1 西北农林科技大学葡萄酒学院, 陕西 杨凌 712100 西北农林科技大学宁夏贺兰山东麓葡萄酒试验示范站, 宁夏 永宁 750104
2 西北农林科技大学葡萄酒学院, 陕西 杨凌 712100
研究旨在明确“赤霞珠（Cabernet Sauvignon, Vitis Vinifera L.）”葡萄健康叶片和缺磷胁迫不同时期下的光谱信号特征变化, 构建基于光谱技术的“赤霞珠”葡萄叶片缺磷胁迫快速无损诊断模型, 为葡萄园病害防治与管理提供理论参考和技术支持。 以酿酒葡萄“赤霞珠”葡萄叶片为研究对象, 分别采集了正常、 缺磷胁迫初期和末期葡萄叶的VIS/NIR反射率信息。 对比Savitzky-Golay卷积平滑（S-G Smoothing）、 移动平均平滑（MAS）、 标准正态变换（SNV）和多元散射校正（MSC）4种预处理及组合方法对于去除葡萄叶光谱信号中随机噪声的能力, 确定最佳预处理方法。 采用连续投影法（SPA）筛选与“赤霞珠”葡萄叶缺磷胁迫相关的光谱特征变量, 分别构建基于线性核函数（Linear）、 多项式核函数（Poly）、 径向基核函数（RBF）和二层神经网络核函数（Sigmoid）的支持向量机（SVM）模型, 以灵敏度（SEN）和准确率（CCR）为依据评估模型诊断性能, 形成基于VIS/NIR光谱的“赤霞珠”葡萄叶片缺磷胁迫快速无损诊断方法。 S-G Smoothing预处理后的光谱信号的信噪比为110.58, 以其为校正集构建的缺磷胁迫诊断模型最佳, 因此确定其为最佳的预处理方法。 采用主成分分析（PCA）计算样本光谱贡献率, 以95%置信空间为依据检测数据集中的异常样本, 最终发现并剔除了22的离群点。 通过SPA筛选出402.6、 404.6、 409、 411.5、 539.4、 691.9、 729.9、 838.7、 1 011.9、 1 017.5和1 020.5 nm等11个反映“赤霞珠”葡萄叶缺磷胁迫的光谱特征波段, 作为缺磷胁迫快速无损诊断模型的输入变量。 通过对比分析上述4种核函数SVM的诊断结果, 以Linear为核函数构建的“赤霞珠”葡萄叶缺磷胁迫诊断模型能力最佳, 对正常叶片诊断的SEN为81.08%, CCR为100%; 对缺磷胁迫早期叶片诊断的SEN为100%, CCR为84.78%; 对缺磷胁迫末期叶片诊断的SEN为100%, CCR为100%。 该研究建立了基于VIS/NIR光谱的“赤霞珠”葡萄叶片缺磷胁迫快速无损诊断方法, 能够满足葡萄园病害防治与智能化管理的生产需求, 为酿酒葡萄智慧农业发展提供了技术参考。
酿酒葡萄 缺磷胁迫 可见光/近红外光谱 无损诊断 支持向量机 Enological grape Phosphate deficiency VIS/NIR spectroscopy Nondestructive diagnosis SVM 光谱学与光谱分析
2023, 43(12): 3719
酿酒葡萄一般批量采收, 采收期对其品质有较大影响。 传统方法主要依靠对样本的酚、 糖等各组分含量进行实验室理化指标检测, 判定采收成熟度。 如果对多个地块进行采摘前的连续监测, 则批量大、 成本高、 采样与分析工作量繁重, 且时效性差, 难以保证果品的收获品质。 以蛇龙珠品种为对象, 提出一种利用近地面多光谱图像对种植区葡萄成熟度和批量采收期判别的方法。 通过DJI Phantom四旋翼无人机搭载ADC Micro多光谱相机, 以S型采样路线直接拍摄9个采样点的蛇龙珠田间原位图像, 并采集葡萄果粒样本; 利用PixelWrench2 x64软件进行图像处理, 得到每张图像的红色(R)分量、 绿色(G)分量、 近红外(NIR)分量值; 将葡萄果粒榨汁, 依据检测时长、 成本和代表性程度, 选取总糖含量为成熟度判定指标, 采用PAL-1手持式糖度仪检测葡萄汁总糖含量; 分别分析R, G, NIR分量与日期的显著性关系, 发现叶片集中区域(局部)的R分量与日期为最显著关系(p-value=5.314 44×10-4, 调整后R2=0.815), 可作为建模的成熟度参数; 按照模型集与验证集为4:1的原则构建“总糖含量—局部R分量”线性回归与对数回归模型, 结果显示: 相比于线性模型, 总糖含量与局部R分量呈非常显著的对数关系(p-value=5.124 07×10-10, 调整后R2=0.970 62), 且该模型的平均预测误差≤1.388%、 最大预测误差≤4.6%、 采收前预测误差±0.46%, 证明该对数模型具有较高的检测精度。 实际采收前, 利用上述方式在近采收期采集蛇龙珠葡萄田间原位多光谱图像, 将得出的局部R分量值带入对数模型, 可对总糖含量进行预测, 并以22%±0.46%的总糖含量为标准研判蛇龙珠葡萄是否成熟。 结果表明: 采用区块光谱图像进行酿酒葡萄的批量采收品质和采收时间预测具有便利性与可行性, 为光谱图像在农业实际生产中的应用提供了新思路。
酿酒葡萄 多光谱图像 无人机 成熟度 判别 Wine grapes Multispectral figures Unmanned Aerial Vehicles Degree of maturity Determination 光谱学与光谱分析
2021, 41(10): 3220
中国农业大学信息与电气工程学院, 北京 100083
酿酒葡萄成熟度是确定葡萄采收期的重要品质指标, 针对酿酒葡萄大田中成熟度检测难度大的问题, 利用可见/近红外(Vis/NIR)光谱技术和化学计量学, 研究了酿酒葡萄可溶性固形物含量(SSC)与光谱数据之间的内在联系。 采用USB2000+光谱仪获取5种酿酒葡萄及其叶片在不同成熟时期的Vis/NIR光谱数据, 通过OMNIC 8.0软件提取光谱数据, 将化学值与光谱吸收率值通过TQ Analyst8.0软件建立模型。 选取信噪比高的450~1 000 nm波段, 利用PCA剔除异常光谱数据, 将一阶导数(FD)、 Savitzky-Golay卷积平滑(S-G)、 多元散射校正(MSC)、 标准正态变换(SNV)分别组合共4种方法用于光谱数据预处理。 利用偏最小二乘(PLS)法分别建立了5种葡萄基于酿酒葡萄光谱数据的SSC预测模型, 建立了5种葡萄基于冠层叶片光谱数据的SSC预测模型, 对比了不同方式预处理后的建模效果, 并选择最优预处理方式建模。 最后用外部样本分别验证了SSC预测模型。 结果表明, 采用S-G平滑+FD+MSC的预处理方法时大多数预测模型性能达到最好。 5种葡萄浆果校正集和验证集的R分别达到0.93和0.86以上, 最高均方根误差分别为0.30和0.48, 5种葡萄冠层叶片校正集和验证集的R分别达到0.73和0.65以上, 最大均方根误差分别为0.95和0.75。 5种葡萄浆果外部试验样本预测值与真实值间的平均RE最高为0.43%。 基于酿酒葡萄浆果光谱的SSC预测模型具备良好的预测能力, 优于基于酿酒葡萄冠层叶片光谱的SSC预测模型, SSC预测模型能够为酿酒葡萄成熟度评价研究提供理论参考。 Vis/NIR光谱技术适用于在酿酒葡萄大田中快速、 无损检测SSC。
可见/近红外光谱 酿酒葡萄成熟度 偏最小二乘法 可溶性固形物 Visible/near infrared spectroscopy Maturity of wine grape Partial least square method Soluble solids content 
