融合光譜形態特征的蘋果霉心病檢測方法

劉昊靈，張仲雄，陳 昂，浦育歌，趙 娟,2,3，胡 瑾,2,3

融合光譜形態特征的蘋果霉心病檢測方法

劉昊靈1，張仲雄1，陳 昂1，浦育歌1，趙 娟1,2,3，胡 瑾1,2,3※

（1. 西北農林科技大學機械與電子工程學院，楊凌 712100；2. 農業農村部農業物聯網重點實驗室，楊凌 712100； 3. 陜西省農業信息感知與智能服務重點實驗室，楊凌 7121 00）

針對輕微霉心病和健康蘋果光譜差異較小，致使基于可見/近紅外特征光譜的檢測方法對輕微霉心病檢測準確率較低的問題。該研究將光譜形態特征與光譜特征融合的方法引入霉心病模型構建，建立了融合光譜形態特征的判別模型。以215個蘋果可見/近紅外光譜為樣本，分析了不同預處理和特征提取組合對建模效果的影響，并完成了光譜特征的提取；分析健康果和霉心病蘋果平均光譜的差異性，提取波峰、波谷等差異明顯的光譜形態特征點，對比波段比、波段差和歸一化強度差三類形態特征獲取方法；最終建立光譜形態特征參數和光譜特征融合的蘋果霉心病模型。試驗結果表明，歸一化預處理后提取的特征光譜和歸一化強度差形態特征融合后模型判別準確率最高，在支持向量機模型中訓練集、測試集判別準確率分別為98.6%和96.3%。特別是當發病程度小于10%時，該研究的判別模型準確率高于95%，表明通過融合光譜形態特征可以提升輕微病變霉心蘋果的判別準確率。

光譜；病害；蘋果霉心病；光譜形態特征；歸一化強度差；支持向量機

0 引 言

霉心病是蘋果的一種真菌病害，由于沒有外部癥狀出現，這種病害在蘋果切開前無法被識別[1]。切開病果可見心室發霉或褐變腐爛，果心充滿粉紅色、灰綠色、黑褐色或白色霉狀物，若病菌突破心室壁擴展到心室外，則會引起果肉腐爛[2]。霉心病發病機理是由多種弱寄生菌組成的浸染過程較為復雜的復合型內部病害，其中鏈格孢菌、鐮刀菌、單端孢等真菌會產生70多種具有不同化學結構的次級代謝產物，其中部分成分有影響生育、引發癌癥以及減弱人體免疫等負面作用[3-5]。

近年來，可見/近紅外光譜、電子鼻[6-8]和振動聲學[9]等多種方法被用于蘋果霉心病檢測。但電子鼻檢測方法需要等待空間內氣體累積，其檢測時間一般在60～160 s，速度較慢；振動聲學檢測方法僅對單一種類真菌造成的心室腐爛霉心病有效并且檢測準確率不高，而霉心病是多種真菌造成的復合病變，其癥狀種類較多；核磁共振等其他檢測方式成本過高不能投入實際應用。因此可見/近紅外透射光譜檢測法由于檢測速度快、準確率高、可解釋性強、成本低的優點，已成為蘋果霉心病無損檢測中最熱門的方法。基于全光譜進行蘋果霉心病判別證明了采用可見/近紅外透射光譜檢測霉心病的可行性[10]，但這種方式光譜信息過于冗雜，同時設備成本較高，不利于實際應用。雖然相繼出現使用小波變換[11]、連續投影算法（successive projections algorithm, SPA）[12]和競爭自適應重加權采樣（competitive adaptive reweighted sampling, CARS）[13]等方法進行霉心病特征波長提取的研究，其一定程度上減少特征波長的數量，減少冗余光譜信息對建模效果的影響，但限制光譜特征數量的能力較弱，不能有效降低成本。為進一步減少光譜特征數量并降低開發成本，也出現使用CARS和SPA組合的方法完成霉心病判別模型中特征波長提取的研究[14-15]。但是由于蘋果果徑大小、果心位置等都會影響光譜傳播特性，從而影響模型判別效果，因此出現了考慮檢測方向差異的全局方向補償模型和考慮果徑大小對透射光譜影響的果徑修正模型[16-17]。其較經典光譜分析方法一定程度上解決了果形差異導致霉心病檢測精度降低的問題。雖然該類方法和經典光譜模型均對嚴重霉心病蘋果判別準確率高，但對于輕微霉心病判別準確率較低[18]。蘋果作為一種儲藏水果，能否在儲存前實現對輕微霉心病果的檢測，就成為防治病害傳播、減少儲存損失的關鍵。因此迫切需要研究提高輕微霉心病蘋果的判別準確率的方法。

光譜形態特征能夠充分利用光譜有效特征信息[19]，目前利用光譜形態特征提高早期缺陷和成熟度檢測等品質分級精度的方法[20-22]可以有效提升霉心病的判別準確率。雖然光譜形態特征可以量化特征點之間的關系，但是單獨采用這種方法對特征光譜進行處理會導致光譜原始信息的丟失，因此對判別準確率的提升較為有限。

針對上述問題，本研究基于可見/近紅外光譜判別蘋果霉心病原理，提出一種將特征光譜和光譜形態特征融合的建模方法。通過判別精度選擇最佳特征光譜和光譜形態特征參數，將特征光譜與光譜形態特征參數共同作為輸入訓練模型，以提高可見/近紅外透射光譜判別蘋果霉心病的準確率。

1 材料與方法

1.1 樣本獲取與光譜采集

本文以紅富士蘋果為研究對象，于2020年11月在陜西省寶雞市扶風縣發病率較高果園挑選發育良好、無外部損傷的紅富士蘋果215個。將蘋果運回實驗室后清洗干凈，使用標簽紙逐一編號后在室溫（20 ℃，相對濕度為30%～40%）放置24 h[23]。

試驗使用自主搭建的透射光譜采集平臺，其結構如圖1所示。試驗儀器采用海洋光學的地物光譜儀（OFS-1100，Ocean Optics，USA），其采集光譜范圍350～1 100 nm，光譜分辨率1.3 nm；檢測光源為鋁制反射珠鹵素燈（QR111，Osram，USA）；試驗裝置安裝在一個密封的光屏蔽暗箱內，以防外部光干擾。試驗過程光譜儀設置積分時間為100 ms；平均次數為5次；平滑度為10。在軟件中進行去除暗噪聲、添加非線性矯正和雜散光矯正。另外蘋果內部發霉部位并不規則，可能存在發霉部位偏離中心的情況，蘋果表面缺陷和其他病害也會對檢測造成影響，蘋果豎放時果萼和果柄也可能影響透射的光譜信息[24]，因此為避免上述原因導致光譜缺失部分光譜信息，規定對每個樣本沿赤道方向每旋轉120°采集一次光譜，共獲得三組光譜信息[25]。使用Kennard Stone (K-S)算法將訓練集與測試集按3∶1劃分[26]。

圖1 蘋果可見/近紅外光譜采集平臺

1.2 病害信息獲取

將蘋果樣本縱向切開，進行蘋果霉心病果或健康果的分類。為了分析蘋果的發病程度，使用相機拍攝蘋果圖像獲取具體的蘋果病害信息，信息獲取過程如圖2所示。為保證圖像獲取環境相同，圖像拍攝時使用手機支架將手機相機固定在距黑色桌布12 cm的位置，使用光照計（LI-250A）將環境光強保持在235～243 lux，相機使用手機（小米11）后置1.08億像素攝像頭。圖像處理在Photoshop軟件中進行，根據圖像中蘋果剖面面積1和霉心面積2計算發病面積在剖面面積中的占比并將其定義為發病程度，以此評價霉心病蘋果的患病程度[27]。

圖2 蘋果病害信息獲取

1.3 光譜預處理與特征提取

不同的光譜預處理組合會對光譜特征提取和模型建模效果產生不同影響。S-G卷積平滑（savitzky-golay convolution smoothing, S-G）通過對移動窗口內的數據進行多項式分解與最小二乘擬合可以有效去除光譜噪聲以提高光譜的信噪比；多元散射矯正（multiplicative scatter correction, MSC）和標準正態變換（standard normal variate transform, SNV）則可以解決光譜譜圖中參雜的固體顆粒密度、樣本折射率相關的問題；歸一化算法（normalization, NOR）可以有效避免某些重要特征權重較小的問題，在光譜預處理中也可以消除微小光程差異帶來的影響。因此，本文先對光譜進行歸一化，然后分別選擇不再做處理、S-G平滑、MSC和SNV處理，建立4類預處理樣本集。

為提高判別模型的準確率和運行效率，對上述樣本集數據采用CARS與SPA結合的特征提取方法進行降維處理。這種方法不僅能消除CARS提取的特征中連續和重疊部分，還能提高SPA的運行速度，最大化壓縮數據維度，用更少的光譜信息表達更多的數據特征。本文首先使用CARS設置交叉驗證次數10次，聚類次數25次對4類預處理結果進行特征波長提取，然后使用SPA限制最大特征數為20進行二次提取，最后采用偏最小二乘判別分析（partial least squares discriminant analysis, PLS-DA）建立模型，以準確率、召回率、特異性和特征數為指標對特征提取結果進行評價，從而選擇建模效果最優的預處理方法和特征光譜。

1.4 光譜形態特征參數

現有蘋果品質檢測一般將其視為均勻介質，通過Lambert-Beer定律來描述光透過蘋果時的現象[28]。該定律認為，在蘋果外觀物理因素一定的條件下，吸光度與吸收介質的濃度和吸光系數有關，所以霉心病蘋果的透射光強普遍低于健康蘋果。但試驗表明，輕微的霉心部位在可見/近紅外光譜范圍內透射光強度的衰減較小且不均勻，并且蘋果品質、缺陷等其他因素會覆蓋輕微霉心病對透射光的影響甚至使光譜強度高于健康蘋果，導致僅采用特征光譜進行輕微霉心病判別精度不高。因此，本研究從平均光譜中選擇5個波峰和波谷，使用波段比、波段差和歸一化強度差等波段運算方式[29]獲取光譜形態特征（spectral shape features, SSF），建立PLS-DA判別模型對比準確率，獲取最佳光譜形態學特征。

波段比（band ratio, BR）是2個波段光譜之間的比值[30]，其不但可以有效地降低蘋果測量時造成的誤差，還可以增強波段之間的強度差異，提供一些任何單一波段無法得到的獨特信息[31]。BR數學表達式如式（1）所示，式中R和R分別是第和波段的光譜強度，BR是第和波段的光譜強度比值。

BR=R/R（1）

波段差（band difference, BD）則是2個波段光譜強度之間的差值，用于反應光譜吸收峰的深度。BD數學表達式如式（2）所示，式中BD是第和波段的光譜強度差值。

BD=R?R（2）

歸一化強度差（normalized spectral intensity difference, NSID）是一種標準化的光譜指數,該方法被應用于西瓜的成熟度檢測[32]，說明其具有一定發掘更深處光譜信息的作用。NSID數學表達式如式（3）所示，式中NSID是第和波段的光譜歸一化強度差，在遙感[33]和高光譜[34]中也被稱為歸一化植被指數。

1.5 蘋果霉心病判別模型構建方法

支持向量機（support vector machine, SVM）算法可有效解決小樣本、非線性及高維模式識別的問題，因此本文采用SVM建立判別模型。采用特征光譜和BR、BD和NSID 3種光譜形態特征參數融合作為模型輸入，如式（4）所示，式中表示模型輸入，表示特征光譜，表示光譜形態特征參數；以樣本標簽（健康樣本為0，霉心病樣本為1）作為模型輸出。

={(,b)} （4）

為解決該類非線性分類問題，需通過引入核函數(,x)將低維線性不可分問題轉化為高維線性可分。最終得到的SVM判別模型式（5），式中表示樣本總數量，為Lagrange系數，表示支持向量機的類別標簽，為閾值。

本研究使用MATLAB中的fitcsvm二分類函數構建SVM模型，并使用徑向基核函數（RBF）對樣本進行高維度映射。為了確定最佳的框約束參數和內核比例參數，使用該函數的超參數優化功能進行自動尋優。

此外，為了驗證SVM方法的優越性，利用PLS-DA采用相同樣本集，使用25折交叉驗證計算最佳潛在變量后建立模型進行對比分析。

1.6 模型評價指標

為驗證建模效果，本文采用準確率、特異性和召回率作為評價指標來進行模型好壞以及穩健性的評估[35]。準確率是指正確分類樣本占總樣本的比例，準確率越高說明分類模型越好。在本研究中將霉心病樣本設為正例，召回率表示所有正例中被正確分類的比例，衡量了分類器對正例的識別能力，召回率越高說明對模型對霉心病果的檢出率更高。特異性表示所有負例中被正確分類的比例，衡量了分類器對負例的識別能力，特異性越高說明健康蘋果的誤判率越低。

2 結果與分析

2.1 光譜數據獲取結果

本文在剔除蘋果光譜信息中異常樣本的基礎上，對550～900 nm波段內光譜信息進行分析。經過統計后樣本總數215個，其中健康蘋果111個，霉心病樣本104個。得到霉心病樣本和健康樣本的光譜范圍如圖3表示，2個區域上下限分別代表霉心病蘋果光譜和健康蘋果光譜的各波段平均光譜±標準差。

圖3 健康和霉心病蘋果的光譜范圍

從圖3中可以看出霉心病蘋果光譜和健康蘋果光譜在各波段均有重合，尤其在650～700 nm的波谷中光譜幾乎完全重合，因此僅靠光強度對于這類霉心病樣本無法進行有效判別。

2.2 光譜預處理與特征波長提取結果

為了避免光譜某些波段光強度過高或過低導致的特征權重不均衡的問題，必須先歸一化，然后再進行S-G平滑、SNV、MSC等預處理，處理結果如圖4所示。

圖中分別是進行NOR、NOR+SG、NOR+SNV和NOR+MSC預處理后特征提取的結果。其中NOR和NOR+SG均得到8維特征光譜，并且特征分布比較相似； NOR+SNV和NOR+MSC兩種方法分別得到11維和5維特征光譜。進一步從圖中可以看出NOR和NOR+SG得到的特征光譜更符合光譜曲線的特征；NOR+SNV雖然得到特征數量較多，但在640、760、810 nm附近特征較為相似，并且相比另外3種方法缺少了710 nm附近波峰信息；NOR+MSC方法可以進一步壓縮特征數量，但是從光譜曲線上看，丟失了640和810 nm附近波峰信息。為進一步分析上述預處理方法的優劣，使用PLS-DA建立判別模型對4種預處理方法進行比較。利用不同處理方法得到的特征光譜建立PLS-DA判別模型，其結果如表1所示。

圖4 不同預處理方法下光譜特征提取結果

表1 不同預處理方式的PLS-DA模型訓練結果

其中雖然NOR+SNV獲得特征數量最多，但是判別準確率并不是最高，這可能是由于其缺少710 nm附近波峰信息，該波段是影響霉心病判別的主要特征波段[36]；NOR+MSC獲得特征數量最少，并且判別準確率最低；NOR和NOR+SG的特征較為相似，但是NOR預處理方式的判別準確率更高。綜上所述，僅用NOR可以獲得更高的效益，因此采用NOR+CARS+SPA獲得的特征波長建模。

2.3 形態學特征提取結果

平均光譜中波峰和波谷提取結果如圖5所示，分別為639、674、705、751和806 nm，以此5個波段作為提取光譜形態特征的特征波段。其中705 nm附近峰是影響霉心病的主要波段；806 nm附近峰是C-H鍵和O-H鍵的伸縮振動引起的，該波段也被認為和水份相關[37]，而水果真菌感染與內果壁鈣濃度有關，鈣濃度變化是由果實水分導致的[38]，因此800 nm吸收峰能夠反映霉心病的發病情況；639 nm附近峰值代表葉綠素B的吸收[39]，674 nm附近波谷代表葉綠素A的降解[40]，由于葉綠素與霉心病相關性較低，所以其相關波段在波段運算中用于校正690 nm后波段的光學性質[41]；751 nm附近的波谷值一般被認為和806 nm同樣作為水分的吸收峰，但該波段與果核的光學性質有關[42]，因此在果核發病的蘋果霉心病中也應考慮該波段的影響。

利用式（1）～（3）對上述5個波段進行運算獲得4個BR變量、4個BD變量和4個NSID變量。將BD、BR、NSID輸入建立的PLS-DA霉心病判別模型，其結果如表2所示。

圖5 平均光譜的波峰和波谷

對比結果可以發現，NSID的判別準確率最高，BD、BR的判別準確率較低。雖然3種波段運算方法的準確率均在70%以上，但建模效果仍略低于特征光譜直接建模。說明光譜形態特征雖然可以反映出霉心病相關的特征，但是也丟失了一部分特征信息。為了進一步提高判別準確率，需要將4種光譜形態特征添加到特征光譜中建模分析，評價其建模效果。

表2 不同波段運算方法的PLS-DA模型準確率

2.4 融合光譜形態特征的霉心病模型訓練結果

根據上述分析，為了對比引入不同形態特征對建模效果的影響，本文對比了在特征光譜中不做處理、融合BR、融合BD和融合NSID后，使用SVM和PLS-DA方法分別建立判別模型的準確率，如表3所示。

表3 不同建模方法下建模效果對比

從表3中可知，融合光譜形態特征對蘋果霉心病的判別能力有很大提升，并且在SVM中效果要優于PLS-DA。在三種光譜形態特征融合中，融合NSID的判別效果最好，訓練集準確率98.1%，召回率和特異性分別為97.0%和98.5%，測試集中準確率96.3%，召回率和特異性分別為100%和94.9%，其次是融合BR，最后是融合BD。其中，融合BR和融合BD的效果與表2中結果相反，說明BR特征相比BD特征更能與特征光譜互補。另外融合NSID的模型召回率明顯高于融合其他兩種光譜形態特征的模型，說明NSID特征對判別準確率的提升主要體現在對霉心病蘋果的識別能力。因此，本文選擇NSID和特征光譜融合建立SVM霉心病判別模型。

2.5 不同霉心病判別模型對比

為了驗證使用本文方法構建模型的性能，利用相同的樣本集，將融合光譜形態特征模型與使用霉心病相關特征波段建模所得的特征波段模型、檢測方向補償模型[16]和果徑修正模型[17]進行對比，最終結果如表4所示。表中可以看出果徑修正模型、檢測方向補償模型和融合形態特征模型均取得了高于特征波段建模的結果。其中融合形態特征模型的判別準確率最高，表明融合光譜形態特征的方法對霉心病的判別效果更好。

表4 蘋果霉心病判別模型對比

為進一步分析本文方法對不同發病程度霉心病判別準確率的提升效果，對上述4種方法的霉心病誤判樣本和發病程度進行統計如圖6所示。在霉心病中最輕微的癥狀是僅在果核內部發病并且沒有侵染果肉，而根據統計規律果核面積一般占蘋果橫截面積的6%，因此將發病程度小于6%作為輕微霉心病的標準；另外在一些相關文獻中將發病程度小于10%定義為輕微霉心病[27]，因此定義發病程度在6%～10%作為為略微嚴重的輕微霉心病；另外發病程度10%～14%為一般霉心病，而發病程度大于14%發病面積時蘋果已經發生嚴重霉變，這種情況最容易判別。可以發現隨著發病程度的減少，霉心病的判別準確率呈下降趨勢。當發病程度大于14%時，除特征波段建模以外，其他三種模型都能夠實現霉心病精準判別；當發病程度大于10%且小于14%時，只有融合光譜形態特征模型能夠100%判別，果徑修正模型和檢測方向補償模型雖然出現誤判，但準確率仍高于特征波段建模；當發病程度小于10%但大于6%時，特征波段建模的判別準確率的下降非常嚴重，另外兩種模型的判別準確率也出現下滑，只有融合光譜形態特征模型的判別準確率明顯高于其他幾種模型且仍能達到95.7%；當發病程度小于6%時，特征波段建模僅有33.3%的判別準確率，檢測方向補償模型判別準確率為75.0%，果徑修正模型判別準確率為83.3%，而融合光譜形態特征模型判別準確率仍能達到95.8%。本文模型的準確率相對特征波段建模和果徑修正模型分別提高了62.5和12.5個百分點。結果表明，當發病程度小于10%時，融合光譜形態特征的的模型對于判別準確率的提升非常顯著，說明融合光譜形態特征的模型可以有效表達出霉心病蘋果和健康蘋果間光譜的差異性，從而提高模型識別輕微霉心病蘋果的能力。

圖6 不同蘋果霉心病判別模型對不同發病程度判別的準確率分布

2.6 融合光譜形態特征的蘋果霉心病模型性能評價

為了進一步分析本方法局限性，對本方法錯判的91、95號樣本進行分析，其光譜如圖7所示。91與95號樣本發病程度分別為4.9%和6.9%，觀察剖面圖像發現，其屬于果核內部出現少量菌絲的輕微霉心病癥狀[43]。不僅如此，樣本維管束附近果肉均有呈透明玻璃狀趨勢，這是典型的蘋果水心病特征[44-45]。由于在水心病組織中光的透射率高于無癥狀組織[46]，因此在樣本中輕微霉心病導致的透射光強衰減低于水心導致的透射光強增加的情況下，各波段光譜強度甚至高于健康樣本平均光譜。上述結果表明水心病組織對光譜的影響會覆蓋霉心病組織影響，導致無法從光譜中獲得霉心病組織的光譜形態特征，從而出現誤判現象。在上述兩種病害并存的情況下，引入新的修正因子提升模型判別精度將成為下一步研究的重點。

圖7 融合光譜形態特征模型中判錯樣本分析

另一方面，由于不同品種蘋果間的果實形狀、顏色、內部品質差異較大，導致不同品種之間蘋果的光學性質差異明顯，尤其光譜特征峰的漂移嚴重，因此現有模型并不能在品種中通用。因此面對不同品種蘋果時重新獲取樣本按本研究步驟建立具有針對性的模型，或考慮使用遷移學習的方法將本研究模型本研究模型推廣至其他品種的蘋果。

此外本研究中健康樣本和霉心病樣本數量分布均勻，若健康樣本多于霉心病樣本，會導致建模結果特異性增加而召回率降低，若霉心病樣本多于健康樣本，會導致召回率增加而特異性降低，不平衡的樣本分布會導致對某一種樣本判別能力降低本研究模型的準確率。因此后續研究中考慮采用生成對抗網絡（generative adversarial network, GAN）或人工少數類過采樣（synthetic minority over-sampling technology, SMOTE）[26]等生成樣本的方式保證樣本數量平衡，并與本研究方法結合可能會進一步提高判別準確率。

3 結 論

為了提高輕微霉心病的檢測精度，本文提出一種融合光譜形態特征的蘋果霉心病判別模型建模方法。在選擇光譜歸一化為預處理方法，使用競爭自適應重加權采樣和連續投影算法結合完成特征光譜提取的基礎上，分別對光譜形態特征波段做波段比、波段差、歸一化強度差的波段運算后與特征光譜融合作為輸入建立判別模型進行對比。最終發現使用歸一化強度差和特征光譜融合建立的支持向量機模型效果最佳，其訓練集準確率達到98.1%、測試集準確率達到96.3%。將該模型與特征波段建模、果徑修正模型和檢測方向補償模型進行對比發現，融合光譜形態特征的模型判別效果更好。尤其當發病程度小于6%時，其相對特征波段建模準確率提高了62.5個百分點，相對以往準確率最高的果徑修正模型提高了12.5個百分點，證明本文方法能有效提升輕微霉心病蘋果的判別精度。

[1] ALI S, ABBASI P A, REHMAN S, et al. First report of moldy core of minneiska apples from new zealand caused by alternaria arborescens[J]. Plant Disease, 2021, 105(9): 2719-2719.

[2] 周兆永，何東健，張海輝，等. 基于深度信念網絡的蘋果霉心病病害程度無損檢測[J]. 食品科學，2017，38(14)：297-303.

ZHOU Zhaoyong, HE Dongjian, ZHANG Haihui, et al. Non-destructive detection of moldy core in apple fruit based on deep belief network[J]. Food Science, 2017, 38(14): 297-303. (in Chinese with English abstract)

[3] LIU Y, YAMDEU J H G, GONG Y Y, et al. A review of postharvest approaches to reduce fungal and mycotoxin contamination of foods[J]. Comprehensive Reviews in Food Science and Food Safety, 2020, 19(4): 1521-1560.

[4] LOPEZ P, VENEMA D, DE R T, et al. Occurrence of alternaria toxins in food products in the netherlands[J]. Food Control, 2016, 60: 196-204.

[5] NTASIOU P, MYRESIOTIS C, KONSTANTINOU S, et al. Identification, characterization and mycotoxigenic ability of Alternaria spp. causing core rot of apple fruit in Greece[J]. International Journal of Food Microbiology, 2015, 197: 22-29.

[6] GUO Z M, GUO C, CHEN Q S, et al. Classification for penicillium expansum spoilage and defect in apples by electronic nose combined with chemometrics[J]. Sensors, 2020, 20(7): 2130-2144.

[7] JIA W S, LIANG G, TIAN H, et al. Electronic nose-based technique for rapid detection and recognition of moldy apples[J]. Sensors, 2019, 19(7): 1526-1537.

[8] 楊晨昱，袁鴻飛，馬惠玲，等. 基于傅里葉近紅外光譜和電子鼻技術的蘋果霉心病無損檢測[J]. 食品與發酵工業，2021，47(7)：211-216.

YANG Chenyu, YUAN Hongfei, MA Huiling, et al. Non-destructive detection of apple moldy core based on FT-NIR and electronic nose technology[J]. Food and Fermentation Industries, 2021, 47(7): 211-216. (in Chinese with English abstract)

[9] ZHAO K, ZHA Z H, Li H, et al. Early detection of moldy apple core based on time-frequency images of vibro-acoustic signals[J]. Postharvest Biology and Technology, 2021, 179: 111589.

[10] SHENDEREY C, SHMULEVICH I, ALCHANATIS V, et al. Nirs detection of moldy core in apples[J]. Food and Bioprocess Technology, 2010, 3(1): 79-86.

[11] ZHOU Z Y, LEI Y, SU D, et al. Detection of moldy core in apples and its symptom types using transmittance spectroscopy[J]. International Journal of Agricultural and Biological Engineering, 2016, 9(6): 148-155.

[12] 張本華，錢長錢，焦晉康，等. 基于介電特性與SPA-SVR算法的長稻含長率檢測方法[J]. 農業工程學報，2019，35(18)：237-244.

ZHANG Benhua, QIAN Changqian, JIAO Jinkang, et al. Rice moisture content detection method based on dielectric properties and SPA-SVR algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(18): 237-244. (in Chinese with English abstract)

[13] 唐海濤，孟祥添，蘇循新，等. 基于CARS算法的不同類型土壤有機質高光譜預測[J]. 農業?程學報，2021，37(2)： 105-113.

TANG Haitao, MENG Xiangtian, SU Xunxin, et al. Hyperspectral prediction on soil organic matter of different types using CARS algorithm[J]. Transactions of the C hinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(2): 105-113. (in Chinese with English abstract)

[14] WANG Z L, FAN S X, WU J Z, et al. Application of long-wave near infrared hyperspectral imaging for determination of moisture content of single maize seed[J]. Spectrochimica Acta Part a-Molecular and Biomolecular Spectroscopy, 2021, 254: 119666.

[15] KAMRUZZAMAN M, KALITA D, AHMED T M, et al. Effect of variable selection algorithms on model performance for predicting moisture content in biological materials using spectral data[J]. Analytica Chimica Acta, 2022, 1202: 339390.

[16] ZHANG K X, JIANG H Z, ZHANG H C, et al. Online detection and classification of moldy core apples by VIS-NIR transmittance spectroscopy[J]. Agriculture-Basel, 2022, 12(4): 489-506.

[17] TIAN S J, ZHANG J H, ZHANG Z X, et al. Effective modification through transmission Vis/NIR spectra affected by fruit size to improve the prediction of moldy apple core[J]. Infrared Physics & Technology, 2019, 100: 117-124.

[18] 張海輝，田世杰，馬敏娟，等. 考慮直徑影響的蘋果霉心病透射光譜修正及檢測[J]. 農業機械學報，2019，50(1)：313-320.

ZHANG Haihui, TIAN Shijie, MA Minjuan,et al. Detection method of moldy core in apples using modified transmission spectrum based on size of fruit[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(1): 313-320. (in Chinese with English abstract)

[19] 黃敏，朱曉，朱啟兵，等.基于高光譜圖像的玉米種子特征提取與識別[J].光子學報，2012，41(7)：868-873.

HUANG Min, ZHU Xiao, ZHU Qibing, et al. Morphological characteristics of maize seed extraction and identification based on the hyperspectral image[J]. ACTA Photonica Sinica, 2012, 41(7): 868-873(in Chinese with English abstract)

[20] TIAN X, ZHANG C, Li J B, et al. Detection of early decay on citrus using LW-NIR hyperspectral reflectance imaging coupled with two-band ratio and improved watershed segmentation algorithm[J]. Food Chemistry, 2021, 360: 130077.

[21] LEE H, KIM M S, JEONG D, et al. Detection of cracks on tomatoes using a hyperspectral near-infrared reflectance imaging system[J]. Sensors, 2014, 14(10): 18837-18850.

[22] ZHANG M S, SHEN M S, PU Y G, et al. Rapid identification of apple maturity based on multispectral sensor combined with spectral shape features[J]. Horticulturae, 2022, 8(5): 361-376.

[23] ZHANG M S, SHEN M S, LI H, et al. Modification of the effect of maturity variation on nondestructive detection of apple quality based on the compensation model[J]. Spectrochimica Acta Part a-Molecular and Biomolecular Spectroscopy, 2022, 267: 120598.

[24] TIAN S J, ZHANG M S, LI B, et al. Measurement orientation compensation and comparison of transmission spectroscopy for online detection of moldy apple core[J]. Infrared Physics & Technology, 2020, 111: 103510.

[25] XIA Y, FAN S X, LI J B, et al. Optimization and comparison of models for prediction of soluble solids content in apple by online Vis/NIR transmission coupled with diameter correction method[J]. Chemometrics and Intelligent Laboratory Systems, 2020, 201: 104017.

[26] ZHAO F Y, DU G R, HUANG Y. Exploring the use of near-infrared spectroscopy as a tool to predict quality attributes in prickly pear (Rosa roxburghii Tratt) with chemometrics variable strategy[J]. Journal of Food Composition and Analysis, 2022, 105: 104225.

[27] ZHANG Z X, LIU H L, CHEN D Y, et al. SMOTE-based method for balanced spectral nondestructive detection of moldy apple core[J]. Food Control, 2022, 141: 109110.

[28] ZUDE M, PFLANZ M, SPINELLI L, et al. Non-destructive analysis of anthocyanins in cherries by means of Lambert-Beer and multivariate regression based on spectroscopy and scatter correction using time-resolved analysis[J]. Journal of Food Engineering, 2011, 103(1): 68-75.

[29] LI L, PENG Y K, LI Y Y, et al. Rapid and low-cost detection of moldy apple core based on an optical sensor system[J]. Postharvest Biology and Technology, 2020, 168: 111276.

[30] 江洪，何國金，黃海明，等. 基于波段比模型的地形調節植被指數組合算法構建與驗證[J]. 農業工程學報，2017，33(5)：156-161.

JIANG Hong, HE Guojin, HUANG Haiming, et al. Construction and validation of combination model of topography-adjusted vegetation index based on band-ratio model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 156-161. (in Chinese with English abstract)

[31] 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.

CAI Jianrong, WANG Jianhei, CHEN Quansheng, et al. Detection of rust in citrus by hyperspectral imaging technology and band ratio algorithm[J] Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2009, 25(1): 127-131. (in Chinese with English abstract)

[32] JIE D F, ZHOU W H, WEI X. Nondestructive detection of maturity of watermelon by spectral characteristic using NIR diffuse transmittance technique[J]. Scientia Horticulture, 2019, 257: 108718.

[33] 袁媛，瑚波，武興厚，等.基于植被指數的夏玉米不同生育期葉綠素含量遙感估算[J].中國農學通報，2015，31(15)：254-259.

YUAN Yuan, HU Bo, WU Xinghou, et al. Remote Sensing estimation of chlorophyll content in different growth periods of summer corn based on vegetation index[J]. Chinese Agricultural Science Bulletin, 2015, 31(15): 254-259. (in Chinese with English abstract)

[34] 吾木提·艾山江，尼加提·卡斯木，陳晨，等.基于多維高光譜植被指數的冬小麥葉面積指數估算[J].農業機械學報, 2022，53(5)：181-190.

UMUT H, NIJAT K, CHEN Chen, et al. Estimation of winter wheat LAI based on multi-dimensional hyperspectral vegetation indices[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(5): 181-190. (in Chinese with English abstract)

[35] POURDARBANI R, SABZI S, KALANTARI D, et al. Automatic non-destructive video estimation of maturation levels in Fuji apple (Malus Malus pumila) fruit in orchard based on colour (Vis) and spectral (NIR) data[J]. Biosystems Engineering, 2020, 195: 136-151.

[36] 張海輝，陳克濤，蘇東，等. 基于特征光譜的蘋果霉心病無損檢測設備設計[J]. 農業工程學報，2016，32(18)：255-262.

ZHANG Haihui, CHEN Ketao, SU Dong, et al. Design of nondestructive detection device for moldy core in apples based on characteristic spectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(18): 255-262. (in Chinese with English abstract)

[37] WANG G, LIU Y, LI X, et al. Differences in optical properties of fruit tissues between stone fruits and citrus fruits[J]. Infrared Physics & Technology, 2020, 112: 103599.

[38] LEVIN A G, YERMIYAHU U, DORON I, et al. The role of calcium concentration in the endocarp wall of apple fruit in the development of core rot[J]. Crop Protection, 2019, 120: 67-74.

[39] ROBBE V B, BEN A, RODRIGO W, et al. Effect of maturation on the bulk optical properties of apple skin and cortex in the 500 to 1850 nm wavelength range[J]. Journal of Food Engineering, 2017, 214: 79-89.

[40] STEFAN A, KONNI B, STEFFEN N, et al. Determining the optical properties of apple tissue and their dependence on physiological and morphological characteristics during maturation. Part 1: Spatial frequency domain imaging[J]. Postharvest Biology and Technology, 2021, 181: 111647.

[41] ZUDE M. Comparison of indices and multivariate models to non-destructively predict the fruit chlorophyll by means of visible spectrometry in apple fruit[J]. Analytica Chimica Acta, 2003, 481(1): 119-126.

[42] SEIFERT B, ZUDE M, SPINELLI L, et al. Optical properties of developing pip and stone fruit reveal underlying structural changes[J]. Physiol Plantarum, 2015, 153: 327-336.

[43] 趙康，查志華，李賀，等. 基于聲振信號對稱極坐標圖像的蘋果霉心病早期檢測[J]. 農業工程學報，2021，37(18)：290-298.

ZHAO Kang, ZHA Zhihua, LI He, et al. Early detection of moldy apple core using symmetrized dot pattern images of vibro-acoustic signals[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 290-298. (in Chinese with English abstract)

[44] KASAI S, ARAKAWA O. Antioxidant levels in watercore tissue in ‘Fuji’ apples during storage[J]. Postharvest Biology and Technology, 2010, 55(2): 103-107.

[45] GAO Z F, JAYANTY S, BEAUDRY R, et al. Sorbitol transporter expression in apple sink tissues: Implications for fruit sugar accumulation and watercore development[J]. Journal of the American Society for Horticultural Science, 2005, 130(2): 261-268.

[46] CHANG H, WU Q, TIAN H, et al. Non-destructive identification of internal watercore in apples based on online VIS/NIR spectroscopy[J]. Transactions of the Asabe, 2020, 63(6): 1711-1721.

Detection method for apple moldy cores based on spectral shape features

LIU Haoling1, ZHANG Zhongxiong1, CHEN Ang1, PU Yuge1, ZHAO Juan1,2,3, HU Jin1,2,3※

(1., 712100,; 2.,,, 712100,;3., 712100,)

Moldy core is one of the most serious fungal diseases in apples. The visible/near infrared spectroscopy (VIS-NIR) technique has been a common-used approach to distinguish the apple moldy core. However, the better discriminant can be only confined to the severely diseased apples in the existing VIS-NIR, due to the smaller spectral difference between the mild mold core and healthy apples. It is a high demand to detect the mild mold core for early warning during apple production. In this study, an improved discriminant model was established to detect the apple moldy core using the spectral shape features, in order to significantly improve the detection accuracy. 215 well-developed red Fuji apples without external damage were selected from the orchard in Fufeng County, Baoji City, Shaanxi Province, China, in November 2020. The VIS-NIR (350-1100nm) information was first collected from these apples. The images were then captured from the cutting apples. The degree of moldy-core was determined to calculate the ratio of the mold core area to the apple profile before image pretreatment. The discriminative accuracy was firstly compared with the savitzky-golay convolution smoothing (S-G) after normalization (NOR), Multiplicative scatter correction (MSC) after NOR, and standard normal variate transform (SNV) after NOR. Secondly, the feature bands were extracted from the images using the combination of competitive adaptive reweighted sampling (CARS), and Successive projections (SPA). Thirdly, five peaks and valleys (at the wavelength of 639, 674, 705, 751, and 806 nm) were extracted from the average spectrum for the typical shape features. Band ratio (BR), band difference (BD), and normalized spectral intensity difference (NSID) were then analyzed to determine the spectral shape features (SSF) parameters with the highest discriminant accuracy. Finally, the optimal model was obtained between the partial least squares discriminant analysis (PLS-DA) and support vector machine (SVM). Results show that the NOR spectral pretreatment performed the best to extract the characteristic spectrum, whereas the NSID was the best among the three SSF parameters. The SVM model presented the highest discriminative accuracy with the training set of 98.6%, and the test set of 96.3%. Four models were used to evaluate the performance of model identification in the different degrees of moldy-core, including the build the modal with characteristic band, the correct spectrum with apple diameter, compensate with the direction of detection, and merge the spectral shape seatures. Once the degree of moldy-core was greater than 10%, the accuracies of these models were improved significantly, except for thebuild the modal with characteristic band. When the degree of moldy-core was less than 10%, only the Merged Spectral Shape Features Model performed a high discriminant accuracy of higher than 95%, which was 43.5 percentage points higher than the build the modal with characteristic band. In the case of the moldy-core degree less than 6%, the discrimination accuracy of merge the spectral shape features reached 95.8%, which was 62.5 percentage points, and 12.5 percentage points higher than the build the modal with characteristic band, and the correct spectrum with apple diameter, respectively. Consequently, the discrimination model merged with the NISD in the input of the apple mold core can be expected to greatly improve the discrimination accuracy, particularly for the mild mold core. The improved model merged with the spectral shape features can be an effective way to accurately discriminate the apple moldy core.

spectroscopy; disease; mild mold core; spectral shape features; normalized spectral intensity difference; support vector machine

10.11975/j.issn.1002-6819.202210038

O657.33; S436.611

A

1002-6819(2023)-01-0162-09

劉昊靈，張仲雄，陳昂，等. 融合光譜形態特征的蘋果霉心病檢測方法[J]. 農業工程學報，2023，39(1)：162-170.doi：10.11975/j.issn.1002-6819.202210038 http://www.tcsae.org

LIU Haoling, ZHANG Zhongxiong, CHEN Ang, et al. Detection method for apple moldy cores based on spectral shape features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(1): 162-170. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202210038 http://www.tcsae.org

2022-10-08

2022-11-16

陜西省科技重大專項（2020ZDZX03-05-01）；國家自然科學基金項目（31701664）

劉昊靈，研究方向為農產品無損檢測與裝備研發。Email：2332835570@nwafu.edu.cn

胡瑾，博士，教授，博士生導師，研究方向為農業信息感知與智能決策。Email：hujin007@ nwsuaf.edu.cn