基于TRIZ 的藍(lán)莓病害檢測(cè)方法

田有文，何 寬，姜鳳利，喬世成，宋士媛

(沈陽農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院/遼寧省農(nóng)業(yè)信息化工程技術(shù)研究中心，沈陽 110161 )

藍(lán)莓產(chǎn)業(yè)近年來發(fā)展的比較迅速，其藍(lán)莓果獨(dú)特的口味與營(yíng)養(yǎng)價(jià)值深受消費(fèi)者喜愛[1]。 但一些問題仍亟需解決，如藍(lán)莓采后的分揀問題。 藍(lán)莓不易貯藏，貯藏期間容易腐爛病變并感染其他健康藍(lán)莓，造成一定的損失。因貯藏期間藍(lán)莓腐爛而造成的二次損失多達(dá)30%～50%。 造成藍(lán)莓腐爛病變的原因?yàn)椋阂皇遣烧獣r(shí)一些輕微腐爛病變的藍(lán)莓難以發(fā)現(xiàn)，貯藏期間藍(lán)莓逐漸腐爛，感染其他健康藍(lán)莓導(dǎo)致?lián)p失嚴(yán)重；二是藍(lán)莓成熟期在6～8 月份屬于夏季高溫季節(jié)，也是果蠅大量生長(zhǎng)繁殖的時(shí)間，這一階段藍(lán)莓易遭受果蠅產(chǎn)卵，在貯藏期內(nèi)果蠅卵蛹化對(duì)藍(lán)莓造成破壞逐漸腐爛，造成更多的藍(lán)莓腐爛病變。 為此病害藍(lán)莓的分揀是藍(lán)莓銷售或加工前的一個(gè)重要環(huán)節(jié)。 傳統(tǒng)的藍(lán)莓病害檢測(cè)通常為理化分析檢測(cè)或人工肉眼檢測(cè)。 前者檢測(cè)時(shí)間長(zhǎng)，且均有破壞性，后者檢測(cè)效率低、誤差大，且容易造成藍(lán)莓變軟或損傷。 這兩者都難以滿足藍(lán)莓在線分揀的要求，因此，研究藍(lán)莓病害無損檢測(cè)技術(shù)對(duì)藍(lán)莓的在線實(shí)時(shí)分揀、提高藍(lán)莓行業(yè)自動(dòng)化水平和生產(chǎn)效益具有重要意義。

TRIZ 理論的科學(xué)效應(yīng)庫(kù)中包含許多推薦的解決問題方法，本研究屬于無損檢測(cè)技術(shù)類問題，通過TRIZ 的科學(xué)效應(yīng)庫(kù)找到科學(xué)效應(yīng)的功能代碼表中的代碼F20（檢查物體表面狀態(tài)和性質(zhì)）。 F20 中推薦的科學(xué)效應(yīng)和現(xiàn)象有 H41（反射）、H38（發(fā)光體）、H45（感光材料）、H50（光譜）、H43（放射現(xiàn)象）等[2]。 綜合分析上述幾個(gè)方法，光譜是可以采納的方案，本研究選擇了高光譜成像技術(shù)檢測(cè)法。高光譜成像技術(shù)是近年來研究水果品質(zhì)無損檢測(cè)技術(shù)的熱點(diǎn)，其最大優(yōu)勢(shì)在于融合了圖像處理技術(shù)與光譜分析技術(shù)，使分析結(jié)果更加全面。 圖像處理能夠反映水果的外表特征，而光譜分析則能分析水果不同化學(xué)成分，其在水果病害的無損檢測(cè)中得到廣泛應(yīng)用[3-13]。如LI等[11]利用高光譜成像技術(shù)對(duì)蘋果早期腐爛進(jìn)行檢測(cè)。采用主成分分析法（PCA）對(duì)可見光近紅外（400～1000nm）、可見光（400～780nm）和近紅外（781～1000nm）3 個(gè)光譜區(qū)域進(jìn)行了分析，提取了原始高光譜數(shù)據(jù)中的特征波長(zhǎng)圖像，并提出了一種基于形態(tài)濾波、形態(tài)梯度重構(gòu)和標(biāo)記約束的改進(jìn)分水嶺分割算法。 利用該算法對(duì)220 個(gè)腐爛果和220 個(gè)健康果基于近紅外區(qū)域4 個(gè)特征波長(zhǎng)波長(zhǎng)的多光譜主成分分析（PC3）圖像進(jìn)行識(shí)別，腐爛果和健康果的準(zhǔn)確識(shí)別率分別為99%和100%。結(jié)果表明高光譜成像技術(shù)可以用來檢測(cè)蘋果腐爛病害。YH 等[12]為了檢測(cè)桃根霉引起的病害， 研制了一種帶移動(dòng)試驗(yàn)臺(tái)的高光譜成像系統(tǒng)， 采用統(tǒng)計(jì)方法選取3 幅單波段圖像（709，807，874nm），并結(jié)合簡(jiǎn)單閾值法，利用圖像分割算法對(duì)桃子腐爛區(qū)域進(jìn)行分割，桃子“健康”、“輕度腐爛”、“中度腐爛”和“重度腐爛”的檢測(cè)準(zhǔn)確率分別為95%、66．29%、100%和100%。 結(jié)果表明，高光譜成像技術(shù)為桃子真菌感染的自動(dòng)檢測(cè)提供了可能。從以上研究可以看出，利用高光譜成像技術(shù)可以無損檢測(cè)水果腐爛病害，并且檢測(cè)準(zhǔn)確率比較高。 但是，這些研究檢測(cè)對(duì)象都是尺寸比較大的，顏色比較鮮艷的水果，這類水果腐爛區(qū)域與正常區(qū)域區(qū)別明顯，易于檢測(cè)。 而小漿果類的水果研究的較少，比如藍(lán)莓。 藍(lán)莓的表皮顏色較深，并且在腐爛早期難以區(qū)分腐爛區(qū)域和正常區(qū)域，這對(duì)腐爛病的檢測(cè)影響較大。

本研究對(duì)藍(lán)莓腐爛病害的檢測(cè)進(jìn)行研究，提供一種有效的檢測(cè)方法。 首先應(yīng)用TRIZ 理論機(jī)械系統(tǒng)替代原理采用高光譜成像系統(tǒng)獲取藍(lán)莓高光譜圖像， 再應(yīng)用物理參數(shù)改變?cè)硖岢龉庾V信息分割法分割出藍(lán)莓腐爛病害區(qū)域，然后提取病害區(qū)域與正常區(qū)域的全波段光譜數(shù)據(jù)，應(yīng)用組合原理利用對(duì)CARS 法改進(jìn)后的CARSIRIV 法提取特征波長(zhǎng)，最后建立RBF 模型以檢測(cè)藍(lán)莓病害，最終達(dá)到無損檢測(cè)藍(lán)莓病害的目的。

1 材料與方法

1.1 材料

藍(lán)莓樣本采摘于沈陽市某藍(lán)莓種植基地。采摘時(shí)間為2018 年7 月，屬夏季，溫度高，是藍(lán)莓病蟲害高發(fā)期。采摘的藍(lán)莓樣本選擇果形勻稱，大小相近，健康，表皮無外傷的成熟藍(lán)莓，質(zhì)量范圍在1．5～2．3g，直徑范圍在10～20mm 的試驗(yàn)樣本。 為使每個(gè)藍(lán)莓腐爛程度較均勻，將正常藍(lán)莓隨機(jī)選擇每50 個(gè)藍(lán)莓為1 組放在密封培養(yǎng)盒里，共6 組。 將盒子放在25℃恒溫箱避光處，每隔兩天利用高光譜圖像采集系統(tǒng)采集1 次藍(lán)莓高光譜圖像[13]，最終選腐爛程度較輕的藍(lán)莓和正常藍(lán)莓作為試驗(yàn)樣本。

1.2 物質(zhì)—場(chǎng)分析

針對(duì)腐爛藍(lán)莓分揀存在的問題，本研究利用TRIZ 理論中的物質(zhì)－場(chǎng)模型[14-15]來建立藍(lán)莓病害高光譜成像檢測(cè)模型（圖1）。其中：S1 為實(shí)現(xiàn)檢測(cè)目的；S2 為藍(lán)莓病害檢測(cè)流程；F 為高光譜圖像。通過圖1 的物質(zhì)—場(chǎng)模型可知，S2 是能否有效檢測(cè)出藍(lán)莓病害的關(guān)鍵步驟。 其中，光譜數(shù)據(jù)的獲取十分重要，對(duì)檢測(cè)結(jié)果的準(zhǔn)確率影響較大。本研究中，首先要對(duì)藍(lán)莓圖像的病害區(qū)域進(jìn)行分割，然后再根據(jù)分割的感興趣區(qū)域提取光譜數(shù)據(jù)。由于藍(lán)莓的表皮顏色呈深藍(lán)色，與背景相似，其邊緣部分更是難以區(qū)分。 并且藍(lán)莓表皮顏色較深與藍(lán)莓病害區(qū)域的顏色相近，基于灰度值作為閾值來分割難以得到準(zhǔn)確的藍(lán)莓病害分割圖像，這樣無法保證能夠正確提取感興趣區(qū)域的光譜數(shù)據(jù)，影響最佳特征波長(zhǎng)的提取。 另外特征波長(zhǎng)提取對(duì)檢測(cè)結(jié)果十分重要，如果提取特征波長(zhǎng)與病害的相關(guān)性較大，則模型能夠準(zhǔn)確檢測(cè)出藍(lán)莓病害。但若提取的特征波長(zhǎng)包含其他的弱信息波長(zhǎng)或無關(guān)信息波長(zhǎng)，檢測(cè)模型檢測(cè)的準(zhǔn)確率可能較差（不足作用），甚至出現(xiàn)檢測(cè)判別錯(cuò)誤的結(jié)果（有害作用）[15]；圖1 物質(zhì)—場(chǎng)模型是一個(gè)基于藍(lán)莓高光譜圖像采用Otsu 分割方法，CARS 提取特征波長(zhǎng)，RBF 為檢測(cè)模型的完整系統(tǒng)。 針對(duì)圖1 中S2 的藍(lán)莓病害區(qū)域分割、特征波長(zhǎng)提取的不足作用和有害作用，根據(jù)TRIZ 理論的76個(gè)標(biāo)準(zhǔn)解中，不允許增加新物質(zhì)，通過改變S1 或S2 來消除有害效應(yīng)。 本研究提出應(yīng)用物理參數(shù)改變?cè)淼墓庾V信息分割法（spectral information segmentation，SIS）代替圖1 中S2 中的Otsu 圖像分割法來分割藍(lán)莓的病害區(qū)域。此方法的分割閾值并不是由圖像的灰度值來確定，而是通過某一波段的光譜值來確定分割閾值。另外本研究應(yīng)用組合原理將CARS 法和IRIV 結(jié)合成CARS-IRIV 法[11-12]來替代圖1 中S2 的CARS 法來提取特征波長(zhǎng)。 本研究應(yīng)用物理效應(yīng)和現(xiàn)象改變物質(zhì)S2 后的物質(zhì)—場(chǎng)模型如圖2。 F 為采用機(jī)械系統(tǒng)替代原理的高光譜圖像，S3 為特征波長(zhǎng)提取過程，包括SIS 分割法和CARS-IRIV 特征波長(zhǎng)提取法。

圖1 常規(guī)高光譜檢測(cè)方法Figure 1 Conventional hyperspectral detection methods

圖2 優(yōu)化后的高光譜檢測(cè)方法Figure 2 Optimized hyperspectral detection method

1.3 光譜分析

本研究通過高光譜成像系統(tǒng)采集的藍(lán)莓正常和病害圖像，然后提取病害區(qū)域、正常區(qū)域和背景區(qū)域的光譜數(shù)據(jù)如圖3。 通過分析圖3 可知，在波長(zhǎng)400～500nm范圍內(nèi)， 藍(lán)莓病害區(qū)域與正常區(qū)域的光譜數(shù)據(jù)存在噪聲，為了不影響后續(xù)檢測(cè)的準(zhǔn)確率，本研究去除該范圍波段的光譜數(shù)據(jù)。 另外在可見光波段（500～760nm）范圍內(nèi)，藍(lán)莓病害區(qū)域的光譜相對(duì)反射率比藍(lán)莓正常區(qū)域的光譜相對(duì)反射率稍大一些， 而在近紅外波段 （760～1000nm）范圍內(nèi)，藍(lán)莓正常區(qū)域的光譜相對(duì)反射率比藍(lán)莓病害區(qū)域的光譜相對(duì)反射率大。藍(lán)莓病害區(qū)域與正常區(qū)域光譜相對(duì)反射率存在差異的原因是藍(lán)莓病變腐爛使藍(lán)莓病害區(qū)域主要成分及理化性質(zhì)發(fā)生改變，從而使光譜反射率發(fā)生變化。

1.4 SIS 分割法

藍(lán)莓表皮顏色較深與背景顏色相近，病害區(qū)域與正常區(qū)域顏色比較接近，利用以圖像的灰度值為閾值分割的常規(guī)圖像分割法難以準(zhǔn)確分割出病害區(qū)域。 故本研究提出光譜信息分割法（spectral information segmentation，SIS）來分割藍(lán)莓的病害區(qū)域。此方法的分割閾值并不是由圖像的灰度值來確定，而是通過某一波段的光譜值來確定分割閾值。 該方法是一種基于光譜數(shù)據(jù)快速、準(zhǔn)確的分割藍(lán)莓圖像分割方法，以病害藍(lán)莓的分割為例，操作步如下。

圖3 病害藍(lán)莓圖像光譜曲線Figure 3 Spectral curve of disease blueberry image

（1）分析藍(lán)莓區(qū)域與背景區(qū)域的光譜曲線，選擇藍(lán)莓區(qū)域與背景區(qū)域光譜值差異較大特征波段的光譜數(shù)據(jù)作為圖像分割的數(shù)據(jù)。

（2）選擇該特征波段下背景區(qū)域的光譜反射率與被分割藍(lán)莓的光譜反射率之間的一個(gè)光譜值為分割閾值f0，一般以兩個(gè)區(qū)域光譜反射率的平均值為藍(lán)莓與背景的分割閾值。

（3）通過圖像每個(gè)像素點(diǎn)的光譜反射率與分割閾值f0比較，若像素點(diǎn)的光譜反射率小于分割閾值，將藍(lán)莓圖像對(duì)應(yīng)像素點(diǎn)灰度值賦值為255，光譜反射率賦值為1；若大于閾值，藍(lán)莓圖像對(duì)應(yīng)像素點(diǎn)灰度值不變，光譜率不變。 公式為：

式中：f(x,y)為圖像位置(x,y)處的光譜值為圖像像素光譜數(shù)據(jù)，G(x,y)為藍(lán)莓圖像像素灰度值。

（4）分析藍(lán)莓病害區(qū)域與正常區(qū)域的光譜曲線，選擇病害區(qū)域與正常區(qū)域光譜反射率差異較大特征波段的光譜數(shù)據(jù)作為病害區(qū)域分割數(shù)據(jù)，并選擇病害區(qū)域與正常區(qū)域光譜反射率之間的一個(gè)光譜反射率為分割閾值 f1。

（5）通過圖像每個(gè)像素點(diǎn)的光譜反射率與分割閾值f1比較，若像素點(diǎn)的光譜反射率大于等于分割閾值f1，將藍(lán)莓圖像對(duì)應(yīng)像素點(diǎn)灰度值賦值為0；若小于閾值，藍(lán)莓圖像對(duì)應(yīng)像素點(diǎn)灰度值為255。 公式為：

1.5 特征波長(zhǎng)提取方法

全波段的光譜數(shù)據(jù)包含的信息量大，其中大部分?jǐn)?shù)據(jù)信息重疊、對(duì)模型的檢測(cè)能力會(huì)造成一定的影響，因此需要對(duì)全波段光譜進(jìn)行特征波長(zhǎng)提取，選擇出最少最優(yōu)的特征波長(zhǎng)組合集。 根據(jù)圖3 的分析可知，可見光范圍（500～760nm）和近紅外范圍（760～1000nm）內(nèi)藍(lán)莓病害區(qū)域的光譜相對(duì)反射率和藍(lán)莓正常區(qū)域的光譜相對(duì)反射率分別存在不同差異，因此提出區(qū)域特征篩選法（regional feature selection，RFS）提取特征波長(zhǎng)。該方法將500～1000nm 光譜數(shù)據(jù)分成可見光第一區(qū)域波段（500～760nm）和近紅外第二區(qū)域波段（760～1000nm），然后再采用常用的波長(zhǎng)提取方法CARS 算法[16]，分別對(duì)兩個(gè)區(qū)域的光譜信息提取特征波長(zhǎng)，并提取出特征波長(zhǎng)對(duì)應(yīng)的光譜相對(duì)反射率。采用區(qū)域特征篩選法的優(yōu)點(diǎn)在于強(qiáng)制減少了近乎一半維數(shù)，降低了CARS 算法的篩選工作量。 但是CARS 提取出的特征波長(zhǎng)數(shù)量較多，而且由于CARS 方法中隨機(jī)性采樣，每次提取的特征波長(zhǎng)并不固定的，存在與藍(lán)莓病害相關(guān)性較小的特征波長(zhǎng)沒有完全去除的可能，所以CARS 方法提取的特征波長(zhǎng)所建立的檢測(cè)模型得到的檢測(cè)結(jié)果不穩(wěn)定。 故本研究提出將IRIV[17]和CARS 結(jié)合，利用IRIV 算法對(duì)CARS 算法提取的特征波長(zhǎng)再次提取特征波長(zhǎng)。 將IRIV 和CARS 結(jié)合的優(yōu)點(diǎn)在于IRIV 將CARS 提取的特征波長(zhǎng)分為強(qiáng)信息特征波長(zhǎng)、弱信息特征波長(zhǎng)、無信息特征波長(zhǎng)、干擾特征波長(zhǎng)4 類，使與腐爛相關(guān)的特征波長(zhǎng)被提取的概率增加，并且IRIV 算法對(duì)強(qiáng)有效特征波長(zhǎng)的強(qiáng)保留性能夠有效提取出特征波長(zhǎng)，同時(shí)也減少了IRIV 法的迭代次數(shù)。

2 結(jié)果與分析

2.1 SIS 法分割藍(lán)莓病害區(qū)域

本研究采集的藍(lán)莓高光譜圖像如圖4a。 由于890nm 波段圖像中藍(lán)莓病害區(qū)域與正常區(qū)域差異相對(duì)明顯，所以選擇890nm 波段圖像作為特征圖像進(jìn)行分割如圖4b。 本研究首先采用Otsu 法對(duì)藍(lán)莓腐爛病害區(qū)域進(jìn)行分割，并進(jìn)行二值化，得到圖像如圖4c。然后用該二值化圖像對(duì)高光譜圖像進(jìn)行掩膜得到圖4d，再對(duì)圖4d 進(jìn)行閾值分割，閾值設(shè)定為0．65，得到病害區(qū)域分割圖像如圖4e。 最后，對(duì)圖4e 圖像進(jìn)行腐蝕膨脹，實(shí)現(xiàn)病害區(qū)域分割如圖4f。 由該圖可看出常規(guī)的閾值分割法未能比較完整地分割出藍(lán)莓病害區(qū)域，并將部分正常區(qū)域當(dāng)作病害也分割出來。故本研究提出光譜信息分割法SIS 來分割藍(lán)莓的病害區(qū)域。通過分析高光譜圖像選擇890nm波段圖像如圖5b，其背景的光譜相對(duì)反射率較小，為0．05，病害區(qū)域的光譜反射率為0．35，正常區(qū)域的光譜反射率為0．43。 首先對(duì)藍(lán)莓背景進(jìn)行分割，光譜分割閾值選擇在0．05 與0．35 之間能夠?qū)⒈尘芭c藍(lán)莓分割，選擇f0=0．21 作為藍(lán)莓分割閾值可有效將背景的光譜數(shù)據(jù)分割。 比較藍(lán)莓圖像每個(gè)像素點(diǎn)的光譜相對(duì)反射率與分割閾值的大小，若該像素點(diǎn)的光譜相對(duì)反射率小于0．21，該像素點(diǎn)的光譜相對(duì)反射率賦值為1，該像素點(diǎn)的像素值賦值為255；若該像素點(diǎn)的光譜相對(duì)反射率大于等于0．21，該像素點(diǎn)的光譜相對(duì)反射率不變，該像素點(diǎn)的灰度值也不變。得到藍(lán)莓分割圖像如圖5c。然后設(shè)置藍(lán)莓正常區(qū)域和病害區(qū)域最大限度的分割閾值為0．39，比較圖5c 藍(lán)莓圖像每個(gè)像素點(diǎn)的光譜相對(duì)反射率與藍(lán)莓病害分割閾值的大小，若該像素點(diǎn)的光譜相對(duì)反射率小于0．39，該像素點(diǎn)的像素值賦值為255；若該像素點(diǎn)的光譜相對(duì)反射率大于等于0．39，該像素點(diǎn)的像素值賦值為0，得到藍(lán)莓病害分割圖像（圖5d）。 因?yàn)閳D4d 存在噪聲，利用腐蝕膨脹方法對(duì)圖5d 進(jìn)行噪聲消除，得到藍(lán)莓病害分割圖像如圖5e。 由圖5 可知，SIS 法的分割結(jié)果效果較好，雖然在利用光譜數(shù)據(jù)分割時(shí)，也出現(xiàn)將正常區(qū)域錯(cuò)誤分割的情況，但經(jīng)過腐膨脹后能夠有效消除噪聲，完整的分割出藍(lán)莓病害區(qū)域。

圖4 閾值分割結(jié)果Figure 4 Result of threshold segmentation method

圖5 光譜信息分割結(jié)果Figure 5 Result of spectral information segmentation

2.2 特征波長(zhǎng)的提取

2.2.1 CARS 提取藍(lán)莓病害特征波長(zhǎng) 本研究首先嘗試采用CARS 法提取藍(lán)莓病害的特征波長(zhǎng)。 CARS 法采樣數(shù)量設(shè)置為0．8，潛變量數(shù)量設(shè)置為3。首先對(duì)藍(lán)莓病害的可見光第一區(qū)域提取特征波長(zhǎng)。采用CARS 方法提取藍(lán)莓病害光譜特征波長(zhǎng)每次迭代提取的特征波長(zhǎng)數(shù)量變化趨勢(shì)、特征波長(zhǎng)的RMSHCV 值變化趨勢(shì)以及特征波長(zhǎng)回歸系數(shù)變化趨勢(shì)如圖6。 由圖6a 可知，隨著CARS 采樣數(shù)量的增加，提取的特征波長(zhǎng)數(shù)量逐漸減少。 由圖6b 可知，當(dāng)采樣次數(shù)增加到19 次，RMSHCV 值達(dá)到最低，說明此時(shí)與藍(lán)莓腐爛病害相關(guān)的特征波長(zhǎng)子集為最優(yōu)。 由圖 6c 可知，“*”表示 CARS 迭代的次數(shù)所對(duì)應(yīng)的圖 6b 中 RMSHCV 值最小的位置。 最終，CARS 方法優(yōu)選出的變量數(shù)為35 個(gè)。 采用CARS 法對(duì)藍(lán)莓病害區(qū)域近紅外第二區(qū)域提取特征波長(zhǎng)的采樣數(shù)量同樣設(shè)置為0．8，潛變量數(shù)量同樣設(shè)置為3。 采用CARS 方法每次迭代提取的特征波長(zhǎng)數(shù)量變化趨勢(shì)，特征波長(zhǎng)的RMSHCV值變化趨勢(shì)以及特征波長(zhǎng)回歸系數(shù)變化趨勢(shì)如圖7。 由圖7a 可知，隨著CARS 采樣數(shù)量的增加，提取的特征波長(zhǎng)數(shù)量逐漸減少。 由圖7b 可知，當(dāng)采樣次數(shù)增加到17 次，RMSHCV 值達(dá)到最低，說明此時(shí)與藍(lán)莓腐爛病害相關(guān)的特征波長(zhǎng)子集為最優(yōu)。 由圖7c 可知，“*” 表示CARS 迭代的次數(shù)所對(duì)應(yīng)的圖7b 中RMSHCV 值最小的位置。 最終，CARS 方法優(yōu)選出的變量數(shù)為40 個(gè)。

2.2.2 CARS-IRIV 提取藍(lán)莓病害特征波長(zhǎng) 由CARS 法提取的特征波長(zhǎng)可知，CARS 提取出的特征波長(zhǎng)數(shù)量較多， 故采用本文提出的CARS-IRIV 在藍(lán)莓病害光譜特征波長(zhǎng)的可見光第一區(qū)域提取3 個(gè)特征波長(zhǎng)，CARSIRIV 在近紅外第二區(qū)域提取4 個(gè)特征波長(zhǎng)，特征波長(zhǎng)的提取結(jié)果如表1。

本研究采用徑向基神經(jīng)網(wǎng)絡(luò)模型（RBF）模型檢測(cè)病害藍(lán)莓。試驗(yàn)將CARS-IRIV 提取的特征波長(zhǎng)下病害藍(lán)莓和正常藍(lán)莓的光譜相對(duì)反射率作為模型的輸入矢量。 本研究將正常藍(lán)莓用1 表示，病害藍(lán)莓用0 表示，模型輸出為1 和0 兩種結(jié)果。 將100 個(gè)正常藍(lán)莓和200 個(gè)病害藍(lán)莓分成訓(xùn)練集和測(cè)試集， 其中訓(xùn)練集樣本數(shù)量選60 個(gè)正常藍(lán)莓和120 個(gè)病害藍(lán)莓，測(cè)試集樣本數(shù)量選擇40 個(gè)正常藍(lán)莓和80 個(gè)病害藍(lán)莓。 檢測(cè)結(jié)果如表2。 由表2 可知，第一區(qū)域與第二區(qū)域組合的識(shí)別模型檢測(cè)結(jié)果最好，檢測(cè)率達(dá)到87%以上，第二區(qū)域的模型次之，檢測(cè)率在82%以上，第一區(qū)域模型檢測(cè)結(jié)果最差但檢測(cè)率達(dá)到在77%以上。 從模型的檢測(cè)結(jié)果可以看出，以第二區(qū)域特征波長(zhǎng)對(duì)應(yīng)的光譜反射率為輸入矢量建立模型的檢測(cè)效果比第一區(qū)域特征波長(zhǎng)對(duì)應(yīng)的光譜反射率為輸入矢量建立模型的檢測(cè)結(jié)果效果要好。原因是根據(jù)前面的高光譜曲線分析，藍(lán)莓的病害區(qū)域與正常區(qū)域的光譜相對(duì)反射率在近紅外范圍的差異比可見光范圍的差異要大很多， 使正常區(qū)域與病害區(qū)域在近紅外范圍內(nèi)的光譜特征差異更明顯，所以檢測(cè)模型在近紅外范圍的檢測(cè)效果要比可見光范圍的檢測(cè)效果要好。檢測(cè)效果最好的區(qū)域是以第一區(qū)域與第二區(qū)域特征波長(zhǎng)對(duì)應(yīng)反射率的組合為輸入矢量建立的模型。 原因是兩個(gè)區(qū)域組合的特征波長(zhǎng)光譜相對(duì)反射率則能更全面的表達(dá)出藍(lán)莓的病害區(qū)域與正常區(qū)域之間的差異。

圖6 第一區(qū)域CARS 提取特征波長(zhǎng)結(jié)果Figure 6 The result of extracting characteristic wavelength using CARS from first region

圖7 第二區(qū)域CARS 提取特征波長(zhǎng)結(jié)果Figure 7 The result of extracting characteristic wavelength using CARS from second region

3 討論與結(jié)論

本研究基于TRIZ 理論采用高光譜成像技術(shù)對(duì)腐爛藍(lán)莓進(jìn)行檢測(cè)，研究學(xué)者采用其他無損檢測(cè)技術(shù)也對(duì)藍(lán)莓病害等品質(zhì)進(jìn)行檢測(cè)，常見的藍(lán)莓病害無損檢測(cè)技術(shù)主要有計(jì)算機(jī)視覺技術(shù)和光譜技術(shù)。采用計(jì)算機(jī)視覺技術(shù)是通過獲取藍(lán)莓病害區(qū)域的顏色、紋理、形狀等特征來實(shí)現(xiàn)藍(lán)莓病害檢測(cè)。 Leiva-Valenzuela 等采用計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)了對(duì)fungally decayed blueberries 檢測(cè)，其準(zhǔn)確率達(dá)到97%[18]。該技術(shù)優(yōu)勢(shì)是數(shù)據(jù)采集時(shí)間和處理時(shí)間較小，能夠?qū)崿F(xiàn)在線檢測(cè)[19]，但是樣本需要具有明顯的病害特征，藍(lán)莓顏色較深，不容易辨別是否發(fā)生腐爛。 HU 等利用近紅外（NIR）數(shù)據(jù)對(duì)藍(lán)莓果實(shí)進(jìn)行軟硬分類，準(zhǔn)確率達(dá)78%[20]。光譜技術(shù)則信息量較小，數(shù)據(jù)采集時(shí)間和處理時(shí)間短，能夠?qū)崿F(xiàn)在線檢測(cè)[21]。 但是光透射性能受到限制，光太強(qiáng)損害水果，光弱則透射深度淺，并且模型的精度和穩(wěn)定性需要進(jìn)一步改善[22]。

本研究根據(jù)TRIZ 理論提供的標(biāo)準(zhǔn)解，利用高光譜成像技術(shù)對(duì)腐爛病害藍(lán)莓進(jìn)行無損檢測(cè)，并根據(jù)物質(zhì)—場(chǎng)的模型思想解決了高光譜成像技術(shù)的不足。本研究基于TRIZ 理論中物理參數(shù)改變?cè)硖岢龅腟IS 分割法以890nm 波段的圖像和光譜數(shù)據(jù)準(zhǔn)確分割出藍(lán)莓中圖像病害區(qū)域， 有效地減少了基于圖像像素灰度值難以分割感興趣區(qū)域的不準(zhǔn)確性。通過分析藍(lán)莓病害區(qū)域的光譜曲線和正常區(qū)域的光譜曲線的差異，將全波段光譜曲線分成可見光第一區(qū)域和近紅外第二區(qū)域，利用TRIZ 理論中組合原理將IRIV 法與CARS 法結(jié)合成CARS-IRIV法提出第一區(qū)域與第二區(qū)域組合的 7 個(gè)特征波長(zhǎng)（500，522，701，828，857，893，969nm），最終建立 RBF 模型對(duì)腐爛藍(lán)莓進(jìn)行檢測(cè)得到較好的檢測(cè)結(jié)果。 以后的工作主要集中于尋找更佳的特征波長(zhǎng)提取方法和檢測(cè)效率更高的模型，進(jìn)一步完善該方法對(duì)藍(lán)莓病害的檢測(cè)準(zhǔn)確性。

表1 基于CARS-IRIV 方法提取藍(lán)莓病害特征波長(zhǎng)Table 1 The characteristic wavelengths of blueberries diseases based on CARS-IRIV method

表2 RBF 藍(lán)莓病害檢測(cè)結(jié)果Table 2 Detection results of blueberry diseases based on RBF model