王婉嬌 賀曉光 王松磊 劉貴珊 吳龍國

（寧夏大學農(nóng)學院，寧夏 銀川 750021）

靈武長棗又名馬牙棗，產(chǎn)于寧夏靈武，是寧夏具有地方特色的農(nóng)產(chǎn)品之一。色紅個大，果實呈長橢圓形或圓柱形，果鮮味美，質(zhì)地酥脆，為鮮食水果的“果中之王”，營養(yǎng)豐富，具有良好的養(yǎng)生功效，深受消費者喜歡，成為寧夏特色產(chǎn)品之一［1］。因其在生長發(fā)育過程中不可避免會受到各種病蟲害和自然環(huán)境的影響，出現(xiàn)蟲害裂痕等常見缺陷，從而影響長棗的銷售量和可食率。而傳統(tǒng)的人工與機械的檢測手段耗時費力、效率低，對棗果易造成損傷，并且衛(wèi)生質(zhì)量難以達標，無法滿足其商品化需求，制約了寧夏長棗產(chǎn)業(yè)的長遠發(fā)展［2］。為了保證并促進棗果產(chǎn)業(yè)的迅速發(fā)展，長棗的采后檢測顯得尤為重要，不但要降低檢測成本，同時對檢測技術(shù)也提出了更高的要求，可實時、在線、快速、無損地檢測長棗品質(zhì)的光譜技術(shù)成為了目前研究的熱點。

近紅外光譜技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測方面應用廣泛，但是檢測區(qū)域局限，且無法獲取待測樣品的圖像信息。新一代集中了光學、光電子學、電子學、信息處理、計算機科學等領域的無損檢測技術(shù)——高光譜成像技術(shù)，具有“快速、準確、無損、環(huán)?！钡葍?yōu)勢，可同時獲取農(nóng)產(chǎn)品的光譜與圖像信息，并對其綜合品質(zhì)進行全面、快速、無損的檢測，彌補傳統(tǒng)檢測法的缺陷與近紅外光譜技術(shù)的不足，滿足了對農(nóng)產(chǎn)品常見缺陷進行實時、快速、無損檢測的需求［3］。近年來，國內(nèi)外學者利用高光譜成像技術(shù)對農(nóng)產(chǎn)品檢測做了大量的研究。Kangjin Lee［4］、Xing Juan［5］、Yasasvy N［6］、Qin Jian-wei［7］等 分 別 利用高光譜圖像技術(shù)檢測蘋果表面斑點缺陷、櫻桃蟲害、草莓損傷、柑桔潰爛等；蘇文浩［8］、薛龍［9］、思振華［10］等分別利用高光譜圖像技術(shù)檢測馬鈴薯外部缺陷、梨表面壓傷、羊肉表面污染等。目前，對棗類品質(zhì)方面的研究越來越積極，余克強［11］、劉聰［12］、吳龍 國［13］等 分 別 利 用 高 光 譜 成 像 技 術(shù) 實 現(xiàn)了鮮棗裂紋的位置及大小信息特征的定性判別和定量識別的研究、應用近紅外光譜建立了室溫貯藏下鮮棗內(nèi)部霉菌菌落總數(shù)變化的動力學模型、對靈武長棗的含水量進行了無損檢測研究，并對比了不同建模效果，從而優(yōu)選出最佳預測模型，為今后的長棗品質(zhì)在線檢測提供了理論依據(jù)。而結(jié)合光譜技術(shù)對棗類缺陷方面的主要研究有：王斌［14］、徐爽［15］、Zhang Shu-juan［16］等利用高光譜成像技術(shù)對腐爛、病害及正常的梨棗進行了建模分類；研究了長棗表面蟲害的檢測與識別；通過建立多元散射校正—連續(xù)投影—主成分分析—最小二乘支持向量機模型對新鮮棗細微損傷進行辨別。以上研究中關于高光譜圖像處理的方法大多是PCA法，目前對于MNF法應用于農(nóng)產(chǎn)品無損檢測方面的研究鮮有報道，而關于樣本背景對圖像識別的影響方面的研究少見。

本試驗利用近紅外高光譜成像系統(tǒng)對120個樣本棗進行圖像采集，采用PCA法與MNF法結(jié)合未去背景與掩模去背景兩種算法模型對長棗進行識別檢測，以探討利用高光譜成像技術(shù)結(jié)合PCA法與MNF法對長棗缺陷識別的可行性，研究兩種降維去噪方法的掩模去背景與不去背景對長棗缺陷識別是否存在差異，以探討樣本背景干擾對高光譜圖像缺陷識別的影響，從而優(yōu)選出更適合的算法模型，以提高長棗缺陷檢測的精確度，實現(xiàn)商品的優(yōu)質(zhì)優(yōu)價。

1 材料與方法

1.1 試驗材料

寧夏靈武長棗，通過手摘方式采摘了120個樣本，其中蟲眼棗26個，裂痕棗44個，正常棗50，置于4℃冰箱貯藏；試驗時，將所有樣本從冰箱中取出，進行清洗、晾干、編號，采集高光譜圖像信息。

1.2 試驗裝置

高光譜成像光譜儀（北京卓立漢光儀器有限公司）。該高光譜成像系統(tǒng)由5部分組成，包括成像光譜儀（Imspector N17E型，芬蘭Spectral Imaging Ltd公司）、CCD相機（Models XC-130 100Hz型，以色列Ophir Optronics Solutions Ltd公司）、光纖鹵素燈（HSIA-LS-TDIF型，北京Zolix公司）、電控載物平臺（PSA200-11-X型，北京Zolix公司）、計算機（聯(lián)想Inter（R）Core i7-2600CPU＠3.40GHz，RAM 4.00G）。其波長范圍為900～1 700nm，可獲取256個波段光譜，光譜分辨率為5nm，圖像分辨率為320×300。

1.3 數(shù)據(jù)采集分析軟件

高光譜圖像數(shù)據(jù)的采集為設備自帶的Spectral-SENS軟件；數(shù)據(jù)處理采用 ENVI4.6（Research System Inc.，Boulder，Colo.，USA）軟件；目標識別采用 Matlab R2009b（The Mathworks Inc，Natick，MA，USA）軟件。

1.4 采集高光譜圖像

1.4.1 圖像標定 由于各波段下的光源強度分布不均、待檢對象形態(tài)各異以及傳感器中暗電流的存在，導致在光源強度分布較弱的波段下采集到的圖像噪聲明顯，造成數(shù)據(jù)信息冗余，且不同波長下圖像的亮度存在較大差異，因此，需要對獲得的高光譜圖像進行黑白標定［17］。標定公式如下：

式中：

I——樣本原始光譜圖像；

W——全白的標定圖像；

D——全黑的標定圖像；

R——經(jīng)過標定后的光譜圖像。

1.4.2 參數(shù)確定 為保證圖像質(zhì)量，針對存在表征差異的不同水果，采集圖像前需設定合適的參數(shù)。為避免高光譜圖像分辨率失真，保證圖像清晰度，通過CCD相機的掃描頻率確定電控位移平臺的測試速度和距離［18］。經(jīng)過反復調(diào)試和比對，最終確定測試參數(shù)：光源的穩(wěn)流設置為6.2A，掃描距離為180mm，曝光時間為10ms，物距約為385mm，掃描速度設定為15mm/s。

1.4.3 圖像采集 對樣本棗進行分類編號，每8個長棗樣本為一組，按照一定的順序排列放置于電控位移平臺上，關閉暗箱門，連接電機，電控位移平臺通過移動，掃描獲取樣本棗的高光譜圖像，圖1所示為樣本棗的原始圖像與采集分割后單個棗的高光譜圖像對比圖。

圖1 樣本棗的原始圖像與高光譜圖像Figure 1 The original images and hyperspectral image

1.5 數(shù)據(jù)處理方法

1.5.1 主成分分析 主成分分析法（principal component analysis，PCA），又被稱為主分量分析法，在數(shù)學上也被稱為K-L變換，是一種對多維數(shù)據(jù)進行有效降維的統(tǒng)計方法。它借助于正交線性變換，從大量冗余數(shù)據(jù)中篩選出少數(shù)互不相關的主成分信息重新組合成一組新的內(nèi)容互不重疊的主成分圖像，減少重復信息的同時又使圖像信息得到增強，保留了對方差貢獻最大的特征，盡可能在原始信息損失最小的前提下將多變量變換為盡可能少的互不相關的新變量，達到數(shù)據(jù)降維的目的［19］。由主成分分析原理可知，每個PC圖像都是基于協(xié)方差等于零的前提下由高光譜所有波段下的原始圖像與對應的權(quán)重系數(shù)乘積之和形成的［20］，如式（2）所示：

式中：

PCm——第m主成分圖像；

ai——第i個權(quán)重系數(shù)；

Ii——第i個波段圖像；

n——原始圖像波段數(shù)。

1.5.2 最小噪聲分離 最小噪聲分離法［21］（minimum noise fraction，MNF）是由Green和Berman提出的，是一種能夠有效降低高光譜數(shù)據(jù)維數(shù)和分離噪聲的方法；即以最大化信噪比（signal to noise ratio，SNR）為衡量準則對主成分變換進行改進，不但能判斷圖像數(shù)據(jù)的內(nèi)在特征維數(shù)，而且能將目標和噪聲有效地分離出來［22］。采用最小噪聲分離變換就是為了得到一系列信噪比由大到小排列的新圖像，去除噪聲的同時還可降低數(shù)據(jù)之間的相關性。MNF法本質(zhì)上是含有兩次PCA處理的正交變換，但跟主成分分析又有明顯差異，MNF變換后得到的向量元素間無相關性，第一分量集中了大量樣本信息，MNF處理過的圖像按照信噪比從大到小排列，質(zhì)量隨著波段數(shù)的增加逐漸下降，從而可降低噪聲對圖像質(zhì)量的影響［23］，其原理如式（3）所示：

式中：

TMNF——MNF的變換矩陣；

P——變換矩陣；

U——由特征向量組成的正交矩陣；

∑N——噪音的協(xié)方差矩陣；

DN——∑N的特征值按照降序排列的對角矩陣；

T——轉(zhuǎn)置變換；

V——由特征向量組成的正交矩陣。

2 結(jié)果與分析

2.1 圖像數(shù)據(jù)分析

本試驗中，采用設備自帶的Spectral-SENS軟件獲取樣本棗的高光譜圖像，通過ENVI4.6數(shù)據(jù)處理軟件對120個長棗圖像進行主成分分析和最小噪聲分離。圖2為未掩模與掩模后長棗的前3個主成分圖（PC1～PC3）和最小噪聲分離圖（M1～M3）。

圖2 掩模前后的PC圖與M圖Figure 2 PC and M images before and after the mask

由圖2可知：① 掩模后的圖像，可以降低背景噪聲的干擾，使棗果輪廓更加清晰；② 對于正常棗、裂痕棗、蟲眼棗的PC圖來說，3種類型長棗的PC3圖像噪聲干擾比較嚴重，輪廓模糊，缺陷部位難以進行識別；正常棗與蟲眼棗的PC1相比PC2而言，包含棗果大部分特征信息，輪廓清晰，并且蟲眼部位特征突出；而裂痕棗的PC1圖雖然輪廓清晰，但光照影響嚴重，相反PC2圖缺陷位置明顯易于進一步識別。因此，選擇正常棗與蟲眼棗的PC1圖、裂痕棗的PC2圖進行后期圖像識別。③ 對于正常棗、裂痕棗、蟲眼棗的 M圖來說，3種類型棗的M圖比PC圖更加清晰，噪音干擾??；通過對比3種類型的M1～M3圖發(fā)現(xiàn)，蟲眼棗的M1圖像優(yōu)于M2、M3圖，蟲眼部位與正常部位對比明顯；裂痕棗的 M1圖像亮斑覆蓋面積大，缺陷部位顯示不明顯，不利于缺陷的檢測識別，M3圖像光照與缺陷部位重合，不利于進一步識別；正常棗的M1圖像輪廓清晰，易于進行識別；因此，選擇正常棗與蟲眼棗的M1圖像、裂痕棗的M2圖像進行識別。

綜上所述，選取正常棗、蟲眼棗、裂痕棗的PC與M圖像分別為PC1、PC1、PC2，M1、M1、M2，進而進行后期的圖像識別。

2.2 特征目標識別

通過對主成分圖像與最小噪聲圖像的分析，利用Matlab軟件對正常棗與蟲害棗的PC1、M1，裂痕棗的PC2、M2圖像進行逐一識別。以裂痕棗為例，采用最小噪聲分離法對掩模與未掩模的M圖像進行分析，見圖3。首先，對裂痕棗選擇進行掩模（閾值0.2），獲得掩模圖像；然后分別對未掩模與掩模的裂痕棗圖像進行最小噪音分離，得到M1～M3圖，選取M2經(jīng)圖像取反、二值化、膨脹、連通度分析等方法進行圖像識別；最終以圖中缺陷位置是否出現(xiàn)白色為識別標準，缺陷部位白色出現(xiàn)，判為識別；未出現(xiàn)白色，則認為未識別。同理，對正常棗和蟲眼棗進行識別，蟲眼棗以蟲眼部位是否出現(xiàn)白點為識別標準（雜點忽略不計），而正常棗則以未出現(xiàn)白點為識別。

圖3 蟲害識別流程圖Figure 3 Flow chart of insect pests recognition

2.3 目標識別結(jié)果

根據(jù)蟲害識別流程圖（圖3）的步驟對120個長棗逐個進行了識別，如識別結(jié)果（表1）所示，正常棗、蟲眼棗、裂痕棗經(jīng)PCA法處理后，掩模與未掩模的識別率相同，說明不受背景干擾；而3種類型長棗經(jīng)MNF法處理，正常棗的識別不受背景的影響，裂痕棗與蟲眼棗受背景影響顯著，蟲眼棗、裂痕棗未掩模的識別率分別為69.2%，56.8%；而掩模后的識別率分別為73.1%，65.9%。通過對結(jié)果分析可知：正常棗的PCA與MNF識別效果相同，同時不受背景的影響；而裂痕棗、蟲眼棗的PCA與MNF的識別效果差異明顯，MNF分析受背景影響顯著，主要可能是背景中噪音信息造成的。

表1 樣本棗的識別結(jié)果Table 1 Sample date identification results

表1 樣本棗的識別結(jié)果Table 1 Sample date identification results

NM.未掩模去背景；M.掩模去背景。

棗類型 樣本數(shù)/個PCA MNF NM M蟲害棗NM M 120 300 300 226 239 26 100 100 69.2 73.1裂痕棗 44 100 100 56.8 65.9正常棗 50 100 100 100 100合計

3 結(jié)論

本試驗采用高光譜成像技術(shù)結(jié)合PCA法與MNF法，對比了掩模去背景與未掩模去背景長棗高光譜圖像的缺陷識別效果，探討了樣本背景對高光譜圖像缺陷識別的影響，結(jié)果表明：對于正常棗而言，無論是PCA法還是MNF法，背景對識別效果的影響不顯著。對于裂痕棗與蟲眼棗的MNF法識別，掩模效果顯著，蟲眼棗的識別率由69.2%增加到73.1%，裂痕棗的識別率從56.8%增長到65.9%。而且，通過對比2種分析方法可以看出，PCA法對長棗的缺陷識別效果優(yōu)于MNF法。

本試驗對靈武長棗的蟲眼棗、裂痕棗及正常棗的識別結(jié)果PCA方法效果優(yōu)于MNF方法，但在本文中沒有體現(xiàn)出MNF法的優(yōu)勢。其原因主要有：① 受樣本自身表皮影響：棗果面積小，顏色暗，且表面光滑易導致得到的高光譜圖像缺陷周圍形成亮斑，由于缺陷部位對光的吸收使得缺陷部位不明顯，而PCA法作用于高光譜圖像后恰好又將亮斑影響濾去，使得缺陷部位較明顯突出，從而易被識別；② 由于高光譜儀器內(nèi)部光源的安裝及結(jié)構(gòu)因素，使得面積本來就小的棗果表面覆蓋亮斑，影響部分高光譜圖像的采集效果，從而導致后續(xù)程序處理中因為不同方法在原理上的區(qū)別而存在差異；③ 在實際應用中，高光譜圖像數(shù)據(jù)的降維壓縮一般傾向于主成分分析法，但當需要識別和分離數(shù)據(jù)中的噪聲，降低高光譜數(shù)據(jù)處理計算量時，MNF發(fā)揮的去噪作用會更好。而本次試驗得到的結(jié)果，并非說明MNF法沒有PCA法好，本研究在圖像處理方法上為長棗常見缺陷的快速無損檢測提供了導向和數(shù)據(jù)支持，并從側(cè)面說明了可能PCA法更適合靈武長棗的缺陷識別。下一步將對MNF法進行深入的研究應用，并嘗試采集大量樣本，進一步去驗證該識別算法的可靠性，以及探究如何能更好的發(fā)揮并體現(xiàn)MNF法應用于農(nóng)產(chǎn)品無損檢測方面的潛在優(yōu)勢。

1 徐爽，何建國，易東，等.基于高光譜圖像技術(shù)的長棗糖度無損檢測［J］.食品與機械，2012，28（6）：168～170.

2 劉燕德，張光偉.高光譜成像技術(shù)在農(nóng)產(chǎn)品檢測中的應用［J］.食品與機械，2012，28（5）：223～242

3 JohnsonⅢ Owen N，Slidell Mark，Kreishman Peter，et al.Hyperspectral imaging：an emerging technology as a potential novel adjunct in assessing peripheral perfusion deficits and success of lower extremity revascularizations［J］.Journal of the American College of Surgeons（S1072－7515），2008，207（3）：S114.

4 Kangjin Lee，Sukwon Kang，Stephen R Delwiche，et al.Correlation analysis of hyperspectral imagery for multispectral wavelength selection for detection of defects on apples［J］.Sensing and Instrumentation for Food Quality and Safety，2008，2（2）：90～96.

5 Xing Juan，Guyer Daniel，Ariana Diwan，et al.Determining optimal wavebands using genetic algorithm for detection of internalinsect infestation in tart cherry［J］.Sens.＆Instrumen.Food Qual，2008，28（2）：161～167.

6 Yasasvy Nanyam，Ruplal Choudhary，Lalit Gupta，et al.A decision-fusion strategy for fruit quality inspection using hyperspectral imaging［J］.Biosystems Engineering，2012，111（1）：118～125.

7 Qin Jian-wei，Thomas F B，Mark A R，et al.Detection of citrus canker using hyperspectral reflectance imaging with spectral information divergence［J］.Journal of Food Engineering，2009，93（2）：183～191.

8 蘇文浩，何建國，劉貴珊，等.近紅外高光譜圖像技術(shù)在馬鈴薯外部缺陷檢測中的應用［J］.食品與機械，2013，29（5）：1～9.

9 薛龍，黎靜，劉木華.利用高光譜圖像技術(shù)檢測梨表面碰壓傷的實驗研究［J］.糧油加工，2009（4）：136～138.

10 思振華，何建國，劉貴珊，等.基于高光譜圖像技術(shù)的羊肉表面污染無損檢測［J］.食品與機械，2013，29（5）：75～79.

11 余克強，趙艷茹，李曉麗.基于高光譜成像技術(shù)的鮮棗裂紋的識別研究［J］.光譜學與光譜分析，2014，34（2）：532～537.

12 劉聰，郭康權(quán)，張強，等.基于近紅外光譜的室溫貯藏下鮮棗霉菌污染動力學模型［J］.農(nóng)業(yè)工程學報，2013，29（1）：278～284.

13 吳龍國，何建國，劉貴珊，等.基于近紅外高光譜成像技術(shù)的長棗含水量無損檢測［J］.光電子·激光，2014，25（1）：135～140.

14 王斌，薛建新，張淑娟.基于高光譜成像技術(shù)的腐爛、病害梨棗檢測［J］.農(nóng)業(yè)機械學報，2013，44（1）：205～209.

15 徐爽，易東.利用高光譜成像技術(shù)檢測長棗表面蟲傷［J］.電子制作，2013（21）：47～48.

16 Zhang Shu-juan，Zhang Hai-hong，Zhao Yan-ru，et al.A simple identification model for subtle bruises on the fresh jujube based on NIR spectroscopy［J］.Mathematical and Computer Modelling，2013，58（3～4）：545～550.

17 吳龍國，何建國，劉貴珊，等.基于NIR高光譜成像技術(shù)的長棗蟲眼無損檢測［J］.發(fā)光學報，2013，11（34）：1 527～1 532.

18 趙杰文，劉劍華，陳全勝，等.利用高光譜圖像技術(shù)檢測水果輕微損傷［J］.農(nóng)業(yè)機械學報，2008，39（1）：106～109.

19 Lu Ren-fen.Nondestructive measurement of firmness and soluble solids content for apple fruit using hyperspectral scattering images［J］.Sens ＆Instrumen Food Qual，2007（1）：19～27.

20 蔡健榮，王建黑，陳全勝，等.波段比算法結(jié)合高光譜圖像技術(shù)檢測柑橘果銹［J］.農(nóng)業(yè)工程學報，2009，25（1）：127～131.

21 Green A A，Berman M，Switzer P，et al.A transformation for ordering multispectral data in terms of image quality with implications for noise removal［J］.IEEE Transactions on Geoscience and Remote Sensing，1988，26（1）：65～74.

22 肖雄斌，厲小潤，趙遼英.基于最小噪聲分離變換的高光譜異常檢測方法研究［J］.計算機應用于軟件，2012，29（4）：125～128.

23 趙杰文，陳全勝，林顥，等.現(xiàn)代成像技術(shù)及其在食品、農(nóng)產(chǎn)品檢測中的應用［M］.北京：機械工業(yè)出版社，2010：72～74.