基于高光譜成像的獼猴桃表面疤痕無損識別

孟慶龍，張 艷，尚 靜

(1.貴陽學(xué)院 食品與制藥工程學(xué)院，貴州 貴陽 550005； 2.貴陽學(xué)院 農(nóng)產(chǎn)品無損檢測工程研究中心，貴州 貴陽 550005)

獼猴桃營養(yǎng)價(jià)值高，擁有“水果之王”的美譽(yù)。我國獼猴桃栽培面積世界第一，種類占世界90%[1-2]。然而，獼猴桃在生長過程中，經(jīng)常會(huì)受到各種因素的影響導(dǎo)致獼猴桃表面出現(xiàn)疤痕，極大地影響了獼猴桃的品質(zhì)和分級檢測。另外，獼猴桃果皮顏色較深，其表面疤痕很難被肉眼識別。傳統(tǒng)的分級檢測方法大多是人工操作，耗時(shí)耗力，而且效率低，無法滿足大規(guī)模生產(chǎn)的需求。因此，提出一種快速、無損、高效的獼猴桃表面疤痕檢測方法在獼猴桃分級檢測領(lǐng)域中具有較好的應(yīng)用前景。近年來，基于高光譜成像技術(shù)的無損檢測技術(shù)以其高效、無損、可實(shí)時(shí)在線檢測等諸多優(yōu)點(diǎn)受到科研工作者的廣泛關(guān)注，被廣泛應(yīng)用于食品、醫(yī)藥和化工等領(lǐng)域[3-15]。國內(nèi)外研究學(xué)者對獼猴桃的品質(zhì)檢測分析大多集中在獼猴桃內(nèi)部品質(zhì)的定量檢測方面[16-18]，而在獼猴桃外部品質(zhì)(早期損傷、表面缺陷等)檢測方面仍需更多的努力。郭文川等[19]采用近紅外漫反射光譜技術(shù)結(jié)合極限學(xué)習(xí)機(jī)建立了采摘后2 ℃冷藏下10 d內(nèi)的碰撞損傷獼猴桃、擠壓損傷獼猴桃與無損獼猴桃的動(dòng)態(tài)判別模型，對預(yù)測集中損傷獼猴桃和無損獼猴桃的總正確識別率為92.4%。遲茜等[20]基于近紅外高光譜成像技術(shù)提出了早期損傷獼猴桃的識別算法，對70個(gè)無損獼猴桃和70個(gè)隱性損傷獼猴桃的正確識別率分別為100%和95.7%，平均正確識別率為97.9%。已報(bào)道的文獻(xiàn)大多采用高光譜成像技術(shù)結(jié)合圖像處理技術(shù)來識別獼猴桃表面損傷或蟲傷，而采用高光譜成像技術(shù)結(jié)合圖像分割技術(shù)來檢測獼猴桃表面疤痕的研究鮮有報(bào)道。

本實(shí)驗(yàn)以貴長獼猴桃為研究對象，采用高光譜成像技術(shù)結(jié)合閾值分割技術(shù)以及數(shù)學(xué)形態(tài)學(xué)處理方法實(shí)現(xiàn)獼猴桃表面疤痕的無損識別，以期為開發(fā)獼猴桃表面疤痕在線快速檢測系統(tǒng)提供研究基礎(chǔ)。

1 材料與方法

1.1 材料

實(shí)驗(yàn)所用貴長獼猴桃采摘于貴州修文縣獼猴桃基地，從不同的果樹上隨機(jī)采摘樣本，剔除病蟲害、損傷及形狀異常的果實(shí)，挑選大小均勻一致、完好無損和表面有疤痕的新鮮獼猴桃各60個(gè)。實(shí)驗(yàn)前12 h將所有獼猴桃樣本置于室溫條件下，以使獼猴桃樣本溫度均勻且回到室溫。

1.2 高光譜圖像采集系統(tǒng)

試驗(yàn)使用的高光譜圖像采集系統(tǒng)(GaiaField-F-V10，四川雙利合譜科技有限公司)，結(jié)構(gòu)示意圖如圖1所示。該系統(tǒng)主要包括：1，CCD相機(jī)(Imperx IPX-2M30，像素為1 392 pixel×1 040 pixel)；2，成像光譜儀(Imspector V10，Spectral Imaging Ltd.，Oulu，F(xiàn)inland)；3，鏡頭(HSIA-OL23，焦距：23 mm)；4，漫反射光源；5，精密防塵型電動(dòng)平移臺；6，暗箱；7，計(jì)算機(jī)。其中，成像光譜儀的分辨率為3.5 nm，數(shù)值孔徑為F/2.8，圖像空間分辨率為696×700，光譜采集范圍為400～1 000 nm；漫反射光源為4個(gè)200 W溴鎢燈，采用梯形結(jié)構(gòu)安裝于暗箱中。

1.3 高光譜圖像采集與校正

將獼猴桃樣本放置在電動(dòng)平移臺上，根據(jù)試驗(yàn)要求，首先，調(diào)整系統(tǒng)參數(shù)，以確保采集的圖像清晰且不失真。經(jīng)過多次調(diào)整和優(yōu)化，最終確定CCD相機(jī)的曝光時(shí)間是9.5 ms，相機(jī)鏡頭與樣本距離為40 cm，電動(dòng)平移臺的移動(dòng)速度是1.35 cm·s-1。然后，對待檢測樣本逐一掃描，采集完好無損和表面有疤痕的獼猴桃高光譜圖像。高光譜圖像數(shù)據(jù)采集軟件應(yīng)用的是Spectral SENS(Spectral Imaging Ltd.，芬蘭)。

1，CCD相機(jī)；2，成像光譜儀；3，鏡頭；4，漫反射光源；5，電動(dòng)平移臺；6，暗箱；7，計(jì)算機(jī)。1，CCD camera; 2， Imaging spectrograph; 3， Camera lens; 4， Diffusing reflection light sources; 5， Electric translation stage; 6， Dark chamber; 7， Computer.圖1 高光譜圖像采集系統(tǒng)示意圖Fig.1 Schematic diagram of hyperspectral imaging acquisition system

同時(shí)，由于暗箱中暗電流的存在，不同波段條件下光源強(qiáng)度分布不均勻以及獼猴桃的形狀差異等都會(huì)導(dǎo)致在光照強(qiáng)度較弱波段采集到的圖像含較大的噪聲，故需對采集到的高光譜圖像進(jìn)行黑白校正，以消除部分噪聲的影響。即在與樣本采集相同的系統(tǒng)條件下，首先，掃描標(biāo)準(zhǔn)白色校正板，得到全白的標(biāo)定圖像W；然后，蓋上相機(jī)的鏡頭蓋進(jìn)行圖像采集得到全黑的標(biāo)定圖像B；最后，按照下面校正公式完成圖像標(biāo)定，采集得到的原始圖像I變成校正圖像R：

(1)

式中：I為樣本的原始高光譜圖像；W為白板的漫反射圖像；B為暗圖像；R為校正后的高光譜圖像。

1.4 高光譜圖像去噪

經(jīng)過黑白校正后的高光譜圖像仍含有一些噪聲，需要對高光譜圖像進(jìn)一步去噪聲處理。最小噪聲分離(minimum noise fraction，MNF)變換是將高光譜圖像的主要信息集中在前面幾個(gè)波段，主要作用是判斷圖像數(shù)據(jù)維數(shù)，分離數(shù)據(jù)中的噪聲，減少后處理中的計(jì)算量。使用MNF變換從數(shù)據(jù)中消除噪聲的過程：首先進(jìn)行正向MNF變換，判定哪些波段包含相關(guān)圖像，用波譜子集選擇“好”波段或平滑噪聲波段，然后進(jìn)行一個(gè)反向MNF變換。該過程在ENVI 5.4(Research System Inc.，美國)軟件中執(zhí)行。

1.5 閾值分割方法

本實(shí)驗(yàn)首先需要將獼猴桃樣本與背景分割開來以便消除背景噪聲，然后將表面缺陷部位從獼猴桃中分割出來，從而確定表面缺陷部位的位置。通常背景部位與獼猴桃區(qū)域在某一波段的相對反射率差異明顯。即選擇樣本和背景反射率差異大的波段對采集的高光譜圖像進(jìn)行分割，當(dāng)某像素對應(yīng)的光譜值大于閾值時(shí)被保留，小于閾值時(shí)，被置為0。因此，可選取在區(qū)域內(nèi)某一波段的單波段圖像為特征圖像，然后對特征圖像采用閾值分割算法用以分離獼猴桃與背景，形成二值化圖像，以此二值化圖像對高光譜圖像進(jìn)行掩膜處理，用以消除背景噪聲。隨后結(jié)合掩膜后的高光譜圖像進(jìn)行二次閾值分割，實(shí)現(xiàn)獼猴桃表面缺陷區(qū)域的分割。

2 結(jié)果與分析

2.1 獼猴桃高光譜圖像處理

圖2為經(jīng)過黑白校正后的獼猴桃樣本高光譜圖像。從圖2可以看出，由于獼猴桃果皮顏色較深，僅憑外部圖像信息很難完全識別出表面有疤痕的獼猴桃，另外，獼猴桃果皮顏色與背景顏色相近，需要通過獼猴桃樣本與背景的光譜特征消除背景。

為了保證高光譜圖像中僅有獼猴桃樣本信息，通過求取獼猴桃果實(shí)區(qū)域中所有采樣點(diǎn)下光譜反射率的平均值，構(gòu)建掩膜以去除背景，使高光譜圖像中僅含有獼猴桃樣本信息。圖3給出了獼猴桃樣本區(qū)域和背景區(qū)域的光譜反射率曲線，從圖中可以看出，在波長901.46 nm處獼猴桃樣本區(qū)域的光譜反射率值均大于0.19，而背景區(qū)域的光譜反射率值均小于0.19。因此，在采用閾值分割方法去除背景時(shí)，本實(shí)驗(yàn)選擇特征波長為901.46 nm，反射率閾值為0.19。圖4給出了獼猴桃樣本的掩膜圖及其掩膜后得到的高光譜圖像，從圖中可以看出，去除背景后的高光譜圖像中僅含有獼猴桃樣本，便于進(jìn)一步采用閾值分割方法提取獼猴桃樣本的表面疤痕。

圖2 經(jīng)過黑白校正后的獼猴桃樣本高光譜圖像Fig.2 Hyperspectral image of kiwifruits after correction

圖3 獼猴桃樣本區(qū)域和背景區(qū)域光譜反射率曲線Fig.3 Spectral reflectance curves of the kiwifruits and background areas

對去除背景后的獼猴桃樣本的高光譜圖像進(jìn)行MNF變換，進(jìn)一步消除高光譜圖像中存在的噪聲。經(jīng)過MNF變換之后的其中3個(gè)獼猴桃樣本的前3個(gè)MNF成分圖像如圖5所示。MNF變換后的特征曲線如圖6所示，從圖6可以看出，前15個(gè)MNF波段對應(yīng)的特征值均大于1.25，且前15個(gè)MNF成分累積百分比超過87.87%(即經(jīng)過MNF變化之后的前15個(gè)成分圖像包含了獼猴桃樣本大量的有效信息)。因此，本實(shí)驗(yàn)選取前15個(gè)MNF成分圖像進(jìn)行反向MNF變換，以便消除獼猴桃高光譜圖像中存在的噪聲。

圖4 獼猴桃樣本的掩膜圖及其掩膜后得到的高光譜圖像Fig.4 Image of mask for kiwifruits and its hyperspectral image after masking

圖5 部分獼猴桃樣本經(jīng)過MNF變換后前3個(gè)成分圖像Fig.5 The first three component images of kiwifruits after MNF transform

圖6 MNF變換后的特征曲線Fig.6 Characteristic curve after MNF transform

2.2 獼猴桃正常和表面疤痕區(qū)域的光譜特征

分別選取60個(gè)完好無損獼猴桃樣本正常區(qū)域和60個(gè)表面有疤痕獼猴桃樣本疤痕區(qū)域中的150個(gè)像素點(diǎn)作為感興趣區(qū)域(ROIs)，所有感興趣區(qū)域的平均光譜反射率曲線如圖7所示。從圖7中可以看出，獼猴桃正常區(qū)域和表面有疤痕區(qū)域的光譜曲線在400～700 nm變化趨勢基本一致，但在700～810 nm，正常區(qū)域的平均光譜反射率要高于表面有疤痕區(qū)域的平均光譜反射率，而在810～1 000 nm，表面有疤痕區(qū)域的平均光譜反射率要高于正常區(qū)域的平均光譜反射率。因此，可以利用這兩個(gè)波段范圍的光譜反射率差異，選取785.98 nm處的光譜反射率值為0.30～0.56以及982.59 nm處的光譜反射率值為0.54～0.73，作為區(qū)分獼猴桃正常區(qū)域和表面疤痕區(qū)域的閾值條件，通過閾值分割方法識別出表面有疤痕的獼猴桃。

圖7 獼猴桃正常區(qū)域和表面疤痕平均光譜反射率曲線Fig.7 Average spectral reflectance curves of the normal and surface defect areas

2.3 獼猴桃表面疤痕的識別

由上面的分析可知，在700～1 000 nm獼猴桃正常區(qū)域和表面有疤痕區(qū)域的光譜反射值具有明顯的差異。實(shí)驗(yàn)選取785.98 nm處的光譜反射率值為0.30～0.56以及982.59 nm處的光譜反射率值為0.54～0.73，作為區(qū)分獼猴桃正常區(qū)域和表面疤痕區(qū)域的閾值條件，滿足閾值條件的獼猴桃樣本區(qū)域置為1(如圖8中白色部分表示獼猴桃表面疤痕區(qū)域)，其他區(qū)域的被置為0(如圖8中黑色部分表示獼猴桃正常區(qū)域)，部分獼猴桃表面疤痕識別結(jié)果如圖8所示。從圖8可以看出，獼猴桃樣本1和樣本2表面檢測出有1處疤痕，樣本3表面檢測出有5處疤痕，該方法很好地檢測出表面有疤痕的獼猴桃樣本。表1進(jìn)一步給出了獼猴桃表面疤痕無損檢測的正確識別率，從表中可以看出采用該識別方法能夠正確識別出完好無損獼猴桃、表面有疤痕獼猴桃的數(shù)目分別為59、57，正確識別率分別達(dá)98.3%、95.0%。

3 結(jié)論

以貴長獼猴桃為研究對象，利用高光譜成像技術(shù)結(jié)合閾值分割技術(shù)提出了獼猴桃表面疤痕識別方法。獼猴桃高光譜圖像經(jīng)MNF變換后的前15個(gè)波段對應(yīng)的特征值均大于1.25，且前15個(gè)MNF成分累積百分比超過87.87%，進(jìn)而選取前15個(gè)MNF成分圖像進(jìn)行反向MNF變換，以便消除高光譜圖像中存在的噪聲。在700～810 nm，獼猴桃正常區(qū)域的平均光譜反射率要高于表面有疤痕區(qū)域的平均光譜反射率，而在810～1 000 nm，表面有疤痕區(qū)域的平均光譜反射率要高于正常區(qū)域的平均光譜反射率，利用這兩個(gè)波段范圍的光譜反射率差異，通過閾值分割方法識別出表面有疤痕的獼猴桃，該檢測方法對60個(gè)完好無損獼猴桃和60個(gè)表面有疤痕獼猴桃的正確識別率分別為98.3%和95.0%。在后續(xù)研究中可以從面積、位置等多角度進(jìn)行更加充分驗(yàn)證，提升獼猴桃表面疤痕的識別效果。

圖8 部分表面疤痕獼猴桃的識別結(jié)果Fig.8 Identification results of surface defect kiwifruits

表1 完好無損和表面疤痕獼猴桃的識別結(jié)果

Table 1 Identification results on intact and surface defect kiwifruits

樣本Sample總數(shù)Totalnumber誤判數(shù)Errornumber正確數(shù)Correctnumber正確識別率Correct recognitionrate/%完好無損6015998.3Intact表面疤痕6035795.0Surface defect