基于高光譜反透射圖像的新疆冰糖心 紅富士水心鑒別

郭俊先，馬永杰，田海清，黃 華，史 勇，周 軍

（1.新疆農業大學機電工程學院，新疆 烏魯木齊 830052；2.內蒙古農業大學機電工程學院，內蒙古 呼和浩特 010018；3.新疆農業大學數理學院，新疆 烏魯木齊 830052）

蘋果水心病，又稱為糖化病、蜜果病，是一種常見的果實病害，在大部分蘋果產區均有不同程度的發生[1]。其主要產生原因是由于果實含鈣量過低從而導致山梨糖醇的累積造成[2]。水心病主要發生在果實上，但是其癥狀通常不會表現在外表面，初期水心病果與正常果外觀無差異，難以辨別，但是感病果內部果肉組織堅硬，呈水透明狀，較甜；當水心病發病位置蔓延到蘋果表皮時，此時可以發現病果皮呈水漬狀，如蠟般透明[3]。水心病果在收獲之后不會進一步加重水心，并且水心會隨著貯藏時間的推移而減少[4]，輕微染病果的水心甚至會消失，但嚴重染病果會由于時間的變化而產生病組織褐變影響蘋果的品質，甚至會造成食品安全隱患。國內的水心病檢測主要還是以人工經驗外觀鑒別為主，識別率不能保證，因此需要一種可靠性高、無損、快捷的方法用來對其檢測鑒別，從而使水心病果能發揮其最大的經濟價值。

迄今，已經有不少的國內外研究人員對蘋果水心病的無損檢測進行了各類研究，取得了一定的成果。諸如使用X光線[5]、近紅外光譜[6]、核磁共振技術[7]、熱成像技術[8]、計算機視覺[9]、電子鼻[10]、色彩像素[11]、密度法[12]、透光強度[13]、人工智能分類器[14]、電學特征法[15]等，但有些方法成本過高，有些耗時較長，有些甚至識別率不可靠，大部分都處在實驗室初級階段，沒有廣泛應用。

高光譜技術涵蓋了樣本的圖像和光譜信息[16]，已經廣泛運用在各個領域，如農產品無損檢測[17]、土壤成分檢測[18]、摻假鑒定[19]、環境監測[20]、產量預測[21]、農作物病害[22]等。在農產品檢測領域，通過選擇高光譜圖像的感興趣區域從而獲得其光譜信息可以對農產品的內部品質進行預測與分析；國內外學者主要利用高光譜技術對蘋果的表面損傷[23]、硬度[24]、質量[25]、大小[26]、 糖度[27]、粉質化檢測[28]、葉片葉綠素含量[29]、葉片氮素含量[30]、葉片磷素含量[31]等的分析，但利用高光譜技術對蘋果水心病鑒別的研究卻鮮為人知。

實驗以新疆冰糖心紅富士蘋果為研究對象，采集可見短波近紅外高光譜圖像，提取感興趣區域的光譜信息，使用高光譜技術結合化學計量學建模方法，探討多種光譜預處理方法以及相關系數法、快速獨立分量分析（fast independent component analysis，Fast ICA）、主成分分析（principal component analysis，PCA）等多種數據降維方法，對比貝葉斯判別（Bayes discrimination，B D）、馬氏距離判別（M a h a l a n o b i s d i s t a n c e discrimination，MD）、二次線性判別分析（quadratic discriminant analysis，QDA）、K最近鄰法（K-nearest neighbor，KNN）、最小二乘支持向量機（least squares support vector machine，LSSVM）等多種模式識別的模型性能，從中篩選并建立最優的水心鑒別模型，為水心鑒別提供一種新的方法，從而方便后續蘋果水心病鑒別儀器的研究與開發。

1 材料與方法

1.1 材料

新疆冰糖心紅富士蘋果（235 個）于2016年11月12日采摘自新疆阿克蘇地區紅坡農場園藝分場的優質“冰糖心紅富士”蘋果種植基地。由有經驗的果農對蘋果初步判斷，采摘大小尺寸均勻、無明顯機械損傷、成熟度一致的疑似水心病果及正常蘋果，采收后裝箱運回無損檢測實驗室，在實驗室平鋪蘋果放置在室溫20 ℃環境下靜置24 h，剔除有輕微損傷的蘋果，共228 個蘋果用于數據采集，實驗蘋果常規數據統計見表1。

表 1 實驗蘋果常規數據統計Table 1 Statistical data of physicochemical properties of apples tested in this study

1.2 儀器與設備

圖 1 高光譜圖像采集系統Fig. 1 Hyperspectral image acquisition system

如圖1所示，采用的高光譜成像系統來自內蒙古農業大學機電工程學院無損檢測實驗室，由中國臺灣五鈴光學有限公司生產，該系統包括modelV10E成像光譜儀、OLE23鏡頭（Specim公司、焦距23 mm）；配套I G V-B 1 6 2 0 C C D 相機（I m p e r x，分辨率為1 600×1 200）、鹵素燈光源一套、步進電機控制的位移平臺、暗箱、光源調節器、計算機等設備。高光譜成像系統的光譜采集范圍為380～1 004 nm，入射光狹縫寬度為50 μm。

1.3 方法

1.3.1 可見-短波近紅外高光譜圖像采集

采集高光譜圖像之前，先將蘋果從冷藏室取出放置在室溫條件下3 h以上。調整高光譜采集系統的參數，首先，靜態調整鏡頭焦距及樣本與鏡頭之間的物距，并隨機采集特定圖形和蘋果的多幅圖像，獲得被測物圖像清晰不模糊時的物距最佳參數值；其次，動態采集多幅圖像并保證樣本圖像不變形、不失真，確定其最佳曝光時間及平臺移動速度。經過多次調整及優化，最終確定高光譜成像系統的最終參數如表2所示。

表 2 高光譜成像系統參數設置Table 2 Parameter settings of hyperspectral imaging system

為了消除光譜儀自身干擾，增強光源的穩定性，將光譜儀開機靜置30 min后，開始采集高光譜圖像，將蘋果樣本如圖1所示放置，蘋果赤道面與相機光軸水平，花萼-果梗軸線與樣本移動方向垂直，與光譜儀光軸基本保持垂直狀態。隨著載物臺的移動，光譜儀獲得蘋果光譜圖像信息，為了實驗數據的可靠性，消除蘋果不規則的形狀差異對光譜圖像采集的影響，將蘋果在原始擺放的基礎上再沿赤道面順時針旋轉90°采集另外一幅高光譜圖像，最終將2 次光譜圖像獲得的光譜平均值作為該樣本的光譜數據。共計采集228 個蘋果的可見-短波近紅外高光譜圖像。

1.3.2 光譜校正處理

在采集高光譜圖像的過程中，由于光譜儀含有暗電流噪聲，以及果體形狀等影響光譜信息，對所獲得的高光譜圖像用下式的校正方程進行黑白校正[32]：

式中：R為經過黑白校正的圖像；I0為原始圖像；IDark為全黑標定圖像；IWhite為標準聚四氟乙烯白板標定圖像。

1.3.3 蘋果分類

對每一個高光譜圖像采集過后的蘋果沿赤道面進行剖切，觀察并記錄水心狀況，統計后有水心病果104 個，正常蘋果樣本124 個。

1.4 數據處理

1.4.1 軟件

高光譜圖像采集由配套HSI Analyzer軟件（中國臺灣五鈴光學有限公司）實現，ENVI 5.3軟件（美國RS 公司）完成高光譜圖像分割及光譜提取，光譜處理及數據分析軟件為Matlab 2014b（美國MathWorks公司），繪圖使用OriginPro 8軟件（美國OriginLab公司）。

1.4.2 光譜信息的獲取

ENVI軟件作為高光譜影像處理與提取信息的專業軟件，其能夠快速高效的從高光譜圖像中提取重要信息。本實驗采用ENVI 5.3軟件提取蘋果2 個表面的高光譜圖像，由于高光譜反透射蘋果區域形狀不規則，故手動選取感興趣區，然后求得其平均光譜。將蘋果樣本兩個表面的光譜曲線取平均值作為每個蘋果樣本的光譜曲線。共得到228 sample×428 wavelength的原始光譜數據集合。

1.4.3 模型建立方法

在高光譜圖像采集的過程中，樣本獲取的信息不僅是待測樣本的原始信息，還包含了很多復雜的外在干擾和噪聲信息，這些噪聲信息都在一定程度上會導致測得數據與真實數據存在偏差。因此需要對獲得的光譜進行光譜預處理減弱、消除各種干擾因素對光譜數據的影響。光譜預處理方法主要有標準正態變量變換、多元散射校正、一階求導、二階求導、歸一化、平滑、數據中心化、移動窗口平滑以及直接差分一階求導。

盡管光譜信息經過一定的預處理對數據解析有一定的作用，仍然需要解決高光譜數據信息量龐大的問題。PCA是將多個變量通過線性變換都投影到一個新的坐標系上，并且沿著這條坐標系使其方差達到最大，這些主成分作為原來變量的線性組合并且兩兩正交。其中的載荷可視為變量與主成分的相關性。Fast ICA是盲源信號分離中進行ICA的一種快速算法，Fast ICA基于高斯最大化原理，相比普通ICA算法，其收斂速度更快，不用設置步長參數，更易使用，并且具有大多數神經計算的優點，即并行、分布、簡單化[33]。相關系數法被廣泛運用在農產品無損檢測中，通過計算兩種不同波長的多種線性組合從而優選出相關系數最大的波長進而達到數據降維的目的[34]。采用以上3 種方法實現光譜數據降維。

采用傳感器所獲取的數據進行歸納分類被稱為模式識別，模式識別分為線性與非線性兩類，線性采用BD、MD、QDA、KNN；非線性采用LSSVM建立樣本光譜類型的識別模型。

1.4.4 模型驗證

將光譜數據集分為校正集與預測集，校正集依靠上述方法建立各種模式識別模型，預測集將通過BD、MD、QDA、KNN、LSSVM等已建立好的現有模型進行驗證，模型驗證的結果將用來評判各類方法之間的優異。

2 結果與分析

2.1 光譜數據預處理

在水心病果與正常蘋果兩類中各隨機抽取70 個樣本，分別求得70 個樣本在380～1 004 nm之間的平均光譜曲線變化趨勢如圖2所示。2 類蘋果在絕大部分選定波長范圍下的吸光度強烈吻合，在380～580 nm之間水心病果與正常病果在光譜之間存在明顯分離，但在其他波長下又各自有所交叉，映射出正常蘋果與水心病果之間存在著極大的相似性，并且，光譜數據在采集時也會受到各種儀器設備及外部因素的影響，所以分別采用直接查分一階求導在內的9 種預處理方法對原始光譜進行預處理，意在消除各類因素對模型性能的干擾。

圖 2 水心病果與正常蘋果的近紅外光譜Fig. 2 Near infrared spectra of apples with watercore and normal apples

2.2 數據特征提取

采用PCA、Fast ICA、相關系數法3 種數據特征提取方法分別提取原始數據中的重要變量作為建模輸入變量。從圖3可見，所有預處理方法經過PCA提取得到的前5 個主成分累計貢獻率都能達到95%以上，但是從圖2可得，正常蘋果與水心病果在光譜圖上存在肉眼無法分辨的差別，總結前人的研究實驗主成分選取個數，為獲得更加穩定的模型以及更加可靠的正確判別率，故此選擇提取前15 個主成分作為下一步模式識別的自變量。

圖 3 不同光譜預處理方法提取的前15 個主成分累計貢獻率Fig. 3 Cumulative contribution rates of the first 15 principal components extracted by different spectral pretreatment methods

Fast ICA能快速從信息冗余的光譜數據中提取少量有代表性的獨立信號分量建模分析，獲得魯棒性強的模型。PCA與ICA的主要區別在于ICA是一種基于高階統計特性的分析方法，并且ICA分離出的成分相互獨立，而PCA提取的成分相互正交，Fast ICA每次從觀測信號中只分離一個獨立分量，其不失為一種另類的數據降維方法。圖4為經過Fast ICA提取后的獨立成分合圖（以歸一化光譜數據為例），在下一步模式識別研究中，將經過不同預處理方法后Fast ICA獲得的獨立分量矩陣分別作為自變量用于后續建模。

圖 4 歸一化處理后光譜經獨立分量分析后提取的獨立成分Fig. 4 Independent components extracted by independent component analysis after spectral normalization

相關系數法是將光譜數據中每條波長處吸光度與蘋果性質之間的關系進行相關性計算，相關系數越大證明相關性越高，本實驗通過相關系數法成功篩選出相關系數較大的波長。圖5為蘋果性質與吸光度之間的相關系數表（以原始光譜為例），從中篩選出相關系數高前14 個波長，達到數據降維的要求。將經過不同預處理方法之后相關系數法篩選獲得的特征波長組成新自變量用于后續建模。

圖 5 相關系數法篩選波長Fig. 5 Wavelength selected by correlation coefficient method

2.3 建模結果分析

將所有經過特征提取后的高光譜數據分為校正集與預測集，校正集與預測集按照樣本間歐氏距離方法劃分，樣本劃分按照3∶1分配，該方法的優點是保證樣本在空間距離上均勻分布。將正常蘋果樣本用1代表，水心病果用0代表，校正集包括正常蘋果93 個樣本、水心病果78 個樣本；預測集包括正常蘋果31 個樣本、水心病果26 個樣本。

2.3.1 基于PCA下的模式識別分類結果

由表3可知，不論是否經過預處理方法，PCALSSVM的校正集識別率達到了100%，PCA-LSSVM預測集識別率都穩定在85%以上，并且在SNV-PCA-LSSVM與MSC-PCA-LSSVM建模方法下預測集的識別率達到91.2%，是最高的模式識別方法。這也說明PCALSSVM模式識別的方法可成功用于新疆冰糖心紅富士的水心鑒別。

表 3 PCA方法下多種預處理及多種模式識別下的蘋果類型識別率Table 3 Recognition rates of apples with and without watercore using different preprocessing methods and different pattern recognition methods combined with PCA %

2.3.2 基于獨立成分分析下的模式識別分類結果

表 4 Fast ICA方法下多種預處理及多種模式識別下的識別率Table 4 Recognition rates of apple with and without watercore using different preprocessing methods and different pattern recognition methods combined with Fast ICA %

由表4可知，在歸一化處理下，KNN模型及LSSVM模型建模集都能達到最優識別率87.7%，最低識別率為MWS-MD建模方式，預測集識別率最高的是歸一化預處理下的LSSVM模型，識別率為84.2%。綜合分析可知，MD并不適合應用于經過Fast ICA特征提取后的建模分析，此特征提取下最優的新疆冰糖心紅富士水心鑒別的方法是Fast ICA-歸一化-LSSVM建模方法。

2.3.3 基于相關系數分析下的模式識別分類結果

表 5 相關系數方法下多種預處理及多種模式識別下的識別率Table 5 Recognition rates of apple with and without watercore using different preprocessing methods and different pattern recognitions combined with correlation coefficient method %

由表5可知，經過相關系數法波長篩選，歸一化預處理，LSSVM的建模集識別率為89.5%，預測集識別率達到82.5%，是基于相關系數分析下的最優模式識別分類結果。

2.4 模型比較

PCA提取前15 個主成分數；相關系數法篩選相關系數最高的前14 個波長；Fast ICA提取前14 個分量數，在這3 種數據降維的情況下產生了相似的結果：LSSVM在蘋果的水心鑒別上優于其他幾種模式識別方法。主要是因為BD與QDA、MD、KNN均為線性判別；依據判別的標準不同，線性判別可以分為距離判別、Fisher判別、BD等，如KNN是一種距離判別，它計算在最近鄰域中 K 個已知樣本到未知待判別樣本的距離。而蘋果內部組織結構復雜，光在蘋果組織中的傳輸特性是一種復雜的非線性結構[35]。擁有突出非線性映射能力的LSSVM能夠優于其他線性方法較好的識別蘋果水心存在與否。

3 結 論

采用高光譜技術采集正常蘋果與水心病果的光譜特征，光譜校正后分別對其進行SNV、DDFD等9 種光譜預處理方法，應用PCA、Fast ICA、相關系數法3 種數據降維方法，使用BD、MD、QDA、KNN、LSSVM在內的5 種模式識別方法建模分析和識別，意在找出最佳快速識別模型。結果顯示，當主成分個數為15時，SNV-PCALSSVM和MSC-PCA-LSSVM在所有方法中是最優的，校正集概率和預測集識別率分別為100%和91.2%。并且，其他特征提取方法下的最高校正集概率與預測集概率也都超過了80%，結果表明，高光譜技術可以用于新疆冰糖心紅富士的水心鑒別，也為進一步開發相關快速識別設備提供了理論方法與實驗依據。