寧景苑，葉海芬，孫雨玘，熊思怡，梅正昊，蔣晨豪，黃科濤，張?zhí)K婕，朱哲琛，李昱權(quán)，惠國華*，易曉梅，郜園園，吳 鵬

(1.浙江農(nóng)林大學(xué)信息工程學(xué)院，林業(yè)感知技術(shù)與智能裝備國家林業(yè)局重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 311300 2.浙江農(nóng)林大學(xué)信息工程學(xué)院，浙江省林業(yè)智能監(jiān)測重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 311300)

蘋果是家喻戶曉的水果，作為世界四大水果之冠，蘋果富含有機(jī)酸、果膠、維生素和礦物質(zhì)、膳食纖維、多酚和黃酮類化合物，營養(yǎng)價值很高，可以幫助調(diào)節(jié)酸堿平衡，對人體健康有很大的幫助。 2019 年我國蘋果栽培面積占全球的30%，產(chǎn)量占全球的32.7%。 然而，我國蘋果出口量僅占世界蘋果總出口量的12%左右[1]。 蘋果在運(yùn)輸過程中，由于包裝或運(yùn)輸方式不當(dāng)，很容易受到機(jī)械性損傷，從而加速營養(yǎng)成分的流失，加速蘋果腐敗，最終導(dǎo)致營養(yǎng)價值及商品價值下降[2]。 因此，探索一種快速、無損、低成本、易操作的蘋果損傷檢測方法迫在眉睫。

近年來光譜技術(shù)在食品科學(xué)研究中得到了廣泛的應(yīng)用，許多學(xué)者將可見光譜技術(shù)應(yīng)用于水果品質(zhì)的無損檢測。 韓浩然選擇市場上常見的黃瓜作為檢測對象，利用U-net 深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)合可見光譜圖像，實(shí)現(xiàn)了黃瓜褐斑病的像素特征提取和病斑分割。黃亮等[4]的研究證明，利用可見光譜可以快速、無損地預(yù)測花椰菜中硫代葡萄糖苷的含量。 余懷鑫等[5]利用可見光譜對溫州蜜桔的含水量進(jìn)行了研究，證明了利用可見光譜檢測溫州蜜桔含水率的可行性。 劉燕德等[6]利用可見光譜技術(shù)建立了油桃的無損檢測模型，對油桃的糖度、硬度和最佳貯藏天數(shù)進(jìn)行了預(yù)測。 孟慶龍等[7]利用可見光譜技術(shù)對獼猴桃的糖度進(jìn)行了快速、無損的檢測。 尚靜等[8]利用可見光譜采集系統(tǒng)獲得的光譜信息實(shí)現(xiàn)對李子硬度的檢測。 黃玉萍等[9]利用可見光譜判別西紅柿的內(nèi)部顏色。 車文凱等[10]利用多種重采樣方法對蘋果損傷區(qū)域內(nèi)的光譜進(jìn)行重采樣，建立并比較了不同的蘋果損傷時間分類模型。 穆炳宇等[11]利用可見-近紅外光譜技術(shù)檢測花椰菜的色澤。 韓亞芬等[12]利用可見近紅外透射光譜檢測技術(shù)結(jié)合PLS-DA 優(yōu)化模型，實(shí)現(xiàn)對馬鈴薯內(nèi)部缺陷的快速無損檢測。

以上研究證明可見光譜可以無損檢測水果的品質(zhì)，但所使用的儀器設(shè)備體積大，費(fèi)用高。 那么，如何利用樣品的漫反射或透射光信號，以最小化的硬件體系實(shí)現(xiàn)樣品的品質(zhì)檢測呢? 本文為驗(yàn)證弛豫光譜的可行性，采用單波長光作為光源，利用激光控制器控制激光器電流產(chǎn)生弛豫現(xiàn)象，激發(fā)蘋果內(nèi)部化學(xué)官能團(tuán)的弛豫特性，通過采集被測樣品的弛豫光譜，基于BP 神經(jīng)網(wǎng)絡(luò)算法構(gòu)建SNV-BP-RS 蘋果輕微損傷探測模型，并與利用傳統(tǒng)光譜建立的SNVBP-CS 模型進(jìn)行比較研究，以驗(yàn)證本文提出方法的有效性。

1 材料和方法

1.1 實(shí)驗(yàn)材料

蘋果樣品選用同一批次的紅富士蘋果，質(zhì)量為(120±10)g，直徑為70 mm～80 mm，色澤鮮艷，新鮮度好，無機(jī)械損傷、蟲蛀等現(xiàn)象。

1.2 主要儀器與設(shè)備

實(shí)驗(yàn)儀器包括650 nm 100 mW 可調(diào)焦紅光點(diǎn)狀激光發(fā)射器(MTO-LASER)、S3000 光譜儀(杭州晶飛)、光譜分析平臺(杭州晶飛)、LASER-5A DPSS LASER DRIVER(MicroStep MA1-106)、T40-CTRGZJ-43-150 強(qiáng)力磁鐵軟管支架激光器定位燈用固定支架(Anford)、鐵架臺、擦拭紙、遮光罩。 弛豫光譜采集系統(tǒng)如圖1 所示。 實(shí)驗(yàn)過程中，通過激光驅(qū)動器調(diào)節(jié)電流大小，從而改變激光的強(qiáng)弱，強(qiáng)度不同的激光能夠激發(fā)樣品內(nèi)部化學(xué)官能團(tuán)的弛豫性能，產(chǎn)生弛豫光譜。 再通過感光纖維探頭采集弛豫光譜，經(jīng)光譜儀處理后上傳至電腦。

圖1 弛豫光譜采集系統(tǒng)

1.3 蘋果損傷對照實(shí)驗(yàn)

在物理學(xué)中，弛豫過程是指物體的原始平衡態(tài)被破壞后，再次恢復(fù)到平衡態(tài)的過程。 在機(jī)理方面，由于處在非平衡態(tài)，非晶態(tài)物質(zhì)總是向低能態(tài)弛豫，故弛豫行為是理解非晶態(tài)物質(zhì)中各種物理現(xiàn)象的關(guān)鍵[13]。 激光的強(qiáng)度與電流有關(guān)[14]，通過控制電流來控制激光強(qiáng)度，模擬激光照射到蘋果表面的過程，使蘋果表面的激光強(qiáng)度逐漸增加，蘋果內(nèi)部的化學(xué)官能團(tuán)對光動態(tài)吸收，而這種動態(tài)吸收過程與穩(wěn)態(tài)吸收過程的反射光信號是不同的，這就是動態(tài)弛豫光譜的產(chǎn)生機(jī)理。 圖2 所示是不同電流強(qiáng)度下對應(yīng)的弛豫光譜。 為了保證弛豫過程的單一性，實(shí)驗(yàn)采用650 nm 單波長激光照射蘋果表面，改變激光器控制電流，采集并記錄蘋果樣品的漫反射光譜數(shù)據(jù)并進(jìn)行分析[15]。

圖2 不同電流強(qiáng)度下的弛豫光譜

實(shí)驗(yàn)開始前，用蒸餾水仔細(xì)清洗蘋果表皮并用擦拭紙吸干殘余水分，重復(fù)兩次，確保蘋果表面的灰塵、石蠟等物質(zhì)被徹底清洗，減少對實(shí)驗(yàn)的干擾。 清洗完畢后，在蘋果側(cè)面任意位置選取一個半徑為1.5 cm 的圓形區(qū)域，用記號筆做好標(biāo)記。 將蘋果放置在鐵架臺的鐵圈上，確保選定的區(qū)域朝上，以所選區(qū)域的圓心作為采樣點(diǎn)，將感光纖維探頭移至采樣點(diǎn)，需保證探頭與其貼合緊密的同時不得誤傷蘋果表皮。 將激光驅(qū)動器的激光電流調(diào)至0.9 A 以下，打開激光并手動調(diào)整激光入射位置，入射點(diǎn)可在距離采樣點(diǎn)1 cm 的圓周上任意選擇。 位置調(diào)整完畢后，為鐵架臺罩上遮光罩以創(chuàng)造黑暗環(huán)境，防止外來光源對實(shí)驗(yàn)環(huán)境造成干擾。

在激光驅(qū)動器的控制下，以0.9 A 為初始電流強(qiáng)度，以0.05 A 為電流遞增步長，記錄每一采樣點(diǎn)在0.9 A 和2.05A 電流區(qū)間內(nèi)的光譜數(shù)據(jù)，最后關(guān)閉激光驅(qū)動器測量背景光狀態(tài)下的光譜數(shù)據(jù)，得到25 組數(shù)據(jù)。 為降低實(shí)驗(yàn)誤差，采取平行實(shí)驗(yàn)方式對每一無損采樣點(diǎn)重復(fù)測量15 次，累計獲得375 組蘋果在無損狀態(tài)下的實(shí)驗(yàn)數(shù)據(jù)。

測量完畢后，取出蘋果并用研缽棒按壓所選區(qū)域，在保證蘋果表皮無損的情況下，使該區(qū)域的果肉受到深度為1 cm 的損傷，創(chuàng)造出受損蘋果。 該步驟完成后立馬將蘋果放回，在相同實(shí)驗(yàn)條件下以相同實(shí)驗(yàn)方式測量蘋果在受損狀態(tài)的光譜數(shù)據(jù)，重復(fù)進(jìn)行15 次，累計獲得375 組蘋果在有損狀態(tài)下的光譜數(shù)據(jù)。

1.4 光譜數(shù)據(jù)預(yù)處理

1.4.1 標(biāo)準(zhǔn)正態(tài)變量變換法(SNV)

每個蘋果的生長情況不同，個體之間必然存在差異，不同蘋果的光譜數(shù)據(jù)也不同，此時需要用SNV 算法優(yōu)化處理光譜數(shù)據(jù)。

標(biāo)準(zhǔn)正態(tài)變量變換(Standard Normal Variable Transformation，SNV)可以作為光譜數(shù)據(jù)的預(yù)處理方法，主要是為了消除固體顆粒的影響。 在固態(tài)樣品的檢測中，有助于減少固體表面散射和光程變化對光譜數(shù)據(jù)的影響[16]。 與相同公式的標(biāo)準(zhǔn)化算法中對一組光譜的處理方法相比，SNV 直接對單條光譜的數(shù)據(jù)進(jìn)行處理，其處理方法如下:

式中:Xi，SNV是經(jīng)過SNV 算法處理后第i條光譜的數(shù)據(jù)值，Xi表示第i條光譜的平均值，Xi，k表示第i條光譜中第k個波點(diǎn)數(shù)，m表示光譜中波長點(diǎn)數(shù)，m的大小與光譜儀相關(guān)。

1.4.2 BP 神經(jīng)網(wǎng)絡(luò)

圖3 是BP 神經(jīng)網(wǎng)絡(luò)模型建立的流程圖。

圖3 BP 神經(jīng)網(wǎng)絡(luò)模型建模流程

BP 神經(jīng)網(wǎng)絡(luò)是一種基于誤差反饋算法訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)，應(yīng)用廣泛[17]。 其網(wǎng)絡(luò)結(jié)構(gòu)主要由一個輸入層、一個或多個隱含層、一個輸出層組成。 由于本實(shí)驗(yàn)的數(shù)據(jù)之間呈現(xiàn)簡單的非線性關(guān)系，包含一個隱含層的BP 神經(jīng)網(wǎng)絡(luò)模型可以滿足需求。 實(shí)驗(yàn)建立的模型網(wǎng)絡(luò)結(jié)構(gòu)如圖4 所示。

圖4 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2 結(jié)果與討論

2.1 實(shí)驗(yàn)光譜預(yù)處理

本文使用的光譜分為傳統(tǒng)靜態(tài)光譜和弛豫動態(tài)光譜兩大類，每類光譜采集了1 000 組，其中無損狀態(tài)蘋果光譜500 組，有損狀態(tài)蘋果光譜500 組。 將每類光譜按照8 ∶2 的比例劃分訓(xùn)練集和測試集，訓(xùn)練集包括有損狀態(tài)光譜400 組，無損狀態(tài)400 組。測試集包括有損狀態(tài)100 組，無損狀態(tài)100 組。

2.1.1 數(shù)據(jù)篩選

對于采集的傳統(tǒng)靜態(tài)光譜，選取600 nm～800 nm波長的光譜，其他波段的光譜數(shù)據(jù)舍去。 傳統(tǒng)靜態(tài)光譜篩選處理前后如圖5 所示。進(jìn)行整合，其他波段的光譜數(shù)據(jù)舍去。 弛豫光譜篩選處理前后如圖6 所示。

圖5 傳統(tǒng)光譜篩選處理前后對比圖

圖6 弛豫光譜篩選處理前后對比圖

對于采集的弛豫動態(tài)光譜，將電流為0.9 A ～2.05 A 時對應(yīng)的650 nm 波長的光譜曲線篩選出來，

2.1.2 SNV 優(yōu)化

SNV 是一種標(biāo)準(zhǔn)化算法，針對單條光譜數(shù)據(jù)進(jìn)行處理。 SNV 算法主要用于消除樣本表面固體顆粒等外界因素對樣本數(shù)據(jù)的影響。 通過對篩選出的光譜數(shù)據(jù)進(jìn)行SNV 算法優(yōu)化處理，標(biāo)準(zhǔn)化單條光譜數(shù)據(jù)，消除由于蘋果個體差異引起的光譜數(shù)據(jù)差異，進(jìn)一步減小光譜樣本數(shù)據(jù)之間的差異，最終得到的光譜數(shù)據(jù)更為緊湊，趨于一致。 在此將篩選出的光譜數(shù)據(jù)，進(jìn)行SNV 算法優(yōu)化處理，如圖7、圖8 所示。

圖7 傳統(tǒng)光譜曲線SNV 處理前后對比圖

圖8 弛豫光譜曲線SNV 處理前后對比圖

2.2 BP 網(wǎng)絡(luò)模型的建立及結(jié)果

根據(jù)模型的網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置模型各層的初始化參數(shù)如表1。

表1 蘋果損傷檢測模型初始參數(shù)

按照BP 神經(jīng)網(wǎng)絡(luò)模型建立流程對模型進(jìn)行調(diào)參，具體如下:

①隱含層節(jié)點(diǎn)數(shù):

圖9 所示是不同隱含層節(jié)點(diǎn)數(shù)時模型的準(zhǔn)確率，經(jīng)過實(shí)驗(yàn)測試，當(dāng)隱含層節(jié)點(diǎn)數(shù)為48 時，基于傳統(tǒng)光譜建立的模型精度最高。 當(dāng)隱含層節(jié)點(diǎn)數(shù)為76 時，基于弛豫光譜建立的模型精度最高。

圖9 不同隱含層節(jié)點(diǎn)數(shù)時，模型的準(zhǔn)確率

②迭代次數(shù):

圖10 所示是不同迭代次數(shù)時模型的準(zhǔn)確率，經(jīng)過實(shí)驗(yàn)測試，當(dāng)?shù)螖?shù)為20 000 次時，基于傳統(tǒng)光譜建立的模型精度最高。 當(dāng)?shù)螖?shù)為5000 次時，基于傳統(tǒng)光譜建立的模型精度最高。

圖10 不同迭代次數(shù)時，模型的準(zhǔn)確率

經(jīng)過以上實(shí)驗(yàn)，最終確定模型參數(shù)如表2 所示。

表2 蘋果損傷檢測模型最終參數(shù)

將光譜數(shù)據(jù)分為兩組，第一組數(shù)據(jù)僅進(jìn)行數(shù)據(jù)篩選，不使用任何算法進(jìn)行處理。 第二組數(shù)據(jù)進(jìn)行數(shù)據(jù)篩選后，再使用SNV 算法優(yōu)化。 將兩組數(shù)據(jù)輸入模型訓(xùn)練測試，結(jié)果如表3 所示。

表3 蘋果損傷檢測模型判別結(jié)果

為了進(jìn)一步測試模型的性能，增加穩(wěn)定性、可重復(fù)性驗(yàn)證實(shí)驗(yàn)，使用不同的測試集測試模型，每個模型測試20 次。 測試結(jié)果如圖11 所示，基于弛豫動態(tài)光譜建立的蘋果損傷檢測模型穩(wěn)定性、可重復(fù)性、準(zhǔn)確率均優(yōu)于基于傳統(tǒng)光譜建立的檢測模型。

圖11 穩(wěn)定性、可重復(fù)性實(shí)驗(yàn)結(jié)果

3 結(jié)論

本文以紅富士蘋果為實(shí)驗(yàn)對象，以單波長光為光源，利用激光控制器控制激光器電流產(chǎn)生弛豫現(xiàn)象，激發(fā)蘋果內(nèi)部化學(xué)官能團(tuán)的弛豫特性，采集樣品的弛豫光譜，建立基于BP 神經(jīng)網(wǎng)絡(luò)算法的損傷檢測模型，以驗(yàn)證利用弛豫光譜判別蘋果是否損傷的可行性。 實(shí)驗(yàn)首先對原始光譜數(shù)據(jù)進(jìn)行篩選，采用SNV算法對篩選后的光譜數(shù)據(jù)進(jìn)行優(yōu)化，利用傳統(tǒng)靜態(tài)光譜和弛豫動態(tài)光譜，基于BP 神經(jīng)網(wǎng)絡(luò)算法分別建立SNV-BP-CS 和SNV-BP-RS 模型。 SNV-BP-CS 模型最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù):輸入層的尺寸為713×1，隱含層節(jié)點(diǎn)為48，輸出層尺寸為2×1，迭代次數(shù)為20 000 次。SNV-BP-RS 模型最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù):輸入層的尺寸為24×1，隱含層節(jié)點(diǎn)數(shù)為76，輸出層尺寸為2×1，迭代次數(shù)為5 000 次。 采集的光譜數(shù)據(jù)通過篩選、SNV算法優(yōu)化后，代入模型訓(xùn)練測試。 SNV-BP-CS 模型的訓(xùn)練集準(zhǔn)確率為95.26%，測試集準(zhǔn)確率為86.39%，檢測一個樣本用時0.454 s。 SNV-BP-RS 模型的訓(xùn)練集準(zhǔn)確率可以達(dá)到99.79%，測試集準(zhǔn)確率達(dá)到91.48%，檢測一個蘋果是否損傷用時為0.291 s。 相較于基于傳統(tǒng)靜態(tài)光譜和BP 神經(jīng)網(wǎng)絡(luò)算法建立的SNV-BPCS 蘋果損傷檢測模型，基于弛豫動態(tài)光譜技術(shù)和BP神經(jīng)網(wǎng)絡(luò)算法建立的SNV-BP-RS 蘋果損傷檢測模型能夠有效降低光譜檢測對激光波段的需求，模型檢測準(zhǔn)確率高，用時短，穩(wěn)定性良好。 用本文提出的基于弛豫動態(tài)光譜技術(shù)的蘋果損傷檢測方法判別蘋果是否損傷，僅需一個單波長光源、一個光譜儀、一臺電腦以及若干固定設(shè)備即可，大大縮小了檢測設(shè)備的體積和成本。 為水果精準(zhǔn)、高效、低成本的探傷性研究提供了一種新的思路。