薛建新，孫海霞，周靖博，張淑娟

（山西農業(yè)大學 工學院，山西 太谷030801）

壺瓶棗是山西十大名棗之一，以其果大、皮薄、肉厚、味美和極具滋補功能而享譽神州，且有極其豐富的營養(yǎng)價值和藥用價值［1］，每100g鮮棗中含可溶性固形物含量37%，含糖量30．35%，含酸量0．57%，含 VC 491．3mg，壺瓶棗制干后，肉質細膩，久貯不干，制干率57．2%，干棗含糖量71．4%，是紅棗中的上品［2］。

目前，國內對壺瓶棗品質的檢測主要依靠肉眼進行判別，結果經(jīng)常受到個人經(jīng)驗、習慣、偏好等主觀因素的影響，而且存在有精度低、視覺易疲勞、檢測速度慢等缺陷。因此，需要開發(fā)一種快速、無損、精確檢測壺瓶棗品質的方法［3］。

機器視覺是以計算機視覺為基礎來智能代替人眼視覺的智能識別系統(tǒng)，具有檢測精度高、信息量大、處理速度快、功能全等優(yōu)點。計算機視覺技術在農產(chǎn)品品質檢測與分級領域得到了廣泛的應用研究，包括尺寸與面積檢測、表面缺陷及損傷的檢測等［4～6］。

近紅外光譜技術可充分利用全譜段或多波長下的光譜數(shù)據(jù)進行定性或定量分析，能夠反映有機分子中基團的特征振動信息，其光譜特性與有機物質的類型和含量密切相關。由于其具有效率高、成本低、速度快、測試重現(xiàn)性好、測量方便等優(yōu)點，已被越來越多地應用于食品工業(yè)、石油化工、制藥工業(yè)等領域［7］。

因此，本研究嘗試利用機器視覺技術結合近紅外光譜技術快速無損地檢測壺瓶棗的品質。首先運用機器視覺技術對壺瓶棗投影面的最小外接矩形面積進行檢測，實現(xiàn)了壺瓶棗外部品質的快速無損檢測。然后運用近紅外光譜技術無損檢測壺瓶棗可溶性固形物含量，分別采用PLS、PCR和LSSVM建立壺瓶棗糖度的近紅外光譜模型并進行比較，獲得一種最優(yōu)的建模方式。

1 試驗材料及裝置

1．1 實驗材料

180個壺瓶棗樣品采自山西省太谷縣，采后當天運達實驗室。在相同的儲藏條件下對果實進行篩選，以保證果實試驗前的成熟度及物性初始狀態(tài)相對一致，降低果實之間個體差異對試驗結果的影響。

1．2 試驗裝置

1．2．1 基于機器視覺的圖像采集裝置

機器視覺系統(tǒng)的硬件組成如圖1所示，主要由計算機、圖像采集卡、數(shù)字彩色攝像機、熒光燈光源、遮光板、光照箱、樣品保持器等組成。計算機配置為1．7GHz CPU、512MB內存和40GB硬盤。計算機中內置大恒公司的DH－CG300彩色圖像采集卡，分辨率為512×512像素。CCD攝像機選用SONY DCR－TRV75E 數(shù)碼攝錄一體機，解像度320×240像素，幀頻率為30幀·s－1；鏡頭采用組合電動變焦鏡頭，焦距4．5～45mm。光源為2只220V／100W白熾燈。用MATLAB軟件對獲取圖像進行分析提取［8］。

圖1 圖像采集系統(tǒng)示意圖Fig．1 Image acquisition system

1．2．2 基于近紅外的光譜采集裝置

光譜儀使用美國 ASD（Analytical Spectral Device）公司的Field Spec 3型光譜儀［9］，光譜采集條件：采用漫反射方式進行樣品光譜采樣，數(shù)據(jù)間隔1nm，采樣范圍為350～2500nm，掃描次數(shù)30次，分辨率3．5nm，探頭視場角10°。光譜數(shù)據(jù)以ASCII碼形式導出進行處理，分析軟件為 ASD View Spec Pro V5．0，Unscramble V9．7和 MATLAB7．0。圖2為180個壺瓶棗樣本反射率的近紅外可見光譜曲線。

圖2 紅棗的可見—近紅外光譜曲線Fig．2 Visible－Near infrared reflectance spectroscopy of Jujube

2 基于機器視覺的壺瓶棗外部品質的檢測

2．1 圖像的獲取與預處理

2．1．1 圖像的獲取

本次研究的壺瓶棗圖像采集裝置使用上述機器視覺實驗臺獲取，為了增強背景和目標水果的反差，實驗采用白色作為背景來獲取紅棗的圖像。

2．1．2 圖像預處理方式［10］

（1）二值化處理

把彩色圖像轉換為灰度圖像，并對灰度圖像采用Otsu＇s閾值進行二值化處理，使圖像中的對象特征突出，保留較多的有用信息，便于后續(xù)的特征量提取。

（2）邊緣提取

邊緣提取的目的是提取壺瓶棗和背景的分界線以保留鮮棗外形輪廓。本文采用Sobel算子提取二值化處理后的圖像邊緣，結果如圖3。

2．2 壺瓶棗圖像面積的提取

為了適應在線隨機狀態(tài)下壺瓶棗的果徑測量，使用壺瓶棗的最小外接矩形［11］（MER，Minimum enclosing rectangle）表示壺瓶棗的大小徑。最小外接矩形的長即為壺瓶棗的長徑，短邊即為棗的短徑，由此確定壺瓶棗投影面外接矩形的面積。根據(jù)圖像面積的大小作為壺瓶棗外部品質的分級標準。

圖3 壺瓶棗邊緣提取圖像Fig．3 The image of extraction edge of the Huping Jujube

3 基于近紅外光譜檢測技術的壺瓶棗糖度的檢測

3．1 可溶性固形物含量的測定

精選180個山西省太谷縣壺瓶棗樣品，隨機選取148個樣本作為校正集，其余32個樣本作為預測集。使用WYT－II手持糖度折射儀測量樣本的可溶性固形物含量值。壺瓶棗樣本的可溶性固形物含量值見表1。

表1 180個樣本紅棗的可溶性固形物含量統(tǒng)計表Table 1 Statistics of soluble solids content in Jujube samples

3．2 光譜預處理

多元散射校正（MSC）是經(jīng)過散射校正后得到的光譜數(shù)據(jù)，可以有效地消除散射影響，增強與成分含量相關的光譜吸收信息。因此，本文選擇MSC為壺瓶棗光譜數(shù)據(jù)的最佳預處理方式。

3．3 回歸模型建立

對全波長光譜數(shù)據(jù)分別運用偏最小二乘法（PLS）、主成分回歸（PCR）和偏最小二成支持向量機（LS－SVM）分別對壺瓶棗糖分含量進行建模，結果如表2所示。

表2 壺瓶棗不同可溶性固形物校正模型的比較Table 2 The results of different model of soluble solid content

通過比較得知，LS－SVM模型獲得了最優(yōu)的預測結果，該預測集的相關系數(shù)和均方根誤差分別為0．9901和0．328，獲得了滿意的預測精度。

4 結論

通過圖像處理技術結合最小外接矩形法求得圖像的像素點個數(shù)，進而得到壺瓶棗投影面的面積，由此可對壺瓶棗進行外部形狀及大小的分級。說明了使用機器視覺技術能對壺瓶棗的外部品質進行檢驗和預測。

使用MSC法對壺瓶棗近紅外光譜進行預處理后，對PLS、PCR、LS－SVM所建模型進行比較表明，使用LS－SVM模型建立的模型能準確的預測壺瓶棗的可溶性固形物含量值，相關系數(shù)和均方根誤差分別為0．9901和0．328。說明利用近紅外光譜技術結合LS－SVM法能夠快速無損地檢測壺瓶棗的可溶性固形物含量，以便對壺瓶棗內部品質進行評判和預測。

［1］樊軍，呂磊，尚宏偉．大棗的研究與開發(fā)進展［J］．食品科學，2003（4）：161－163．

［2］程功，自炎晶，趙玉英．棗屬植物化學成分及藥理活性研究概況［J］．國外醫(yī)藥——植物藥分冊，1999，14（4）：151－157．

［3］黃星奕，錢媚，徐福斌．基于機器視覺和近紅外光譜技術的杏干品質無損檢測［J］．農業(yè)工程學報，2012，28（7）：260－265．

［4］應義斌，饒秀琴，趙勻，等．機器視覺技術在農產(chǎn)品品質自動識別中的應用研究進展［J］．農業(yè)工程學報，2000，16（3）：4－8．

［5］段峰，王耀南，雷曉峰，等．機器視覺技術機器應用綜述［J］．自動化博覽，2002，19（3）：59－61．

［6］毛鵬軍，杜東亮，賀智濤，等．農產(chǎn)品視覺檢測與分級的研究現(xiàn)狀與發(fā)展趨勢［J］．河南科技大學學報：自然科學版，2006，27（4）：76－79．

［7］張銀橋，趙博，王輝，等．農產(chǎn)品近紅外光譜分析系統(tǒng)綜述［J］．農機化研究，2010，32（5）：224－227．

［8］秦襄培．MATLAB圖像處理與界面編程寶典［M］．北京：電子工業(yè)出版社，2009：454－458．

［9］陸婉珍，袁洪福，徐廣通，等．現(xiàn)代近紅外光譜分析技術［M］．北京：中國石油化工出版社，2000：10－12．

［10］黎靜，薛龍，劉木華，等．基于計算機視覺的臍橙分級系統(tǒng)研究［J］．江西農業(yè)大學學報，2006，28（2）：304－307．

［11］應義斌，成芳，馬俊福．基于最小矩形法的柑桔橫徑實時監(jiān)測方法研究［J］．生物數(shù)學學報，2004，19（3）：352－356．