0 引言

我国水果的采后处理及分级技术较发达国家落后。传统的水果品质检测方法存在操作复杂、耗时长、成本高、样品破坏等缺点，因此通过对水果品质进行无损检测技术的研究，研发并制造适用于进行在线水果品质无损检测的设备，不仅能避免传统水果品质检测方法的缺点，还能快速、高效、无损地对水果的内部品质和外观同时进行检测。

FAOA中包含亲水基和疏水基，由于晶圆表面能量高，亲水基团能够优先吸附到晶圆表面，疏水基在外侧，从而在晶圆表面形成一层保护膜，因此减缓了双氧水对铜表面的氧化[7-8]。另外，有学者指出硅溶胶与铜表面的划伤深度存在式(1)[9]的关系。

目前，国内外多采用高光谱图像检测技术以及近红外光谱分析技术对水果的内部品质和外观进行无损检测。近红外光谱技术虽能较好地反映出水果内部品质的信息，但这种信息是一维的，没有考虑水果内部品质在空间上存在的差异性，且建立模型的难度较大，每一种模型只能适应一定的时间和空间范围［1］。而本文采用基于高光谱图像检测技术采集的样本图像信息，既可反映出水果样品的外部特征，同时通过分析光谱图像还可反映水果样品内部品质的特征［2］。

本实验通过对采集的高光谱图像进行处理，找到了能反映出砂糖桔糖度的特征波段的光谱图像，并建立了有效的砂糖桔糖度预测模型，能够快速、方便、准确、无损地预测砂糖桔的糖度，为进一步进行基于水果糖度的在线分级与检测提供了依据。

1 实验材料与方法

1.1 准备材料

本实验中选取的样本为本地市场上购买的砂糖桔，其产地为广东省四会市。样品数为200个，试验前对所有的砂糖桔样品的表皮进行清理并进行编号，将样品在56%～58%湿度和24～26℃环境下放置24小时。

在数学教学过程中，教师应拓展游戏内容，将生活中的数学元素融入到游戏教学中，拓展学生思维，丰富游戏内容，使学生在游戏中学习到数学知识，并应用于实际生活中。例如，在游戏教学中，教师可以组织学生玩儿老鹰捉小鸡游戏，每当老鹰捉住一只小鸡时，教师可以向学生提问：鸡妈妈现在还剩多少小鸡。通过游戏的方式让学生收获知识，获得快乐，生活与学习相结合，为学生创建轻松的学习环境，提升数学教学有效性[3]。

那么，如何进行反思呢？科顿等1993年提出了一个反思框架和反思过程：选择反思问题——理解反思问题——建立解决假设——实施行动计划。布鲁巴奇等1994年提出了四种反思的方法：反思日记、详细描述、交流讨论、行动研究。

  

图1 本研究高光谱成像系统

1.2 采集图像

如图1所示，实验中运用高光谱图像采集系统采集砂糖桔样品的高光谱图像。光源发出的光照射到砂糖桔样品的表面，光子经过样品的内部组织后散射，再从样品的表面逸出，线扫描摄像头采集到表面逸出的光子，得到样品的高光谱图像。采集到的图像信息由图像采集卡传输到图像数字化模块，再由计算机进行处理，自动分析图像并抽取有关特征，根据图像的亮度、颜色和像素分布等信息，利用软件进行各种运算分析找到能反映出砂糖桔糖度的特征波段，结合糖度仪测得的糖度值建立砂糖桔糖度的校正模型，最后通过对预测集样进行验证，检验所得到的校正模型的准确性。

光谱有效波段的选择能够剔除与待分析组分呈非线性关系或无关的波长点，减弱甚至消除各种非目标因素对光谱的影响，尽可能地去除无关信息变量，提高校正模型的预测准确度和稳定性。有效波长选择的目的是使所建校正模型的预测误差达到最小，其实质就是搜寻特征波长点，即建模变量的最佳组合。

  

图2710nm下的砂糖桔灰度图像

1.3 糖度测定

通过数据分析比较发现相邻波长之间的互相关性非常明显，因此一般在440nm～1000nm区域里，等间隔选取18个波长特征段（波长间隔25.5nm）以进行PLS建模分析。在基于平滑预处理基础上得到的不同光谱区间中，选择不同的特征波段进行组合并用偏最小二乘法（PLS）建立校正和交互验证的模型。综合分析实验数据可知，全波段数据结果优于特定的几个特征波长得到的数据结果，说明在全波段中虽然包含了一部分无用信息，但是同时全波段包含的光谱数据信息量也是最全面的。然而正因为全波段包含的数据最全面、信息量最大，在数据分析处理过程中耗时比较长，不适用于在线检测对于快速性的要求。经过分析比较，最终确定第3，5，6，7，8，17，18波段为砂糖桔糖度预测模型特征波段 ，波长分别为 595-620nm，647-672nm，673-698nm，699-724nm，725-750nm，951-976nm，977-1000nm。特征波段的相关系数为0.8478，校正均方差为0.7084；交互校正时，得到0.7771的相关系数及0.8446的均方差。

 

表1 砂糖桔糖度测量值统计

  

2 建立砂糖桔样品的糖度预测模型

2.1 图像预处理

高光谱图像成像系统采集的原始图像为560×190×576（宽190，长560，共576个波段）的砂糖桔高光谱图像，图像格式为RAW，大小为116M。原始图像中含有大量的无用背景噪音，为了过滤掉多余的无用背景噪音，提高图像的后续数据处理和分析效率，利用ENVI V.4.3软件对采集到的样本的原始图像进行重采样，重采样后图像尺寸为200×120×576（宽120，长200，共576个波段），图像格式为RAW，大小为26.3M。

随着市场发展的日渐成熟，配送企业的利润空间被不断压榨，而在收入已定的前提下，配送成本的节约可以有效增加配送企业利润。由此，各配送企业开始了对配送成本挖潜，力图通过比同行更低的配送成本来取得竞争优势，其中配送路线的合理化已成为各家物流配送企业控制物流成本的主要措施。本文以嘉兴A物流配送中心当前配送路线作为研究对象，对其各个站点货运量及运输距离进行研究，对其配送路线进行优化，为其提供较为合理的配送路线规划方案，以达到降低其配送成本，提高其配送效率的目的。

本实验从砂糖桔样品的高光谱图像采集入手，对得到的光谱图像进行预处理，并通过对校正模型代表性样品选择、多种多元线性建模算法的比较分析、光谱有效波段的选择，结合砂糖桔样品的糖度值，建立了基于高光谱图像的砂糖桔糖度无损检测的预测模型。实验建立了全波段PLS糖度校正模型，其校正结果为相关系数0.8733，均方差0.6556，用40个有代表性的预测集样品进行外部验证，预测相关系数为0.8601，预测标准偏差为0.4591，相对预测标准偏差为3.271%＜5%。结果表明全波段的PLS糖度校正模型模型比较理想，能满足实验检测精度要求。考虑到在线检测和分级，在此基础上，实验还建立7个特征波长段组合（第6，3，5，17，18，7，8段）的PLS糖度校正模型，校正结果为：相关系数为0.8478，校正均方差为0.7084。预测结果为：预测相关系数为0.8593，预测标准偏差为0.4274，相对预测标准偏差为3.550%＜5%，能满足预测模型的输出要求。

2.2 光谱预处理

校正建模需要大量的样品数据，但并不是所有经过预处理的样品数据都能进行校正建模，选择有代表性的建模样品不仅可减少建模工作量，而且可直接影响所建校正模型的实用性和准确性。故挑选何种样品参与校正建模是光谱检测技术的核心［5］。由实验步骤1.3中得到的样品糖度数据分析可知，砂糖桔样品的糖度值基本成正态分布。而在大量的样品检验实验中，挑选出呈正态分布的样品得到的校正模型较为稳定。故从200个糖度值正态分布的样品中挑选出100个呈均匀分布的样品作为本实验校正集的建模样品（包括最大值和最小值）。

  

图3 光谱平滑前后曲线

McFeeters利用TM 影像近红外波段与绿波段水体信息具有较强的吸收和反射特性差异[11]，提出了归一化差异水体指数NDWI(Normalized Difference Water Index, NDWI)，徐涵秋在McFeeters构建的归一化差异水体指数(NDWI)的基础上改进修订，创建了改进的归一化差异水体指数MNDWI(Modified Normalized Difference Water Index, MNDWI)[12]，计算公式如式(1)、式(2)所示：

2.3 代表性校正样品的选择

高光谱图像在采集、输入、传送、处理过程中难免会受到外界干扰，例如样品背景、电噪音和杂散光等，形成噪声，降低图像的质量［3］。因此在进行数学建模前，必须针对特定的样品体系，通过对光谱做适当的变换或处理，达到减弱以至于消除各种噪声对光谱的影响，尽可能地去除无关的信息变量，提高高光谱图像的灵敏度和分辨率，从而提高校正模型的稳定性和预测能力［4］。本实验中主要利用Unscrambler V8.0软件中的微分、平滑、多元散射校正等方法对光谱进行预处理，通过分析比较，发现平滑为适于本实验的光谱预处理的最优方法。效果如图3所示。

  

图4 100个砂糖桔样品糖度值均匀分布情况下的校正（A）和交互验证（B）结果

2.4 选择适合的建模方法

建立光谱图像特征和砂糖桔样品糖度之间的相关性，有多种多元校正的方法，本实验中运用Unscrambler V8.0软件分别用主成分回归（PCR）偏最小二乘法（PLS）、多元线性回归（MLR）等线性校正方法建立了砂糖桔糖度的校正模型，如表2所示。

由图3中平滑前后的对比可以看出，光谱曲线经过平滑后，噪声和数据冗余减少，减少了下一步处理过程中数据的运算量。

 

表2 建模方法对比分析

  

校正 交互校正rc rcv偏最小二乘法（PLS）多元线性回归（MLR）主成分分析（PCR）0.8733 0.7591 0.6701 SEC 0.6556 0.8696 0.9915 0.7996 0.5281 0.5809 SECV 0.8070 1.0933 1.0933

以模型的均方差（SEC）和相关系数（rc）作为评判校正模型优劣的标准。从表2中可以看出，在所选择的三种数学建模方法中，用偏最小二乘法得到的全波段的校正模型，校正均方差（SEC）是0.6556（三种方法中的最小值），而相关系数（rc）则是0.8733（三种方法中的最大值），相对与其他两种线性放大得到的校正建模方法效果好，故在本实验中选用偏最小二乘法建立砂糖度糖度的预测模型。

2.5 选择有效的光谱波段

样品按序号逐个进行采集，采集时注意调节升降台，使每个样品的标高一致，以保证每个样品采集时摄像机有一致的焦距。采集样品图像的过程中，还应该注意保证所有的样品都是单方向移动，这样线摄像头就能扫描到样品的整个平面，采集到样品的整幅高光谱图像，得到一个大小为560×190×576（宽190，长560，共576个波段）的砂糖桔高光谱图像。将这些高光谱图像按样品的序号分别储存，以便后续对图像进行处理。图2是由上述图像采集系统得到的砂糖桔高光谱图像。

场上，艾尔一拳狠狠地打到威尔的下巴上。我往回缩了一下。艾瑞 克站在房间另一边，一脸假笑地看着艾尔，不断用手翻动他的眉环。

砂糖桔样品的糖度测定实验，采用日本爱拓公司生产的数字式折射仪，型号为PR-101α（alpha）。将样品按序号分别测量出糖度，每个样品取3瓣，将桔汁滴2～3滴在折射仪的镜头上，待读数稳定后进行记录，取平行样测定3次，得到砂糖桔样品的糖度值。样品的糖度值如表1所示。

2.6 预测集样品的选择及实现

为了进一步验证糖度值呈均匀性正态分布的100个砂糖桔样品所建立的校正模型的准确性和稳定性，参照校正集样品的选择标准，本实验又从最初的200个砂糖桔样品挑选出40个具有代表性的样品进行外部验证（和校正集中的100个样品不能重复），预测结果如图5和图6所示。

  

图5 40个预测集样品的全波段预测结果（糖度）

从图5中可以看出，由全波段数据得到的PLS校正模型对40个预测集样品的预测结果与测量结果的相关系数为0.8601，预测标准偏差为0.4591，相对预测标准偏差为3.271%＜5%，符合预测模型的输出要求。

  

图6 40个预测集样品的特征波段的预测结果（糖度）

而用第3，5，6，7，8，17，18特征波段建立的PLS校正模型对40个砂糖桔预测集样品进行预测，由图6可以看出，7个特征波段的PLS模型的预测相关系数为0.8593，预测标准偏差为0.4274，相对预测标准偏差为3.550%＜5%。虽然由全波段得到数据建立的模型较特征波段建立的模型得到的数据更优化，但全波段的数据处理耗时比较长，不适于在线检测得到的能满足预测模型的输出要求。故综合分析，本实验最终选择由特征波段建立的校正模型。

3 结论

利用ENVI V.4.3软件，读取并分析砂糖桔样品重采样后的高光谱图像。得到波长范围在400～1000nm中图像亮度平均值的曲线（因小于400nm和大于1000nm超过本实验所用光谱仪的有效接收范围，不予考虑）。利用ENVI软件分析整个ROIs（200×120pixels）从400～1000nm中每个波长下的图像亮度的平均值，得到一个576个数据的单列矩阵，即为样品高光谱图像的光谱信息。利用MatLab软件，将得到的200个样品的高光谱图像的光谱信息统一到EXCEL表格中，表中的行是样品序号，共200行，列为399～1001nm（共576个）波段下的亮度均值和试验样品的糖度值，共576列。

本研究结果表明，利用高光谱图像检测技术对砂糖桔进行无损检测不仅完全可行，且能找到较为理想的特征波段的组合，为今后运用多光谱图像技术对砂糖桔内部品质的在线检测和分级提供了重要依据。

［参考文献］

［1］王多加，周向阳，金同铭.近红外光谱检测技术在农业和食品分析上的应用［J］.光谱学与光谱分析，2004，（4）：447-450.

［2］刘木华，赵杰文，郑建鸿，等.农畜产品品质无损检测中高光谱图像技术的应用进展［J］.农业机械学报，2005，（9）：139-143.

［3］郭德济，孙洪飞.光谱分析法［M］.重庆：重庆大学出版社，1999：178-179.

［4］褚小立，袁洪福，陆婉珍.近红外分析中光谱预处理及波长选择方法进展与应用［J］.化学进展，2004，（4）：528-542.

［5］吴静珠，王一鸣，张小超，等.近红外光谱分析中定标集样品挑选方法研究［J］.农业机械学报，2006，（4）：80-82，101.

二是时效性。 听众可以足不出户地以最快的速度接收到最新的音乐信息。 无论是过去以记录音乐符号为主的乐谱媒介还是以记录音乐音响为主的唱片媒介，都需要大量的时间去制作。 音乐的电台传播大大缩短了信息传输的时间，实现了音乐传播的实时性。