孫海霞，張淑娟，劉蔣龍，陳彩虹，李成吉，邢書海

(山西農業(yè)大學 工學院，山西 太谷 030801)

黑斑病是一種由真菌浸染而引發(fā)的鮮棗常見病，黑斑病果表面出現(xiàn)褐色至黑色的大小不一的不規(guī)則病斑，病變組織為淺黃色或褐色，果肉變苦變硬[1，2]。目前，消費者對水果的營養(yǎng)性、安全性的要求逐漸提高。黑斑病棗果的質量下降，經(jīng)濟價值降低，嚴重影響棗果的定質定價。

病害檢測是水果安全檢測的一項重要內容。目前，黑斑病果的分選主要采用人工識別的方式，效率低且難以精確分選。高光譜成像技術具有快速、無損、實時等優(yōu)點，已成功應用于柑橘[3]、蘋果[4]等水果病害檢測中。在鮮棗外部品質檢測中，主要針對鮮棗外部損傷[5]、蟲害[6]、裂紋[7]進行了相關研究，以實現(xiàn)各類缺陷和完好樣本的分類。在光譜建模方面，由于不同年份下，果樹的生長環(huán)境等存在一定差異，會影響果實的質量，致使果實的光譜響應存在一定差異，但對鮮棗外部缺陷特征識別的影響還不確定。在建模方法中，卷積神經(jīng)網(wǎng)絡作為一種典型的深度學習技術，可抽取更多的抽象特征，在圖像處理等方面已很好的被應用[8，9]。高光譜成像中光譜通道數(shù)量多、空間變異性大，Chen等[10]將卷積神經(jīng)網(wǎng)絡(Convolutional Neural Networks，CNN)用于高光譜分類中，從而使水果CNN高光譜檢測有了可行性依據(jù)。

為實現(xiàn)鮮棗黑斑特征的高效穩(wěn)定識別，本研究利用高光譜成像技術，采集不同年份的完好和黑斑鮮棗的光譜信息，通過全部波段和特征波段，采用偏最小二乘判別分析(Partial Least Squares-Discriminant Analysis，PLS-DA)和誤差反向傳播神經(jīng)網(wǎng)絡(Back Propagation Neural Networks，BP-NN)進行單一年份和聯(lián)合年份的病害判別，尋找穩(wěn)健的識別模型。然后，采用連續(xù)投影算法(Successive Projections Algorithm，SPA)提取特征波長并建立判別模型。最后，進行主成分分析，針對主成分圖像采用BP-NN和CNN建立病害判別模型。

1 材料與方法

1.1 試驗材料

2016年和2017年的鮮棗收獲期，在山西省太谷縣小白村果園采集黑斑和完好壺瓶棗樣本，采后當天運達實驗室。然后篩選樣本，每年試驗中分別選定240個試驗樣本，其中120個完好樣本、60個輕度黑斑樣本、60個重度黑斑樣本。將黑斑區(qū)域顏色淺，黑斑分布分散，黑斑面積小于50%的樣本定義為輕度黑斑棗。黑斑區(qū)域顏色深，黑斑分布集中，黑斑面積大于等于50%的樣本定義為重度黑斑棗。每年試驗中，按照3∶1的比例，采用Kennard-Stone算法[11]劃分校正集和預測集。因此，本研究中校正集樣本為360個，預測集樣本為120個(60個完好樣本，30個輕度黑斑樣本，30個重度黑斑樣本)。

1.2 儀器設備

試驗中采用北京卓立漢光公司開發(fā)的“蓋亞”高光譜分選儀，波段范圍為900～1 700 nm，主要有Image-λ-N17E光譜相機、4個35 W的溴鎢燈、計算機、電移動平臺、暗箱組成。為避免信息過度飽和與成像失真現(xiàn)象，設置曝光時間t=0.13 s，樣本與鏡頭的距離h=200 mm，傳送帶移動速度v=7.2 mm·s-1。為了消除光強變化和暗流對成像的影響，光譜采集前進行黑白板校正[12]。

1.3 統(tǒng)計分析

本研究采用SPA提取特征波長，采用PLS-DA、BP-NN、CNN進行數(shù)據(jù)建模。SPA[13]是一種以較小信息量表達大量數(shù)據(jù)的降維方法，能有效消除數(shù)據(jù)間存在的共線性問題并避免重疊信息的重復提取。

PLS-DA[14]是將偏最小二乘法和線性判別分析法相結合的多變量統(tǒng)計分析方法，采用交叉驗證得到最優(yōu)主成分個數(shù)，然后進行線性判別分析，解決回歸分析中自變量多重共線性的問題。本研究中，根據(jù)交互檢驗選取主成分，設定最多主成分數(shù)為10，做10折交互檢驗。

BP-NN[15]是按照誤差逆向傳播算法訓練的多層前饋神經(jīng)網(wǎng)絡，具有任意復雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力，解決了簡單感知器不能解決的異或等問題。本研究中，設定網(wǎng)絡隱層和輸出層激勵函數(shù)分別為tansig和purelin函數(shù)，網(wǎng)絡訓練函數(shù)為trainlm函數(shù)，隱層神經(jīng)元數(shù)設為6。網(wǎng)絡迭代次數(shù)為1 000次，期望誤差為0.0001，學習速率為0.1。

CNN[16，17]的基本結構包括特征提取層和特征映射層，是在BP神經(jīng)網(wǎng)絡基礎上的改進。在CNN中，某個神經(jīng)單元的感知區(qū)域來自于上層的部分神經(jīng)單元，同一特征平面實現(xiàn)權重共享，權值共享降低了網(wǎng)絡的復雜性，降低了過擬合的風險。本研究中，CNN的結構包括輸入層，2層卷積層和降采樣層，全連接層，輸出層，基本結構見圖1。輸入圖像大小為28×28，特征映射結構采用影響函數(shù)核小的sigmoid函數(shù)作為卷積網(wǎng)絡的激活函數(shù)，1層卷積的特征圖數(shù)量為6，2層卷積的特征圖數(shù)量為12，卷積核大小為5×5，降采樣層采用2×2的臨域相連接，學習效率為1，批訓練樣本數(shù)量為10，每批訓練中迭代次數(shù)為720。

圖1 CNN結構Fig.1 CNN Structure

2 結果與分析

2.1 光譜分析

提取樣本感興趣區(qū)域內的光譜信息，并計算其平均值，作為每個樣本的光譜信息。2016年和2017年，所采集到的完好棗、輕度和重度黑斑棗的平均光譜曲線見圖2。由于900～940 nm、1 660～1 700 nm含有大量的噪聲，因此選擇940～1 660 nm范圍內的光譜進行分析。同一類別中，2016年和2017年的光譜曲線變化趨勢一致，但是反射率存在一定的差異，特征吸收峰出現(xiàn)輕微偏移。完好棗在980 nm左右處和1 224 nm左右處有明顯的水分子吸收峰。黑斑病果，果肉變硬，味道變苦，內部成分變化。在960～1 380 nm范圍內，完好棗、和黑斑棗的光譜曲線有較大差異，與病害發(fā)生中的果實內部水分含量和碳水化合物的變化有關。

圖2 樣本的平均光譜曲線Fig.2 Average spectral curves of samples

2.2 基于光譜信息的識別模型建立

為研究不同年份下的樣本所建校正模型的預測性能，針對全波段光譜，分別用2016年、2017年的校正集樣本建立PLS-DA、BP-NN模型(表1)。單一年份所建的BP-NN校正模型在預測相同年份的樣本時，判別正確率為100%。2016年BP-NN模型預測2017年樣本時，正確率為95.0%(3個輕度黑斑病的樣本被判別為完好棗)。2017年BP-NN模型預測2016年樣本時，正確率為96.7%(2個完好棗被判別為黑斑棗)。2016年PLS-DA模型預測2016年樣本時，正確率達到98.3%(1個輕度黑斑樣本被判別為完好樣本)；預測2017年樣本時，正確率為95.0%(3個輕度黑斑樣本被判別為完好樣本)。2017年PLS-DA校正模型，預測2017年樣本時，判別正確率為100%；但預測2016年樣本時，判別正確率僅為66.7%(20個完好棗被判別為黑斑棗)。單一年份校正模型預測時，主要出現(xiàn)輕度黑斑棗和完好棗的錯誤判別。由于黑斑程度低時，樣本內部組分的改變少，所引起光譜響應的差異性小，且不同年份下完好樣本的光譜響應也存在一定差異性，導致完好棗和輕度黑斑棗易判別錯誤。不同年份所建模型對當年樣本判別時取得好的預測結果，但對其它年份樣本的預測結果較本年份低。兩年聯(lián)合建立的BP-NN和PLS-DA校正模型得到相同結果，綜合判別正確率均為99.2%；預測2017年樣本時，均有1個輕度黑斑樣本被判別為完好樣本。但是單一年份建模時，BP-NN模型的預測性能均好于PLS-DA模型。因此，在鮮棗黑斑特征識別中，BP-NN較PLS-DA有更好的預測效果。聯(lián)合年份的預測效果較單一年份好，表明年份是校正模型穩(wěn)定性的一個影響因素，主要由于不同年份下的生長條件(如光照、溫度等)差異導致同類樣本的光譜信息存在差異，單一年份所建校正模型預測其它年份同類樣本時易出現(xiàn)錯誤識別；同時聯(lián)合年份所建校正模型，樣本的增多也適度提高了模型的性能。

表1 基于全波段的PLS-DA和BP-NN模型的判別結果Table 1 The results of PLS-DA, BP-NN models based on full wavelengths

針對兩年聯(lián)合光譜數(shù)據(jù)，采用SPA提取特征波長，當RMSE為0.11818時，提取到8個特征波長，分別為1 291、1 094、1 367、947、1 469、1 422、969、1 520 nm，其重要程度依次遞減。然后采用BP-NN建立檢測模型，當均方誤差為0.0016013，迭代次數(shù)為18時，SPA-BP-NN模型的判別正確率為100%。表明特征波長較全波長建模效果好，該研究的全波段中存在一定噪聲。因此，有效變量信息選擇、運算速度提高、算法穩(wěn)定性與可靠性，也是模型穩(wěn)定性的一個重要影響因素。

2.3 基于圖像信息的CNN識別模型建立

對SPA提取到的8個特征波長所對應的圖像進行主成分分析，累計貢獻率見表2。典型樣本的主成分圖像見圖3，噪聲從第4個主成分圖像開始嚴重。而前3個主成分的累積貢獻率已達到99.1%，可以很好的解釋樣本信息變量。因此，選擇前3個主成分進行分析。PC1的圖像中樣本和背景的對比明顯，PC3圖像中病害區(qū)域和完好區(qū)域對比明顯。因此，選擇兩年所提取到的28×28感興趣區(qū)域的PC3的圖像進行分析。提取每個樣本PC3圖像的灰度值并將數(shù)據(jù)歸一化，采用BP-NN和CNN建立分類模型。

基于主成分圖像所建立BP-NN和CNN模型的判別結果見表3。BP-NN模型在均方誤差為0.99343，迭代次數(shù)為3時，判別正確率達到78.3%，13個完好棗(2016年3個，2017年10個)被判別為黑斑棗，13個黑斑棗(2016年7個，2017年6個)被判別為完好棗。CNN判別中，隨著學習次數(shù)的增加，均方誤差整體上呈下降趨勢，當?shù)螖?shù)為15 393時基本收斂到穩(wěn)定值。當?shù)螖?shù)為25 920，均方誤差為0.0059時，有8個完好棗(2016年6個，2017年2個)被判別為黑斑棗，有4個黑斑棗(2017年4個)被判別為完好棗，判別正確率為90.0%。CNN模型的判別正確率明顯好于BP-NN，在基于高光譜成像技術的農產(chǎn)品質量檢測中有較好的應用前景?；诠庾V信息的SPA-BP-NN黑斑鮮棗識別和基于圖像信息的CNN識別均取得好的結果，未來的研究將在此基礎上，建立適用于工業(yè)生產(chǎn)中在線分選的穩(wěn)定模型。

表2前8個主成分的累積貢獻率

Table2 Accumulative contribution rate of the first eight principal component

主成分Principal component特征值Eigenvalues累積貢獻率/%Accumulative contribution rate10.006 91591.620.000 48898.130.000 07499.140.000 02999.550.000 01599.760.000 0199.870.000 00999.980.000 007100.0

圖3 黑斑樣本的主成分圖像Fig.3 Principal components grayscale of diseased samples

表3 BP-NN和CNN模型的判別結果Table 3 The results of BP-NN, CNN models

3 結論

本研究基于高光譜成像技術進行黑斑鮮棗識別，采用PLS-DA和BP-NN建立全波段的識別模型。單一年份所建校正模型，對其他年份的樣本進行判別時，均比對相同年份樣本的判別準確率低；聯(lián)合年份所建的校正模型均比單一年份所建校正模型的整體判別準確率高，且PLS-DA和BP-NN模型的判別準確率都達到了99.2%。但單一年份所建模型中BP-NN較PLS-DA的判別精度高。表明收獲年份是一個影響光譜校正模型的重要因素。基于聯(lián)合年份的光譜信息，采用SPA提取特征波長，建立SPA-BP-NN模型，識別準確率為100%，明顯好于全部波段所建模型?；赟PA提取的特征波長獲得主成分圖像，采用BP-NN和CNN建立識別模型，判別準確率分別為78.3%和90.0%?；诠庾V信息的SPA-BP-NN和基于圖像信息的CNN黑斑鮮棗識別均取得好的結果。因此，高光譜成像技術和CNN在農產(chǎn)品的分類中具有很好的應用前景，為進一步設計分類裝置并實現(xiàn)工業(yè)生產(chǎn)中實時在線分選提供了理論基礎。