段潔利，張漢堯，付 函，賴力潛，袁浩天，何俊宇，楊 洲,3

?農業(yè)信息與電氣技術?

基于高光譜成像技術的青香蕉碰撞損傷檢測

段潔利1,2，張漢堯1，付 函1,2，賴力潛1，袁浩天1，何俊宇1，楊 洲1,2,3※

（1. 華南農業(yè)大學工程學院，廣州 510642；2. 嶺南現代農業(yè)科學與技術廣東省實驗室，廣州 510600；3. 廣東海洋大學機械工程學院，湛江 524088）

針對青香蕉早期輕微碰撞損傷無法用肉眼和RGB圖像識別的問題，該研究利用光譜數據與圖像信息，實現青香蕉早期輕微碰傷的檢測和碰傷程度區(qū)分。通過高光譜成像儀獲取碰撞損傷試驗樣品的光譜數據和圖像信息，對原始光譜數據進行預處理和異常樣本的剔除。通過特征波長提取，獲取特征波長下的低維圖像中創(chuàng)面區(qū)域像素點的分布數據，同時結合全像素點下的光譜反射率數據，將其作為BP神經網絡模型的訓練集和測試集，建立青香蕉碰撞損傷程度界定的無損檢測模型。試驗結果表明，利用高光譜技術可以識別肉眼不可見的輕微碰撞損傷，形成的BP神經網絡檢測模型的總體識別準確率為95.06%，并且可輸出碰傷等級的可視化圖像。研究為開發(fā)青香蕉碰傷快速無損檢測系統(tǒng)提供理論依據。

圖像處理；無損檢測；青香蕉；高光譜成像；特征波長

0 引 言

香蕉是中國嶺南特色水果之一，統(tǒng)計顯示，2020年中國香蕉產量達到了1 151.3萬t[1]。香蕉在采收和運送過程中往往處于綠硬期（青香蕉），在此過程中易受到各種碰撞損傷。不同類型碰傷均可加速香蕉果皮活性氧的積累進而導致香蕉果實的衰老腐敗[2]；青香蕉受到碰撞損傷后，微生物容易侵染損傷部位，經過催熟過程中的乙烯釋放和果實軟化后，造成於傷腐爛或黑斑花臉，嚴重影響其色澤品質和銷售價格[3]。因此，亟待尋找一種快速無損檢測青香蕉碰撞損傷的方法。

傳統(tǒng)的青香蕉碰撞損傷檢測方法主要是人工肉眼識別和常規(guī)RGB圖像識別[4-6]。然而人工識別受主觀因素影響較大，常規(guī)RGB圖像識別難以檢測出碰撞初期的碰傷情況。鑒于傳統(tǒng)檢測方法的不足，利用高光譜技術開展無損檢測的應用迅速發(fā)展。高光譜成像技術融合了傳統(tǒng)的圖像和光譜技術的優(yōu)點，可以同時獲取被檢測物體的空間信息和光譜信息[7]，對其內外部的品質參數進行測定，并依據這些參數建立與青香蕉碰撞損傷之間的關系，進行碰傷程度區(qū)分，彌補了傳統(tǒng)檢測方法的不足。

目前利用高光譜技術開展青香蕉碰撞損傷早期無損檢測的研究鮮有報道。ZHAO等[8]利用高光譜技術對香蕉樣品的光譜圖像進行顏色特征提取，根據這些數據建立人工神經網絡模型，實現成熟度的檢測且平均準確率為98.17%。CHU等[9]利用原始光譜，采用偏最小二乘判別分析方法，建立了準確率為91.53%的成熟度識別模型，有效區(qū)分了青香蕉6個成熟度等級。XIE等[10]對獲取的光譜數據，采用雙波長組合法進行有效波長的識別，并建立偏最小二乘模型檢測青香蕉的顏色和硬度，實現較好的檢測效果。MESA等[11]利用RGB圖像，高光譜圖像和深度學習相結合的技術，開發(fā)了一種區(qū)分香蕉質量和大小的無損分類系統(tǒng)，實現了對優(yōu)質香蕉、普通香蕉和不良香蕉的分類，分類精度可達98.45%。UGARTE等[12]為了檢測香蕉早期階段的黑條葉斑病菌，使用了高光譜圖像技術，開發(fā)了偏最小二乘法回歸模型，模型預測準確率達到98%。

上述研究雖然證明了高光譜技術結合機器學習模型在香蕉品質檢測方面的可行性，但以香蕉碰撞損傷為檢測目標的成果較少。為探究有效檢測青香蕉早期輕微碰撞損傷的方法，本文結合青香蕉的結構特點設計和搭建了擺動沖擊試驗臺，利用高光譜技術找出青香蕉關于碰撞損傷特性的特征波長段，實現碰傷程度的區(qū)分與可視化。研究為開發(fā)青香蕉表面碰傷快速無損檢測系統(tǒng)，提高香蕉經濟效益具有重要意義。

1 材料與方法

1.1 試驗材料和試驗裝置

試驗采用廣州本地種植的巴西蕉品種，斷蕾4個月后采收并運回實驗室，在室溫條件下通風保存至整體溫度穩(wěn)定。選取青香蕉大小、形狀和外觀合適，無碰撞損傷區(qū)域，無病蟲害的果指108根。其中81根青香蕉作為模擬碰傷的試驗樣品，另外27根青香蕉作為未碰傷健康試驗樣品以供對比驗證。

果蔬碰撞損傷試驗一般采用跌落或擺動沖擊兩種類型的試驗裝置，由于香蕉果指是條狀，采用跌落方式難以精準控制其表面的碰撞位置，并且香蕉容易發(fā)生彎轉，不便計算碰撞部位的沖擊能量，為此設計搭建了基于擺動沖擊的香蕉果指碰撞損傷試驗臺[13]，如圖1所示。試驗臺由擺臂、木錘、角度傳感器、樣品支撐臺和樣品固定機構組成，整體框架選用鋁合金材料搭建。試驗臺上的擺臂由長為0.6 m截面為20 mm×15 mm的實心鋁合金桿組成；木錘為直徑40 mm的木質半球；角度傳感器精度為0.3%，量程為0°～360°；樣品支撐臺和樣品固定機構內的觸手均為3D打印機仿形打印。在進行香蕉模擬碰撞試驗前，將香蕉樣本固定于仿形部件，試驗時，用手將擺臂拉起，定位在設置的水平，然后自由釋放擺臂使木錘對試驗設定的撞擊區(qū)域進行沖擊。

1.木錘 2.香蕉樣品 3.樣品支撐臺 4.擺臂 5.角度傳感器

1.Wooden bob 2.Banana sample 3.Sample support table 4.Pendulum arm 5.Angular transducer

注：為碰撞中心；為轉動中心；1為碰撞中心到轉動中心的距離，m；1為碰撞前的角速度，rad·s-1；2為碰撞后的角速度，rad·s-1；為擺臂長度，m；為碰撞中心K處的沖量，N·s；I為轉動中心O處的沖量在水平方向的分量，N·s；I為轉動中心O處的沖量在垂直方向的分量，N·s。

Note:is the collision center;is the center of rotation;1is the distance from the center of collision to the center of rotation, m;1is the angular velocity before collision,rad·s-1;2is the angular velocity after collision, rad·s-1;is the length of the swing arm, m;is the impulse at the collision center K, N·s;Iis the horizontal component of the impulse at the center of rotation O. Iis the vertical component of impulse at the center of rotation O.

圖1 擺動沖擊試驗臺示意圖

Fig.1 Schematic of the pendulum impact test bench

為了在沖擊時香蕉對木錘的反作用力不引起軸承處的沖擊力變化，即沖擊過程中無碰撞能量損耗，根據沖量定量計算擺臂的碰撞中心的位置，即木錘放置的位置。

設擺臂的轉動慣量為，碰撞沖量為，則根據對點的沖量矩定理有：

1+2=1（1）

設擺臂質量為、擺臂長度為，則擺臂的轉動慣量為

根據沖量定理，有

由于碰撞發(fā)生在碰撞中心，在轉動中心處沖量為零，即l=0，將式（1）和式（2）代入式（3），得到碰撞中心到轉動中心的距離1為

已知擺臂長為0.6 m，則碰撞中心K到轉動中心距離1為0.4 m。

忽略擺錘（擺臂和木錘作為一個整體）鉸鏈處的摩擦損耗、空氣阻力和試驗臺振動損耗，根據能量守恒定律，香蕉果指的吸收能量Δ為擺錘沖擊能量1與其反彈能量2之差，則香蕉果指在受沖擊時吸收的能量為

Δ=1?2（5）

設擺錘的轉動慣量為2、木錘質量為1、木錘球徑為、擺錘長度為，則擺錘的轉動慣量為

設為擺錘角速度，則鐘擺的轉動動能為

在進行沖擊試驗時，擺錘的角速度通過數據采集卡記錄角度與時間微分的方式計算。截取碰撞前后角度隨時間變化的數據片段進行擬合求解，碰撞前后角速度分別為1、2，則被撞部位吸收能量為

1.2 青香蕉碰撞損傷程度分類

青香蕉的品質分級標準[14]中，果身表面的機械類損傷面積是一個重要指標。標準規(guī)定，果身表面無碰壓傷的青香蕉屬于優(yōu)等品；碰壓傷面積小于1 cm2的屬于一等品；碰壓傷面積為1～2 cm2的屬于二等品；碰壓傷面積大于2 cm2，屬于劣等品將不進入市場。為了選取合適的沖擊能量，在預試驗中對果指中部開展了10°、15°、20°、35°和50°多種擺角下的系列碰撞[13]，將碰傷的香蕉置于溫度15 ℃、相對濕度88%的恒溫恒濕環(huán)境中保存48 h取出切開，當擺角為10°和15°時可觀察到小于1 cm2的不明顯碰傷區(qū)域；當擺角為20°時可觀察到1～2 cm2的較為明顯的碰傷區(qū)域；當擺角為35°或50°時可觀察到大于2 cm2的明顯碰傷區(qū)域；根據預試驗結果，并結合青香蕉品質分級標準，本文選擇了10°、20°、35° 3種擺角，將樣品均分為3組，分別為輕度碰撞損傷組、中度碰撞損傷組、重度碰撞損傷組，對應的釋放角度，沖擊能量和損傷面積如表1所示。

1.3 高光譜圖像采集系統(tǒng)

試驗采用北京卓立漢光公司的HyperSIS農產品高光譜成像儀，主要包括高光譜相機、光源、載物臺、滑軌、計算機控制硬件和軟件系統(tǒng)。光源采用儀器自帶的鹵素燈，光譜儀的光譜范圍為367.25～977 nm，采樣間隔為2.39 nm，將光譜范圍分為256個頻帶范圍。儀器掃描的具體參數設置：曝光時間20 ms，移動臺前進速度1.4 cm/s，回退速度2 cm/s，鏡頭與樣本距離42 cm。

表1 碰撞損傷分組對應的釋放角度和沖擊能量

1.4 圖像數據獲取與光譜信息提取

1.4.1 高光譜圖像采集

使用高光譜成像儀進行拍攝前，首先打開光源和相機預熱30 min，然后將系統(tǒng)配套的標準白板放置其中，拍攝獲取標準全白圖像的文件信息，再將鏡頭蓋上，拍攝獲取標準全黑圖像的文件信息。

為了消除暗電流及光源分布不均勻對高光譜成像造成的影響，需要對樣本圖像進行黑白校正[15]。校正公式為

式中R為掃描白板采集的全白圖像，R為蓋上鏡頭蓋采集到的全黑圖像，R為原始高光譜圖像，R為黑白校準后的高光譜圖像。

1.4.2 光譜數據提取

碰撞損傷試驗后48 h將樣品從恒溫恒濕箱中取出，將樣品逐一置于高光譜成像儀中掃描，獲取由Specview軟件黑白校正與鏡頭校正處理后的高維光譜數據文件，然后將文件導入到ENVI Classic 5.3軟件中，并對感興趣區(qū)域提取光譜, 其中每個感興趣區(qū)域中所有像素點的平均光譜作為該區(qū)域的原始光譜。

1.4.3 高光譜檢測青香蕉碰撞損傷的機理分析

近紅外波段的光譜特征主要與樣品中有機分子含氫基團振動有關[16]。青香蕉的創(chuàng)面會和空氣中的氧氣發(fā)生化學反應，破壞果肉細胞的細胞壁和細胞膜，釋放部分水分，造成光的散射減少，導致創(chuàng)面的含水量和光譜反射率數據與健康表面呈現不同。所以即使沖擊能量較小，其碰傷創(chuàng)面在肉眼和RGB圖像中無法識別的條件下，經過高光譜圖像技術處理后，在光譜波段下的圖像依然能清晰地看出其碰傷部位和碰傷程度，如圖2a與圖2b的對比所示，這說明了高光譜成像技術檢測青香蕉早期輕微碰撞損傷的可行性。

本研究使用的光譜數據由256維圖像組成。區(qū)別于三維的RGB圖像，高光譜圖像的數據信息高維且冗余，如果對每份樣品的所有圖像進行處理，不僅工作量龐大且后續(xù)的建模效果不佳。如圖2所示是同一份樣品在不同波段下（500、600、700、800 nm）的圖像，對比可知：不同波段下的圖像其呈現出的碰傷情況存在差異。因此探究青香蕉關于碰撞損傷的特征波段，利用特征波段下的圖像提取碰傷部位的光譜數據，可為后續(xù)的檢測模型提供可靠且精準的數據集。

圖2 樣品在RGB圖像和不同波段下高光譜圖像的區(qū)別

1.5 數據處理與建模方法

1.5.1 光譜數據的預處理

原始光譜曲線包含了無效且冗余的噪音，如波長反射率為1的飽和曲線，與整體光譜偏差較大的曲線等。噪音主要來源于試驗現場不可避免的震動和波動的光照條件，為了消除這部分噪聲的影響，在使用青香蕉健康表面和受到碰撞損傷表面的有效光譜數據前，需要進行預處理，防止其他因素降低所提出模型的準確度。本試驗采用多項式平滑法（savitzky golay，SG）結合多元散射校正法（multiplicative scattering correction，MSC）對光譜進行預處理。

1.5.2 異常樣本的剔除

在試驗過程中，無論是人為操作不當還是周圍環(huán)境因素等方面的影響，不免會出現偏離實際值的樣品數據。為減少異常樣本對整體數據真實性的破壞，采用了主成分分析結合馬氏距離和蒙特卡羅兩種方法剔除異常樣本。

主成分分析的目的是數據降維，以消除眾多信息共存中相互重疊的信息部分。主成分分析得到多個變量的主成分和得分，得分為壓縮后的變量數據，使用得分數據代替原始數據計算馬氏距離，不僅能反映全部數據信息，而且也能減少馬氏距離的計算量[17]。馬氏距離的計算步驟首先是將光譜數據進行標準化變換，然后使用主成分分析函數求解主成分分數和主成分分差，最后使用偏最小二乘法回歸函數得到均方根誤差。

蒙特卡羅法，也稱統(tǒng)計模擬方法、隨機抽樣技術，是基于“隨機數”、以概率統(tǒng)計理論為基礎的一種數值計算方法[18]。采用蒙特卡羅采樣方法隨機選擇一定量的樣本，劃分為建模集和預測集，以建立偏最小二乘法模型，多次運行后根據預測結果的統(tǒng)計信息，進行異常樣本的篩選[19]。

1.5.3 樣品分類分組準確率

為驗證碰撞損傷程度分類的準確率，本試驗提取了分類后樣品的光譜反射率數據，按2∶1的方式將樣品數據隨機分為訓練集72份，測試集36份。采用支持向量機（support vector machine，SVM）算法，最小二乘支持向量機（least squares support vector machine，LSSVM）算法，粒子群優(yōu)化-最小二乘支持向量機（particle swarm optimization-least square support vector machine，PSO-LSSVM）算法來驗證其準確率。

SVM算法是基于統(tǒng)計學習理論和結構風險最小原理，對有限的樣本信息在模型的復雜性和學習能力之間尋求最佳的平衡，以求獲得最好的推廣泛化能力，適用于解決小樣本、非線性及高維模式識別問題[20]。LSSVM是對SVM的改進，只需要對一個等式方程式求解對偶空間中的二次規(guī)劃問題，從而提高計算效率，用于回歸分析和判別分析[21]。PSO-LSSVM算法是一種基于群體智慧的全體最優(yōu)算法，是一種高效的搜索算法，可以應用離散粒子群算法結合偏最小二乘法來選擇信號，建立光譜數據的定量分析模型[22]。

1.5.4 特征波長的提取

高光譜圖像包含高維數據，雖然可實現波長信息及圖像信息的同步獲取，但大量冗余的數據會降低模型的運算效率，且無法精準識別出碰傷創(chuàng)面，因此有必要對數據進行降維，實現青香蕉的特征波長選取。本研究采用連續(xù)投影法（successive projections algorithm，SPA）、競爭性自適應加權采樣法（competitive adapative reweighted sampling，CARS）、區(qū)間組合優(yōu)化算法（interval combination optimization，ICO）實現青香蕉碰傷創(chuàng)面的特征波長提取。

SPA算法是前向特征變量選擇方法，利用向量的投影分析，通過將波長投影到其他波長上，比較投影向量大小，以投影向量最大的波長為待選波長，然后基于矯正模型選擇最終的特征波長[23-24]。CARS算法是一種結合蒙特卡羅采樣與偏最小二乘模型回歸系數的特征變量選擇法，模擬達爾文進化理論中的“適者生存”原則[25-26]。ICO算法是一種在模擬集群分析框架下開發(fā)的新型區(qū)間優(yōu)化選擇算法，具有軟收縮特征[27]。

1.5.5 圖像分割

圖像分割是圖像處理重要的步驟之一，本文主要通過圖像分割獲取特征波長圖像的青香蕉碰傷區(qū)域，通過精準識別和提取其碰傷區(qū)域的輪廓數據，從而獲取碰傷區(qū)域的像素點分布情況，進而結合全像素點光譜反射率數據，為后續(xù)檢測模型提供學習樣本。本文采用二值化處理、Canny邊緣檢測和圖像分割處理，以達到獲取碰傷區(qū)域像素點分布的目的。

1.5.6 檢測模型

BP（back propagation）人工神經網絡是前向神經網絡算法，是由輸入層、輸出層和若干中間隱含層組成的多層無反饋的連接網絡[28]，其主要特點是信號向前傳遞，誤差反向傳播。青香蕉的碰撞損傷檢測是一個非線性映射問題，其中輸入為青香蕉碰撞損傷特征，輸出為是否存在碰撞損傷以及鑒定碰傷程度。通過將訓練學習樣本提供給神經網絡模型，完成訓練后即可根據青香蕉表面的光譜特征，檢測出青香蕉是否存在碰撞損傷區(qū)域及碰傷程度。

1.5.7 可視化圖像

高光譜圖像能同時提供樣本的光譜信息與空間信息，由于光譜信息與空間信息的對應關系，基于樣本平均光譜建立的校正模型可用于樣本每一個像素點的預測，而基于每一個像素點的理化性質值則可以形成樣本的理化性質值分布圖[29-30]。

2 結果與分析

2.1 原始光譜數據預處理結果

使用Matlab R2020b軟件進行預處理，首先對原始光譜進行多項式平滑法處理，再采用多元散射校正法對光譜進行預處理，以降低極限漂移和散射效應。

對原始樣本數據集如圖3a先進行SG處理，將處理后的光譜曲線再進行多元散射校正法處理。處理后的效果如圖3b所示?？梢钥闯?，預處理后的光譜曲線修正了部分反射率為1的數據，總體曲線更加歸一且平滑，噪音點減少，曲線的凹凸處變少。說明該預處理方法效果較好，后續(xù)研究所用的光譜數據皆為經過SG和MSC方法預處理后的數據。

圖3 預處理前后的光譜曲線

2.2 異常樣本檢測結果

在Matlab R2020b平臺上進行主成分分析結合馬氏距離法的求解，設定均勻分布的30個閾值調整權重系數進行循環(huán)，得到不同的均方根誤差RMSE，以均方根誤差最小時為判斷依據得到最佳權重系數和閾值，對應到離群點序列號，剔除異常樣本。最后，通過將輸入的108份樣品數據代入進行計算，得出原始光譜的馬氏距離最佳閾值為2.85，其中第17份樣品屬于異常樣品數據，應該進行剔除。

采用蒙特卡羅-偏最小二乘法檢測青香蕉碰撞損傷異常樣本的參數設置如下：首先將青香蕉數據樣本集建立偏最小二乘模型，比例默認為0.75，預處理方法設置為center，抽樣次數設置為1 000次，蒙特卡羅抽樣所得校正集和測試集比例為3∶1，試驗所得青香蕉碰撞損傷蒙特卡羅異常樣本檢測結果如圖4所示。由圖4可以看出，7、10、53、60、77號樣本的誤差均值大于樣本預測誤差均值閾值。由此可得，采用蒙特卡羅算法共檢測出5個異常樣本，應該剔除這5個異常樣本。

注：圖a虛線代表的是原始光譜的馬氏距離為2.85；圖b虛線代表的是以平均值為1.3，標準差為0.28為界限對樣本進行異常樣品區(qū)分；圖b數字1～108代表的是樣品序號。

2.3 樣品分類準確率

經過2.1和2.2節(jié)的數據處理后，樣本的光譜數據已經比較準確，有102份樣本集，可以作為后續(xù)處理的數據集。為驗證本試驗碰傷程度劃分和樣品分類的準確率，本文采用SVM算法、LSSVM算法、PSO-LSSVM算法。

在使用SVM算法處理時，將樣本的光譜數據導入后對數據集劃分為訓練集和測試集，進行分類和數據歸一化、轉置，獲取最佳參數。最后進行模型訓練、仿真測試和性能評價，得到此次分類模型訓練集和測試集的準確率為94.66%和97.87%。

在使用LSSVM算法處理時，在參數設置上，核函數參數取10，懲戒參數為1.5，核函數設定為高斯核函數RBF（radial basis function），選擇一對一編碼模式。后通過編碼，建立訓練集和測試集模型，最后解碼，進行性能評價。得到訓練集和測試集的模型準確率為96.00%和96.90%。

在使用PSO-LSSVM算法處理時，參數設置為：粒子群個數為20，初始化學習因子為2，初始權重為0.95，終止權重為0.4，迭代次數為100，優(yōu)化參數的核函數取值范圍為0.01～300，懲戒參數取值范圍為0.01～200，速度取值為25。采用矩陣定義微粒位置和速度，定義每個微粒的最好位置以及每個微粒的最優(yōu)適應度，以及定義全局最優(yōu)適應度，最后評價每個微粒的適應度，更新當前微粒的最好位置和全局的最好位置，調整微粒速度與位置的同時限定參數范圍。對LSSVM參數進行如下設置：核函數設定為RBF_kernel，選擇一對一編碼，最后編碼、建立、訓練、預測模型，進行解碼和性能評價，得到此次分類模型訓練集和測試集的準確率為97.33%和93.75%，其結果如圖5所示。

通過以上3種不同定性分類模型驗證，平均訓練集和測試集準確率都在95%以上，說明按照沖擊能量大小梯度劃分碰撞損傷程度的可行性。將分類后樣品取光譜反射率均值求解，結果如圖6所示。對比圖6和表1數值可知：隨著沖擊能量的增大，青香蕉的損傷面積增大，且在500～650 nm和700～850 nm范圍內的光譜反射率呈現明顯的差距。這些數值的差距與青香蕉碰傷程度正相關，碰撞損傷程度越大，在一定的波段范圍內其反射率數據越小。

圖5 PSO-LSSVM的預測集和測試集結果

圖6 不同碰撞損傷程度的青香蕉平均光譜反射率曲線

2.4 特征波長選擇的結果

SPA算法的提取結果如圖7a和7b所示，SPA算法設定了最大變量數值為24，將均方根誤差大小作為選定變量個數的標準。當變量個數不斷增加時，RMSE總體呈下降趨勢，當變量個數從0增加到2時，RMSE下降速度快，斜率較大；2～6個變量時，RMSE輕微下降；變量個數從6到9，下降速度恢復之前的趨勢。SPA算法最后計算的結果是選取了6個，此時RMSE為0.47，共得到6個特征波長點，特征波長的具體提取結果如表2所示。

CARS算法的篩選結果如圖7c所示，7c在程序抽樣運行96次時，均方根誤差從最低大幅度上升，并且回歸系數路徑值正負變化，因此此時RMSE最低，選取的特征波長數為4，從而獲取圖7d所示。最終選定的四個變量，也就是特征波長段，具體提取結果如表2所示。

為驗證上述兩類算法結果的合理性，采用ICO算法進行驗證。其提取結果如圖7e所示。ICO算法結果是以粗選的方式，并以波段形式呈現，特征波長段的范圍為四段，具體提取結果如表2所示。

前述兩類算法提取的10個特征波長在這4個特征波長段范圍的重合度為90%，不重合的波長為376.81nm，且其相應的圖像特征模糊，不符合后續(xù)可視化顯示用途，進行剔除，最后保留9個特征波長。

注：圖a黑點代表本文所選取的變量個數為6個。

表2 通過SPA，CARS和ICO算法挑選的特征波長

2.5 特征波長下的圖像分割

由2.4節(jié)可知青香蕉關于碰撞損傷程度的特征波長有9個，通過ENVI Classic軟件獲取102份樣品在這9個特征波長下的圖像，合計918張圖像，提取每個樣品在全像素點下的反射率數據，例如圖像的第12行第13列的像素點，其波長反射率為0.359，表示為（12,13,0.359），以ASCII文件形式導出到Matlab中作為初始數據保存。特征波長下的圖像能充分顯示其因碰撞所呈現的表征，為利用此部分表征的數據信息，本文采用二值化處理、Canny邊緣檢測和圖像分割算法，按如圖8所示流程，獲取了全部樣品特征波長下圖像的碰傷區(qū)域。

2.6　基于BP神經網絡的檢測模型和可視化碰傷等級圖像

通過圖像分割流程，將918張灰度圖像進圖像分割，提取香蕉碰傷部位的輪廓區(qū)域，同時利用圖像全像素點下的反射率數據，用光譜反射率數據去表示碰傷輪廓區(qū)域的每個像素點所代表的信息。

圖8 圖像分割流程

采用BP神經網絡模型檢測特征波長下的碰傷區(qū)域和健康區(qū)域的提取性能，模型參數設置如下：激活函數為tansig，訓練次數為1 000，訓練學習率為0.1×10-3。隨機按2∶1比例劃分訓練集（健康區(qū)域152份，輕度碰撞傷區(qū)域152份，中度碰撞傷區(qū)域152份，重度碰撞傷區(qū)域152份）；測試集（健康區(qū)域76份，輕度碰撞傷區(qū)域76份，中度碰撞傷區(qū)域76份，重度碰撞傷區(qū)域76份）。輸入矢量是每份區(qū)域的每個像素點下所提取特征波長對應的光譜反射率。

最后的輸出層采用二進制字符進行識別和輸出，測試集的分類結果如表3所示，對健康樣品、輕度碰撞傷樣品、中度碰撞傷樣品、重度碰撞傷樣品的測試集的識別準確率分別為97.53%、92.59%、93.82%和96.29%，平均碰傷程度的判斷準確率為95.06%。為了更好地展示分類結果，同時考慮檢測的可視化，對每一個像素點用“00”代表健康，標記為黃色RGB(255，255，0)；“01”代表輕度碰撞傷，標記為藍色RGB(67,142,219)；“10”代表中度碰撞傷，標記為紫色RGB(128,0,128)；“11”代表重度碰撞傷，標記為紅色RGB(255,0,0)的方式進行最后的輸出顯示。其中區(qū)域的總體識別結果若有85%以上的相同數值和顏色，那么本區(qū)域都用此數值和顏色進行歸一顯示，最后的可視化圖像如圖9所示。

表3 基于特征波長的BP神經網絡模型檢測性能

注：圖a的藍色代表模型識別出此區(qū)域的損傷程度是輕度；圖b的紫色代表模型識別出此區(qū)域的損傷程度是中度的；圖c的紅色代表模型識別出此區(qū)域的損傷程度是重度的。

3 結 論

本文以青香蕉為研究對象，設計搭建模擬碰傷裝置，利用高光譜成像儀采集青香蕉健康表面和不同碰傷程度香蕉的光譜反射率數據和不同波段下的圖像信息，結合特征變量篩選對青香蕉的碰撞損傷程度進行了研究，主要結論如下：

1）采用3種類型的支持向量機算法，開展了不同沖擊能量下青香蕉碰傷程度的分類研究，平均準確率在95%以上。同時驗證了青香蕉碰撞損傷的識別機理以及采用光譜數據和圖像信息結合進行無損檢測的合理性。

2）對通過預處理和異常樣本剔除后的數據進行SPA、CARS、ICO算法的特征波長提取和驗證，得到9段特征波長。

3）通過獲取特征波長段下的圖像，提取碰撞損傷區(qū)域的輪廓分布邊界數據以及該區(qū)域的每個像素點對應的光譜反射率數據。將此數據作為BP神經網絡的輸入層進行訓練，最后得到的模型對健康樣品、輕度碰撞傷樣品、中度碰撞傷樣品、重度碰撞傷樣品的測試集識別準確率為97.53%、92.59%、93.82%和96.29%。

[1] 中華人民共和國國家統(tǒng)計局.中國統(tǒng)計年鑒[M]. 北京：中國統(tǒng)計出版社，2021.

[2] 王敏，殷菲朧，梁園麗，等. 不同機械傷處理對香蕉果皮活性氧代謝的影響[J]. 農業(yè)工程學報，2022，38(16)：284-292.

WANG Min, YIN Feilong, LIANG Yuanli, et al. Effects of different mechanical injury treatments on the metabolism of reactive oxygen species in banana peel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(16): 284-292. (in Chinese with English abstract)

[3] 王敏，關博洋，殷菲朧，等. 果蔬機械損傷的生理及分子機制研究進展[J]. 食品研究與開發(fā)，2022，43(9)：205-211.

WANG Min, GUAN Boyang, YIN Feilong, et al. Advances in research on physiological and molecular mechanisms of mechanical damage of fruits and vegetables[J]. Food Research and Development, 2022, 43(9): 205-211. (in Chinese with English abstract)

[4] LI L, YI P, HUANG F, et al. Effects of phospholipase dinhibitors treatment on membrane lipid metabolism of postharvest banana fruit in response to mechanical wounding stress[J]. Horticulturae, 2022, 8(10): 235-246.

[5] FERNANDO I, FEI J, STANLEY R. Measurement and analysis of vibration and mechanical damage to bananas during long-distance interstate transport by multi-trailer road trains[J]. Postharvest Biology and Technology, 2019, 158: 110-117.

[6] FERNANDO I, FEI J, STANLEY R, et al. Evaluating packaging performance for bananas under simulated vibration[J]. Food Packaging And Shelf Life, 2020, 23: 104-118.

[7] 趙茂程，宋瑞，汪希偉，等. 基于高光譜成像的肉品檢測去條帶噪聲方法[J]. 農業(yè)工程學報，2022，38(8)：271-280.

ZHAOMaocheng, SONGRui,WANGXiwei,etal.Striping noise removal method in meat detection based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(8): 271-280.(in Chinese with English abstract)

[8] ZHAO W, YANG Z, CHEN Z, et al. Hyperspectral surface analysis for ripeness estimation and quick uv-c surface treatments for preservation of bananas[J]. Journal of Applied Spectroscopy, 2016,83(2):254-260.

[9] CHU X, MIAO P, ZHANG K, et al. Green banana maturity classification and quality evaluation using hyperspectral imaging[J]. Agriculture, 2022,12(4):53-61.

[10] XIE C,CHU B, HE Y.Prediction of banana color and firmness using a novel wavelengths selection method of hyperspectral imaging[J]. Food Chemistry, 2018,245:132-140.

[11] MESA, ARMACHESKA R,CHIANG J. Multi-input deep learning model with rgb and hyperspectral imaging for banana grading[J]. Agriculture, 2021,11(8):68-87.

[12] UGARTE FJ, BAYONA AO, CRIOLLO B R, et al. Early detection of black Sigatoka in banana leaves using hyperspectral images[J]. Applications in Plant Sciences, 2020,8(8):113-129.

[13] 付函，劉恩秀，楊洲，等. 基于擺動沖擊試驗的青香蕉碰撞損傷敏感性評估[J]. 華南農業(yè)大學學報，2021，42(6)：100-108.

FUHan,LIUEnxiu,YANGZhou,etal. Evaluation of impact bruise susceptibility for green banana based on pendulum impact test[J].Journal of South China Agricultural University, 2021, 42(6): 100-108.(in Chinese with English abstract)

[14] 中華人民共和國農業(yè)部.青香蕉：NY/T 517-2002[S]. 北京：中國標準出版社，2002.

[15] 蘭玉彬，王天偉，郭雅琦，等. 柑橘黃龍病光譜特征波段選擇及光譜檢測儀研制[J]. 農業(yè)工程學報，2022，38(20)：119-128.

LANYubin, WANGTianwei, GUOYaqi , et al. Selection of spectral characteristic bands of HLB disease of citrus and spectrum detector development[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(20): 119-128.(in Chinese with English abstract)

[16] 白宗秀，朱榮光，王世昌，等. 高光譜圖像結合特征變量篩選定量檢測羊肉中狐貍肉摻假[J]. 農業(yè)工程學報，2021，37(17)：276-284.

BAIZongxiu, ZHURongguang,WANGShichang, et al.Quantitative detection of fox meat adulteration in mutton by hyper spectral imaging combined with characteristic variables screening[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(17): 276-284.(in Chinese withEnglish abstract)

[17] 張雪，葛武鵬，郗夢露，等. 基于主成分分析與馬氏距離結合運用的嬰幼兒配方奶粉營養(yǎng)綜合評價[J].食品科學，2020，41(5)：166-172.

ZHANGXue,GEWupeng,XIMenglu,et al. Comprehensive nutrition evaluation of infant formula based on principal component analysis with mahalanobis distance[J].Food Science, 2020, 41(5): 166-172.(in Chinese with English abstract)

[18] 周甜.復雜環(huán)境下的非遍歷反常動力模型分析及蒙特卡羅模擬算法[D]. 蘭州：蘭州大學，2022.

ZHOU Tian. Non-ergodic Abnormal Dynamic Model Analysis and Monte Carlo Simulation Algorithm in Complex Environment[D]. Lanzhou: Lanzhou University, 2022. (in Chinese with English abstract)

[19] VYNER C, NEMETH C, SHERLOCK C.SwISS: Ascalable Markovchain Monte Carlo divide-and-conquer strategy[J]. STAT, 2023,12(1): 189-202.

[20] 肖洪兵，郭培源，王瑜. 基于深度學習的高光譜臘肉營養(yǎng)安全分級[J]. 中國食品學報，2022，22(1)：275-281.

XIAOHongbing,GUOPeiyuan,WANGYu.Nutritional health risk grading of bacon hyper-spectrum based on deep learning[J]. Chinese Journal of Food Science, 2022, 22(1): 275-281.(in Chinese withEnglish abstract)

[21] VALAEEM,SOHRABIMR,Motiee F. Rapid simultaneous analysis of anti human immunodeficiency virus drugs in pharmaceutical formulation by smart spectrophotometrybasedonmultivariate calibration and least squares support vector machine methods[J]. Spectrochimica Acta Part A:MolecularandBiomolecularSpectroscopy,2023,290:12292.

[22] CAO H, WANG Y, YANG S, et al. A wavelength selection method based on random decision particle swarm optimization with attractor for near-infrared spectral quantitative analysis[J]. Journal of Chemometrics, 2015,29(5):289-299.

[23] YUAN R, LIU G, HE J, et al. Classification of Lingwu long jujube internal bruise over time based on visible near-infrared hyperspectral imaging combined with partial least squares-discriminant analysis[J]. Computers and Electronics in Agriculture, 2021,182:106043.

[24] QIAO S C, TIAN Y W, WANG Q H, et al. Nondestructive detection of decayed blueberry based on information fusion of hyperspectral imaging (HSI) and low-Field nuclear magnetic resonance (LF-NMR)[J]. Computers and Electronics in Agriculture, 2021,184:106100.

[25] SHAO Y, WANG Y, XUAN G. In-field and non-invasive determination of internal quality and ripeness stages of Feicheng peach using a portable hyperspectral imager[J]. Biosystems Engineering, 2021,212:115-125.

[26] TIAN Y,SUN J, ZHOU X, et al. Detection of soluble solid content in apples based on hyperspectral technology combined with deep learning algorithm[J]. Journal of Food Processing And Preservation, 2022,46(4): e16414.

[27] 宋相中. 近紅外光譜定量分析中三種新型波長選擇方法研究[D].北京：中國農業(yè)大學，2017.

SONGXiangzhong. Research on Three New wavelength selection Methods in Near Infrared Spectroscopy Quantitative Analysis[D]. Beijing: China Agricultural University, 2017.(in Chinese with English abstract)

[28] 王洪波，馬哲，烏蘭圖雅，等. 采用BP神經網絡和Burger模型的細觀參數標定[J]. 農業(yè)工程學報，2022，38(23)：152-161.

WANGHongbo,MAZhe, WUlantuya,etal.Mesoscopic parameter calibration using BPneural network and Burger model[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2022, 38(23): 152-161. (in Chinese with English abstract)

[29] 代秋芳，廖臣龍，李震，等. 基于CARS-CNN的高光譜柑橘葉片含水率可視化研究[J]. 光譜學與光譜分析，2022，42(9)：2848-2854.

DAIQiufang,LIAOChenlong,LIZhen,etal. Hyperspectral visualizationof citrus leaf moisture content based on CARS-CNN[J]. Spectroscopy and Spectral Analysis, 2022, 42(9): 2848-2854.(in Chinese with English abstract)

[30] 金誠謙，郭榛，張靜，等. 大豆水分含量的高光譜無損檢測及可視化研究[J]. 光譜學與光譜分析，2022，42(10)：3052-3057.

JIN Chengqian, GUO Zhen, ZHANG Jing, et al. Non-destructive detection and visualization of soybean moisture content using hyperspectral technique[J]. Spectroscopy and Spectral Analysis, 2022, 42(10): 3052-3057. (in Chinese with English abstract)

Collision damage detection of green bananas using hyperspectral imaging

DUAN Jieli1,2, ZHANG Hanyao1, FU Han1,2, LAI Liqian1, YUAN Haotian1, HE Junyu1, YANG Zhou1,2,3※

(1.,,510642,; 2.,510600,; 3.,,524088,)

Mechanical damage is one of the most important factors to affect the banana quality and sales. The collision damage of green bananas can also be early identified by naked eye. However, manual sorting of green bananas cannot fully meet the large-scale production in recent years, due to the time-consuming, low efficiency and easy to produce the deviation. In this study, the nondestructive detection and classification of mechanical damage of green bananas were realized to utilize the spectral and image information using hyperspectral technique. Firstly, a simulation device of collision damage was built and designed, according to the structural characteristics of green bananas. The same batch of healthy green Brazilian bananas were subjected to group impact experiments with different impact energies during simulation of collision device. Secondly, the samples were placed in the hyperspectral imager within 48 h after the impact to scan and collect the sample data. The sample data after black/white and lens correction were imported into the software ENVI5.3. The region of interest (ROI) of the image was selected to obtain the average spectral reflectance data and image information on the surface of the healthy green banana and the wounds. Thirdly, savitzky golay (SG) and multiplicative scattering correction (MSC) were combined to preprocess the original spectral data, and then Monte Carlo algorithm and principal component analysis (PCA) combined with Mahalanlet distance were used to remove the abnormal samples. A series of experiments were carried out to verify the classification and grouping accuracy of samples with different damage degrees. Support vector machine (SVM), least square support vector machine (LSSVM), and particle swarm optimization-least square support vector machine (PSO-LSSVM) were utilized to process the spectral reflectance data after removing abnormal samples. The successive projections algorithm (SPA) and the competitive adaptive reweighted sampling (CARS) were used to extract the characteristic wavelengths of green bananas, whereas, the interval combination optimization algorithm (ICO) was used to verify the accuracy of the extracted characteristic wavelengths. Finally, the low-dimensional image was obtained under the characteristic wavelength. The wound area and the pixel distribution data were identified using the binarization processing, Canny edge detection and image segmentation. The training and test set data of BP neural network were used to combine with the spectral reflectance data under the full pixel points derived from ENVI5.3. A nondestructive testing model was established for the classification and grouping of mechanical damage degree of green bananas. The test results show that the invisible minor collision damage was identified by hyperspectral technology. The recognition accuracy of the BP neural network detection model was 97.53%,92.59%, 93.82%, and 96.29% for the test set of healthy, mild collision, moderate collision, and severe collision samples. The accuracy of judging the overall damage degree was 95.06%. The visual image of damage level was output for the later use. This finding can provide the theoretical support to arrange the shelf life of green banana, particularly for the instrument of hyperspectral technology to identify the damage of green banana in real time.

image processing; nondestructive testing; green banana; hyperspectral image; characteristic wavelength

2023-02-14

2023-03-24

“十四五”廣東省農業(yè)科技創(chuàng)新十大主攻方向“揭榜掛帥”項目（2022SDZG03）；嶺南現代農業(yè)實驗室科研項目（NT2021009）；財政部和農業(yè)農村部：現代農業(yè)產業(yè)技術體系建設專項資金(CARS-31-11)；廣東省現代農業(yè)產業(yè)技術體系創(chuàng)新團隊建設專項資金(2023KJ109)

段潔利，博士，博士生導師，研究方向為智能農業(yè)裝備。Email：duanjieli@scau.edu.cn

楊洲，博士，博士生導師，研究方向為水果生產機械化與信息化。Email：yangzhou@scau.edu.cn

10.11975/j.issn.1002-6819.202302080

S24; S668.1

A

1002-6819(2023)-07-0176-09

段潔利，張漢堯，付函，等. 基于高光譜成像技術的青香蕉碰撞損傷檢測[J]. 農業(yè)工程學報，2023，39(7)：176-184. doi：10.11975/j.issn.1002-6819.202302080 http://www.tcsae.org

DUAN Jieli, ZHANG Hanyao, FU Han, et al. Collision damage detection of green bananas using hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(7): 176-184. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202302080 http://www.tcsae.org