基于不同波段的枸杞多糖及总糖高光谱成像检测

摘要：采用高光谱图像技术对枸杞多糖和总糖含量进行检测，并探寻其最适宜的光谱波段。首先采用多元散射校正、Savitzky-Golay平滑（S-G平滑）和标准正态变量变换3 种常用光谱预处理方法对原始光谱进行预处理，并对结果进行对比，选择多元散射校正预处理方法，以消除散射的影响；然后分别基于相关系数的数值及不同范围波长的特性，选择有效波段、可见光波段、近红外波段及全波段图像的平均光谱反射值作为特征参量；最后建立基于不同特征参量的枸杞多糖和总糖含量的BP神经网络预测模型。结果表明：基于全波段条件下光谱信息所建立的预测模型最佳，枸杞多糖含量预测正确率为97.59%，相关系数为0.997 4，均方根误差为0.077 7，枸杞总糖含量预测正确率为100%，相关系数为0.996 8，均方根误差为0.250 6。因此高光谱无损检测枸杞多糖和总糖含量具有可行性。

枸杞（Lycium barbarum）为我国“药食同源”的名贵中草药之一，含有丰富的营养成分，具有滋补肝肾、益精明目等多种保健功效，被广泛用于功能性食品的研究与开发。枸杞中多糖是最重要的功效成分之一，总糖是其甜味来源，二者共同构成枸杞品质的主要表征指标[1]。但是枸杞多糖和总糖含量的常规理化测定方法[2]操作繁琐、质检效率低，且属于破坏性检测，不利于生产实际应用。因此，研究快速、无损、准确的枸杞多糖和总糖含量测定方法，对实现枸杞内部品质的评定具有重要的现实意义。

高光谱图像技术融合了图像信息和光谱信息的优点，通过图像中的每个像素点记录全光谱，从而对研究对象的内部特征进行可视化分析[3-4]。因此，高光谱图像技术在果蔬[5-6]、肉[7-8]、奶[9]、蛋[10]、坚果[11-12]、烟叶[13]等农产品无损检测方面的应用日趋广泛[14-17]。高光谱在农产品品质检测中的应用研究主要包括以下几个方面：通过一定方法选择特征波长，对特定波长条件下的图像特征或光谱特征进行研究[18-22]；通过对不同波长处关键峰值的分析，研究测定成分的特定吸光带[23]；通过对比，选择合适的预处理方法或建模方法[24-25]。其中，图像特征信息全面，但图像特征的提取涉及图像的分析处理技术，不同的图像分析处理技术会影响最终的分析结果；特定波长条件下光谱特征的提取，分析计算较为简单，在农产品检测中应用较多，但由于分析的特征波长较少，其提供的信息量也较少，同样对模型精度及稳健性造成不利影响。因此，为了增加光谱特征的有效信息量，改善模型性能，将高光谱的全波段按不同光谱特性分成几个波段，在不同的波段范围内对光谱特征信息进行提取、分析和对比，以确定能够最全面、有效表征枸杞多糖和总糖含量的光谱特征，建立预测模型，具有重要研究意义。

本实验以宁夏产6 种不同等级的枸杞作为研究对象，利用高光谱图像技术对其进行检测。采用不同预处理方法对原始光谱进行预处理；选择不同的特定光谱波段范围，提取各特定波段范围内图像的平均光谱反射值作为特征参量；采用BP神经网络方法建立枸杞多糖和总糖含量的预测模型，并对基于不同波段范围光谱特征的预测结果进行对比分析，从而确定最佳预测模型，为实现枸杞内部多糖和总糖含量的无损检测提供参考。

1 材料与方法

实验用枸杞由银川杞里香商贸有限公司提供，根据品种、色泽、颗粒大小不同，等级不一。选择3 个品种，每个品种2 个等级，共6 种品质等级的样品，分别标记为：1A、1B、2A、2B、3A和3B。

高光谱图像采集系统主要由Inno-Spec IST50-3810高光谱成像仪、计算机、4 个500 W的ESYLUX 90000420108光纤卤素灯和传送装置组成，如图1所示。高光谱成像仪通过USB 2.0接口数据线连接计算机，通过SICap-STVR V1.0.x软件平台驱动控制成像仪，及时记录和存储高光谱数据。摄像头工作时，线阵的探测器在光学焦面（枸杞前进方向）的垂直方向作横向扫描，获取的是条状空间中每个像素在各个波长处的图像信息。同时随着输送带的前进，线阵探测器扫出整个平面，完成所需区域枸杞图像数据的采集。

枸杞多糖和总糖含量的测定与高光谱图像的采集同步，按照GB/T 18672—2014《枸杞》中附录A和附录B的规定进行测定。

为了减弱或消除相机暗电流和光源不均匀亮度产生的影响，需进行黑白标定，每次采样前先采集标准全白图像和全黑图像，然后再将随机称取的（30±0.5）g枸杞作为一个待测样本，均匀地平铺在规格为7 cm×7 cm的正方体容器中，放置在传送带上，设置传送装置的速率为1.25 mm/s。光谱仪的光谱范围为371.05～1 023.82 nm，光谱分辨率为2.8 nm，采样间隔为0.51 nm，采集得到1 288 个不同波段条件下的图像。为获得理想区域图像，设定高光谱的扫描范围为Width 760、Height 550。图像扫描行数为每幅550 行，每行扫描的像素点数为760 个，得到的高光谱图像分辨率为550×760。因此，对于每一个样本，最终采集得到一个大小为550×760×1288的高光谱图像数据块。最后，采用全白图像和全黑图像对原始高光谱图像数据块进行黑白标定，得到标定后的高光谱图像数据。实验枸杞共300 个样本，6 类样品在波长658.77 nm处的高光谱图像如图2所示。

相关系数是研究变量之间线性相关程度的重要参数，显示2 个变量之间线性关系的强度和方向，取值[－1,1]。本实验根据不同波长条件下高光谱图像的平均光谱反射值与枸杞多糖和总糖含量的相关性，将相关系数大于0.4的波段定义为有效波段。

由于不同等级的枸杞内部化学成分存在一定的差异，这些内部化学成分的差异导致枸杞对不同波段光谱的吸收和反射存在差异，即表现为不同的光谱反射值，不同波长条件下光谱反射值区别较明显。这说明不同波段对不同等级枸杞内部化学成分的吸收和反射是有影响的。参照有关铁皮石斛的研究，可知铁皮石斛中多糖含量较敏感的波段主要集中在可见光区域[26]；另外，近红外光波段主要是对含氢基团振动的倍频和合频吸收，其中包含了大多数类型有机化合物的组成和分子结构的信息，物质的含量与此区域内多个不同的波长点吸收峰呈线性关系。参照以上研究结果，本实验将枸杞样本全波段光谱分为可见光波段（400.18～760.20 nm，即第58～762个波段）和近红外波段（780～1 023.82 nm，即第801～1 288个波段），分别提取可见光及近红外光谱波段条件下图像的平均光谱反射值用于建立预测模型，并与基于有效波段和全波段条件下图像的平均光谱反射值所建立的预测模型进行对比。

由于所选波段都包含较大的波长范围，存在信息的重叠、冗余，不利于分析计算，且影响分析结果的精度。主成分分析是一种有效的数据降维以及去除噪声的方法。它沿着协方差最大的方向由高维数据空间向低维数据空间投影，将原变量线性组合为一些新变量，这些新变量是不相关的，并且最大限度地表征了原始数据的信息，既实现数据的降维，又能消除原始数据中的冗余信息[27]。

因此，本实验对所选择的有效波段、可见光波段、近红外波段及全波段条件下图像的光谱特征值分别进行主成分降维及信息融合，由于各波段对应的前15 个主成分均能代表原数据99.99%以上的信息，因此，分别选取前15 个主成分作为BP神经网络的输入，从而以上数据存储格式都变为300×15。

BP神经网络[28-30]是一种基于误差逆传播算法的多层前馈网络，由非线性变换单元组成，它可以处理复杂的非线性问题，是目前应用较广泛的神经网络模型。本实验选用BP神经网络模型分别建立枸杞高光谱图像光谱特征与枸杞多糖含量和总糖含量之间的映射关系。提取各波段条件下图像的平均光谱反射值，并运用主成分分析融合，选取前15 个主成分作为神经网络的输入变量。每类样品50 个实验样本，随机选取35 个样本作为训练集，剩余15 个作验证集，结果相对误差在5%以内判为正确，训练误差达到1.0×10－6。BP神经网络的构建用MATLAB R2014a实现。

2 结果与分析

表1 不同光谱的主成分回归模型效果
Table 1 Modeling results of different spectra using principal component regression

注：为校正集决定系数；RMSEC为校正集均方根误差（root meansquare error in calibration set）；为预测集决定系数；RMSEP为预测集均方根误差（root mean square error in prediction set）。

图3 300 个枸杞原始样本（A）和经过多元散射校正处理后（B）的光谱数据
Fig. 3 Original spectral data (A) and spectral data after multiplicative scatter correction (B)

为了选择适宜的光谱预处理方法，以消除噪声及无关信息的影响，增强与成分含量相关的光谱吸收信息。采用多元散射校正（multiplicative scatter correction，MSC）、Savitzky-Golay平滑（S-G平滑）和标准正态变量变换（standard normal variate，SNV）等常用光谱预处理方法对原始光谱信息进行处理，并建立枸杞多糖和总糖含量的主成分回归模型，以对不同预处理方法的效果进行比较，结果如表1所示。经过S-G平滑后的光谱建立的预测模型，对于多糖的预测稍好于其他模型，但是差别不明显，而预测总糖效果明显较差；经过MSC处理过的光谱建立的预测模型，对于总糖预测明显好于其他模型，且对于多糖的预测也较优。因此，最终选取MSC预处理方法。对比图3可以看出，经过MSC处理后的光谱反射值与波长的关系曲线可以更清楚地表达光谱反射特征点及其对应的波长。

图4 多糖含量（A）和总糖含量（B）与光谱反射值回归曲线的相关系数
Fig. 4 Correlation coeffi cients of the regression curves of spectral refi ectance data for the contents of polysaccharide and total sugar

1 288 个不同波段条件下高光谱图像的平均光谱反射值与两指标之间的相关系数分布如图4所示。由图4A可知，枸杞样品多糖含量与光谱反射值的相关系数在0～0.845之间，第405～882个波段的相关系数大于0.4，因此定义此波段为多糖含量的有效波段；由图4B可知，枸杞样品总糖含量与光谱反射值的相关系数绝对值都在0～0.615之间，与多糖含量相比，总糖含量与光谱反射值的相关程度较小，第237～407个波段的相关系数大于0.4，因此定义此波段为总糖含量的有效波段。分别提取这2 个波段范围下图像的平均光谱反射值，数据存储格式分别为300×478或300×171。

表2 不同类别枸杞的多糖、总糖含量
Table 2 The contents of polysaccharide and total sugar in different classes of Chinese wolfberry

每种枸杞样品取多个平行进行测定，以独立测定结果的绝对值差不超过算术平均值的10%为准，将其平均值作为此类枸杞样品的实际指标值，如表2所示。实际中，枸杞均以其品种或大小、颜色等感观评定方法进行分级，实验枸杞的实际价格顺序为：2A＜1A＜3A＜3B＜1B＜2B。但从表2中多糖和总糖含量的均值来看，不同等级枸杞中的多糖和总糖含量差异明显，价格最低的2A，其多糖、总糖含量较高，价格最贵的2B，其多糖含量最低，显然枸杞价格高低与内部品质不一致。这说明枸杞感官评价结果不能真实反映其整体品质信息，人工分级无法实现准确的品质评价。

图5 基于有效波段建立的多糖含量（a）和总糖含量（b）预测模型验证结果
Fig. 5 Validation of model predictions of polysaccharide content (a) and total sugar content (b) based on spectral information in effective wavebands

基于各自有效波段所建立的多糖和总糖含量的预测模型，网络结构和参数一致，网络结构为15-9-1，隐含层传递函数为logsig，输出层传递函数为logsig，训练函数为trainlm。由图5a可知，多糖含量预测正确率为100%，预测值与实际值之间的相关系数为0.999 9，均方根误差为0.023 0；由图5b可知，总糖含量预测正确率为100%，预测值与实际值之间的相关系数为0.988 7，均方根误差为0.604 7。

图6 基于可见光波段光谱信息建立的多糖含量（a）和总糖含量（b）预测模型验证结果
Fig. 6 Validation of model predictions of polysaccharide content (a) and total sugar content (b) based on spectral information in visible wavebands

基于可见光波段条件下光谱信息所建立的多糖和总糖含量的预测模型结构均为15-9-1，但参数不一致，多糖含量预测模型的隐含层传递函数为tansig，输出层传递函数为logsig，训练函数为traincgf；总糖含量预测模型的隐含层传递函数为logsig，输出层传递函数为logsig，训练函数为traincgf。由图6a可知，多糖含量预测正确率为98.89%，预测值与实际值之间的相关系数为0.999 5，均方根误差为0.048 5；由图6b可知，总糖含量预测正确率为100%，预测值与实际值之间的相关系数为0.999 1，均方根误差为0.170 5。

图7 基于近红外波段光谱信息建立的多糖含量（a）和总糖含量（b）预测模型验证结果
Fig. 7 Validation of model predictions of polysaccharide content (a) and total sugar content (b) based on spectral information in near infrared wavebands

基于近红外波段条件下光谱信息所建立的多糖和总糖含量的预测模型结构均为15-10-1，但参数不一致，多糖含量预测模型的隐含层传递函数为tansig，输出层传递函数为logsig，训练函数为traincgf；总糖含量预测模型的隐含层传递函数为logsig，输出层传递函数为logsig，训练函数为trainlm。由图7a可知，多糖含量预测正确率为93.33%，预测值与实际值之间的相关系数为0.977 4，均方根误差为0.322 6；由图7b可知，总糖含量预测正确率为100%，预测值与实际值之间的相关系数为0.995 2，均方根误差为0.407 4。

图8 基于全波段光谱信息建立的多糖含量（a）和总糖含量（b）预测模型验证结果
Fig. 8 Validation of model predictions of polysaccharide content (a) and total sugar content (b) based on spectral information in full wavebands

基于全波段条件下光谱信息所建立的多糖和总糖含量的预测模型结构和参数均一致。预测模型的结构均为15-10-1，隐含层传递函数为tansig，输出层传递函数为logsig，训练函数为trainlm。由图8a可知，多糖含量预测正确率为100%，预测值与实际值之间的相关系数为0.999 8，均方根误差为0.027 8；由图8b可知，总糖含量预测正确率为100%，预测值与实际值之间的相关系数为0.999 5，均方根误差为0.129 3。

通过对比分析不同波段模型的预测结果可知：基于各自有效波段所建立的模型预测正确率达到最大，但由于总糖含量与光谱反射值的相关程度与多糖相比较小，预测总糖含量的均方根误差较大，并且多糖和总糖的有效波段不一致，所以该方法较适合单独预测多糖含量；基于可见光波段所建立的模型预测结果较好，但是预测多糖和总糖含量的网络模型隐含层传递函数不一致，所以该波段适合采用此方法单独预测多糖或总糖含量；基于近红外波段所建立的模型预测多糖含量的正确率较低，预测总糖含量的结果较好，所以该波段较适合采用此方法预测总糖含量；基于全波段条件下图像的平均光谱反射值所建立的BP神经网络模型，它不但能同时获取预测多糖含量和总糖含量的敏感吸收光谱带，而且多糖含量和总糖含量的预测模型参数是一致的。因此，认为最佳模型为基于全波段条件下图像的平均光谱反射值所建立的BP神经网络模型。为验证模型的预测精度及稳定性，从枸杞样品的高光谱图像响应信号中，随机抽取6 组不同的训练集和测试集。在模型结构及各参数不变的前提条件下，分别用这6 组训练集和测试集对BP神经网络进行训练和测试，结果对比如表3所示。

表3 不同测试集的测试结果
Table 3 Results of prediction of polysaccharide and total sugar contents for training set

枸杞多糖含量预测正确率平均值为97.59%，相关系数平均值为0.997 4，均方根误差平均值为0.077 7，枸杞总糖含量预测正确率平均值为100%，相关系数平均值为0.996 8，均方根误差平均值为0.250 6。预测结果基本一致，这说明基于全波段条件下光谱信息所建立的BP神经网络模型能够同时预测多糖和总糖含量，并且具有可靠的精度和稳健性。

3 结论

本实验首先对不同波段范围内高光谱图像光谱信息进行分析，然后基于不同波段条件下图像的平均光谱反射值建立BP神经网络预测模型，并对模型精度及稳健性进行验证。与可见光波段、近红外波段以及有效波段相比，基于全波段条件下图像的平均光谱反射值所建立的BP神经网络预测模型最好，它不但能同时获取预测枸杞多糖和总糖含量的敏感吸收光谱带，并且两者的预测模型参数一致，具有可靠的精度和稳健性。该研究能够实现枸杞多糖和总糖含量的有效预测，可为实现枸杞内部品质的准确评定提供重要参考。

[1] 张晓煜, 刘静, 王连喜. 枸杞品质综合评价体系构建[J]. 中国农业科学, 2004, 37(3): 416-421. DOI:10.3321/j.issn:0578-1752.2004.03.018.

[2] 国家质量监督检验检疫总局, 中国国家标准化管理委员会. 枸杞: GB/T 18672—2014[S]. 北京: 中国标准出版社, 2014.

[3] GOWEN A A, ODONNELL C P, CULLEN P J, et al. Hyperspectral imaging: an emerging process analytical tool for food quality and safety control[J]. Trends in Food Science and Technology, 2007, 18(12): 590-598. DOI:10.1016/j.tifs.2007.06.001.

[4] JOHNSON O N, SLIDELL M, KREISHMAN P, et al. Hyperspectral imaging: an emerging technology as a potential novel adjunct in assessing peripheral perfusion defi cits and success of lower extremity revascularizations[J]. Journal of the American College of Surgeons, 2008, 207(3): 114. DOI:10.1016/j.jamcollsurg.2008.06.295.

[5] 张保华, 李江波, 樊书祥, 等. 高光谱成像技术在果蔬品质与安全无损检测中的原理及应用[J]. 光谱学与光谱分析, 2014, 34(10): 2743-2751. DOI:10.3964/j.issn.1000-0593(2014)10-2743-09.

[6] 李金梦, 叶旭君, 王巧男, 等. 高光谱成像技术的柑橘植株叶片含氮量预测模型[J]. 光谱学与光谱分析, 2014, 34(1): 212-216. DOI:10.3964/j.issn.1000-0593(2014)01-0212-05.

[7] 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. DOI:10.3969/ j.issn.1002-6819.2012.07.042.

[8] KAMRUZZAMAN M, MAKINO Y, OSHITA S. Parsimonious model development for real-time monitoring of moisture in red meat using hyperspectral imaging[J]. Food Chemistry, 2016, 196: 1084-1091. DOI:10.1016/j.foodchem.2015.10.051.

[9] LIM J G, KIM G Y, MO C Y, et al. Detection of melamine in milk powders using near-infrared hyperspectral imaging combined with regression coefficient of partial least square regression model[J]. Talanta, 2016, 151: 183-191. DOI:10.1016/j.talanta.2016.01.035.

[10] ZHANG W, PAN L Q, TU S C, et al. Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis[J]. Journal of Food Engineering, 2015, 157: 41-48. DOI:10.1016/j.jfoodeng.2015.02.013.

[11] JIANG J B, QIAO X J, HE R Y. Use of Near-Infrared hyperspectral images to identify moldy peanuts[J]. Journal of Food Engineering, 2016, 169: 284-290. DOI:10.1016/j.jfoodeng.2015.09.013.

[12] JIN H L, LI L L, CHENG J H. Rapid and non-destructive determination of moisture content of peanut kernels using hyperspectral imaging technique[J]. Food Analytical Methods, 2015, 8(10): 2524-2532. DOI:10.1007/s12161-015-0147-1.

[13] YIN Y, XIAO Y J, YU H C. An image selection method for tobacco leave grading based on image information[J]. Engineering in Agriculture, Environment and Food, 2015, 8(3): 148-154. DOI:10.1016/j.eaef.2015.01.005.

[14] ELMASRY G M, NAKAUCHI S. Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality-a comprehensive review[J]. Biosystems Engineering, 2016, 142: 53-82. DOI:10.1016/j.biosystemseng.2015.11.009.

[15] 李江波, 饶秀勤, 应义斌. 农产品外部品质无损检测中高光谱成像技术的应用研究进展[J]. 光谱学与光谱分析, 2011, 31(8): 2021-2026. DOI:10.3964/j.issn.1000-0593(2011)08-2021-06.

[16] 罗阳, 何建国, 贺晓光, 等. 农产品无损检测中高光谱成像技术的应用研究[J]. 农机化研究, 2013(6): 1-7. DOI:10.3969/j.issn.1003-188X.2013.06.001.

[17] MAHESH S, JAYAS D S, PALIWAL J, et al. Hyperspectral imaging to classify and monitor quality of agricultural materials[J]. Journal of Stored Products Research, 2015, 61: 17-26. DOI:10.1016/ j.jspr.2015.01.006.

[18] 洪添胜, 乔军, WANG N, 等. 基于高光谱图像技术的雪花梨品质无损检测[J]. 农业工程学报, 2007, 23(2): 151-155. DOI:10.3321/ j.issn:1002-6819.2007.02.030.

[19] 郭恩有, 刘木华, 赵杰文, 等. 脐橙糖度的高光谱图像无损检测技术[J].农业机械学报, 2008, 39(5): 91-93; 103.

[20] CHENG W W, SUN D W, PU H B, et al. Integration of spectral and textural data for enhancing hyperspectral prediction of K value in pork meat[J]. LWT-Food Science and Technology, 2016, 72: 322-329. DOI:10.1016/j.lwt.2016.05.003.

[21] 孙俊, 金夏明, 毛罕平, 等. 基于高光谱图像光谱与纹理信息的生菜氮素含量检测[J]. 农业工程学报, 2014, 30(10): 167-173. DOI:10.3969/j.issn.1002-6819.2014.10.021.

[22] HU M H, DONG Q L, LIU B L. Modelling postharvest quality of blueberry affected by biological variability using image and spectral data[J]. Journal of the Science of Food and Agriculture, 2016, 96(10): 3365-3373. DOI:10.1002/jsfa.7516.

[23] XIE A G, SUN D W, XU Z Y, et al. Rapid detection of frozen pork quality without thawing by Vis-NIR hyperspectral imaging technique[J]. Talanta, 2015, 139: 208-215. DOI:10.1016/j.talanta.2015.02.027.

[24] 胡鹏程, 孙晔, 吴海伦, 等. 高光谱图像对白萝卜糠心的无损检测[J].食品科学, 2015, 36(12): 171-176. DOI:10.7506/spkx1002-6630-201512032.

[25] 张浩, 胡昊, 陈义, 等. 水稻叶片氮素及籽粒蛋白质含量的高光谱估测模型[J]. 核农学报, 2012, 26(1): 135-140.

[26] 张银涛, 葛宏立, 孙贞, 等. 铁皮石斛多糖含量的高光谱反演研究[J].光谱学与光谱分析, 2014, 34(6): 1645-1648. DOI:10.3964/j.is sn.1000-0593(2014)06-1645-04.

[27] 高慧璇. 应用多元统计分析[M]. 北京: 北京大学出版社, 2010: 265-289.

[28] 苗静, 曹玉珍, 杨仁杰, 等. 基于二维相关近红外谱参数化及BP神经网络的掺杂牛奶鉴别[J]. 光谱学与光谱分析, 2013, 33(11): 3032-3035. DOI:10.3964/j.issn.1000-0593(2013)11-3032-04.

[29] 吴江, 黄富荣, 黄才欢, 等. 近红外光谱结合主成分分析和BP神经网络的转基因大豆无损鉴别研究[J]. 光谱学与光谱分析, 2013, 33(6): 1537-1541. DOI:10.3964/j.issn.1000-0593(2013)06-1537-05.

[30] 吴桂芳, 蒋益虹, 王艳艳, 等. 基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别[J]. 光谱学与光谱分析, 2009, 29(5): 1268-1271. DOI:10.3964/j.issn.1000-0593(2009)05-1268-04.

Detection of Polysaccharides and Total Sugar in Chinese Wolfberry Based on Hyperspectral Imaging in Different Wavebands

YU Huichun, WANG Runbo, YIN Yong*, LIU Yunhong
(College of Food and Bioengineering, Henan University of Science and Technology, Luoyang 471023, China)

Abstract：Hyperspectral imaging technology was used to detect the contents of polysaccharides and total sugar as two important quality indicators for rapid evaluation of Chinese wolfberry. For this purpose, the optimal spectral waveband was explored. Firstly, the original spectra were preprocessed using three commonly used methods, namely multiplicative scatter correction, Savitzky-Golay smoothing and standard normal variate, and comparison of the results obtained showed that multiplicative scatter correction was selected to eliminate the scattering effect. Then the average spectral refi ectance value was extracted for use as characteristic parameters from hyperspectral images in the effective wavebands, the visible wavebands, the near-infrared wavebands and the full wavebands based on the correlation coefficients and the spectral characteristics in different waveband ranges. Finally, BP neural network models were established based on different characteristic parameters to predict the contents of polysaccharides and total sugar in Chinese wolfberry. The results showed that the prediction model based on the full bands was the best one. The correct prediction rate of the model for polysaccharide content was 97.59% with a correlation coeffi cient of 0.997 4 and a root mean square error of 0.077 7. The correct prediction rate of the model for total sugar content was 100% with a correlation coeffi cient of 0.996 8 and a root mean square error of 0.250 6. Therefore, it is feasible to detect the contents of polysaccharide and total sugar in Chinese wolfberry by hyperspectral imaging technology.

Key words：hyperspectral imaging; BP neural network; Chinese wolfberry; polysaccharide; sugar

于慧春, 王润博, 殷勇, 等. 基于不同波段的枸杞多糖及总糖高光谱成像检测[J]. 食品科学, 2017, 38(8): 191-197.

YU Huichun, WANG Runbo, YIN Yong, et al. Detection of polysaccharides and total sugar in Chinese wolfberry based on hyperspectral imaging in different wav ebands[J]. Food Science, 2017, 38(8): 191-197. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201708030. http://www.spkx.net.cn

基金项目：河南省科技创新杰出青年资助项目（624420017）；河南省科技攻关项目（172102210256；172102310617）

作者简介：于慧春（1977—），女，副教授，博士，主要从事农产品、食品品质无损检测技术研究。E-mail：yukin_le@126.com

*通信作者：殷勇（1966—），男，教授，博士，主要从事农产品、食品品质无损检测技术研究。E-mail：yinyong@mail.haust.edu.cn

基于不同波段的枸杞多糖及总糖高光谱成像检测

1 材料与方法

2 结果与分析

3 结 论

3 结论