基于高光譜成像提取蘋果糖度與硬度最佳波長(zhǎng)

馮 迪, 紀(jì)建偉, 張 莉, 劉思伽, 田有文*

(1. 沈陽(yáng)農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院， 遼寧 沈陽(yáng) 110866；2. 遼寧廣播電視臺(tái)， 遼寧 沈陽(yáng) 110004； 3. 遼寧廣播電視傳輸發(fā)射中心， 遼寧 沈陽(yáng) 110004)

基于高光譜成像提取蘋果糖度與硬度最佳波長(zhǎng)

馮 迪1,2, 紀(jì)建偉1, 張 莉3, 劉思伽1, 田有文1*

(1. 沈陽(yáng)農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院， 遼寧 沈陽(yáng) 110866；2. 遼寧廣播電視臺(tái)， 遼寧 沈陽(yáng) 110004； 3. 遼寧廣播電視傳輸發(fā)射中心， 遼寧 沈陽(yáng) 110004)

利用高光譜成像技術(shù)提取可同時(shí)檢測(cè)蘋果糖度與硬度的最佳波長(zhǎng)。首先雙面采集蘋果的高光譜圖像，獲取亮度相近感興趣區(qū)域(ROIs)的反射波形，采用二階導(dǎo)數(shù)結(jié)合標(biāo)準(zhǔn)正態(tài)變量(SD+SNV)的方法平滑波形，測(cè)試ROIs的糖度與硬度；之后采用連續(xù)投影算法(SPA)提取兩項(xiàng)指標(biāo)的特征波長(zhǎng)，根據(jù)特征波長(zhǎng)的分布提出二次連續(xù)投影算法，結(jié)合波形集特征與兩次投影結(jié)果確定不同取樣面的最佳波長(zhǎng)；最后采用遺傳算法開(kāi)發(fā)神經(jīng)網(wǎng)絡(luò)(GA-BP)建立預(yù)測(cè)模型，雙面取樣波長(zhǎng)(543 nm和674 nm)效果最優(yōu)，糖度相關(guān)系數(shù)(R)為0.847 6，均方誤差(MSE)為3.32；硬度R為0.793 8，MSE為9.6。結(jié)果表明，相同波長(zhǎng)信息可以檢測(cè)蘋果糖度與硬度。

高光譜成像； 蘋果； 最佳波長(zhǎng)； 二次連續(xù)投影算法； 遺傳算法開(kāi)發(fā)神經(jīng)網(wǎng)絡(luò)

1 引 言

作為衡量?jī)?nèi)部品質(zhì)的兩項(xiàng)重要指標(biāo)，蘋果的糖度與硬度的檢測(cè)近些年被廣泛研究。高光譜成像是近些年應(yīng)用于蘋果無(wú)損檢測(cè)與分級(jí)的主要技術(shù)。其中圖像技術(shù)能反映外在特征，光譜技術(shù)能檢測(cè)物理結(jié)構(gòu)和化學(xué)成分。關(guān)于蘋果內(nèi)部成分檢測(cè)，以往主要集中在波形預(yù)處理、數(shù)據(jù)降維、RIOs、預(yù)測(cè)模型開(kāi)發(fā)環(huán)節(jié)[1-5]，在單項(xiàng)指標(biāo)檢測(cè)上已經(jīng)可以獲得較高的準(zhǔn)確率。在糖度方面，郭志明通過(guò)選擇RIOs范圍、S-G一階微分法做光譜預(yù)處理，使預(yù)測(cè)相關(guān)系數(shù)(R)達(dá)到0.923 2[6]；郭俊先等通過(guò)一階微分光譜預(yù)處理，10個(gè)波長(zhǎng)的光譜合并，多元線性回歸(MLR)法建立蘋果糖度的預(yù)測(cè)模型，預(yù)測(cè)相關(guān)系數(shù)為0.911，均方根誤差(RMSE)為0.76%[7]。在硬度方面，趙杰文等采用支持向量回歸法(SVR)和偏最小二乘法(PLS)校正硬度模型，預(yù)測(cè)相關(guān)系數(shù)達(dá)到0.680 8[8]；王爽等通過(guò)非變量消除法(UVE)和近鄰算法(SAP)選擇高光譜散射圖像的特征波長(zhǎng)，采用PLS法和BP神經(jīng)網(wǎng)絡(luò)建立硬度預(yù)測(cè)模型，預(yù)測(cè)相關(guān)系數(shù)分別為0.814和0.828[9]。在兩項(xiàng)指標(biāo)檢測(cè)的英文文獻(xiàn)中，Mendoza 等通過(guò)平均反射率、離散連續(xù)小波變換法分析散射光譜，使用一階統(tǒng)計(jì)、傅里葉變換、共生矩陣和方差分析法做圖像分析，基于PLS對(duì)3種蘋果的兩項(xiàng)指標(biāo)建立預(yù)測(cè)模型，使不同種類蘋果的兩項(xiàng)指標(biāo)的預(yù)測(cè)標(biāo)準(zhǔn)誤差(SEP)有了不同程度的降低，糖度與硬度最大降幅為13.7%和11.2%[10]；Peng等采用10次修改后的洛倫茲分布函數(shù)預(yù)測(cè)硬度，MLR和交叉驗(yàn)證法預(yù)測(cè)糖度，分別獲得了0.894和0.883的預(yù)測(cè)系數(shù)[11]。在中文文獻(xiàn)中，單佳佳等利用高光譜空間散射曲線的洛倫茲擬合參數(shù)檢測(cè)兩項(xiàng)指標(biāo)，采用PLS、MLR、BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型，其中PLS的建模效果最好，糖度與硬度的預(yù)測(cè)相關(guān)系數(shù)分別達(dá)到0.93和0.95[12]；萬(wàn)相梅采用偏最小二乘支持向量機(jī)法(LS_SVM)檢測(cè)蘋果的硬度和液汁含量，糖度與硬度的預(yù)測(cè)相關(guān)系數(shù)為0.744和0.539[13]。

從上述文獻(xiàn)可知，研究人員對(duì)蘋果糖度與硬度檢測(cè)的各個(gè)環(huán)節(jié)進(jìn)行了多種數(shù)學(xué)方法的嘗試與開(kāi)發(fā)，建立的模型擁有較高的預(yù)測(cè)相關(guān)系數(shù)和較低的均方誤差。然而檢測(cè)過(guò)程卻存在指標(biāo)的針對(duì)性，不能通過(guò)相同的數(shù)據(jù)與方法檢測(cè)兩項(xiàng)或更多指標(biāo)；另外，理想的預(yù)測(cè)結(jié)果在建模過(guò)程中需要較多的波段信息，大量的數(shù)據(jù)計(jì)算影響檢測(cè)效率，不利于快速的在線檢測(cè)。對(duì)此，本文提出一種雙項(xiàng)指標(biāo)檢測(cè)的新方法，在雙面多點(diǎn)取樣的前提下，通過(guò)平滑波形數(shù)據(jù)與兩次SPA運(yùn)算，提取糖度與硬度共同的特征波長(zhǎng)從而確定最佳波長(zhǎng)，利用少量的波長(zhǎng)信息實(shí)現(xiàn)蘋果雙指標(biāo)的高效檢測(cè)。

2 實(shí) 驗(yàn)

2.1 蘋果指標(biāo)測(cè)試相關(guān)材料

實(shí)驗(yàn)樣本為沈陽(yáng)農(nóng)業(yè)大學(xué)實(shí)驗(yàn)果園的寒富蘋果240個(gè)，果徑范圍為65～90 mm，少量外形不均勻，但表面無(wú)大面積缺陷、黑斑，外表做清潔處理。樣本采摘后儲(chǔ)藏于4 ℃風(fēng)冷冰柜中，實(shí)驗(yàn)前2 h拿出。糖度測(cè)試選用深圳佛蘭德電子有限公司的DBR45型數(shù)字折光儀，測(cè)量指標(biāo)范圍為0～45%，測(cè)量精度為0.1。硬度測(cè)試選用北京金科利達(dá)電子有限公司GY-4型數(shù)顯果實(shí)硬度計(jì),測(cè)量時(shí)選用二號(hào)探針，直徑為8 mm，計(jì)量單位為牛頓(N)。

2.2 高光譜成像系統(tǒng)

蘋果樣本圖像使用高光譜成像系統(tǒng)獲得。該系統(tǒng)主要部件包括高光譜相機(jī)(內(nèi)含CCD和成像光譜儀)、鹵素?zé)簟⑽灰瓶刂破脚_(tái)、數(shù)據(jù)處理機(jī)和專用高光譜圖像采集軟件。整個(gè)系統(tǒng)置于黑箱內(nèi)，系統(tǒng)結(jié)構(gòu)與主要元件參數(shù)見(jiàn)圖1與表1。

圖1 高光譜成像系統(tǒng)結(jié)構(gòu)示意圖

Fig.1 Schematic representation of the hyperspectral imaging system

2.3 高光譜圖像獲取與校正

蘋果樣本置于移動(dòng)平臺(tái)的水果托架上，在圖像預(yù)掃描過(guò)程中調(diào)整托架位置，設(shè)置采集軟件相關(guān)參數(shù)—相機(jī)曝光時(shí)間40 ms；平臺(tái)移動(dòng)速度2.1 mm/s；

表1 高光譜成像系統(tǒng)主要元件信息

Tab.1 Information of main components of hyperspectral imaging system

元件品牌型號(hào)產(chǎn)地相關(guān)信息成像光譜儀S.I.V10E芬蘭波段:400～1100nm位移控制平臺(tái)COMIRCP0076-1臺(tái)灣范圍:0～600mmCCDIMPERXB1410M美國(guó)像素:1392×1040鹵素?zé)鬒.T.3900美國(guó)150W數(shù)據(jù)處理機(jī)DELL5560D臺(tái)灣五鈴光學(xué)采集軟件

光源校正系數(shù)DN 3 300(未校正前為4 095)；物距(樣本平臺(tái)與鏡頭的距離)420 mm；平臺(tái)移動(dòng)范圍160～245 mm。蘋果核平行于平臺(tái)移動(dòng)方向，獲取位置居中、比例協(xié)調(diào)、亮度均勻、色彩真實(shí)的高光譜圖像。

系統(tǒng)使用前采用標(biāo)準(zhǔn)白板(聚四氟乙烯長(zhǎng)方形白板)和關(guān)閉鏡頭蓋，分別獲得標(biāo)定白板反射譜和暗電流反射譜，采用校正方程進(jìn)行圖像校正。按照公式(1)做黑白校正：

(1)

其中BC為關(guān)閉光源得到的高光譜圖像，WC為使用聚四氟乙烯白板得到的全白參考高光譜圖像，IC為蘋果樣本原始高光譜圖像，RC為校正后的高光譜圖像。每個(gè)樣本做赤道雙面圖像采集并做好標(biāo)記。

2.4 RIOs

由于蘋果外形接近球體，光照強(qiáng)度隨不同緯度變化，所以RIOs取4個(gè)邊長(zhǎng)為50像素點(diǎn)的正方形區(qū)域，分布在果身中心(x=696,y=520)上下左右4個(gè)方位，對(duì)點(diǎn)中心距離為300像素點(diǎn)。使用ENVI4.7提取RIOs的反射波形，數(shù)據(jù)保存在EXCEL2007中并計(jì)算單面與雙面的平均反射波形。RIOs及對(duì)應(yīng)反射波形見(jiàn)圖2、3。

圖2 一個(gè)取樣面的感興趣區(qū)域

圖3 感興趣區(qū)域平均反射波形

2.5 波形校正

波形校正是預(yù)處理環(huán)節(jié)的一項(xiàng)重要步驟，用于消除波形中的噪聲，提高高光譜分辨的靈敏度，改善模型預(yù)測(cè)準(zhǔn)確率。參考以往學(xué)者對(duì)寒富蘋果品質(zhì)的光譜分析結(jié)果[3]，本實(shí)驗(yàn)使用二階導(dǎo)數(shù)結(jié)合標(biāo)準(zhǔn)正態(tài)變量的方式(SD+SNV)平滑各取樣點(diǎn)的反射波形，建立平滑后的波形集合。

2.6 指標(biāo)檢測(cè)

本實(shí)驗(yàn)將蘋果樣本分為校正集(C)160個(gè)，預(yù)測(cè)集(P)80個(gè)。RIOs的波形數(shù)據(jù)采集后，檢測(cè)其包含區(qū)域的平均糖度與點(diǎn)對(duì)點(diǎn)硬度。在糖度檢測(cè)中，由于蘋果的液汁不易少量獲取，切取4個(gè)RIOs中間部位，擠出液汁，用糖度計(jì)逐滴檢測(cè)，至少獲取3次相近的數(shù)值，之后建立A面、B面、雙面的平均集合。

在硬度檢測(cè)中，以一側(cè)糖度取樣后的切面為支撐面，在另一側(cè)將探針按照取樣點(diǎn)次序逐個(gè)插入約10 mm，如果因操作失誤(插入過(guò)程不連續(xù)、深度過(guò)大、過(guò)早觸及果核)產(chǎn)生較大的數(shù)值差，則在取樣點(diǎn)近處選點(diǎn)重新測(cè)試，記錄每個(gè)測(cè)試點(diǎn)的數(shù)值并建立各取樣面的平均集合。樣本糖度與硬度的統(tǒng)計(jì)結(jié)果見(jiàn)表2。

表2 蘋果樣本糖度與硬度統(tǒng)計(jì)

注：C代表校正集，P代表預(yù)測(cè)集；平均值指在某測(cè)試面指標(biāo)的平均結(jié)果，最大值或最小值是測(cè)試點(diǎn)出現(xiàn)的極值。

2.7 實(shí)驗(yàn)相關(guān)理論

2.7.1 SPA

SPA(連續(xù)投影算法)用于提取蘋果的糖度與硬度的特征波長(zhǎng)。SPA不僅能夠消除波長(zhǎng)變量間的共線性影響,而且可以提取具有最小共線性和最低冗余度的特征波長(zhǎng),以較小的信息量表示大多數(shù)樣品的光譜信息。該方法在初始狀態(tài)時(shí)選擇一個(gè)波長(zhǎng),然后采用循環(huán)選擇的方式向前進(jìn)行,通過(guò)計(jì)算在未選入的波長(zhǎng)上的投影來(lái)選取投影向量的最大波長(zhǎng),再將該向量引入波長(zhǎng)組合,直至循環(huán)截止[14]。

2.7.2 GA-BP

GA-BP(遺傳算法開(kāi)發(fā)神經(jīng)網(wǎng)絡(luò))用于檢驗(yàn)最佳波長(zhǎng)建模的預(yù)測(cè)結(jié)果。在傳統(tǒng)BP只有輸入層、隱含層和輸出層的基礎(chǔ)上，采用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，使模型能夠獲得更高的預(yù)測(cè)相關(guān)系數(shù)。

2.8 實(shí)驗(yàn)流程

本實(shí)驗(yàn)共采集480幅高光譜圖像，一方面每幅圖像參考光照亮度確定4個(gè)RIOs，提取4條整體相近的反射波形，采用SD+SNV法建立不同取樣面的平滑波形集合；另一方面測(cè)試樣本糖度與硬度，建立校正集與預(yù)測(cè)集。之后，以RIOs平滑波形數(shù)據(jù)為參考向量，以指標(biāo)集合為輸出向量進(jìn)行一次SPA運(yùn)算，提取兩項(xiàng)指標(biāo)的特征波長(zhǎng)。各取樣面的特征波長(zhǎng)提取后，尋找兩項(xiàng)指標(biāo)特征波長(zhǎng)間的聯(lián)系。如果波長(zhǎng)數(shù)值相近、數(shù)量差異較大，以較多特征波長(zhǎng)的數(shù)據(jù)為參考向量，更改輸出向量(互換指標(biāo)集合)做二次SPA，提取二次特征波長(zhǎng)。結(jié)合兩次特征波長(zhǎng)、校正波形集及三基色的指示線確定各取樣面的最佳波長(zhǎng)。最后，基于GA-BP建立預(yù)測(cè)模型，檢驗(yàn)不同取樣面的預(yù)測(cè)效果，確定雙指標(biāo)同檢的最佳波長(zhǎng)。

圖4 蘋果糖度與硬度最佳波長(zhǎng)獲取流程

3 結(jié)果與討論

3.1 最佳波長(zhǎng)選擇

各取樣面的最佳波長(zhǎng)建立在兩次SPA提取特征波長(zhǎng)的基礎(chǔ)上，在雙面取樣的糖度一次SPA運(yùn)算中，指標(biāo)集合Yb與波形矩陣建立如下關(guān)系：

(2)

其中M為樣本數(shù)、K為計(jì)算中所帶入的波長(zhǎng)個(gè)數(shù)。在全波段范圍內(nèi)(400～1 000 nm)，經(jīng)過(guò)ENVI4.7獲得蘋果472個(gè)波長(zhǎng)的反射率，形成240×472的吸收矩陣。將初始的迭代向量記做{XK(0)}，將提取的變量數(shù)記做N(N

(3)

剩余列向量集合中的投影向量：

(4)

獲取{XK(0)=0,…，N-1}的變量。按此方式提取各取樣面糖度與硬度的一次特征波長(zhǎng)，變量N(特征波長(zhǎng)上限)設(shè)置為30，共獲得6組結(jié)果(見(jiàn)表3)，圖5為雙面取樣硬度的特征波長(zhǎng)。

表3 蘋果糖度與硬度一次SPA特征波長(zhǎng)序號(hào)

圖5 雙面硬度一次SPA特征波長(zhǎng)分布

Fig.5 Characteristic wavelengths distribution of double-sided firmness by once SPA

從表3的結(jié)果可知，經(jīng)過(guò)一次SPA運(yùn)算后的同一指標(biāo)在不同取樣面的特征波數(shù)量基本接近，硬度特征波數(shù)量多于糖度，兩項(xiàng)指標(biāo)的特征波長(zhǎng)存在重復(fù)和臨近關(guān)系。為確定兩項(xiàng)指標(biāo)特征波長(zhǎng)的聯(lián)系，做以硬度特征波長(zhǎng)F的數(shù)據(jù)信息為投影向量和以糖度指標(biāo)集合為輸出向量的二次SPA，可建立如下關(guān)系：

(5)

二次SPA特征波上限N′<(F-1)最大輸出值設(shè)置為8，運(yùn)行結(jié)果見(jiàn)圖6。

圖6 雙面二次SPA特征波長(zhǎng)分布

Fig.6 Characteristic wavelengths distribution of double-sided facets by two times SPA

雙面二次SPA提取4個(gè)特征波長(zhǎng)，它們對(duì)應(yīng)雙面硬度一次SPA的特征波序號(hào)為2，7，117，220，實(shí)際波長(zhǎng)值為402，408，543，674 nm。從圖7雙面校正集反射波形分布觀察，第2、7特征波長(zhǎng)位于波形起始端，受共線性影響大，特征不易被挖掘；與之相反，第117、220特征波長(zhǎng)線性區(qū)別明顯，與一次SPA特征波長(zhǎng)相近，還接近三基色中紅綠顏色的標(biāo)定線，反映蘋果的主色調(diào)及顏色變化。全波段范圍內(nèi)確定543 nm和674 nm為雙面取樣雙指標(biāo)檢測(cè)的最佳波長(zhǎng)(在圖5中已做紅綠標(biāo)定)，采用該兩波長(zhǎng)的數(shù)據(jù)建立預(yù)測(cè)模型。

參考以上過(guò)程提取兩個(gè)單面取樣的最佳波長(zhǎng)，A面為544 nm和674 nm，B面為547 nm和676 nm。由于各取樣面的最佳波長(zhǎng)值相近，反射數(shù)據(jù)成為影響預(yù)測(cè)模型的關(guān)鍵因素。

圖7 校正集的雙面平均波形分布及三基色的特征線

Fig.7 Distribution of double-sided average waveforms of calibration set and the characteristic lines of three primary colors

3.2 模型檢驗(yàn)

本實(shí)驗(yàn)基于遺傳算法開(kāi)發(fā)神經(jīng)網(wǎng)絡(luò)(GA-BP)檢驗(yàn)各取樣面最佳波長(zhǎng)下雙指標(biāo)的預(yù)測(cè)效果。模型中的學(xué)習(xí)訓(xùn)練速度與訓(xùn)練次數(shù)是影響模型預(yù)測(cè)的兩個(gè)重要權(quán)值，經(jīng)過(guò)數(shù)次修改，發(fā)現(xiàn)在學(xué)習(xí)訓(xùn)練速度為0.05、訓(xùn)練次數(shù)為800的環(huán)境下可獲取相對(duì)較高的預(yù)測(cè)系數(shù)(R)和較低均方誤差(MSE)，圖8與圖9描述兩項(xiàng)指標(biāo)的回歸分布。

圖8 雙面糖度的GA-BP預(yù)測(cè)圖

圖9 雙面硬度的GA-BP預(yù)測(cè)圖

3.3 討論

本實(shí)驗(yàn)基于高光譜成像技術(shù)提取蘋果不同取樣面的反射波形，在SD+SNV平滑后建立波形集合，采用一次和二次SPA法提取不同取樣面糖度與硬度的特征波長(zhǎng)，參考波形集特征、三基色分布等相關(guān)信息確定各取樣面的最佳波長(zhǎng)，其中對(duì)雙面取樣最佳波長(zhǎng)的提取過(guò)程進(jìn)行了詳細(xì)描述。為檢驗(yàn)實(shí)驗(yàn)效果，采用GA-BP法分別參考特征波長(zhǎng)與最佳波長(zhǎng)數(shù)據(jù)建立糖度和硬度的預(yù)測(cè)模型，結(jié)果見(jiàn)表4。

實(shí)驗(yàn)結(jié)果表明，以最佳波長(zhǎng)數(shù)據(jù)預(yù)測(cè)糖度的結(jié)果與一次特征長(zhǎng)相差不大，在數(shù)量相等的情況下預(yù)測(cè)能力稍遜于特征波長(zhǎng)；而最佳波長(zhǎng)對(duì)硬度的預(yù)測(cè)結(jié)果卻明顯優(yōu)于特征波長(zhǎng)，具有較高的相關(guān)系數(shù)與較低的均方誤差。兩項(xiàng)指標(biāo)相比，糖度預(yù)測(cè)效果優(yōu)于硬度。這是由于硬度的一次SPA部分特征波長(zhǎng)相近、波形曲線密集、包含較多模糊信息，影響了最終模型預(yù)測(cè)效果。綜合全部結(jié)果，雙面預(yù)測(cè)效果普遍高于單面，全面反映了蘋果顏色的過(guò)渡性，確定雙面取樣的最佳波長(zhǎng)—543 nm和674 nm為本實(shí)驗(yàn)的最佳波長(zhǎng)。

表4 不同條件下糖度與硬度的建模結(jié)果

在GA-BP模型中，歸一化和反歸一化處理很好地表達(dá)了反射數(shù)據(jù)和指標(biāo)值之間復(fù)雜的非線性關(guān)系，獲得了較好的結(jié)果。但模型精度仍有一定提升空間，一方面相關(guān)參數(shù)精細(xì)調(diào)試仍可以使相關(guān)系數(shù)有小幅提升，另一方面建立準(zhǔn)確的指標(biāo)集合同樣可以提高模型精度。在重復(fù)實(shí)驗(yàn)過(guò)程中，應(yīng)重視相關(guān)設(shè)備使用的合理性與清潔度，抓好實(shí)驗(yàn)細(xì)節(jié)。

4 結(jié) 論

本文采用雙面多點(diǎn)RIOs的平滑取樣、兩次SPA的方式提取了蘋果糖度與硬度的最佳波長(zhǎng)，既避免了單一點(diǎn)取樣的局限性，又可獲取同時(shí)檢測(cè)兩項(xiàng)指標(biāo)的數(shù)據(jù)信息，減少了因顏色過(guò)渡造成的誤判，保障了雙指標(biāo)判定的準(zhǔn)確率和效率，最終確定雙面取樣的543 nm和674 nm為實(shí)驗(yàn)的最佳波長(zhǎng)。在驗(yàn)證環(huán)節(jié)中，GA-BP建立預(yù)測(cè)模型獲得了較好的結(jié)果，糖度相關(guān)系數(shù)R為0.847 6，均方誤差MSE為3.32；硬度R為0.793 8，MSE為9.6。雖然與單項(xiàng)指標(biāo)檢測(cè)結(jié)果略有差距，但完成了相同信息的雙指標(biāo)同檢。

二次SPA法是本文的核心環(huán)節(jié)，為雙指標(biāo)檢測(cè)提供了一種理論，為今后農(nóng)產(chǎn)品開(kāi)發(fā)提供一種新思路。利用該方法可以更多去除特征波長(zhǎng)中的無(wú)用信息，也是對(duì)一次SPA結(jié)果的檢驗(yàn)。它的局限性在于不同指標(biāo)的一次特征波長(zhǎng)有緊密的聯(lián)系，不但個(gè)別波長(zhǎng)數(shù)值相近，而且數(shù)量差別要明顯，在滿足條件下方可使用。

[1] 孫梅, 陳興海, 張恒, 等. 高光譜成像技術(shù)的蘋果品質(zhì)無(wú)損檢測(cè) [J]. 紅外與激光工程, 2014, 43(4):1272-1277. SUN M, CHEN X H, ZHANG H,etal.. Nondestructive inspect of apple quality with hyperspectral imaging [J].InfraredLaserEng., 2014, 43(4):1272-1277. (in Chinese)

[2] 吳龍國(guó), 何建國(guó), 賀曉光, 等. 高光譜圖像技術(shù)在水果無(wú)損檢測(cè)中的研究進(jìn)展 [J]. 激光與紅外, 2013, 43(9):990-996. WU L G, HE J G, HE X G,etal.. Research progress of hyperspectral imaging technology in non-destructive detection of fruit [J].LaserInfrared, 2013, 43(9):990-996. (in Chinese)

[3] 宮元娟, 周鐵, 屈亞堃, 等. 寒富蘋果品質(zhì)無(wú)損檢測(cè)光譜信息在線分析 [J]. 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào), 2014, 45(6):708-713. GONG Y J, ZHOU T, QU Y K,etal.. Online analysis on Hanfu apple quality spectral information based on NDT [J].J.ShenyangAgric.Univ., 2014, 45(6):708-713. (in Chinese)

[4] 汪泊錦, 黃敏, 朱啟兵, 等. 基于高光譜散射圖像技術(shù)的UVE-LLE蘋果粉質(zhì)化分類 [J]. 光子學(xué)報(bào), 2011, 40(8):1132-1136. WANG B J,HUANG M,ZHU Q B,etal.. UVE-LLE classification of apple mealiness based on hyperspectral scattering image [J].ActaPhoton.Sinica, 2011, 40(8):1132-1136. (in Chinese)

[5] 黃鴻, 鄭新磊, 羅甫林. 融合加權(quán)均值濾波與流形重構(gòu)保持嵌入的高光譜影像分類 [J]. 光子學(xué)報(bào), 2016, 45(10):1030001. HUANG H, ZHENG X L, LUO F L. Hyperspectral image classification with combination of weighted mean filter and manifold reconstruction preserving embedding [J].ActaPhoton.Sinica, 2016, 45(10):1030001. (in Chinese)

[6] 郭志明, 黃文倩, 彭彥昆, 等. 高光譜圖像感興趣區(qū)域?qū)μO果糖度模型的影響 [J]. 現(xiàn)代食品科技, 2014, 30(8):59-63. GUO Z M, HUANG W Q, PENG Y K,etal.. Impact of region of interest selection for hyperspectral imaging and modeling of sugar content in apple [J].Mod.FoodSci.Technol., 2014, 30(8):59-63. (in Chinese)

[7] 郭俊先, 饒秀勤, 程國(guó)首, 等. 基于高光譜成像技術(shù)的新疆冰糖心紅富士蘋果分級(jí)和糖度預(yù)測(cè)研究 [J]. 新疆農(nóng)業(yè)大學(xué)學(xué)報(bào), 2012, 35(1):78-86. GUO J X, RAO X Q, CHENG G S,etal.. Prediction of the sugar degree and grading of Xinjiang Fuji apple by hyper-spectral imaging techniques [J].J.Xinjiang.Agric.Univ., 2012, 35(1):78-86. (in Chinese)

[8] ZHAO J W, CHEN Q S, SARITPORN V,etal.. Determination of apple firmness using hyperspectral imaging technique and multivariate calibrations [J].Trans.CSAE, 2009, 25(11):226-231.

[9] WANG S, HUANG M, ZHU Q B. Model fusion for prediction of apple firmness using hyperspectral scattering image [J].Comput.Electron.Agric., 2012, 80:1-7.

[10] MENDOZA F, Lu R F, ARIANA D,etal.. Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content [J].PostharvestBiol.Technol., 2011, 62(2):149-160.

[11] PENG Y K, LU R F. Analysis of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble solids content [J].PostharvestBiol.Technol., 2008, 48(1):52-62.

[12] 單佳佳, 吳建虎, 陳菁菁, 等. 基于高光譜成像的蘋果多品質(zhì)參數(shù)同時(shí)檢測(cè) [J]. 光譜學(xué)與光譜分析, 2010, 30(10):2729-2733. SHAN JJ, WU J H, CHEN J J,etal.. Rapid nondestructive detection of apple quality attributes using hyperspectral scattering images [J].Spectrosc.Spect.Anal., 2010, 30(10):2729-2733. (in Chinese)

[13] 萬(wàn)相梅, 黃敏, 朱啟兵. 基于高光譜散攝圖像的蘋果壓縮硬度和汁液含量無(wú)損檢測(cè) [J]. 食品工業(yè)科技, 2012, 33(6):71-74. WAN X M, HUANG M, ZHU Q B. Non-destructive detection for compression hardness and juiciness in apple based on hyperspectral scattering image [J].Sci.Technol.FoodInd., 2012, 33(6):71-74. (in Chinese)

[14] 張巍. 基于高光譜成像技術(shù)的藍(lán)莓內(nèi)部品質(zhì)檢測(cè)方法的研究 [D]. 沈陽(yáng): 沈陽(yáng)農(nóng)業(yè)大學(xué), 2016:21-22. ZHANG W.ResearchonBlueberryInternalQualityDetectionMethodBasedonHyperspectralImagingTechnology[D]. Shenyang: Shenyang Agricultural University, 2016:21-22. (in Chinese)

馮迪(1981-)，男，遼寧沈陽(yáng)人，博士，2007年于內(nèi)蒙古農(nóng)業(yè)大學(xué)獲得碩士學(xué)位，主要從事智能檢測(cè)在農(nóng)業(yè)中的應(yīng)用研究。

E-mail： fengdi_007@126.com田有文(1968-)，女，遼寧沈陽(yáng)人，博士,教授，主要從事智能檢測(cè)在農(nóng)業(yè)中的應(yīng)用研究。

E-mail： youwen_tian10@163.com

Optimal Wavelengths Extraction of Apple Brix and Firmness Based on Hyperspectral Imaging

FENG Di1,2, JI Jian-wei1, ZHANG Li3, LIU Si-jia1, TIAN You-wen1*

(1.CollegeofInformationandElectricalEngineering,ShenyangAgriculturalUniversity,Shenyang110866,China;2.LiaoningRadioandTelevision,Shenyang110004,China； 3.LiaoningRadioandTelevisionTransmissionCenter,Shenyang110004,China)

Hyperspectral imaging technology was used to extract the optimal wavelength for apple brix and firmness test. Firstly, the hyperspectral images of apples were acquired from double-sided sampling. The reflection waveforms of the regions of interest (RIOs) with similar brightness were acquired and smoothed by the second derivation and standard normal variate (SD+SNV) method. The brix and firmness values of RIOs were also tested. Then, the characteristic wavelengths of two indicators were extracted by using the successive projections agorithm(SPA). According to the distribution of characteristics wavelengths, two times SPA was proposed. Combined the feature of waveforms and the results of two projections, the optimal wavelengths of different sampling facets were determined. Finally, the genetic algorithm for back propagation(GA-BP) was used to build the prediction model. The best results were obtained from the double-sided sampling wavelengths (543 nm and 674 nm). The correlation coefficient of brix (R) is 0.847 6 and the mean square error (MSE) is 3.32, and for the firmness,Ris 0.793 8 and MSE is 9.6. The results show that the brix and firmness can be detected by the same wavelength information.

hyperspectral imaging; apple; optimal wavelength; two times SPA; GA-BP

1000-7032(2017)06-0799-08

2016-12-17；

2017-03-08

遼寧省大型儀器設(shè)備共享服務(wù)項(xiàng)目(LNDY201501003)；沈陽(yáng)市大型儀器設(shè)備共享服務(wù)專項(xiàng)項(xiàng)目(F15-166-4-00)資助 Supported by Liaoning Large Scale Instrument and Equipment Sharing Service Project(LNDY201501003); Shenyang Large Scale Instrument and Equipment Sharing Service Project(F15-166-4-00)

S126; TP391.44

A

10.3788/fgxb20173806.0799

*CorrespondingAuthor,E-mail:youwen_tian10@163.com