基于多信息融合技術(shù)的河套蜜瓜品質(zhì)評(píng)價(jià)

侯占峰， 田海清， 劉　超， 李　哲

(內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，內(nèi)蒙古呼和浩特 010018)

傳統(tǒng)的水果品質(zhì)采用人工挑選法和抽樣破壞性檢測(cè)法進(jìn)行檢測(cè)，但由于受檢測(cè)范圍小和主觀因素的影響，這些方法已不再適合水果市場(chǎng)發(fā)展的需求[1-2]，因此研究水果的快速無損檢測(cè)技術(shù)已受到國(guó)內(nèi)外研究者的普遍重視[3-4]。近年來，已有研究者采用可見近紅外光譜技術(shù)對(duì)各類水果品質(zhì)進(jìn)行無損檢測(cè)并取得了較好的檢測(cè)結(jié)果[5-10]。河套蜜瓜作為我國(guó)西北河套地區(qū)的獨(dú)特甜瓜品種廣受關(guān)注[11-12]，其品質(zhì)主要采用糖度進(jìn)行評(píng)價(jià)[13]，已有研究者采用可見近紅外光譜技術(shù)對(duì)蜜瓜品質(zhì)進(jìn)行無損檢測(cè)[14-15]，但這一方法有其不足之處，即漫透射光譜易受蜜瓜的大小、形狀差異影響，進(jìn)而影響檢測(cè)精度。因此，在采用漫透射光譜進(jìn)行蜜瓜品質(zhì)檢測(cè)中應(yīng)考慮果實(shí)大小、形狀差異影響消除方法的研究。本研究應(yīng)用圖像處理技術(shù)獲取蜜瓜的大小、形狀及顏色特征，并將這些特征與光譜信息融合進(jìn)行糖度檢測(cè)，不僅解決了果實(shí)大小、形狀差異對(duì)光譜檢測(cè)精度的影響問題。在融合多源信息后能夠?qū)崿F(xiàn)蜜瓜更加準(zhǔn)確地識(shí)別與判斷，因此研究利用融合圖像和光譜信息進(jìn)行蜜瓜糖度檢測(cè)的方法具有重要的現(xiàn)實(shí)意義。

1　材料與方法

1.1　材料

試驗(yàn)樣品選用內(nèi)蒙古巴彥淖爾磴口地區(qū)產(chǎn)有代表性的金紅寶河套蜜瓜154個(gè)，其中115個(gè)樣品用于模型的建立，剩余39個(gè)樣品用于模型預(yù)測(cè)，試驗(yàn)前進(jìn)行蜜瓜清洗并在常溫下放置24 h，利用游標(biāo)卡尺測(cè)量樣品的縱徑、橫徑。蜜瓜體積用排水法進(jìn)行測(cè)量，質(zhì)量使用范圍為0.5～620 0 g、精度為0.01 g的電子天平進(jìn)行測(cè)試。在光譜采集的部位各切取10 mm×10 mm×10 mm果肉，把6塊果肉榨汁，攪拌均勻后覆蓋到日本愛宕公司生產(chǎn)的PR-101α型數(shù)字折光儀上測(cè)定樣品的糖度值(°Brix)。采集蜜瓜各部分指標(biāo)統(tǒng)計(jì)結(jié)果如表1所示。

筆者所在課題組自行設(shè)計(jì)研制了蜜瓜在線檢測(cè)系統(tǒng)，該系統(tǒng)主要由輸送裝置、信號(hào)控制單元、漫透射光譜采集裝置、蜜瓜圖像采集裝置、蜜瓜內(nèi)部品質(zhì)檢測(cè)軟件系統(tǒng)、計(jì)算機(jī)組成。蜜瓜圖像采集裝置內(nèi)部結(jié)構(gòu)如圖1所示，圖像采集室內(nèi)壁均勻布置8盞25 W白熾燈作為光源，圖像采集由Chameleon USB 2.0 Digital Camera工業(yè)相機(jī)完成，相機(jī)布置在距采集裝置底部1.54 m的高度。

圖2所示為漫透射光譜采集裝置內(nèi)部結(jié)構(gòu)，由風(fēng)扇、光源(12盞50 W的鹵素?zé)艄?00 W能量)、圓弧狀光源固定架組成，其中光源均勻布置在光譜采集室內(nèi)部的圓弧狀光源固定架上。光源發(fā)出的光線從蜜瓜側(cè)上方進(jìn)入果實(shí)內(nèi)部，并在其中經(jīng)過多次漫射、反射和透射，從蜜瓜的底部出來的信號(hào)經(jīng)過檢測(cè)探頭和光纖，進(jìn)入到海洋光學(xué)便攜式光譜儀(波段范圍為198～1 200 nm)，由光譜采集軟件Spectra Suite采集，并存儲(chǔ)于計(jì)算機(jī)。

1.2　特征波長(zhǎng)的提取與主成分分析

蜜瓜樣品光譜數(shù)量龐大，如果都用于建模，不僅費(fèi)時(shí)耗力，而且可能存在于波長(zhǎng)變量中的無用信息變量會(huì)影響到模型的結(jié)果和穩(wěn)定，對(duì)后期的數(shù)據(jù)分析和模型的評(píng)價(jià)會(huì)有一定影響，因此有必要對(duì)無用變量進(jìn)行剔除，對(duì)和品質(zhì)信息相關(guān)性高的敏感波段進(jìn)行選擇，從而提高模型的性能。本研究對(duì)光譜數(shù)據(jù)校正選用均值中心化技術(shù)，經(jīng)過多元散射校正MSC處理后采用SMLR方法對(duì)全波段400～1 100 nm的光譜和糖度相關(guān)性顯著的特征波長(zhǎng)進(jìn)行提取，建立相應(yīng)原始光譜和糖度的數(shù)學(xué)模型，選擇最優(yōu)的模型結(jié)果，當(dāng)波長(zhǎng)選取405.46、1 028.84、669.18、449.33、501.40、404.01、415.59、411.73、407.87、402.09、672.07、647.48 nm時(shí)，所建模型相關(guān)系數(shù)較為理想，r=0.813，均方根校正偏差(RMSEC)=0.897。利用該12個(gè)波長(zhǎng)建立回歸方程并將預(yù)測(cè)集中的39個(gè)樣品的12個(gè)波長(zhǎng)對(duì)應(yīng)的透射率代入到所建立的回歸方程中，求其對(duì)應(yīng)的預(yù)測(cè)值，得到的真實(shí)值和預(yù)測(cè)值的相關(guān)性如圖3所示。

蜜瓜樣本的近紅外光譜數(shù)據(jù)間存在大量的相關(guān)性，必將造成信息冗余。利用主成分分析可以將多個(gè)指標(biāo)化為幾個(gè)綜合指標(biāo)，這些指標(biāo)可以表征原來的數(shù)據(jù)特征而且不會(huì)丟失信息，本研究采用軟件SPSS進(jìn)行主成分分析時(shí)發(fā)現(xiàn)，當(dāng)主成分?jǐn)?shù)量達(dá)到4個(gè)時(shí)，累計(jì)貢獻(xiàn)率可以達(dá)到99.424%，因此將該主成分特征作為后續(xù)模式識(shí)別模型的輸入。

1.3　蜜瓜圖像處理

在Matlab中讀取信息收集裝置采集的原始圖像，將原始圖像進(jìn)行灰度、二值圖、去噪及平滑處理后，以蜜瓜形心為基準(zhǔn)在蜜瓜圖片上標(biāo)記出6個(gè)糖度采集區(qū)域的方框。對(duì)每個(gè)標(biāo)記框都進(jìn)行RGB三分量顏色提取操作，最后計(jì)算平均值，得到蜜瓜樣本圖像的RGB三顏色分量值，把圖像進(jìn)行RGB到HIS及L*a*b*顏色空間處理共得到12個(gè)顏色信息，圖像處理過程見圖4。對(duì)12個(gè)顏色信息進(jìn)行主成分分析，當(dāng)顏色特征值主成分取3時(shí)，累計(jì)貢獻(xiàn)率可達(dá)99.691%，可以很好地代表蜜瓜顏色信息。

為了提取蜜瓜的形狀特性，將蜜瓜的外形近似看成橢圓，對(duì)蜜瓜圖像先進(jìn)行外形截取，然后進(jìn)行邊緣檢測(cè)，找到形心計(jì)算出縱橫徑后根據(jù)橢圓近似公式計(jì)算蜜瓜的體積和果形指數(shù)(果形指數(shù)=縱徑/橫徑。)，利用Matlab進(jìn)行圖像處理，過程如圖5所示。

由圖6可以看出，通過蜜瓜二維圖像計(jì)算的蜜瓜體積和果形指數(shù)與實(shí)際測(cè)量值呈很好的線性關(guān)系，證明該方法可以用來預(yù)測(cè)蜜瓜體積和果形指數(shù)。

2　結(jié)果與分析

2.1　SVM算法

SVM算法是根據(jù)樣本可分情況的最優(yōu)分類面提出來的，最優(yōu)分類面要求可以將樣本準(zhǔn)確無誤地分開，并且使分類空隙最大，應(yīng)用二次規(guī)劃的方法可以求出最優(yōu)分類函數(shù)[16]：

(5)

當(dāng)輸入的樣本不可分時(shí)，須要將樣本映射到高維空間中，這就需要1個(gè)非線性函數(shù)來進(jìn)行映射，然后在高維空間中尋找最優(yōu)分類面。這個(gè)非線性函數(shù)稱作核函數(shù)，本研究選取的徑向基核函數(shù)為：

式中：σ為待定參數(shù)。

2.2　結(jié)果分析

選用徑向基核函數(shù)最主要的是懲罰因子c和核函數(shù)參數(shù)g的選取，本研究采用K-CV的方法進(jìn)行選擇，分別對(duì)蜜瓜的圖像和光譜信息進(jìn)行建模，結(jié)果如表2所示。其中，以蜜瓜外部特征顏色特征主成分、蜜瓜預(yù)測(cè)體積、果形指數(shù)共5個(gè)特征向量為第一輸入量，原始光譜特征波長(zhǎng)透射率為第二輸入量，蜜瓜糖度為輸出量，運(yùn)用支持向量機(jī)(SVM)建立信息融合的蜜瓜糖度模型，核函數(shù)選取徑向基核函數(shù)，采用K-CV方法經(jīng)過反復(fù)試驗(yàn)選取最優(yōu)(c=0.707 11，g=0.5)，115個(gè)樣品擬合程度如圖7所示。將39個(gè)預(yù)測(cè)集樣品輸入到已經(jīng)訓(xùn)練好的模型中，結(jié)果如圖8所示。

表2　SVM算法的融合對(duì)象建模統(tǒng)計(jì)結(jié)果

由表2可以看出，單獨(dú)使用外部特征或光譜特征進(jìn)行建模要比利用信息融合特征進(jìn)行建模的效果差。其中，顏色特征建模效果最差，r、RMSE僅為0.505 9、1.594 9，僅靠顏色特征無法進(jìn)行蜜瓜品質(zhì)的準(zhǔn)確檢測(cè)。當(dāng)融合光譜特征波長(zhǎng)信息時(shí)，r、RMSE分別為0.847 3、0.964 8，模型準(zhǔn)確度提高。表2與圖8同時(shí)顯示，當(dāng)把蜜瓜的顏色特征、體積和果形指數(shù)作為外部特征融合蜜瓜光譜特征進(jìn)行建模的效果最好，其模型r、RMSE高達(dá)0.863 0、0.940 7。

3　結(jié)論

本研究利用蜜瓜顏色、體積及果形指數(shù)指標(biāo)融合近紅外光譜信息進(jìn)行蜜瓜品質(zhì)檢測(cè)，并設(shè)計(jì)了在線檢測(cè)系統(tǒng)，該系統(tǒng)可以有效采集河套蜜瓜的外部特征圖像和漫透射光譜。對(duì)采集樣本應(yīng)用支持向量機(jī)算法進(jìn)行數(shù)據(jù)融合，結(jié)果發(fā)現(xiàn)，利用信息融合的模型結(jié)果優(yōu)于單獨(dú)使用外部特征或光譜特征的模型。當(dāng)把蜜瓜的顏色特征、體積和果形指數(shù)作為外部特征融合蜜瓜光譜特征進(jìn)行建模時(shí)效果最好，能夠最有效地對(duì)蜜瓜的品質(zhì)進(jìn)行識(shí)別，其模型的r、RMSE高達(dá)0.863 0、0.940 7。因此，近紅外光譜和機(jī)器視覺的多傳感器信息融合技術(shù)是進(jìn)行蜜瓜品質(zhì)檢測(cè)的有效方法，可以提高蜜瓜品質(zhì)的檢測(cè)精度。

參考文獻(xiàn)：

[1]應(yīng)義斌. 機(jī)器視覺技術(shù)在黃花梨尺寸和果面缺陷檢測(cè)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，1999，15(1)：197.

[2]趙靜，何東健. 果實(shí)形狀的計(jì)算機(jī)識(shí)別方法研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2001，17(2)：165-167.

[3]田海清，王春光，楊曉清. 厚皮甜瓜無損檢測(cè)方法的研究現(xiàn)狀及發(fā)展趨勢(shì)[J]. 農(nóng)機(jī)化研究，2010，32(10)：245-248.

[4]李鵬飛. 梨內(nèi)部品質(zhì)可見/近紅外光譜無損檢測(cè)研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué)，2009.

[5]杜冉，閘建文，付家庭，等. 運(yùn)用近紅外透射光譜技術(shù)檢測(cè)蘋果內(nèi)部品質(zhì)[J]. 農(nóng)機(jī)化研究，2008(9)：139-141.

[6]馮斌. 計(jì)算機(jī)視覺信息處理方法與水果分級(jí)檢測(cè)技術(shù)研究[D]. 北京：中國(guó)農(nóng)業(yè)大學(xué)，2002.

[7]楊麗華，程詠梅，趙春暉，等. 基于決策融合的蘋果等級(jí)分類算法[J]. 電子測(cè)量技術(shù)，2008，31(1)：10-12，24.

[8]張烈平，曾愛群，陳婷. 基于計(jì)算機(jī)視覺和神經(jīng)網(wǎng)絡(luò)的芒果檢測(cè)與等級(jí)分類[J]. 農(nóng)機(jī)化研究，2008(10)：57-60.

[9]張書慧. 蘋果、桃等農(nóng)副產(chǎn)品品質(zhì)檢測(cè)與分級(jí)圖像處理系統(tǒng)的研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，1999，15(1)：201.

[10]王樹文，張長(zhǎng)利，房俊龍. 基于計(jì)算機(jī)視覺的番茄損傷自動(dòng)檢測(cè)與分類研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2005，21(8)：98-101.

[11]張玉清. 加入WTO后中國(guó)蜜瓜西瓜產(chǎn)業(yè)面臨的機(jī)遇和挑戰(zhàn)[J]. 中國(guó)西瓜甜瓜，2001(3)：36-37.

[12]梁莉，李榮富，高培德，等. 內(nèi)蒙古河套蜜瓜的特征特性與栽培特點(diǎn)[J]. 中國(guó)西瓜甜瓜，2004(3)：18-19.

[13]張德虎，田海清，武士鑰，等. 河套蜜瓜糖度和堅(jiān)實(shí)度可見近紅外光譜檢測(cè)研究[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2014，35(3)：197-201.

[14]田海清，王春光，吳桂芳. 蜜瓜糖度透射光譜檢測(cè)技術(shù)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2010，41(12)：130-133.

[15]田海清，王春光，張海軍，等. 蜜瓜品質(zhì)光譜檢測(cè)中異常建模樣品的綜合評(píng)判[J]. 光譜學(xué)與光譜分析，2012，32(11)：2987-2991.

[16]丁世飛，齊丙娟，譚紅艷. 支持向量機(jī)理論與算法研究綜述[J]. 電子科技大學(xué)學(xué)報(bào)，2011，40(1)：1-10.