徐嘉翊，黃 雪，羅華平*，劉金秀，索玉婷，王長旭

1.塔里木大學機械電氣化工程學院，新疆 阿拉爾 843300 2.塔里木大學植物科學學院，新疆 阿拉爾 843300 3.新疆維吾爾自治區(qū)普通高等學校現(xiàn)代農(nóng)業(yè)工程重點實驗室，新疆 阿拉爾 843300

引 言

新疆是久負盛名的“瓜果之鄉(xiāng)”，水果品種繁多，質地優(yōu)良，盛產(chǎn)石榴、葡萄、無花果、杏、梨、哈密瓜等水果，2019年水果產(chǎn)量1 118.72萬噸，同比增長5.6%，位于全國前列，其中紅棗、葡萄、香梨的種植面積和產(chǎn)量均排全國第一，特色林果業(yè)已經(jīng)成為新疆農(nóng)民致富的新的支柱產(chǎn)業(yè)。高光譜成像技術近年來日益興起，相比較于傳統(tǒng)的光譜技術，高光譜成像技術在快速獲得待測樣品光譜信息的同時，還可以獲取樣品的空間分布信息以及圖像特征[1]，在食品、農(nóng)產(chǎn)品、煙草等方面無損檢測中應用廣泛，而如何提高檢測速度和精度是當前的熱點問題。在戶外檢測時，探測器接收到的能量主要是果品反射和散射后的光，也有背景反射光和雜散光的影響，而空間特性光譜可以描述這種影響。本文以三種南疆特色果品的空間特性光譜為研究目標，探索空間特性光譜的影響因素和反演方法，從而達到提高檢測精度的目的。

Roujean模型是一種表面雙向反射率模型，該模型遵循半經(jīng)驗方法，被廣泛應用于描述植被材料BRDF特征，也適用于各類異質新表面。Yang等[2]將其應用在研究聚四氟乙烯薄板稀釋劑的雙向性能上；Inoue等[3]將其用于評估紙張表面光澤度上；Luongo等[4]將其用于評估打印機控制表面反射率能力上；Zhang等[5]將其用于水下激光探測系統(tǒng)的設計中。Yeom等[6]將其用于地面薄云探測以提高薄云像素探測效率；Farhad等[7]將其用于為衛(wèi)星傳感器開發(fā)一種新的交叉校準技術提高數(shù)據(jù)協(xié)調性。Aval等[8]將其用于提高水下環(huán)境的目標識別。Zhou等[9]將其應用在沙漠的研究中。

Walthall模型是一種具有互異性的經(jīng)驗模型，由Walthall等提出，以大量野外實驗數(shù)據(jù)為基礎形成的模型，被廣泛應用于模擬土壤的BRDF，后也作為普通的BRDF模型用于其他地物。Wu等[10]將其應用于雪地地表反射率研究；有報道將其應用于MODIS資料進行BRDF訂正的氣溶膠光學厚度反演試驗研究；Gong等[11]將其應用于多光譜傳感器采集坡地栽培葡萄角度依賴性研究；Damian等[12]將其應用于無人機近紅外圖像序列雙向反射分布函數(shù)的質量評價；Roujean模型和Walthall模型都屬于線性模型，其特點是模型參數(shù)的反演可以通過矩陣變換來實現(xiàn)，因此反演速度較快，并且這種反演還適用于混合像元，因而使用兩種模型對不同角度的空間特性光譜反演比較。

1 實驗部分

1.1 材料

實驗使用的冬棗、紅提、香梨全部采集自新疆維吾爾自治區(qū)農(nóng)一師阿拉爾市十團團場(北緯40°35′10″，東經(jīng)81°18′12″)，采集大小不同表面無損傷的冬棗、紅提、香梨各120個，分別進行擦拭、標號、稱重等。

1.2 儀器

戶外光譜采集使用四川雙利合譜科技有限公司的Image-λ-N17E-N3 型增強型近紅外高光譜相機，其光譜范圍900～1 750 nm、256個波段、光譜分辨率5 nm；暗箱光譜采集使用北京卓立漢光公司的Hyperspspectral Sorting System推掃式高光譜分選系統(tǒng)；以及HSIA-CT-150×150型標準白板、A2003型電子天平、GZX-9140MBE電熱鼓風干燥箱、GMK-701R型手持式糖度計等。

1.3 高光譜圖像采集

首先進行戶外圖像采集，將冬棗、紅提、香梨按從左到右的順序擺放在試驗架上，在不同位置擺放兩塊標準白板進行定標，如圖1所示。將高光譜相機調到與試驗架同一高度并放置在試驗架前1.5 m處接線調試，測量戶外溫度21 ℃、空氣濕度55%、東風2級。實驗開始于北京時間2020年10月1日13:00，使用高光譜相機對試驗架上的果品和白板進行掃描，掃描時測量太陽高度角和方位角。掃描之后使用激光測距儀測量相機高度、樣品高度、到白板的距離角度、到樣品的距離角度，以便計算入射角、探測角、方位角、相位角。之后進行暗箱圖像采集，將樣品送入高光譜分選儀中進行掃描，調節(jié)相機高度42 cm、曝光時間11.5 ms、傳送帶移動速度2.0 m·min-1，冬棗和紅提每次掃描20個樣本，香梨每次掃描6個樣本。

圖1 試驗樣品擺放圖Fig.1 Layout of test samples

1.4 理化值測定

將樣品掃描完光譜的一面切片后一分為二，一半測量水分，一半測量糖度。切片時避開果核部分。

水分測定使用國標(GB/T 5009.3—2016)的烘干減質量方法，每個樣品切取掃描光譜位置的果肉約3 g放入電熱鼓風干燥箱中進行烘干，溫度102 ℃。每隔兩小時將樣品稱重一次，直至重量變化小于0.001 g。

(1)

式(1)中：m1為烘干前樣品質量；m2為烘干后樣品質量。糖度測定使用手持式數(shù)顯糖度計。測量開始前先使用校正液進行基準校正。

老頭子看看，微笑著，一句話不說，兩只手互相捏了一會，又蹲下去把傀儡舉起，罩在自己的頭上，兩手套進假腿里去，開始劇烈的搖著肩背，玩著業(yè)已玩過的那一套。古怪動作招來了四個人，但不久之間卻走去了五個人。等到另外一個地方真的毆打發(fā)生后，其余的人便全都跑去了。

1.5 空間特性光譜提取

由于受到系統(tǒng)探測響應、電子信號噪聲、環(huán)境溫度變化等因素影響，探測器采集到的圖像不準確，因此使用ENVI5.1軟件對采集到的高光譜圖像進行平場校正和黑白校正。由于高光譜分選儀處于暗室，并且有四個均勻分布的高亮度鹵素燈照射，因此將其測得的光譜近似看作樣品真實光譜，通過校正后的戶外高光譜圖像和高光譜分選儀圖像計算每個樣品的空間特性光譜并建立空間特性光譜庫，空間特性光譜的計算公式為

Sback=S1/S2

(2)

式(2)中：Sback為樣品的空間特性光譜；S1為樣品的戶外光譜；S2為樣品的暗室光譜。

對建立的空間特性光譜庫進行包絡線去除(continuum removal)以突出空間特性光譜的特征并減小計算量。部分樣品空間特性光譜如圖2所示，其中紅色為冬棗空間特性光譜，綠色為紅提空間特性光譜，藍色為香梨空間特性光譜。

圖2 部分樣品空間特性光譜圖Fig.2 Background spectra of some samples

1.6 數(shù)據(jù)預處理

在建模之前，剔除異常樣本，因為其中可能包含異常光譜和異常理化值，與其他樣本存在顯著差異，如果異常樣本參與建模，必然會影響建模的精度和可靠性。異常光譜使用馬氏距離剔除，異常理化值使用濃度殘差剔除。圖3和圖4分別是馬氏距離和濃度殘差方法剔除異常紅棗光譜和糖度值，分別設定閾值2.5和2，共剔除14個異常波段和6個異常樣本。

圖3 馬氏距離剔除異常冬棗光譜Fig.3 Eliminating abnormal spectra of winter Jujube by Mahalanobis distance

圖4 濃度殘差剔除異常冬棗糖度樣本Fig.4 Eliminating abnormal sugar content samples of winter Jujube by concentration residual

由于高光譜數(shù)據(jù)的波長間往往會包含一些其他的多余信息，增加大量的計算工作，研究表明無關信息的存在會極大地降低模型的穩(wěn)健性，因此對全波波段的波長變量進行優(yōu)選和精簡十分必要。研究中使用競爭性自適應權重取樣法(CARS)選取特征波長，圖5為CARS方法選取冬棗糖分特征波長，選取后剩余21個特征波長。

圖5 CARS方法選取冬棗糖分特征波長(a):迭代次數(shù)與波長變量關系；(b):不同迭代次數(shù)的RMSECV值； (c):變量PLS回歸系數(shù)值Fig.5 CARS method selects the characteristic wavelength of winter Jujube sugar

2 結果與討論

2.1 冬棗糖分模型建立

使用TQ Analyst軟件進行建模，采用偏最小二乘法(partial least squares,PLS)，光程分別使用恒定(constant)、多元散射校正(multiplicative singal correction,MSC)、標準正態(tài)變換(standard normal variate，SNV)，處理方法選擇原始光譜(spectrum)、一階導數(shù)(frist derivative,1st)、二階導數(shù)(second derivative,2st)。評價參數(shù)分別為：相關系數(shù)(related coefficient,r)、校正標準偏差(standard error of calibration,RMSEC)、預測標準偏差(standard error of prediction,RMSEP)，計算公式為

(3)

(4)

(5)

式(4)和式(5)中，yi,actual為第i樣品參考方法的測定值，yi,predicted為用所建模型對校正集中第i樣品的預測值，n為校正集的樣品數(shù)，m為驗證集的樣本數(shù)。RMSEP越小，表明所建模型的預測能力越強，通常RMSEP大于RMSEC。

表1 不同處理方法下冬棗空間特性光譜與糖分建模結果Table 1 Results of background spectrum and sugar modeling of winter Jujube under different treatment methods

圖6 冬棗空間特性光譜與糖分con+1st建模結果(a):模型樣本回歸；(b):模型樣本誤差Fig.6 Background spectra of winter jujube and results of con+1st modeling of sugar content(a):Model sample regression;(b):Model sample error

2.2 冬棗理化值模型建立

依次使用馬氏距離、濃度殘差、CARS算法對水分、探測角、方位角、相位角進行預處理，按理化值梯度排序并劃分校正集后使用以上九種處理方法建模，分別選取建模效果最好的三組處理方法列于表2?？梢钥闯?，冬棗的內部品質(糖度、水分)r可以達到0.853 3和0.741 3，而探測方位(探測角、方位角、相位角)r可以達到0.985 6，0.941 8和0.960 9?？梢钥闯觯瑮椀膬炔科焚|與空間特性光譜建模效果較好，而探測方位與空間特性光譜有更好的建模效果。

表2 冬棗不同理化值建模結果Table 2 Modeling results of different winter jujube physicochemical values

2.3 紅提、香梨理化值模型建立

使用相同的方法對紅提和香梨空間特性光譜進行預處理。馬氏距離閾值設定為2.5，剔除了紅提11個波段和香梨11個波段。濃度殘差閾值設定為2，分別剔除了8，6，5，6和7個紅提異常理化值樣本和8，6，5，6和7個香梨異常理化值樣本。使用CARS選取特征波長后導入TQ Analyst劃分校正集和預測集，進行PLS建模，建模結果如表3、表4所示。

表3 紅提不同理化值建模結果Table 3 Modeling results of different Red grapes physicochemical values

續(xù)表3

表4 香梨不同理化值建模結果Table 4 Modeling results of different Fragrant Pear physicochemical values

對比冬棗、紅提、香梨三種果品的建模結果可以看出，紅提和香梨的內部品質r分別為0.822 7，0.784 7和0.913 3，0.891 3，而方位r分別為0.992 7，0.910 5，0.957 0和0.974 7，0.936 9，0.956 3。對比發(fā)現(xiàn)，果品空間特性光譜的方位模型相關性明顯好于品質模型。在品質模型中，糖度模型相關性都高于水分模型。而在方位模型中，探測角模型相關性高于相位角模型高于方位角模型。

2.4 Roujean模型反演空間特性光譜

由于空間特性光譜與探測角、方位角、相位角建模都有很好的相關性，Roujean模型和Walthall模型都與BRDF角度相關，因此使用兩種模型對空間特性光譜進行反演。模型反演評價參數(shù)主要有相關系數(shù)r、決定系數(shù)R2、預測標準差RMSEP、模型誤差，計算公式如式(6)

(6)

由于戶外實驗光源是太陽光，太陽光是平行光，因此入射角都相同，經(jīng)計算均為51.52°。由于試驗架限制，探測角和方位角梯度變化不是很明顯，因此每種果品均選擇擺放位置較遠的8個樣品來反演。不同果品1號樣品反演結果如圖7所示，可以看出每種果品反演都有較好地精度，但在1 000～1 350 nm波段反演效果并不理想，全部反演結果如表5所示。

圖7 Roujean模型反演結果對比(a):冬棗；(b):紅提；(c):香梨Fig.7 Comparison of inversion results of Roujean model(a):Winter jujube；(b):Red grapes；(c):Fragrant pear

表5 Roujean模型反演結果對比Table 5 Comparison of inversion results of roujean model

經(jīng)計算，Roujean模型描述冬棗、紅提、香梨空間特性光譜時平均R2分別為0.934 4，0.928 1和0.830 6；平均r分別為0.990 2，0.983 9和0.969 1；平均RMSEP分別為0.030 9，0.048 7和0.062 7；平均模型誤差分別為7.27%，11.02%和8.61%；單波段最大模型誤差分別為28.7%，42.92%和48.21%；單波段最小模型誤差分別為0，0和0.01%。可以看出，Roujean模型反演空間特性光譜精度從高到低依次為冬棗、紅提、香梨。綜上所述，Roujean可以很好地描述冬棗和紅提的空間特性光譜，可以較好地描述香梨空間特性光譜。

2.5 Walthall模型反演空間特性光譜

使用Walthall模型對三種果品反演，不同果品1號樣品反演結果如圖8(a,b,c)所示，全部反演結果如表6所示。

表6 Walthall模型反演結果對比Table 6 Comparison of inversion results of Walthall model

圖8 Walthall模型反演結果對比(a):冬棗；(b):紅提；(c):香梨Fig.8 Comparison of inversion results of Walthall model(a):Winter jujube；(b):Red grapes；(c):Fragrant pear

經(jīng)計算，Walthall模型描述冬棗、紅提、香梨空間特性光譜時平均R2分別為0.943 3，0.859 7和0.839 0；平均r分別為0.991 8，0.971 8和0.970 2；平均RMSEP分別為0.036 6，0.066 1和0.068 7；平均模型誤差分別為6.19%，15.40%和7.84%；單波段最大模型誤差分別為28.73%，44.91%和20.45%；單波段最小模型誤差分別為0，0.01%和0.01%?？梢钥闯?，Walthall模型反演空間特性光譜精度從高到低依次為冬棗、紅提、香梨。綜上所述，Walthall可以很好地描述冬棗空間特性光譜，可以較好地描述紅提和香梨空間特性光譜。

2.6 Roujean模型與Walthall模型反演結果對比

Roujean模型與Walthall模型反演結果對比見圖9(a,b,c)和圖10(a,b,c)。

圖9 Roujean模型反演不同果品誤差對比(a):冬棗;(b):紅提;(c):香梨Fig.9 Error comparison of different fruits retrieved by Roujean model(a):Winter jujube;(b):Red grapes;(c):Fragrant pear

圖10 Walthall模型反演不同果品誤差對比(a):冬棗;(b):紅提;(c):香梨Fig.10 Error comparison of different fruits retrieved by Walthall model(a):Winter jujube;(b):Red grapes;(c):Fragrant pear

3 結 論

(1)對比冬棗、紅提、香梨三種果品的Walthall建模結果可以看出，果品空間特性光譜與探測方位有很強的相關性，而與果品品質相關性較弱。在戶外果品近紅外無損檢測時，探測器接收的能量主要有三部分：① 果品反射和散射后到達探測器的太陽光，包括果品表面鏡面反射以及內部體散射的能量；② 背景反射和散射后到達探測器的太陽光；③ 大氣散射后直接進入探測器的太陽光。以上三種能量均與入射、探測方位有關，而只有果品鏡面散射和體散射與果品品質有關，說明角度模型的相關性好于品質模型的相關性。因此，在戶外果品無損檢測時，要重點考慮角度對光譜的影響。

(2)Roujean可以很好地描述冬棗和紅提的空間特性光譜，可以較好地描述香梨空間特性光譜；Walthall可以很好地描述冬棗空間特性光譜，可以較好地描述紅提和香梨空間特性光譜。兩種模型均在980～1 120，1 180～1 330和1 500～1 670 nm波長范圍擬合效果最好，1 340～1 440 nm范圍效果最差。由于在1 400 nm附近有水份吸收峰，因此導致該范圍擬合效果較差。

(3)由于單次試驗太陽入射角單一，樣品擺放時探測角梯度不明顯等原因會影響試驗精度。后期可通過多次試驗、增加試驗樣本量、增加試驗角度分布、使用不同方位模型(如Rahman模型、Ross-Li模型、指數(shù)模型等)等方法對多角度下的空間特性光譜進行反演分析，以確定適合每種果品的模型，分別建立每種果品不同方位下的空間特性光譜庫，通過空間特性光譜來反演果品光譜，為提高戶外果品高光譜無損檢測精度提供了一種新思路。