基于高光譜技術(shù)的哈密瓜果實(shí)物候期判別模型

伍恒 李明周 張航

摘要：以新和地區(qū)種植的大田哈密瓜為研究對(duì)象，采集不同物候期哈密瓜果實(shí)樣本，采集高光譜數(shù)據(jù)并通過(guò)Savitzky-Golay一階導(dǎo)數(shù)（SG-1）、Savitzky-Golay二階導(dǎo)數(shù)（SG-2）、標(biāo)準(zhǔn)正態(tài)變換（SNV）、多元散射校正（MSC）4種光譜預(yù)處理方法進(jìn)行預(yù)處理，建立廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）和概率神經(jīng)網(wǎng)絡(luò)（PNN）2種哈密瓜物候期判別模型，以模型判別正確率為評(píng)價(jià)指標(biāo)，結(jié)果顯示，所建模型均能很好地識(shí)別哈密瓜果實(shí)物候期。將采集到的4個(gè)時(shí)期的哈密瓜果實(shí)樣本光譜組合成10組具有輸入變量的光譜樣本，分別建立GRNN和PNN判別模型，以模型運(yùn)行時(shí)間作為模型評(píng)價(jià)指標(biāo)，得出以3個(gè)時(shí)期的哈密瓜樣本光譜所建立的SG-1-GRNN和SNV-PNN模型為最優(yōu)，運(yùn)行時(shí)間為 0.046 9 s，運(yùn)行速率最多可提高57%。

關(guān)鍵詞：高光譜成像技術(shù);哈密瓜物候期;神經(jīng)網(wǎng)絡(luò);判別方法

中圖分類(lèi)號(hào)： S652.101 ?文獻(xiàn)標(biāo)志碼： A ?文章編號(hào)：1002-1302（2019）22-0258-06

瓜果蔬菜是人們?nèi)粘Ｉ钪酗嬍车闹饕M成部分，在很多國(guó)家，瓜果蔬菜在飲食結(jié)構(gòu)中所占的比重可達(dá)40%以上，它不僅能夠?yàn)槿梭w提供基本的維生素、食用粗纖維和基本礦物質(zhì)，還能夠?yàn)槿祟?lèi)提供大量的蛋白質(zhì)、碳水化合物等營(yíng)養(yǎng)物質(zhì)。產(chǎn)于新疆地區(qū)的哈密瓜由于生長(zhǎng)氣候等條件的獨(dú)特性，具有水分充足、含糖量高的獨(dú)特品質(zhì)，深受水果市場(chǎng)和人民群眾的青睞。新疆是全國(guó)著名的哈密瓜產(chǎn)區(qū)，具有哈密瓜生長(zhǎng)所需的必要自然氣候條件。由于農(nóng)民對(duì)大田哈密瓜播種期選擇的不恰當(dāng)，造成了哈密瓜果實(shí)成熟度不一致，影響了哈密瓜在水果市場(chǎng)上的整體聲譽(yù)和銷(xiāo)量，采收期哈密瓜果實(shí)物候期鑒別技術(shù)是亟待探索的研究領(lǐng)域。

有導(dǎo)師學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)以其良好的學(xué)習(xí)能力被廣泛地應(yīng)用于各個(gè)領(lǐng)域，不僅可以用于擬合解決回歸問(wèn)題，還可以用于解決模型識(shí)別問(wèn)題以及分類(lèi)識(shí)別問(wèn)題。前人研究多針對(duì)蘋(píng)果[1]、油桃[2]、玉米[3]、咖啡豆[4]、西瓜種子[5]等農(nóng)產(chǎn)品進(jìn)行品種鑒別，而針對(duì)農(nóng)產(chǎn)品物候期的鑒別鮮有報(bào)道。因此，對(duì)大田種植哈密瓜從坐果后至果實(shí)完全成熟不同物候期進(jìn)行深入研究，解決哈密瓜在生產(chǎn)中由于播種期不同導(dǎo)致的果實(shí)成熟度不一致、經(jīng)濟(jì)效益低等問(wèn)題，建立一套針對(duì)新疆哈密瓜果實(shí)物候期鑒別的近紅外高光譜模型是十分必要的。

1 材料與方法

1.1 種植區(qū)概況

新疆阿克蘇地區(qū)新和縣屬溫帶大陸性干旱氣候，擁有充足的光照，蒸發(fā)量較大，熱量十分充足;降水稀少，氣候相對(duì)干燥，晝夜溫差較大。該地區(qū)熱量資源十分豐富，無(wú)霜期長(zhǎng)達(dá)200 d以上。年平均日照時(shí)數(shù)保持在2 894.6 h左右，年平均積溫為4 412.3 ℃，年均氣溫保持在10.5 ℃左右，年平均降水量約為64.0 mm，平均蒸發(fā)量為1 992.7 mm;目前累計(jì)擁有土地資源82.2萬(wàn)hm2，其中耕地面積為3.0萬(wàn)hm2，沙地面積為13.3萬(wàn)hm2，試驗(yàn)所選種植區(qū)土質(zhì)為沙質(zhì)壤土。

1.2 不同物候期果實(shí)采集方法

在哈密瓜花期過(guò)后15 d，第1次采集哈密瓜樣本，數(shù)量為120個(gè)，采樣方法為5點(diǎn)取樣法，后續(xù)采樣仍采用第1次采樣的方法，第2次采樣與第1次采樣時(shí)間間隔15 d，第3次采樣與第2次采樣時(shí)間間隔15 d，第4次采樣與第3次采樣時(shí)間間隔15 d，至哈密瓜果實(shí)完全成熟共采集哈密瓜果實(shí)樣本4次，共計(jì)500個(gè)左右不同生長(zhǎng)時(shí)期的哈密瓜樣本。5點(diǎn)采樣方式如圖1所示，陰影部分為采樣區(qū)域。將種植區(qū)地塊沿對(duì)角線(xiàn)分成如圖所示的9個(gè)大采樣區(qū)，再將對(duì)角線(xiàn)上5處采樣區(qū)按照同樣的方式均分成9個(gè)小采樣區(qū)，沿對(duì)角線(xiàn)保留5處小區(qū)塊作為樣本采集的區(qū)間，共計(jì)25塊區(qū)間。針對(duì)不同生長(zhǎng)期的果實(shí)樣本，進(jìn)行小區(qū)間單獨(dú)采集，將同一生長(zhǎng)期樣本混合均勻，以保證樣本的隨機(jī)性和盡可能全面地包含種植區(qū)內(nèi)樣本的所有信息。

1.3 果實(shí)高光譜數(shù)據(jù)采集

1.3.1 近紅外高光譜成像系統(tǒng) 試驗(yàn)所用的高光譜成像系統(tǒng)（圖2）為北京卓立漢光儀器有限公司出品的“蓋亞”高光譜分選儀，該系統(tǒng)核心部件包括均勻光源、光譜相機(jī)、電控移動(dòng)平臺(tái)、計(jì)算機(jī)及控制軟件等部分。工作原理是采用光源照射放置于電控移動(dòng)平臺(tái)上的待測(cè)樣品，樣品的反射光通過(guò)鏡頭被光譜相機(jī)捕獲，得到樣品的一維圖像，隨著電控平臺(tái)的移動(dòng)，樣品連續(xù)前行，從而得到一個(gè)既包含影像信息又包含樣品光譜信息的三維數(shù)據(jù)立方體。

1.3.2 高光譜數(shù)據(jù)采集與處理 高光譜采集系統(tǒng)的參數(shù)設(shè)置情況如表1所示。

感興趣區(qū)域（ROI）選取與平均光譜提取的步驟與方法：在ROI區(qū)域選取時(shí)選取整個(gè)圖像的中間部分，避開(kāi)表面具有明顯缺陷的圖像數(shù)據(jù)。ROI選擇完成之后，計(jì)算選擇區(qū)域的平均光譜，輸出txt格式的文本，用于后續(xù)的建模。ROI選取和平均光譜提取過(guò)程重復(fù)3次，取平均值作為該樣品的平均光譜，參與后續(xù)建模計(jì)算。圖3為感興趣區(qū)域選取與平均光譜提取過(guò)程。

高光譜數(shù)據(jù)采集與平均光譜提取采用ENVI軟件完成，后續(xù)光譜預(yù)處理與建模采用MATLAB軟件完成。預(yù)處理采用SG-1、SG-2、標(biāo)準(zhǔn)正態(tài)變換（SNV）、多元散射校正（MSC）等4種方法完成，建模采用廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）和概率神經(jīng)網(wǎng)絡(luò)（PNN）等2種。

2 結(jié)果與討論

2.1 光譜預(yù)處理

利用高光譜采集系統(tǒng)采集到的不同物候期哈密瓜果實(shí)的原始光譜如圖4所示。原始光譜中除了包含樣品本身的信息外，還含有其他無(wú)關(guān)的信息、雜散光產(chǎn)生的無(wú)關(guān)信息、樣品采集時(shí)的背景噪聲等[7]。在利用化學(xué)計(jì)量學(xué)的方法建立模型時(shí)，采用不同的譜圖預(yù)處理方法能夠消除光譜數(shù)據(jù)中的無(wú)關(guān)信息和噪聲。本試驗(yàn)采用SG-1、SG-2、SNV、MSC4種光譜預(yù)處理方法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。Savitzky-Golay卷積求導(dǎo)是通過(guò)最小二乘的方法計(jì)算得到與卷積平滑系數(shù)相似的導(dǎo)數(shù)系數(shù)，導(dǎo)數(shù)光譜可以有效地消除基線(xiàn)和背景的干擾，提高分辨率和靈敏度，同時(shí)能夠有效地分辨出重疊峰[8]。圖5為經(jīng)過(guò)S-G一階導(dǎo)數(shù)、S-G二階導(dǎo)數(shù)處理后的光譜圖。SNV主要用來(lái)消除固體顆粒的大小、表面散射以及光程變化對(duì)光譜數(shù)據(jù)造成的影響[9]。對(duì)需要SNV變換的光譜采用公式（2）進(jìn)行轉(zhuǎn)換。

3 結(jié)論

（1）通過(guò)經(jīng)過(guò)SG-1、SG-2、SNV、MSC 4種方法預(yù)處理后的4個(gè)時(shí)期哈密瓜樣本光譜所建立的GRNN和PNN模型，對(duì)于哈密瓜物候期的判別具有很高的正確率。（2）對(duì)于廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN），同時(shí)考慮輸入變量的包容性，以SG-導(dǎo)數(shù)和MSC預(yù)處理方式為最優(yōu)，運(yùn)行時(shí)間為0.046 9 s，比運(yùn)行速度最慢的模型提高了39.95%。（3）對(duì)于概率神經(jīng)網(wǎng)絡(luò)（PNN），同時(shí)考慮輸入變量的包容性，以采用標(biāo)準(zhǔn)正態(tài)變換（SNV）和SG-1預(yù)處理方式效果最好，模型運(yùn)行時(shí)間為0.046 9 s，比其他預(yù)處理方式運(yùn)行時(shí)間加快了24.96%。（4）在保證模型識(shí)別正確率的情況下，同時(shí)考慮輸入變量樣本的采集成本、樣本包容度以及運(yùn)行時(shí)間等因素，最優(yōu)的樣本采集方式與建模組合為以處于二、三、四期的哈密瓜樣本光譜經(jīng)過(guò)SG-1-GRNN和SNV-PNN模型為最優(yōu)，運(yùn)行時(shí)間為 0.046 9 s，與其他模型相比最多可提高運(yùn)行速率57%。

參考文獻(xiàn)：

[1]馬惠玲，王若琳，蔡 騁，等. 基于高光譜成像的蘋(píng)果品種快速鑒別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（4）：305-312.

[2]黃鋒華. 基于高光譜成像技術(shù)的油桃品質(zhì)檢測(cè)及品種判別研究[D]. 晉中：山西農(nóng)業(yè)大學(xué)，2016.

[3]楊小玲. 高光譜圖像技術(shù)檢測(cè)玉米種子品質(zhì)研究[D]. 杭州：浙江大學(xué)，2016.

[4]鮑一丹，陳 納，何 勇，等. 近紅外高光譜成像技術(shù)快速鑒別國(guó)產(chǎn)咖啡豆品種[J]. 光學(xué)精密工程，2015，23（2）：349-355.

[5]張 初，劉 飛，孔汶汶，等. 利用近紅外高光譜圖像技術(shù)快速鑒別西瓜種子品種[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2013，29（20）：270-277.

[6]余克強(qiáng)，趙艷茹，李曉麗，等. 高光譜成像技術(shù)的不同葉位尖椒葉片氮素分布可視化研究[J]. 光譜學(xué)與光譜分析，2015，35（3）：746-750.

[7]楊 佳. 傅里葉變換紅外光譜技術(shù)在芝麻油真?zhèn)舞b別、摻偽與品質(zhì)分析中的應(yīng)用[D]. 北京：北京林業(yè)大學(xué)，2013.

[8]楊 燕. 基于高光譜成像技術(shù)的水稻稻瘟病診斷關(guān)鍵技術(shù)研究[D]. 杭州：浙江大學(xué)，2012.

[9]張 俊. 茉莉花茶品質(zhì)的近紅外化學(xué)計(jì)量學(xué)研究[D]. 杭州：浙江大學(xué)，2012.

[10]郭 朔. 近紅外光譜分析技術(shù)快速檢測(cè)液態(tài)乳制品品質(zhì)的研究[D]. 長(zhǎng)春：吉林大學(xué)，2008.