基于NIR高光譜成像技術(shù)的長棗蟲眼無損檢測

吳龍國，何建國*，劉貴珊，賀曉光，王 偉，王松磊，李 丹

(1.寧夏大學(xué)農(nóng)學(xué)院，寧夏銀川 750021;2.寧夏大學(xué)物理電氣信息學(xué)院，寧夏銀川 750021)

1 引 言

寧夏靈武長棗為鼠李科棗屬植物的果實，色紅個大，呈橢球體，品相辨識度高，因其獨特的外形與風(fēng)味而出名，同時也是寧夏回族自治區(qū)的重點支柱產(chǎn)業(yè)之一。然而，在棗的生長過程中，難免會受到各種病蟲害感染，導(dǎo)致蟲眼棗的出現(xiàn)，使其喪失了可食性，極大地影響了紅棗的品質(zhì)和銷售。由此可見，新鮮長棗的蟲眼檢測顯得尤為重要。傳統(tǒng)的檢測方法大多由人工操作，耗時耗力、效率低，無法滿足大規(guī)模的生產(chǎn)需求，因此，亟需發(fā)展一種快速、無損、高效的檢測方法來實現(xiàn)長棗蟲眼的檢測。

光譜技術(shù)作為一門新興技術(shù)，克服了傳統(tǒng)檢測方法的缺陷。在農(nóng)產(chǎn)品檢測方面，近紅外光譜技術(shù)應(yīng)用廣泛，但它只能對農(nóng)產(chǎn)品局部區(qū)域的光譜信息進行處理，而無法獲得被測樣的圖像信息，從而不能綜合反映農(nóng)產(chǎn)品的品質(zhì)信息。新一代的無損檢測技術(shù)——高光譜成像技術(shù)，彌補了近紅外光譜技術(shù)的弊端，將傳統(tǒng)的二維成像技術(shù)和光譜技術(shù)有機結(jié)合，可同時獲得被測物的圖像信息與光譜信息，從而真正地實現(xiàn)了圖譜合二為一，開啟了無損檢測技術(shù)新的篇章。該技術(shù)現(xiàn)廣泛應(yīng)用于天文學(xué)［1］、農(nóng)業(yè)科學(xué)［2］、藥學(xué)［3］、醫(yī)學(xué)［4］等領(lǐng)域。在農(nóng)產(chǎn)品缺陷檢測方面，薛龍等［5］利用高光譜成像技術(shù)結(jié)合主成分分析法對梨的表面碰壓傷進行了檢測，檢出率為97%;李江波等［6］基于高光譜成像技術(shù)，采用特征波長的主成分分析法結(jié)合波段比算法對臍橙潰瘍進行識別，正確率從80%提高到95.7%，證明波段比算法對于臍橙潰瘍的檢測是有效的;趙娟等［7］也采用主成分分析法結(jié)合波段比的算法對蘋果的外觀缺陷進行了研究，缺陷蘋果的識別率達93.75%;Lü Qiang等［8］利用可見-近紅外高光譜圖像技術(shù)對獼猴桃的隱性損傷進行了研究，采用主成分分析法結(jié)合平行六面體分類法進行檢測，誤檢率為14.5%;J.Wang等［9］利用高光譜成像技術(shù)(400 ～720 nm)對紅棗外部蟲眼進行了檢測識別，識別率為97.0%。然而，利用近紅外高光譜成像技術(shù)對長棗外部蟲眼檢測的研究尚鮮有報道。

本文利用近紅外高光譜成像系統(tǒng)(900～1 700 nm)采集蟲眼棗與正常棗圖像，選擇感興趣區(qū)域(Region of interests，ROIs)獲取平均光譜，采用主成分分析法(Principal component analysis，PCA)結(jié)合波段比(Band ratio，BR)算法對蟲眼進行識別。研究結(jié)果表明，基于NIR高光譜成像技術(shù)的檢測方法對蟲眼棗識別是可行的。

2 材料與方法

2.1 實驗材料

以寧夏靈武長棗為研究對象，在當(dāng)?shù)貤棃@的不同棗樹上，通過手摘方式采集了130個長棗作為實驗樣本，其中正常棗50個，蟲眼棗80個(普通蟲眼棗54個、針狀蟲眼棗16個、潰瘍蟲眼棗10個)，采集到的樣本置于冰箱中4℃下貯藏。在采集高光譜圖像時，將所有樣本從冰箱中取出，用清水清洗干凈，將其放置到通風(fēng)處2 h后進行圖像采集。

2.2 高光譜成像系統(tǒng)

圖1 高光譜圖像數(shù)據(jù)塊(可同時獲得任何像素點下的圖像信息與光譜信息)Fig.1 Hyperspectral imaging datacube(obtain every pixel's imaging and spectral information at the same time)

高光譜圖像是在特定波長范圍內(nèi)由一系列連續(xù)的較窄波段圖像組成的三維圖像數(shù)據(jù)塊(圖1)。圖中，x和y表示二維平面坐標(biāo)軸，λ表示波長信息坐標(biāo)軸。高光譜圖像可以同時獲取某個特定波長下的圖像信息和x-y平面內(nèi)某個特定像素點下的不同波長的光譜信息。在每個波長下，x-y平面內(nèi)每個像素點的灰度值與其在該波長下的光譜值之間一一對應(yīng);在某個特定波長下，感興趣區(qū)域(ROIs)與正常區(qū)域之間的光譜值會存在較大差異［10］。因此，在此波長下的圖像中，它們之間的灰度也必然存在著一定的差異，進而對被測物進行判別分析，從而實現(xiàn)被測物在線分級。

HyperSIS-NIR高光譜成像系統(tǒng)(900～1 700 nm，光譜分辨率3 nm，256個波段)由高光譜成像光譜儀(Imspector N17E)、CCD相機(Zelos-285GV)、4個35 W鹵鎢燈(HSIA-LS-TDIF)、電控位移平臺(PSA200-11-X)、計算機(Lenovo Inter(R)Core i7-2600CPU@3.40 GHz，RAM 4.00G)和數(shù)據(jù)采集軟件(Spectra SENS)5部分組成，見圖2。

圖2 高光譜圖像系統(tǒng)Fig.2 Hyperspectral imaging system

2.3 高光譜圖像的采集

2.3.1 圖像校正

由于在不同的波段下光源強度分布不均勻、水果的形狀各異以及箱體中暗電流的存在，導(dǎo)致在光源強度弱的波段下的圖像含有較大的噪音，對數(shù)據(jù)處理帶來了冗余的信息。因此，需要對所獲得的高光譜圖像進行黑白標(biāo)定［11］。首先進行白板校正得到全白的標(biāo)定圖像W，然后蓋上相機鏡頭蓋進行圖像采集得到全黑的標(biāo)定圖像D，然后按照公式(1)對原始圖像進行標(biāo)定:

式中:Ro是樣本原始的漫反射光譜圖像，W是白板的漫反射圖像，D是暗圖像，R是校正后的漫反射光譜圖像。

2.3.2 采集參數(shù)的確定

高光譜成像系統(tǒng)采集水果圖像時，因不同水果表皮的粗糙程度、顏色、光澤有所差異，導(dǎo)致圖像采集系統(tǒng)中的焦距、透光量、載物臺移動的速度、曝光時間等參數(shù)都會影響水果樣本圖像的采集。因此，根據(jù)不同水果的特性，確定合適的圖像采集參數(shù)顯得尤為重要。

經(jīng)過預(yù)實驗，我們確定的長棗的最佳采集參數(shù)為:光源的穩(wěn)流6.2 A;物距385 mm;輸送裝置的步距15 mm/s;成像光譜儀的曝光時間10 ms;掃描線實際長度180 mm。

2.3.3 采集高光譜長棗圖像

如圖2所示，每組取8個長棗樣本，按照一定的順序擺放在載物臺上，關(guān)閉暗箱門進行掃描，獲取所有樣本的高光譜圖像數(shù)據(jù);采用ENVI 4.7軟件裁剪高光譜圖像，得到130個高光譜長棗圖像，運用 Matlab R2011a(The Mathworks Inc.，Natick，MA，USA)軟件進行目標(biāo)圖像識別。

2.4 數(shù)據(jù)處理方法

2.4.1 主成分分析法

主成分分析法(PCA)是一種常用的降維去噪的方法，主要是將樣品中含有的大量信息通過線性組合的方式用較少的相互獨立變量來表示。其原理如公式(2)所示:

式中，PCk表示第 k主成分圖像;αi表示第i個權(quán)重系數(shù);pi表示第i個波段圖像;n表示原始圖像波段數(shù)(0≤n≤256)。

2.4.2 波段比算法

波段比(BR)算法不但可以有效地降低樣本表面不平整帶來光線反射不均勻的影響，還可以增強波段之間的波譜差異，提供一些任何單一波段無法得到的獨特信息［12］。其原理是用兩個波段相除從而獲得一幅相對波段強度圖像，其數(shù)學(xué)表達式如公式(3)所示:

式中:BW(i，j，r)為不同波段下圖像相應(yīng)位置像素(i，j)的比值;BW(i，j，m)和 BW(i，j，n)為第 m 和 n 波段相同位置像素(i，j)的灰度值。

3 結(jié)果與討論

3.1 特征光譜提取與分析

由于長棗的高光譜圖像上每一個像素點都含有900～1 700 nm下的光譜信息，所以為了使樣本的感興趣區(qū)域(ROIs)更具代表性，我們選取3×3像素點下的背景、果梗、蟲眼棗的蟲眼區(qū)域與正常棗作為感興趣區(qū)域，提取其平均光譜(圖3)。從圖3可以看出:(1)波段范圍在970 nm以下和1 670 nm以上，噪音干擾比較明顯，因此選擇970～1 670 nm波段做后續(xù)數(shù)據(jù)分析。(2)在970～1 420 nm范圍內(nèi)，正常棗與蟲眼區(qū)域光譜曲線趨勢相同，但峰值差別顯著，正常棗的反射率大于蟲眼部位的反射率;而在1 420 nm以上波段，正常棗與蟲眼部位差別不太明顯。(3)在1 160～1 630 nm范圍內(nèi)，蟲眼、果梗、正常棗與背景光譜差別顯著，而且?guī)缀醭蔬f減趨勢。(4)在1 160 nm與1 360 nm處，果梗與正常棗和蟲眼分別相交，為后續(xù)識別奠定基礎(chǔ)。

圖3 蟲眼棗的平均光譜曲線圖Fig.3 The average spectra of insect hole jujubes

3.2 主成分分析

圖4 前4主成分圖(普通蟲眼、針狀蟲眼、潰瘍蟲眼、正常棗)Fig.4 The first four principal component of images(common insect hole，pin insect hole，canker insect hole jujube and intact jujube)

本實驗中，采用PCA法對普通蟲眼、針狀蟲眼、潰瘍蟲眼與正常棗的970～1 670 nm波段范圍的數(shù)據(jù)進行分析。圖4為普通蟲眼、針狀蟲眼、潰瘍蟲眼與正常棗的前4主成分圖像。從圖4可以看出，不同類型長棗的前3個主成分圖像基本保留了絕大部分的信息，PC-4圖像噪音干擾嚴重。比較前3幅PC圖像可知:PC-1的蟲眼與附近區(qū)域?qū)Ρ榷炔蝗鏟C-2明顯，輪廓比較模糊;PC-3的蟲眼與表面凹坑、不平整比較相似，不利于蟲眼的區(qū)分。相比而言，PC-2圖像更適合蟲眼的分割。

由PCA的原理可知，每幅PC圖像實際上是不同波段下原始圖像進行的一種線性組合。如公式(4)、(5)、(6)所示:

根據(jù)權(quán)重系數(shù)α值的大小可以進行特征波長的選取。曲線中每一處的局部極大或極小值都代表了一個特征波長，也就是說這些特征波長下的圖像對PC圖像的貢獻率較大。由于PC4圖主要是噪音，因此本實驗只選擇PC1～PC3數(shù)據(jù)進行分析。圖5為PC1～PC3的權(quán)重系數(shù)圖。從圖中可知，PC1的特征波長為1 028 nm;PC2的特征波長為 990，1 028，1 160，1 231，1 285 ，1 455 nm;PC3 的特征波長為 987，1 028，1 109，1 380，1 464 nm。

圖5 前3主成分的權(quán)重系數(shù)圖Fig.5 Weighting coefficients for PC1 ～ PC3 images

3.3 特征波段主成分分析

雖然選擇全波段的PC2圖像能有效的識別蟲眼，但因其具有的高維數(shù)據(jù)使其應(yīng)用于在線檢測具有一定的局限性。因此，開發(fā)一種低維、高效、快速的識別蟲眼長棗是解決長棗采后在線檢測的關(guān)鍵。本文嘗試對特征波長進行主成分分析，進行長棗蟲眼檢測。對前3主成分的特征波長，經(jīng)過反復(fù)的圖像識別實驗，結(jié)果發(fā)現(xiàn):987 nm與990 nm的圖像識別結(jié)果相同;1 380，1 455，1 464 nm的圖像識別結(jié)果相同。綜合考慮之后，選擇 990，1 028，1 109，1 160，1 231，1 285，1 464 nm做主成分分析。圖6為不同蟲眼棗與正常棗特征波長的PC圖。從圖中可以看出，蟲眼的PC2圖像的蟲眼與正常部位差異顯著，故選擇PC2圖像作為研究對象。

圖6 特征波長的前4個主成分圖像(普通蟲眼、針狀蟲眼、潰瘍蟲眼、正常棗)Fig.6 The first four PC images of optimal wavelengths(common insect hole，pin insect hole，canker insect hole jujube and intact jujube)

3.4 蟲眼識別算法

對比分析蟲眼棗(普通蟲眼、針狀蟲眼、潰瘍蟲眼)的全波段與特征波長的主成分圖像識別，結(jié)果發(fā)現(xiàn)特征波長的主成分圖像PC2與全波段的PC2圖像識別效果相當(dāng)，因而選擇特征波長的主成分圖像進行圖像識別。對普通蟲眼棗、針狀蟲眼棗、潰瘍蟲眼棗以及正常棗歸一化處理后的PC2圖，分別采用二值化的閾值為 0.7、0.55、0.85、0.7 可以有效地進行識別，但無法用于實際生產(chǎn)中。為了開發(fā)一種通用的識別算法，我們采用單閾值0.7為基準(zhǔn)進行識別，視其它閾值為誤判或未識別。

根據(jù)上述特征波長的主成分圖像識別結(jié)果并結(jié)合實驗發(fā)現(xiàn)，對于針狀蟲眼與潰瘍蟲眼棗歸一化后的PC2圖像，由于其蟲眼處光學(xué)特性比較相似，無法通過二值化閾值0.7進行直接識別。因此，我們采用波段比算法進一步識別。對7個特征波長 990，1 028，1 109，1 160，1 231，1 285，1 464 nm的歸一化的圖像進行兩兩組合，結(jié)果發(fā)現(xiàn)，采用1 109 nm和1 231 nm參與波段比運算效果較好。如圖7所示，選擇特征波長下的圖像進行主成分分析，對1 464 nm歸一化后的圖像，采用閾值0.04進行圖像分割獲取掩模圖像，對PC2的圖像進行掩模，然后進行圖像算法識別，最終以蟲眼部位是否出現(xiàn)白點為依據(jù)，進行人工識別。接著對未識別的蟲眼棗，進行波段比(R1231/R1109)算法識別。從圖中可以看出:波段比后的圖中出現(xiàn)了2個白點，其中一個為蟲眼，另一個為雜點，實驗中以蟲眼部位識別為標(biāo)準(zhǔn)(雜點忽略不計);而對于正常棗的識別，則是以未出現(xiàn)白點為原則。另外，果梗、背景對識別結(jié)果的影響甚微，這為水果在線檢測提供了理論依據(jù)。

圖7 蟲棗的識別流程圖Fig.7 The identification progress image of insect hole jujube

3.5 蟲眼棗與正常棗的識別結(jié)果

基于圖7的識別流程對130個長棗逐一進行識別，結(jié)果如表1所示。采用特征波長的PC圖，二值化的閾值設(shè)為0.7可以很好地識別普通蟲眼棗與正常棗，識別率為80%;利用波段比算法可以有效的對蟲眼棗與正常棗進行識別，識別率達93.8%。通過結(jié)果分析可知:對于未識別的針狀蟲眼棗，由于其蟲眼過小導(dǎo)致無法進行正常識別;而對于未識別的潰瘍蟲眼棗而言，則是因為蟲眼部位過大并靠近邊緣區(qū)域而無法被正常識別。

表1 蟲眼棗與正常棗的識別結(jié)果Table 1 Classification results for normal surface and insect hole jujubes

4 結(jié) 論

本實驗對比了全波段與特征波長主成分圖像的識別效果，結(jié)果表明，利用特征波長990，1 028，1 109，1 160，1 231，1 285，1 464 nm 完全可以替代全波段進行識別，蟲眼棗與正常棗的識別率分別為67.5%、100%。進一步采用波段比(R1231/R1109)，蟲眼棗識別率提高到90%，證明波段比的確可以提高對蟲眼的識別率?；诓ǘ伪鹊乃惴ǖ难芯?，可以選取相應(yīng)的濾波片，有助于長棗蟲眼在線檢測的應(yīng)用。另外，本實驗的識別算法比較簡單易操作，果梗、背景的影響較小，這也為在線檢測奠定了堅實的基礎(chǔ)。雖然本試驗只是對靈武長棗的普通蟲眼、針狀蟲眼、潰瘍蟲眼棗以及正常棗的識別，但對于其他水果缺陷的檢測也有可能適用。今后可增加不同類型缺陷的長棗的樣本數(shù)進行識別，進一步去驗證該識別算法的可靠性。

［1］Hege E，O'Connell D，Johnson W，et al.Hyperspectral imaging for astronomy and space surveillance［J］.Proc.SPIE，2003，51:380-391.

［2］Monteiro S，Minekawa Y，Kosugi Y，et al.Prediction of sweetness and amino acid content in soybean crops from hyperspectral imagery［J］.ISPRS J.Photogrammetry and Remote Sensing，2007，62(1):2-12.

［3］Lyon R C，Lester D S，Lewis E N，et al.Near-infrared spectral imaging for quality assurance of pharmaceutical products:Analysis of tablets to assess powder blend homogeneity［J］.AAPS Pharm.Sci.Tech.，2002，3(3):1-15.

［4］Ferris D，Lawhead R，Dickman E，et al.Multimodal hyperspectral imaging for the noninvasive diagnosis of cervical neoplasia［J］.J.Lower Gen.Tract D，2001，5:65-72.

［5］Xue L，Li J，Liu M H.Researches of hyperspectral imaging in the detection of surface bruising of pear［J］.Cere.Oils Proc.(糧油加工)，2009，4:136-138(in Chinese).

［6］Li J B，Rao X Q，Ying Y B，et al.Detection of navel oranges canker based on hyperspectral imaging technology［J］.Transac.CSAE(農(nóng)業(yè)工程學(xué)報)，2010，26(8):222-228(in Chinese).

［7］Zhao J，Peng Y K，Zhao S W，et al.Detection of defects in apples based on hyperspectral imaging technology［J］.J.Food S.Q.(食品安全質(zhì)量檢測學(xué)報)，2012，6(3):681-684(in Chinese).

［8］Lü Q，Tang M J.Detection of hidden bruise on Kiwi fruit using hyperspectral imaging and parallelepiped classification［J］.Procedia Environ.Sci.，2012，12:1172-1179.

［9］Wang J，Nakano K，Ohashi S，et al.Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging［J］.Biosys.Eng.，2011，108:345-351.

［10］Li J B，Rao X Q，Ying Y B.Advance on application of hyperspectral imaging to non-destructive detection of agricultural products external quality［J］.Spectrosc.Spect.Anal.(光譜學(xué)與光譜分析)，2011，31(8):2021-2026(in Chinese).

［11］Polder G，Gerie W A M，Van de Heijden.Calibration and characterization of imaging spectrographs［J］.Near-Infrared Spectroscopy，2003，11:193-210.

［12］Cai J R，Wang J H，Chen Q S，et al.Detection of rust in citrus by hyperspectral imaging technology and band ratio algorithm［J］.Transac.CSAE(農(nóng)業(yè)工程學(xué)報)，2009，25(1):127-131(in Chinese).