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，此時可以發(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進(jìn)一步加重水心，并且水心會隨著貯藏時間的推移而減少[4]，輕微染病果的水心甚至?xí)В珖?yán)重染病果會由于時間的變化而產(chǎn)生病組織褐變影響蘋果的品質(zhì)，甚至?xí)斐墒称钒踩[患。國內(nèi)的水心病檢測主要還是以人工經(jīng)驗(yàn)外觀鑒別為主，識別率不能保證，因此需要一種可靠性高、無損、快捷的方法用來對其檢測鑒別，從而使水心病果能發(fā)揮其最大的經(jīng)濟(jì)價值。

迄今，已經(jīng)有不少的國內(nèi)外研究人員對蘋果水心病的無損檢測進(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，有些耗時較長，有些甚至識別率不可靠，大部分都處在實(shí)驗(yàn)室初級階段，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)用在各個領(lǐng)域，如農(nóng)產(chǎn)品無損檢測[17]、土壤成分檢測[18]、摻假鑒定[19]、環(huán)境監(jiān)測[20]、產(chǎn)量預(yù)測[21]、農(nóng)作物病害[22]等。在農(nóng)產(chǎn)品檢測領(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農(nóng)產(chǎn)品的內(nèi)部品質(zhì)進(jìn)行預(yù)測與分析；國內(nèi)外學(xué)者主要利用高光譜技術(shù)對蘋果的表面損傷[23]、硬度[24]、質(zhì)量[25]、大小[26]、 糖度[27]、粉質(zhì)化檢測[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）于2016年11月12日采摘自新疆阿克蘇地區(qū)紅坡農(nóng)場園藝分場的優(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)院無損檢測實(shí)驗(yàn)室，由中國臺灣五鈴光學(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、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，獲得被測物圖像清晰不模糊時的物距最佳參數(shù)值；其次，動態(tài)采集多幅圖像并保證樣本圖像不變形、不失真，確定其最佳曝光時間及平臺移動速度。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方向垂直，與光譜儀光軸基本保持垂直狀態(tài)。隨著載物臺的移動，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

對每一個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，正常蘋果樣本124 個。

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（中國臺灣五鈴光學(xué)有限公司）實(shí)現(xiàn)，ENVI 5.3軟件（美國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MathWorks公司），繪圖使用OriginPro 8軟件（美國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，故手動選取感興趣區(qū)，然后求得其平均光譜。將蘋果樣本兩個表面的光譜曲線取平均值作為每個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導(dǎo)致測得數(shù)據(jù)與真實(shí)數(shù)據(jù)存在偏差。因此需要對獲得的光譜進(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是將多個變量通過線性變換都投影到一個新的坐標(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)品無損檢測中，通過計(jì)算兩種不同波長的多種線性組合從而優(yōu)選出相關(guān)系數(shù)最大的波長進(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別，模式識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)測集，校正集依靠上述方法建立各種模式識別模型，預(yù)測集將通過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 個樣本，分別求得70 個樣本在380～1 004 nm之間的平均光譜曲線變化趨勢如圖2所示。2 類蘋果在絕大部分選定波長范圍下的吸光度強(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)在采集時也會受到各種儀器設(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)處理方法對原始光譜進(jìn)行預(yù)處理，意在消除各類因素對模型性能的干擾。

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 個主成分作為下一步模式識別的自變量。

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

Fast ICA能快速從信息冗余的光譜數(shù)據(jù)中提取少量有代表性的獨(dú)立信號分量建模分析，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每次從觀測信號中只分離一個獨(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。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 個波長，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)測集，校正集與預(yù)測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 個樣本、水心病果78 個樣本；預(yù)測集包括正常蘋果31 個樣本、水心病果26 個樣本。

2.3.1 基于PCA下的模式識別分類結(jié)果

由表3可知，不論是否經(jīng)過預(yù)處理方法，PCALSSVM的校正集識別率達(dá)到了100%，PCA-LSSVM預(yù)測集識別率都穩(wěn)定在85%以上，并且在SNV-PCA-LSSVM與MSC-PCA-LSSVM建模方法下預(yù)測集的識別率達(dá)到91.2%，是最高的模式識別方法。這也說明PCALSSVM模式識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)處理及多種模式識別下的蘋果類型識別率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)處理及多種模式識別下的識別率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)識別率87.7%，最低識別率為MWS-MD建模方式，預(yù)測集識別率最高的是歸一化預(yù)處理下的LSSVM模型，識別率為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)處理及多種模式識別下的識別率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)法波長篩選，歸一化預(yù)處理，LSSVM的建模集識別率為89.5%，預(yù)測集識別率達(dá)到82.5%，是基于相關(guān)系數(shù)分析下的最優(yōu)模式識別分類結(jié)果。

2.4 模型比較

PCA提取前15 個主成分?jǐn)?shù)；相關(guān)系數(shù)法篩選相關(guān)系數(shù)最高的前14 個波長；Fast ICA提取前14 個分量數(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 種模式識別方法建模分析和識別，意在找出最佳快速識別模型。結(jié)果顯示，當(dāng)主成分個數(shù)為15時，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)測集識別率分別為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)快速識別設(shè)備提供了理論方法與實(shí)驗(yàn)依據(jù)。