劉燕德，王 舜

華東交通大學(xué)機(jī)電與車輛工程學(xué)院，江西 南昌 330013

引 言

水果富含維生素等營養(yǎng)物質(zhì)，吃水果可以增強(qiáng)免疫力。隨著收入的增加，人們對高品質(zhì)水果的需求越來越旺盛。水果長期儲存放置后會引起失水、氧化等，水果的內(nèi)部品質(zhì)也會發(fā)生改變，會導(dǎo)致食用口感的變化[1]。但是，食品企業(yè)或消費者難以通過肉眼準(zhǔn)確判斷水果的貨架期和新鮮程度，因此快速準(zhǔn)確預(yù)測水果所處的貨架期十分重要。

高光譜成像技術(shù)結(jié)合了圖像和光譜信息，具有快速、準(zhǔn)確、無損等優(yōu)勢。目前，高光譜技術(shù)對水果品質(zhì)檢測較為成熟，Wang等[2]利用高光譜成像技術(shù)的圖像和光譜信息，結(jié)合模式識別算法，對不同保質(zhì)期香蕉進(jìn)行了預(yù)測正確率達(dá)到90%。Baranowski等[3]使用高光譜技術(shù)對5種不同損傷時間的蘋果進(jìn)行識別分類，采集了蘋果碰傷后2，5，6，9，12和14 d的圖像，對高光譜數(shù)據(jù)進(jìn)預(yù)處理，分別利用SVM, LDA和BP神經(jīng)網(wǎng)絡(luò)等模式識別算法對蘋果碰傷時間進(jìn)行預(yù)測判別。結(jié)果表明：LDA模型預(yù)測效果最佳，識別的正確率為90%以上。Francesca等[4]使用高光譜技術(shù)測定葡萄的最佳采收期，采集了5個不同時期收獲的葡萄光譜，使用了不同的光譜預(yù)處理方法，建立了SIMCA模型和PLS-DA模型。PLS-DA模型正確率較高，除了第五個采收期葡萄識別正確率為94%，其余的所有分類正確率均為100%。有研究使用高光譜技術(shù)分別采集了4和18 ℃下存儲時間為0, 2和4 d各120個獼猴桃樣本的圖像，提取光譜，以載荷系數(shù)法(XL)與連續(xù)投影算法(SPA)挑選的波長為輸入，建立LS-SVM判別模型。結(jié)果表明，對于4 ℃下3種貨架期，預(yù)測集誤判率均為10%以下，18 ℃時，預(yù)測誤判率均為0%?，F(xiàn)有臍橙高光譜檢測主要集中在病害、腐爛識別[6-9]，但利用高光譜技術(shù)對臍橙貨架期預(yù)測鮮有報道。

以臍橙為實驗對象，使用高光譜成像技術(shù)采集不同貨架期的臍橙的圖像，結(jié)合化學(xué)計量學(xué)方法，對不同貨架期臍橙進(jìn)行快速無損診斷，對水果的銷售、存儲和深加工企業(yè)具有一定程度的指導(dǎo)意義。

1 實驗部分

1.1 樣品

實驗樣品是同一品種紐荷爾臍橙，產(chǎn)地為江西贛南，實驗樣品數(shù)為105個，將贛南臍橙的樣品放置于實驗室環(huán)境室溫20～25 ℃和相對濕度60%存儲，共分為三個時間點采集臍橙高光譜圖像，同時確保高光譜成像系統(tǒng)在第一次采集與第兩次、第三次采圖像時候儀器和軟件參數(shù)一致。第一次采集贛南臍橙的高光譜圖像后，在室溫環(huán)境存儲6 d后，即是貨架期的第7天，再對105個臍橙進(jìn)行第二次高光譜圖像采集，繼續(xù)儲存贛南臍橙6 d，即是貨架期的第14天對105個臍橙樣品進(jìn)行第三次光譜圖像采集。圖1是不同貨架期臍橙的高光譜圖像，圖1(a)是第0天貨架期臍橙高光譜圖像，圖1(b)是第7天貨架期臍橙高光譜圖像，圖1(c)是第14天貨架期臍橙高光譜圖像。

圖1 不同貨架期臍橙高光譜圖像

1.2 高光譜系統(tǒng)

采用北京GaiaSorter高光譜分選儀，主要由一臺計算機(jī)，一臺成像光譜儀，成像光譜儀由光譜儀(ImSpector，V10E，芬蘭)和CCD攝像機(jī)(Hamamatsu C8484-05G)組成，2個20 W鹵素?zé)?，輸入電壓?2 V，一個步進(jìn)電機(jī)位移平臺等組成，光譜儀的分辨率為10 nm，分辨率為1 344×1 024像素。整個成像系統(tǒng)放在封閉暗箱中，防止環(huán)境光的影響，鹵素?zé)?、攝像機(jī)等部件放置在箱體的上方，步進(jìn)電機(jī)和運動平臺放置在箱體的下方。

1.3 圖像采集

在進(jìn)行高光譜圖像采集數(shù)據(jù)之前，需要對高光譜成像系統(tǒng)預(yù)先加熱，預(yù)熱的目的是為了消除極限漂移對于采集圖像質(zhì)量的影響。高光譜相機(jī)成像波長范圍為397～1 070 nm，高光譜相機(jī)曝光的時間設(shè)置為20 ms，位移平臺的移動速度設(shè)置為10 mm·s-1，位移平臺移動一個來回后，等移動平臺停止移動時放置一個臍橙樣本在上面。

1.4 反射率校正

由于CCD相機(jī)中會有暗電流，為了得到清晰優(yōu)質(zhì)的圖像，進(jìn)行全黑圖像和全白圖像的采集，采集完成后利用軟件計算黑白校正數(shù)據(jù)。校正計算公式如式(1)

(1)

式(1)中，R為校正計算校正后的圖像，Iraw為原始圖像，Iwhite為全白圖像，Idark為全黑圖像。

1.5 數(shù)據(jù)處理

偏最小二乘判別分析(PLS-DA)是一種基于PLS算法對樣本進(jìn)行定性分類的方法。利用樣本的分類賦值和樣本的光譜矩陣建立模型，實現(xiàn)對輸入變量的定性判斷，見式(2)

(2)

式(2)中，Y是樣本在模型中的預(yù)測值，N是建模光譜變量的數(shù)目，i是光譜第i個變量，β是光譜反射值，λ是回歸系數(shù)，B是模型的截距。

LS-SVM是優(yōu)化的SVM，采用最小二乘線性系統(tǒng)作為損失函數(shù)，代替?zhèn)鹘y(tǒng)支持向量機(jī)采用的較復(fù)雜的二次規(guī)劃方法，簡化計算，提高了運算速度。

2 結(jié)果與討論

2.1 臍橙樣品光譜特征分析

臍橙存儲隨著時間的推移，會引起失水、氧化等，臍橙的外部果皮也悄然發(fā)生著改變，從視覺上看出貨架期延長贛南臍橙果皮顏色會漸漸變暗、沒有光澤，贛南臍橙果皮變化、產(chǎn)生褶皺，紋理越來越粗糙。故大致可以從臍橙果皮顏色光澤、和紋理粗糙程度判斷不同貨架期的贛南臍橙。圖2為不同貨架期贛南樣品光譜對比圖。

圖2 不同貨架期臍橙代表性的光譜對比圖

由圖2可知：三種不同貨架期臍橙果代表性的平均光譜曲線，在不同波長下的反射值有些差別，從圖可以得到，397～480 nm波段的光譜反射值先開始下降后保持平穩(wěn)的趨勢，這個波段的反射值比較低，480～630 nm波段反射值表現(xiàn)為上升態(tài)勢，在730～850 nm波段反射值大體保持不變，在850～980 nm波段反射值呈現(xiàn)下降趨勢。在670和980 nm附近有兩個吸收峰，670 nm附近可能為葉綠素[9]的吸收，970 nm附近處為水的O—H二級吸收倍頻[10]。

2.2 臍橙樣品圖像特征提取

2.2.1 顏色特征

常用的顏色特征包括RGB顏色特征，HSI顏色特征等。提取不同貨架期臍橙樣品整個圖像的RGB顏色特征和HSI顏色特征中R，G，B，H，S和I顏色分量的每個分量的平均值，并進(jìn)行建模，共采用6個特征變量進(jìn)行建模。

2.2.2 灰度共生矩陣

灰度共生矩陣(GLCM)的紋理分析方法是一種基于估計圖像二階組合的條件概率密度的方法。實驗選用灰度共生矩陣中常用且不相關(guān)的5個關(guān)鍵特征：能量、熵、相關(guān)性、對比度、逆差矩[11-12]。

隨著臍橙貨架期延長贛南臍橙果皮顏色漸漸變暗、沒有光澤，贛南臍橙果皮變化、產(chǎn)生褶皺，紋理越來越粗糙，因此選擇圖像的RGB、HIS顏色空間和灰度共生矩陣的能量、熵、對比度、逆差矩、相關(guān)性，作為贛南臍橙樣品圖像特征。先分別提取整個贛南臍橙的圖像RGB、HSI顏色特征值各自的均值，分別為R，G，B，H，S和I的均值；然后分別提取整個贛南臍橙的圖像灰度共生矩陣的能量、熵、對比度、逆差矩、相關(guān)性5個值。最后將6個顏色分量的平均值和灰度共生矩陣的5個均值，共11個特征值作為圖像特征建模的輸入變量。

2.3 臍橙貨架期定性模型的建立

為了比較臍橙光譜特征、圖像特征和融合特征模型效果的優(yōu)劣，分別建立PLS-DA、LS-SVM定性模型，并進(jìn)行模型比較。實驗?zāi)毘葮悠房倲?shù)為315個，其中三個貨架期臍橙建模集樣本共240個，每種貨架期各80個；三個貨架期臍橙預(yù)測集樣本共75個，每種貨架期分別是25個。在建立模型前，將第0天的臍橙樣品賦值為1，第7天臍橙樣品賦值為2，第14天的臍橙樣品賦值為3，取兩者的中間值作為分類閾值。若預(yù)測值小于閾值1.5 判定為第0天的臍橙，若預(yù)測值介于閾值1.5與2.5之間判定為第7天的臍橙，若預(yù)測值大于閾值2.5判定為第14天的臍橙。

2.3.1 基于光譜特征的臍橙貨架期定性模型的建立與分析

采用ENVI4.5軟件選取感興趣區(qū)域提取平均光譜作為輸入變量，構(gòu)建PLS-DA模型。表1是利用PLS-DA算法基于光譜特征建立的定性判別模型及模型的預(yù)測結(jié)果。PLS-DA模型預(yù)測集均方根誤差(RMSEP)和預(yù)測集相關(guān)系數(shù)(Rp)，分別為0.29和0.94。原始176個光譜建立的偏最小二乘判別模型(PLS-DA)對各種臍橙樣品的定性分析結(jié)果，在預(yù)測集中每個類別的臍橙均有25個，由表1可看出第0天、第7天、第14天臍橙預(yù)測集的誤判個數(shù)，分別為3個、0個、3個，總體的誤判率為8%。

表1 基于光譜特征的PLS-DA模型結(jié)果

表2是基于光譜特征來建立的臍橙貨架期的LS-SVM算法模型，使用兩種不同核函數(shù)，當(dāng)核函數(shù)為RBF-Kernel，對應(yīng)的參數(shù)σ2為6 359，γ為59 078時預(yù)測集誤判率最低，誤判率為5.33%；當(dāng)核函數(shù)為LIN-Kernel，對應(yīng)的參數(shù)γ為1.4時預(yù)測集誤判率最高，誤判率為9.3%。綜合比較，LS-SVM 模型，當(dāng)核函數(shù)為RBF-Kernel時預(yù)測集誤判率最低。

表2 基于光譜特征的LS-SVM模型結(jié)果

對比表1和表2，光譜臍橙特征建立的PLS-DA、LS-SVM的兩種模型，RBF核函數(shù)LS-SVM進(jìn)行建模時誤判率較低。由圖3可知，三種不同貨架期臍橙的誤判個數(shù)，對第0天、第7天、第14天臍橙預(yù)測集的誤判個數(shù)其中分別為2個、1個、1個，有2個第0天的臍橙被誤判為第7天的臍橙，有1個第7天的臍橙被誤判為第0天的臍橙，有1個第14天的臍橙被誤判為第7天的臍橙，總體的誤判率為5.33%。

圖3 LS-SVM中RBF-Kernel的預(yù)測集分類結(jié)果

2.3.2 基于圖像特征的貨架期定性模型的建立與分析

基于圖像特征建立模型之前要將圖像特征歸一化處理，歸一化到0到1之間以避免數(shù)值大小的影響。表3為基于圖像特征PLS-DA模型結(jié)果，其預(yù)測集均方根誤差(RMSEP)和預(yù)測集相關(guān)系數(shù)(Rp)，分別為0.238和0.88。11個圖像特征建立的偏最小二乘判別模型(PLS-DA)對各種臍橙樣品的定性分析結(jié)果，由表3可看出，在預(yù)測集中每個類別的臍橙均有25個，第0天、第7天、第14天臍橙預(yù)測集的誤判個數(shù)其中分別為1個，9個，6個，誤判個數(shù)也偏高，總體的誤判率為21.3%。

表3 基于圖像特征的PLS-DA模型結(jié)果

表4為利用11個圖像特征，建立的LS-SVM模型之前需要將圖像特征歸一化處理，當(dāng)核函數(shù)為RBF-Kernel，對應(yīng)的參數(shù)σ2為177，γ為124時預(yù)測集誤判率最高，誤判率為22.2%；當(dāng)核函數(shù)為LIN-Kernel，對應(yīng)的參數(shù)γ為3 795時預(yù)測集誤判率最低，誤判率為20%。綜合比較可得，LS-SVM模型，當(dāng)核函數(shù)為LIN-Kernel時預(yù)測集誤判率最低。

表4 基于圖像特征LS-SVM模型結(jié)果

對比表3和表4，光譜臍橙特征建立的PLS-DA、LS-SVM的兩種模型，LIN核函數(shù)的LS-SVM進(jìn)行建模時效果最好。由圖4可知，三種不同貨架期臍橙的誤判個數(shù)，對第0天、第7天、第14天臍橙預(yù)測集的誤判個數(shù)其中分別為0個、9個、6個，有9個第7天的臍橙被誤判為第14天的臍橙，有6個第14天的臍橙被誤判為第7天的臍橙，總體的誤判率為20%。

圖4 LS-SVM中LIN-Kernel的預(yù)測集分類結(jié)果

2.3.3 基于特征融合的臍橙貨架期定性模型的建立與分析

在建模之前，176個光譜特征和11個圖像特征歸一化到0到1之間，以避免數(shù)值大小的影響。將176個光譜特征和11個圖像特征融合到一起，就共有187個特征。表5基于融合特征建立的定性判別模型，誤判個數(shù)較少。PLS-DA模型的預(yù)測集均方根誤差(RMSEP)預(yù)測集相關(guān)系數(shù)(Rp)，分別為0.2和0.97。特征融合建立的偏最小二乘判別模型(PLS-DA)對各種臍橙樣品的定性分析結(jié)果，由表5可看出第0天、第7天、第14天臍橙預(yù)測集的誤判個數(shù)。在預(yù)測集中每個類別的光譜均有25個，其中第0天的臍橙誤判個數(shù)為0，第7天的臍橙誤判個數(shù)為1，第14天的臍橙誤判個數(shù)為0，總體的誤判率為1.3%，預(yù)測效果極好。

表5 基于融合特征的PLS-DA模型結(jié)果

表6為利用光譜和圖像融合特征，176個光譜特征和11個圖像特征融合，建立的LS-SVM模型，當(dāng)核函數(shù)為RBF-Kernel，對應(yīng)的參數(shù)σ2為24 810，γ為7 595時預(yù)測集誤判率最高，誤判率為2.67%；當(dāng)核函數(shù)為LIN-Kernel，對應(yīng)的參數(shù)γ為8.5時，預(yù)測集誤判率最低，誤判率為1.33%。綜合比較可得，LS-SVM模型，當(dāng)核函數(shù)為LIN-Kernel時預(yù)測集誤判率最低，判別效果最佳。

表6 基于融合特征LS-SVM模型結(jié)果

對比表5和表6，臍橙圖像11個特征建立的PLS-DA、LS-SVM兩種模型，可知LIN核函數(shù)的LS-SVM進(jìn)行建模結(jié)果最好。由圖5可知，三種不同貨架期臍橙的誤判個數(shù)，對第0天、第7天、第14天臍橙預(yù)測集的誤判個數(shù)分別為0個、1個、0個，有1個第7天的臍橙被誤判為第14天的臍橙，總體的誤判率為1.33%。

圖5 LS-SVM中LIN-Kernel的預(yù)測集分類結(jié)果

2.4 定性判別模型的對比分析

對不同臍橙貨架期樣品進(jìn)行光譜、圖像、融合特征提取，建立PLS-DA、LS-SVM兩種定性判別模型。兩種定性判別模型最佳預(yù)測結(jié)果如表7所示，從表7可知，以176個光譜變量作為輸入變量且核函數(shù)為RBF-Kernel時的LS-SVM模型，預(yù)測集誤判率為5.3%。以11個圖像特征變量作為輸入變量且核函數(shù)為LIN-Kernel時的LS-SVM模型，預(yù)測集誤判率較高預(yù)測誤判率為20%。以176個光譜變量和11個圖像特征變量的融合特征作為輸入變量且核函數(shù)為LIN-Kernel時的LS-SVM模型，預(yù)測集誤判率為5.3%。綜合比較，運用融合特征結(jié)合LS-SVM判別模型，更適于的定性判別。

表7 不同特征兩種定性判別模型結(jié)果統(tǒng)計

3 結(jié) 論

以貨架期第0天贛南臍橙、第7天贛南臍橙、第14天贛南臍橙為實驗樣品，利用高光譜系統(tǒng)采集不同貨架期臍橙的高光譜圖像，提取樣品的光譜信息、圖像信息、光譜和圖像融合信息，運用PLS-DA，LS-SVM算法對臍橙貨架期進(jìn)行了分類識別研究。以176個光譜變量特征、11個圖像特征和187個融合特征為輸入變量時，分別建立PLS-DA、LS-SVM判別分析模型，光譜和圖像融合特征對臍橙貨架期進(jìn)行分類都取得了較低的誤判率。尤其是以核函數(shù)為LIN-Kernel時，融合特征波長建立的LS-SVM模型，預(yù)測集誤判率最低為1.33%，優(yōu)化了模型，提高模型識別的正確率，對不同貨架期的臍橙實現(xiàn)了準(zhǔn)確高效的預(yù)測。結(jié)果表明，高光譜成像技術(shù)可用于臍橙貨架期的快速識別檢測。本研究對水果的銷售、存儲和深加工企業(yè)具有一定程度的指導(dǎo)意義。