基于高光譜圖像多光譜參數(shù)的草莓成熟度識(shí)別

蔣 浩，張 初，劉 飛，朱紅艷，何 勇

浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，浙江 杭州 310058

基于高光譜圖像多光譜參數(shù)的草莓成熟度識(shí)別

蔣 浩，張 初，劉 飛，朱紅艷，何 勇*

浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院，浙江 杭州 310058

為了建立多光譜參數(shù)用于草莓成熟度的自動(dòng)識(shí)別，采用高光譜圖像技術(shù)，通過提取草莓樣本ROI的平均光譜，計(jì)算已有的八個(gè)成熟度參數(shù)Ind1，Ind2，Ind3，IAD，I1，I2，I3，I4的參數(shù)值，并結(jié)合Fisher線性判別法判斷八個(gè)參數(shù)對(duì)于三種成熟度(成熟、接近成熟、未成熟)草莓樣本的分類識(shí)別效果，發(fā)現(xiàn)基于I4參數(shù)的線性判別分析模型的識(shí)別效果最佳，建模集和預(yù)測(cè)集識(shí)別準(zhǔn)確率分別為90%和91.67%； 基于草莓樣本的光譜特征，提取與草莓成熟度相關(guān)的三個(gè)波長(zhǎng)535，675和980 nm，并基于這三個(gè)波長(zhǎng)和已有的參數(shù)形式，構(gòu)建了四個(gè)用于草莓成熟度檢測(cè)的新參數(shù)：i1，i2，i3，i4，通過Fisher線性判別法判斷四個(gè)參數(shù)的分類識(shí)別效果，發(fā)現(xiàn)基于參數(shù)i1，i2和i4的線性判別分析模型的識(shí)別效果均比參數(shù)I4好，建模集和預(yù)測(cè)集識(shí)別準(zhǔn)確率為95.83%，95.83%，95.83%和95%，95%，96.67%。結(jié)果表明新建立的多光譜參數(shù)i1，i2和i4可以用于草莓成熟度的自動(dòng)分類識(shí)別，為草莓成熟度的在線檢測(cè)提供了理論依據(jù)。

草莓； 成熟度識(shí)別； 多光譜參數(shù)； 高光譜成像； Fisher線性判別

引 言

草莓(Strawberry)是薔薇科草莓屬植物的泛稱，外觀呈心形，原產(chǎn)于南美，20世紀(jì)從歐洲傳入我國。草莓含豐富的維生素C，具有較高的營(yíng)養(yǎng)價(jià)值，同時(shí)因?yàn)楹写罅康墓z和纖維素，其還有幫助消化的功效。但草莓成熟較短、上市時(shí)間集中，這限制了草莓的遠(yuǎn)銷和生產(chǎn)的大規(guī)模發(fā)展。目前對(duì)草莓成熟度的判斷主要依靠果農(nóng)的感官，這種方法不僅需要耗費(fèi)大量人力，而且效率低下，錯(cuò)誤率較高。因此，研究一種快速、無損、準(zhǔn)確的方法識(shí)別草莓的成熟度極其重要。

國內(nèi)外已有部分學(xué)者對(duì)草莓成熟度的快速無損檢測(cè)進(jìn)行了研究。Jasper G Tallada等[1]提取了三個(gè)特征波長(zhǎng)：685，865和985 nm建立草莓堅(jiān)硬度的檢測(cè)模型，準(zhǔn)確度達(dá)到了78.6%； 許麗建[2]利用多尺度圖像增強(qiáng)處理方法對(duì)草莓圖像進(jìn)行增強(qiáng)處理，通過顏色差值分類方法對(duì)草莓成熟程度進(jìn)行分類，從而確定草莓成熟程度，檢測(cè)誤差為8.2%。這些單一使用光譜信息或者圖像信息的檢測(cè)方法存在模型預(yù)測(cè)準(zhǔn)確度低或者選用特征波長(zhǎng)數(shù)過多的缺點(diǎn)。

高光譜成像技術(shù)將傳統(tǒng)二維圖像技術(shù)與光譜技術(shù)相結(jié)合，可以對(duì)檢測(cè)對(duì)象的內(nèi)外部屬性進(jìn)行可視化檢測(cè)和表達(dá)，具有譜圖合一、多波段、高分辨率等優(yōu)點(diǎn)[3]。高光譜成像技術(shù)已經(jīng)廣泛應(yīng)用在農(nóng)業(yè)與食品的檢測(cè)上，如綠茶品牌研究、牛肉質(zhì)量檢測(cè)、西瓜種子品種鑒別、水果成熟度識(shí)別[4-8]等。本研究通過提取高光譜圖像中的光譜信息，建立草莓成熟度識(shí)別多光譜參數(shù)，并結(jié)合Fisher線性判別法，實(shí)現(xiàn)對(duì)草莓成熟度(成熟、接近成熟與未成熟)的快速無損準(zhǔn)確分類識(shí)別。

1 實(shí)驗(yàn)部分

1.1 草莓樣本

實(shí)驗(yàn)所用的草莓樣本于2014年4月采摘于杭州草莓種植農(nóng)場(chǎng)，采摘下的草莓由經(jīng)驗(yàn)豐富的果農(nóng)人工分類，挑選出成熟、接近成熟、未成熟三種成熟度草莓樣本各60顆。進(jìn)行表面擦拭去污后，采集180個(gè)樣本的高光譜圖像。

1.2 儀器

高光譜成像系統(tǒng)(如圖1)主要包括高光譜攝像機(jī)(芬蘭Specimen公司，ImSpector V10E)、OLE-23鏡頭、光譜儀、150 W鹵素?zé)艟€光源、步進(jìn)電機(jī)控制的傳送帶、計(jì)算機(jī)、暗箱等。光譜儀的分辨率為2.8 nm，采樣間隔為0.59 nm，光譜范圍為380～1 030 nm。

圖1 高光譜成像系統(tǒng)

1.3 方法

1.3.1 高光譜圖像的采集

為獲得清晰不失真的高光譜圖像，需要對(duì)傳送帶的速度、鏡頭高度等參數(shù)進(jìn)行調(diào)節(jié)，本研究中設(shè)定曝光時(shí)間為0.05 s，輸送平臺(tái)運(yùn)行速度為2.05 mm·s-1，鏡頭高度為36 cm。為消除鏡頭中存在的暗電流以及光源強(qiáng)度分布不均所產(chǎn)生的噪音，根據(jù)公式(1)對(duì)高光譜圖像進(jìn)行黑白校正[9]

(1)

式中，Ic為校正后圖像 ；Rw為掃描標(biāo)準(zhǔn)白色矯正板得到的標(biāo)定圖像；Rd為關(guān)閉光源和鏡頭蓋得到標(biāo)定圖像；Rr為原始的高光譜圖像。

1.3.2 光譜數(shù)據(jù)

為了提取高光譜圖像的光譜數(shù)據(jù)，需要將樣本與背景分割開并且定義感興趣區(qū)域(ROI)。在本研究中，通過建立掩膜實(shí)現(xiàn)樣本與背景的分離，并將分離后得到的草莓果實(shí)部分定義為ROI。提取每個(gè)樣本ROI內(nèi)所有像素點(diǎn)的平均光譜作為該樣本的光譜。總共獲得了180個(gè)樣本(60個(gè)成熟，60個(gè)接近成熟和60個(gè)未成熟)的180條光譜曲線。將180個(gè)草莓樣本按照2: 1的比例，隨機(jī)抽取120個(gè)(40個(gè)成熟、40個(gè)接近成熟、40個(gè)未成熟)作為建模集，剩余的60個(gè)(20個(gè)成熟、20個(gè)接近成熟、20個(gè)未成熟)作為預(yù)測(cè)集。

1.3.3 化學(xué)計(jì)量方法

本研究分類識(shí)別模型的建立采用Fisher線性判別法。Fisher線性判別法(FLD)也稱線性判別式分析(LDA)，是模式識(shí)別的經(jīng)典算法，該方法的中心思想是設(shè)法尋找最佳投影方向，將m維空間中的點(diǎn)投影到低維空間，使不同類的點(diǎn)盡可能分離，而同類的點(diǎn)盡可能聚集。相比于其他的判別分析方法，F(xiàn)isher線性判別法的優(yōu)勢(shì)在于：該方法對(duì)樣本數(shù)據(jù)沒有較高的要求，而且用數(shù)學(xué)軟件處理可以避免數(shù)據(jù)量大的缺點(diǎn)，且有很高的準(zhǔn)確率。

數(shù)據(jù)處理軟件包括ENVI 4.6(ITT, Visual Information Solutions, Boulder, CO, USA)，Unscrambler 10.1(CAMO AS, Oslo, Norway)，Matlab R2012a(The Math Works, Natick, MA, USA)。

2 結(jié)果與討論

2.1 新參數(shù)的提出

國內(nèi)外已有不少學(xué)者使用多光譜參數(shù)進(jìn)行果實(shí)成熟度或化學(xué)成分的檢測(cè)，但目前尚未有研究提出能夠識(shí)別三種成熟類型草莓的多光譜參數(shù)。本研究首先將探討已有的用于其他種類果實(shí)檢測(cè)的多光譜參數(shù)對(duì)于三種成熟度草莓樣本分類識(shí)別效果的好壞。

Lleó等[10]通過比較成熟桃子和未成熟桃子的光譜圖像，找到三個(gè)特征波長(zhǎng)(640，680，730 nm)，建立了兩個(gè)參數(shù)，并與其他學(xué)者提出的兩個(gè)參數(shù)進(jìn)行比較，最終發(fā)現(xiàn)四個(gè)參數(shù)對(duì)于桃子成熟度(成熟與未成熟)的分類識(shí)別均有很好的效果：

(1)Ind1=R730+R640-2×R680

(2)Ind2=R680/(R640+R730)

(3)Ind3=R675/R800

(4)IAD=log10(R720/R670)

本研究中通過草莓ROI的平均光譜中相應(yīng)波段的光譜值計(jì)算(1)，(2)，(3)，(4)四個(gè)參數(shù)的參數(shù)值，分別對(duì)樣本的成熟度(成熟、未成熟、接近成熟)進(jìn)行分類識(shí)別。同時(shí)，選取紅光中650 nm波段、綠光中550 nm波段、藍(lán)光中450 nm波段的光譜信息，將四個(gè)參數(shù)用于草莓成熟度的識(shí)別：

(1)I1=R650/R550

(2)I2=R650/R450

(3)I3=R650/(R450+R550)

(4)I4=2×R650-(R550+R450)

此外，本研究的主要目的在于基于已有的參數(shù)，結(jié)合草莓本身的光譜圖像和成熟過程中的生理生化特性，提出用于草莓成熟度檢測(cè)的新的多光譜參數(shù)，并與已有參數(shù)的分類效果進(jìn)行比較，找到效果更好的多光譜參數(shù)。

圖2所示是三種成熟類別的草莓樣本380～1 030 nm范圍內(nèi)的平均光譜圖像。從圖中可以分析，三種成熟類型的草莓樣本平均光譜圖像在三個(gè)范圍內(nèi)有較大的區(qū)分，分別是500～600，650～700和950～1 000 nm。

圖2 三種成熟度草莓建模集樣本的平均光譜曲線

Jasper G Tallada[1]等在文章中提到，光譜數(shù)據(jù)在675 nm附近有很大的差別是葉綠素含量所引起的，而在980 nm附近則主要是水分含量。分析草莓成熟過程中的生理特征可以發(fā)現(xiàn)，草莓果實(shí)在不同成熟度下的花青素含量不同，而花青素的波段在535 nm附近[10]。根據(jù)上述信息，提取535，675，980 nm三個(gè)波長(zhǎng)為特征波長(zhǎng)。參考Lleó等提出用于桃子成熟度檢測(cè)的參數(shù)時(shí)的公式，本研究首先建立參數(shù)(Ⅰ)和(Ⅱ)：

(Ⅰ)i1=2×R675-(R980+R535)

(Ⅱ)i2=R675/(R980+R535)

葉旭君等[11]研究了一種替代傳統(tǒng)的歸一化植被指數(shù)(NDVI)用于農(nóng)作物特征檢測(cè)的兩波段植被指數(shù)(TBVI)用于柑橘產(chǎn)量預(yù)測(cè)的可能性，通過實(shí)驗(yàn)發(fā)現(xiàn)對(duì)于相同的兩個(gè)波段，使用TVBI的預(yù)測(cè)準(zhǔn)確性比使用NDVI的高。其中，參數(shù)TVBI的計(jì)算如式(2)

(2)

本研究結(jié)合前文提取的三個(gè)特征波長(zhǎng)和TBVI，建立參數(shù)(Ⅲ)和(Ⅳ)：

(Ⅲ)i3=(R675-R535)/(R675+R535)

(Ⅳ)i4=[R675-(R535+R980)]/[R675+(R535+R980)]

2.2 不同參數(shù)的識(shí)別效果

分別計(jì)算三類草莓建模集120個(gè)樣本(成熟、接近成熟、未成熟，每類40個(gè))的12個(gè)多光譜參數(shù)值(8個(gè)已有的參數(shù)和4個(gè)新建立的參數(shù))，對(duì)新建立的4個(gè)參數(shù)的計(jì)算結(jié)果分別繪圖，橫坐標(biāo)代表樣本編號(hào)，縱坐標(biāo)代表參數(shù)的值。結(jié)果如圖3所示。

圖3中，新建立的四個(gè)參數(shù)對(duì)于三種成熟度(成熟，接近成熟和未成熟)樣本的分類識(shí)別效果都比較好，其中參數(shù)i3對(duì)于成熟樣本與接近成熟樣本的分類效果相比于其余三個(gè)參數(shù)較差，參數(shù)i1，i2，i4的分類效果從圖中觀察無明顯區(qū)別。由于從圖像中只能得到初步的判斷，無法評(píng)價(jià)這四個(gè)參數(shù)相互之間以及與參數(shù)Ind1，Ind2，Ind3，IAD，I1，I2，I3，I4間的分類效果的優(yōu)劣，所以需要用Fisher線性判別法建立模型并通過模型識(shí)別準(zhǔn)確率得到更具體直觀的結(jié)果。

圖3 120個(gè)草莓建模集樣本的參數(shù)i1—i4圖像

2.3 Fisher線性判別分析建模與模型預(yù)測(cè)結(jié)果

本研究中一共使用了12個(gè)多光譜參數(shù)(8個(gè)已有的參數(shù)和4個(gè)新建立的參數(shù))，為了比較這12個(gè)參數(shù)對(duì)三種成熟度(成熟、接近成熟和未成熟)草莓的識(shí)別效果，用建模集120個(gè)樣本(40個(gè)成熟，40個(gè)接近成熟，40個(gè)未成熟)每個(gè)參數(shù)的計(jì)算值分別建立Fisher分類識(shí)別模型，并用預(yù)測(cè)集60個(gè)樣本(20個(gè)成熟，20個(gè)接近成熟，20個(gè)未成熟)判斷模型識(shí)別的準(zhǔn)確率，比較每個(gè)參數(shù)的分類識(shí)別效果。模型的建立與檢測(cè)通過Unscrambler 10.1軟件實(shí)現(xiàn)。表1為8個(gè)已有參數(shù)的結(jié)果，表中類別A表示成熟類別，類別B表示接近成熟類別，類別C表示未成熟類別； 類別下的數(shù)字如37/40，37代表分類識(shí)別正確的樣本數(shù)，40表示該類樣本的總數(shù)。結(jié)果如表1所示。

從表1可以看出，八個(gè)參數(shù)對(duì)于A類(即成熟)的草莓樣本識(shí)別效果均很好，建模集以及預(yù)測(cè)集的識(shí)別準(zhǔn)確率都達(dá)到了90.00%以上； 但是對(duì)于桃子成熟度識(shí)別有較好效果的四個(gè)參數(shù)Ind1，Ind2，Ind3，IAD用于草莓成熟度的檢測(cè)效果并不理想，對(duì)B類(即接近成熟)、C類(即未成熟)的識(shí)別準(zhǔn)確率都較低導(dǎo)致了模型的總體識(shí)別正確率偏低，建模集效果最好的參數(shù)Ind3總正確率僅有80.00%，而預(yù)測(cè)集效果最好的參數(shù)Ind2總正確率也只有81.67%。這是因?yàn)椴葺c桃子在成熟過程中的生理生化特性變化不同，它們?cè)?80～1 030 nm范圍內(nèi)的光譜圖像雖然有一定的相似性，但并不完全相同，將用于桃子成熟度識(shí)別的參數(shù)直接套用至草莓成熟度，效果不是最佳的； 可以考慮結(jié)合草莓的光譜圖像，提取適用于草莓成熟度識(shí)別的波長(zhǎng)，建立公式得到新的參數(shù)。而基于RGB三個(gè)波段光譜數(shù)據(jù)建立的參數(shù)I1，I2，I3和I4對(duì)于C類(即未成熟)的識(shí)別準(zhǔn)確率也很高，所以總體的識(shí)別準(zhǔn)確率明顯優(yōu)于參數(shù)Ind1，Ind2，Ind3和IAD，但I(xiàn)1，I2和I3對(duì)于B類(即接近成熟)的識(shí)別效果仍不理想，識(shí)別準(zhǔn)確率比Ind1，Ind2，Ind3和IAD更低。I4對(duì)于A，B和C三類的識(shí)別效果都較好，所以總體的識(shí)別準(zhǔn)確率是八個(gè)參數(shù)中最好的，建模集和預(yù)測(cè)集分別達(dá)到了90.00%與91.67%。新建立的四個(gè)參數(shù)可以以參數(shù)I4的模型識(shí)別準(zhǔn)確率為標(biāo)準(zhǔn)，在對(duì)B類以及總體的識(shí)別準(zhǔn)確率上期望能達(dá)到或更優(yōu)于參數(shù)I4的結(jié)果。

表1 八個(gè)參數(shù)的Fisher線性分類結(jié)果

表2 四個(gè)新建立參數(shù)以及參數(shù)I4的Fisher線性分類結(jié)果

圖4 Fisher線性分類結(jié)果的柱狀圖

新建立的四個(gè)多光譜參數(shù)的Fisher線性分類結(jié)果以及I4的結(jié)果如表2所示，表中類別A表示成熟類別，類別B表示接近成熟拎別，類別C表示未成熟類別； 圖4所示為參數(shù)i1，i2，i3，i4以及I4的分類識(shí)別結(jié)果。

由表2及圖4可知，新建立的四個(gè)多光譜參數(shù)中除了參數(shù)i3外，i1，i2和i4對(duì)A(成熟)、B(接近成熟)、C(未成熟)以及總體的分類識(shí)別準(zhǔn)確率均接近或高于I4，其中效果最好的為參數(shù)i4，其建模集和預(yù)測(cè)集的識(shí)別準(zhǔn)確率分別為95.83%與96.67%，且對(duì)于每一類的識(shí)別效果均好于參數(shù)I4； 參數(shù)i1和i2相比于i4總正確率稍低，但也是較為理想的結(jié)果； 而參數(shù)i3雖然對(duì)A類(成熟)和C類(接近成熟)的識(shí)別效果很好，但是對(duì)于B類(接近成熟)的識(shí)別效果較差，建模集和預(yù)測(cè)集的準(zhǔn)確率分別只有72.50%和60.00%。

綜上所述，建立的3個(gè)多光譜參數(shù)i1=2×R675-(R980+R535)，i2=R675/(R980+R535)，i4=[R675-(R535+R980)]/[R675+(R535+R980)]可以用于草莓成熟度的分類識(shí)別。

3 結(jié) 論

利用新建立的多光譜參數(shù)可以實(shí)現(xiàn)對(duì)三種不同成熟度(成熟、接近成熟、未成熟)草莓的分類識(shí)別，主要結(jié)論如下：

(1)通過Fisher線性判別法判斷已有的八個(gè)參數(shù)對(duì)于草莓成熟度識(shí)別的效果：用于桃子成熟度識(shí)別的參數(shù)Ind1，Ind2，Ind3，IAD與根據(jù)RGB波段光譜數(shù)據(jù)組合成的參數(shù)I1，I2，I3和I4，結(jié)果顯示八個(gè)參數(shù)對(duì)于成熟類的草莓樣本均有很好的識(shí)別效果，Ind1，Ind2，Ind3和IAD對(duì)于接近成熟以及未成熟的樣本識(shí)別效果都不好，I1，I2和I3對(duì)于未成熟的樣本識(shí)別效果較好但對(duì)于接近成熟的樣本識(shí)別效果不理想。參數(shù)I4是8個(gè)參數(shù)中對(duì)于三類樣本分類識(shí)別效果最好的一個(gè)，建模集和預(yù)測(cè)集的總體識(shí)別準(zhǔn)確率分別達(dá)到了90.00%與91.67%，將其作為新建立參數(shù)識(shí)別效果優(yōu)劣的評(píng)價(jià)標(biāo)準(zhǔn)。

(2)根據(jù)草莓成熟過程中的生理生化變化，結(jié)合三種成熟度草莓樣本的平均光譜圖像，提取與成熟度相關(guān)的三個(gè)波長(zhǎng)：535，675和980 nm，并基于這三個(gè)波長(zhǎng)和已有的參數(shù)形式，構(gòu)建了四個(gè)用于草莓成熟度檢測(cè)的參數(shù)i1，i2，i3和i4，通過Fisher線性判別法判斷識(shí)別效果，發(fā)現(xiàn)基于參數(shù)i1，i2和i4的線性判別分析模型的識(shí)別效果均比參數(shù)I4好，建模集和預(yù)測(cè)集識(shí)別準(zhǔn)確率為95.83%，95.83%，95.83%和95.00%，95.00%，96.67%?？梢詫⑷齻€(gè)多光譜參數(shù)i1，i2，i4用于草莓成熟度的自動(dòng)分類識(shí)別中。

本文所研究的只是單一品種的草莓成熟度情況，而且最終選取的特征波段并不一定是對(duì)于草莓成熟度識(shí)別最優(yōu)的波段，所以需要進(jìn)一步完善實(shí)驗(yàn)以發(fā)現(xiàn)適用品種更多、識(shí)別準(zhǔn)確率更高的參數(shù)來實(shí)現(xiàn)草莓成熟度的自動(dòng)識(shí)別，為草莓成熟度的在線檢測(cè)提供依據(jù)，以確定草莓的采摘與儲(chǔ)藏的時(shí)間與條件。

[1] Tallada J G, Nagata M, Kobayashi T.Environment Control in Biology，2006, 44(4): 245.

[2] XU Li-jian(許麗建).Bulletin of Science and Technology(科技通報(bào))，2012(10): 160.

[3] Kamruzzaman M, ElMasry G, Sun D W, et al.Analytica Chimica Acta，2012, 714: 57.

[4] Herrero Langreo A, Lunadei L, Lleó L, et al.Journal of Food Science，2011, 76(2): E178.

[5] ZHANG Hai-liang, LI Xiao-li, ZHU Feng-le, et al(章海亮，李曉麗，朱逢樂，等).Spectroscopy and Spectral Analysis(光譜學(xué)與光譜分析)，2014，34(5): 1372.

[6] Wu J, Peng Y, Li Y, et al.Journal of Food Engineering，2012, 109(2): 267.

[7] ZHANG Chu, LIU Fei, KONG Wen-wen, et al(張 初，劉 飛，孔汶汶，等).Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報(bào))，2013，(20): 270.

[8] Wei X, Liu F, Qiu Z, et al.Food and Bioprocess Technology, 2014, 7(5): 1371.

[9] Wu D, Wang S, Wang N.Food and Bioprocess Technology, 2013, 6(11): 2943.

[10] Lleó L, Roger J M, Herrero-Langreo A, et al.Journal of Food Engineering，2011, 104(4): 612.

[11] Ye X, Sakai K, Asada S-i, et al.Biosystems Engineering, 2008, 99(2): 179.

*Corresponding author

(Received Dec.30, 2014; accepted Apr.6, 2015)

Identification of Strawberry Ripeness Based on Multispectral Indexes Extracted from Hyperspectral Images

JIANG Hao, ZHANG Chu, LIU Fei, ZHU Hong-yan，HE Yong*

College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China

In order to establish new multispectral indexes for automatic identification of strawberry ripeness, hyperspectral imaging technology was applied in this paper.Eight indexes: Ind1=R730+R640-2×R680, Ind2=R680/(R640+R730), Ind3=R675/R800, IAD=log10(R720/R670), I1=R650/R550,I2=R650/R450,I3=R650/(R450+R550),I4=2×R650-(R550+R450) were calculated by extracting average spectral of strawberry samples and their identification effects of strawberry samples in three ripening stages(mature, nearly mature and immature) were judged with Fisher linear discriminant(FLD).The result showed that the identification effects of linear discriminant analysis model based on index I4 was the best among 8 indexes and the identification accuracy of modeling and prediction set was 90% and 91.67% respectively.Three wavelengths (535, 675, 980 nm) related to strawberry ripeness were extracted based on average spectral of strawberry samples and 4 new indexes were established based on these three wavelengths:i1=2×R675-(R980+R535),i2=R675/(R980+R535),i3=(R675-R535)/(R675+R535),i4=[R675-(R535+R980)]/[R675+(R535+R980)].The identification effects was judged with FLD and the results showed that the effects of linear discriminant analysis models based on i1, i2, i4 were better than index I4 and the identification accuracy of modeling and prediction set was 95.83%，95.83%，95.83% and 95%，95%，96.67% respectively.In conclusion, new established indexes i1, i2, i4 could be used in automatic identification of strawberry ripeness.

Strawberry； Identification of strawberry ripeness； Multispectral index； Hyperspectral image； Fisher linear discriminant

2014-12-30，

2015-04-06

國家科技支撐計(jì)劃項(xiàng)目(2015BAD19B03)，國家(863)計(jì)劃項(xiàng)目(2012AA101903)，浙江省公益性技術(shù)應(yīng)用項(xiàng)目(2014C32103)和國家自然科學(xué)基金項(xiàng)目(61273062)資助

蔣 浩，1992年生，浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院博士研究生 e-mail: haoj@zju.edu.cn *通訊聯(lián)系人 e-mail: yhe@zju.edu.cn

S371

A

10.3964/j.issn.1000-0593(2016)05-1423-05