Detection of anthocyanin contents in ripening winegrape skins by near-infrared hyperspectral imaging technology
-
摘要:目的
运用高光谱成像技术检测成熟期酿酒葡萄果皮的花色苷含量。
方法利用900~1 700 nm近红外高光谱成像和多元回归模型对多品种酿酒葡萄成熟期不同阶段果皮花色苷含量进行预测建模。采集成熟期4~5个阶段的6个品种共75组酿酒葡萄样本的高光谱图像，运用不同预处理方法对光谱数据进行处理。基于主成分分析(PCA)和连续投影法(SPA)降维，将化学方法测量结果作为花色苷含量的参考值，采用支持向量回归(SVR)建立花色苷含量预测模型。
结果SPA-SVR模型性能优于其他模型，其预测决定系数(
$R^2_{\rm p} $ )为0.869 1，均方根误差(RMSEp)为0.135 9。结论将近红外高光谱成像技术应用于多品种成熟期酿酒葡萄果皮的花色苷含量的快速无损检测具有良好的可行性。
Abstract:ObjectiveTo detect the anthocyanin contents of winegrape skins during ripening stages using hyperspectral imaging technology.
MethodThe 900–1 700 nm near-infrared hyperspectral imaging technology and multiple regression methods were used to build prediction models for anthocyanin contents in skins of different winegrape varieties during ripening stage. Totally 75 groups of grape samples belonging to 6 varieties were collected at 4–5 phases of mature stage, and their hyperspectral images were scanned. The spectrum data were enhanced by different preprocessing methods. Dimensionality reduction was then performed by principal component analysis (PCA) and successive projections algorithm (SPA). The anthocyanin contents measured by chemical method were used as reference values, and the prediction models of anthocyanin contents were built using support vector regression (SVR) method.
ResultThe SPA-SVR model had the best performance of prediction with the determination coefficient (
$R^2_{\rm p} $ ) being 0.869 1 and the root mean square error of prediction (RMSEp) being 0.135 9.ConclusionIt is feasible to use the hyperspectral imaging technology to realize non-destructive and fast detection of the anthocyanin contents in winegrape skins of different varieties during ripening.
-
-
![]()
图 3 6种酿酒葡萄的平均光谱曲线
Figure 3. The mean spectral profiles of six different winegrape varieties
![]()
图 6 酿酒葡萄果皮花色苷模型实际值与预测值比较
Figure 6. Comparison of observed values and predicted values from different models precticting anthocyanin contents in wine-grape skins
表 1 6种酿酒葡萄成熟期果皮的花色苷含量统计表
Table 1 Statistics of anthocyanin content during ripening in winegrape skins of six varieties
ρ/(g·L–1) 转色期后不同成熟阶段 参数 赤霞珠 黑比诺 嘉年华 媚丽 马瑟兰 西拉 第1阶段 平均值 0.112 7 0.027 6 0.011 4 0.039 5 0.029 5 0.057 9 标准差 0.005 2 0.003 4 0.001 5 0.009 2 0.016 5 0.006 0 第2阶段 平均值 0.211 6 0.269 0 0.080 1 0.175 0 0.336 4 0.357 0 标准差 0.019 8 0.033 1 0.014 9 0.012 2 0.055 0 0.007 3 第3阶段 平均值 0.342 2 0.266 9 0.527 8 0.350 3 0.879 4 0.974 8 标准差 0.020 1 0.019 0 0.031 0 0.075 3 0.128 3 0.036 2 第4阶段 平均值 0.563 0 0.307 9 0.591 2 0.822 7 1.391 6 1.197 2 标准差 0.016 7 0.022 0 0.065 5 0.079 5 0.060 8 0.036 9 第5阶段 平均值 0.528 9 标准差 0.053 5 整个阶段 平均值 0.307 4 0.217 9 0.347 9 0.346 9 0.659 2 0.646 7 标准差 0.169 3 0.113 2 0.252 0 0.301 1 0.526 6 0.459 4 
下载: 导出CSV
表 2 训练集和校验集花色苷含量统计表
Table 2 Statistics of anthocyanin contents in the training set and the testing set
ρ/(g·L–1) 项目 样本组数 标准差 最大值 最小值 平均值 训练集 50 1.405 8 0.009 6 0.422 8 0.376 8 校验集 25 1.457 9 0.011 3 0.408 6 0.368 0
下载: 导出CSV
表 3 预测模型性能统计表
Table 3 Performance of different prediction models
预测模型 预处理 特征波长
数量评价指标 $ R^2_{\rm c}$ RMSEc $R^2_{\rm p} $ RMSEp SPA+SVR 原始数据 14 0.862 0 0.141 6 0.779 6 0.176 3 Zscore 8 0.997 0 0.020 8 0.869 1 0.135 9 多元散射 4 0.656 3 0.223 2 0.616 3 0.232 6 归一化 7 0.972 2 0.063 5 0.599 4 0.237 7 S-G滤波 11 0.847 8 0.148 6 0.769 9 0.180 1 PCA+SVR 原始数据 4 0.987 4 0.042 7 0.817 6 0.160 4 Zscore 5 0.996 9 0.021 2 0.762 0 0.183 2 多元散射 5 0.957 7 0.078 3 0.851 7 0.144 6 归一化 4 0.998 5 0.014 7 0.853 8 0.143 6 S-G滤波 5 0.983 4 0.049 0 0.845 6 0.147 6
下载: 导出CSV
-
[1] PARPINELLO G P, VERSARI A, CHINNICI F, et al. Relationship among sensory descriptors, consumer preference and color parameters of Italian Novello red wines[J]. Food Res Int, 2009, 42(10): 1389-1395.
[2] NÚÑEZ V, MONAGAS M, GOMEZ-CORDOVÉS M C, et al. Vitis vinifera, L. cv. Graciano grapes characterized by its anthocyanin profile[J]. Postharvest Biol Tec, 2004, 31(1): 69-79.
[3] ALCALDE-EON C, ESCRIBANO-BAILÓN M T, SANTOS-BUELGA C, et al. Changes in the detailed pigment composition of red wine during maturity and ageing : A comprehensive study[J]. Anal Chim Acta, 2006, 563(1/2): 238-254.
[4] 段玮, 唐荣华, 田清青, 等. 欧洲越橘类保健食品中花色苷含量测定方法的研究[J]. 中国食品卫生杂志, 2011, 23(4): 306-310. [5] 李颖畅, 孟宪军. 酶法提取蓝莓果中花色苷的研究[J]. 食品工业科技, 2008(4): 215-218. [6] 王继萍, 柏广新, 李劲然, 等. 溶剂萃取法提取蓝莓中花色苷[J]. 分析化学, 2012, 40(12): 1952-1953. [7] NILE S H, KIM D H, KEUM Y S. Determination of anthocyanin content and antioxidant capacity of different grape varieties[J]. Ciênc Téc Vitiviníc, 2015, 30(2): 60-68.
[8] 刘旭, 吴迪, 梁曼, 等. 基于高光谱的酿酒葡萄果皮花色苷含量多元回归分析[J]. 农业机械学报, 2013, 44(12): 180-186. [9] LU R. Detection of bruises on apples using near-infrared hyperspectral imaging[J]. Trans Asae, 2003, 46(2): 523-530.
[10] 陈欣欣, 郭辰彤, 张初, 等. 高光谱成像技术的库尔勒梨早期损伤可视化检测研究[J]. 光谱学与光谱分析, 2017, 37(1): 150-155. [11] 周竹, 李小昱, 陶海龙, 等. 基于高光谱成像技术的马铃薯外部缺陷检测[J]. 农业工程学报, 2012, 28(21): 221-228. [12] 薛龙, 黎静, 刘木华. 基于高光谱图像技术的水果表面农药残留检测试验研究[J]. 光学学报, 2008, 28(12): 2277-2280. [13] 张令标, 何建国, 刘贵珊, 等. 基于可见/近红外高光谱成像技术的番茄表面农药残留无损检测[J]. 食品与机械, 2014(1): 82-85. [14] 赵曼彤, 李柏承, 周瑶, 等. 香梨表面低浓度农药残留高光谱检测研究[J]. 光学技术, 2016, 42(5): 408-412. [15] 陶斐斐, 王伟, 李永玉, 等. 冷却猪肉表面菌落总数的快速无损检测方法研究[J]. 光谱学与光谱分析, 2010, 30(12): 3405-3409. [16] CHO B K, CHEN Y R, KIM M S. Multispectral detection of organic residues on poultry processing plant equipment based on hyperspectral reflectance imaging technique[J]. Comput Electron Agr, 2007, 57(2): 177-189.
[17] 思振华, 何建国, 刘贵珊, 等. 基于高光谱图像技术羊肉表面污染无损检测[J]. 食品与机械, 2013(5): 75-79. [18] 单佳佳, 吴建虎, 陈菁菁, 等. 基于高光谱成像的苹果多品质参数同时检测[J]. 光谱学与光谱分析, 2010, 30(10): 2729-2733. [19] 马本学, 肖文东, 祁想想, 等. 基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究[J]. 光谱学与光谱分析, 2012, 32(11): 3093-3097. [20] 张雷蕾, 李永玉, 彭彦昆, 等. 基于高光谱成像技术的猪肉新鲜度评价[J]. 农业工程学报, 2012, 28(7): 254-259. [21] QIAO J, WANG N, NGADI M O, et al. Prediction of drip-loss, pH, and color for pork using a hyperspectral imaging technique[J]. Meat Sci, 2007, 76(1): 1-8.
[22] 王婉娇, 王松磊, 贺晓光, 等. 冷鲜羊肉冷藏时间和水分含量的高光谱无损检测[J]. 食品科学, 2015, 36(16): 112-116. [23] GONZÁLEZ-CABALLERO V, SÁNCHEZ M T, FERNÁNDEZ-NOVALES J, et al. On-vine monitoring of grape ripening using near-infrared spectroscopy[J]. Food Anal Method, 2012, 5(6): 1377-1385.
[24] 刘旭, 吴迪, 梁曼, 等. 基于高光谱的酿酒葡萄果皮花色苷含量多元回归分析[J]. 农业机械学报, 2013, 44(12): 180-186. [25] 芦永军, 曲艳玲, 宋敏. 近红外相关光谱的多元散射校正处理研究[J]. 光谱学与光谱分析, 2007, 27(5): 877-880. [26] 高洪智, 卢启鹏, 丁海泉, 等. 基于连续投影算法的土壤总氮近红外特征波长的选取[J]. 光谱学与光谱分析, 2009, 29(11): 2951-2954. [27] 刘思伽, 田有文, 张芳, 等. 采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测[J]. 食品科学, 2017, 38(8): 277-282. [28] 张学工. 关于统计学习理论与支持向量机[J]. 自动化学报, 2000, 26(1): 32-42.
计量
- 文章访问数: 1649
- HTML全文浏览量: 10
- PDF下载量: 2057
