蘋果品質(zhì)高光譜成像檢測技術(shù)研究進展

馮 迪,紀建偉,張 莉,劉思伽,田有文,*

(1.沈陽農(nóng)業(yè)大學信息與電氣工程學院,遼寧沈陽 110866;2.遼寧廣播電視臺,遼寧沈陽 110004;3.遼寧廣播電視傳輸發(fā)射中心,遼寧沈陽 110016)

?

蘋果品質(zhì)高光譜成像檢測技術(shù)研究進展

馮 迪1,2,紀建偉1,張 莉3,劉思伽1,田有文1,*

(1.沈陽農(nóng)業(yè)大學信息與電氣工程學院,遼寧沈陽 110866;2.遼寧廣播電視臺,遼寧沈陽 110004;3.遼寧廣播電視傳輸發(fā)射中心,遼寧沈陽 110016)

高光譜成像對水果的無損檢測是近些年迅速發(fā)展的一項新技術(shù),它能三維地獲取被檢測對象內(nèi)部與外部多項特征。本文通過介紹高光譜成像系統(tǒng)結(jié)構(gòu)、光源種類及掃描形式,歸納適用于檢測蘋果品質(zhì)的系統(tǒng)類型,通過描述指標檢測操作流程解析其中幾個重要環(huán)節(jié),并對國內(nèi)外蘋果指標檢測的操作流程、建模方法、研究進展進行總結(jié),最后提出蘋果品質(zhì)高光譜無損檢測的研究方向和應(yīng)用前景。

高光譜成像,蘋果品質(zhì),無損檢測

我國蘋果產(chǎn)量一直高居世界首位且每年有小幅提升,而出口量自2007年趨于穩(wěn)定,出口率自2008年出現(xiàn)峰值(4%)之后持續(xù)走低,遠低于世界平均水平(9%～10%)[1],不能精確分級是限制出口量的重要因素,由于蘋果數(shù)量龐大種類眾多,很難通過人工分級達到統(tǒng)一標準。傳統(tǒng)的分級方式包括機械分級與化學測試,存在著破壞果身、樣本浪費、指標單一等缺陷。之后出現(xiàn)的近紅外光譜分析技術(shù)[2]和圖像處理技術(shù)在形態(tài)分析、色彩識別、內(nèi)部檢測方面有較深入的研究,在曲線平滑、光譜分析、指標建模等環(huán)節(jié)創(chuàng)新出多種新方法,使指標預(yù)測的準確率進一步提高。蘋果分級探測設(shè)備的類型較多,外部指標采集使用過相機、攝像頭[3],內(nèi)部品質(zhì)探測使用過光電二極管[4]、激光[5]、計算機斷層掃描(Computed Tomography,CT)[6]等,隨著設(shè)備更新分級過程也從人工逐個檢測發(fā)展為流水線掃描[2]。所反映指標包括外觀品質(zhì)的大小、形態(tài)、顏色[7],以及內(nèi)部品質(zhì)的糖度、酸度、硬度、病變等[8-11],各類指標的檢測結(jié)果較為理想,但指標獲取的單一性并未得到根本性解決,圖像和光譜不能同時獲取與分析,限制了蘋果的綜合評定,在出口標準嚴格的分級中并不能可靠應(yīng)用。高光譜成像系統(tǒng)具備了圖像處理與光譜分析的雙重功能,不但可以分析蘋果外觀,還可以通過光譜信息檢測內(nèi)部指標,強大的信息量可以實現(xiàn)對蘋果品質(zhì)的精確檢測。本文研究高光譜成像用于蘋果分級,總結(jié)適用的系統(tǒng)結(jié)構(gòu)與檢測流程,以提高指標涉及范圍,檢測準確率,為高光譜成像應(yīng)用于蘋果分級提供參考。

1 高光譜成像系統(tǒng)

高光譜成像系統(tǒng)硬件組成部分主要包括光源、探頭和數(shù)據(jù)處理機(計算機),見圖1,被檢測樣本放置于移動平臺上,在光源照射下圖像與光譜的數(shù)據(jù)信息由探頭采集至計算機中,各類樣本有較為適用的硬件種類和采集形式。

表1 各類光源的屬性及用法[13]Table1 The properties and usage of light sources[13]

表2 高光譜成像掃描形式的分類及特征[12]Table 2 The classification and characteristics of hyperspectral imaging scanning modes[12]

圖1 高光譜成像系統(tǒng)結(jié)構(gòu)示意圖Fig.1 Schematic representation of the hyperspectral imaging system

1.1 光源與探頭

光源與探頭是高光譜成像系統(tǒng)中易影響檢測結(jié)果的兩部分。

1.1.1 光源 包括鹵素燈、發(fā)光二極管(LED)、激光和可調(diào)光源,各類光源屬性詳見表1。

蘋果分級需要同時獲取外部輪廓和內(nèi)部指標的相關(guān)信息,結(jié)合果身外形與厚度、光源類型和反射形式,首選鹵素燈,次選LED。

1.1.2 探頭 由鏡頭、成像光譜儀和光電轉(zhuǎn)模塊組成,它逐個記錄各個特征波段下的圖像和光譜,完成光電信號的轉(zhuǎn)換。成像光譜儀中的濾輪和可調(diào)濾波器決定了不同波段光譜和圖像的獲取,是高光譜“三維”圖像的根源。光電轉(zhuǎn)換元件分為電荷耦合元件(Charge-coupled Device,CCD)和互補金屬氧化物半導(dǎo)體(Complementary Metal Oxide Semiconductor,CMOS)兩種,它們都由數(shù)以百萬計的光電二極管緊密排列組成,入射光子通過光電二極管完成了光電信號的轉(zhuǎn)換,相比于CCD,CMOS的敏感度較低,被檢測信號容易產(chǎn)生更大的噪聲和灰度,但它成本低廉,更容易投入市場,在流水線的檢測中占據(jù)主流。

1.2 掃描形式

高光譜成像掃描形式分為點掃描、線掃描、區(qū)域掃描和點散掃描,它們的工作形式和硬件要求詳見表2。

考慮到蘋果的體積與分級系統(tǒng)的操作流程,首選線掃描方式,雖然它計算時間不是最快,但是可以實現(xiàn)運動在線檢測,通過選擇最佳波長,簡化的數(shù)據(jù)同樣可以解決計算時間的問題。

1.3 感應(yīng)模式

高光譜成像系統(tǒng)中的感應(yīng)模式分為漫反射(散射)、反射和透射[12],詳見圖2。

圖2 高光譜成像系統(tǒng)的感應(yīng)模式Fig.2 Sensing modes of hyperspectral imaging system

漫反射模式下光源與探頭有一定的角度,可以避免反射光帶來的干擾,通常用來檢測樣本的大小、形狀、顏色、表面紋理和外部缺陷。相比于漫反射,反射(鏡面反射)可以更深層次的挖掘樣本的內(nèi)部信息,但也要防止反射光源的干擾。透射模式的光源位于探頭對面,獲取樣本透射光帶來的內(nèi)部信息。透射模式通常用來檢測物體內(nèi)部組織結(jié)構(gòu)和缺陷,被檢測對象要相對透明。在蘋果的無損檢測中,首選漫反射模式,雖然它內(nèi)部信息的挖掘能力不如另外兩種,但并不影響淤青、糖度、硬度的指標預(yù)測效果,還可以清晰獲取外觀信息,綜合看來更加適用。

2 蘋果的高光譜檢測流程及方法

高光譜成像的蘋果檢測過程分為兩個方向——圖像處理和光譜分析,見圖3,分別用于檢驗蘋果的外觀和內(nèi)部品質(zhì)。每一個環(huán)節(jié)處理的方式方法、精細程度都會影響最終模型檢驗和預(yù)測的準確率。

圖3 高光譜成像應(yīng)用于蘋果檢測流程圖Fig.3 The flow chart of hyperspectral imaging applied to apple detection

2.1 圖像增強

蘋果的外觀檢測首先要對圖像做增強處理,使待挖掘的特征更加明顯,包括邊緣和對比度的增強、放大、偽色彩和銳化,還有邊緣噪聲的處理,經(jīng)典的方法有傅里葉變換和小波變換。

2.2 圖像分割

圖像增強后,利用圖像分割技術(shù)將蘋果與背景分割開。將蘋果從背景中分割,進行大小與顏色的判別。圖像分割分為手動和自動,手動分割的效果更加精細,但過程耗時且存在一定的主觀性,不適用于大量樣本。相比于手動,自動分割有很多種方法,閾值算法(包括全局閾值和自適應(yīng)閾值)[13]、形態(tài)學處理[14](腐蝕和膨脹,分水嶺法)、邊界分割(梯度算子、拉普拉斯算子、Sobel算子和Robert算子等)[15-16]、OTSU大津法[17],這些算法都可以將蘋果從背景中提取出來,還可以對蘋果的輪廓做外形處理及對稱度分析。

2.3 系統(tǒng)校準

準確的校準系統(tǒng)可確保數(shù)據(jù)獲取的可靠性,很多情況下光譜數(shù)據(jù)因受環(huán)境影響而與參考數(shù)據(jù)不一致,校準系統(tǒng)可以使光譜數(shù)據(jù)和空間數(shù)據(jù)標準化,通過尋找光譜數(shù)據(jù)和空間數(shù)據(jù)的關(guān)系校準高光譜成像系統(tǒng)。校準的主要類型包括波長校準、空間校準、曲率校準和反射率校準。

2.3.1 波長校準 是通過已知波長和未知波長圖像的對比去校準整個系統(tǒng)的波段值。波長校準依靠校準燈,它的形狀類似鉛筆,以稀有氣體或金屬蒸汽為原料發(fā)出狹窄、穩(wěn)定、不同波長的光線,校準波段范圍從紫外到紅外,大功率的校準燈還使用氬、氪、氙、汞等元素。校準過程中,首先使用校準燈獲取已知波長的樣本圖像,然后將這些圖像與高光譜系統(tǒng)中各個特征波長的圖像做像素點級的對比,逐一定標,直至建立系統(tǒng)的波段維度。

2.3.2 空間校準 由探頭的掃描形式?jīng)Q定。區(qū)域掃描的圖像尺寸與分辨率可直接獲取,實物與背景的尺寸對應(yīng)各自分辨率所占比例。線掃描圖像的兩個方向(X和Y)尺寸計算方法則有所區(qū)別,在確定采樣范圍和總像素點的前提下,X方向參考掃描區(qū)域的像素比例,而Y方向會受到移動速度影響而導(dǎo)致圖像比例失調(diào),通過速度調(diào)節(jié)形成與X方向比例標準的圖像,之后再獲取樣本的像素與尺寸信息。由于蘋果無損檢測首選線掃描,準確的空間校準可以獲得比例更加標準的圖像,有利于外觀分析。

2.3.3 曲率校準 是運用球面幾何學的原理校準樣本表面的反射效果,G-Sanchis的研究中提及柑橘的曲率校準[18],根據(jù)入射光量和入射角φ完成對反射光量校準。以λ波段的某個像素點(x,y)為例,它存在如下公式:

式(1)

其中,ρ(λ)-校正光譜,ρxy(λ)-入射光譜,αD-入射光量和平均光量的比值。

曲率校準尤其適用于表面光滑的水果,可最大限度地減少反射光帶來的影響。

2.3.4 反射率校準 是以黑色和白色為參考圖像去校準原始圖像的反射率和吸收率,黑色校準時需要關(guān)閉光源同時遮擋相機鏡頭,遮擋物沒有反射。白色校準時,遮擋物要有高反射率。反射率校準的公式如下:

式(2)

其中,R-反射率,IS-原始高光譜圖像,ID-灰度圖像,IW-白色參考圖像。

2.4 光譜預(yù)處理

2.4.1 數(shù)據(jù)降維 用于去除高光譜圖像集合中的冗余信息,相比于早先的圖像采集,高光譜圖像信息量大,特征波長是多光譜的幾十倍,如何對有用信息篩選是必不可少的步驟,也是高光譜與其它光譜圖像檢測的一個主要區(qū)別。常用的降維方式是主成分分析法(Principal Component Analysis,PCA),幾乎在每一篇高光譜文獻中都能查閱到關(guān)于降維的說明,降維后的特征波長信息使后續(xù)處理的數(shù)據(jù)量大大降低,例如孫梅等[19]采用PCA法在550～950 nm波長范圍內(nèi)篩選出714和785 nm的兩個波長檢測蘋果的風傷與壓傷,之后對回歸方程的權(quán)重系數(shù)進行比較,確定714 nm更加容易分辨風傷。趙鑫等[20]通過小波變換的光譜數(shù)據(jù)降維法使低頻小波系數(shù)所含數(shù)據(jù)個數(shù)約為上一層數(shù)據(jù)的1/2,并且提高了最終的預(yù)測模型精度。

2.4.2 波形去噪 指對光譜或圖像的反射波形做平滑處理,處理方法在分析檢測的相關(guān)文獻中可以查閱到很多種[21],但運用到高光譜檢測蘋果品質(zhì)的實例較少,其中合并特征波形再平滑是較新的思路。郭俊先等[18]先后采用S-G多項式平滑、一階微分、變量標準化的方法分別對3、5、10個臨近波段的平均波形做平滑處理,最終確定10波段合并一階微分平滑處理建立的預(yù)測集效果最好。

2.5 最佳波長選擇

蘋果分級包含多項指標檢測,能同時較好地反映這些指標特征的波長為最佳波長。與多光譜功能開發(fā)的單一性相比,高光譜可以同時發(fā)掘樣本的若干屬性功能,這也是蘋果分級未來的主要研究方向。

2.6 模型建立

蘋果品質(zhì)的高光譜檢測最終需要建立數(shù)學模型進行指標預(yù)測,建模包括分類與回歸兩大類。經(jīng)典的分類法包括人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)的若干類型[22]、支持向量機(Support Vector Machine,SVM)[23]、近鄰傳播法(Affinity Propagation,AP)[24]、線性判別分析(Linear Discriminant Analysis,LDA)等[12];經(jīng)典的回歸法有偏最小二乘法(Partial Least Square,PLS)[25]、多元線性回歸法(Multiple Linear Regression,MLR)[26]、遺傳算法(Genetic Algorithm,GA);在這些經(jīng)典方法的基礎(chǔ)上相互結(jié)合可以開發(fā)出更多模型,進一步提高預(yù)測的準確率。例如基于PLS和SDA的偏最小二乘判別法PLS-DA[20],基于MLR和PLS的偏最小二乘回歸法PLSR[26],基于GA與BP神經(jīng)網(wǎng)絡(luò)的遺傳算法開發(fā)神經(jīng)網(wǎng)絡(luò)GA-BP[27];此外還有聚類方法[28],如蟻群算法等[29]。

2.7 模型驗證評估

模型最終需要驗證以確定其預(yù)測的準確率,包括模型本身的驗證和預(yù)測集的驗證。驗證包括分段驗證和全段驗證,分段驗證中樣本集被分割成若干段,總有一段不被選中而其它各段執(zhí)行驗證命令,通過重復(fù)選擇不同波段預(yù)測整個樣本,也稱為排一驗證。相比全段驗證,分段驗證準確、高效。全段驗證適用于少量樣本和小范圍波段。

模型評估包括校準(Calibration)、驗證(Validation)和預(yù)測(Prediction)環(huán)節(jié),各類模型的評估考察不同指標,主要包括標準誤差(Standard Error)、均方根方差(Root Mean Square Error,RMSE)和決定系數(shù)(R),它們的表示符號見表3。通常,一個好模型應(yīng)該有較高的決定系數(shù)值或較低的誤差值。

表3 模型評估符號Table 3 Model evaluation symbol

3 高光譜成像的蘋果檢測功能

蘋果分級需要檢測多項指標,單項指標檢測已經(jīng)取得可喜成果,而兩項或更多指標檢測技術(shù)尚不成熟,Hyun K等[30]在散射的高光譜系統(tǒng)中對蘋果做綜合評定,涉及到多項指標,各指標預(yù)測效果不如單指標檢測,尤其在內(nèi)部品質(zhì)方面相距甚遠。指標檢測按照外部和內(nèi)部狀態(tài)可分為兩大類。

3.1 外觀指標

3.1.1 大小、外形與顏色 自然生長狀態(tài)下衡量蘋果外觀的基礎(chǔ)指標,上世紀90年代至本世紀初,學者們依靠計算機視覺技術(shù)對該三項指標做了較深入研究,在保障分級準確率的前提下開發(fā)了一系列建模理論與方法,為蘋果的外觀分級提供了理論依據(jù)。高光譜成像出現(xiàn)以后,郭俊先等[18]采用GAMMA變換增強圖像,Otsu法整體分割,形態(tài)學區(qū)域處理的方法計算蘋果的面積、充實度、周長、軸長等外形方面的相關(guān)數(shù)據(jù)。程國首等[31]采用ANN采集15個神經(jīng)元訓(xùn)練成一個強分類器對新疆非打蠟紅富士蘋果著色面積分級,與人工分級一致率達到97.7%。Cristóbal G等[32]運用數(shù)字圖像處理技術(shù)鑒別高光譜成像系統(tǒng)中不同存儲條件下蘋果的成熟度,先采用OTSU法分割圖像,后采用PLS-DA法建立預(yù)測模型,準確率達到95.83%。蘋果的外觀分級中需要結(jié)合數(shù)字圖像處理技術(shù),包括顏色的數(shù)值分析和輪廓的提取以計算果身的大小和對稱度,而在傳送帶上隨機角度的提取果身輪廓是蘋果對稱度分析的模糊地帶,增加探頭數(shù)量做立體角度的采集可以防止誤判發(fā)生,但至今并未有一套完整的方案。

3.1.2 污物與黑斑 Parick M等[33]采用數(shù)字圖像處理技術(shù)和PCA法檢驗蘋果表面,發(fā)現(xiàn)紅色過濾法可以做簡單的污物鑒別,而外傷等深層次問題仍需要通過PCA法篩選。Bart M等[34]采用PLS法建立了苦痘病和黑粒斑底的預(yù)測模型。Alan M等[35]對黃元帥和紅元帥兩種蘋果上的污物鑒別,在確定最佳波長的圖像后采用牛糞稀釋法對污物采樣,最終發(fā)現(xiàn)黃元帥的1∶2的反射成像和紅元帥的1∶20的熒光成像對黑斑與污物的檢驗更加準確。Liu Y等[11]在實驗的近紅外波段內(nèi)(675～950 nm)采用不同波長圖像對比法檢驗果身的污物與黑斑,最終發(fā)現(xiàn)725 nm與811 nm雙波長對比后檢驗效果最佳。

3.1.3 外傷與淤青 趙杰文等[36]采用PCA法確定最佳波段并預(yù)測蘋果的輕微傷和風傷,在547 nm特征波長采用不均勻二次差分法消除圖像亮度分布不均帶來的影響。陳姍姍等[10]在900～1700 nm范圍內(nèi)采用特征波段對比法和不均勻二次差分法對蘋果損傷處進行處理,確定損傷處與正常位置的可分性;然后在分割過程中證明不均勻二次差分法分割效果比PCA法和波段對比法更準確,準確率為92%。蘋果收獲或運輸過程中不時會發(fā)生碰撞產(chǎn)生淤青、造成蘋果不同程度粉質(zhì)化,淤青處在早期并不容易被肉眼識別,所以成為了蘋果品質(zhì)檢測的又一個研究方向。Xing J等[37]利用PCA法選取最佳波段圖像,結(jié)合聲音回響技術(shù)挖掘測試,最終證明淤青檢測的準確率可以達到98.3%,這是在淤青癥狀顯現(xiàn)的前提下測試的結(jié)果。Gamal E等[38]在近紅外波段內(nèi)通過三個特征的波段的挖掘預(yù)測早期蘋果的淤青狀況,采用PLS法建立預(yù)測模型,預(yù)測1 h到3 d之間的淤青狀態(tài)。黃文倩等[39]在近紅外波段范圍內(nèi)對比分析光譜區(qū)域,選出780～1000 nm的波段范圍更加利于淤青檢驗,之后基于光譜區(qū)域和圖像PCA法的權(quán)重系數(shù)確定820和970 nm為最佳波長,在這兩個波段的全局閾值開發(fā)了淤青提取算法。Huang M等[40]以局部線性嵌入法(Locally Linear Embedding,LLE)為基礎(chǔ)識別蘋果的粉質(zhì)化,最終發(fā)現(xiàn)LLE結(jié)合PLS-DA對蘋果粉質(zhì)化分類精度可達到80%,要比均值嵌入法和平均反射法高4%～7%,而LLE法結(jié)合支持向量機對粉質(zhì)化的識別精度可達到82%。Piotr B等發(fā)現(xiàn)在400～5000 nm范圍內(nèi)結(jié)合熱度處理采用LDA和SVM可以更早的挖掘淤青的深度。次年他又通過比較MLR、SVM、ANN和決策樹4種方法,在可見波長范圍內(nèi)確定MLR法預(yù)測蘋果的淤青狀態(tài)準確率可以達到90%[41-42]。Zhu Q等[43]用小鉛球敲擊剛采摘的黃元帥蘋果,通過計算擊中部位的力度、尺寸,測定蘋果的1 d到三周的淤青狀態(tài),采用PLS法建立預(yù)測模型預(yù)測的準確率在84.9%～91.9%之間。淤青測試結(jié)合的輔助方式較多,周期較長,預(yù)測的準確率也相對較低,是國外關(guān)于高光譜蘋果分級的首選指標。

3.2 內(nèi)部指標

3.2.1 糖度 郭志明等[8]從感興趣區(qū)域的面積著手,通過對不同大小區(qū)域的選擇發(fā)現(xiàn)直徑為150像素點的圓形感興趣區(qū)域建立的糖度預(yù)測模型最準確,建模方法為PLS,校正系數(shù)RC為0.9305,RMSEC為0.4431,預(yù)測系數(shù)為RP為0.9232,RMSEP為0.4568,相對分析誤差為2.60。郭俊先等[18]使用MLR法預(yù)測合并光譜的方式使最終的糖度預(yù)測模型系數(shù)達到0.911,相對分析誤差為2.44。萬相梅等[44]在PLS的基礎(chǔ)上選用LS-SVM法建立蘋果的糖度模型,使預(yù)測模型的準確率提高了5.4%,誤差系數(shù)則降低了2.4%。Fernando M等[45]在靜止掃描和線掃描兩種系統(tǒng)中對三類蘋果測試糖度和硬度,采用平均反射法、離散小波變換和連續(xù)小波變換分析蘋果的光譜散射圖,采用一階統(tǒng)計、傅里葉分析、共生矩陣和方差分析蘋果的紋理圖,然后采用PLS法對三種蘋果的糖度建立預(yù)測模型,在靜掃描系統(tǒng)中,糖度預(yù)測的誤差降低了6.6%、16.1%、13.7%。

3.2.2 硬度 在Fernando M[45]的測試中三種蘋果的硬度預(yù)測誤差降低了11.2%、2.8%、3.0%。彭彥昆等通過對洛倫茲函數(shù)的修改校正回歸方程的權(quán)重系數(shù),采用PLS法建立的硬度模型在524～1016 nm波段范圍內(nèi)預(yù)測系數(shù)RP達到0.89,校正系數(shù)RC達到0.88[46-47]。萬相梅等[26]采用LS-SVM法建立的硬度模型預(yù)測準確率提高了6.9%,誤差系數(shù)則降低了8.8%。Gamal E等[22]在5個選定波段內(nèi)采用ANN建立檢測凍傷蘋果的硬度模型,準確率可以達到98.4%。Wang S等[24]采用無變量消除小二乘法(Uninformative Variable Elimination,UVE-PLS)和監(jiān)督近鄰偏最小二乘法(Supervised Affinity Propagation,SAP-PLS)預(yù)測蘋果硬度,預(yù)測系數(shù)精度達到0.828,較原有精度提高了4.7%。

糖度與硬度是內(nèi)部品質(zhì)檢測的兩個常用指標,在以往的文獻中學者們研究過雙指標檢測,但并未實現(xiàn)依靠相同信息或相同建模方法的雙指標同檢。相比于外部指標,內(nèi)部指標測試涉及到的環(huán)節(jié)更多,在光譜曲線的修正、感興趣區(qū)域選擇都有提及,而在預(yù)測模型的方法上仍有開發(fā)空間。不同環(huán)境下蘋果不同區(qū)域的硬度也存在一定差異,如何建立綜合硬度指標預(yù)測模型也是需要完善的環(huán)節(jié)。

4 前景與展望

蘋果品質(zhì)的高光譜無損檢測已經(jīng)獲得較豐富的成果,確定了適用的系統(tǒng)類型,各項指標檢測也總結(jié)出詳細的步驟和較豐富的理論,可以獲得較高的準確率,但這些成果尚并不能形成一套判別準確、過程高效、經(jīng)久耐用的分級系統(tǒng)。常用的單探頭系統(tǒng)每次只能采集蘋果的單面信息,為不影響準確率，需要二次采集或者增加探頭數(shù)量進行補充,重復(fù)操作步驟和相同數(shù)據(jù)處理影響了檢測效率;動態(tài)檢測時還涉及到位置擺放、花萼果梗識別的問題。內(nèi)部品質(zhì)方面,指標間的關(guān)聯(lián)性不強是另一個不足之處,雖然單項指標檢測在取樣范圍、波長選擇、數(shù)據(jù)處理、建模開發(fā)等環(huán)節(jié)都已細致入微,準確率也進一步提高,但指標間選用的數(shù)據(jù)信息與處理方法存在差異,并不能實現(xiàn)多指標共享。關(guān)于多指標檢測可查閱的文獻數(shù)量有限,通常采用相同信息與方法的建模預(yù)測效果還是與單項指標有一定差距。高光譜成像系統(tǒng)數(shù)據(jù)采集信息量大、檢測功能全面,在保障準確率的前提下,如何加強信息與方法的融合并實現(xiàn)蘋果的高效檢測將是下一階段的主要研究方向。

[1]http://faostat3.fao.org

[2]劉燕德,應(yīng)義斌.蘋果糖分含量的近紅外漫反射檢測研究[J].農(nóng)業(yè)工程學報,2004,20(1):189-192.

[3]張若宇.番茄可溶性固形物和硬度的高光譜成像檢測[D].杭州:浙江大學,2014.

[4]付興虎.蘋果含糖量近紅外檢測系統(tǒng)的研究[D].秦皇島:燕山大學,2007.

[5]陳育彥,屠康,任珂,等.基于激光圖像蘋果品質(zhì)分析與模型.[J]農(nóng)業(yè)工程學報,2007,23(4):166-171.

[6]王會.基于CT技術(shù)的富士蘋果內(nèi)部品質(zhì)無損檢測研究[D].杭州:浙江大學,2007.

[7]王福杰.運動水果的形狀描述方法與在線檢測技術(shù)[D].杭州:浙江大學,2013.

[8]郭志明,黃文倩,彭彥昆,等.高光譜圖像感興趣區(qū)域?qū)μO果糖度模型的影響[J].現(xiàn)代食品科技,2014,30(8):59-63.

[9]Zhao J W,Chen Q S,Saritporn V,et al. Determination of apple firmness using hyperspectral imaging technique and multivariate calibrations[J]. Transaction of the CSAE,2009,25(11):226-231.

[10]陳姍姍,寧季峰,楊蜀秦,等.基于近紅外高光譜圖像的蘋果輕微傷檢測[J].智能系統(tǒng)學報,2013,8:1-5.

[11]Liu Y L,Chen Y D,Kim M S,et al. Development of simple algorithms for the detection of fecal contaminants on apples from visible/near infrared hyperspectral reflectance imaging[J]. Journal of Food Engineering,2007,81:412-418.

[12]Wu D,Sun D W. Advanced applications of hyperspectral imaging technology for food quality and safety analysis and assessment:A review-Part I:Fundamentals[J]. Innovative Food Science and Emerging Technologies,2013,19:1-14.

[13]王福杰,饒秀勤,應(yīng)義斌. 蘋果圖像的背景分割與目標提取[J].農(nóng)業(yè)機械學報,2013,44(1):196-210.

[14]覃香.自然場景下蘋果檢測系統(tǒng)的研究與實現(xiàn)[D].咸陽:西北農(nóng)林科技大學,2011.

[15]謝靜.基于計算機視覺的蘋果自動分級方法研究[D]合肥:安徽農(nóng)業(yè)大學,2011.

[16]趙杰文,劉文彬.鄒小波.基于三攝像系統(tǒng)的蘋果缺陷快速判別[J].江蘇大學學報：自然科學版,2006,27(4):287-290.

[17]郭俊先,繞秀勤,程國首,等.基于高光譜成像技術(shù)的新疆冰糖心紅富士蘋果分級和糖度預(yù)測研究[J].新疆農(nóng)業(yè)大學學報,2015,35(1):78-86.

[18]Gomez S,Moltó E,Camps V,et al. Automatic correction of the effects of the light source on spherical objects:An application to the analysis of hyperspectral images of citrus fruits[J]. Journal of Food Engineering,2008,85(2):191-200.

[19]孫梅,陳興海,張恒,等.高光譜成像技術(shù)的蘋果品質(zhì)無損檢測[J].紅外與激光工程,2014,43(4):1272-1277.

[20]趙鑫,黃敏,朱啟兵.基于小波變換的高光譜散射圖像蘋果內(nèi)部品質(zhì)預(yù)測[J].中國控制與決策年會,2012(24):2445-2448.

[21]宮元娟,屈亞堃,周鐵,等.寒富蘋果品質(zhì)無損檢測光譜信息在線分析[J].沈陽農(nóng)業(yè)大學學報，2014,456(6):708-713.

[22]Gamal E,Wang N,Clement V. Detecting chilling injury in Red Delicious apple using hyperspectral imaging and neural networks[J]. Postharvest Biology and Technology,2009,52:1-8.

[23]趙杰文,呼懷平,鄒小波. 支持向量機在蘋果分類的近紅外光譜模型中的應(yīng)用[J].農(nóng)業(yè)工程學報,2007,23(4):149-152.

[24]Wang S,Huang M,Zhu Q B. Model fusion for prediction of apple firmness using hyperspectral scattering image[J]. Computers and Electronics in Agriculture,2012,80:1-7.

[25]單佳佳,吳建虎,彭彥昆,等.基于高光譜成像的蘋果多品質(zhì)參數(shù)同時檢測[J].光譜學與光譜分析,2010,30(10):2729-2733.

[26]單佳佳,彭彥昆,王偉,等.基于高光譜成像技術(shù)的蘋果內(nèi)外品質(zhì)同時檢測[J].農(nóng)業(yè)機械學報,2011,42(3):140-144.

[27]李慶中,張漫,汪懋華.基于遺傳神經(jīng)網(wǎng)絡(luò)的蘋果顏色實時分級方法[J]. 中國圖象圖形學報,2000,5(9):779-784.

[28]朱偉華,曹其新.基于模糊彩色聚類方法的西紅柿缺陷分割研究[J]. 農(nóng)業(yè)機械學報,2003,19(3):133-136.

[29]郭志明. 基于近紅外光譜及成像的蘋果品質(zhì)無損檢測方法和裝置研究[D].北京:中國農(nóng)業(yè)大學,2015.

[30]Hyun K N,Lu R F. Hyperspectral laser-induced fluorescence imaging for assessing apple fruit quality[J]. Postharvest Biology and Technology,2007,43:193-201.

[31]程國首,肉孜·阿木提,郭俊先,等.基于高光譜圖像的新疆紅富士蘋果顏色分級研究[J].新疆農(nóng)業(yè)科學,2012,49(9):1616-1623.

[32]Cristóbal G,Dolores P,Jose M,et al. Grading and color evolution of apples using RGB and hyperspectral imaging vision cameras[J]. Journal of Food Engineering,2012,113:281-288.

[33]Patrick M M,Chen Y D,Kim M S,et al. Delelopment of hyperspectral imaging technique for the detection of apple surface defects and contaminations[J]. Jounal of Food Engineering,2004,61:67-81.

[34]Bart M N,Elmi L,Ann P,et al. Non-detrustive measurement of bitter pit in apple fruit using NIR hyperspectral imaging[J]. Postharvest Biology and Technology,2006,40:1-6.

[35]Alan M L,Kim M S,Chen Y D,et al. Systematic approach for using hyperspectral imaging data to develop multispectral imagining systems:Detection of feces on apples[J]. Computers and Electronics in Agriculture,2006,54:22-35.

[36]趙杰文,劉劍華,陳全勝.利用高光譜圖像技術(shù)檢測水果輕微損傷[J].農(nóng)業(yè)機械學報,2008,39(1):106-109.

[37]Xing J,Baerdemaeker J D. Bruise detection on ‘Jonagold’ apples using hyperspectral imaging[J]. Postharvest Biology and Technology,2005,37:152-162.

[38]Gamal E,Wang N,Clement V. Eerly detection of apple bruise on different background colors using hyperspectral imaging[J]. LWT,2008,41:337-345.

[39]黃文倩,陳立平,李江波,等.基于高光譜成像的蘋果輕微損傷檢測有效波長選取[J].農(nóng)業(yè)工程學報,2013,29(1):272-277.

[40]Huang M,Zhu Q B,Wang B J,et al. Analysis of hyperspectral scattering images using locally linear embedding algorithm for apple mealiness classification[J]. Computers and Electronics in Agriculture,2012,89:175-181.

[41]Piotr B,Wojciech M,Joanna W,et al. Detection of early bruises in apples using hyperspectral data and thermal imaging[J]. Journal of Food Engineering,2012,110:345-355.

[42]Piotr B,Wojciech M,Joanna P,et al. Supervised classification of bruised apples with respect to the time after bruising on the basis of hyperspectral imaging data[J]. Postharvest Biology and Technology,2013,86:249-258.

[43]Zhu Q B,Guan J Y,Huang M,et al. Predicting bruise susceptibility of‘Golden Delicious’apples using hyperspectal scattering technique[J]. Postharvest Biology and Technology,2016,114:86-94.

[44]萬相梅,黃敏,朱啟兵.基于高光譜散射圖像的蘋果壓縮硬度和汁液含量無損檢測[J].食品工業(yè)科技,2012,24(6):71-74.

[45]Fernando M,Lu R F,Ariana D W,et al. Integrated spectral and image analysis of hyperspectral scattering data for prediction of apple fruit firmness and soluble solids content[J]. Postharvest Biology and Technology,2011,62:149-160.

[46]Peng Y K,Lu R F. Analysis of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble solids content[J]. Postharvest Biology and Technology,2008,48:58-62.

[47]彭彥昆,李永玉,趙娟,等.基于高光譜技術(shù)蘋果硬度快速無所檢測方法的建立[J].食品安全質(zhì)量檢測學報,2012,3(6):667-671.

Progress of hyperspectral imaging detection technology in apple quality

FENG Di1,2,JI Jian-wei1,ZHANG Li3,LIU Si-jia1,TIAN You-wen1,*

(1.College of Information and Electrical Engineering,Shenyang Agrucultural University,Shenyang 110866,China; 2.Liaoning Radio and Television,Shenyang 110004,China; 3.Liaoning Redio and Television Transmission Center,Shenyang 110016,China)

Hyperspectral imaging in fruit nondestructive detection was a new technology developed rapidly in recent years. The object could be detected from three-dimensional to get internal and external features. In this paper,the system type apply to apple quality detection was induced by introducing system structure,light sources and scanning modes. Several important links were analyzed by describing operation process of indicator detection. Then the operation process,modeling methods and research progress of indicator detection were summarized at home and abroad. Finally,the research direction and application prospect of hyperspectral nondestructive detection for apple quality were presented

hyperspectral imaging;apple quality;nondestructive detection

2016-12-14

馮迪(1981-)，男，博士研究生，研究方向：智能檢測在農(nóng)業(yè)中的應(yīng)用，E-mail：fengdi_007@126.com。

*通訊作者:田有文(1968-)，女，博士，教授，研究方向：智能檢測在農(nóng)業(yè)中的應(yīng)用，E-mail：youwen_tian10@163.com。

遼寧省大型儀器設(shè)備共享服務(wù)項目(LNDY201501003)；沈陽市大型儀器設(shè)備共享服務(wù)專項項目(F15-166-4-00)。

TS255.1

A

1002-0306(2017)10-0389-07

10.13386/j.issn1002-0306.2017.10.067