孟慶龍，馮樹南，譚濤，滿婷，尚靜

獼猴桃擠壓損傷高光譜快速檢測研究

孟慶龍，馮樹南，譚濤，滿婷，尚靜

（貴陽學(xué)院 食品與制藥工程學(xué)院，貴陽 550005）

探究獼猴桃擠壓損傷較優(yōu)的快速無損判別方法。利用高光譜成像系統(tǒng)獲得所有獼猴桃的高光譜圖像，并提取獼猴桃損傷區(qū)域以及完好無損區(qū)域的光譜反射率；運(yùn)用多元散射校正方法對原始反射光譜進(jìn)行預(yù)處理，并運(yùn)用主成分分析對光譜數(shù)據(jù)降維；比較并分析Fisher判別分析方法以及簡化的K最近鄰（Simplified K Nearest Neighbor，SKNN）模式識別方法對獼猴桃擠壓損傷的判別效果。在710～850 nm和960～1 030 nm這2個(gè)波段內(nèi)，獼猴桃損傷區(qū)域的平均光譜反射率與完好無損區(qū)域的平均光譜反射率存在較明顯差異；采用主成分分析從256個(gè)全波段中篩選了前5個(gè)主成分作為新變量，識別模型的檢測效率得到了提升；構(gòu)建的SKNN和Fisher模型對預(yù)測集中樣本的正確識別率均為93.3%，從SKNN識別模型的混淆矩陣中得出，預(yù)測集中僅有2個(gè)樣本出現(xiàn)誤判，并且SKNN模型對校正集中樣本的正確識別率高于Fisher模型。在判別獼猴桃擠壓損傷時(shí)，SKNN識別模型具有相對較好的判別效果。

獼猴桃；擠壓損傷；高光譜成像；主成分分析；快速檢測

獼猴桃含有豐富的維生素C，其果肉細(xì)嫩且多漿、果汁酸甜爽口，深受廣大消費(fèi)者的青睞[1-2]。獼猴桃在采摘或者運(yùn)輸過程中，因碰撞或者擠壓形成的表面隱形損傷難以被肉眼判別[3]。水果表面損傷一般發(fā)生在表皮下面，與正常組織的顏色差異較小，特別是獼猴桃果皮顏色較深，在形成初期很難被識別。獼猴桃在貯藏期間，損傷部位逐漸發(fā)生褐變直至腐爛。這就會(huì)導(dǎo)致獼猴桃在貯藏保鮮過程中發(fā)生大面積潰爛或感染的現(xiàn)象，將帶來直接的經(jīng)濟(jì)損失，因此，開展水果的損傷判別對提升水果經(jīng)濟(jì)價(jià)值具有重要的意義。近幾年，基于近紅外光譜的無損檢測方法具有不破壞檢測對象、檢測速度快、無污染等諸多優(yōu)勢，受到國內(nèi)外廣大科研學(xué)者的關(guān)注，該技術(shù)被廣泛地運(yùn)用在農(nóng)產(chǎn)品內(nèi)外部品質(zhì)的快速檢測領(lǐng)域中[4-11]。國內(nèi)外研究團(tuán)隊(duì)已開展了關(guān)于蘋果[12-13]、柑橘[14]、獼猴桃[3,15]、桃子[16]和梨[17]等外部品質(zhì)的無損檢測研究，并取得了一定的成果。王思玲等[18]利用高光譜成像技術(shù)和支持向量機(jī)實(shí)現(xiàn)了蘋果水心病果的無損判別，但正確判別率僅為72%。目前，基于高光譜成像結(jié)合模式識別方法對獼猴桃擠壓損傷的快速無損判別研究鮮有報(bào)道。

文中使用可見/近紅外高光譜圖像系統(tǒng)獲得獼猴桃損傷區(qū)域和完好無損區(qū)域的高光譜圖像；運(yùn)用多元散射校正預(yù)處理原始光譜，并應(yīng)用主成分分析對光譜數(shù)據(jù)降維；比較并分析Fisher判別分析方法以及簡化的K最近鄰模式識別方法對獼猴桃擠壓損傷的檢測效果，以期為研發(fā)擠壓損傷獼猴桃的快速判別裝備提供理論基礎(chǔ)。

1 實(shí)驗(yàn)

1.1 材料

獼猴桃采摘于貴州省修文縣龍關(guān)口獼猴桃生態(tài)果園，從不同的獼猴桃果樹上摘取120個(gè)完好無損的樣本，隨機(jī)將120個(gè)獼猴桃樣本分為60個(gè)實(shí)驗(yàn)A組和60個(gè)對照CK組。對A組中的獼猴桃樣本進(jìn)行人為損傷，即利用電子式壓力試驗(yàn)機(jī)以最大壓力（100 N）緩慢擠壓獼猴桃樣本（壓頭直徑為10 mm），在獼猴桃的表面產(chǎn)生輕微的人眼難以識別的損傷，并利用記號筆將損傷部位（擠壓部位）標(biāo)記出來。CK組中的獼猴桃樣本不做任何處理，為完好無損樣本。

1.2 實(shí)驗(yàn)儀器

GaiaField–F–V10高光譜成像系統(tǒng)（江蘇雙利合譜科技有限公司）的結(jié)構(gòu)框圖見圖1，其中，CCD相機(jī)的曝光時(shí)間為9.5 ms，樣本距離鏡頭大約40 cm。

圖1 高光譜成像系統(tǒng)框圖

CBS–50K電子式壓力試驗(yàn)機(jī)（重慶重標(biāo)實(shí)驗(yàn)儀器有限公司）的壓力范圍為0～500 N，壓力分度值為0.01 N，位移速度為0.01～500 mm/min，位移精確度為±1%。

1.3 高光譜圖像采集與校正

首先將獼猴桃樣本依次放在電動(dòng)平移臺(tái)上逐個(gè)掃描，得到樣本的原始高光譜圖像；其次獲取全白以及全黑的標(biāo)定圖像white和black；最后對所有獼猴桃樣本的原始高光譜圖像original進(jìn)行反射率校正，獲得校正的獼猴桃高光譜圖像ref，校正公式為：

1.4 建模方法

1.4.1 主成分分析

主成分分析方法是一種從樣本集組成變量的協(xié)方差矩陣開始，利用特征分解得到方差最高的虛擬主成分去替代原始變量，得到新變量，最終達(dá)到剔除冗余數(shù)據(jù)的目的。

1.4.2 模式識別

實(shí)驗(yàn)分別基于Fisher判別分析方法和簡化的K最近鄰法（Simplified K Nearest Neighbor，SKNN）構(gòu)建損傷獼猴桃無損識別模型。其中，F(xiàn)isher判別分析方法是將樣本點(diǎn)的特征記為x, g，表示類別（=1, 2；類1為完好無損獼猴桃，類2為擠壓損傷獼猴桃），為模式類別序號（=1, 2,···,n；n為類樣本數(shù)），F(xiàn)isher判別函數(shù)為：

SKNN方法是基于一種簡化算法（類重心法構(gòu)建的），即將校正集中每類別（類1為完好無損獼猴桃，類2為擠壓損傷獼猴桃）樣本點(diǎn)的重心算出，進(jìn)而分析預(yù)測集樣本點(diǎn)距離每類別重心的距離，當(dāng)預(yù)測集樣本點(diǎn)最接近哪一類別重心，就將預(yù)測集樣本點(diǎn)歸到該類樣本。若用個(gè)特征變量對2類樣本（類1為完好無損獼猴桃，類2為擠壓損傷獼猴桃）進(jìn)行分類，則第類的重心為c（c1，c2，…，c），其公式為：

1.4.3 模型評價(jià)方法

采用混淆矩陣、校正集和預(yù)測集中樣本的正確識別率評價(jià)模型的檢測性能。其中，混淆矩陣是有監(jiān)督統(tǒng)計(jì)分類中的一種可視化方法，用于比較模式分類效果。校正集或預(yù)測集中樣本的正確識別率表示為：

式中：R為正確識別率；1為校正集或預(yù)測集中樣本的正確識別數(shù)；2為校正集或預(yù)測集中樣本總數(shù)。

1.5 數(shù)據(jù)分析

利用Matlab R2016b軟件進(jìn)行數(shù)據(jù)處理與分析，基于式（2）—（3），通過計(jì)算各樣本間的重心距離和Fisher判別函數(shù)，完成損傷獼猴桃SKNN和Fisher識別模型的構(gòu)建以及評價(jià)。

2 結(jié)果與分析

2.1 損傷獼猴桃的圖像

圖2給出了某一損傷獼猴桃樣本的圖像。從圖2中可見，去皮前獼猴桃損傷區(qū)域與完好無損區(qū)域沒有任何差異（虛線圈內(nèi)為獼猴桃損傷區(qū)域），去皮后可以明顯看出損傷區(qū)域的果肉顏色發(fā)暗?？梢?，僅通過樣本的外部圖像難以判別出獼猴桃是否損傷。

圖2 某一損傷獼猴桃的圖像

2.2 損傷和完好無損區(qū)域反射光譜

獼猴桃受到擠壓損傷后，損傷區(qū)域顏色變深，水分含量降低。獼猴桃損傷區(qū)域和完好無損區(qū)域的平均的光譜反射率見圖3。觀察圖3得出，在波長為710～850 nm時(shí)，由于損傷區(qū)域顏色變深，光敏素含量增加，導(dǎo)致獼猴桃損傷區(qū)域反射率的平均值低于完好無損區(qū)域反射率的平均值；而在960～1 030 nm時(shí)，由于損傷區(qū)域水分含量的降低，導(dǎo)致獼猴桃損傷區(qū)域反射率的平均值高于完好無損區(qū)域反射率的平均值。綜上，可依據(jù)此光譜差異構(gòu)建識別擠壓損傷獼猴桃的無損識別模型。

圖3 獼猴桃損傷區(qū)域和完好無損區(qū)域的平均光譜

2.3 光譜預(yù)處理

由于原始的反射光譜中包含一些噪聲，為了提升識別模型的精確度和穩(wěn)定性，運(yùn)用多元散射校正（Multi-Scatter Calibration, MSC）對原始的反射光譜進(jìn)行預(yù)處理。圖4分別呈現(xiàn)了所有獼猴桃原始的反射光譜和MSC預(yù)處理后的相對反射光譜。對比圖4a和圖4b可以發(fā)現(xiàn)，預(yù)處理后的光譜曲線整體上聚攏在一起，變得更窄。這表明經(jīng)MSC預(yù)處理，原始的反射光譜去掉了部分噪聲和背景干擾信號。

圖4 獼猴桃反射光譜

2.4 主成分分析

圖5給出了MSC預(yù)處理后的相對反射光譜在經(jīng)主成分分析后得到的第1、2主成分得分分布圖。從圖5可見，除個(gè)別樣本外，所有樣本的分類結(jié)果總體上具有較好的分類效果（虛線將所有樣本分為2類，類1為完好無損獼猴桃，類2為擠壓損傷獼猴桃）。表1列舉了前5個(gè)主成分（c1、c2、c3、c4、c5）得分的貢獻(xiàn)率及其累計(jì)貢獻(xiàn)率。從表1可見，前5個(gè)主成分得分可以呈現(xiàn)98%以上的原始信息，因此，將前5個(gè)主成分得分當(dāng)作新的輸入變量，不僅能保證識別模型的檢測性能，而且將256個(gè)原始變量壓縮到5個(gè)新的特征變量（c1—c5）后，識別模型的運(yùn)行效率得到了極大的提升。

表1 主成分得分貢獻(xiàn)率

Tab.1 Contribution rate of principal component score

圖5 第1、第2主成分的得分散點(diǎn)圖

2.5 損傷獼猴桃判別結(jié)果

在構(gòu)建損傷獼猴桃識別模型之前，先基于MSC預(yù)處理后的光譜，采用Kennard?Stone算法[19]將120個(gè)獼猴桃樣本按照3∶1的比例劃分為90個(gè)校正集（擠壓損傷獼猴桃和完好無損獼猴桃各45個(gè)）和30個(gè)預(yù)測集（擠壓損傷獼猴桃和完好無損獼猴桃各15個(gè)）。然后將經(jīng)主成分分析后得到的新變量作為自變量，樣本的類別信息（類1為完好無損獼猴桃，類2為擠壓損傷獼猴桃）作為因變量，通過計(jì)算各樣本間的重心距離和Fisher判別函數(shù)，構(gòu)建損傷獼猴桃的SKNN和Fisher 2種識別模型。不同識別模型對擠壓損傷獼猴桃和完好無損獼猴桃的判別結(jié)果見表2。從表2中可見，SKNN和Fisher 2種識別模型對預(yù)測集中樣本的正確識別率均為93.3%，而且SKNN識別模型對校正集中樣本的正確識別率要高于Fisher識別模型，表明在判別擠壓損傷獼猴桃時(shí)，SKNN模型的性能要優(yōu)于Fisher模型。同時(shí)，利用構(gòu)建的SKNN識別模型，將預(yù)測集中的每個(gè)獼猴桃樣本的真實(shí)類別信息和預(yù)測類別信息進(jìn)行分類，SKNN識別模型對預(yù)測集中獼猴桃判別結(jié)果的混淆矩陣見圖6。從圖6中可以看出，SKNN識別模型對預(yù)測集中完好無損和擠壓損傷獼猴桃的預(yù)測結(jié)果中僅有2個(gè)樣本出現(xiàn)誤判。綜合建模效果和預(yù)測效果表明，SKNN識別模型擁有相對較好的判別效果。

表2 損傷獼猴桃判別結(jié)果

Tab.2 Discriminant results of damaged kiwifruit

圖6 SKNN識別模型的混淆矩陣

3 結(jié)語

以擠壓損傷和完好無損獼猴桃為研究對象，通過分析兩者的光譜差異，得出在710～850 nm和960～ 1 030 nm的2個(gè)波段內(nèi)，獼猴桃的損傷區(qū)域和完好無損區(qū)域的反射光譜圖呈現(xiàn)出較明顯的差異，光譜差異是構(gòu)建判別擠壓損傷獼猴桃的識別模型的依據(jù)。為消除反射光譜中的部分噪聲和背景干擾信號，運(yùn)用多元散射校正預(yù)處理原始的反射光譜。采用主成分分析方法從256個(gè)全波段中篩選了前5個(gè)主成分得分作為新變量，提升了識別模型的運(yùn)算速度。構(gòu)建的SKNN識別模型和Fisher識別模型對預(yù)測集中樣本的正確識別率均為93.3%，而SKNN識別模型對校正集中樣本的正確識別率高于Fisher識別模型，表明在識別擠壓損傷獼猴桃時(shí)，SKNN模型的性能要優(yōu)于Fisher模型。綜合建模效果和預(yù)測效果，說明SKNN識別模型擁有相對較好的檢測效果，為研發(fā)擠壓損傷獼猴桃快速無損判別裝備提供了理論基礎(chǔ)。

[1] 王金華, 杜超, 梁晨, 等. 貴長獼猴桃多糖提取工藝及體外抗氧化功能[J]. 食品科學(xué), 2016, 37(20): 19-23.

WANG Jin-hua, DU Chao, LIANG Chen, et al. Extraction and Antioxidant Activity of Polysaccharides from Guichang Kiwifruit[J]. Food Science, 2016, 37(20): 19-23.

[2] 孟慶龍, 尚靜, 黃人帥, 等. 基于主成分回歸的獼猴桃可溶性固形物無損檢測[J]. 包裝工程, 2021, 42(3): 19-24.

MENG Qing-long, SHANG Jing, HUANG Ren-shuai, et al. Nondestructive Detection for Soluble Solids Content of Kiwifruits Based on Principal Component Regression[J]. Packaging Engineering, 2021, 42(3): 19-24.

[3] 遲茜, 王轉(zhuǎn)衛(wèi), 楊婷婷, 等. 基于近紅外高光譜成像的獼猴桃早期隱性損傷識別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(3): 235-241.

CHI Qian, WANG Zhuan-wei, YANG Ting-ting, et al. Recognition of Early Hidden Bruises on Kiwifruits Based on Near-Infrared Hyperspectral Imaging Technology[J]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(3): 235-241.

[4] 劉燕德, 徐海, 孫旭東, 等. 不同產(chǎn)地蘋果糖度可見近紅外光譜在線檢測[J]. 中國光學(xué), 2020, 13(3): 482-491.

LIU Yan-de, XU Hai, SUN Xu-dong, et al. On-Line Detection of Soluble Solids Content of Apples from Different Origins by Visible and Near-Infrared Spectroscopy[J]. Chinese Optics, 2020, 13(3): 482-491.

[5] 許麗佳, 陳銘, 王玉超, 等. 高光譜成像的獼猴桃糖度無損檢測方法[J]. 光譜學(xué)與光譜分析, 2021, 41(7): 2188-2195.

XU Li-jia, CHEN Ming, WANG Yu-chao, et al. Study on Non-Destructive Detection Method of Kiwifruit Sugar Content Based on Hyperspectral Imaging Technology[J]. Spectroscopy and Spectral Analysis, 2021, 41(7): 2188-2195.

[6] CECILIA R, DOLORES P M, ANA G V. Optimizing Spatial Data Reduction in Hyperspectral Imaging for the Prediction of Quality Parameters in Intact Oranges[J]. Postharvest Biology and Technology, 2021, 176: 1-7.

[7] LI X, WEI Y, XU J, et al. SSC and pH for Sweet Assessment and Maturity Classification of Harvested Cherry Fruit Based on NIR Hyperspectral Imaging Technology[J]. Postharvest Biology and Technology, 2018, 143: 112-118.

[8] ZHANG H, ZHAN B, PAN F, et al. Determination of Soluble Solids Content in Oranges Using Visible and near Infrared Full Transmittance Hyperspectral Imaging with Comparative Analysis of Models[J]. Postharvest Biology and Technology, 2020, 163: 1-9.

[9] GARILLOS-MANLIGUEZ C A, CHIANG J Y. Multimodal Deep Learning and Visible-Light and Hyperspectral Imaging for Fruit Maturity Estimation[J]. Sensors (Basel, Switzerland), 2021, 21(4): 1288.

[10] FENG L, WU B, ZHU S, et al. Application of Visible/Infrared Spectroscopy and Hyperspectral Imaging with Machine Learning Techniques for Identifying Food Varieties and Geographical Origins[J]. Frontiers in Nutrition, 2021, 8: 680357.

[11] LAN W, JAILLAIS B, RENARD C, et al. A Method Using near Infrared Hyperspectral Imaging to Highlight the Internal Quality of Apple Fruit Slices[J]. Postharvest Biology and Technology, 2021, 175: 1-8.

[12] 黃文倩, 陳立平, 李江波, 等. 基于高光譜成像的蘋果輕微損傷檢測有效波長選取[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(1): 272-277.

HUANG Wen-qian, CHEN Li-ping, LI Jiang-bo, et al. Effective Wavelengths Determination for Detection of Slight Bruises on Apples Based on Hyperspectral Imaging[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(1): 272-277.

[13] 張保華, 黃文倩, 李江波, 等. 基于高光譜成像技術(shù)和MNF檢測蘋果的輕微損傷[J]. 光譜學(xué)與光譜分析, 2014, 34(5): 1367-1372.

ZHANG Bao-hua, HUANG Wen-qian, LI Jiang-bo, et al. Detection of Slight Bruises on Apples Based on Hyperspectral Imaging and MNF Transform[J]. Spectroscopy and Spectral Analysis, 2014, 34(5): 1367-1372.

[14] TIAN Xi, FAN Shu-xiang, HUANG Wen-qian, et al. Detection of Early Decay on Citrus Using Hyperspectral Transmittance Imaging Technology Coupled with Principal Component Analysis and Improved Watershed Segmentation Algorithms[J]. Postharvest Biology and Technology, 2020, 161: 111071.

[15] 郭文川, 王銘海, 谷靜思, 等. 近紅外光譜結(jié)合極限學(xué)習(xí)機(jī)識別貯藏期的損傷獼猴桃[J]. 光學(xué)精密工程, 2013, 21(10): 2720-2727.

GUO Wen-chuan, WANG Ming-hai, GU Jing-si, et al. Identification of Bruised Kiwifruits during Storage by near Infrared Spectroscopy and Extreme Learning Machine[J]. Optics and Precision Engineering, 2013, 21(10): 2720-2727.

[16] SUN Y, WANG Y, XIAO H, et al. Hyperspectral Imaging Detection of Decayed Honey Peaches Based on Their Chlorophyll Content[J]. Food Chemistry, 2017, 235: 194-202.

[17] FU Xia-ping, WANG Meng-yao. Detection of Early Bruises on Pears Using Fluorescence Hyperspectral Imaging Technique[J].Food Analytical Methods, 2022, 15(1): 115-123.

[18] 王思玲, 蔡騁, 馬惠玲, 等. 基于高光譜成像的蘋果水心病無損檢測[J]. 北方園藝, 2015(8): 124-130.

WANG Si-ling, CAI Cheng, MA Hui-ling, et al. Nondestructive Detection of Apple Watercore Based on Hyperspectral Imaging[J]. Northern Horticulture, 2015(8): 124-130.

[19] KENNARD R W, STONE L A. Computer Aided Design of Experiments[J]. Technometrics, 1969, 11(1): 137-148.

Rapid Detection for Pressed Damage of Kiwifruit Based on Hyperspectral Imaging Technology

MENG Qing-long, FENG Shu-nan, TAN Tao, MAN Ting, SHANG Jing

(Food and Pharmaceutical Engineering Institute, Guiyang University, Guiyang 550005, China)

The work aims to explore a better rapid nondestructive method of detecting the pressed damage of kiwifruit. The hyperspectral imaging system was adopted to obtain hyperspectral images of kiwifruit and the spectra reflectance in damaged region and normal region was extracted. The multi-scatter calibration (MSC) was adopted to preprocess the primary reflectance spectra and principal component analysis was employed to conduct data mining. Then, the effects of Fisher discrimination analysis and simplified K nearest neighbor (SKNN) recognition method in distinguishing the pressed damage of kiwifruit were compared and analyzed. In the spectral range of 710-850 nm and 960-1 030 nm, the average spectra reflectance in damaged region of kiwifruit was obviously different from that in normal region. The first 5 principal components were selected as new variables by PCA from 256 full wavelengths and the detection efficiency of recognition model was improved. The accurate discrimination rates of SKNN and Fisher recognition models for prediction set both reached 93.3%. Only two samples in the prediction set were not distinguished accurately from the confusion matrix of SKNN model. The accurate discrimination rate of SKNN recognition model for calibration set was better than that of Fisher recognition model. SKNN recognition model has better effect in distinguishing pressed damage of kiwifruit.

kiwifruit; pressed damage; hyperspectral imaging; principal component analysis; rapid detection

TB485.3；S663.4

A

1001-3563(2022)15-0114-06

10.19554/j.cnki.1001-3563.2022.15.013

2022–06–12

國家自然科學(xué)基金（62141501）；貴州省科技計(jì)劃項(xiàng)目（黔科合基礎(chǔ)[2019]1010號）；貴州省基礎(chǔ)研究計(jì)劃（科學(xué)技術(shù)基金）（黔科合基礎(chǔ)[2020]1Y270）；貴陽學(xué)院專項(xiàng)資金（GYU–KY–[2022]）；貴州省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（202110976040）

孟慶龍（1989—），男，博士，貴陽學(xué)院副教授，主要研究方向?yàn)檗r(nóng)產(chǎn)品品質(zhì)無損檢測。

尚靜（1988—），女，碩士，貴陽學(xué)院講師，主要研究方向?yàn)檗r(nóng)產(chǎn)品品質(zhì)無損檢測。

責(zé)任編輯：曾鈺嬋