CN103822879B - 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 - Google Patents

Abstract

本发明公开了一种基于高光谱成像技术的猕猴桃膨大果（施用膨大剂的猕猴桃果实）的无损检测方法，该方法包括以下步骤：以高光谱成像系统为工具，通过扫描一批完好无损猕猴桃膨大果和非膨大果样品的高光谱图像获取样本的高光谱图像信息；对高光谱图像进行黑白校正和掩模处理，提取整个果实区域的平均光谱；对平均光谱预处理；划分校正集与预测集；对光谱数据降维以提取反映猕猴桃膨大果的特征波长或特征变量；建立无损识别猕猴桃膨大果的线性或非线性模型，并对模型进行检验，本方法对猕猴桃膨大果的正确识别率大于99％。本发明基于高光谱成像技术检测猕猴桃果实是否施用膨大剂，具有无损、效率高、准确率高、结果可靠的优点。

Description

一种基于高光谱成像技术的猕猴桃膨大果无损检测方法

技术领域

本发明涉及水果膨大果无损检测技术领域，特别是涉及一种基于高光谱成像技术的猕猴桃膨大果无损检测方法。

背景技术

猕猴桃果实细嫩多汁、清香鲜美、酸甜宜人、营养丰富，深受广大消费者的喜爱。自20世纪90年代初，外源性植物生长调节剂或外源性植物生长激素（俗称膨大剂），如氯吡脲、吡效隆等作为一项重要的增产技术，在猕猴桃生产中大面积推广应用。通常将施用过膨大剂的果实称为膨大果。膨大剂虽能使猕猴桃产量提高30％~50％，但同未施用膨大剂的果实（正常果）相比，膨大果的品质较差，且不耐贮藏、烂果率高、库损严重。此外，膨大剂（属于生长激素）对人健康的潜在危害尚不明确。为了使猕猴桃产业健康发展，虽然各省已经发出了在猕猴桃生产中禁用膨大剂的通告，但使用膨大剂的现象从未被杜绝。如果不能从生产源头杜绝膨大剂的使用，识别膨大果就成为猕猴桃采后加工业亟需解决的关键问题。

马纪伟提出了一种基于高效液相色谱法测定猕猴桃中膨大剂含量的方法，但该方法是有损检测，不适于对所有个体进行无损检验。经检索，授权的实用新型专利“一种氯吡脲快速检测卡”（专利号201120165085.0）提供了一种快速检测氯吡脲含量的方法，但是该方法也是有损检测。从检索结果看，目前尚未见无损识别猕猴桃膨大果的文章和专利。

由于高光谱能较全面地反映农产品的内、外部物理特征和化学成分，已成为国内外农产品品质无损检测领域中一种重要的检测技术。虽然在利用高光谱成像技术检测果品的内部品质，如糖度（或可溶性固形物含量）、硬度、含水率以及外部损伤等方面已经进行了比较广泛的研究，而现有的研究均未涉及猕猴桃膨大果识别方面。为此，有必要开发一种基于高光谱成像技术无损识别猕猴桃膨大果的方法，以保障消费者的权益，同时促使猕猴桃产业的健康发展，也为猕猴桃采后加工业提供一种无损、快捷、简便、准确的猕猴桃膨大果识别技术。

发明内容

鉴于上述现有技术发展现状，本发明的目的是提供一种基于高光谱成像技术的猕猴桃膨大果无损检测方法。通过高光谱装置采集一批猕猴桃膨大果和非膨大果的高光谱图像，基于光谱信息建立识别猕猴桃膨大果的模型。本发明的方法也可以用于其它果品膨大果的无损检测中。

一种基于高光谱成像技术的猕猴桃膨大果无损检测方法，包括如下步骤：

步骤一，选取完好无损的猕猴桃膨大果和非膨大果作为样本；

步骤二，调试好高光谱图像采集系统的各项参数，采集猕猴桃样品的高光谱图像，并对采集的猕猴桃高光谱图像进行黑白校正；

步骤三，为了保证图像中仅有猕猴桃样本信息，构建掩膜以去除背景，进而求取猕猴桃果实区域所有采样点下光谱的平均值，然后对光谱曲线进行预处理，以校正由于光的散射等引起的光谱误差；

步骤四，划分猕猴桃样本，得到校正集与预测集；

步骤五，对猕猴桃光谱数据进行降维；

步骤六，利用校正集样本建立猕猴桃膨大果识别模型，利用猕猴桃校正集和预测集样本分别检验模型对猕猴桃膨大果的正确识别率。

其中，在步骤二中，猕猴桃样本高光谱图像采集系统包括CCD相机、光谱仪、镜头、光源、载物台、电控传送带、暗箱、电机控制器、电机和计算机组成，猕猴桃放在载物台上。

其中，在步骤三中，基于阈值分割的方法构建掩膜以去图像中的背景信息，而只留下猕猴桃的图像。

其中，在步骤四中，按2:1、3:1或者4:1的比例将猕猴桃膨大果和非膨大果分别划分进猕猴桃校正集和预测集。

其中，步骤五中，可以通过选取光谱主成分或者提取光谱特征波长的方法实现猕猴桃光谱数据降维。

其中，在步骤六中，分别采用线性和非线性建模方法建立膨大果识别模型。通过对猕猴桃校正集与测试集中猕猴桃膨大果的正确识别率确定较优的建模方法。

其中，在步骤五和步骤六中，分别建立不同的数据降维方法下识别猕猴桃膨大果的线性和非线性模型，并根据几种组合所建模型的校正集和预测集的正确识别率确定最佳的建模方法。

其中，在步骤二中，猕猴桃高光谱图像采集系统中相机的曝光时间是10ms，载物台的移动速度是20mm/s，CCD相机镜头和载物台之间的距离是65cm，光谱采集范围为865.11-1711.71 nm，光谱图像的大小为320×250像素，光谱波段256个，光谱采样间隔3.32nm；用于光谱分析的有效范围为941.47-1668.55 nm，含波段220个；光源为4个100W的漫反射型卤素灯，均匀安装在暗箱上部四个方位上。

本发明中所述的猕猴桃膨大果是指在猕猴桃果实生长发育期间，施用过（涂抹、蘸用、浸渍）膨大剂的猕猴桃果实；所述的非膨大果是指在猕猴桃果实生长发育期间，未施用过（涂抹、蘸用、浸渍）膨大剂的猕猴桃果实。

本发明具有如下优点：本发明通过获取猕猴桃的高光谱图像得到其光谱信息，采用不同的数据降维技术获取表征猕猴桃膨大果的特征波长或特征变量，建立识别猕猴桃膨大果的线性或非线性模型，并结合降维方法优选出最佳的膨大果识别模型，为猕猴桃膨大果的识别提供一种无损、快捷、简便、准确的方法。

附图说明

图1：高光谱图像采集系统；

图2：猕猴桃高光谱图像提取的掩膜；

图3：应用连续投影算法优选特征波长过程中均方根误差（RMSE）随模型中包含的波长数的变化曲线。

图1说明：1为CCD相机、2为光谱仪、3为镜头、4为光源、5为载物台、6为电控传送带、7为暗箱、8为电机控制器、9为电机和10为计算机。

具体实施方式

本发明方法对不同品种猕猴桃膨大果的无损识别具有很好的通用性。由于猕猴桃品种很多，因此，本发明只以陕西省的一个主要品种——“西选二号”猕猴桃为实施实例，其他品种猕猴桃膨大果的识别可参照该实施例的方法进行。具体根据所测猕猴桃品种，建立一个适用于该品种的猕猴桃膨大果识别模型，就可以对该品种猕猴桃的膨大果进行检测。

下面结合附图和实施例对本发明作进一步说明。

依据本发明实施例的方法包括以下步骤：

步骤一，选取猕猴桃膨大果和非膨大果样品。选取一批形状比较规则，已知是膨大果和非膨大果的完好无损样品（样品总数尽可能大于100，且膨大果和正常果的总数相差不大）。本实施例中在承包的猕猴桃果园中，选取“西选二号”猕猴桃膨大果和非膨大果各120个。

步骤二，采集猕猴桃样品的高光谱图像。本实施例所采用的高光谱图像采集系统如图1所示，高光谱图像采集系统装置包括CCD相机1、光谱仪2、镜头3、光源4、载物台5、电控传送带6、暗箱7、电机控制器8、电机9和计算机10组成。

图像采集时，将标号的猕猴桃人工横置于载物台5上，载物台5与镜头3之间的距离为65cm，电控传输带6以20mm/s的速度传送猕猴桃，使用光源4照射放置于载物台5上的猕猴桃，CCD相机1的曝光时间为10ms，猕猴桃样品被光源照射部分的影像通过镜头被光谱仪2捕获，在X轴向上被光谱仪分光，Y轴上直接成像，由电控传送带6带动样品连续运行，从而得到连续的二维图像和一维光谱信息，完成对整个猕猴桃样本图像的采集。

图像采集过程由SpectralSENS（Spectral Imaging Ltd., Finland）软件控制，光谱采样间隔为3.32nm，光谱范围为865.11～1711.71nm，在此范围内有256个波段，高光谱图像的大小为320×250像素。

步骤三，光谱的提取及预处理。在对采集到的高光谱图像进行黑白校正后，为了保证图像中仅有样本信息，本文通过ENVI V4.8（Research System，Inc.，USA）软件基于阈值分割的方法构建掩膜以去除背景，而使图像中仅保留猕猴桃的信息。即选择样本和背景反射值(反射光强度)差异大的波段对采集的高光谱图像进行分割，当某像素对应的光谱值大于阈值时被保留，小于阈值时，被置为0。本实施例中选择阈值为0.35。然后求取果实区域中所有采样点下光谱的平均值。某猕猴桃样本在1459.39nm处的高光谱图像所构建的掩膜如图2所示。

在ENVI V4.8中应用掩膜去除背景后计算猕猴桃果实区域中所有采样点下光谱的平均值，形成每个样品的平均反射光谱曲线（光谱范围为865.11～1711.71nm）。由于光谱两端的噪声较大，故选择有效波段范围为941.47-1668.55 nm，含波段220个；然后采用变量标准化方法对光谱进行预处理，从而校正样品由于光的散射等而引起的光谱误差。

步骤四，划分样本，得到校正集与预测集。选择Kennard-Stone法按照4:1比例划分样本。即在所有的样本中选择欧氏距离最远的两个向量对进入训练集，在接下来的迭代过程中拥有最大最小距离的待选样本被选入训练集，以此类推，达到所要求训练集的数目后停止迭代。

步骤五，对数据进行降维处理。数据的降维分别通过选取光谱数据的主成分或提取光谱的特征波长来实现。

采用主成分分析法选取光谱的主成分时，通过降维技术把多个变量压缩成少数几个主成分变量，这些主成分不仅能够反映原始数据的绝大部分信息,而且各主成分之间互不相关，从而可以很好地降低噪声、减少冗余信息的干扰。此方法选取了前10个主成分作为特征变量，累积贡献率达到99.92%。

采用连续投影算法提取光谱特征波长时，首先选择一个初始波长，在剩余的波长中选择与该波长相关性最小的波长，然后依次进行迭代，直到波长数达到设定数后停止运算，通过多次迭代，找出冗余信息最少的变量组。变量的数量根据校正集的均方根误差（RMSE）值确定，随着特征波长数的增加，校正集RMSE的变化过程如图3所示。本研究选择了12个波长作为特征变量，该12个波长分别为948.11, 961.39, 964.71, 997.91, 1064.31, 1230.31, 1356.47, 1529.11, 1592.19, 1635.35, 1638.67 and 1668.55 nm。

步骤六，利用校正集样本建立猕猴桃膨大果识别模型，利用校正集和预测集样本分别对模型效果进行验证。对步骤五中选取出的主成分或特征波段分别建立偏最小二乘识别模型和支持向量机识别模型。所建立的四个模型中，基于连续投影算法的支持向量机模型识别率最高，其校正集的正确识别率为99.5%，测试集的正确识别率达到100%。

由以上实施例可以看出，本发明利用高光谱成像技术识别猕猴桃膨大果不但能实现快速无损检测，而且识别效果很好。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (7)

1.一种基于高光谱成像技术的猕猴桃膨大果无损检测方法，其特征在于，包括以下步骤：

步骤一，选取完好无损的同一品种猕猴桃膨大果和非膨大果作为样本；

步骤二，调试好高光谱图像采集系统的各项参数，采集整个猕猴桃样品的高光谱图像，并对采集的猕猴桃高光谱图像进行黑白校正；

步骤三，为了保证图像中仅有猕猴桃样本信息，构建掩膜以去除背景，进而求取猕猴桃果实区域中所有采样点下光谱的平均值，然后采用变量标准化方法对光谱进行预处理；

构建掩膜是采用阈值分割的方法，去除背景后的图像中仅保留猕猴桃的信息；

步骤四，划分猕猴桃样本，得到校正集与预测集；校正集与预测集均包含猕猴桃膨大果和非膨大果；

步骤五，对猕猴桃光谱数据分别采用主成分分析法和连续投影算法进行降维；

步骤六，利用校正集样本建立猕猴桃膨大果识别模型，利用猕猴桃校正集和预测集样本分别检验模型对猕猴桃膨大果的正确识别率；识别模型采用采用偏最小二乘法和支持向量机法分别建模；比较主成分分析法数据降维所建模型和连续投影算法数据降维所建模型的正确识别率，进行猕猴桃膨大果识别模型优选。

2.根据权利要求1所述的一种基于高光谱成像技术的猕猴桃膨大果无损检测方法，其特征在于，在步骤二中，猕猴桃高光谱图像采集系统包括：CCD相机、光谱仪、镜头、光源、载物台、电控传送带、暗箱、电机控制器、电机和计算机，完好无损的猕猴桃放在载物台上。

3.根据权利要求1所述的一种基于高光谱成像技术的猕猴桃膨大果无损检测方法，其特征在于，在步骤四中，校正集和预测集中猕猴桃膨大果和非膨大果的数量分别大于预测集中猕猴桃膨大果和非膨大果的量。

4.根据权利要求1所述的一种基于高光谱成像技术的猕猴桃膨大果无损检测方法，其特征在于，在所述步骤五中，通过选取光谱主成分或者提取光谱特征波长的方法实现猕猴桃光谱数据的降维。

5.根据权利要求1所述的一种基于高光谱成像技术的猕猴桃膨大果无损检测方法，其特征在于，在所述步骤六中，分别采用线性和非线性建模方法建立识别膨大果的模型；通过对校正集与测试集中猕猴桃膨大果的正确识别率确定较优的建模方法。

6.根据权利要求4或5所述的一种基于高光谱成像技术的猕猴桃膨大果无损检测方法，其特征在于，分别建立不同的数据降维方法下识别猕猴桃膨大果的线性和非线性模型，并根据几种组合下所建模型对校正集和预测集中猕猴桃膨大果的正确识别率确定最佳的建模方法。

7.根据权利要求1或2所述的一种基于高光谱成像技术的猕猴桃膨大果无损检测方法，其特征在于，猕猴桃高光谱图像采集系统中相机的曝光时间是10ms，载物台的移动速度是20mm/s，CCD相机镜头和载物台之间的距离是65cm，光谱采集范围为865.11-1711.71 nm，光谱图像的大小为320×250像素，光谱波段256个，光谱采样间隔3.32nm；用于光谱分析的有效范围为941.47-1668.55 nm，含波段220个；光源为4个100W的漫反射型卤素灯，均匀安装在暗箱上部四个方位上。