馬晟童 黎俊汶 歐陽浩藝 譚穗妍 楊初平

(華南農(nóng)業(yè)大學(xué)電子工程學(xué)院〔人工智能學(xué)院〕，廣東 廣州 510642)

水果糖度的無損測量近年來已成為中國農(nóng)業(yè)生產(chǎn)中的重要技術(shù)之一、是保證商品質(zhì)量的重要舉措?；诳梢姽狻t外光譜分析技術(shù)的糖度快速無損檢測近年來被廣泛應(yīng)用于蘋果[1-5]、獼猴桃[6]、哈密瓜[7]、水蜜桃[8]、柑橘[9]、紅提[10]等多種水果中。喬鑫等[1]設(shè)計了手機(jī)聯(lián)用的基于可見—近紅外光譜技術(shù)的多特征波長的蘋果糖度便攜式檢測裝置，預(yù)測相關(guān)系數(shù)可達(dá)0.882 2；劉昊辰[3]開展了蘋果缺陷和糖度的近紅外光譜技術(shù)動態(tài)在線檢測研究，實時預(yù)測準(zhǔn)確率可保持在66.67%以上；彭發(fā)等[4]基于傅里葉變換近紅外光譜、偏最小二乘法和深度學(xué)習(xí)技術(shù),建立了不同蘋果糖度預(yù)測模型，最高預(yù)測相關(guān)系數(shù)可達(dá)0.933 3；喬正明等[5]將近紅外光譜與SSA-ELM結(jié)合用于蘋果糖度無損檢測，測試集相關(guān)系數(shù)可達(dá)0.945 7。在上述蘋果糖度測量方法中，采用多個特征波長進(jìn)行糖度預(yù)測模型擬合是常用的手段，多特征波長擬合有利于提高預(yù)測的準(zhǔn)確性，但也增加了測量裝置的復(fù)雜性，如果實現(xiàn)單一波長的檢測將能夠大大簡化裝置。對于蘋果糖度預(yù)測，蘋果在可見—近紅外反射光譜中有幾個明顯的強(qiáng)吸收波長如675，760，835 nm[1]，能否采用蘋果某個單一強(qiáng)吸收波長的反射光特征進(jìn)行蘋果糖度預(yù)測是一個值得探索的問題，而有關(guān)該方面的研究尚未見報道。

研究擬以蘋果吸收峰值波長670 nm的反射光為試驗手段，提出基于暗室系統(tǒng)蘋果反射光斑圖像特征灰度系列預(yù)測蘋果糖度的測量方案。暗室系統(tǒng)以手機(jī)應(yīng)用程序為平臺，使用手機(jī)的圖像拍照功能、積分球和670 nm激光光源，采集樣品的反射光斑圖像特征灰度系列，并通過偏最小二乘法[11]進(jìn)行建模分析，以實現(xiàn)蘋果的無損糖度測量，為蘋果糖度無損預(yù)測提供一種更簡便的新研究思路和可能的技術(shù)手段。

1 測量原理

1.1 試驗材料

挑選直徑為80～85 mm的紅富士(山西運城)、糖心(新疆阿克蘇)及黃元帥蘋果(山東煙臺)共150個，其中訓(xùn)練集90個，驗證集60個。按種類對蘋果樣品依次進(jìn)行測量編號，其中紅富士、糖心、黃元帥的種類編號分別為樣品A、B、C，為在糖度測量的取樣區(qū)域汲取足夠的果肉用于糖度儀的檢測，同時獲得更多更精確的數(shù)據(jù)，每個蘋果劃出3個直徑為6 cm的黑圈范圍為測量區(qū)域，同時這些區(qū)域也作為光譜測量的檢測區(qū)域。

1.2 蘋果反射光譜測量

為了測量蘋果的反射光譜，搭建的光譜采集平臺包括：FLAME-S微型光纖光譜儀(響應(yīng)波長范圍200～1 100 nm) 、ISP-30-6-R積分球、處理光譜數(shù)據(jù)軟件Spectra Suite。對于每個樣品，在不同測量面特征下采集3個測量區(qū)域的光譜值，以其平均值作為樣品反射光譜的最終值。同種類不同蘋果的反射光譜如圖1所示，波長介于650～700 nm的波段有一個明顯的吸收峰，吸收峰位于670～675 nm的陰影區(qū)域，其中中心波長為670 nm。

圖1 蘋果反射光譜Figure 1 Reflection spectrum of apple

吸收峰深度表征蘋果中對應(yīng)物質(zhì)含量的多少。吸收強(qiáng)度越大，說明對應(yīng)樣品在被照射區(qū)域的對應(yīng)化合物含量越高。據(jù)此，可以通過對碳水化合物，即糖分對應(yīng)的吸收峰所處波段的特征進(jìn)行分析，找出吸收強(qiáng)度與樣品糖度的關(guān)系，進(jìn)一步對樣品糖度進(jìn)行分析和預(yù)測。

1.3 反射光斑圖像采集

設(shè)計一個暗室測量系統(tǒng)用于無損糖度檢測，暗室系統(tǒng)光路圖與外設(shè)系統(tǒng)模型圖見圖2。其中，暗室框架內(nèi)部即為搭建的暗室系統(tǒng)，外設(shè)系統(tǒng)是方便手機(jī)采集和處理數(shù)據(jù)、減小誤差而設(shè)計的。

圖2 暗室測量系統(tǒng)Figure 2 Darkroom measurement system

系統(tǒng)工作原理：積分球有3個端口，分別是照明端口、樣品端口和測量端口，激光束(CPS670F激光二極管，功率4.5 MW、波長670 nm)從照明端口入射，將蘋果樣品的測量面置于樣品端口，激光被樣品吸收后，反射光經(jīng)過積分球的漫反射后一部分光從測量端口出射，照射到毛玻璃上，形成一個從中心到邊緣光強(qiáng)逐漸減弱的圓形光斑，使用手機(jī)對光斑進(jìn)行圖像采集。

在上述激光器功率照射下，經(jīng)多次試驗，確定合適的反射光圖像手機(jī)采集參數(shù):感光度(ISO)1 000,曝光時間0.2 s，鏡頭放大倍數(shù)1.8×。

由圖3可知，不同條件下采集到的圖像中光斑大小和灰度分布會發(fā)生變化，蘋果樣品的反射光斑圖像不同于激光器產(chǎn)生的背景光斑圖像(即測量激光器產(chǎn)生的背景光斑圖像時，積分球樣品端口處無任何反射物體)，也不同于在樣品端口處放置光譜儀白板下產(chǎn)生的反射光斑圖像。背景光斑圖像中的光斑直徑最小，蘋果樣品的其次，光譜儀白板的最大。

圖3 測量端口不同樣品的光斑圖像Figure 3 Spot images of different samples

1.4 特征灰度系列與建模

光斑中心區(qū)域的亮度過高，是光斑圖像過飽和的結(jié)果，而陰暗部分受其他因素干擾(如環(huán)境中的光噪聲)，因此確定反射光斑圖像數(shù)據(jù)的采集和分析范圍是光斑圖像外環(huán)區(qū)域灰度范圍從90～110的各個灰度的像素數(shù)，稱這個范圍的灰度值分布為特征灰度系列，如圖4所示。由圖3可知，提取的特征灰度系列與蘋果糖度有較好的相關(guān)關(guān)系；若偏離這些采集參數(shù)，提取的特征灰度系列與蘋果糖度的相關(guān)關(guān)系將變差；灰度值范圍在此基礎(chǔ)上變大或者變小均會導(dǎo)致相關(guān)關(guān)系變差。在此基礎(chǔ)上采用偏最小二乘法(PLS)算法對反射光斑圖像特征灰度系列數(shù)據(jù)與對應(yīng)樣品糖度進(jìn)行擬合。根據(jù)相關(guān)系數(shù)、預(yù)測結(jié)果散點圖等對所建模型進(jìn)行評價分析。

圖4 光斑灰度處理Figure 4 Grayscale processing of light spot

(1)

則圖像P的特征灰度系列直方圖表示為：

H(P)=[h(x1),h(x2),…,h(x21)]。

(2)

由于反射光斑形成的圖像本身就攜帶蘋果樣品糖度成分的信息，所以可以利用圖像的特征灰度系列對蘋果樣品糖度進(jìn)行分析，以期找出蘋果糖度T與特征灰度系列的函數(shù)關(guān)系,即

(3)

式中：

b0——模型修正系數(shù)；

bi(i=0,1,2，…，21)——特征系數(shù)(通過偏最小二乘法擬合得到)。

2 結(jié)果與討論

2.1 3種蘋果的糖度理化值

分別使用3組訓(xùn)練集和驗證集建立了針對紅富士(樣品A)、糖心(樣品B)和黃元帥(樣品C)的糖度預(yù)測模型并對模型的預(yù)測效果進(jìn)行分析，依據(jù)國家標(biāo)準(zhǔn)使用糖度計測得蘋果樣品的糖度理化值見表1。

由表1可知，驗證集中的蘋果樣品糖度數(shù)據(jù)范圍大體上覆蓋了訓(xùn)練集中樣品的糖度數(shù)據(jù)范圍，對構(gòu)建糖度的預(yù)測模型是有利的。

表1 3種蘋果的糖度Table 1 Sugar content among three kinds of apple samples

2.2 訓(xùn)練集預(yù)測模型

獲取蘋果樣品的反射光斑外環(huán)區(qū)灰度信息后，采用Origin 2018軟件對訓(xùn)練集中90個樣品的90～110灰度數(shù)據(jù)和相應(yīng)的糖度數(shù)據(jù)進(jìn)行偏最小二乘回歸模型構(gòu)建，預(yù)測模型散點圖分別如圖5～圖7所示。

圖5 樣品A預(yù)測模型散點圖Figure 5 Scatter plot of predict model of sample A

圖6 樣品B預(yù)測模型散點圖Figure 6 Scatter plot of predict model of sample B

圖7 樣品C預(yù)測模型散點圖Figure 7 Scatter plot of predict model of sample C

使用的紅富士、糖心、黃元帥樣本數(shù)分別為30，25，35，擬合結(jié)果相關(guān)系數(shù)R2分別為0.89，0.84，0.94。訓(xùn)練集中3種類型蘋果的糖度預(yù)測值靠近參考線，說明預(yù)測值與實際測量值很接近，預(yù)測值離散程度比較小，樣品A、B、C的預(yù)測均方根誤差分別為1.10，1.00，0.93。因此，以圖像中灰度值為90～110的像素的出現(xiàn)頻數(shù)作為糖度預(yù)測模型的特征向量具有良好的建模效果。

2.3 驗證集糖度預(yù)測

在預(yù)測模型基礎(chǔ)上，另取3個種類共60個蘋果進(jìn)行糖度預(yù)測，結(jié)果如圖8～圖10所示。

由圖8～圖10可知，預(yù)測糖度值靠近參考線，但比訓(xùn)練集離散度大，每個預(yù)測模型的相關(guān)系數(shù)R2均在0.7以上。圖8使用了20個樣本，預(yù)測結(jié)果R2值為0.70，實際糖度值與預(yù)測糖度值的均方根誤差為0.9。圖9使用了10個樣本，預(yù)測結(jié)果R2值為0.73，實際糖度值與預(yù)測糖度值的均方根誤差為1.44。圖10使用了30個樣本，預(yù)測結(jié)果R2值為0.76，實際糖度值與預(yù)測糖度值的均方根誤差為1.33。綜合來看，樣品A(紅富士)模型預(yù)測效果最好，其次是樣品C(黃元帥)和樣品B(糖心)。

圖8 樣品A預(yù)測結(jié)果散點圖Figure 8 Scatter plot of predict result of sample A

圖9 樣品B預(yù)測結(jié)果散點圖Figure 9 Scatter plot of predict result of sample B

圖10 樣品C預(yù)測結(jié)果散點圖Figure 10 Scatter plot of predict result of sample C

3 結(jié)論

在蘋果反射光譜基礎(chǔ)上，提出了一種基于暗室系統(tǒng)反射光斑圖像特征灰度系列的蘋果糖度預(yù)測方法。結(jié)果表明，該方法建立中心波長為670 nm激光光源的暗室系統(tǒng)，手機(jī)采集圖像、處理圖像即可實現(xiàn)無損糖度測量。對于訓(xùn)練集，3種不同蘋果各自預(yù)測模型的相關(guān)系數(shù)均在0.8 以上；對于驗證集，每個預(yù)測模型的相關(guān)系數(shù)均在0.7以上，其中紅富士蘋果糖度預(yù)測均方根最小，預(yù)測效果最好。

未來需進(jìn)一步研究糖度與特征灰度系列的相關(guān)關(guān)系，期望可以減少用于糖度預(yù)測的特征灰度系列的灰度范圍。由于采用單一強(qiáng)吸收波長，蘋果糖度的預(yù)測效果總體要略低于多波長的效果，但是蘋果反射光譜的采集比多波長要更加簡單，裝置更加輕便。