田有文,何 寬,姜鳳利,喬世成,宋士媛
(沈陽農(nóng)業(yè)大學(xué) 信息與電氣工程學(xué)院/遼寧省農(nóng)業(yè)信息化工程技術(shù)研究中心,沈陽 110161 )
藍(lán)莓產(chǎn)業(yè)近年來發(fā)展的比較迅速,其藍(lán)莓果獨特的口味與營養(yǎng)價值深受消費者喜愛[1]。 但一些問題仍亟需解決,如藍(lán)莓采后的分揀問題。 藍(lán)莓不易貯藏,貯藏期間容易腐爛病變并感染其他健康藍(lán)莓,造成一定的損失。因貯藏期間藍(lán)莓腐爛而造成的二次損失多達(dá)30%~50%。 造成藍(lán)莓腐爛病變的原因為:一是采摘時一些輕微腐爛病變的藍(lán)莓難以發(fā)現(xiàn),貯藏期間藍(lán)莓逐漸腐爛,感染其他健康藍(lán)莓導(dǎo)致?lián)p失嚴(yán)重;二是藍(lán)莓成熟期在6~8 月份屬于夏季高溫季節(jié),也是果蠅大量生長繁殖的時間,這一階段藍(lán)莓易遭受果蠅產(chǎn)卵,在貯藏期內(nèi)果蠅卵蛹化對藍(lán)莓造成破壞逐漸腐爛,造成更多的藍(lán)莓腐爛病變。 為此病害藍(lán)莓的分揀是藍(lán)莓銷售或加工前的一個重要環(huán)節(jié)。 傳統(tǒng)的藍(lán)莓病害檢測通常為理化分析檢測或人工肉眼檢測。 前者檢測時間長,且均有破壞性,后者檢測效率低、誤差大,且容易造成藍(lán)莓變軟或損傷。 這兩者都難以滿足藍(lán)莓在線分揀的要求,因此,研究藍(lán)莓病害無損檢測技術(shù)對藍(lán)莓的在線實時分揀、提高藍(lán)莓行業(yè)自動化水平和生產(chǎn)效益具有重要意義。
TRIZ 理論的科學(xué)效應(yīng)庫中包含許多推薦的解決問題方法,本研究屬于無損檢測技術(shù)類問題,通過TRIZ 的科學(xué)效應(yīng)庫找到科學(xué)效應(yīng)的功能代碼表中的代碼F20(檢查物體表面狀態(tài)和性質(zhì))。 F20 中推薦的科學(xué)效應(yīng)和現(xiàn)象有 H41(反射)、H38(發(fā)光體)、H45(感光材料)、H50(光譜)、H43(放射現(xiàn)象)等[2]。 綜合分析上述幾個方法,光譜是可以采納的方案,本研究選擇了高光譜成像技術(shù)檢測法。高光譜成像技術(shù)是近年來研究水果品質(zhì)無損檢測技術(shù)的熱點,其最大優(yōu)勢在于融合了圖像處理技術(shù)與光譜分析技術(shù),使分析結(jié)果更加全面。 圖像處理能夠反映水果的外表特征,而光譜分析則能分析水果不同化學(xué)成分,其在水果病害的無損檢測中得到廣泛應(yīng)用[3-13]。如LI等[11]利用高光譜成像技術(shù)對蘋果早期腐爛進(jìn)行檢測。采用主成分分析法(PCA)對可見光近紅外(400~1000nm)、可見光(400~780nm)和近紅外(781~1000nm)3 個光譜區(qū)域進(jìn)行了分析,提取了原始高光譜數(shù)據(jù)中的特征波長圖像,并提出了一種基于形態(tài)濾波、形態(tài)梯度重構(gòu)和標(biāo)記約束的改進(jìn)分水嶺分割算法。 利用該算法對220 個腐爛果和220 個健康果基于近紅外區(qū)域4 個特征波長波長的多光譜主成分分析(PC3)圖像進(jìn)行識別,腐爛果和健康果的準(zhǔn)確識別率分別為99%和100%。結(jié)果表明高光譜成像技術(shù)可以用來檢測蘋果腐爛病害。YH 等[12]為了檢測桃根霉引起的病害, 研制了一種帶移動試驗臺的高光譜成像系統(tǒng), 采用統(tǒng)計方法選取3 幅單波段圖像(709,807,874nm),并結(jié)合簡單閾值法,利用圖像分割算法對桃子腐爛區(qū)域進(jìn)行分割,桃子“健康”、“輕度腐爛”、“中度腐爛”和“重度腐爛”的檢測準(zhǔn)確率分別為95%、66.29%、100%和100%。 結(jié)果表明,高光譜成像技術(shù)為桃子真菌感染的自動檢測提供了可能。從以上研究可以看出,利用高光譜成像技術(shù)可以無損檢測水果腐爛病害,并且檢測準(zhǔn)確率比較高。 但是,這些研究檢測對象都是尺寸比較大的,顏色比較鮮艷的水果,這類水果腐爛區(qū)域與正常區(qū)域區(qū)別明顯,易于檢測。 而小漿果類的水果研究的較少,比如藍(lán)莓。 藍(lán)莓的表皮顏色較深,并且在腐爛早期難以區(qū)分腐爛區(qū)域和正常區(qū)域,這對腐爛病的檢測影響較大。
本研究對藍(lán)莓腐爛病害的檢測進(jìn)行研究,提供一種有效的檢測方法。 首先應(yīng)用TRIZ 理論機(jī)械系統(tǒng)替代原理采用高光譜成像系統(tǒng)獲取藍(lán)莓高光譜圖像, 再應(yīng)用物理參數(shù)改變原理提出光譜信息分割法分割出藍(lán)莓腐爛病害區(qū)域,然后提取病害區(qū)域與正常區(qū)域的全波段光譜數(shù)據(jù),應(yīng)用組合原理利用對CARS 法改進(jìn)后的CARSIRIV 法提取特征波長,最后建立RBF 模型以檢測藍(lán)莓病害,最終達(dá)到無損檢測藍(lán)莓病害的目的。
藍(lán)莓樣本采摘于沈陽市某藍(lán)莓種植基地。采摘時間為2018 年7 月,屬夏季,溫度高,是藍(lán)莓病蟲害高發(fā)期。采摘的藍(lán)莓樣本選擇果形勻稱,大小相近,健康,表皮無外傷的成熟藍(lán)莓,質(zhì)量范圍在1.5~2.3g,直徑范圍在10~20mm 的試驗樣本。 為使每個藍(lán)莓腐爛程度較均勻,將正常藍(lán)莓隨機(jī)選擇每50 個藍(lán)莓為1 組放在密封培養(yǎng)盒里,共6 組。 將盒子放在25℃恒溫箱避光處,每隔兩天利用高光譜圖像采集系統(tǒng)采集1 次藍(lán)莓高光譜圖像[13],最終選腐爛程度較輕的藍(lán)莓和正常藍(lán)莓作為試驗樣本。
針對腐爛藍(lán)莓分揀存在的問題,本研究利用TRIZ 理論中的物質(zhì)-場模型[14-15]來建立藍(lán)莓病害高光譜成像檢測模型(圖1)。其中:S1 為實現(xiàn)檢測目的;S2 為藍(lán)莓病害檢測流程;F 為高光譜圖像。通過圖1 的物質(zhì)—場模型可知,S2 是能否有效檢測出藍(lán)莓病害的關(guān)鍵步驟。 其中,光譜數(shù)據(jù)的獲取十分重要,對檢測結(jié)果的準(zhǔn)確率影響較大。本研究中,首先要對藍(lán)莓圖像的病害區(qū)域進(jìn)行分割,然后再根據(jù)分割的感興趣區(qū)域提取光譜數(shù)據(jù)。由于藍(lán)莓的表皮顏色呈深藍(lán)色,與背景相似,其邊緣部分更是難以區(qū)分。 并且藍(lán)莓表皮顏色較深與藍(lán)莓病害區(qū)域的顏色相近,基于灰度值作為閾值來分割難以得到準(zhǔn)確的藍(lán)莓病害分割圖像,這樣無法保證能夠正確提取感興趣區(qū)域的光譜數(shù)據(jù),影響最佳特征波長的提取。 另外特征波長提取對檢測結(jié)果十分重要,如果提取特征波長與病害的相關(guān)性較大,則模型能夠準(zhǔn)確檢測出藍(lán)莓病害。但若提取的特征波長包含其他的弱信息波長或無關(guān)信息波長,檢測模型檢測的準(zhǔn)確率可能較差(不足作用),甚至出現(xiàn)檢測判別錯誤的結(jié)果(有害作用)[15];圖1 物質(zhì)—場模型是一個基于藍(lán)莓高光譜圖像采用Otsu 分割方法,CARS 提取特征波長,RBF 為檢測模型的完整系統(tǒng)。 針對圖1 中S2 的藍(lán)莓病害區(qū)域分割、特征波長提取的不足作用和有害作用,根據(jù)TRIZ 理論的76個標(biāo)準(zhǔn)解中,不允許增加新物質(zhì),通過改變S1 或S2 來消除有害效應(yīng)。 本研究提出應(yīng)用物理參數(shù)改變原理的光譜信息分割法(spectral information segmentation,SIS)代替圖1 中S2 中的Otsu 圖像分割法來分割藍(lán)莓的病害區(qū)域。此方法的分割閾值并不是由圖像的灰度值來確定,而是通過某一波段的光譜值來確定分割閾值。另外本研究應(yīng)用組合原理將CARS 法和IRIV 結(jié)合成CARS-IRIV 法[11-12]來替代圖1 中S2 的CARS 法來提取特征波長。 本研究應(yīng)用物理效應(yīng)和現(xiàn)象改變物質(zhì)S2 后的物質(zhì)—場模型如圖2。 F 為采用機(jī)械系統(tǒng)替代原理的高光譜圖像,S3 為特征波長提取過程,包括SIS 分割法和CARS-IRIV 特征波長提取法。
圖1 常規(guī)高光譜檢測方法Figure 1 Conventional hyperspectral detection methods
圖2 優(yōu)化后的高光譜檢測方法Figure 2 Optimized hyperspectral detection method
本研究通過高光譜成像系統(tǒng)采集的藍(lán)莓正常和病害圖像,然后提取病害區(qū)域、正常區(qū)域和背景區(qū)域的光譜數(shù)據(jù)如圖3。 通過分析圖3 可知,在波長400~500nm范圍內(nèi), 藍(lán)莓病害區(qū)域與正常區(qū)域的光譜數(shù)據(jù)存在噪聲,為了不影響后續(xù)檢測的準(zhǔn)確率,本研究去除該范圍波段的光譜數(shù)據(jù)。 另外在可見光波段(500~760nm)范圍內(nèi),藍(lán)莓病害區(qū)域的光譜相對反射率比藍(lán)莓正常區(qū)域的光譜相對反射率稍大一些, 而在近紅外波段 (760~1000nm)范圍內(nèi),藍(lán)莓正常區(qū)域的光譜相對反射率比藍(lán)莓病害區(qū)域的光譜相對反射率大。藍(lán)莓病害區(qū)域與正常區(qū)域光譜相對反射率存在差異的原因是藍(lán)莓病變腐爛使藍(lán)莓病害區(qū)域主要成分及理化性質(zhì)發(fā)生改變,從而使光譜反射率發(fā)生變化。
藍(lán)莓表皮顏色較深與背景顏色相近,病害區(qū)域與正常區(qū)域顏色比較接近,利用以圖像的灰度值為閾值分割的常規(guī)圖像分割法難以準(zhǔn)確分割出病害區(qū)域。 故本研究提出光譜信息分割法(spectral information segmentation,SIS)來分割藍(lán)莓的病害區(qū)域。此方法的分割閾值并不是由圖像的灰度值來確定,而是通過某一波段的光譜值來確定分割閾值。 該方法是一種基于光譜數(shù)據(jù)快速、準(zhǔn)確的分割藍(lán)莓圖像分割方法,以病害藍(lán)莓的分割為例,操作步如下。
圖3 病害藍(lán)莓圖像光譜曲線Figure 3 Spectral curve of disease blueberry image
(1)分析藍(lán)莓區(qū)域與背景區(qū)域的光譜曲線,選擇藍(lán)莓區(qū)域與背景區(qū)域光譜值差異較大特征波段的光譜數(shù)據(jù)作為圖像分割的數(shù)據(jù)。
(2)選擇該特征波段下背景區(qū)域的光譜反射率與被分割藍(lán)莓的光譜反射率之間的一個光譜值為分割閾值f0,一般以兩個區(qū)域光譜反射率的平均值為藍(lán)莓與背景的分割閾值。
(3)通過圖像每個像素點的光譜反射率與分割閾值f0比較,若像素點的光譜反射率小于分割閾值,將藍(lán)莓圖像對應(yīng)像素點灰度值賦值為255,光譜反射率賦值為1;若大于閾值,藍(lán)莓圖像對應(yīng)像素點灰度值不變,光譜率不變。 公式為:
式中:f(x,y)為圖像位置(x,y)處的光譜值為圖像像素光譜數(shù)據(jù),G(x,y)為藍(lán)莓圖像像素灰度值。
(4)分析藍(lán)莓病害區(qū)域與正常區(qū)域的光譜曲線,選擇病害區(qū)域與正常區(qū)域光譜反射率差異較大特征波段的光譜數(shù)據(jù)作為病害區(qū)域分割數(shù)據(jù),并選擇病害區(qū)域與正常區(qū)域光譜反射率之間的一個光譜反射率為分割閾值 f1。
(5)通過圖像每個像素點的光譜反射率與分割閾值f1比較,若像素點的光譜反射率大于等于分割閾值f1,將藍(lán)莓圖像對應(yīng)像素點灰度值賦值為0;若小于閾值,藍(lán)莓圖像對應(yīng)像素點灰度值為255。 公式為:
全波段的光譜數(shù)據(jù)包含的信息量大,其中大部分?jǐn)?shù)據(jù)信息重疊、對模型的檢測能力會造成一定的影響,因此需要對全波段光譜進(jìn)行特征波長提取,選擇出最少最優(yōu)的特征波長組合集。 根據(jù)圖3 的分析可知,可見光范圍(500~760nm)和近紅外范圍(760~1000nm)內(nèi)藍(lán)莓病害區(qū)域的光譜相對反射率和藍(lán)莓正常區(qū)域的光譜相對反射率分別存在不同差異,因此提出區(qū)域特征篩選法(regional feature selection,RFS)提取特征波長。該方法將500~1000nm 光譜數(shù)據(jù)分成可見光第一區(qū)域波段(500~760nm)和近紅外第二區(qū)域波段(760~1000nm),然后再采用常用的波長提取方法CARS 算法[16],分別對兩個區(qū)域的光譜信息提取特征波長,并提取出特征波長對應(yīng)的光譜相對反射率。采用區(qū)域特征篩選法的優(yōu)點在于強(qiáng)制減少了近乎一半維數(shù),降低了CARS 算法的篩選工作量。 但是CARS 提取出的特征波長數(shù)量較多,而且由于CARS 方法中隨機(jī)性采樣,每次提取的特征波長并不固定的,存在與藍(lán)莓病害相關(guān)性較小的特征波長沒有完全去除的可能,所以CARS 方法提取的特征波長所建立的檢測模型得到的檢測結(jié)果不穩(wěn)定。 故本研究提出將IRIV[17]和CARS 結(jié)合,利用IRIV 算法對CARS 算法提取的特征波長再次提取特征波長。 將IRIV 和CARS 結(jié)合的優(yōu)點在于IRIV 將CARS 提取的特征波長分為強(qiáng)信息特征波長、弱信息特征波長、無信息特征波長、干擾特征波長4 類,使與腐爛相關(guān)的特征波長被提取的概率增加,并且IRIV 算法對強(qiáng)有效特征波長的強(qiáng)保留性能夠有效提取出特征波長,同時也減少了IRIV 法的迭代次數(shù)。
本研究采集的藍(lán)莓高光譜圖像如圖4a。 由于890nm 波段圖像中藍(lán)莓病害區(qū)域與正常區(qū)域差異相對明顯,所以選擇890nm 波段圖像作為特征圖像進(jìn)行分割如圖4b。 本研究首先采用Otsu 法對藍(lán)莓腐爛病害區(qū)域進(jìn)行分割,并進(jìn)行二值化,得到圖像如圖4c。然后用該二值化圖像對高光譜圖像進(jìn)行掩膜得到圖4d,再對圖4d 進(jìn)行閾值分割,閾值設(shè)定為0.65,得到病害區(qū)域分割圖像如圖4e。 最后,對圖4e 圖像進(jìn)行腐蝕膨脹,實現(xiàn)病害區(qū)域分割如圖4f。 由該圖可看出常規(guī)的閾值分割法未能比較完整地分割出藍(lán)莓病害區(qū)域,并將部分正常區(qū)域當(dāng)作病害也分割出來。故本研究提出光譜信息分割法SIS 來分割藍(lán)莓的病害區(qū)域。通過分析高光譜圖像選擇890nm波段圖像如圖5b,其背景的光譜相對反射率較小,為0.05,病害區(qū)域的光譜反射率為0.35,正常區(qū)域的光譜反射率為0.43。 首先對藍(lán)莓背景進(jìn)行分割,光譜分割閾值選擇在0.05 與0.35 之間能夠?qū)⒈尘芭c藍(lán)莓分割,選擇f0=0.21 作為藍(lán)莓分割閾值可有效將背景的光譜數(shù)據(jù)分割。 比較藍(lán)莓圖像每個像素點的光譜相對反射率與分割閾值的大小,若該像素點的光譜相對反射率小于0.21,該像素點的光譜相對反射率賦值為1,該像素點的像素值賦值為255;若該像素點的光譜相對反射率大于等于0.21,該像素點的光譜相對反射率不變,該像素點的灰度值也不變。得到藍(lán)莓分割圖像如圖5c。然后設(shè)置藍(lán)莓正常區(qū)域和病害區(qū)域最大限度的分割閾值為0.39,比較圖5c 藍(lán)莓圖像每個像素點的光譜相對反射率與藍(lán)莓病害分割閾值的大小,若該像素點的光譜相對反射率小于0.39,該像素點的像素值賦值為255;若該像素點的光譜相對反射率大于等于0.39,該像素點的像素值賦值為0,得到藍(lán)莓病害分割圖像(圖5d)。 因為圖4d 存在噪聲,利用腐蝕膨脹方法對圖5d 進(jìn)行噪聲消除,得到藍(lán)莓病害分割圖像如圖5e。 由圖5 可知,SIS 法的分割結(jié)果效果較好,雖然在利用光譜數(shù)據(jù)分割時,也出現(xiàn)將正常區(qū)域錯誤分割的情況,但經(jīng)過腐膨脹后能夠有效消除噪聲,完整的分割出藍(lán)莓病害區(qū)域。
圖4 閾值分割結(jié)果Figure 4 Result of threshold segmentation method
圖5 光譜信息分割結(jié)果Figure 5 Result of spectral information segmentation
2.2.1 CARS 提取藍(lán)莓病害特征波長 本研究首先嘗試采用CARS 法提取藍(lán)莓病害的特征波長。 CARS 法采樣數(shù)量設(shè)置為0.8,潛變量數(shù)量設(shè)置為3。首先對藍(lán)莓病害的可見光第一區(qū)域提取特征波長。采用CARS 方法提取藍(lán)莓病害光譜特征波長每次迭代提取的特征波長數(shù)量變化趨勢、特征波長的RMSHCV 值變化趨勢以及特征波長回歸系數(shù)變化趨勢如圖6。 由圖6a 可知,隨著CARS 采樣數(shù)量的增加,提取的特征波長數(shù)量逐漸減少。 由圖6b 可知,當(dāng)采樣次數(shù)增加到19 次,RMSHCV 值達(dá)到最低,說明此時與藍(lán)莓腐爛病害相關(guān)的特征波長子集為最優(yōu)。 由圖 6c 可知,“*”表示 CARS 迭代的次數(shù)所對應(yīng)的圖 6b 中 RMSHCV 值最小的位置。 最終,CARS 方法優(yōu)選出的變量數(shù)為35 個。 采用CARS 法對藍(lán)莓病害區(qū)域近紅外第二區(qū)域提取特征波長的采樣數(shù)量同樣設(shè)置為0.8,潛變量數(shù)量同樣設(shè)置為3。 采用CARS 方法每次迭代提取的特征波長數(shù)量變化趨勢,特征波長的RMSHCV值變化趨勢以及特征波長回歸系數(shù)變化趨勢如圖7。 由圖7a 可知,隨著CARS 采樣數(shù)量的增加,提取的特征波長數(shù)量逐漸減少。 由圖7b 可知,當(dāng)采樣次數(shù)增加到17 次,RMSHCV 值達(dá)到最低,說明此時與藍(lán)莓腐爛病害相關(guān)的特征波長子集為最優(yōu)。 由圖7c 可知,“*” 表示CARS 迭代的次數(shù)所對應(yīng)的圖7b 中RMSHCV 值最小的位置。 最終,CARS 方法優(yōu)選出的變量數(shù)為40 個。
2.2.2 CARS-IRIV 提取藍(lán)莓病害特征波長 由CARS 法提取的特征波長可知,CARS 提取出的特征波長數(shù)量較多, 故采用本文提出的CARS-IRIV 在藍(lán)莓病害光譜特征波長的可見光第一區(qū)域提取3 個特征波長,CARSIRIV 在近紅外第二區(qū)域提取4 個特征波長,特征波長的提取結(jié)果如表1。
本研究采用徑向基神經(jīng)網(wǎng)絡(luò)模型(RBF)模型檢測病害藍(lán)莓。試驗將CARS-IRIV 提取的特征波長下病害藍(lán)莓和正常藍(lán)莓的光譜相對反射率作為模型的輸入矢量。 本研究將正常藍(lán)莓用1 表示,病害藍(lán)莓用0 表示,模型輸出為1 和0 兩種結(jié)果。 將100 個正常藍(lán)莓和200 個病害藍(lán)莓分成訓(xùn)練集和測試集, 其中訓(xùn)練集樣本數(shù)量選60 個正常藍(lán)莓和120 個病害藍(lán)莓,測試集樣本數(shù)量選擇40 個正常藍(lán)莓和80 個病害藍(lán)莓。 檢測結(jié)果如表2。 由表2 可知,第一區(qū)域與第二區(qū)域組合的識別模型檢測結(jié)果最好,檢測率達(dá)到87%以上,第二區(qū)域的模型次之,檢測率在82%以上,第一區(qū)域模型檢測結(jié)果最差但檢測率達(dá)到在77%以上。 從模型的檢測結(jié)果可以看出,以第二區(qū)域特征波長對應(yīng)的光譜反射率為輸入矢量建立模型的檢測效果比第一區(qū)域特征波長對應(yīng)的光譜反射率為輸入矢量建立模型的檢測結(jié)果效果要好。原因是根據(jù)前面的高光譜曲線分析,藍(lán)莓的病害區(qū)域與正常區(qū)域的光譜相對反射率在近紅外范圍的差異比可見光范圍的差異要大很多, 使正常區(qū)域與病害區(qū)域在近紅外范圍內(nèi)的光譜特征差異更明顯,所以檢測模型在近紅外范圍的檢測效果要比可見光范圍的檢測效果要好。檢測效果最好的區(qū)域是以第一區(qū)域與第二區(qū)域特征波長對應(yīng)反射率的組合為輸入矢量建立的模型。 原因是兩個區(qū)域組合的特征波長光譜相對反射率則能更全面的表達(dá)出藍(lán)莓的病害區(qū)域與正常區(qū)域之間的差異。
圖6 第一區(qū)域CARS 提取特征波長結(jié)果Figure 6 The result of extracting characteristic wavelength using CARS from first region
圖7 第二區(qū)域CARS 提取特征波長結(jié)果Figure 7 The result of extracting characteristic wavelength using CARS from second region
本研究基于TRIZ 理論采用高光譜成像技術(shù)對腐爛藍(lán)莓進(jìn)行檢測,研究學(xué)者采用其他無損檢測技術(shù)也對藍(lán)莓病害等品質(zhì)進(jìn)行檢測,常見的藍(lán)莓病害無損檢測技術(shù)主要有計算機(jī)視覺技術(shù)和光譜技術(shù)。采用計算機(jī)視覺技術(shù)是通過獲取藍(lán)莓病害區(qū)域的顏色、紋理、形狀等特征來實現(xiàn)藍(lán)莓病害檢測。 Leiva-Valenzuela 等采用計算機(jī)視覺技術(shù)實現(xiàn)了對fungally decayed blueberries 檢測,其準(zhǔn)確率達(dá)到97%[18]。該技術(shù)優(yōu)勢是數(shù)據(jù)采集時間和處理時間較小,能夠?qū)崿F(xiàn)在線檢測[19],但是樣本需要具有明顯的病害特征,藍(lán)莓顏色較深,不容易辨別是否發(fā)生腐爛。 HU 等利用近紅外(NIR)數(shù)據(jù)對藍(lán)莓果實進(jìn)行軟硬分類,準(zhǔn)確率達(dá)78%[20]。光譜技術(shù)則信息量較小,數(shù)據(jù)采集時間和處理時間短,能夠?qū)崿F(xiàn)在線檢測[21]。 但是光透射性能受到限制,光太強(qiáng)損害水果,光弱則透射深度淺,并且模型的精度和穩(wěn)定性需要進(jìn)一步改善[22]。
本研究根據(jù)TRIZ 理論提供的標(biāo)準(zhǔn)解,利用高光譜成像技術(shù)對腐爛病害藍(lán)莓進(jìn)行無損檢測,并根據(jù)物質(zhì)—場的模型思想解決了高光譜成像技術(shù)的不足。本研究基于TRIZ 理論中物理參數(shù)改變原理提出的SIS 分割法以890nm 波段的圖像和光譜數(shù)據(jù)準(zhǔn)確分割出藍(lán)莓中圖像病害區(qū)域, 有效地減少了基于圖像像素灰度值難以分割感興趣區(qū)域的不準(zhǔn)確性。通過分析藍(lán)莓病害區(qū)域的光譜曲線和正常區(qū)域的光譜曲線的差異,將全波段光譜曲線分成可見光第一區(qū)域和近紅外第二區(qū)域,利用TRIZ 理論中組合原理將IRIV 法與CARS 法結(jié)合成CARS-IRIV法提出第一區(qū)域與第二區(qū)域組合的 7 個特征波長(500,522,701,828,857,893,969nm),最終建立 RBF 模型對腐爛藍(lán)莓進(jìn)行檢測得到較好的檢測結(jié)果。 以后的工作主要集中于尋找更佳的特征波長提取方法和檢測效率更高的模型,進(jìn)一步完善該方法對藍(lán)莓病害的檢測準(zhǔn)確性。
表1 基于CARS-IRIV 方法提取藍(lán)莓病害特征波長Table 1 The characteristic wavelengths of blueberries diseases based on CARS-IRIV method
表2 RBF 藍(lán)莓病害檢測結(jié)果Table 2 Detection results of blueberry diseases based on RBF model