基于高光譜成像的馬鈴薯環腐病無損檢測

郭紅艷，劉貴珊,*，吳龍國，王松磊,，康寧波，陳亞斌，何建國,，賀曉光（.寧夏大學農學院，寧夏 銀川　7500；.寧夏大學土木水利工程學院，寧夏 銀川　7500）

?

基于高光譜成像的馬鈴薯環腐病無損檢測

郭紅艷1，劉貴珊1,*，吳龍國2，王松磊1,2，康寧波2，陳亞斌1，何建國1,2，賀曉光1
（1.寧夏大學農學院，寧夏 銀川750021；2.寧夏大學土木水利工程學院，寧夏 銀川750021）

摘 要：為探討高光譜成像技術無損檢測馬鈴薯環腐病的可行性，采用反射高光譜（980～1 650 nm）成像技術，以120 個馬鈴薯樣本（合格60 個，環腐60 個）為研究對象，對比多元散射校正、標準正態變換、卷積＋一階導數等對建模的影響，優選出多元散射校正的光譜預處理方法；然后基于偏最小二乘回歸系數法提取9 個特征波長（993、1 005、1 009、1 031、1 112、1 162、1 165、1 225、1 636 nm），建立特征波長下馬鈴薯環腐病的2 類線性判別分析（linear discriminant analysis，LDA）模型和4 類支持向量機（support vector machine，SVM）模型，即Fisher-LDA、馬氏距離-LDA、線性核SVM、徑向基核SVM、多項式核SVM和S型核SVM。結果表明，LDA模型中馬氏距離法最優，SVM模型中S型核SVM最優，LDA模型整體優于SVM模型，最終確定基于馬氏距離LDA的馬鈴薯環腐病判別模型為最佳模型，校正集、驗證集識別率分別為100%和93.33%。實驗結果表明高光譜無損檢測馬鈴薯環腐病具有可行性。

關鍵詞：高光譜成像技術；馬鈴薯；環腐病；無損檢測

引文格式：

郭紅艷, 劉貴珊, 吳龍國, 等. 基于高光譜成像的馬鈴薯環腐病無損檢測[J]. 食品科學, 2016, 37(12): 203-207. DOI:10.7506/spkx1002-6630-201612036. http://www.spkx.net.cn

GUO Hongyan, LIU Guishan, WU Longguo, et al. Hyper-spectral imaging technology for nondestructive detection of potato ring rot[J]. Food Science, 2016, 37(12): 203-207. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201612036. http://www.spkx.net.cn

我國已成為世界上馬鈴薯生產和消費的第一大國。2015年，第一代馬鈴薯饅頭在北京成功上市，馬鈴薯主食產業化的不斷推進使馬鈴薯有望成為與三大主糧協調發展的第四大主糧，其產業發展前景良好，經濟效益、營養效益、生態效益、社會效益可觀，對保障國家糧食安全、加快農業發展方式轉變具有重要支撐作用，馬鈴薯的產業發展也受到世界各國的高度關注[1]。

馬鈴薯環腐病是馬鈴薯生產上一種重要的細菌性病害，具有高度的傳染性，常造成馬鈴薯的爛種、死苗和死株，一般減產10%，嚴重者減產達60%以上[2]。目前的檢測方法為人工目測癥狀檢測或實驗室生化檢測，或效率低，或操作復雜，因此對馬鈴薯環腐病進行快速無損檢測進行研究具有重要意義。

高光譜成像技術融合了傳統的數字成像技術和光譜分析技術，不僅可以獲取被測物的空間圖像信息，還能獲取每個像素的光譜信息[3]。在農產品研究領域，高光譜可以進行定性分析或定量檢測，目前國內外學者的研究報道涵蓋了對尺寸、表面缺陷損傷、排泄物污染、農藥殘留等外部指標的分析，也包括對糖度、水分、固形物、硬度等內部指標的檢測。蘇文浩等[4]運用高光譜成像技術檢測了馬鈴薯的機械損傷、孔洞、瘡痂、表面碰傷等問題；周竹[5]、韓廣濤[6]等運用高光譜成像技術研究了馬鈴薯黑心病；Polder等[7]運用高光譜成像技判別分析了西紅柿的成熟度；Sun Dawen等[8]運用高光譜反射成像技術檢測了鱸魚的新鮮度（6 d內）；有研究[9-17]分別利用高光譜圖像技術檢測柑橘果銹、臍橙潰瘍、水果硬度、牛肉嫩度、茶葉質量等級、柑橘果銹、咖啡豆品種及臍橙糖度。然而，目前利用高光譜成像技術檢測馬鈴薯環腐病的研究鮮見報道。

針對馬鈴薯環腐病的高光譜無損檢測研究尚少的現狀，利用近紅外高光譜成像系統（900～1 700 nm）采集馬鈴薯內部環腐病與正常馬鈴薯的高光譜圖像，選擇感興趣區域，提取取平均光譜，優化光譜預處理方法，采用偏最小二乘回歸系數（partial least squares regression，PLSR）法提取特征波長，對比分析特征波長下建立的線性判別分析（linear discriminant analysis，LDA）模型和支持向量機（support vector machine，SVM）模型，優選模型，實現馬鈴薯內部環腐病的無損檢測，以期為高光譜成像技術應用于馬鈴薯品質的在線分級分選提供參考。

1　材料與方法

1.1材料

實驗所用馬鈴薯樣本為寧薯六號，產于寧夏吳忠市紅寺堡區。按馬鈴薯等級規格選取120 個馬鈴薯作為樣本，所有樣本購回后做簡單清理，室溫條件下放置24 h，使其自身溫度與室溫相同。切開得到60 個環腐馬鈴薯，其余60 個正常馬鈴薯作為對照組，如圖1所示。

圖1　各類馬鈴薯樣本Fig. 1　Different potato samples

1.2儀器與設備

N17E-NIR近紅外高光譜成像系統、4 個35 W的HSIA-LS-TDIF鹵鎢燈線光源、PSA200-11-X推掃式輸送裝置北京卓立漢光儀器有限公司；Imspector N17E近紅外成像光譜儀芬蘭奧盧光譜成像有限公司；Zelos-285GV系列CCD相機德國Kappa Opto-electronics GmbH公司；采集暗箱和高性能的計算機聯想集團有限公司。

高光譜成像系統（圖2）可采集的波長范圍為900～1 700 nm，光譜分辨率為5 nm，共有256 個波長，像素為320×300。

圖2　高光譜成像系統Fig. 2　Hyper-spectral imaging system

1.3方法

1.3.1成像系統采集參數的確定

為避免環境光線和噪音的干擾，整個圖像的掃描過程在采集暗箱中進行。預先根據光源的照度設定好攝像頭曝光時間，以保證圖像清晰；并調整好輸送裝置的速度，以避免圖像空間分辨率失真。采集圖像時，線陣探測器作垂直于光學焦平面的橫向移動，從而獲取所掃描空間中每個像素在整個光譜區域的圖像信息；同時，樣本在輸送裝置的作用下作垂直于攝像機的縱向移動，最終完成整個樣本圖像的采集。預實驗進行參數的調整和優化，確定曝光時間為10 ms，圖像采集速率為13 mm/s，物距為2 cm。

采集樣本圖像前，為了減弱或消除CCD相機暗電流和光源不均勻亮度的產生的影響，需要進行黑白校正[18]，校準圖像（T）的計算如公式（1）所示：

式中：T0為樣本的原始漫反射高光譜圖像；Td為全黑圖像；Tw為白板圖像；T為校正后的漫反射高光譜圖像。

1.3.2高光譜圖像數據的采集

將黑色背景板置于載物臺上，每次取1 個馬鈴薯樣本規整放于該板上，采集樣本的高光譜圖像。為減少背景圖像中多余信息的影響，以馬鈴薯樣本的實際尺寸為參照，把各個樣本圖像的像素尺寸由320×300調整到200×160。然后，利用ENVI 4.6軟件選擇合適的感興趣區域，提取平均光譜值。

1.3.3數據處理方法

PLSR融合了多種多元統計數據分析方法的優點，是一種新型的分析方法，有效地解決了變量相關度高的問題，并且比較適用于處理變量多而樣本數少的問題[19]。

SVM[20]通過引入核函數把基于內積運算的線性算法非線性化，即將樣本非線性映射到新的高維空間，在高維空間中進行相應的線性操作[21]。根據核函數類型可以分為：線性核函數（linear kernel，LK）、多項式核函數（ploynomial kernel，PK）、徑向基核函數（radial basis function，RBF）、S型核函數（sigmoid kernel，S）等[22]。

LDA通過特征提取把同類樣本聚集在一起，不同類樣本分開[23]。按照判別函數的判別準則，LDA分為Fisher判別分析、距離判別分析、Bayes判別分析[24]等。經典LDA使用的是Fisher LDA[25]，而馬氏距離是距離判別分析中常用的一種判別函數[25]。

實驗中應用到的數據軟件為ENVI 4.6（Research System Inc.，Boulder，Colo，USA）、MATLABR2011a （The Mathworks Inc.，Natick，MA，USA）以及Unscrambler X 10.2（CAMO Software AS，OSLO，Norway）。

1.3.4模型評價指標

識別率是評價模型的指標，正確識別率越高，表示該模型性能越好，識別馬鈴薯環腐病的能力越強。環腐病馬鈴薯的正確識別率的計算如公式（2）所示：

式中：a為環腐樣本的正確識別率/%；b為正確識別環腐樣本的數目；c為被識別樣本的總數目。

2　結果與分析

2.1光譜預處理

為了使樣本的光譜曲線更具代表性，分別計算120個馬鈴薯樣本表面10×10個像素點下的平均光譜值，作為相應樣本的原始光譜。由于原始光譜數據受樣品表面不均勻性、形態多樣性、儀器噪音和暗電流等因素的影響，使光譜曲線產生不重復和基線漂移的現象，因此必須對原始光譜進行預處理。本實驗選用多元散射校正（multiplicative scatter correction，MSC）、標準正態變換（standard normal variate，SNV）、卷積＋一階導數（savitzky-golay＋first derivative，S-G＋FD）等預處理方法處理原始光譜，原始光譜和不同預處理方法的處理效果，如圖3所示。

圖3　原始光譜和預處理后的光譜曲線圖Fig. 3　Original and pretreated spectra

從圖3可以看出，980 nm以下和1 650 nm以上的波長部分噪聲明顯，使該波長的數據失去分析的價值。因此，選取980～1 650 nm的光譜區域進行后續分析。

在980～1 650 nm波長范圍內，以2/3樣本為校正集、1/3樣本為驗證集，對原始光譜和不同預處理光譜，分別建立基于馬氏距離的馬鈴薯環腐病LDA判別模型，結果如表1所示。

表1　原始光譜與預處理光譜的LDA模型比較Table 1 Comparison of the LDA models established with original and pretreated spectra

不同預處理光譜在同一建模方法下建模，模型的正確識別率越高，則證明光譜預處理方法越好，對環腐病馬鈴薯的判別越準確。由表1可知，基于MSC的LDA模型對樣本校正集、驗證集的正確識別最高，分別達到97.78%和95.36%，判別效果最好；與原始光譜相比較，基于S-G＋FD的LDA模型性能反而下降，校正集和驗證集的正確識別率均降低，這可能是由于在卷積求導的過程中噪音等無用信息無形中被放大的結果。因此，選取MSC法為光譜預處理方法。

2.2特征波長的提取

對980～1 650 nm有效波長內的全部高光譜數據進行分析處理不僅耗時，而且計算量大[26]。此外，這些數據本身具有一定的冗余性，部分信噪比低、噪音大的波長會對模型的識別性能產生影響，因此，必須對光譜數據進行降維。實驗對MSC預處理的光譜進行PLS回歸，基于局部最大值和最小值的原則，在980～1 650 nm波長范圍內選取了9 個理想可用特征波長，分別為993、1 005、1 009、1 031、1 112、1 162、1 165、1 225、1 636 nm。

2.3模型的建立與分析

將MSC預處理的9 個特征波長分別輸入SVM 和LDA，建立馬鈴薯環腐病的Fisher-LDA、馬氏距離-LDA、LK-SVM、PK-SVM、RBF-SVM和S-SVM共6 類判別模型，結果如表2所示。

SVM的主要優勢在于解決線性不可分問題。構造出性能良好的SVM，核函數的選擇是關鍵，這主要包括核函數類型的選擇和后續后相關參數的選擇兩部分工作。實驗采用Cross-Validation方法，分別試用不同的核函數，所得誤差最小的核函數，即為最好的核函數。采用S函數時，SVM實現的是一種多層感知器神經網絡，SVM的理論基礎決定它最終求得的是全局最優值，也保證了它對于未知樣本的良好泛化能力。表2顯示，在相同數據條件下識別環腐馬鈴薯時，采用S型核函數的SVM要比采用其他核函數的SVM誤差小，其驗證集正確識別率最高，為91.33%。

表 2 SVM與LDA模型識別結果比較Table 2 Comparison of recognition results between SVM and LDA models

LDA適合于模式識別問題，傳統的LDA最大的缺點是難以找到足夠多的訓練樣本以保證類內離散度矩陣可逆[25]。馬氏距離算法簡單，具有平移不變性、旋轉不變形和仿射不變性[27]，較好地解決了小樣本問題。表2顯示，LDA模型識別馬鈴薯環腐病的效果良好，其中基于馬氏距離的LDA算法識別率最高，驗證集正確識別率為93.33%。

綜合分析，基于LDA法的馬鈴薯環腐病判別模型的正確識別率整體優于SVM法，分析SVM模型識別效果差的原因可能是受樣本數量少的影響。因此，6種模型中，采用馬氏距離-LDA法建立的馬鈴薯環腐病判別模型為最佳模型，其校正集正確識別率為100%，驗證集正確識別率為93.33%。

3　結 論

采用高光譜成像技術在900～1 700 nm波長范圍內，對寧夏馬鈴薯環腐病進行了無損檢測。全波長內，MSC、SNV、S-G＋FD和原始光譜相比較，優選出MSC的光譜預處理法，預測集正確識別率為95.36%；PLSR可從有效波長中優選出9 個特征波長（993、1 005、1 009、1 031、1 112、1 162、1 165、1 225、1 636 nm），簡化運算，提高模型性能；整體上，特征波長下的LDA馬鈴薯環腐病判別模型較SVM馬鈴薯環腐病判別模型的識別性能更好；LDA的2 類模型中，馬氏距離-LDA模型最優；SVM的4 類模型中，S-SVM模型最優。最佳模型為基于馬氏距離的LDA馬鈴薯環腐病判別模型，其校正集識別率為100%，驗證集識別率為93.33%。反射高光譜成像技術作為一種快速、高效的無損檢測技術對馬鈴薯環腐病進行檢測具有可行性。

參考文獻：

[1] 周康才, 林玉清, 檀時龍, 等. 馬鈴薯發展前景分析及其優勢利用[J]. 安徽農學通報, 2011, 17(17): 67-68. DOI:10.3969/ j.issn.1007-7731.2011.17.033.

[2] 韓學儉. 馬鈴薯環腐病的危害及其防治[J]. 蔬菜, 2003(2): 22-23. DOI:10.3969/j.issn.1001-8336.2003.02.018.

[3] 馬本學, 應義斌, 饒秀勤, 等. 高光譜成像在水果內部品質無損檢測中的研究進展[J]. 光譜學與光譜分析, 2009, 29(6): 1611-1615. DOI:10.3964/j.issn.1000-0593(2009)06-1611-05.

[4] 蘇文浩, 劉貴珊, 何建國, 等. 近紅外高光譜圖像技術在馬鈴薯外部缺陷中的應用[J]. 食品與機械, 2013(5): 128-134.

[5] 周竹, 李小昱, 高海龍, 等. 漫反射和投射光譜檢測馬鈴薯黑心病的比較[J]. 農業工程學報, 2012, 28(11): 237-242.

[6] 韓廣濤, 楊志輝, 朱杰華, 等. 雙重PCR技術檢測馬鈴薯環腐病菌和黑脛病菌的方法建立[J]. 中國農業科學, 2011, 44(20): 4199-4206.

[7] POLDER G, van der HEIJDEN G, YOUNG I T. Spectral image analysis for measuring ripeness of tomatoes[J]. Trans of ASAE, 2002, 45(4): 1155-1162.

[8] SUN Dawen. Hyperspectral imaging for food quality analysis and control[M]. Elsevier: Academic Press of Elsevier, 2010.

[9] 蔡鍵榮, 王建黑, 黃星奕, 等. 高光譜圖像技術檢測柑橘果銹[J]. 光電工程, 2009, 36(6): 26-30. DOI:1003-501X(2009)06-0026-05.

[10] 李江波, 饒秀勤, 應義斌, 等. 基于高光譜成像技術檢測臍橙潰瘍[J]. 農業工程學報, 2010, 26(8): 222-228. DOI:10.3969/ j.issn.1002-6819.2010.08.038.

[11] JIAN Weiqin, THOMAS F B, MARK A R, et al. Detection of citrus canker using hyperspectral reflectance imaging with spectral information divergence[J]. Journal of Food Engineering, 2009, 93(2): 183-191.

[12] LU R F, PENG Y K. Hyperspectral scattering for assessing peach fruit firmness[J]. Biosystems Engineering, 2006, 93(2): 161-171.

[13] XIA J J, WEAVER A, GERRARD D E, et al. Heating induced optical property changes in beef muscle[J]. Journal of Food Engineering, 2008, 84(1): 75-81. DOI:10.1016/j.jfoodeng.2007.04.023.

[14] 陳全勝, 趙杰文, 蔡健榮, 等. 利用高光譜圖像技術評判茶葉的質量等級[J]. 光學學報, 2008, 28(4): 669-674. DOI:10.3321/ j.issn:0253-2239.2008.04.011.

[15] 蔡健榮, 王建黑, 陳全勝, 等. 波段比算法結合高光譜圖像技術檢測柑橘果銹[J]. 農業工程學報, 2009, 25(1): 127-131.

[16] IVANIRA M, IEDA S S. Chemometric discrimination of genetically modified coffea arabica cultivars using spectroscopic and chromatographic fingerprints[J]. Talanta, 2013, 107: 416-422.

[17] 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.

[18] 吳龍國, 何建國, 劉貴珊, 等. 基于NIR高光譜成像技術的長棗蟲眼無損檢測[J]. 發光學報, 2013, 34(11): 1527-1532.

[19] XIAOBO Z, JIEWEN Z, POVEY M J W, et al. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta, 2010, 667(1): 14-32. DOI:10.1016/j.aca.2010.03.048.

[20] 許祿. 化學計量學方法[M]. 北京: 科學出版社, 1995: 58-64.

[21] 楊國鵬, 余旭初, 劉偉, 等. 基于支持向量機的高光譜影像分類研究[J].計算機工程與設計, 2008, 29(8): 2029-2032.

[22] 吳龍國. 基于高光譜成像技術的靈武長棗常見缺陷無損檢測研究[D].銀川: 寧夏大學, 2014.

[23] ZHANG Xiaoxun, JIA Yunde. A linear discriminant analysis framework based on random subspace for face recognition[J]. Pattern Recognition, 2007, 40(9): 2585-2591. DOI:10.1016/ j.patcog.2006.12.002.

[24] 李玉榕, 項國波. 一種基于馬氏距離的線性判別分析分類算法[J]. 計算機仿真, 2006, 23(8): 86-88. DOI:10.3969/ j.issn.1006-9348.2006.08.025.

[25] 劉忠寶, 王士同. 一種改進的線性判別分析算法MLDA[J]. 計算機科學, 2010, 11(11): 239-242. DOI:10.3969/j.issn.1002-137X.2010.11.057.

[26] WANG Nannan, YANG Yichao, SUN Dawen. Self-life prediction of ?Gros Michel? bananas with different browning levels using hyperspectral reflectance imaging[J]. Food Analytical Methods, 2014(7): 1381-1386. DOI:10.1007/s12161-013-9760-z.

[27] 陳昕, 向健勇. 不變形理論用于空中目標的識別[J]. 紅外與毫米波學報, 1997, 16(1): 39-44.

Hyper-Spectral Imaging Technology for Nondestructive Detection of Potato Ring Rot

GUO Hongyan1, LIU Guishan1,*, WU Longguo2, WANG Songlei1,2, KANG Ningbo2, CHEN Yabin1, HE Jianguo1,2, HE Xiaoguang1
(1. School of Agriculture, Ningxia University, Yinchuan750021, China; 2. School of Civil Engineering and Water Conservancy, Ningxia University, Yinchuan750021, China)

Abstract:To investigate the feasibility of using hyper-spectral imaging technique to detect potato ring rot, hyperspectral imaging operated in reflectance mode in the wav elength range of 980–1 650 nm was applied to 120 potato samples (60 qualified and 60 ring rot). The effects of multiple scattering correction, standard normal transformation and savitzky-golay +first derivative on model performance were compared. Multiple scattering correction was chosen as the best spectral preprocessing method. Then, 9 characteristic wavelengths (993, 1 005, 1 009, 1 031, 1 112, 1 162, 1 165, 1 225, and 1 636 nm) were extracted based on the partial least squares method. Two linear discriminant analysis (LDA) models, Fisher-LDA and Mahalanobis distance-LDA, and four support vector machine (SVM) models, linear kernel SVMs, SVM with radial basis kernel, polynomial kernel SVM and SVM with Sigmoid kernel, were built for ring rot potato at characteristic wavelengths. The results showed that Mahalanobis distance-LDA was better than Fisher-LDA while Sigmoid kernel performed best among all the SVM models. The LDA models were overall better than the SVM models. Thus, the LDA model of potato ring rot based on Mahalanobis distance was the best model. Its recognition rate was 100% for calibration set and 93.33% for validation set. This study indicated that hyper-spectral imaging technology can be used to identify potato ring rot.

Key words:hyper-spectral imaging; potato; ring rot; non-destructive detection

收稿日期：2015-09-29

基金項目：2013年度寧夏自然科學基金項目（NZ13005）

作者簡介：郭紅艷（1991—），女，碩士研究生，研究方向為農產品無損檢測。E-mail：1525490213@qq.com

*通信作者：劉貴珊（1979—），男，副教授，博士，研究方向為農產品無損檢測和肉制品加工。E-mail：liugs@nxu. edu.cn

DOI:10.7506/spkx1002-6630-201612036

中圖分類號：S532；TP391.4

文獻標志碼：A

文章編號：1002-6630（2016）12-0203-05