基于高光譜圖像技術的菜用大豆厚度檢測

黃 敏 ， 萬相梅 ， 朱啟兵 ， 張 慜

（1.食品科學與技術國家重點實驗室 江南大學，江蘇 無錫214122；2.江南大學 輕工過程先進控制教育部重點實驗室，江蘇 無錫214122）

菜用大豆，又叫毛豆，是以幼嫩莢果和子粒作為蔬菜食用的一種專用型大豆品種。由于其兼具營養(yǎng)與保健雙重功能[1]，富含蛋白質、脂肪、礦物質和維生素等成分[2]，深受國內外消費者的青睞。目前，中國是最大的菜用大豆生產國與出口國[3]，具有良好的出口創(chuàng)匯前景。為延長鮮食菜用大豆的儲藏期和貨架期，通常采用密封冷藏，冷藏保存之前需對菜用大豆品質按等級進行分檢處理。菜用大豆品質主要指外觀品質、食用品質和營養(yǎng)品質，其中外觀品質是最重要、最受到注重的商品品質之一。亞洲蔬菜研發(fā)中心明確規(guī)定了菜用大豆外觀品質的標準并形成了外觀分級體系，其中蟲食程度一個極其重要的分級指標（關于菜用大豆蟲食程度的研究在其他文章中另外探討），而厚度又是一個極其重要的外觀選擇標準[4]。菜用大豆厚度與其飽滿度有關，傳統(tǒng)的菜用大豆厚度的分揀方法是用肉眼進行人工挑選，這種方法存在費時、費力、效率低等缺點，故根據其厚度對菜用大豆的等級進行更深一步的劃分具有重要的現實意義。

高光譜圖像技術作為一種新型的無損檢測技術，結合了計算機視覺和光譜檢測兩種技術的優(yōu)點[5]，能夠很好的記錄農產品外在特征和內部品質的豐富信息。已有研究表明高光譜圖像技術已廣泛的應用于農畜產品以及水果的無損檢測中，如檢測玉米含水率和含油率[6]，檢測酸櫻桃內部的果核[7]，評估腌制黃瓜的質量品質[8]，蘋果粉質化檢測[9]等，且取得了較好研究成果。光照射到水果和蔬菜等農產品是一個及其復雜的現象。當入射光作用于物體表面時，除有少數的入射光從物體表面被反射掉，發(fā)生鏡面反射等現象外，剩余的光能量進入其細胞組織并在其內部發(fā)生光的吸收和漫反射現象[10]。光的吸收主要和物體的化學成分 （如糖分，酸性）有關，而漫反射主要受到結構和物理特性（如密度，粒子尺寸和細胞結構）的影響。由于生長期不同，飽滿（較厚）與不飽滿（較?。┑牟擞么蠖沟膬炔考毎M織結構和物理特征也會有所不同，故光在其內部的衰減也會有所差別。

作者設想在不增加設備成本的前提下，對檢測完有蟲菜用大豆后對無蟲菜用大豆樣本厚度進行檢測，從而實現更深一步地分揀，探求菜用大豆厚度與高光譜圖像數據之間的定量關系，為實現高光譜圖像對菜用大豆厚度在線檢測提供理論基礎。

1 材料與方法

1.1 試驗材料

菜用大豆：2011年4月采購于浙江省慈溪市海通食品有限公司的毛豆種植基地。選取200個菜用大豆作為實驗樣本，實驗前把菜用大豆的表皮雜物處理干凈，依次進行編號、標記。

1.2 高光譜圖像采集

實驗中使用高光譜圖像采集系統(tǒng)如圖1所示。整個系統(tǒng)由圖像采集單元、光源、樣本輸送平臺3部分組成。其中，圖像采集單元包括圖像光譜儀（1003A-10140 HyperspcTM VNIR C-Series，Headwall Photonics Inc.，USA）、CCD 攝像頭（pixelfly qe IC*285AL，Cooke，USA）、 鏡頭 （10004A-21226 Lens，F/1.4 FL23mm，Standard Barrel，C-Mount.，USA）； 光源為 150W 光纖鹵素燈 （150W EKE，3250K（#20094145），Techniquip，USA）。 整個系統(tǒng)裝在一個暗箱中，避免在圖像采集過程中受到外界光的影響。高光譜圖像光譜儀的光譜范圍為400～1000 nm，光譜分辨率為1.29 nm/pixel，空間分辨率是0.15 mm/pixel，波段間隔為0.64 nm，采集圖像時對10個波段進行binning，即實際圖像的波段間隔為6.4 nm。圖像采集時的曝光時間為200 ms。實驗中，先采集系統(tǒng)的全黑標定圖像，再采集菜用大豆樣本高光譜圖像。每次將2個菜用大豆樣本整齊的擺放在 （20 cm×20 cm）黑色背景板上進行圖像采集，最后獲取一幅大小為1392×350×94的菜用大豆樣本高光譜圖像。同時，為了對采集的樣本圖像進行校正，每采集5次樣本圖像，需采集一次校正白板（全白標定）的圖像。

圖1 高光譜圖像系統(tǒng)Fig.1 Hyperspectral imaging system

1.3 樣本標準儀器厚度值測量

利用數位式游標卡尺 （Digital Caliper，CD-6''CSX，500-196-20，Mitutoyo Corporation，Japan，精度為0.01 mm）測量菜用大豆樣本的厚度，測量時選取菜用大豆中每個豆粒的赤道位置附近作為游標卡尺的測量位置，采用5次測量的平均值作為菜用大豆厚度的標準儀器測量值。

2 數據處理與分析

2.1 圖像采集與數據處理平臺

整個實驗過程中，高光譜圖像的采集是基于HyperspecTM-M圖像采集軟件平臺；數據的處理基于 ENVI V.4.3 （Research System，Inc.，USA）、Excel和 MATLAB （Math works，matlabR2009b，Inc.，USA）等軟件平臺。

2.2 樣本原始圖像處理

首先采用ENVI軟件處理采集到的高光譜圖像，獲得菜用大豆樣本圖像；然后用菜用大豆樣本圖像減去全黑標定圖像，再除以全白標定圖像減去全黑標定圖像之差，從而獲得最終相對高光譜圖像[11]；再采用3×3中值濾波器對圖像進行處理。因采集到的原始的高光譜圖像過大，為便于后續(xù)處理，需從處理后的圖像中提取感興趣區(qū)域。圖2為506 nm處的不同厚度值的菜用大豆圖像，為了消除誤差，在每個菜用大豆相對圖像中每個豆粒所在位置中心處取一個60 pixel×50 pixel同樣大小的感興趣區(qū)域，將每個區(qū)域所有的光譜數值在各個波段上取平均值，即把平均反射光譜數據作為后期數據處理。

圖2 在506 nm處的不同厚度的菜用大豆圖像Fig.2 Green soybean images of different thickness at 506 nm

2.3 光譜曲線

圖3（a）所示為不同厚度值的菜用大豆的原始高光譜反射圖像，從圖中可以看出厚度值大的菜用大豆的曲線在厚度值小的菜用大豆的上方，即厚度值大的菜用大豆的反射光強大。光譜在400～700 nm有所波動，并且由于葉綠素的吸收大約在675 nm處有一波谷；在700～1000 nm波動較大，菜用大豆反射率的這一光譜特性主要由菜用大豆內部復雜結構決定的。圖3（b）為白板的光譜曲線，可以發(fā)現其曲線呈現正態(tài)分布的趨勢。圖3（c）所示為菜用大豆樣本的相對反射光譜曲線，可以發(fā)現進過白板校正后的不同厚度的菜用大豆光譜曲線也會有所不同，尤其在近紅外范圍內差別較大。

圖3 不同厚度的菜用大豆高光譜原始曲線 （a），白板曲線（b）以及相對反射光譜曲線（c）Fig.3 Curves of two green soybeans reflectance

2.4 樣本光譜預處理與模型評價

由于實驗操作等問題的存在會產生奇異樣本，而奇異樣本可能會對模型精度產生影響，需對200個樣本進行去奇異樣本處理，共去除2個奇異樣本。將去奇異樣本后的198個樣本光譜曲線進行多元散射校正技術[12]（Multiplicative Scatter Correction，MSC）、標準歸一化（Standard Normal Variate，SNV），并在此基礎上分別獲得一階微分光譜。采用偏最小二乘法（Partial Least Squares，PLS）、多元線性回歸法（Multiple Linear Regression，MLR）分別建立菜用大豆厚度與菜用大豆反射光譜的定量分析模型。模型的校正指標[13]使用校正相關系數（Correlation Coefficient for Calibration，RC）， 校 正 均 方 差 （Root Mean Square Error for Calibration，RMSEC）， 交叉驗證 相 關 系 數 （Correlation Coefficient for Cross Validation，RCV）和交叉驗證均方差 （Root Mean Square Error for Cross Validation，RMSECV）表示，預測指標采用預測相關系數（Correlation Coefficient for Prediction，RP）和預測均方差 （Root Mean Square Error for Prediction，RMSEP）表示。 其中，預測相關系數越高，預測均方差越小，模型的性能越優(yōu)。

3 實驗結果與分析

3.1 樣本集劃分

對預處理后的198個樣本進行樣本集劃分。Kennard-Stone算法[14]是化學計量學中常用的樣本集劃分算法，其基本原理是用變量空間之間的相對歐氏距離找出樣本集中的有代表性的各個邊緣樣本直至找到設定的樣本數，能使校正集樣品分布更均勻，樣品集劃分更合理。利用該算法選取149個樣本作為校正集，剩余49個樣本作為預測集。樣本厚度的最大值、最小值、平均值和標準差見表1。

表1 菜用大豆厚度測量值統(tǒng)計Tab.1 Statistics of thickness measurements for green soybeans

3.2 PLS建模

PLS是對光譜矩陣和測量矩陣進行主成分分解，并以主因子進行回歸，其主成分數影響到PLS模型的性能，故選取一個合適的主成分數是PLS建模過程中的一個關鍵。采用留一法交叉驗證得到的最小均方根誤差所對應的主成分數為最佳主成分數。表2是采用PLS進行建模的結果。

表2 PLS建模結果Tab.2 Model results using PLS

3.3MLR建模

MLR是由兩個或者多個自變量的最優(yōu)組合共同來預測或估計因變量。本文通過回歸計算出單波段的顯著性水平，然后按照顯著性水平從大到小的順序排列，然后通過相同的方法計算出雙波段的顯著性水平，最后選取前40個波段進行回歸。同樣，采用留一法交叉驗證得到的最小均方根誤差所對應的特征波長數數為最優(yōu)特征波長數。表3為采用MLR的建模結果。

表3 MLR建模結果Tab.3 Model results using MLR

3.4 討論

從表2可以看出：對于PLS模型而言，（1）MSC和SNV這兩種背景校正法對菜用大豆厚度預測結果有所改善，RP由 0.929分別提高到 0.933和0.934，RMSEP也由 0.73 mm變?yōu)?0.70 mm和 0.73 mm，并且主成分由9分別降低到8和7，模型得到簡化；（2）MSC和SNV分別與背景扣除（一階導數）法結合后對菜用大豆厚度預測模型的影響不盡相同，但是對模型效果的改善影響不大。

從表3可以看出：對于MLR模型，（1）MSC法對模型厚度預測結果的改善有影響，RP由0.925提高到0.930，RMSEP也由0.75 mm降低到0.71 mm，而且特征波長數由32降低到31；（2）SNV法以及MSC和SNV分別與一階導數法結合后對菜用大豆厚度預測模型效果均沒有得到明顯改善。

結合表2和表3的結果可以發(fā)現：（1）經MSC處理后的菜用大豆厚度的PLS模型的效果較優(yōu)，原因是因為MLR使用光譜矩陣建立模型，并未考慮矩陣中的信息是否與真實模型相關，而PLS同時對光譜矩陣和測量矩陣進行主成分分解，并以主因子進行回歸，進一步提高了模型的可靠性。（2）MSC和SNV與一階導數結合后對模型精度沒有得到明顯的改善。因為一階導數法用來進行峰的各特征點檢測，菜用大豆的光譜曲線沒有明顯的波動，同時噪聲對一階導數的影響較大，由于對菜用大豆的原始圖像進行了中值濾波以及對感興趣區(qū)域的光強進行了平均，有效的去除了噪聲的影響，故一階導數對光譜的影響不大，MSC與SNV結合一階導數的效果也就會不明顯。（3）實驗樣本隨機購買于菜市場，菜用大豆表面存在一些影響因素，如菜用大豆莢表面灰塵厚度影響、菜用大豆新鮮度保持的影響等等。MSC可以消除由于樣品表面顆粒分布不均勻及顆粒大小不同產生的散射對其光譜的影響，故模型精度較優(yōu)。圖4和圖5為沒有經過任何預處理以及經過MSC處理后的菜用大豆厚度的PLS模型的預測值與實測值相關圖。

如果今后增加用于建模和預測的樣品數，增加感興趣區(qū)域的大小以及嘗試不同的光檢測方法（透射等）以及提取檢測菜用大豆厚度的特征波段等等，將能得到更加穩(wěn)固、適應性更強的定量分析模型，提高菜用大豆厚度的預測精度，這樣更有利于實現在線檢測。

圖4 沒有經過處理的菜用大豆厚度的PLS模型預測結果Fig.4 Thickness prediction results of PLS based on no any treatment for green soybeans

圖5 MSC處理后的菜用大豆厚度的PLS模型預測結果Fig.5 Thickness prediction results of PLS based on MSC for green soybeans

4 結語

以菜用大豆為研究對象，采用高光譜圖像檢測技術對菜用大豆厚度進行預測。通過對200個菜用大豆樣品分別進行圖像處理，去奇異點處理以及采用MSC和SNV等數據預處理方法，再結合PLS和MLR兩種分析方法在波段400～1000 nm建立菜用大豆厚度的定量分析模型，發(fā)現基于MSC處理后的PLS模型的預測結果優(yōu)于光譜沒有經過任何處理后的結果，RP由0.929提高到0.933，RMSEP也由0.73 mm降低到0.70 mm，并且主成分由9分別降低到8，模型得到簡化。研究結果表明，基于高光譜圖像技術無損檢測菜用大豆厚度是可行的。

[1]張圣平.菜用大豆莢果可溶性糖變化規(guī)律的研究[D].泰安：山東農業(yè)大學，2002.

[2]楊倩，張慜，李瑞杰.加工條件對豆干質構的影響[J].食品與生物技術學報，2011，30（5）：683-686.YANG Qian，ZHANG Min，LI Rui-jie.Effect of processing conditions on texture of the dried beancard[J].Journal of Food Science and Biotechnology[J].2011，30（5）：683-686.（in Chinese）

[3]范秀鳳.不同生態(tài)條件下菜用大豆農藝性狀與產量、品質的關系[D].上海：上海交通大學，2005.

[4]李之國.大豆菜用性狀評價、品種篩選鑒定及AFLP分析[D].保定：河北農業(yè)大學，2006.

[5]陸婉珍.現代近紅外光譜分析技術（第二版）[M].北京：中國石化出版社，2007.

[6]Cogdill R P，Hurburgh C R，Rippke G R.Single-kernel maize analysis by near-infrared imaging[J].Transactions of ASAE，2004，47：311-320.

[7]Lu R F，Qin J W.Detection of pits in tart cherries by hyperspectral transmission imaging[J].Transactions of the ASAE，2005，48（5）：1963-1970.

[8]Lu R F，Ariana D P.Quality evaluation of pickling cucumbers using hyperspectral reflectance and transmittance imaging[J].Sensing and Instrumentation for Food Quality and Safety，2008，2（3）：144-151.

[9]HUANG Min，LU R F.Apple mealiness detection using hyperspectral scattering technique[J].2010，58（3）：168-175.

[10]Qin，J W.Measurement of the optical properties of horticultural and food products by hyperspectral imaging[D].USA：Michigan State University，2007.

[11]Maleki M R，Mouazen A M，Ramon H，et al.Multiplicative Scatter Correction during On-line Measurement with Near Infrared Spectroscopy[J].Biosystems Engineering，2007，96（3）：427-433.

[12]郭恩有，劉木華，趙杰文，等.臍橙糖度的高光譜圖像無損檢測技術[J].農業(yè)機械學報，2008，39（5）：91-93.GUO En-you，LIU Mu-hua，ZHAO Jie-wen，et al.Nondestructive detection of sugar content on navel orange with hyperspectral imaging[J].Transactions of the Chinese Society for Agricultural Machinery，2008，39（5）：91-93.（in Chinese）

[13]王爽，黃敏，朱啟兵.基于無信息變量和偏最小二乘投影分析的高光譜散射圖像最優(yōu)波段選[J].光子學報，2011，40（3）：428-432.WANG Shuang，HUANG Min，ZHU Qi-bing.Optimal wavelength selection of hyperspectral scattering images based on UVEPLS projection analysis[J].Acta Photonica Sinic，2011，40（3）：428-432.（in Chinese）

[14]Macho S，Iusa R，Callao M P，et al.Monitoring ethylene content in heterophasic copolymers by near-infrared spectroscopy standardization of the calibration model[J].Analytica Chimica Acta，2001，445（2）：213-220.