基于高光譜漫透射成像可視化檢測臍橙可溶性固形物

介鄧飛， 李澤海， 趙竣威， 連裕翔， 魏 萱

(1. 華中農業大學 工學院， 湖北 武漢 430070； 2. 福建農林大學 機電工程學院， 福建 福州 350002)

基于高光譜漫透射成像可視化檢測臍橙可溶性固形物

介鄧飛1， 李澤海1， 趙竣威1， 連裕翔1， 魏 萱2*

(1. 華中農業大學 工學院， 湖北 武漢 430070； 2. 福建農林大學 機電工程學院， 福建 福州 350002)

厚皮類瓜果內部品質的無損檢測是目前水果產業的檢測技術瓶頸。本文采用高光譜漫透射技術對臍橙可溶性固形物(SSC)含量進行可視化分析研究。通過基線校正(Baseline)預處理結合連續投影算法(SPA)優選9個特征波長，建立SSC偏最小二乘回歸(PLSR)模型，校正集相關系數rcal為0.891，校正集均方根誤差RSMEC為0.612 °Brix，預測集相關系數rpre為0.889，預測集均方根誤差RMSEP為0.630 °Brix。最后，計算各個像素點的SSC值結合圖像處理技術得出SSC的可視化分布圖，直觀判斷臍橙SSC含量高低。

臍橙； 可溶性固形物； 高光譜成像； 可視化； 無損檢測

1 引 言

隨著人民生活水平的提高，市場對水果糖度、口感、營養成分等內部品質的要求也越來越高。糖度是臍橙的重要內部品質指標，是實現其快速檢測與分級的重要組成部分。由于生長狀態的不同，臍橙糖度等內部品質會存在差異，而內部品質的差異直接影響采后水果商品化處理和市場價值。臍橙屬于厚皮類水果，無損檢測難度較大，若能有效解決該問題，則可以更好地適應臍橙的商品化處理生產需求，提高其經濟效益，增加水果銷售的利潤。

國內外許多學者對水果品質無損檢測方法進行了研究。目前的研究表明，利用光譜法可以有效檢測水果的內部品質，但只能檢測水果的部分點信息，水果內部品質在空間上具有不一致性，這對檢測結果的準確性影響較大。高光譜成像技術結合了光譜檢測和圖像檢測的優點，不僅能獲得待測物的空間圖像信息，還能反映其內部品質的光譜信息，該技術已被用來檢測一些水果(如香蕉、犁、蘋果、臍橙、棗、獼猴桃、草莓、哈密瓜等)常見缺陷(如擦傷，凍傷、蟲害、潰瘍、裂紋等)[1-6]、品質指標(如水分、硬度、可溶性固形物、可滴定酸度等)[7-14]以及成熟度等[15-18]。

基于高光譜成像技術(Hyper spectral imaging, HSI))，結合化學計量學以及圖像處理方法可以對研究對象的內部特征進行可視化分析，但目前利用高光譜成像技術進行水果內部品質可視化研究還較少。Pu和Sun[19]基于HSI技術對微波真空干燥芒果片過程中的水分進行研究，獲取高光譜反射圖像，對水分的分布進行了繪制。水分分布圖直觀地表明了干燥過程中芒果片中央的水分低于其他部分，優選7個波長建立多元線性回歸模型的預測集相關系數(Correlation coefficient of prediction，rpre)為0.996，預測均方根誤差(Root mean square error of prediction，RMSEP)為1.282%。郭志明等[20]利用高光譜圖像技術，對獲取的高光譜反射圖像進行光強度校正之后建立糖度預測的偏最小二乘(Partial least squares regression, PLSR)預測模型，rpre為0.923，RMSEP為0.433 °Brix，得到蘋果的糖度分布圖，使蘋果樣本的糖度分布可視化。Sun等[21]采用近紅外高光譜成像技術對伊麗莎白甜瓜的糖度進行了無損檢測研究，研究結果顯示，對糖度建立PLSR模型效果較優，rpre為0.892，均方根誤差(Root mean square error，RMSE)為1.170%，并得出了伊麗莎白甜瓜糖度可視化分布圖。

高光譜圖像采集方式通常采用反射模式，該模式只可檢測水果表面和近表面的品質和安全屬性[22-23]。為了能夠獲取臍橙內部有效信息及避免高光譜采集過程中表皮亮斑對內部品質定量光譜和圖像分析的影響，本文采用高光譜漫透射圖像技術對臍橙糖度內部品質進行無損檢測研究。目前臍橙等厚皮類水果透射模型的研究應用還較少，本研究充分利用高光譜成像技術的圖譜合一的優勢，對臍橙可溶性固性物(Soluble solid content，SSC)進行可視化檢測分析，為實現高光譜圖像對臍橙水果內部品質的在線檢測提供技術依據。該研究可以為進一步研究厚皮水果不同生長階段及采后果實內部品質部位差異及個體間空間差異引起的品質變化規律等方面提供前期研究基礎和理論方法。

2 材料與方法

2.1 實驗樣本

實驗所用的臍橙樣本購買自武漢水果批發市場。隨機選取產地為贛南的臍橙100個樣品，樣本當天運回實驗室，剔除異常不規則樣本后，剩余90個樣品外觀完好，色澤基本一致。樣本表面擦拭干凈，依次對樣品進行編號。24 h后，測定樣本大小、質量等物理參數。

2.2 高光譜漫透射成像系統

高光譜漫透射成像系統如圖1所示。系統主要由高光譜成像儀、光源、風扇、暗箱、樣品室、電動位移平臺和計算機等組成。其中，高光譜成像儀由CCD攝像頭(Andor，Clara，Britain)、圖像光譜儀(SPECIM，V10E-CL，Finland)和成像鏡頭組成，樣品室光源采用4盞50 W鹵素燈，風扇用于樣品室的散熱。在高光譜圖像采集時，將臍橙樣品放置于樣品室，樣品室置于暗箱內部載物臺，采集臍橙花萼部位的高光譜圖像信息。

圖1 高光譜漫透射成像系統

Fig.1 Acquisition of the transmission spectra of navel orange by hyperspectral imaging system

2.3 高光譜獲取與校正

將實驗樣品放入樣品室內，打開樣品室的光源，并壓緊上層蓋板，采用柔性材料保證實驗裝置不漏光。高光譜成像儀波長范圍為390～1 055 nm，光譜分辨率為2.8 nm，設置曝光時間100 ms，設置水平位移速度為2.0 mm/s，采用2×2 binning壓縮采集方式，光譜數據點數520。

利用高光譜成像儀測量所得的實驗樣品的光譜，在暗電流與光源強度分布不均勻的情況下，會使所得的光譜中存在許多干擾噪聲從而影響實驗結果分析。然而采用在暗室下測得的黑板圖像和在全反射下測得的白板圖像，利用Spec View軟件進行黑白校正，則可很好地去除噪聲。首先，獲取全白漫透射圖像Iwhite，然后蓋上鏡頭，獲取全黑圖像Idark，最后根據公式(1)進行黑白校正，獲取校正后高光譜漫透射圖像Itran。

(1)

其中，Itran為校正后高光譜漫透射圖像，I為采集的原始圖像，Iwhite為全白圖像，Idark為全黑圖像。

2.4 理化指標測定

測量臍橙樣品的基本外觀參數、質量。用游標卡尺測量每個樣品的赤道周長及縱徑(高度)，用電子天平稱其質量。通常用果實中SSC含量代表其糖度，而臍橙內部品質主要特性指標由SSC含量高低來決定[23]。采用榨汁機對臍橙樣本榨汁，過濾后用WYT-4型手持糖度計(福建泉州光學儀器廠)測量SSC并記錄數據。

2.5 分析方法和軟件

運算過程通過ENVI4.7(ResearchSystemInc,Boulder,Co.,USA)、Unscramblerversion9.6(CAMOPROCESSAS,Norway)、Matlab7.10R2010b(TheMathWorks,Natick,USA)等完成。

高光譜數據在進行數據處理過程中，有效降維可以降低高光譜圖像中的噪聲，提高算法的抗噪聲能力[24]。連續投影算法(Successiveprojectionsalgorithm，SPA)是一種矢量空間共線性最小化的前向變量選擇算法，能夠從光譜矩陣中尋找含有最低限度冗余信息的變量組，使變量之間的共線性達到最小，減少變量個數，提高建模效率[25]。

3 結果與討論

3.1 樣本物理化學指標測定結果

依據臍橙樣本測得的SSC含量劃分校正集和預測集，預測集糖度范圍應落入校正集內，兩個集合內樣本數目分別為建模集60個，預測集30個，其理化指標測定結果如表1所示。從表1可以看出，不同臍橙的外形尺寸和質量差異均較大。通過SPSS軟件，進行變量相關性分析，質量、高度、赤道周長與SSC含量變化均沒有顯著相關性(P值分別為0.065，0.171，0.187>0.05)。

表1 臍橙樣本的物理參數和可溶性固形物含量

3.2 感興趣區域光譜

對每個臍橙樣本高光譜圖像取相同大小感興趣區域(Regions of interest，ROI)，以花萼為中心，取260×260像素大小的圓形感興趣區域，統計感興趣區域所有像素點，然后計算該區域平均光譜曲線。臍橙高光譜圖兩端噪音較大，去除首尾噪音部分，選取450～1 000 nm范圍內的光譜，如圖2所示，共計430個波段進行后續分析。從圖2可以看出，臍橙高光譜圖在720 nm和810 nm附近有兩個波峰，在680 nm和760 nm附近有兩個波谷。

圖2 臍橙樣本的高光譜圖

3.3 光譜預處理

在高光譜圖像獲取過程中，樣本差異、光程和測試環境的輕微變化均可能會引起光譜基線的偏移或帶來噪聲。為了消除這些影響，我們對獲得的光譜實施不同的光譜預處理方法進行光譜校正并對樣本SCC含量建立PLSR預測模型，結果如表2所示。從表中可知，結果光譜經基線校正后所建立的預測模型效果較好，校正集相關系數(Correlation coefficient of calibration，rcal)為0.905，校正誤差均方根(Root mean square error of calibration，RMSEC)為0.603 °Brix，預測集相關系數rpre為0.901，預測誤差均方根RMSEP為0.625 °Brix。

表2 臍橙高光譜建模預測結果

Tab.2 Modeling using different spectra at different methods

MethodsCalibrationPredictionrcalRMSECrpreRMSEPRaw0.8200.8130.8200.840Smoothing0.8380.7770.8330.801Baseline0.9050.6030.9010.625MSC0.9280.5290.8310.858SNV0.9280.5290.8200.939Smoothing+Baseline0.9050.6040.8110.860

3.4 特征波長優選

對采用基線校正后的全光譜利用SPA進行特征波長優選出9個波長，分別為557.9，564.2，576.8，609.5，693.2，718.7，773.8，811.2，864.4 nm，它們在光譜中的位置如圖3所示。將選出的9個特征波長對應的光譜作為輸入變量對相應的SSC進行PLSR建模預測分析，所得結果如下：rcal為0.891，RMSEC為0.612 °Brix；rpre為0.889，RMSEP為0.630 °Brix。雖然建模結果較全光譜略有降低，但相較430個波長，簡化了預測模型，提高了計算速率。

圖3 連續投影算法優選特征變量

利用上述優選出的波長光譜對糖度建立多元線性回歸(Multivariable linear regression，MLR)模型：

Y=11.454-2624.68λ1+1754.48λ2-

107.2466λ7-72.8414λ8+61.38307λ9，

(2)

其中Y表示臍橙SSC值，λi表示相應波長i所對應的光譜透射率。方程(2)可用于臍橙各個像素點SSC值的計算。

3.5 臍橙內部糖度可視化分析

利用方程(2)結合圖像處理技術，在Matlab中進行進一步處理，計算臍橙樣本各個像素點對應SSC含量，由此得到臍橙SSC的可視化分布圖。選取不同SSC含量臍橙作為可視化樣本，可視化分析結果如圖4所示。

從圖4可以看出，對于任一樣本，臍橙果肉最大SSC含量均超過平均SSC含量，不同橘瓣中SSC含量有差異，這與顧建芹等的研究結果一致[26]。對于單個成熟果實而言，其不同部位柑橘果實可溶性固形物測定結果差異顯著，從維管束到囊瓣皮再到汁囊存在由高到低的蔗糖梯度，這在可視化圖中也有所呈現。圖中平均SSC含量越高的樣本，其較高SSC含量的部分分布越廣。在SSC的含量從低到高變化的同時，其最大SSC含量也在發生變化，圖4中，(a)～(f)的樣本最大SSC含量值均低于(g)～(l)。平均SSC含量在13.5 °Brix之后，SSC最大含量增大比較明顯，但(a)～(f)或(g)～(l)集合中的樣本之間的最大SSC含量差異較小。對于較低SSC含量的樣本，如圖4(a)～(b)，仍有少量部分SSC含量較高。相近SSC含量的樣本，如圖4(e)和(f)，SSC含量較高部分和較低部分分布也顯示出較大差異。

4 結 論

采用可見-近紅外(390～1 055 nm)高光譜漫透射成像技術可以實現臍橙內部SSC可視化分布，進而實現臍橙內部品質分析。主要結論如下：

(1)采用SPA-PLSR建立臍橙內部的SSC預測模型，可以得到較好的預測效果并簡化預測模型，最終保留9個特征波段，該模型預測結果如下：rcal為0.891，RMSEC為0.612 °Brix；rpre為0.889，RMSEP為0.630 °Brix。

(2)根據MLR回歸方程計算臍橙高光譜圖像每個像素點的SSC值，結合圖像處理方法可繪制出臍橙內部的SSC可視化分布圖，但本文的檢測精度還需提高。

通過獲取臍橙高光譜漫透射圖像，采用圖像與光譜技術實現臍橙內部的SSC可視化，可以直觀地對臍橙內部品質進行判別，為進一步有效監測和分析臍橙生長變化規律及采后品質變化等方面的無損檢測研究提供前期研究基礎與理論方法。

[1] WU L G, HE J G, LIU G S,etal.. Detection of common defects on jujube using Vis-NIR and NIR hyperspectral imaging [J].Postharv.Biol.Technol., 2016, 112:134-142.

[2] 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. LI J B, RAO X Q, YING Y B,etal.. Detection of navel oranges canker based on hyperspectral imaging technology [J].Trans.CSAE, 2010, 26(8):222-228. (in Chinese)

[3] 田有文, 程怡, 王小奇, 等. 基于高光譜成像的蘋果蟲害檢測特征向量的選取 [J]. 農業工程學報, 2014, 30(12):132-139. TIAN Y W, CHENG Y, WANG X Q,etal.. Feature vectors determination for pest detection on apples based on hyperspectral imaging [J].Trans.Chin.Soc.Agric.Eng., 2014, 30(12):132-139. (in Chinese)

[4] 章海亮, 高俊峰, 何勇. 基于高光譜成像技術的柑橘缺陷無損檢測 [J]. 農業機械學報, 2013, 44(9):177-181. ZHANG H L, GAO J F, HE Y. Nondestructive detection of Citrus defection using hyper-spectra imaging technology [J].Trans.Chin.Soc.Agric.Mech., 2013, 44(9):177-181. (in Chinese)

[5] LI J B, CHEN L P, HUANG W Q,etal.. Multispectral detection of skin defects of bi-colored peaches based on Vis-NIR hyperspectral imaging [J].Postharv.Biol.Technol., 2016, 112:121-133.

[6] YU K Q, ZHAO Y R, LI X L,etal.. Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing [J].Comput.Electron.Agric., 2014,103:1-10.

[7] 李丹, 何建國, 劉貴珊, 等. 基于高光譜成像技術的小黃瓜水分無損檢測 [J]. 紅外與激光工程, 2014, 43(7):2393-2397. LI D, HE J G, LIU G S,etal.. Non-destructive detection of moisture content in gherkin using hyperspectral imaging [J].InfraredLaserEng., 2014, 43(7):2393-2397. (in Chinese)

[8] LI B C, HOU B L, ZHANG D W,etal.. Pears characteristics (soluble solids content and firmness prediction, varieties) testing methods based on visible-near infrared hyperspectral imaging [J].Optik-Int.J.LightElectron.Opt., 2016, 127(5):2624-2630.

[9] 詹白勺, 倪君輝, 李軍. 高光譜技術結合CARS算法的庫爾勒香梨可溶性固形物定量測定 [J]. 光譜學與光譜分析, 2014, 34(10):2752-2757. ZHAN B S, NI J H, LI J. Hyperspectral technology combined with CARS algorithm to quantitatively determine the SSC in Korla Fragrant pear [J].Spectrosc.Spect.Anal., 2014, 34(10):2752-2757. (in Chinese)

[10] LEIVA-VALENZUELA G A, LU R F, AGUILERA J M. Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging [J].J.FoodEng., 2013, 115(1):91-98.

[11] 馬本學, 肖文東, 祁想想, 等. 基于漫反射高光譜成像技術的哈密瓜糖度無損檢測研究 [J]. 光譜學與光譜分析, 2012, 32(11):3093-3097. MA B X, XIAO W D, QI X X,etal.. Nondestructive measurement of sugar content of Hami melon based on diffuse reflectance hyperspectral imaging technique [J].Spectrosc.Spect.Anal., 2012, 32(11):3093-3097. (in Chinese)

[12] 董金磊, 郭文川. 采后獼猴桃可溶性固形物含量的高光譜無損檢測 [J]. 食品科學, 2015, 36(16):101-106. DONG J L, GUO W C. Nondestructive detection of soluble solid content of postharvest kiwifruits based on hyperspectral imaging technology [J].FoodSci., 2015, 36(16):101-106. (in Chinese)

[13] BAIANO A, TERRACONE C, PERI G,etal.. Application of hyperspectral imaging for prediction of physico-chemical and sensory characteristics of table grapes [J].Comput.Electron.Agric., 2012, 87:142-151.

[14] ELMASRY G, WANG N, ELSAYED A,etal.. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry [J].J.FoodEng., 2007, 81(1):98-107.

[15] SIVAKUMAR S S, QIAO J, WANG N,etal. Detecting maturity parameters of mango using hyperspectral imaging technique [C].AmericanSocietyofAgriculturalandBiologicalEngineersAnnualMeeting,Portland,Oregon, 2006.

[16] RAJKUMAR P, WANG N, EIMASRY G,etal.. Studies on banana fruit quality and maturity stages using hyperspectral imaging [J].J.FoodEng., 2012, 108(1):194-200.

[17] 薛建新, 張淑娟, 張晶晶. 基于高光譜成像技術的沙金杏成熟度判別 [J]. 農業工程學報, 2015, 31(11):300-307. XUE J X, ZHANG S J, ZHANG J J. Ripeness classification of Shajin apricot using hyperspectral imaging technique [J].Trans.Chin.Soc.Agric.Eng., 2015, 31(11):300-307. (in Chinese)

[18] ZHANG C, GUO C T, LIU F,etal.. Hyperspectral imaging analysis for ripeness evaluation of strawberry with support vector machine [J].J.FoodEng., 2016, 179:11-18.

[19] PU Y Y, SUN D W. Prediction of moisture content uniformity of microwave-vacuum dried mangoes as affected by different shapes using NIR hyperspectral imaging [J].Innov.FoodSci.Emerg.Technol., 2016, 33:348-356.

[20] 郭志明, 趙春江, 黃文倩, 等. 蘋果糖度高光譜圖像可視化預測的光強度校正方法 [J]. 農業機械學報, 2015, 46(7):227-232. GUO Z M, ZHAO C J, HUANG W Q,etal.. Intensity correction of visualized prediction for sugar content in apple using hyperspectral imaging [J].Trans.Chin.Soc.Agric.Mech., 2015, 46(7):227-232. (in Chinese)

[21] SUN M J, ZHANG D, LIU L,etal.. How to predict the sugariness and hardness of melons: a near-infrared hyperspectral imaging method [J].FoodChem., 2017, 218:413-421.

[22] 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. GUO E Y, LIU M H, ZHAO J W,etal.. Nondestructive detection of sugar content on navel orange with hyperspectral imaging [J].Trans.Chin.Soc.Agric.Mech., 2008, 39(5):91-93. (in Chinese)

[23] 許文麗, 孫通, 吳文強, 等. 可見/近紅外漫反射與漫透射檢測臍橙可溶性固形物的對比研究 [J]. 光子學報, 2013, 42(12):1486-1490. XU W L, SUN T, WU W Q,etal.. Contrast of Vis/NIR reflection and diffuse transmission in detecting the SSC of Ganan navel oranges [J].ActaPhoton.Sinica, 2013, 42(12):1486-1490. (in Chinese)

[24] 賈志成, 薛允艷, 陳雷, 等. 基于去噪降維和蝙蝠優化的高光譜圖像盲解混算法 [J]. 光子學報, 2016, 45(5):0511001-1-10. JIA Z C, XUE Y Y, CHEN L,etal.. Blind separation algorithm for hyperspectral image based on the denoising reduction and the bat optimization [J].ActaPhoton.Sinica, 2016, 45(5):0511001-1-10. (in Chinese)

[25] 介鄧飛, 謝麗娟, 饒秀勤, 等. 近紅外光譜變量篩選提高西瓜糖度預測模型精度 [J]. 農業工程學報, 2013, 29(12):264-270. JIE D F, XIE L J, RAO X Q,etal.. Improving accuracy of prediction model for soluble solids content of watermelon by variable selection based on near-infrared spectroscopy [J].Trans.Chin.Soc.Agric.Eng., 2013, 29(12):264-270. (in Chinese)

[26] 顧建芹. 暗柳橙及其突變體紅暗柳橙果實發育過程中糖酸組分的變化 [D]. 武漢: 華中農業大學, 2007. GUJ Q.ChangingofSugarandAcidContentsofAnliuSweetOrangeandItsMutantRedAnliuSweetOrangeDuringFruitDevelopments[D]. Wuhan: Huazhong Agricultural University, 2007. (in Chinese)

介鄧飛(1982-)，男，山西運城人，博士，講師，2014年于浙江大學獲得博士學位，主要從事光譜無損檢測技術與裝備的研究。

Email： jiedengfei@163.com 魏萱(1987-)，女，四川資中人，博士，講師，2014年于浙江大學獲得博士學位，主要從事光譜分析技術方面的研究。

Email： xuanweixuan@126.com

Visualized Detection of Soluble Solid Content Distribution of Navel Orange Based on Hyperspectral Diffuse Transmittance Imaging

JIE Deng-fei1, LI Ze-hai1, ZHAO Jun-wei1, LIAN Yu-xiang1, WEI Xuan2*

(1.CollegeofEngineering,HuazhongAgriculturalUniversity,Wuhan430070,China；2.CollegeofMechanicalandElectronicEngineering,FujianAgricultureandForestryUniversity,Fuzhou350002,China)

Compared with the fruit with thin skin, it is more difficult to acquire the internal quality information of fruits with thick skin. In this study,the hyperspectral diffuse transmission technique was used to visually analyze the soluble solids content (SSC) of navel orange. By comparison of the results, the model using the spectra pretreated by baseline correction as the input was the best one. Based on the baseline corrected spectra, successive projections algorithm (SPA) was applied to select feature wavelengths and finally 9 bands were remained. The results of the partial least squares regression (PLSR) model for SSC prediction indicate that the correlation coefficient of calibration (rcal) is 0.891, the root mean square error of calibration (RSMEC) is 0.612, the correlation coefficient of prediction (rpre) is 0.889, and the root mean square error of prediction (RMSEP) is 0.630, respectively. Using the spectra of feature wavelengths as the input, the multiple linear regression (MLR) models for SSC prediction were calibrated. Based on the MLR model, each pixel value of the images was calculated. Combined with the image processing, the distribution maps of SSC in navel orange were drawn. So, the SSC of navel orange can be intuitive judged.

navel orange; soluble solids content; hyperspectral imaging; visualization; nondestructive detection

1000-7032(2017)05-0685-07

2016-11-05；

2017-01-24

現代農業(柑橘)產業技術體系建設專項資金(CARS-27)； 中央高校基本科研業務費(2662014BQ091；2662015PY078)資助項目 Support by Project of Special Funds for The Construction of Modern Agriculture (Citrus) Industry Technology System(CARS-27); Fundamental Research Funds for The Central Universities(2662014BQ091,2662015PY078)

S666; TP751

A

10.3788/fgxb20173805.0685

*CorrespondingAuthor,E-mail:xuanweixuan@126.com