基于高光譜圖像技術的長棗糖度無損檢測

徐 爽 何建國 易 東 賀曉光

（1.寧夏大學物理電氣信息學院，寧夏 銀川 750021；2.銀川能源學院，寧夏 永寧 750105；3.寧夏大學農學院，寧夏 750021）

寧夏靈武盛產長棗，由于自然環境條件和地理因素，孕育了其特有的風味和品質。長棗有較高的營養價值和藥用價值備受消費者青睞，熱銷國內外多個城市，成為寧夏特色品牌產品。糖度是評價長棗品質的常規性狀指標，對長棗的分級和銷售有著重要影響。傳統的機械分選和人工分選對果品損傷大、效率低、衛生質量難以保證，成為制約寧夏長棗產業化發展的主要因素。為了保證長棗業的迅速發展，研究簡單、快速、無損的品質檢測方法非常重要。

近年來，高光譜圖像技術應用在農產品品質檢測已成為一個研究熱點［1，2］。高光譜圖像技術結合了圖像技術和光譜技術的優點，可實現對水果內外品質進行快速、無損檢測。國內外許多學者利用高光譜圖像技術對蘋果的損傷、糖度、可溶性固形 物、堅 實 度 等 檢 測 研 究 較 多［3－7］，對 雪 花 梨［8］、臍橙［9］、草莓［10］等水果品質檢測也有研究。已取得的研究結果證明了高光譜圖像技術在水果品質檢測方面具有廣闊的應用前景。

本試驗選取長棗作為樣品，利用高光譜圖像技術獲得光譜數據對樣品進行光譜分析，建立BP神經網絡糖度預測模型。分析比較BP神經網絡和偏最小二乘（PLS）模型對長棗糖度的預測結果。從而為高光譜圖像技術對長棗品質的在線檢測與分級提供技術依據。

1 材料與方法

1.1 儀器設備

成像 光 譜 儀：V10E－QE 型，芬 蘭Spectral Imaging Ltd公司；

CCD 攝像機：C8484－05G 型，日本Hamamatsu公司；

光纖鹵素燈：DCR Ⅲ型，150 W，美國Schott公司；

輸送裝置：SC300－1A 型，北京Zolix公司；

數字式糖度折射儀：PAL－1型，日本Atago公司；

高光譜圖像系統如圖1所示，由成像光譜儀，CCD 攝像機，150 W 的光纖鹵素燈，一套輸送裝置和計算機等部件組成。高光譜儀光譜范圍400～1 000nm，共477個波段，光譜分辨率為2.8nm。

圖1 高光譜圖像系統Figure 1 Hyperspectral imaging system

1.2 試驗材料與糖度測定

長棗：采自寧夏靈武某果園。

選取果形勻稱、無損傷的樣本100個。從中隨機選取75個樣品作為校正集，剩下25個樣品作為預測集。糖度折射儀測量樣品糖度統計見表1。

表1 樣品糖度統計Table 1 Statistics of sugar content in samples

1.3 高光譜圖像采集

高光譜圖像數據獲取基于Spectral cube軟件（Spectral Imaging Ltd.，Finland）。光譜數據采集前要設定曝光時間為30ms，確定電控位移臺速度為0.42mm／s，保證圖像清晰不失真。數據采集時，線陣探測器在光學焦平面的垂直方向作橫向掃描，獲取掃描空間中每個像素在各個波長處的圖像信息，同時隨著電控位移臺的前進，線陣探測器掃出整個平面，完成整個樣本圖像采集。

由于各波段下光源強度分布不均勻及攝像頭中暗電流存在都會導致圖像中含有較大的噪聲。因此要對高光譜圖像進行黑白校正［3］，以消除噪聲的影響。

1.4 反射光譜多元散射校正

對校正后的長棗高光譜圖像，選取它表面一個感興趣區域并計算光譜的平均反射值，得到原始反射光譜曲線見圖2。由于小于500nm 光譜數據存在明顯噪聲，因此試驗選取500～1 000nm 波長范圍內數據進行分析。原始光譜存在散射和偏移的影響，應用多元散射校正［11］（multiplicative scatter correction，MSC）對其進行線性化處理，經過多元散射校正后得到的光譜曲線見圖3。高光譜圖像數據處理采用ENVI 4.6（Research System Inc.，USA）和Matlab（Mathwork，Matlab 9.0，Inc.，USA）軟件平臺。

圖2 原始光譜反射曲線Figure 2 Reflectance curves of original spectrum

圖3 MSC處理后的光譜反射曲線Figure 3 Reflectance curves of spectrum after using MSC processing

2 結果與分析

2.1 主成分分析

經MSC 處理后的反射光譜范圍500～1 000nm 共有394個波點，若采用394波點計算，計算量較大，冗余信息多。所以通過主成分分析（PCA），對數據進行降維，消除互相重疊的信息［12］。由主成分分析得到主成分PC1、PC2、PC3、PC4、PC5、PC6 累 計 貢 獻 率 分 別 為77.79%，6.32%，93.35%，95.65%，96.21%，96.74%。可 以 看 出，前6 個 主成分就能夠表征原始波長信息的96.74%。它把原來394個波長壓縮成6個互不影響的主成分，而且這6個主成分就能最大限度表征原始光譜的信息。

2.2 BP神經網絡預測長棗糖度

把6個主成分的得分作為BP神經網絡的輸入變量，建立長棗糖度模型。BP神經網絡由輸入層、隱含層、輸出層構成［13］。輸入層包含6 個節點，隱含層節點數對預測精度有較大影響，大量嘗試確定隱含層節點數為10 個，輸出層1個節點對應糖度，結構為6－10－1網絡結構。訓練迭代次數為1 000，目標誤差為0.001。

100個試驗樣品，其中75%用于訓練模型，25%用于驗證模型。應用BP神經網絡建立長棗糖度預測模型。預測結果見圖4，模型的相關系數和均方根誤差分別為0.927 4和1.712 5。

圖4 長棗糖度BP神經網絡模型預測結果Figure 4 Prediction result of sugar content of long jujubes by BP neural network model

2.3 BP神經網絡模型與PLS預測結果比較

對經過MSC處理的原始光譜數據，建立PLS糖度預測模型。預測結果見圖5，模型的相關系數和均方根誤差分別為0.908 8和1.782 6。可見利用BP 神經網絡預測長棗糖度的相關系數高于PLS預測，均方根誤差低于PLS預測，預測效果較好。

圖5 長棗糖度PLS模型預測結果Figure 5 Prediction result of sugar content of long jujubes by PLS model

3 結論

本試驗利用高光譜圖像技術結合主成分分析及化學計量學方法，建立長棗糖度預測模型。結果表明，采用BP神經網絡預測長棗糖度的效果優于PLS預測結果，模型的相關系數和均方根誤差分別為0.927 4和1.712 5。高光譜圖像技術對長棗糖度進行無損檢測是可行的。本試驗選用100個樣品作為研究對象，雖然結果比較理想，但后續應擴大試驗樣品的數量和樣品的廣泛性，進一步完善預測模型。還可以結合長棗外部品質對它進行內外品質同時檢測，并嘗試其它建模方法，使預測效果達到更好。

1 王雷，喬曉艷，董有爾，等.高光譜圖像技術在農產品檢測中的應用進展［J］.應用光學，2009，30（4）：639～645.

2 田有文，王曉娟.基于高光譜圖像技術的農產品品質無損檢測［J］.農機化研究，2009，31（10）：220～222.

3 單佳佳，彭彥昆，王偉，等.基于高光譜成像技術的蘋果內外品質同時檢測［J］.農業機械學報，2011，42（3）：140～144.

4 Peng Yankun，Lu Renfu.Analys is of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble solids content［J］.Postharvest Biology and Technology，2008，48（1）：52～62.

5 趙杰文，陳全勝，Saritporn V，等.利用高光譜成像技術和多變量校正方法檢測蘋果的硬度［J］.農業工程學報，2009，25（11）：226～231.

6 萬相梅，黃敏，朱啟兵.基于高光譜散射圖像蘋果壓縮硬度和汁液含量無損檢測［J］.食品工業科技，2012，33（6）：71～75.

7 Huang M，Lu R F.Apple mealiness detection using hyperspectral scattering technique［J］.Postharvest Biology and Technology，2010，58（3）：168～175.

8 洪添勝，喬軍，Michael D Ngadi，等.基于高光譜圖像技術的雪花梨品質無損檢測［J］.農業工程學報，2007，23（2）：151～155.

9 郭恩有，劉木華，趙杰文，等.臍橙糖度的高光譜圖像無損檢測技術［J］.農業機械學報，2008，39（5）：91～93.

10 EImasry G，Wang N，EIsayed A，et al.Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry［J］.Journal of Food Engineering，2007，81（1）：98～107.

11 李江波，蘇憶楠，饒秀勤.基于高光譜成像及神經網絡技術檢測玉米含水率［J］.包裝與食品機械，2010，28（6）：1～4.

12 張淑娟，王鳳花，張海紅，等.鮮棗品種和可溶性固形物含量近紅外光譜檢測［J］.農業機械學報，2009，40（4）：139～142.

13 史峰，王小川，郁磊，等.MATLAB 神經網絡30 個案例分析［M］.北京：航空航天大學出版社，2010.