基于多光譜特征分區(qū)的油桃品質(zhì)分析算法

王 杰

(吉林建筑科技學(xué)院，吉林 長(zhǎng)春 130000)

中國(guó)是油桃生產(chǎn)出口大國(guó)。油桃的種植、采摘與運(yùn)輸對(duì)產(chǎn)品質(zhì)量的影響明顯，而油桃的價(jià)格與其品質(zhì)和口味密不可分[1]。甜度、口感等的量化分析是優(yōu)選油桃的重要依據(jù)。通過(guò)光譜分析對(duì)油桃的糖含量、酸度值等的無(wú)損檢測(cè)成為研究熱點(diǎn)。

為了提高系統(tǒng)工作的實(shí)用性，常常采用可見(jiàn)光或近紅外光譜對(duì)果肉化學(xué)成分進(jìn)行無(wú)損檢測(cè)[2]。Li等[3]對(duì)梨的果肉進(jìn)行了光譜分析，完成了梨果肉的固形物含量、pH值和硬度的定量分析。Li等[4]將模式識(shí)別技術(shù)應(yīng)用于柚子種類(lèi)分析，相比傳統(tǒng)的圖像識(shí)別而言，采用光譜分析的種類(lèi)識(shí)別概率提高了近1倍。Lee等[5]將近紅外光譜測(cè)試用于獼猴桃，完成了對(duì)磕碰獼猴挑的快速分揀。苗榮慧等[6]利用光譜與可視化圖像相結(jié)合，對(duì)3種不同類(lèi)型油桃進(jìn)行鑒別，識(shí)別率可達(dá)到94.7%，具有很好的分類(lèi)效果。武錦龍等[7]利用人工神經(jīng)網(wǎng)絡(luò)算法對(duì)油桃表面的輕微損傷進(jìn)行定量分析，提高了油桃品質(zhì)，其算法主要針對(duì)可見(jiàn)光二維圖像進(jìn)行分類(lèi)計(jì)算。由此可見(jiàn)，通過(guò)光譜、圖像分析等方法對(duì)水果分類(lèi)、狀態(tài)檢測(cè)的研究很多，但大部分文獻(xiàn)研究重點(diǎn)集中在分類(lèi)、磕碰損傷等方面，對(duì)于不同品種的甜度及口感分析較少。

研究擬解決相似品種油桃的無(wú)損檢測(cè)，以期在大量樣本快速檢測(cè)與識(shí)別過(guò)程中降低分類(lèi)誤差，從而實(shí)現(xiàn)不同品質(zhì)油桃快速自動(dòng)化分揀的目的。

1 計(jì)算模型設(shè)計(jì)

設(shè)置光譜振幅峰值、強(qiáng)度對(duì)比值、特征光譜譜段寬度等幾個(gè)特征參數(shù)用于描述油桃的反射光譜的分布數(shù)據(jù)。為準(zhǔn)確獲取目標(biāo)的光譜強(qiáng)度分布，對(duì)測(cè)試光信號(hào)進(jìn)行標(biāo)定，并測(cè)量對(duì)比用的白光光源。設(shè)任意樣品i的光譜反射均值為Si；有白光光源無(wú)測(cè)試目標(biāo)時(shí)，獲取的光譜分布為Swhite；設(shè)當(dāng)關(guān)閉光源并遮蔽光譜測(cè)試探頭時(shí)獲取的光譜分布為Sdark。則相對(duì)反射率為R有

(1)

模型中測(cè)試目標(biāo)油桃的溫度需要在測(cè)試環(huán)境中靜置至與室溫相同。其中樣品上每個(gè)測(cè)試點(diǎn)為n，共計(jì)取N個(gè)點(diǎn)，然后計(jì)算平均光譜得到的。

采用CIELAB色彩空間[8]對(duì)獲取的光譜數(shù)據(jù)進(jìn)行計(jì)算，通過(guò)光譜儀可以測(cè)量得到目標(biāo)明度值為L(zhǎng)*，則其色度值C*和色調(diào)值h*可以表示為

(2)

式中：

C*——目標(biāo)色度值；

h*——目標(biāo)色調(diào)值；

a*——測(cè)試光譜中紅/綠的強(qiáng)度值；

b*——測(cè)試光譜中黃/藍(lán)的強(qiáng)度值。

不同樣品間的總色差[9]可以表示為

(3)

根據(jù)式(3)可以看出，對(duì)于不同的兩種類(lèi)型，可以通過(guò)獲取其光譜分布完成對(duì)色差及光譜譜形的對(duì)比分析。當(dāng)特征波長(zhǎng)選擇可見(jiàn)光和紅外光中的幾個(gè)特征位置時(shí)，不僅可以得到對(duì)油桃樣品種類(lèi)的區(qū)分信息，還可以利用特征譜線(xiàn)位置分析其品質(zhì)。

2 系統(tǒng)結(jié)構(gòu)與光譜獲取

2.1 系統(tǒng)結(jié)構(gòu)

為了同時(shí)獲取可見(jiàn)光與近紅外的光譜分布，一方面保證光譜檢測(cè)精度，采集特征波長(zhǎng)位置上更精細(xì)的強(qiáng)度信號(hào)，另一方面，提高系統(tǒng)處理速度。系統(tǒng)采用了多通道數(shù)據(jù)采集的方式，并且在不同的光譜段采用不同的光譜分辨率。分辨率的選定由樣品在對(duì)應(yīng)區(qū)域上特征譜線(xiàn)的間距、峰谷值及比例值決定。在可見(jiàn)光380～650 nm波段，雖然吸光度值較高，但相近品種之間的比例值較低，而占比范圍相對(duì)寬，故適合采用分辨率低但覆蓋范圍寬的光譜采集形式，故設(shè)置光譜分辨率為10.0 nm，而在近紅外650～1 600 nm波段的比例值較高，有幾個(gè)明顯的特征吸收峰，所以采用窄光譜更合適，故采用1.0 nm，從而在樣品特征光譜位置上獲得更好的細(xì)分效果。系統(tǒng)結(jié)構(gòu)如圖1所示。

由圖1可知，系統(tǒng)除了數(shù)據(jù)處理模塊之外主要分三大部分，分別是光譜分區(qū)采集模塊、對(duì)比單元以及特征參數(shù)模塊。光譜分區(qū)采集模塊主要包括可見(jiàn)光通道及近紅外光通道，可見(jiàn)光通道由數(shù)據(jù)采集卡、CM-25D分光儀、準(zhǔn)直透鏡組以及可見(jiàn)光濾光片組成，近紅外光通道由數(shù)據(jù)采集卡、FT-NIR分光儀、準(zhǔn)直透鏡組以及近紅外光濾光片組成。用于實(shí)現(xiàn)光譜分區(qū)采集，其特點(diǎn)是可以根據(jù)光譜特征位置而調(diào)節(jié)系統(tǒng)采樣精度與分區(qū)位置；對(duì)比單元由參考白光與探測(cè)器構(gòu)成，用于為照射樣品的光源進(jìn)行定標(biāo)，測(cè)試得到背景光譜的輻射強(qiáng)度與光譜分布特征；特征參數(shù)模塊包括特征數(shù)據(jù)庫(kù)和分析算法，特征數(shù)據(jù)庫(kù)中包含了所有類(lèi)型油桃的光譜分布及其特征波長(zhǎng)位置與吸光值，分析算法是用于完成分類(lèi)、品質(zhì)分析的數(shù)據(jù)模型。檢測(cè)平臺(tái)采用旋轉(zhuǎn)結(jié)構(gòu)，目的是采集目標(biāo)多個(gè)位置的光譜數(shù)據(jù)進(jìn)行平均，得到樣品的平均光譜分布，提高品質(zhì)分析的準(zhǔn)確性。

圖1 油桃種類(lèi)及品質(zhì)檢測(cè)系統(tǒng)示意圖Figure 1 Schematic diagram of nectarine types and quality inspection system

2.2 光譜獲取與預(yù)處理

為了同時(shí)獲取可見(jiàn)光與近紅外的光譜分布，提高光譜分辨精度及降低特征光譜之間的干擾，采用多通道分區(qū)獲取的方式。由CM-25D型分光儀完成可見(jiàn)光光譜采集，由FT-NIR光譜儀完成近紅外光譜采集，將分區(qū)光譜數(shù)據(jù)導(dǎo)入數(shù)據(jù)處理模塊后利用光譜歸一化[10-11](用其每一個(gè)變量除以其相應(yīng)的標(biāo)準(zhǔn)差)，從而統(tǒng)一至同一范圍區(qū)間。在此基礎(chǔ)上，對(duì)光譜數(shù)據(jù)進(jìn)行平滑處理，用以消除雜散噪聲。

將每種樣品的平均光譜曲線(xiàn)構(gòu)建成矩陣，則形成4個(gè)表征對(duì)應(yīng)油桃種類(lèi)的矩陣，通過(guò)主成分分析提取光譜數(shù)據(jù)中的主要特征信息，再采用偏最小二乘[12](PLS)完成4個(gè)光譜數(shù)據(jù)的回歸模型。與此同時(shí)，定義樣品的品質(zhì)參數(shù)[13](QP)為

(4)

式中：

PQ——樣品的品質(zhì)參數(shù)；

fmax——油桃撕裂強(qiáng)度，N；

CSS——可溶性固體含量，oBx；

L*——目標(biāo)明度值；

h*——目標(biāo)色調(diào)值；

C*——目標(biāo)色度值。

試驗(yàn)測(cè)試中，以樣本集測(cè)試均值代入式(4)，fmax為0.487 kN，SSC為3.19oBx，系數(shù)L*為27.2，系數(shù)h*為42.1，系數(shù)C*為0.45。代入后，QP的均值為12.4，范圍為11.2～13.6。

3 結(jié)果與分析

3.1 光譜獲取

測(cè)試樣品為瑞光5號(hào)(A)、金山早紅(B)、世紀(jì)之星2號(hào)(C)和中油桃4號(hào)(D)4種油桃。每個(gè)品種選20個(gè)大小相近的樣品，每5個(gè)樣品通過(guò)平均計(jì)算獲得一條光譜曲線(xiàn)。最終，通過(guò)在Unscrambler軟件中將光譜以吸光度值進(jìn)行表達(dá)，結(jié)果如圖2所示。

3.2 光譜測(cè)試結(jié)果分析

由圖2可知，4種樣品的譜形趨勢(shì)是相近的，但不同種類(lèi)之間仍存在一些明顯差異。對(duì)于A(yíng)類(lèi)而言，在400～500 nm的吸光度均值相比其他3種高，而在750～1 100 nm 的低吸光度平滑段，其吸光度均值要明顯低于其他類(lèi)型；對(duì)于B類(lèi)而言，在543 nm附近的第1個(gè)弱吸收峰谷位置上，吸光度均值達(dá)0.413，具有較好的特征性，而同時(shí)，在1 432 nm的強(qiáng)吸收峰峰位置上也存在吸光度均值偏弱的現(xiàn)象，而在750～1 100 nm的低吸光度平滑段中其吸光度均值較高；對(duì)于C類(lèi)而言，在400～483 nm的吸光度均值較其他3種類(lèi)型最低，而在665 nm附近的第2個(gè)弱吸收峰峰位置上，吸光度均值達(dá)0.238，具有較好的識(shí)別性；對(duì)于D類(lèi)而言，其第3個(gè)弱吸收峰谷位置的中心波長(zhǎng)與其他3個(gè)存在明顯差異，其均值中心波長(zhǎng)為1 268 nm，而其他3個(gè)的中心波長(zhǎng)均介于1 282～1 296 nm，同時(shí)，在1 412 nm的強(qiáng)吸收峰峰位置上，其吸光度均值達(dá)0.795，明顯高于其他3種。分析完光譜數(shù)據(jù)中吸光度的特性后，還需要對(duì)比例值進(jìn)行分析，因?yàn)閱渭円揽课舛冉^對(duì)值的分析是不準(zhǔn)確的，例如測(cè)試樣本中存在雜質(zhì)、濃度不均勻等問(wèn)題。所以試驗(yàn)還引入了比例值的對(duì)比，將不同品種的相應(yīng)特征位置或譜段的吸光度比值作為第2特征參量可以有效抑制單純通過(guò)吸光度解算的干擾，系統(tǒng)中兩種權(quán)重的比例采用1∶1。由此可見(jiàn)，特征波長(zhǎng)位置的選取只要能夠覆蓋對(duì)應(yīng)種類(lèi)的特征位置就能夠有效地將其識(shí)別。對(duì)應(yīng)區(qū)分度差或者單組數(shù)據(jù)混疊程度較高時(shí)，可以采用多個(gè)特征位置并設(shè)置合適的權(quán)重系數(shù)完成分析，該方法同樣適用于樣品品質(zhì)、糖度等參數(shù)的分析。

圖2 4種油桃的可見(jiàn)光與近紅外光的原始光譜分布Figure 2 The original spectral distribution of visible and near-infrared light of four nectarines

綜上所述，不同類(lèi)型油桃樣本的光譜數(shù)據(jù)具有各自的特性，而對(duì)其特性分布的分析也是選定特征光譜位置及參考權(quán)重的重要依據(jù)，也是樣品種類(lèi)、品質(zhì)區(qū)分程度的重要標(biāo)準(zhǔn)?；跍y(cè)試結(jié)果中不同樣品光譜分布的特性，特征譜段分別設(shè)置為400～430，530～560，670～700，1 030～1 060，1 260～1 290，1 410～1 440 nm。

3.3 主成分分布對(duì)比

將3.2中的特征譜段區(qū)域作為數(shù)據(jù)分類(lèi)計(jì)算譜段，在保證種類(lèi)與品質(zhì)可求解的前提下，選取貢獻(xiàn)程度高的特征波長(zhǎng)位置，并在相應(yīng)波長(zhǎng)位置上以均值之差最大的兩組樣本進(jìn)行比例計(jì)算，從而得到兩個(gè)主成分的參數(shù)比。數(shù)據(jù)分析過(guò)程中，算法的預(yù)測(cè)樣本與驗(yàn)證樣本比例為2∶1，即建模樣本數(shù)為200個(gè)(4品種，每個(gè)品種50個(gè)樣果)，由此完成種類(lèi)與品質(zhì)的分類(lèi)。每個(gè)樣品存在兩個(gè)特征區(qū)域，它們的對(duì)應(yīng)關(guān)系有：① A和B的主成分分離采用450 nm 和950 nm位置的比例系數(shù)；② B和C的主成分分離采用536 nm和671 nm位置的比例系數(shù)；③ C和D的主成分分離采用671 nm和1 411 nm位置的比例系數(shù)；④ D和A的主成分分離采用450 nm和1 411 nm位置的比例系數(shù)。當(dāng)采用吸光度值與比例值作為主成分的兩個(gè)衡量參數(shù)(PC1和PC2，各50%)，則4種分類(lèi)時(shí)的主成分樣本映射如圖3所示。吸光度值(PC1)是對(duì)光譜曲線(xiàn)中振幅量絕對(duì)值的描述，體現(xiàn)了獲得的能量，但由于在整個(gè)光譜段上，4種樣品的光譜均存在混疊的問(wèn)題，故采用了比例值(PC2)作為對(duì)比參數(shù)，即在滿(mǎn)足吸光度振幅范圍的同時(shí)符合兩個(gè)樣品振幅比值范圍的才能夠判定其類(lèi)型與品質(zhì)屬性。為了提高識(shí)別概率每個(gè)樣品分別選取了對(duì)應(yīng)兩種主成分的特征波長(zhǎng)，所以在主成分分布圖中均呈現(xiàn)兩個(gè)區(qū)域。

由圖3可以看出，AB分類(lèi)時(shí)，雖然在450 nm位置具有較強(qiáng)吸光度值，但是其比例值并不高，與CD、DA相近，而在950 nm位置上，雖然吸光度較弱，但比例值明顯高于其他的組合方式，故增大PC2權(quán)重占比有利于區(qū)分AB的類(lèi)別與品質(zhì)參數(shù)；BC分類(lèi)時(shí)，在536 nm位置的振幅值具有較為明顯的可分性，而671 nm處與CD的計(jì)算效果相近，容易造成干擾，并且其分布重合度高，將PC1權(quán)重提高有利于區(qū)分BC的類(lèi)別與品質(zhì)參數(shù)；CD分類(lèi)時(shí)，相比AB和BC更為復(fù)雜，由于400～430 nm和1 030～1 060 nm 兩個(gè)波段位置均存在與另一種樣品組混疊的可能，故需要同時(shí)符合兩個(gè)特征的數(shù)據(jù)才能滿(mǎn)足要求，即PC1和PC2的權(quán)重相近更合適；DA分類(lèi)時(shí)，由于其比例值均較低，僅1 411 nm波段的振幅值較高，故采用PC1權(quán)重大于PC2更合適，同時(shí)，采用PC2并不是求解DA的PC2值，而是用于對(duì)比AB的PC2，從而在滿(mǎn)足PC1符合條件且PC2很小時(shí)，判定為DA組合。至此，將所有的情況分析完后就能夠?qū)崿F(xiàn)基于特征波長(zhǎng)位置主成分分析的方法對(duì)樣品種類(lèi)及品質(zhì)參數(shù)的定量分離。

圖3 4種油桃的測(cè)試點(diǎn)主成分分布圖Figure 3 Principal component distribution diagram of test points for four nectarines

3.4 分類(lèi)概率與品質(zhì)參數(shù)分析

根據(jù)主成分分析方法，結(jié)合樣品測(cè)試獲得的光譜數(shù)據(jù)，將權(quán)值分配引入偏最小二乘算法中，即偏最小二乘權(quán)值分析法[14](PLSWA)，并與常用的線(xiàn)性比例分析算法[15](LRA)進(jìn)行了比較，結(jié)果如表1所示。

由表1可知，譜段選擇對(duì)分類(lèi)識(shí)別概率具有明顯的影響，當(dāng)不區(qū)分特征譜段時(shí)，全譜段的均值效果會(huì)造成樣品特征信噪比降低，從而導(dǎo)致樣品種類(lèi)識(shí)別概率降低。采用特征譜段或特征波長(zhǎng)的PLSWA計(jì)算結(jié)果，4種樣品的種類(lèi)識(shí)別率均值為96.7%，歸一化品質(zhì)系數(shù)為0.892，而LRA的僅為79.1%，歸一化品質(zhì)系數(shù)為0.803。由此可見(jiàn)，采用該算法對(duì)分類(lèi)識(shí)別效果和品質(zhì)系數(shù)測(cè)定都具有更高的準(zhǔn)確性，即可以通過(guò)運(yùn)算結(jié)果完成油桃類(lèi)型和品質(zhì)的分類(lèi)。同時(shí)，采用特征分區(qū)的方式不但降低了光譜數(shù)據(jù)處理總量，減少了處理時(shí)間，還變相提高了信號(hào)權(quán)重，從而使其識(shí)別概率與歸一化品質(zhì)系數(shù)都得到了一定的提升。

表1 不同譜段選擇及不同算法條件下的識(shí)別概率與品質(zhì)分析?Table 1 Recognition probability and quality analysis by different spectrum and algorithms

4 結(jié)論

針對(duì)相近品種之間光譜圖像識(shí)別率低的問(wèn)題，搭建了可見(jiàn)光與近紅外光獨(dú)立通道光譜圖像采集系統(tǒng)，并設(shè)計(jì)了基于吸光度值與吸光度比值作為判別因子的最小二乘權(quán)值分析法。試驗(yàn)針對(duì)4種油桃進(jìn)行種類(lèi)及品質(zhì)因子分類(lèi)測(cè)試，結(jié)果表明采用兩個(gè)特征主成分調(diào)控的分類(lèi)算法比僅依據(jù)原始光譜數(shù)據(jù)的線(xiàn)性數(shù)據(jù)分類(lèi)的效果要好，分類(lèi)識(shí)別概率與品質(zhì)系數(shù)都更高?？梢?jiàn)，該系統(tǒng)及其對(duì)應(yīng)算法在諸如水果等相近樣品的種類(lèi)識(shí)別與品質(zhì)分析方面具有更好的應(yīng)用前景。