总所周知，每年我国的水果生产总量在世界水果总产量占一半以上。随着栽培技术的提高，我国每年的水果生产总量都在增加，种类也在增多[1]。在农产品的生产过程中，各种因素特别是地理环境、人为主观等复杂的因素都会影响产品的内外部品质。一直以来，我国的水果检测局限于实验室的居多，大多数是传统的化学分析方法进行品质鉴定。进行破坏性检测时不仅不能全部进行检测，而且整个过程需要投入大量的人力物力，既繁琐又耗时。因此，为了解决这一问题，我们迫切的需要一种无损检测系统。目前，尽管近红外无损检测技术已经接近成熟，但近红外无损检测具有一定的局限性，不能达到我们想要快速、高效的检测要求[2]。研究人员经过多年在水果无损检测的探索，发现高光谱图像技术具有近红外无损检测的优点的同时，还具有“光谱合一”的特点。所以，在水果的内外部检测方面高光谱图像技术具有一定的优势并逐渐成为研究热点。
由遥感技术发展而来的高光谱技术在20世纪不断的进行发展发展，随着技术的创新，高光谱比普通的光谱有着更多更细的谱段，光谱分辨率也不断的增高，逐渐地高光谱技术取代了多光谱技术[4]。
在试验中，是用推扫型成像光谱仪进行板栗光谱图像采集的。但是采集方式不同于以往的垂直上下运动，而是借助物理上的相对位置，通过平行移动载物台运动来实现，进而完成光谱维扫描。随着样品连续的运动，样品表面会持续的向光谱仪投射表面反射光和透射光，此时光谱仪会迅速的在X轴进行分光，在Y轴成像获得一维影像和光谱信息。当所有的所有窄波段的图像数据和光谱信息都被采集并进行整合后，就得到了整个样品的光谱图像。在每个波段的空间图像信息上涵盖着被测对象的外部特征，而待测物的化学成分信息，则由待测物在每个波段处的光谱信息来反映。因此，高光谱检测时可以同时获悉对象的外部特征以及内部品质情况。
高光谱图像技术来源于高光谱遥感技术，并随着20世纪在食品安全方面、农产品内外部品质检测方面的不断应用，急需解决的一些问题。一、怎样进行有效波段的选择。所采集的图像信息量繁杂冗长，加大了后期数据分析的难度。二、怎样进行无损压缩，达到相对的简化数据分析的目的。三、怎样进行图像分类，去除无关紧要的图像信息等等。在人们想方设法解决这些问题时，也在一步一步推动着高光谱无损检测的向前发展，使其技术也在不断成熟和完善。21世纪初期基于高光谱损检测技术的应用逐渐由食品安全方面转到农产品的病虫害、内外部品质以及微观方面。李庆利、肖功海等人[5]利用高光谱图像技术对正常血液和白血病血液中的部分血细胞进行对比分析，并初步获得病变与正常细胞在形态和透射率光谱上的不同。胡淑芬、刘木华等人[6]应用自行研制的激光图像采集系统通过获取水果的散射图像采集残留在苹果和脐橙表面的农药,对比研究了水果表面不喷洒农药、喷洒不同农药和喷洒不同浓度农药的水果图像特征变化，预测农药的残留量,此方法收效甚微，未能很好的利用高光谱图像技术。2002年前后，我国开始引进高光谱分析仪，在国家基金等项目的支持和市场引导下，已经有众多高校如浙江大学、中国科技大学等，还有相关的科学院以及部分相关企业相继开展了研究工作。
在国外已经有许多相关的应用性研究论文和一些初步的实验结果[7-13],我国高光谱图像技术应用于农畜产品品质检测也是近几年才开始的。在国外Polder等[14]利用高光谱图像技术对西红柿的生长阶段进行研究。其结果说明：光谱图像可以更好的分辨西红柿生长阶段,其分辨误差竟能够由51%降低至19%，效果非常惊人。国内也逐渐的开始了对一些常见水果的无损检测。Lu等[15]利用高光谱图像技术对检测桃子的坚实度做了相应的研究,他们主要是先获取样品的高光谱图像,然后在相同的区域利用MT(Magness-Tay-lor)坚实度测量法获得坚实度再随机进行样本划分以建立预测模型。随着人们对水果的了解和重视，研究重点也逐渐从一些常见的水果如柑橘、苹果、梨子、桃子等转移到枣、猕猴桃和葡萄等一些具有保健价值的浆果和仁果上。但是，由于传统观念，很多人认为干果比较能存放相较于浆果类，往往忽略掉了板栗虽然属于坚果但却是很难贮藏这一信息。因此，虽然高光谱无损检测逐渐在水果中逐渐推广，但是很少有人将关无损检测用到板栗的检测上。所以高光谱对板栗果实的无损检测具有重大意义。
2研究内容与技术路线
2.1研究目的和意义
板栗是我国特产的一种干果。它不仅果肉营养丰富，有很高的食用价值，而且还具有非常高的经济价值。其木材材质坚实可用来作枕木、木桩、地板、桥板、矿柱等。但是由于板栗一向被认为是耐贫瘠、耐粗放管理以及经济效益低的树种，大多数地方对其放任自流粗放管理，几近呈野生状态。其次是板栗有木质化的坚硬外壳，即使品质降低或发生霉变也很难被发现，造成了板栗市场一定程度上的鱼龙混杂、以次充好的现象。因此，长期以来人们对板栗的重视和研究普遍较少，这些原因导致在生产上很难充分的发挥板栗的潜在价值。高光谱成像技术刚好能利用自身的特点解决板栗生产发展中遇到的一些问题，提高板栗在水果中的经济地位。将高光谱成像技术应用到板栗的无损伤检测上无疑对板栗生产发展意味着一次重大的变革。所以，拓宽高光谱在遥感以外的其他作用具有很重要的实践意义和经济意义。
本文将高光谱图像技术用于板栗品种识别和品质鉴定的研究。主要内容分为以下几个方面：
（1）采用高光谱图像的处理方法，提取板栗果实的光谱数据。通过TQ软件指导选择特征波长，对模型的多次优化，最终选择偏最小二乘法（PLS）的建模方法，建立泰栗一号和舒城板栗中总糖和淀粉的混合定量预测模型。并通过试验验证和评估模型的实用性。
（2）通过光谱图像提取合肥和沂蒙板栗的光谱数据。利用TQ软件向导选出特征波长范围。通过不断的改变光谱的预处理方法和特征波长的范围。通过PLS的建模方法建立两种板栗的总糖和淀粉的单个定量预测模型。
2.3技术路线
本课题研究路线图2-3所示：从不同地区采集不同品种板栗，本实验的具体方法是建立在高光谱成像技术的运用，利用高光谱采集仪器采集样品的近红外部分的图像。结合化学计量学方法，建立样本光谱数据和实验室所测真值之间的定量模型。
3 实验材料及方法
3.1.1试验材料
试验样本共四个分别为山东的泰栗1号、舒城的舒城小栗、沂蒙山的沂蒙短枝、以及合肥板栗。将所有的样本装自封袋密封（排尽自封袋的空气），置于泡沫盒保存，带回实验室进行板栗高光谱扫描。高光谱扫描后将扫描的板栗样品去皮--切丁--装袋，放在-20℃冰箱中保存，用于化学方法分析板栗主要内含成分。
3.1.2.1测总糖所用实验试剂
（1）80%的乙醇。
（2）蒽酮试剂：称取0.15g蒽酮溶于70%（70ml浓硫酸+30ml纯水）100ml浓硫酸中，待其完全冷却后加入蒽酮，现配现用。
（3）制定葡萄糖标准液：先利用托盘天平称取100mg的葡萄糖颗粒（分析纯）后，用蒸馏水将其溶解并定容于1000ml容量瓶中，超声一段时间直至颗粒完全溶解。
3.1.2.2淀粉所用的试剂
（1）葡萄糖标准液。
（2）80%乙醇。
（3）1mol的盐酸配制：9ml毫升浓盐酸加水定容至100ml。
（4）10%氢氧化钠配制：10g氢氧化钠溶于100ml水中。
（5）蒽酮试剂：0.15克蒽酮溶于80%100ml的浓硫酸中(20ml98%的H2SO4+80ml的蒸馏水)，待其完全冷却后加入蒽酮，现配现用。
试验所使用的高光谱分析仪器为HIS-NIR-XEVA型高光谱仪（五菱光学有限公司）。其他仪器设备见附录一。该系统这几部分：高光谱相机、光学模块、采样模块，控制软件、以及三维可调封闭式实验箱。其中最为关键部位是线扫描成像光谱仪。光源采用近红外光源（光谱范围为908-1735nm）进行扫描，共508个波段。
在采集图像之前，先将光谱仪打开进行预热30分钟。由于高光谱获得的原始图像存在光源强度在各波段下分布不均匀的特点，且易受到摄像头中暗电流噪声的影响，常对高光谱图像要进行黑白标定。首先扫描反射率为0%的白板，采集全白标定图像W，将镜头盖盖住，营造一个完全避光的环境。获得反射率100%全黑标定图像B,进行完以后再采集样品光谱图像。计算公式为1-1。
（公式1-1）
R为校正后高光谱图像，I为原始高光谱图像。
为了保证图像的质量，避免图像变形或不完整，采集光谱图像前，需要调整焦距、平台的移动速度以及曝光时间。把一个板栗放在载物台上，采集图像前调整焦距调整确保移动平台的速度，相机曝光时间和光源的匹配，经调试确定相机的曝光时间为8.5ms，平台移动速度为0.5mm/sec。为了减少每个样本扫描的差异性，采集的时候把五个板栗作为一组放在载物台上，载物台中心对准相机，尽量减小偶然误差。然后开始进行高光谱图像的采集。高光谱图像采集的专业仪器为HSI Analyzer分析软件。
图3-2 HSI Analyzer分析软件
 |
（1）葡萄糖标准曲线的的制作
取6支干洁刻度试管并贴上标签按照0，0.20，0.40，0.60，0.80，1.00ml依次移入已配置的葡萄糖标准液（100μg/ml）后，再从1至6试管依次补加1.0，0.8，0.6，0.4，0.2，以及0ml蒸馏水后，再分别加入蒽酮试剂5毫升并用保鲜膜进行密封后置于水浴锅中加热10分钟，然后取出，放置冷却后用紫外可见光分光光度计在620nm波长处测OD值并记录数据。之后以糖含量为横坐标，吸光值为纵坐标，绘出含糖量与OD值相关的标准曲线。
（2）测定还原性糖含量
取一颗板栗去皮，用液氮将其磨成粉末状，立即称取1.0g板栗粉末加80%乙醇洗入20ml容量瓶并定容，贴上标签，如此进行4个品种制样。取1ml悬浊液再定容至50ml，取16支干燥洁净的试管，分别编号对照（CK）、1、2、3……在对照试管中加入1ml的80%乙醇，剩下的15支试管中加入0.5ml样品和0.5ml的80%乙醇。按照上述标准曲线制作方法进行总糖含量的测定。
公式1-2中
为还原性糖的含量；C表示标准曲线上查得的糖含量；
为样本提取液的体积；W(g)为样本的重量；
（ml）为测定时取用体积。
（3）淀粉含量的测定
1）分离出水溶性糖
称取加液氮研磨后的板栗粉末0.1g用8ml的80%的乙醇，洗入2个4ml的离心管中，严格密封后置于80℃水浴锅中水浴30分钟，冷却后10000r的速度下离心5分钟，弃上清留残渣，再加入8ml的80%乙醇后再进行离心，如此重复提取3次以达到分离板栗淀粉中水溶性糖的目的。
2）水解
将最终残渣用15ml1当量的盐酸转移至100ml三角瓶。摇匀后于105℃烘箱中加热3.5h，拿出置冷却后加10%氢氧化钠6ml进行中和，后蒸馏水定容到三角瓶刻度线，过滤并保留溶解后的溶液。
3）测定
空白用1ml蒸馏水代替，取滤液1ml于干净试管中，随后加入5ml蒽酮试剂，小心摇匀后在沸水浴中加热10分钟，待其冷却后用紫外分光光度计在620nm波长处获得OD值并记录。根据葡萄糖标准曲线的方法计算淀粉的含量。
利用envi4.7分析软件对采集的高光谱图像进行分析处理。将高光谱的图像信息和光谱信息进行分别处理和分析。先对高光谱图像进行中值滤波和空间域滤波，增强板栗图像纹理的清晰度。
图3-3经过图像处理的前后对比图
（1）样品的光谱数据的提取
在每个板栗上随机选取6个的1cm*1cm的小正方形区域，提取该区域像素的平均反射量，保存为ASCII文本文件。把数据导入到excel表格中，保存为csv格式的文件。每个品种总共提取了15个光谱曲线，如图3-4为光谱曲线的提取方法。
 |
（2）定量模型的建立
选取三个不同的品种的板栗，每个品种共15个样品，按3:1的比例将其随机分配为11个建模集和4个验证集样品。用化学计量学软件对所提取的光谱曲线依次进行MSC（多元信号修正）和SNV（标准正态变量变换）、减小噪音的平滑处理和消除基线偏移的导数处理。根据实验室所测真值和光谱特征选择合适的特征波长范围，依次作为建模波长范围，以实验室所测板栗总糖和淀粉的指标值作为标准值，采用PLS（偏最小二乘法）建模方法建立定量模型。再将验证集的实测品质指标值和光谱代入所建模型中，根据计算的预测标准差（RMSEP）来检验模型的精度，如满足精度要求则代表模型可以使用，否则，改变预处理的选择，特征波长的范围对模型进行优化，取精度最好的模型。具体的步骤来如下：
（1）选择校正集。先选择具有代表性的样品作为校正集，依据校正集光谱及其理化数据建立数学关系。选择校正集时，要注意选择样品的三分之二左右，只要选择校正集样品的信息在整个变化范围内分布均匀，且能涵盖所有样本的成分范围。
（2）采集高光谱图像。采集高光谱图像时，尽可能的保持室温、湿度、光线等试验条件一致。
（3）利用相关软件提取感兴趣区域的光谱曲线。
（4）采用国标法或指标的常用测定法获得样品的内部指标的理化数据。
（5）根据理化数据和采集的光谱，建立校正模型。
（6）根据所建校正模型对未知样品的内部指标进行预测。
选取泰栗一号和舒城小栗两个品种建立混合定量模型，沂蒙短枝和合肥两个品种建立总糖和淀粉的单个定量模型，用ENVI4.7软件提取每个样本感兴趣区域的光谱数据15～30个，在实验室测得每个样本的化学真值，按3:1的比例把每个样本集随机分配为建模集和校正集，11个作为建模集，4个为校正集。将提取的光谱数据和化学真值导入到建模软件中，采用化学计量学方法对所有的光谱曲线进行光程变化，导数、SG平滑等光谱预处理来降低噪音引起的光谱基线漂移等现象。TQ软件根据实验室所测真值和光谱特征选择特征波长范围，采用不同的建模方法比较模型的可靠性，最后选择偏最小二乘法（PLS）建模方法建立定量模型。
选取泰栗一号为分析对象，用TQ Analyst光谱分析软件进行建模。根据所测组分含量和光谱特征选择合适的波长范围，建立光谱定量分析模型。将特征波长作为建模波长范围，理化试验测量的品质指标值作为标准值，建立定量模型。共15个板栗样本，把板栗样本随机按照3:1的比例分配为建模集和校正集，11个作为建模集，4个作为校正集。
高光谱图像的高维特性一直是光谱技术快速发展的阻碍，通过化学计量学方法选取与预测指标相关性高的波段范围可以提高建模效率，也为便携式高光谱仪器的研发做准备。本实验利用TQ软件中的suggest向导根据样品光谱和指标含量选择特征光谱的范围，每个样本的特征波段也不同。本文以“泰栗一号”板栗果实总糖和淀粉指标的混合模型为例来分析，图4-1所示是“泰栗一号”板栗果实特征波段范围为1121.98-1698.15nm。
图4-1“泰栗一号”混合模型特征波段的范围
本研究使用TQ软件中预处理方法有：多元散射校正（SNV）、多元散射校正（MSC）、SG平滑、一阶、二阶求导等。SG平滑多用于消除光谱数据中高频噪音，导数是为了消除基线漂移的影响。使用偏最小二乘法PLS的建模方法，以“泰栗一号”总糖模型为例，比较使用不同预处理方法对建模效果的影响，如图4-1由建模结果得到，使用MSC、二阶导数、SG平滑的建模效果最佳。
4.1.4模型的建立高光谱数据经过降维提取特征波段后可以应用多元线性回归、偏最小二乘法、主成分回归、人工神经网络、支持向量机等方法建立水果品质数学模型。偏最小二乘法（PLS）[17]是一种新型的多元统计数据分析方法，它主要研究的是多因变量对多自变量的回归建模，特别当各变量内部高度线性相关时，用偏最小二乘回归法更有效。偏最小二乘回归同时具有主成分分析、典型相关分析以及多元线性回归三种分析方法的优点与一身。因此，本实验采用PLS的建模方法，经过预处理的特征波段范围和试验测定真值建立“泰栗一号”、“舒城小栗”混合指标模型，“沂蒙短枝”和“合肥”的单个模型。
（1）“泰栗一号”模型的建立
“泰栗一号”是2000年山东省研究的新品种，果实糖度和淀粉含量都很高，实验室测得糖的含量在21%左右，淀粉的含量在58%左右，其建模过程主要是先用suggest向导选择特征波段的范围，然后采用MSC、二阶导数和SG平滑对光谱进行预处理，基于PLS的建模方法建立“泰栗一号”总糖和淀粉指标的混合模型，将相关系数、均方根误差、绝对误差作为模型的评价指标。如图4-2显示“泰栗一号”混合模型总糖指标的建模结果，附图1和附图2分别表示泰栗一号混合模型中总糖和淀粉的预测模型，相关系数越高显示模型建立越好，附1图左边标示绝对误差，绝对误差图离中线越近表示模型预测越准确，最好沿着中线比较分散，显示样品选择的代表性。混合模型中总糖和淀粉的相关系数分别为0.9751和0.9747，均方根误差为0.0746和0.0645，表示混合模型的建模水平很好。
图4-2“泰栗一号”板栗果实混合指标模型中总糖指标
（2）“舒城小栗”混合模型的建立
舒城素有“板栗之乡”之称，用TQ软件选取特征波段的范围为924.48～993.03nm和1676.93～1717.73nm。不断优化模型，最后确定MSC + 二阶导数 + SG平滑为最佳预处理方法，其混合模型中淀粉的建模集和验证集的相关系数分别为0.9221和0.9306；总糖的建模集和验证集分别为0.9679和0.9614.总体来说，模型的性能比较好。图4-3是舒城小栗中总糖指标的定量模型。附图3和4是舒城小栗中总糖和淀粉指标的混合模型。
 |
图4-3“舒城小栗”板栗果实混合指标模型中总糖指标
在板栗果实内部品质的单个定量分析中，以合肥板栗的单个指标模型为例，如图所示：其单个模型中合肥板栗总糖的建模集和验证集的相关系数分别为0.9595和0.9890；总体来说，建模的性能比较好。
