基于高光譜圖像技術(shù)的長棗糖度無損檢測

徐 爽 何建國 易 東 賀曉光

（1.寧夏大學(xué)物理電氣信息學(xué)院，寧夏 銀川 750021；2.銀川能源學(xué)院，寧夏 永寧 750105；3.寧夏大學(xué)農(nóng)學(xué)院，寧夏 750021）

寧夏靈武盛產(chǎn)長棗，由于自然環(huán)境條件和地理因素，孕育了其特有的風(fēng)味和品質(zhì)。長棗有較高的營養(yǎng)價(jià)值和藥用價(jià)值備受消費(fèi)者青睞，熱銷國內(nèi)外多個(gè)城市，成為寧夏特色品牌產(chǎn)品。糖度是評價(jià)長棗品質(zhì)的常規(guī)性狀指標(biāo)，對長棗的分級和銷售有著重要影響。傳統(tǒng)的機(jī)械分選和人工分選對果品損傷大、效率低、衛(wèi)生質(zhì)量難以保證，成為制約寧夏長棗產(chǎn)業(yè)化發(fā)展的主要因素。為了保證長棗業(yè)的迅速發(fā)展，研究簡單、快速、無損的品質(zhì)檢測方法非常重要。

近年來，高光譜圖像技術(shù)應(yīng)用在農(nóng)產(chǎn)品品質(zhì)檢測已成為一個(gè)研究熱點(diǎn)［1，2］。高光譜圖像技術(shù)結(jié)合了圖像技術(shù)和光譜技術(shù)的優(yōu)點(diǎn)，可實(shí)現(xiàn)對水果內(nèi)外品質(zhì)進(jìn)行快速、無損檢測。國內(nèi)外許多學(xué)者利用高光譜圖像技術(shù)對蘋果的損傷、糖度、可溶性固形 物、堅(jiān) 實(shí) 度 等 檢 測 研 究 較 多［3－7］，對 雪 花 梨［8］、臍橙［9］、草莓［10］等水果品質(zhì)檢測也有研究。已取得的研究結(jié)果證明了高光譜圖像技術(shù)在水果品質(zhì)檢測方面具有廣闊的應(yīng)用前景。

本試驗(yàn)選取長棗作為樣品，利用高光譜圖像技術(shù)獲得光譜數(shù)據(jù)對樣品進(jìn)行光譜分析，建立BP神經(jīng)網(wǎng)絡(luò)糖度預(yù)測模型。分析比較BP神經(jīng)網(wǎng)絡(luò)和偏最小二乘（PLS）模型對長棗糖度的預(yù)測結(jié)果。從而為高光譜圖像技術(shù)對長棗品質(zhì)的在線檢測與分級提供技術(shù)依據(jù)。

1 材料與方法

1.1 儀器設(shè)備

成像 光 譜 儀：V10E－QE 型，芬 蘭Spectral Imaging Ltd公司；

CCD 攝像機(jī)：C8484－05G 型，日本Hamamatsu公司；

光纖鹵素?zé)簦篋CR Ⅲ型，150 W，美國Schott公司；

輸送裝置：SC300－1A 型，北京Zolix公司；

數(shù)字式糖度折射儀：PAL－1型，日本Atago公司；

高光譜圖像系統(tǒng)如圖1所示，由成像光譜儀，CCD 攝像機(jī)，150 W 的光纖鹵素?zé)簦惶纵斔脱b置和計(jì)算機(jī)等部件組成。高光譜儀光譜范圍400～1 000nm，共477個(gè)波段，光譜分辨率為2.8nm。

圖1 高光譜圖像系統(tǒng)Figure 1 Hyperspectral imaging system

1.2 試驗(yàn)材料與糖度測定

長棗：采自寧夏靈武某果園。

選取果形勻稱、無損傷的樣本100個(gè)。從中隨機(jī)選取75個(gè)樣品作為校正集，剩下25個(gè)樣品作為預(yù)測集。糖度折射儀測量樣品糖度統(tǒng)計(jì)見表1。

表1 樣品糖度統(tǒng)計(jì)Table 1 Statistics of sugar content in samples

1.3 高光譜圖像采集

高光譜圖像數(shù)據(jù)獲取基于Spectral cube軟件（Spectral Imaging Ltd.，F(xiàn)inland）。光譜數(shù)據(jù)采集前要設(shè)定曝光時(shí)間為30ms，確定電控位移臺速度為0.42mm／s，保證圖像清晰不失真。數(shù)據(jù)采集時(shí)，線陣探測器在光學(xué)焦平面的垂直方向作橫向掃描，獲取掃描空間中每個(gè)像素在各個(gè)波長處的圖像信息，同時(shí)隨著電控位移臺的前進(jìn)，線陣探測器掃出整個(gè)平面，完成整個(gè)樣本圖像采集。

由于各波段下光源強(qiáng)度分布不均勻及攝像頭中暗電流存在都會導(dǎo)致圖像中含有較大的噪聲。因此要對高光譜圖像進(jìn)行黑白校正［3］，以消除噪聲的影響。

1.4 反射光譜多元散射校正

對校正后的長棗高光譜圖像，選取它表面一個(gè)感興趣區(qū)域并計(jì)算光譜的平均反射值，得到原始反射光譜曲線見圖2。由于小于500nm 光譜數(shù)據(jù)存在明顯噪聲，因此試驗(yàn)選取500～1 000nm 波長范圍內(nèi)數(shù)據(jù)進(jìn)行分析。原始光譜存在散射和偏移的影響，應(yīng)用多元散射校正［11］（multiplicative scatter correction，MSC）對其進(jìn)行線性化處理，經(jīng)過多元散射校正后得到的光譜曲線見圖3。高光譜圖像數(shù)據(jù)處理采用ENVI 4.6（Research System Inc.，USA）和Matlab（Mathwork，Matlab 9.0，Inc.，USA）軟件平臺。

圖2 原始光譜反射曲線Figure 2 Reflectance curves of original spectrum

圖3 MSC處理后的光譜反射曲線Figure 3 Reflectance curves of spectrum after using MSC processing

2 結(jié)果與分析

2.1 主成分分析

經(jīng)MSC 處理后的反射光譜范圍500～1 000nm 共有394個(gè)波點(diǎn)，若采用394波點(diǎn)計(jì)算，計(jì)算量較大，冗余信息多。所以通過主成分分析（PCA），對數(shù)據(jù)進(jìn)行降維，消除互相重疊的信息［12］。由主成分分析得到主成分PC1、PC2、PC3、PC4、PC5、PC6 累 計(jì) 貢 獻(xiàn) 率 分 別 為77.79%，6.32%，93.35%，95.65%，96.21%，96.74%。可 以 看 出，前6 個(gè) 主成分就能夠表征原始波長信息的96.74%。它把原來394個(gè)波長壓縮成6個(gè)互不影響的主成分，而且這6個(gè)主成分就能最大限度表征原始光譜的信息。

2.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測長棗糖度

把6個(gè)主成分的得分作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，建立長棗糖度模型。BP神經(jīng)網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成［13］。輸入層包含6 個(gè)節(jié)點(diǎn)，隱含層節(jié)點(diǎn)數(shù)對預(yù)測精度有較大影響，大量嘗試確定隱含層節(jié)點(diǎn)數(shù)為10 個(gè)，輸出層1個(gè)節(jié)點(diǎn)對應(yīng)糖度，結(jié)構(gòu)為6－10－1網(wǎng)絡(luò)結(jié)構(gòu)。訓(xùn)練迭代次數(shù)為1 000，目標(biāo)誤差為0.001。

100個(gè)試驗(yàn)樣品，其中75%用于訓(xùn)練模型，25%用于驗(yàn)證模型。應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立長棗糖度預(yù)測模型。預(yù)測結(jié)果見圖4，模型的相關(guān)系數(shù)和均方根誤差分別為0.927 4和1.712 5。

圖4 長棗糖度BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果Figure 4 Prediction result of sugar content of long jujubes by BP neural network model

2.3 BP神經(jīng)網(wǎng)絡(luò)模型與PLS預(yù)測結(jié)果比較

對經(jīng)過MSC處理的原始光譜數(shù)據(jù)，建立PLS糖度預(yù)測模型。預(yù)測結(jié)果見圖5，模型的相關(guān)系數(shù)和均方根誤差分別為0.908 8和1.782 6?？梢娎肂P 神經(jīng)網(wǎng)絡(luò)預(yù)測長棗糖度的相關(guān)系數(shù)高于PLS預(yù)測，均方根誤差低于PLS預(yù)測，預(yù)測效果較好。

圖5 長棗糖度PLS模型預(yù)測結(jié)果Figure 5 Prediction result of sugar content of long jujubes by PLS model

3 結(jié)論

本試驗(yàn)利用高光譜圖像技術(shù)結(jié)合主成分分析及化學(xué)計(jì)量學(xué)方法，建立長棗糖度預(yù)測模型。結(jié)果表明，采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測長棗糖度的效果優(yōu)于PLS預(yù)測結(jié)果，模型的相關(guān)系數(shù)和均方根誤差分別為0.927 4和1.712 5。高光譜圖像技術(shù)對長棗糖度進(jìn)行無損檢測是可行的。本試驗(yàn)選用100個(gè)樣品作為研究對象，雖然結(jié)果比較理想，但后續(xù)應(yīng)擴(kuò)大試驗(yàn)樣品的數(shù)量和樣品的廣泛性，進(jìn)一步完善預(yù)測模型。還可以結(jié)合長棗外部品質(zhì)對它進(jìn)行內(nèi)外品質(zhì)同時(shí)檢測，并嘗試其它建模方法，使預(yù)測效果達(dá)到更好。

1 王雷，喬曉艷，董有爾，等.高光譜圖像技術(shù)在農(nóng)產(chǎn)品檢測中的應(yīng)用進(jìn)展［J］.應(yīng)用光學(xué)，2009，30（4）：639～645.

2 田有文，王曉娟.基于高光譜圖像技術(shù)的農(nóng)產(chǎn)品品質(zhì)無損檢測［J］.農(nóng)機(jī)化研究，2009，31（10）：220～222.

3 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(shí)檢測［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2011，42（3）：140～144.

4 Peng Yankun，Lu Renfu.Analys is of spatially resolved hyperspectral scattering images for assessing apple fruit firmness and soluble solids content［J］.Postharvest Biology and Technology，2008，48（1）：52～62.

5 趙杰文，陳全勝，Saritporn V，等.利用高光譜成像技術(shù)和多變量校正方法檢測蘋果的硬度［J］.農(nóng)業(yè)工程學(xué)報(bào)，2009，25（11）：226～231.

6 萬相梅，黃敏，朱啟兵.基于高光譜散射圖像蘋果壓縮硬度和汁液含量無損檢測［J］.食品工業(yè)科技，2012，33（6）：71～75.

7 Huang M，Lu R F.Apple mealiness detection using hyperspectral scattering technique［J］.Postharvest Biology and Technology，2010，58（3）：168～175.

8 洪添勝，喬軍，Michael D Ngadi，等.基于高光譜圖像技術(shù)的雪花梨品質(zhì)無損檢測［J］.農(nóng)業(yè)工程學(xué)報(bào)，2007，23（2）：151～155.

9 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(shù)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（5）：91～93.

10 EImasry G，Wang N，EIsayed A，et al.Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry［J］.Journal of Food Engineering，2007，81（1）：98～107.

11 李江波，蘇憶楠，饒秀勤.基于高光譜成像及神經(jīng)網(wǎng)絡(luò)技術(shù)檢測玉米含水率［J］.包裝與食品機(jī)械，2010，28（6）：1～4.

12 張淑娟，王鳳花，張海紅，等.鮮棗品種和可溶性固形物含量近紅外光譜檢測［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2009，40（4）：139～142.

13 史峰，王小川，郁磊，等.MATLAB 神經(jīng)網(wǎng)絡(luò)30 個(gè)案例分析［M］.北京：航空航天大學(xué)出版社，2010.