基于高光譜反透射圖像的新疆冰糖心 紅富士水心鑒別

郭俊先，馬永杰，田海清，黃 華，史 勇，周 軍

（1.新疆農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，新疆 烏魯木齊 830052；2.內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，內(nèi)蒙古 呼和浩特 010018；3.新疆農(nóng)業(yè)大學(xué)數(shù)理學(xué)院，新疆 烏魯木齊 830052）

蘋果水心病，又稱為糖化病、蜜果病，是一種常見的果實(shí)病害，在大部分蘋果產(chǎn)區(qū)均有不同程度的發(fā)生[1]。其主要產(chǎn)生原因是由于果實(shí)含鈣量過低從而導(dǎo)致山梨糖醇的累積造成[2]。水心病主要發(fā)生在果實(shí)上，但是其癥狀通常不會(huì)表現(xiàn)在外表面，初期水心病果與正常果外觀無差異，難以辨別，但是感病果內(nèi)部果肉組織堅(jiān)硬，呈水透明狀，較甜；當(dāng)水心病發(fā)病位置蔓延到蘋果表皮時(shí)，此時(shí)可以發(fā)現(xiàn)病果皮呈水漬狀，如蠟般透明[3]。水心病果在收獲之后不會(huì)進(jìn)一步加重水心，并且水心會(huì)隨著貯藏時(shí)間的推移而減少[4]，輕微染病果的水心甚至?xí)?，但?yán)重染病果會(huì)由于時(shí)間的變化而產(chǎn)生病組織褐變影響蘋果的品質(zhì)，甚至?xí)斐墒称钒踩[患。國(guó)內(nèi)的水心病檢測(cè)主要還是以人工經(jīng)驗(yàn)外觀鑒別為主，識(shí)別率不能保證，因此需要一種可靠性高、無損、快捷的方法用來對(duì)其檢測(cè)鑒別，從而使水心病果能發(fā)揮其最大的經(jīng)濟(jì)價(jià)值。

迄今，已經(jīng)有不少的國(guó)內(nèi)外研究人員對(duì)蘋果水心病的無損檢測(cè)進(jìn)行了各類研究，取得了一定的成果。諸如使用X光線[5]、近紅外光譜[6]、核磁共振技術(shù)[7]、熱成像技術(shù)[8]、計(jì)算機(jī)視覺[9]、電子鼻[10]、色彩像素[11]、密度法[12]、透光強(qiáng)度[13]、人工智能分類器[14]、電學(xué)特征法[15]等，但有些方法成本過高，有些耗時(shí)較長(zhǎng)，有些甚至識(shí)別率不可靠，大部分都處在實(shí)驗(yàn)室初級(jí)階段，沒有廣泛應(yīng)用。

高光譜技術(shù)涵蓋了樣本的圖像和光譜信息[16]，已經(jīng)廣泛運(yùn)用在各個(gè)領(lǐng)域，如農(nóng)產(chǎn)品無損檢測(cè)[17]、土壤成分檢測(cè)[18]、摻假鑒定[19]、環(huán)境監(jiān)測(cè)[20]、產(chǎn)量預(yù)測(cè)[21]、農(nóng)作物病害[22]等。在農(nóng)產(chǎn)品檢測(cè)領(lǐng)域，通過選擇高光譜圖像的感興趣區(qū)域從而獲得其光譜信息可以對(duì)農(nóng)產(chǎn)品的內(nèi)部品質(zhì)進(jìn)行預(yù)測(cè)與分析；國(guó)內(nèi)外學(xué)者主要利用高光譜技術(shù)對(duì)蘋果的表面損傷[23]、硬度[24]、質(zhì)量[25]、大小[26]、 糖度[27]、粉質(zhì)化檢測(cè)[28]、葉片葉綠素含量[29]、葉片氮素含量[30]、葉片磷素含量[31]等的分析，但利用高光譜技術(shù)對(duì)蘋果水心病鑒別的研究卻鮮為人知。

實(shí)驗(yàn)以新疆冰糖心紅富士蘋果為研究對(duì)象，采集可見短波近紅外高光譜圖像，提取感興趣區(qū)域的光譜信息，使用高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)建模方法，探討多種光譜預(yù)處理方法以及相關(guān)系數(shù)法、快速獨(dú)立分量分析（fast independent component analysis，F(xiàn)ast ICA）、主成分分析（principal component analysis，PCA）等多種數(shù)據(jù)降維方法，對(duì)比貝葉斯判別（Bayes discrimination，B D）、馬氏距離判別（M a h a l a n o b i s d i s t a n c e discrimination，MD）、二次線性判別分析（quadratic discriminant analysis，QDA）、K最近鄰法（K-nearest neighbor，KNN）、最小二乘支持向量機(jī)（least squares support vector machine，LSSVM）等多種模式識(shí)別的模型性能，從中篩選并建立最優(yōu)的水心鑒別模型，為水心鑒別提供一種新的方法，從而方便后續(xù)蘋果水心病鑒別儀器的研究與開發(fā)。

1 材料與方法

1.1 材料

新疆冰糖心紅富士蘋果（235 個(gè)）于2016年11月12日采摘自新疆阿克蘇地區(qū)紅坡農(nóng)場(chǎng)園藝分場(chǎng)的優(yōu)質(zhì)“冰糖心紅富士”蘋果種植基地。由有經(jīng)驗(yàn)的果農(nóng)對(duì)蘋果初步判斷，采摘大小尺寸均勻、無明顯機(jī)械損傷、成熟度一致的疑似水心病果及正常蘋果，采收后裝箱運(yùn)回?zé)o損檢測(cè)實(shí)驗(yàn)室，在實(shí)驗(yàn)室平鋪蘋果放置在室溫20 ℃環(huán)境下靜置24 h，剔除有輕微損傷的蘋果，共228 個(gè)蘋果用于數(shù)據(jù)采集，實(shí)驗(yàn)蘋果常規(guī)數(shù)據(jù)統(tǒng)計(jì)見表1。

表 1 實(shí)驗(yàn)蘋果常規(guī)數(shù)據(jù)統(tǒng)計(jì)Table 1 Statistical data of physicochemical properties of apples tested in this study

1.2 儀器與設(shè)備

圖 1 高光譜圖像采集系統(tǒng)Fig. 1 Hyperspectral image acquisition system

如圖1所示，采用的高光譜成像系統(tǒng)來自內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院無損檢測(cè)實(shí)驗(yàn)室，由中國(guó)臺(tái)灣五鈴光學(xué)有限公司生產(chǎn)，該系統(tǒng)包括modelV10E成像光譜儀、OLE23鏡頭（Specim公司、焦距23 mm）；配套I G V-B 1 6 2 0 C C D 相機(jī)（I m p e r x，分辨率為1 600×1 200）、鹵素?zé)艄庠匆惶?、步進(jìn)電機(jī)控制的位移平臺(tái)、暗箱、光源調(diào)節(jié)器、計(jì)算機(jī)等設(shè)備。高光譜成像系統(tǒng)的光譜采集范圍為380～1 004 nm，入射光狹縫寬度為50 μm。

1.3 方法

1.3.1 可見-短波近紅外高光譜圖像采集

采集高光譜圖像之前，先將蘋果從冷藏室取出放置在室溫條件下3 h以上。調(diào)整高光譜采集系統(tǒng)的參數(shù)，首先，靜態(tài)調(diào)整鏡頭焦距及樣本與鏡頭之間的物距，并隨機(jī)采集特定圖形和蘋果的多幅圖像，獲得被測(cè)物圖像清晰不模糊時(shí)的物距最佳參數(shù)值；其次，動(dòng)態(tài)采集多幅圖像并保證樣本圖像不變形、不失真，確定其最佳曝光時(shí)間及平臺(tái)移動(dòng)速度。經(jīng)過多次調(diào)整及優(yōu)化，最終確定高光譜成像系統(tǒng)的最終參數(shù)如表2所示。

表 2 高光譜成像系統(tǒng)參數(shù)設(shè)置Table 2 Parameter settings of hyperspectral imaging system

為了消除光譜儀自身干擾，增強(qiáng)光源的穩(wěn)定性，將光譜儀開機(jī)靜置30 min后，開始采集高光譜圖像，將蘋果樣本如圖1所示放置，蘋果赤道面與相機(jī)光軸水平，花萼-果梗軸線與樣本移動(dòng)方向垂直，與光譜儀光軸基本保持垂直狀態(tài)。隨著載物臺(tái)的移動(dòng)，光譜儀獲得蘋果光譜圖像信息，為了實(shí)驗(yàn)數(shù)據(jù)的可靠性，消除蘋果不規(guī)則的形狀差異對(duì)光譜圖像采集的影響，將蘋果在原始擺放的基礎(chǔ)上再沿赤道面順時(shí)針旋轉(zhuǎn)90°采集另外一幅高光譜圖像，最終將2 次光譜圖像獲得的光譜平均值作為該樣本的光譜數(shù)據(jù)。共計(jì)采集228 個(gè)蘋果的可見-短波近紅外高光譜圖像。

1.3.2 光譜校正處理

在采集高光譜圖像的過程中，由于光譜儀含有暗電流噪聲，以及果體形狀等影響光譜信息，對(duì)所獲得的高光譜圖像用下式的校正方程進(jìn)行黑白校正[32]：

式中：R為經(jīng)過黑白校正的圖像；I0為原始圖像；IDark為全黑標(biāo)定圖像；IWhite為標(biāo)準(zhǔn)聚四氟乙烯白板標(biāo)定圖像。

1.3.3 蘋果分類

對(duì)每一個(gè)高光譜圖像采集過后的蘋果沿赤道面進(jìn)行剖切，觀察并記錄水心狀況，統(tǒng)計(jì)后有水心病果104 個(gè)，正常蘋果樣本124 個(gè)。

1.4 數(shù)據(jù)處理

1.4.1 軟件

高光譜圖像采集由配套HSI Analyzer軟件（中國(guó)臺(tái)灣五鈴光學(xué)有限公司）實(shí)現(xiàn)，ENVI 5.3軟件（美國(guó)RS 公司）完成高光譜圖像分割及光譜提取，光譜處理及數(shù)據(jù)分析軟件為Matlab 2014b（美國(guó)MathWorks公司），繪圖使用OriginPro 8軟件（美國(guó)OriginLab公司）。

1.4.2 光譜信息的獲取

ENVI軟件作為高光譜影像處理與提取信息的專業(yè)軟件，其能夠快速高效的從高光譜圖像中提取重要信息。本實(shí)驗(yàn)采用ENVI 5.3軟件提取蘋果2 個(gè)表面的高光譜圖像，由于高光譜反透射蘋果區(qū)域形狀不規(guī)則，故手動(dòng)選取感興趣區(qū)，然后求得其平均光譜。將蘋果樣本兩個(gè)表面的光譜曲線取平均值作為每個(gè)蘋果樣本的光譜曲線。共得到228 sample×428 wavelength的原始光譜數(shù)據(jù)集合。

1.4.3 模型建立方法

在高光譜圖像采集的過程中，樣本獲取的信息不僅是待測(cè)樣本的原始信息，還包含了很多復(fù)雜的外在干擾和噪聲信息，這些噪聲信息都在一定程度上會(huì)導(dǎo)致測(cè)得數(shù)據(jù)與真實(shí)數(shù)據(jù)存在偏差。因此需要對(duì)獲得的光譜進(jìn)行光譜預(yù)處理減弱、消除各種干擾因素對(duì)光譜數(shù)據(jù)的影響。光譜預(yù)處理方法主要有標(biāo)準(zhǔn)正態(tài)變量變換、多元散射校正、一階求導(dǎo)、二階求導(dǎo)、歸一化、平滑、數(shù)據(jù)中心化、移動(dòng)窗口平滑以及直接差分一階求導(dǎo)。

盡管光譜信息經(jīng)過一定的預(yù)處理對(duì)數(shù)據(jù)解析有一定的作用，仍然需要解決高光譜數(shù)據(jù)信息量龐大的問題。PCA是將多個(gè)變量通過線性變換都投影到一個(gè)新的坐標(biāo)系上，并且沿著這條坐標(biāo)系使其方差達(dá)到最大，這些主成分作為原來變量的線性組合并且兩兩正交。其中的載荷可視為變量與主成分的相關(guān)性。Fast ICA是盲源信號(hào)分離中進(jìn)行ICA的一種快速算法，F(xiàn)ast ICA基于高斯最大化原理，相比普通ICA算法，其收斂速度更快，不用設(shè)置步長(zhǎng)參數(shù)，更易使用，并且具有大多數(shù)神經(jīng)計(jì)算的優(yōu)點(diǎn)，即并行、分布、簡(jiǎn)單化[33]。相關(guān)系數(shù)法被廣泛運(yùn)用在農(nóng)產(chǎn)品無損檢測(cè)中，通過計(jì)算兩種不同波長(zhǎng)的多種線性組合從而優(yōu)選出相關(guān)系數(shù)最大的波長(zhǎng)進(jìn)而達(dá)到數(shù)據(jù)降維的目的[34]。采用以上3 種方法實(shí)現(xiàn)光譜數(shù)據(jù)降維。

采用傳感器所獲取的數(shù)據(jù)進(jìn)行歸納分類被稱為模式識(shí)別，模式識(shí)別分為線性與非線性兩類，線性采用BD、MD、QDA、KNN；非線性采用LSSVM建立樣本光譜類型的識(shí)別模型。

1.4.4 模型驗(yàn)證

將光譜數(shù)據(jù)集分為校正集與預(yù)測(cè)集，校正集依靠上述方法建立各種模式識(shí)別模型，預(yù)測(cè)集將通過BD、MD、QDA、KNN、LSSVM等已建立好的現(xiàn)有模型進(jìn)行驗(yàn)證，模型驗(yàn)證的結(jié)果將用來評(píng)判各類方法之間的優(yōu)異。

2 結(jié)果與分析

2.1 光譜數(shù)據(jù)預(yù)處理

在水心病果與正常蘋果兩類中各隨機(jī)抽取70 個(gè)樣本，分別求得70 個(gè)樣本在380～1 004 nm之間的平均光譜曲線變化趨勢(shì)如圖2所示。2 類蘋果在絕大部分選定波長(zhǎng)范圍下的吸光度強(qiáng)烈吻合，在380～580 nm之間水心病果與正常病果在光譜之間存在明顯分離，但在其他波長(zhǎng)下又各自有所交叉，映射出正常蘋果與水心病果之間存在著極大的相似性，并且，光譜數(shù)據(jù)在采集時(shí)也會(huì)受到各種儀器設(shè)備及外部因素的影響，所以分別采用直接查分一階求導(dǎo)在內(nèi)的9 種預(yù)處理方法對(duì)原始光譜進(jìn)行預(yù)處理，意在消除各類因素對(duì)模型性能的干擾。

圖 2 水心病果與正常蘋果的近紅外光譜Fig. 2 Near infrared spectra of apples with watercore and normal apples

2.2 數(shù)據(jù)特征提取

采用PCA、Fast ICA、相關(guān)系數(shù)法3 種數(shù)據(jù)特征提取方法分別提取原始數(shù)據(jù)中的重要變量作為建模輸入變量。從圖3可見，所有預(yù)處理方法經(jīng)過PCA提取得到的前5 個(gè)主成分累計(jì)貢獻(xiàn)率都能達(dá)到95%以上，但是從圖2可得，正常蘋果與水心病果在光譜圖上存在肉眼無法分辨的差別，總結(jié)前人的研究實(shí)驗(yàn)主成分選取個(gè)數(shù)，為獲得更加穩(wěn)定的模型以及更加可靠的正確判別率，故此選擇提取前15 個(gè)主成分作為下一步模式識(shí)別的自變量。

圖 3 不同光譜預(yù)處理方法提取的前15 個(gè)主成分累計(jì)貢獻(xiàn)率Fig. 3 Cumulative contribution rates of the first 15 principal components extracted by different spectral pretreatment methods

Fast ICA能快速?gòu)男畔⑷哂嗟墓庾V數(shù)據(jù)中提取少量有代表性的獨(dú)立信號(hào)分量建模分析，獲得魯棒性強(qiáng)的模型。PCA與ICA的主要區(qū)別在于ICA是一種基于高階統(tǒng)計(jì)特性的分析方法，并且ICA分離出的成分相互獨(dú)立，而PCA提取的成分相互正交，F(xiàn)ast ICA每次從觀測(cè)信號(hào)中只分離一個(gè)獨(dú)立分量，其不失為一種另類的數(shù)據(jù)降維方法。圖4為經(jīng)過Fast ICA提取后的獨(dú)立成分合圖（以歸一化光譜數(shù)據(jù)為例），在下一步模式識(shí)別研究中，將經(jīng)過不同預(yù)處理方法后Fast ICA獲得的獨(dú)立分量矩陣分別作為自變量用于后續(xù)建模。

圖 4 歸一化處理后光譜經(jīng)獨(dú)立分量分析后提取的獨(dú)立成分Fig. 4 Independent components extracted by independent component analysis after spectral normalization

相關(guān)系數(shù)法是將光譜數(shù)據(jù)中每條波長(zhǎng)處吸光度與蘋果性質(zhì)之間的關(guān)系進(jìn)行相關(guān)性計(jì)算，相關(guān)系數(shù)越大證明相關(guān)性越高，本實(shí)驗(yàn)通過相關(guān)系數(shù)法成功篩選出相關(guān)系數(shù)較大的波長(zhǎng)。圖5為蘋果性質(zhì)與吸光度之間的相關(guān)系數(shù)表（以原始光譜為例），從中篩選出相關(guān)系數(shù)高前14 個(gè)波長(zhǎng)，達(dá)到數(shù)據(jù)降維的要求。將經(jīng)過不同預(yù)處理方法之后相關(guān)系數(shù)法篩選獲得的特征波長(zhǎng)組成新自變量用于后續(xù)建模。

圖 5 相關(guān)系數(shù)法篩選波長(zhǎng)Fig. 5 Wavelength selected by correlation coefficient method

2.3 建模結(jié)果分析

將所有經(jīng)過特征提取后的高光譜數(shù)據(jù)分為校正集與預(yù)測(cè)集，校正集與預(yù)測(cè)集按照樣本間歐氏距離方法劃分，樣本劃分按照3∶1分配，該方法的優(yōu)點(diǎn)是保證樣本在空間距離上均勻分布。將正常蘋果樣本用1代表，水心病果用0代表，校正集包括正常蘋果93 個(gè)樣本、水心病果78 個(gè)樣本；預(yù)測(cè)集包括正常蘋果31 個(gè)樣本、水心病果26 個(gè)樣本。

2.3.1 基于PCA下的模式識(shí)別分類結(jié)果

由表3可知，不論是否經(jīng)過預(yù)處理方法，PCALSSVM的校正集識(shí)別率達(dá)到了100%，PCA-LSSVM預(yù)測(cè)集識(shí)別率都穩(wěn)定在85%以上，并且在SNV-PCA-LSSVM與MSC-PCA-LSSVM建模方法下預(yù)測(cè)集的識(shí)別率達(dá)到91.2%，是最高的模式識(shí)別方法。這也說明PCALSSVM模式識(shí)別的方法可成功用于新疆冰糖心紅富士的水心鑒別。

表 3 PCA方法下多種預(yù)處理及多種模式識(shí)別下的蘋果類型識(shí)別率Table 3 Recognition rates of apples with and without watercore using different preprocessing methods and different pattern recognition methods combined with PCA %

2.3.2 基于獨(dú)立成分分析下的模式識(shí)別分類結(jié)果

表 4 Fast ICA方法下多種預(yù)處理及多種模式識(shí)別下的識(shí)別率Table 4 Recognition rates of apple with and without watercore using different preprocessing methods and different pattern recognition methods combined with Fast ICA %

由表4可知，在歸一化處理下，KNN模型及LSSVM模型建模集都能達(dá)到最優(yōu)識(shí)別率87.7%，最低識(shí)別率為MWS-MD建模方式，預(yù)測(cè)集識(shí)別率最高的是歸一化預(yù)處理下的LSSVM模型，識(shí)別率為84.2%。綜合分析可知，MD并不適合應(yīng)用于經(jīng)過Fast ICA特征提取后的建模分析，此特征提取下最優(yōu)的新疆冰糖心紅富士水心鑒別的方法是Fast ICA-歸一化-LSSVM建模方法。

2.3.3 基于相關(guān)系數(shù)分析下的模式識(shí)別分類結(jié)果

表 5 相關(guān)系數(shù)方法下多種預(yù)處理及多種模式識(shí)別下的識(shí)別率Table 5 Recognition rates of apple with and without watercore using different preprocessing methods and different pattern recognitions combined with correlation coefficient method %

由表5可知，經(jīng)過相關(guān)系數(shù)法波長(zhǎng)篩選，歸一化預(yù)處理，LSSVM的建模集識(shí)別率為89.5%，預(yù)測(cè)集識(shí)別率達(dá)到82.5%，是基于相關(guān)系數(shù)分析下的最優(yōu)模式識(shí)別分類結(jié)果。

2.4 模型比較

PCA提取前15 個(gè)主成分?jǐn)?shù)；相關(guān)系數(shù)法篩選相關(guān)系數(shù)最高的前14 個(gè)波長(zhǎng)；Fast ICA提取前14 個(gè)分量數(shù)，在這3 種數(shù)據(jù)降維的情況下產(chǎn)生了相似的結(jié)果：LSSVM在蘋果的水心鑒別上優(yōu)于其他幾種模式識(shí)別方法。主要是因?yàn)锽D與QDA、MD、KNN均為線性判別；依據(jù)判別的標(biāo)準(zhǔn)不同，線性判別可以分為距離判別、Fisher判別、BD等，如KNN是一種距離判別，它計(jì)算在最近鄰域中 K 個(gè)已知樣本到未知待判別樣本的距離。而蘋果內(nèi)部組織結(jié)構(gòu)復(fù)雜，光在蘋果組織中的傳輸特性是一種復(fù)雜的非線性結(jié)構(gòu)[35]。擁有突出非線性映射能力的LSSVM能夠優(yōu)于其他線性方法較好的識(shí)別蘋果水心存在與否。

3 結(jié) 論

采用高光譜技術(shù)采集正常蘋果與水心病果的光譜特征，光譜校正后分別對(duì)其進(jìn)行SNV、DDFD等9 種光譜預(yù)處理方法，應(yīng)用PCA、Fast ICA、相關(guān)系數(shù)法3 種數(shù)據(jù)降維方法，使用BD、MD、QDA、KNN、LSSVM在內(nèi)的5 種模式識(shí)別方法建模分析和識(shí)別，意在找出最佳快速識(shí)別模型。結(jié)果顯示，當(dāng)主成分個(gè)數(shù)為15時(shí)，SNV-PCALSSVM和MSC-PCA-LSSVM在所有方法中是最優(yōu)的，校正集概率和預(yù)測(cè)集識(shí)別率分別為100%和91.2%。并且，其他特征提取方法下的最高校正集概率與預(yù)測(cè)集概率也都超過了80%，結(jié)果表明，高光譜技術(shù)可以用于新疆冰糖心紅富士的水心鑒別，也為進(jìn)一步開發(fā)相關(guān)快速識(shí)別設(shè)備提供了理論方法與實(shí)驗(yàn)依據(jù)。