基于高光譜成像技術(shù)的核桃黑斑識別研究

李成吉，張淑娟，任 銳，廉孟茹，池江濤，穆炳宇，孫雙雙

（山西農(nóng)業(yè)大學(xué)工學(xué)院，山西晉中 030801）

核桃是世界四大堅果之一，含有豐富的優(yōu)質(zhì)脂肪、蛋白質(zhì)、碳水化合物，以及磷、鈣、鐵、鉀等礦物元素和維B、維C、維E等，是重要的木本糧油產(chǎn)品，被認(rèn)為是天然營養(yǎng)補品[1]。由于環(huán)境因素和人為因素的影響，核桃在生長、采摘、運輸及貯藏過程中容易產(chǎn)生缺陷[2]。根據(jù)標(biāo)準(zhǔn)GB/T 20398—2006《核桃堅果質(zhì)量等級》，核桃的外部出現(xiàn)黑斑是缺陷的主要特征之一[3]，這不僅會影響外觀品質(zhì)，還會因吸濕產(chǎn)生霉變。因此需要一種快速、準(zhǔn)確識別核桃黑斑的方法。

高光譜成像技術(shù)具有分辨率高、多波段、圖譜合一等優(yōu)點，廣泛應(yīng)用于農(nóng)產(chǎn)品無損檢測研究中。程帆等人[4]使用高光譜技術(shù)對病害早期脅迫下黃瓜葉片中過氧化物酶活性進(jìn)行研究，結(jié)果表明RF-PLSR模型具有最佳預(yù)測效果，預(yù)測集相關(guān)系數(shù)為0.816，均方根誤差為11.235。曹曉峰等人[5]基于高光譜技術(shù)結(jié)合特征波長和光譜指數(shù)對冬棗成熟度進(jìn)行可視化判別，結(jié)果表明根據(jù)SPA和CARS選擇的特征波長和引入SIs建立的PLS-DA模型判別精度分別為97.27%，95.45%，98.18%。何嘉琳等人[6]利用高光譜成像技術(shù)對靈武長棗維C含量的無損檢測方法進(jìn)行研究，結(jié)果表明基于CARS建立的PLS模型效果最優(yōu)。

試驗以正常核桃和黑斑核桃為研究對象，利用高光譜成像系統(tǒng)采集樣本光譜和圖像信息，從光譜和圖像2個方面對核桃黑斑缺陷進(jìn)行識別，為黑斑核桃在線檢測提供理論依據(jù)。

1 材料和方法

1.1 試驗材料

試驗樣本為山西汾陽“禮品2號”核桃，人工挑選質(zhì)地均勻的正常核桃和黑斑核桃各80個，利用Kennard-Stone算法[7]將樣本按3∶1分為校正集和預(yù)測集，其中校正集各60個，預(yù)測集各20個。

1.2 儀器設(shè)備

試驗采用北京卓立公司開發(fā)的“蓋亞”高光譜分選儀對樣本進(jìn)行光譜圖像信息采集，儀器主要由光譜相機、4個35W溴鎢燈、移動平臺、暗箱、計算機組成，采集波長范圍為900～1 700 nm。采集信息前需調(diào)節(jié)曝光時間和平臺移動速度，防止因信息過度飽和而出現(xiàn)失真現(xiàn)象。經(jīng)過試驗，設(shè)置曝光時間為20 ms，平臺移動速度為1.5 cm/s，樣本與鏡頭距離為22 cm。

1.3 區(qū)域生長算法

區(qū)域生長算法（Region grow）[8]是一種串行區(qū)域分割的圖像分割方法，其基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。根據(jù)同一物體區(qū)域內(nèi)像素的相似性質(zhì)來聚集像素點，從初始區(qū)域開始，將相鄰的具有同樣性質(zhì)的像素或其他區(qū)域歸并到目前的區(qū)域中，從而逐步增長區(qū)域，直至沒有可以歸并的點或其他小區(qū)域為止。

2 基于光譜信息的核桃黑斑判別分析

2.1 平均光譜曲線提取

使用ENVI提取感興趣區(qū)域功能，分別提取正常核桃外殼和黑斑核桃黑斑區(qū)域的光譜信息，然后求取平均光譜。

不同區(qū)域平均光譜圖見圖1。

由圖1可知，正常核桃和黑斑核桃平均光譜曲線有很大差別。在1 400 nm之前，正常核桃反射率大于黑斑核桃，在1 400 nm之后，正常核桃反射率低于黑斑核桃，這有利于后續(xù)判別模型的建立。

2.2 光譜數(shù)據(jù)主成分分析

主成分分析（Principalcomponentanalysis，PCA）[9]是一種去除波段之間多余信息、將多波段信息壓縮到比原波段更有效的少數(shù)幾個轉(zhuǎn)換波段的方法。該方法不但可以避免信息間的互相重疊，而且通過數(shù)據(jù)簡化，提取最具代表性的變量子集，且變量之間互不相關(guān)。

前6個主成分的累計貢獻(xiàn)率見表1。

表1 前6個主成分的累計貢獻(xiàn)率

由表1可知，前5個主成分的累計貢獻(xiàn)率已達(dá)99.90%，因此選用前5個主成分信息進(jìn)行后續(xù)研究。

2.3 PLS判別模型建立

偏最小二乘回歸法（PLS）[10]是一種線性回歸模型，其核心思想是把觀測到的數(shù)據(jù)分成多個部分，每部分?jǐn)?shù)據(jù)進(jìn)行不同權(quán)重的線性組合后可用來表示該區(qū)域的相應(yīng)值。

根據(jù)提取的前5個主成分信息，建立PLS判別模型。樣本分別賦值作為判別依據(jù)，將正常核桃賦值為1，黑斑核桃賦值為2，以0.5為最大偏離值。

PLS模型預(yù)測結(jié)果見圖2。

由圖2可知，正常核桃和黑斑核桃的識別率均為100%，說明基于光譜信息可以實現(xiàn)對黑斑核桃的檢測。

3 基于圖像信息的核桃黑斑識別

3.1 主成分圖像提取

由于光譜信息的前5個主成分累計貢獻(xiàn)率較高，提取黑斑核桃樣本前5個主成分圖像。

黑斑核桃5個主成分圖見圖3。

由圖3可知，PC-1圖樣本和背景相差最明顯，PC-2圖樣本黑斑區(qū)域被凸顯出來，而PC-3～PC-4圖噪聲較大，難以處理。

3.2 識別過程

黑斑識別關(guān)鍵步驟見圖4。

首先對PC-1圖進(jìn)行掩膜（Mask）處理，然后運用“Canny”算子分割出樣本邊緣，再對邊緣進(jìn)行填充，最后對圖像進(jìn)行取反，生成模板圖像；對PC-2圖采用區(qū)域生長算法（Region grow） 提取黑斑區(qū)域圖；最后將模板圖像與黑斑區(qū)域圖進(jìn)行合并。

按照上述方法，對黑斑核桃進(jìn)行圖像識別，均取得較好效果，列舉10個黑斑樣本識別效果圖。

識別效果圖見圖5。

4 結(jié)語

基于高光譜成像技術(shù)從光譜和圖像2個角度對黑斑核桃進(jìn)行判別和識別。采用PCA對光譜數(shù)據(jù)進(jìn)行壓縮，提取前5個主成分，建立PLS判別模型，模型對正常和黑斑核桃判別率均為100%。提取前5個主成分圖像，分別對第1個主成分圖像和第2個主成分圖像進(jìn)行掩膜、“Canny”算子、圖像填充、區(qū)域生長算法（Region grow） 提取模板圖像和黑斑區(qū)域，以實現(xiàn)對黑斑的識別。結(jié)果表明，基于高光譜成像技術(shù)可以實現(xiàn)對黑斑核桃的檢測識別，為開發(fā)黑斑核桃在線檢測設(shè)備提供理論依據(jù)。