一種基于弛豫動態光譜技術的蘋果損傷檢測方法研究*

寧景苑，葉海芬，孫雨玘，熊思怡，梅正昊，蔣晨豪，黃科濤，張蘇婕，朱哲琛，李昱權，惠國華*，易曉梅，郜園園，吳 鵬

(1.浙江農林大學信息工程學院，林業感知技術與智能裝備國家林業局重點實驗室，浙江 杭州 311300 2.浙江農林大學信息工程學院，浙江省林業智能監測重點實驗室，浙江 杭州 311300)

蘋果是家喻戶曉的水果，作為世界四大水果之冠，蘋果富含有機酸、果膠、維生素和礦物質、膳食纖維、多酚和黃酮類化合物，營養價值很高，可以幫助調節酸堿平衡，對人體健康有很大的幫助。 2019 年我國蘋果栽培面積占全球的30%，產量占全球的32.7%。 然而，我國蘋果出口量僅占世界蘋果總出口量的12%左右[1]。 蘋果在運輸過程中，由于包裝或運輸方式不當，很容易受到機械性損傷，從而加速營養成分的流失，加速蘋果腐敗，最終導致營養價值及商品價值下降[2]。 因此，探索一種快速、無損、低成本、易操作的蘋果損傷檢測方法迫在眉睫。

近年來光譜技術在食品科學研究中得到了廣泛的應用，許多學者將可見光譜技術應用于水果品質的無損檢測。 韓浩然選擇市場上常見的黃瓜作為檢測對象，利用U-net 深度學習網絡結合可見光譜圖像，實現了黃瓜褐斑病的像素特征提取和病斑分割。黃亮等[4]的研究證明，利用可見光譜可以快速、無損地預測花椰菜中硫代葡萄糖苷的含量。 余懷鑫等[5]利用可見光譜對溫州蜜桔的含水量進行了研究，證明了利用可見光譜檢測溫州蜜桔含水率的可行性。 劉燕德等[6]利用可見光譜技術建立了油桃的無損檢測模型，對油桃的糖度、硬度和最佳貯藏天數進行了預測。 孟慶龍等[7]利用可見光譜技術對獼猴桃的糖度進行了快速、無損的檢測。 尚靜等[8]利用可見光譜采集系統獲得的光譜信息實現對李子硬度的檢測。 黃玉萍等[9]利用可見光譜判別西紅柿的內部顏色。 車文凱等[10]利用多種重采樣方法對蘋果損傷區域內的光譜進行重采樣，建立并比較了不同的蘋果損傷時間分類模型。 穆炳宇等[11]利用可見-近紅外光譜技術檢測花椰菜的色澤。 韓亞芬等[12]利用可見近紅外透射光譜檢測技術結合PLS-DA 優化模型，實現對馬鈴薯內部缺陷的快速無損檢測。

以上研究證明可見光譜可以無損檢測水果的品質，但所使用的儀器設備體積大，費用高。 那么，如何利用樣品的漫反射或透射光信號，以最小化的硬件體系實現樣品的品質檢測呢? 本文為驗證弛豫光譜的可行性，采用單波長光作為光源，利用激光控制器控制激光器電流產生弛豫現象，激發蘋果內部化學官能團的弛豫特性，通過采集被測樣品的弛豫光譜，基于BP 神經網絡算法構建SNV-BP-RS 蘋果輕微損傷探測模型，并與利用傳統光譜建立的SNVBP-CS 模型進行比較研究，以驗證本文提出方法的有效性。

1 材料和方法

1.1 實驗材料

蘋果樣品選用同一批次的紅富士蘋果，質量為(120±10)g，直徑為70 mm～80 mm，色澤鮮艷，新鮮度好，無機械損傷、蟲蛀等現象。

1.2 主要儀器與設備

實驗儀器包括650 nm 100 mW 可調焦紅光點狀激光發射器(MTO-LASER)、S3000 光譜儀(杭州晶飛)、光譜分析平臺(杭州晶飛)、LASER-5A DPSS LASER DRIVER(MicroStep MA1-106)、T40-CTRGZJ-43-150 強力磁鐵軟管支架激光器定位燈用固定支架(Anford)、鐵架臺、擦拭紙、遮光罩。 弛豫光譜采集系統如圖1 所示。 實驗過程中，通過激光驅動器調節電流大小，從而改變激光的強弱，強度不同的激光能夠激發樣品內部化學官能團的弛豫性能，產生弛豫光譜。 再通過感光纖維探頭采集弛豫光譜，經光譜儀處理后上傳至電腦。

圖1 弛豫光譜采集系統

1.3 蘋果損傷對照實驗

在物理學中，弛豫過程是指物體的原始平衡態被破壞后，再次恢復到平衡態的過程。 在機理方面，由于處在非平衡態，非晶態物質總是向低能態弛豫，故弛豫行為是理解非晶態物質中各種物理現象的關鍵[13]。 激光的強度與電流有關[14]，通過控制電流來控制激光強度，模擬激光照射到蘋果表面的過程，使蘋果表面的激光強度逐漸增加，蘋果內部的化學官能團對光動態吸收，而這種動態吸收過程與穩態吸收過程的反射光信號是不同的，這就是動態弛豫光譜的產生機理。 圖2 所示是不同電流強度下對應的弛豫光譜。 為了保證弛豫過程的單一性，實驗采用650 nm 單波長激光照射蘋果表面，改變激光器控制電流，采集并記錄蘋果樣品的漫反射光譜數據并進行分析[15]。

圖2 不同電流強度下的弛豫光譜

實驗開始前，用蒸餾水仔細清洗蘋果表皮并用擦拭紙吸干殘余水分，重復兩次，確保蘋果表面的灰塵、石蠟等物質被徹底清洗，減少對實驗的干擾。 清洗完畢后，在蘋果側面任意位置選取一個半徑為1.5 cm 的圓形區域，用記號筆做好標記。 將蘋果放置在鐵架臺的鐵圈上，確保選定的區域朝上，以所選區域的圓心作為采樣點，將感光纖維探頭移至采樣點，需保證探頭與其貼合緊密的同時不得誤傷蘋果表皮。 將激光驅動器的激光電流調至0.9 A 以下，打開激光并手動調整激光入射位置，入射點可在距離采樣點1 cm 的圓周上任意選擇。 位置調整完畢后，為鐵架臺罩上遮光罩以創造黑暗環境，防止外來光源對實驗環境造成干擾。

在激光驅動器的控制下，以0.9 A 為初始電流強度，以0.05 A 為電流遞增步長，記錄每一采樣點在0.9 A 和2.05A 電流區間內的光譜數據，最后關閉激光驅動器測量背景光狀態下的光譜數據，得到25 組數據。 為降低實驗誤差，采取平行實驗方式對每一無損采樣點重復測量15 次，累計獲得375 組蘋果在無損狀態下的實驗數據。

測量完畢后，取出蘋果并用研缽棒按壓所選區域，在保證蘋果表皮無損的情況下，使該區域的果肉受到深度為1 cm 的損傷，創造出受損蘋果。 該步驟完成后立馬將蘋果放回，在相同實驗條件下以相同實驗方式測量蘋果在受損狀態的光譜數據，重復進行15 次，累計獲得375 組蘋果在有損狀態下的光譜數據。

1.4 光譜數據預處理

1.4.1 標準正態變量變換法(SNV)

每個蘋果的生長情況不同，個體之間必然存在差異，不同蘋果的光譜數據也不同，此時需要用SNV 算法優化處理光譜數據。

標準正態變量變換(Standard Normal Variable Transformation，SNV)可以作為光譜數據的預處理方法，主要是為了消除固體顆粒的影響。 在固態樣品的檢測中，有助于減少固體表面散射和光程變化對光譜數據的影響[16]。 與相同公式的標準化算法中對一組光譜的處理方法相比，SNV 直接對單條光譜的數據進行處理，其處理方法如下:

式中:Xi，SNV是經過SNV 算法處理后第i條光譜的數據值，Xi表示第i條光譜的平均值，Xi，k表示第i條光譜中第k個波點數，m表示光譜中波長點數，m的大小與光譜儀相關。

1.4.2 BP 神經網絡

圖3 是BP 神經網絡模型建立的流程圖。

圖3 BP 神經網絡模型建模流程

BP 神經網絡是一種基于誤差反饋算法訓練的人工神經網絡，應用廣泛[17]。 其網絡結構主要由一個輸入層、一個或多個隱含層、一個輸出層組成。 由于本實驗的數據之間呈現簡單的非線性關系，包含一個隱含層的BP 神經網絡模型可以滿足需求。 實驗建立的模型網絡結構如圖4 所示。

圖4 BP 神經網絡結構

2 結果與討論

2.1 實驗光譜預處理

本文使用的光譜分為傳統靜態光譜和弛豫動態光譜兩大類，每類光譜采集了1 000 組，其中無損狀態蘋果光譜500 組，有損狀態蘋果光譜500 組。 將每類光譜按照8 ∶2 的比例劃分訓練集和測試集，訓練集包括有損狀態光譜400 組，無損狀態400 組。測試集包括有損狀態100 組，無損狀態100 組。

2.1.1 數據篩選

對于采集的傳統靜態光譜，選取600 nm～800 nm波長的光譜，其他波段的光譜數據舍去。 傳統靜態光譜篩選處理前后如圖5 所示。進行整合，其他波段的光譜數據舍去。 弛豫光譜篩選處理前后如圖6 所示。

圖5 傳統光譜篩選處理前后對比圖

圖6 弛豫光譜篩選處理前后對比圖

對于采集的弛豫動態光譜，將電流為0.9 A ～2.05 A 時對應的650 nm 波長的光譜曲線篩選出來，

2.1.2 SNV 優化

SNV 是一種標準化算法，針對單條光譜數據進行處理。 SNV 算法主要用于消除樣本表面固體顆粒等外界因素對樣本數據的影響。 通過對篩選出的光譜數據進行SNV 算法優化處理，標準化單條光譜數據，消除由于蘋果個體差異引起的光譜數據差異，進一步減小光譜樣本數據之間的差異，最終得到的光譜數據更為緊湊，趨于一致。 在此將篩選出的光譜數據，進行SNV 算法優化處理，如圖7、圖8 所示。

圖7 傳統光譜曲線SNV 處理前后對比圖

圖8 弛豫光譜曲線SNV 處理前后對比圖

2.2 BP 網絡模型的建立及結果

根據模型的網絡結構，設置模型各層的初始化參數如表1。

表1 蘋果損傷檢測模型初始參數

按照BP 神經網絡模型建立流程對模型進行調參，具體如下:

①隱含層節點數:

圖9 所示是不同隱含層節點數時模型的準確率，經過實驗測試，當隱含層節點數為48 時，基于傳統光譜建立的模型精度最高。 當隱含層節點數為76 時，基于弛豫光譜建立的模型精度最高。

圖9 不同隱含層節點數時，模型的準確率

②迭代次數:

圖10 所示是不同迭代次數時模型的準確率，經過實驗測試，當迭代次數為20 000 次時，基于傳統光譜建立的模型精度最高。 當迭代次數為5000 次時，基于傳統光譜建立的模型精度最高。

圖10 不同迭代次數時，模型的準確率

經過以上實驗，最終確定模型參數如表2 所示。

表2 蘋果損傷檢測模型最終參數

將光譜數據分為兩組，第一組數據僅進行數據篩選，不使用任何算法進行處理。 第二組數據進行數據篩選后，再使用SNV 算法優化。 將兩組數據輸入模型訓練測試，結果如表3 所示。

表3 蘋果損傷檢測模型判別結果

為了進一步測試模型的性能，增加穩定性、可重復性驗證實驗，使用不同的測試集測試模型，每個模型測試20 次。 測試結果如圖11 所示，基于弛豫動態光譜建立的蘋果損傷檢測模型穩定性、可重復性、準確率均優于基于傳統光譜建立的檢測模型。

圖11 穩定性、可重復性實驗結果

3 結論

本文以紅富士蘋果為實驗對象，以單波長光為光源，利用激光控制器控制激光器電流產生弛豫現象，激發蘋果內部化學官能團的弛豫特性，采集樣品的弛豫光譜，建立基于BP 神經網絡算法的損傷檢測模型，以驗證利用弛豫光譜判別蘋果是否損傷的可行性。 實驗首先對原始光譜數據進行篩選，采用SNV算法對篩選后的光譜數據進行優化，利用傳統靜態光譜和弛豫動態光譜，基于BP 神經網絡算法分別建立SNV-BP-CS 和SNV-BP-RS 模型。 SNV-BP-CS 模型最優網絡結構參數:輸入層的尺寸為713×1，隱含層節點為48，輸出層尺寸為2×1，迭代次數為20 000 次。SNV-BP-RS 模型最優網絡結構參數:輸入層的尺寸為24×1，隱含層節點數為76，輸出層尺寸為2×1，迭代次數為5 000 次。 采集的光譜數據通過篩選、SNV算法優化后，代入模型訓練測試。 SNV-BP-CS 模型的訓練集準確率為95.26%，測試集準確率為86.39%，檢測一個樣本用時0.454 s。 SNV-BP-RS 模型的訓練集準確率可以達到99.79%，測試集準確率達到91.48%，檢測一個蘋果是否損傷用時為0.291 s。 相較于基于傳統靜態光譜和BP 神經網絡算法建立的SNV-BPCS 蘋果損傷檢測模型，基于弛豫動態光譜技術和BP神經網絡算法建立的SNV-BP-RS 蘋果損傷檢測模型能夠有效降低光譜檢測對激光波段的需求，模型檢測準確率高，用時短，穩定性良好。 用本文提出的基于弛豫動態光譜技術的蘋果損傷檢測方法判別蘋果是否損傷，僅需一個單波長光源、一個光譜儀、一臺電腦以及若干固定設備即可，大大縮小了檢測設備的體積和成本。 為水果精準、高效、低成本的探傷性研究提供了一種新的思路。