王 凡，孟翔宇，陳龍躍，段丹丹,3，錢英軍

（1.北京市農(nóng)林科學(xué)院信息技術(shù)研究中心，北京 100097；2.嶺南現(xiàn)代農(nóng)業(yè)科學(xué)與技術(shù)廣東省實驗室河源分中心，廣東 河源 517000；3.清遠(yuǎn)市智慧農(nóng)業(yè)農(nóng)村研究院，廣東 清遠(yuǎn) 511500；4.廣東科貿(mào)職業(yè)技術(shù)學(xué)院，廣東 清遠(yuǎn) 511500）

【研究意義】近年來，高品質(zhì)蘋果在市場上表現(xiàn)出一定競爭力。一般來說，外觀可以直觀反映蘋果質(zhì)量，損傷作為影響水果品質(zhì)的主要指標(biāo)之一，對保證蘋果品質(zhì)和利潤具有重要意義［1-2]。蘋果在采摘或運輸過程極易因外力作用使其表皮受到機械損傷，僅使用肉眼難于覺察。傳統(tǒng)的水果損傷檢測主要靠人工進行分類識別，這種方法耗時費力、主觀性強，無法滿足批量水果的快速實時檢測，且不能對輕微損傷加以檢測［3-4］。【前人研究進展】伴隨科技的發(fā)展與進步，無損檢測技術(shù)開始應(yīng)用于水果品質(zhì)檢測中。使用較多的檢測技術(shù)有高光譜成像（HSI）、近紅外光譜、紅外熱成像、核磁共振等［5-8］。光譜分析和機器學(xué)習(xí)方法對于處理疾病檢測中的HSI 數(shù)據(jù)至關(guān)重要，可提取和利用高維數(shù)據(jù)中包含的有效信息［9-10］。張晉寶等［11］對蘋果內(nèi)外部品質(zhì)檢測方法進行研究，利用高光譜技術(shù)對外部損傷進行檢測，優(yōu)選出10 個特征波段做PCA 進行處理識別，最終達到90%的損傷識別率。韓浩然等［12］分別使用PCA、波段比算法、監(jiān)督分類法等進行模型建立，對鴨梨模型進行識別，PCA 檢測正確率達到95%，驗證了利用光譜技術(shù)可以很好地完成對水果輕微損傷的無損檢測。Ding 等［13］以蘋果的早期損傷為研究目標(biāo)，利用高光譜成像技術(shù)檢測得到400～1 000 nm 光譜范圍數(shù)據(jù)。通過選取特征波長并逐步判別分析，較好地區(qū)別1 h 以上的損傷與正常蘋果。Dan 等［14］以3 種蘋果為研究目標(biāo)，對其蘋果表面缺陷進行檢測，識別準(zhǔn)確率分別為76%、85%和 95%?！颈狙芯壳腥朦c】目前國內(nèi)外許多研究進行了水果內(nèi)外部品質(zhì)檢測［15-18］，但多屬于蘋果內(nèi)含物質(zhì)品質(zhì)檢測和破壞性的檢測方式，對于無損檢測輕微損傷的研究較少。本文利用高光譜成像技術(shù)檢測蘋果的輕微損傷，并使用圖譜融合的方法進行處理分析，可為產(chǎn)品在線檢測提供一定參考?！緮M解決的關(guān)鍵問題】本文應(yīng)用高光譜成像技術(shù)，研究無損檢測蘋果表面損傷的可能性，通過比值光譜分析損傷與正常區(qū)域的光譜響應(yīng)特性，構(gòu)建最能準(zhǔn)確辨別水果表面損傷的特征光譜指數(shù)，基于指數(shù)增強圖像實現(xiàn)蘋果表面損傷的快速無損識別，為高光譜圖像技術(shù)對水果損傷的在線檢測提供依據(jù)。

1 材料與方法

1.1 試驗材料

2022 年11 月上旬，在北京平谷蘋果產(chǎn)區(qū)，選擇大面積種植的具有代表性的蘋果樣本，共收集163 個，涵蓋3 個品種（紅富士、王林、國光）。為避免蘋果表面的灰塵雜質(zhì)等對數(shù)據(jù)采集造成影響，采集高光譜圖像前將蘋果清洗，并用75%酒精對其表面進行消毒去污，置于常溫室內(nèi)備用。

1.2 高光譜圖像采集

蘋果放置室內(nèi)12 h 后，采集樣本的高光譜圖像。高光譜圖像采集系統(tǒng)由1 個暗箱、1 個升降平臺、2 個75W 鹵鎢燈、2 臺風(fēng)扇、1 個高光譜成像儀和1 臺計算機組成，高光譜成像系統(tǒng)示意圖如圖1 所示。高光譜相機可以檢測176 個波長，在395.9～998.1 nm 范圍內(nèi)均勻分布，分辨率為4 nm。蘋果樣本和相機鏡頭之間的距離為500 mm，鏡頭直徑為25 mm。圖像的空間分辨率為1 000×1 000，所有圖像均通過水果的輻射率與白色參考面板的輻射率校準(zhǔn)獲取絕對反射率。

圖1 高光譜成像儀器Fig.1 Hyperspectral imaging instrumentation

1.3 數(shù)據(jù)分析

1.3.1 高光譜圖像ROI 選擇 在研究蘋果表面損傷的光譜特征時，選擇感興趣區(qū)域（ROI）進行光譜信息提取。ROI 從訓(xùn)練集中的每個圖像中選取，分別位于正常和損傷區(qū)域的中心，避免光譜變化較大的區(qū)域，如蘋果邊緣莖干。在每個水果樣品中，對正常和損傷區(qū)域兩個ROI 的所有像素進行平均，獲得代表ROI 的光譜，共獲得120 條損傷區(qū)域光譜120 條正常區(qū)域光譜。

1.3.2 高光譜預(yù)處理 基于白色參考的校準(zhǔn)只能校正陽光強度和儀器響應(yīng)的差異。光的空間分布和蘋果幾何形狀的影響必須進一步糾正。在空間不同的照明條件下，基于光譜尺度（例如相對光譜）的校正可能是一種有效策略。研究表明，通過光譜歸一化可有效抑制照明差異，歸一化反射光譜根據(jù)以下公式計算：

式中，Rλ為第λ波長處的相對反射率，n為波長總數(shù)。

1.3.3 光譜指數(shù)構(gòu)建 高光譜圖像所包含的光譜信息數(shù)據(jù)量龐大，含有較大的冗余以及非光譜信息。因此選擇合理的數(shù)據(jù)處理方法、尋找最能表征蘋果輕微損傷的特征波長的圖像非常重要。光譜指數(shù)（SI）將兩個或兩個以上波段的地物反射率或輻射值進行組合運算，以增強目標(biāo)的某一特性或細(xì)節(jié)［19-20］。本研究選擇常用的兩波段光譜指數(shù)，通過蘋果正常與損傷區(qū)域的比值光譜特征分析，構(gòu)建新型兩波段光譜指數(shù)，以便更好利用波長包含的信息。構(gòu)建形式主要有歸一化光譜指數(shù)（NDSI）、比值光譜指數(shù)（RSI）和差值光譜指數(shù)（DSI），光譜指數(shù)構(gòu)建的計算公式如下：

式中，Rλ1為高光譜波長為的波段λ1的光譜反射率，Rλ2為高光譜波長為λ2的光譜反射率。

1.3.4 圖像處理 根據(jù)式（2）～式（4）計算ROI的各特征光譜指數(shù)，在ENVI 遙感圖像處理軟件環(huán)境下，基于“波段運算”，獲得3 種光譜指數(shù)增強圖像，統(tǒng)計像素特征值。選取對損傷區(qū)域特征具有較強表征能力的指數(shù)圖像，用于蘋果損傷區(qū)域的分類識別。

1.3.5 無監(jiān)督分類 將迭代自組織數(shù)據(jù)分析算法（ISODATA）作為損傷檢測的核心聚類方法。作為一種無監(jiān)督分類方法，ISODATA 算法的優(yōu)點是不需要了解聚類的數(shù)量，與k 均值聚類方法類似，根據(jù)到聚類中心的最短距離將像素分配給聚類，該算法通過迭代合并和拆分實現(xiàn)自適應(yīng)聚類［21］。

設(shè)置ISODATA 無監(jiān)督分類最小（最大）類數(shù)為2（5）個，根據(jù)所選特征對每個樣品的高光譜圖像進行分類。訓(xùn)練后，ISODATA 自動給出最合適的類號。該方法使用最小光譜距離將每個像素分到一類。首先從給定圖像提取任意類均值，通過反復(fù)分類和重新計算新的類統(tǒng)計信息，然后將其用于下一次迭代，最多持續(xù)100 次迭代或直到收斂閾值達到99%［22］。與一些經(jīng)典的監(jiān)督統(tǒng)計方法（如判別分析法、回歸分析法）不同，該訓(xùn)練過程不定義特定的模型，而只是確定最佳閾值，其簡單性可以提高其在損傷檢測中的通用性。

1.3.6 準(zhǔn)確性評估 為驗證分類結(jié)果準(zhǔn)確性，對高光譜葉圖像進行目視解釋，并手動提取異常區(qū)域的ROI 作為參考。將所提出的方法與參考ROI 進行比較，以確定正確分類和錯誤分類樣本的數(shù)量，基于總體準(zhǔn)確度進行準(zhǔn)確度評估。利用ENVI 5.3 和MATLAB 2018b 軟件（MathWorks Inc.，Natick，馬薩諸塞州，美國）進行統(tǒng)計分析和建模。

2 結(jié)果與分析

2.1 光譜特性分析

從圖2 可以看出，3 種蘋果的正常與損傷區(qū)域光譜曲線特征基本相同且無明顯差異。圖3 為損傷區(qū)域與正常區(qū)域在390～1 000 nm 范圍的平均光譜反射率曲線和光譜比值曲線。從圖3 可以看出，正常區(qū)域與損傷區(qū)域光譜曲線的大體趨勢相同，但蘋果受到損傷后，在可見光區(qū)域（400～760 nm）有顯著差異，隨著損傷程度上升，光譜反射率值降低，呈明顯負(fù)相關(guān)。這是因為遭受損傷后，蘋果表面組織結(jié)構(gòu)破壞導(dǎo)致色素沉著，水分和活性降低，導(dǎo)致可見光區(qū)域光譜反射率降低。

圖2 不同品種蘋果正常區(qū)域與損傷區(qū)域的光譜曲線Fig.2 Spectral profiles of normal and damaged areas of different apple varieties

圖3 蘋果正常區(qū)域和損傷區(qū)域的光譜曲線Fig.3 Spectral profiles of damaged and normal areas of apples

光譜比值處理能夠?qū)⒆鳛槌龜?shù)的正常區(qū)域光譜特征作為背景壓制，而突出其他組分對于混合光譜的影響，通過觀察比值光譜曲線可以發(fā)現(xiàn)，輕微損傷區(qū)域與正常區(qū)域的比值光譜曲線在藍(lán)邊（490～530 nm）和紅邊（670～720 nm）區(qū)域存在兩個峰，且分別在528、676 nm 處達到峰值。對兩處光譜反射率進行ANOVA 方差分析結(jié)果如表1 所示。損傷區(qū)域與正常區(qū)域的兩處光譜反射率差異均達到0.05 顯著水平，光譜反射率有顯著差異，說明528、676 nm 處光譜在區(qū)分正常區(qū)域和損傷區(qū)域方面具有一定敏感性。因此，在后期數(shù)據(jù)處理過程中選取528、676 nm 作為針對輕微損傷區(qū)域的特征波段，進行光譜指數(shù)的構(gòu)建。

表1 蘋果正常區(qū)域與損傷區(qū)域光譜反射率顯著性差異Table 1 Analysis of significant differences in spectral reflectance between normal and damaged areas of apples

2.2 圖像處理結(jié)果

圖4 分別為3 種特征光譜指數(shù)的蘋果灰度圖像，可以明顯觀察到正常區(qū)域和異常區(qū)域的灰度值存在較大差異。通過統(tǒng)計各ROI 損傷區(qū)域與正常區(qū)域的NDSI、RSI、DSI 的像素值，獲取光譜指數(shù)的統(tǒng)計特征值（表2）。正常區(qū)域的光譜指數(shù)特征的平均值與標(biāo)準(zhǔn)差分別為0.72、0.05；而損傷區(qū)域的光譜指數(shù)特征的平均值與標(biāo)準(zhǔn)差分別為0.14、0.02，兩類圖像特征在NDSI 增強圖像中的像素值具有較大差異。類似地，兩類圖像特征在RSI 及DSI 增強圖像中的像素值平均值與標(biāo)準(zhǔn)差分別為0.42 和0.06，0.08 和0.03 以及0.49 和0.07，0.11 和0.03。由表2、圖4 可知，損傷區(qū)域與正常區(qū)域特征在各SI 增強圖像中區(qū)分明顯：正常區(qū)域特征在各增強圖像中均具有較高的像素值，其色調(diào)表現(xiàn)明亮；相反，損傷區(qū)域特征在上述SI 增強圖像中均具有較低的像素值，其色調(diào)表現(xiàn)灰暗。不同區(qū)域建立的NDSI 增強圖像像素值的平均值具有較大差異，兩類圖像特征的NDSI平均值相差0.58。另一方面，建立的NDSI 對損傷區(qū)域與正常區(qū)域特征具有較強的區(qū)分能力。雖然RSI 與DSI 具有類似的性質(zhì)，但損傷區(qū)域特征的RSI 平均值小于NDSI 平均值，表明其提取損傷區(qū)域的能力較弱。另外，DSI 提取損傷特征的能力介于NDSI 與RSI 之間，其提取損傷區(qū)域的能力相對較弱。

表2 蘋果正常區(qū)域與損傷區(qū)域在NDSI、RSI、DSI 增強圖像中的統(tǒng)計特征值Table 2 Statistical eigenvalue of damaged and normal areas of apples in NDSI,RSI and DSI-enhanced images

圖4 NDSI、RSI、DSI 光譜指數(shù)增強下的蘋果高光譜灰度圖像Fig.4 Hyperspectral grey-scale image of apple under enhanced spectral indexes of NDSI,RSI and DSI

2.3 損傷檢測結(jié)果

基于最優(yōu)光譜指數(shù)特征圖像，采用無監(jiān)督分類ISODATA 方法生成分類圖像。為便于直觀地評估檢測結(jié)果，圖5 展示了ISODATA 可區(qū)分樣品的二元分類圖像。可以看出，蘋果樣本的損傷區(qū)域與正常區(qū)域整體上有良好區(qū)分。其中，綠色區(qū)域表示蘋果表面的損傷區(qū)域，紅色區(qū)域為正常健康區(qū)域，表明該方法可有效區(qū)分蘋果表面正常與損傷區(qū)域。然而，雖然大多數(shù)受損區(qū)域被識別和分類，但一些不完美的識別區(qū)域出現(xiàn)在蘋果外部輪廓周圍（藍(lán)色與黃色區(qū)域），分類的區(qū)域出現(xiàn)錯誤，可能是由于蘋果作為球體表面光照不均勻?qū)е隆?/p>

圖5 基于最優(yōu)光譜指數(shù)特征的蘋果表面損傷高光譜圖像分類結(jié)果Fig.5 Classification results of apple surface damage hyperspectral images based on optimal spectral index features

2.4 蘋果損傷判別模型

為進一步驗證本研究檢測蘋果損傷的方法，按照以上步驟對額外80 個蘋果樣本進行損傷區(qū)域檢測，其中包含正常蘋果40 個、損傷蘋果40 個，檢測結(jié)果如表3 所示?？梢钥闯?，40 個損傷的蘋果樣本中有37 個被正確檢測出來，檢測正確率為92.50%。40 個正常蘋果樣本中有40 個被正確檢測出來，正確率為100%。

表3 蘋果正常區(qū)域與損傷區(qū)域的驗證檢測結(jié)果Table 3 Verification results of normal and damaged areas of apples

3 討論

本研究對利用高光譜圖像快速檢測蘋果損傷區(qū)域的可行性進行初步探索。為盡量減少外部因素和散射效應(yīng)引起的變異性，將光譜反射率轉(zhuǎn)換并組合成光譜指數(shù)，包括歸一化光譜指數(shù)（NDSI），比值光譜指數(shù)（RSI）和差值光譜指數(shù)（DSI）等。其中，NDSI 得到廣泛應(yīng)用，通過結(jié)合不同波長如歸一化差分植被指數(shù)（NDVI）、歸一化差水指數(shù)（NDWI）和歸一化色素葉綠素指數(shù)（NPCI）。本文的結(jié)果證明了光譜指數(shù)在進行圖像分割方面的巨大潛力，這與前人的研究結(jié)果一致［19，23］。圖像識別的傳統(tǒng)過程必須與機器學(xué)習(xí)算法相結(jié)合，由于這些模型的復(fù)雜性和背景的差異，導(dǎo)致這些模型對于不同的品種通常不穩(wěn)定。以往研究多根據(jù)圖像閾值分割結(jié)合形態(tài)學(xué)操作方法實現(xiàn)損傷區(qū)域的提取識別，分割閾值的確定往往是有效識別損傷區(qū)域的關(guān)鍵，需要人工選取最佳的閾值，且在較大光照差異影響下往往會造成誤分割。本研究利用高光譜圖像數(shù)據(jù)中包含的豐富光譜和成像信息，提出的方法使提取目標(biāo)偏差小，邊界光滑，可以區(qū)分嚴(yán)重的光照不均勻區(qū)域，避免因光照不均勻?qū)е碌膿p傷區(qū)域誤判。一般來說，該方法可以擴展到具有明確光譜響應(yīng)特征的水果損傷、疾病的自動識別和診斷。

本研究僅使用兩波段光譜信息，數(shù)據(jù)量小、計算速度快，對損傷區(qū)檢測也比較準(zhǔn)確。此外，將圖像分析和無監(jiān)督機器學(xué)習(xí)方法結(jié)合起來，構(gòu)建自適應(yīng)算法，只需通過訓(xùn)練確定特征選擇和分類閾值，無需復(fù)雜的訓(xùn)練建模，在檢測水果表面機械損傷的無損檢測領(lǐng)域有較好的發(fā)展前途。此外，還可以考慮為相機定制波段，從實際角度來看，有助于開發(fā)低成本儀器。

同時，鑒于損傷類型的多樣性，未來可能需要識別不同類型的損傷，對于檢測方法的特異性也是一種考驗。此外，由于高光譜圖像獲取燈光與傳感器的觀察方向之間存在角度，蘋果作為一個球體表面光照不均勻，平面參考板或許不是理想的漫反射器，完全去除光照的影響幾乎是不可能的。因此，后續(xù)研究可考慮使用參考球代替?zhèn)鹘y(tǒng)的參考板。

4 結(jié)論

本研究利用高光譜圖像技術(shù)檢測蘋果損傷進行研究，對所獲得的高光譜圖像數(shù)據(jù)進行比值光譜分析，優(yōu)選特征敏感波長（528 nm 和676 nm），利用該兩波段組合光譜特征指數(shù)增強下的圖像，通過ISODATA 無監(jiān)督分類圖像處理技術(shù)可以有效檢測蘋果表面的損傷區(qū)域。本研究結(jié)果表明，基于528、676 nm 的光譜反射率建立的NDSI 對損傷區(qū)域及正常區(qū)域特征具有較強的區(qū)分能力。ISODATA 方法的蘋果損傷識別正確率為92.50%，該方法為現(xiàn)實復(fù)雜情景下檢測蘋果表面損傷提供了有效的解決方案，在水果生產(chǎn)和檢測的高通量表型分析中具有巨大潛力。