3 结论
采用不同的光谱预处理方法（多元散射校正、标准正态变量交换、平滑-标准正态变量交换、平滑-多元散射校正）并结合竞争性自适应重加权算法（CARS）所选识别的特征光谱，通过偏最小二乘法建立南果梨不同冷冻-复温策略下获得的可溶性固形物模型。结果表明：南果梨不同循环次数下采用S-G-MSC预处理建立PLS模型最优，预测能力较好；不同降温速率下，经过MSC预处理、CARS选取特征波长后，利用PLS建模分析效果最好，稳定性最高；不同保温时间下，经SNV预处理后结合PLS所建模型预测精度最好；不同临界温度下，经S-G-SNV预处理后结合偏最小二乘法建立模型对未知样品的预测能力最佳。
[1] DELGADO A E,RUBIOLO A C.Microstructural changes in strawberry after freezing and thawing processes[J].LWT-Food Science and Technology,2005,38(2):135-142.
[2] XU Y,HUA T C,SUN D W,et al.Experimental study and analysis of mechanical properties of frozen rabbit aorta by fracture mechanics approach[J].Journal of Biomechanics,2008,41(3):649-655.
[3] DE BELIE N,HALLETT I C,HARKER F R,et al.Influence of ripening and turgor on the tensile properties of pears:A microscopic study of cellular and tissue changes[J].Journal of the American Society for Horticultural Science,2000,125(3):350-356.
[4] 李二森,张保明,杨娜,等.非负矩阵分解在高光谱图像解混中的应用探讨[J].测绘通报,2011(3):7-10.LI Ersen,ZHANG Baoming,YANG Na,et al.Discussion of the NMF's application for hyperspectral imagery unmixing[J].Bulletin of Surveying and Mapping,2011(3):7-10.
[5] 孟强强,杨桄,卢珊,等.基于端元提取的高光谱图像亚像元目标异常检测算法[J].科学技术与工程,2014,14(27):96-99.MENG Qiangqiang,YANG Guang,LU Shan,et al.A subpixel target detection approach based on endmember extraction in hyperspectral image[J].Science Technology and Engineering,2014,14(27):96-99.
[6] 万建伟,粘永健,苏令华,等.高光谱图像压缩技术研究进展[J].信号处理,2010,26(9):1397-1407.WAN Jianwei,ZHAN Yongjian,SU Linghua,et al.Rearch progress on hyperspectral imagery compression technique[J].Signal Processing,2010,26(9):1397-1407.
[7] 赵春晖,齐滨,王玉磊.一种改进的N-FINDR高光谱端元提取算法[J].电子与信息学报,2012,34(2):499-503.ZHAO Chunhui,QI Bin,WANG Yulei.An improved N-FINDR hyperspectral endmember extraction algorithm[J].Journal of Electronics&Information Technology,2012,34(2):499-503.
[8]NICOLAÏ B M,BEULLENS K,BOBELYN E,et al.Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy:A review[J].Postharvest Biology and Technology,2007,46(2):99-118.
[9]ZHU F L,ZHANG D R,HE Y,et al.Application of visible and near infrared hyperspectral imaging to differentiate between fresh and frozen-thawed fish fillets[J].Food and Bioprocess Technology,2013,6(10):2931-2937.
[10]BARBIN D F,SUN D W,SU C.NIR hyperspectral imaging as nondestructive evaluation tool for the recognition of fresh and frozenthawed porcine longissimus dorsi muscles[J].Innovative Food Science&Emerging Technologies,2013,18:226-236.
[11]CHENG J H,QU J H,SUN D W,et al.Visible/near-infrared hyperspectral imaging prediction of textural firmness of grass carp(Cteno-pharyngodon idella)as affected by frozen storage[J].Food Research International,2014,56:190-198.
[12]侯宝路,李柏承,周瑶,等.基于可见-近红外高光谱成像技术的梨硬度和可溶性固体含量的预测[J].激光杂志,2015,36(10):70-74.HOU Baolu,LI Baicheng,ZHOU Yao,et al.Soluble solids content and firmness prediction of pears based on visible-near infrared hyperspectral image[J].Laser Journal,2015,36(10):70-74.
[13]PALLAG A,JURCA T,SIRBU V,et al.Analysis of the amount of polyphenols,flavonoids and assessment of the antioxidant capacity of frozen fruits[J].Revista De Chimie,2018,69(2):445-448.
[14]FAN S X,HUANG W Q,GUO Z M,et al.Prediction of soluble solids content and firmness of pears using hyperspectral reflectance imaging[J].Food Analytical Methods,2015,8(8):1936-1946.
[15]马本学.基于图像处理和光谱分析技术的水果品质快速无损检测方法研究[D].杭州:浙江大学,2009.MA Benxue.Methodology for rapid and nondestructive detection of fruit quality based on image processing and spectral analysis technologies[D].Hangzhou:Zhejiang University,2009.