基于時序高光譜的翠冠梨機(jī)械損傷的早期無損檢測研究

林思寒，黎 靜，，薛 龍，*，劉木華，，陳金印，陳 明，張一帆

(1.江西農(nóng)業(yè)大學(xué) 工學(xué)院/江西省現(xiàn)代農(nóng)業(yè)裝備重點實驗室，江西 南昌 330045；2.江西省果蔬采后處理關(guān)鍵技術(shù)與質(zhì)量安全協(xié)同創(chuàng)新中心，江西 南昌 330045)

翠冠梨是國內(nèi)最早成熟的蜜梨新品種，果肉細(xì)嫩松脆，是盛夏時節(jié)解渴的佳品。但在運(yùn)輸過程中易造成碰壓傷害，因其果皮厚實顏色深，肉眼不易識別，碰壓傷害會衍生翠冠梨腐爛[1]，從而導(dǎo)致大量損壞，增加生產(chǎn)成本。目前國內(nèi)對翠冠梨的品質(zhì)研究多為種植期間施肥、授粉、套袋，儲藏過程中溫度、保鮮膜的選擇等對翠冠梨的影響[2]。而翠冠梨成熟后在采摘、運(yùn)輸和包裝過程中，由于機(jī)械擠壓和碰撞而造成其表面的破損和碰壓傷等早期損傷的快速檢測研究報道還不多見，因此研究出快速有效分選出機(jī)械損傷果的無損檢測方法，實現(xiàn)翠冠梨品質(zhì)在線檢測顯得十分必要。

高光譜成像技術(shù)能夠同時獲得空間和光譜信息，是一種快速、無損的安全評價方法[3]。洪添勝等[4]應(yīng)用高光譜圖像技術(shù)并結(jié)合PCA方法對雪花梨表面的碰壓傷進(jìn)行可視化研究。王斌等[5]利用高光譜圖像技術(shù)對腐爛、病害及正常梨棗進(jìn)行分類研究。Zhao等[6]應(yīng)用高光譜圖像技術(shù)比較了4種分類算法，其中馬氏距離分類和光譜角映射效果最好。Hu等[7]利用連續(xù)投影算法結(jié)合支持向量機(jī)建立分類模型，用以區(qū)分落葉萼(DCF)和宿萼(PCF)。另外，由于高光譜圖像包含了光譜信息，因此可以用于水果內(nèi)部品質(zhì)的檢測，例如庫爾勒梨可溶性固形物的檢測[8]，沙梨糖度的預(yù)測[9]以及藍(lán)莓的硬度和可溶性固形物的預(yù)測[10]?？梢姼吖庾V成像技術(shù)在水果在線品質(zhì)檢測方面有很好的前景，不僅可以根據(jù)水果的外部品質(zhì)對其進(jìn)行分級，還可以對水果的內(nèi)部品質(zhì)進(jìn)行預(yù)測[11]。

本研究的主要目的是基于高光譜成像技術(shù)采集翠冠梨的圖像信息和光譜信息，對翠冠梨完好果和不同損傷天數(shù)的機(jī)械損傷果進(jìn)行檢測識別，為翠冠梨品質(zhì)在線無損檢測提供理論依據(jù)，為水果的高光譜在線檢測系統(tǒng)的建立提供技術(shù)支持。

1 材料與方法

1.1 試驗材料

圖1 高光譜圖像采集系統(tǒng)示意Fig.1 Schematic diagram of hyperspectral imaging system

研究所用的翠冠梨均采購自江西省吉安市的果園，共30個外形(形狀、大小)相近沒有破損的翠冠梨作為試驗樣品。隨機(jī)挑選其中20個樣品用于建立品質(zhì)無損檢測模型，10個樣品用于驗證模型的檢測精度。樣品保存在2 ℃條件下，采集高光譜圖像前放置于室溫為25 ℃條件下2 h，如樣品表面還存留水滴，則用試紙輕輕擦干。

1.2 試驗設(shè)備

翠冠梨的高光譜圖像數(shù)據(jù)通過高光譜圖像系統(tǒng)采集得到，高光譜圖像系統(tǒng)如圖1所示。該系統(tǒng)主要由1臺CMOS照相機(jī)(Photonfocus，瑞士)，1臺行掃描光譜攝制儀(ImSpector V10E)，2個250 W的光纖鹵素?zé)?ALPHA-1501，21 V/250 W Halogen Tugsten Lamp)和一套光學(xué)移動平臺等部件組成。光譜范圍400～1 000 nm，光譜分辨率約為1 nm。

1.3 光譜數(shù)據(jù)采集

高光譜圖像數(shù)據(jù)采集時，將翠冠梨樣品放置于移動平臺上，為了獲得清晰且不失真的圖像，保證采集到的樣本圖像完整，要考慮采集高度、相機(jī)曝光時間和平臺運(yùn)行速度這3個可變因素[12-13]。經(jīng)過反復(fù)調(diào)試，樣品圖像采集時移動速度為7 mm/s，曝光時間50 ms，物距15 cm。整個實驗過程中共采集高光譜圖像300幅，包括Day0的30個翠冠梨高光譜圖像，以及在1～7 d、11 d和14 d的共270幅(每天30幅)有機(jī)械損傷的翠冠梨高光譜圖像。

首先采集翠冠梨完好樣品的高光譜圖像數(shù)據(jù)并記為Day0，然后將30個翠冠梨樣品從40 cm高處以自由落體方式落下，使其赤道附近形成直徑2～3 cm無汁液滲出且肉眼不宜發(fā)覺的碰壓傷并標(biāo)記位置。24 h后采集損傷區(qū)域的光譜圖像數(shù)據(jù)，并記為Day1。之后每24 h采集翠冠梨相同損傷區(qū)域的光譜圖像數(shù)據(jù)，并分別記為Day2～Day7。另外，采集第11天和第14天的相同損傷區(qū)域的光譜圖像數(shù)據(jù)，并分別記為Day11和Day14。

1.4 圖像校正及數(shù)據(jù)預(yù)處理

由于翠冠梨果形狀各異，各波段下光源強(qiáng)度分布不均勻以及相機(jī)中的暗電流存在，導(dǎo)致采集到的圖像含有較大噪聲。這些噪聲會影響高光譜圖像質(zhì)量，為了消除噪聲，需要對圖像進(jìn)行校正。校正時，采集反射率為99%的標(biāo)準(zhǔn)白色校正板得到白板圖像B2，然后蓋上相機(jī)鏡頭采集得到黑板圖像B3，按照公式(1)計算出校正后的圖像R[14]。

(1)

式(1)中：R為標(biāo)定后的光譜圖像；B1為原始光譜圖像；B2為白板圖像；B3為黑板圖像。然后應(yīng)用中心化方法對校正后的光譜數(shù)據(jù)進(jìn)行光譜預(yù)處理。

1.5 特征波長提取

通常高光譜數(shù)據(jù)包含空間和光譜信息，因此其數(shù)據(jù)量非常龐大，同時也會因為數(shù)據(jù)冗余的因素導(dǎo)致浪費大量計算時間，不利于水果在線的快速檢測，因此需要應(yīng)用特征波長下的光譜信息來簡化運(yùn)行模型，提高運(yùn)算速度。本文主要采用競爭性自適應(yīng)重加權(quán)算法[15]和連續(xù)投影算法提取特征波長[16]。

競爭性自適應(yīng)重加權(quán)算法(competitive adaptive reweighted sampling，CARS)，通過自適應(yīng)重加權(quán)采樣(ARS)技術(shù)選擇出PLS模型中回歸系數(shù)絕對值大的波長點，去掉權(quán)重小的波長點，利用交互驗證選出RMSECV值最低的子集，可有效尋出最優(yōu)變量組合。

連續(xù)投影算法(successive projections algorithm，SPA)是一種波長選取方法，能夠有效消除原始光譜矩陣中冗余的信息，并使矢量空間的共線性達(dá)到最小，降低模型的復(fù)雜度，提高建模的速度和效率，在利用光譜分析技術(shù)檢測作物和食品中某些重要成分含量的有效波長選取中得到了很好的效果。

1.6 模型建立

提取特征波長后，應(yīng)用偏最小二乘法(partial least square，PLS)再結(jié)合線性判別式分析(linear discriminant analysis，LDA)建立全譜和特征光譜模型預(yù)測翠冠梨表面機(jī)械損傷，并利用蒙特卡羅雙層交互檢驗方法優(yōu)選偏最小二乘法中的主成分?jǐn)?shù)。

本研究高光譜圖像的處理主要基于ENVI 4.3和Matlab R2014a軟件實現(xiàn)，完成光譜預(yù)處理、建模分析。

2 結(jié)果與討論

2.1 光譜采集與光譜預(yù)處理

根據(jù)高光譜原理可知，翠冠梨光譜圖像上每個像素點都存在不同波長的光譜信息[17]，利用ENVI軟件提取翠冠梨樣品完好果和碰壓果對應(yīng)表面損傷區(qū)域的平均光譜信息，采集的區(qū)域為ROI感興趣區(qū)域(大小為50像素×50像素)。對Day0的30個被測樣品，每個樣品在赤道附近分別選取3～4個ROI作為無損傷光譜曲線，共采集無損傷光譜曲線100個。采集Day1～Day7、Day11和Day14隨時間變化的有機(jī)械損傷光譜曲線各30個，因此采集有損光譜數(shù)據(jù)270個，如圖2。剔除首尾包含較大噪聲部分的光譜，選取500～900 nm范圍內(nèi)的光譜數(shù)據(jù)進(jìn)行分析。采用中心化方法對光譜信息進(jìn)行預(yù)處理，圖3為經(jīng)過中心化預(yù)處理后的翠冠梨光譜曲線，光譜范圍為500～900 nm。從圖3中可見除了Day0和Day1兩個光譜曲線相接近外，其余光譜曲線的反射值有較為明顯的差別。

圖2 光譜信息采集示意Fig.2 Schematic diagram of spectral information acquisition

2.2 基于全譜的模型分析

圖3 翠冠梨完好和損傷樣本中心化處理后的光譜曲線Fig.3 Spectral curves of intact and damaged samples of Cuiguan pear after central processing

分別從Day0數(shù)據(jù)和Day1數(shù)據(jù)中隨機(jī)挑選20個光譜，作為校正集數(shù)據(jù)，建立LDA判別模型，記為Day1_Amodel。然后再從剩余的Day0數(shù)據(jù)(剩余80條)中隨機(jī)選擇10個光譜數(shù)據(jù)與Day1數(shù)據(jù)中余下的10個光譜數(shù)據(jù)，組成驗證集數(shù)據(jù)，用以評價Day1_Amodel的預(yù)測精度。用同樣的方法分別建立Day2_Amodel-Day7_Amodel、Day11_Amodel和Day14_Amodel，具體的預(yù)測結(jié)果見表1。表1中的Total_model為應(yīng)用所有10 d數(shù)據(jù)的預(yù)測模型，其中校正集數(shù)據(jù)包含Day0數(shù)據(jù)的90個光譜(隨機(jī)選擇)和Day1-Day7、Day11和Day14數(shù)據(jù)的180個(每天隨機(jī)選擇20個)，余下的光譜數(shù)據(jù)為預(yù)測集，建模過程如圖4所示。其預(yù)測集中完好果(intact prediction)和有機(jī)械損傷果(damage prediction)的判別結(jié)果如表1所示。

由表1可知，預(yù)測集中完好果的判別準(zhǔn)確率均為100%，但是對機(jī)械損傷果的預(yù)測的判別準(zhǔn)確率隨著損傷時間的增加而增加，其中Day1_Amodel的判別準(zhǔn)確率僅為80%。主要原因是損傷形成時間較短，損傷果光譜信息與完好果光譜信息相似難以區(qū)分。隨著損傷時間的增加，碰傷部位逐漸變軟直至發(fā)生褐變，直接反映在光譜值的變化，因此其預(yù)測精度也逐漸增加。通過本試驗發(fā)現(xiàn)，當(dāng)損傷天數(shù)5 d時，預(yù)測精度均為100%。

Totle_Amodel預(yù)測精度為84%，從預(yù)測結(jié)果中發(fā)現(xiàn)，多為Day1損傷數(shù)據(jù)誤判為完好果。因此在不包含Day1數(shù)據(jù)的條件下，建立Total1_Amodel模型，其預(yù)測集中判別準(zhǔn)確率達(dá)到了92.22%，預(yù)測精度大幅提高，因此本研究不包含Day1數(shù)據(jù)。

圖4 基于全譜建模流程Fig.4 Flow chart based on full spectrum modeling

模型類別Model type校正集Calibration set準(zhǔn)確率/%Accuracy預(yù)測集Prediction set完好預(yù)測Intact prediction 檢測Detected未檢測Undetected損傷預(yù)測Damage prediction檢測Detected未檢測Undetected預(yù)測精度/%AccuracyDay1_Amodel4082.501006480.00Day2_Amodel4097.501009195.00Day3_Amodel4095.001009195.00Day4_Amodel4095.001009195.00Day5_Amodel40100.00100100100.00Day6_Amodel40100.00100100100.00Day7_Amodel4097.50100100100.00Day11_Amodel40100.00100100100.00Day14_Amodel40100.00100100100.00Total_Amodel27087.78100741684.00Total1_Amodel25094.8010073792.22

2.3 特征波長的提取

對Total1_model模型的校正組數(shù)據(jù)分別應(yīng)用CARS(14個特征波長)和SPA(15個特征波長)算法篩選的特征波長分別為：500,518,551,575，577，594，595，605，606,608，801，848，875，900 nm和503，518，529，550，560，594，608，647，683，703，709，715，803，823，848 nm。其中500～675 nm之間的特征波長主要與表皮顏色相關(guān)；647 nm主要是與表皮中葉綠素和胡蘿卜素的吸收有關(guān)；715 nm與水分吸收有關(guān)[18-19]；801 nm、803 nm與糖分有關(guān)[20]。隨著損傷天數(shù)的增加，損傷區(qū)域水分流失，葉綠素減少。綜合兩種算法篩選出的相同特征波長，并且保持一定的波長間距，最終確定10個特征波長，分別為：500，518，551，575，594，608，647，703，801，848 nm。

2.4 基于特征波長的模型分析

基于CARS算法提取的14個特征波長建立PLS-LDA檢測模型，識別結(jié)果如表2所示。

表2 基于CARS算法特征波長翠冠梨預(yù)測結(jié)果

基于SPA算法提取的15個特征波長建立PLS-LDA檢測模型，識別結(jié)果見表3?；谔卣鞑ㄩL翠冠梨預(yù)測結(jié)果見表4。

表3 基于SPA算法特征波長翠冠梨預(yù)測結(jié)果

表4 基于特征波長翠冠梨預(yù)測結(jié)果

由表2～表4可知，基于特征波長建立的預(yù)測模型與全譜預(yù)測模型的預(yù)測精度相比，其預(yù)測結(jié)果相近?；贑ARS算法所選特征波長建立的預(yù)測模型，在Day2_Cmodel -Day4_Cmodel的預(yù)測率保持在90%以上，Day5_Cmodel以后的預(yù)測率為100%，所有損傷天數(shù)Total1_Cmodel的預(yù)測率為96.67%?；赟PA算法所選特征波長建立的預(yù)測模型，Day2_Smodel -Day4_Smodel的預(yù)測率均在95%以上，Day5_Smodel -Day14_Smodel的預(yù)測率達(dá)到100%，Total1_Smodel模型的預(yù)測率為97.78%。綜合兩種算法所選特征波長建立的預(yù)測模型，Day4_model的預(yù)測率最低為95%，其它損傷天數(shù)時預(yù)測率均為100%，Total1_model 模型的預(yù)測率為96.67%，并且該模型不僅包含全譜的關(guān)鍵信息，而且其特征光譜的數(shù)量也減少為10個，更有利于在線檢測模型的優(yōu)化。

通過觀察，翠冠梨表皮顏色深且厚實，在形成機(jī)械損傷的兩周時間內(nèi)，肉眼都難以判斷出損傷區(qū)域。利用挑選出的特征波長建立檢測模型，在翠冠梨早期機(jī)械損傷形成的第2天就能識別，并且在機(jī)械損傷形成的第5天后可以做到100%的正確判斷。

3 結(jié) 論

本研究利用偏最小二乘法和線性判別式分析結(jié)合高光譜成像技術(shù)，對翠冠梨完好果和不同損傷天數(shù)的碰壓果建立PLS-LDA檢測模型，通過光譜信息對翠冠梨的碰壓傷進(jìn)行無損檢測。分別采用競爭性自適應(yīng)重加權(quán)算法和連續(xù)投影算法分別挑選出14和15個特征波長，然后在選定特征波長的基礎(chǔ)上優(yōu)選10個特征波長建立翠冠梨機(jī)械損傷的判別模型，對比全譜所建立的模型不僅減少了數(shù)據(jù)量、縮短了處理時間，還提高了模型質(zhì)量，有利于準(zhǔn)確、快速的進(jìn)行翠冠梨品質(zhì)的高光譜在線無損檢測。在今后的工作中，如何提高Day1識別模型的精度和翠冠梨其它多種表面缺陷特征(銹斑、褐腐及劃傷)的識別是水果在線無損檢測的下一步研究重點。