摘要： 【目的】研究采后香蕉的表征褐變并評(píng)估其衰老程度對(duì)香蕉保鮮管理至關(guān)重要，本研究致力于解決傳統(tǒng)人工測(cè)量香蕉表征褐變存在的勞動(dòng)強(qiáng)度大、效率低下的問題?！痉椒ā刻岢鲆环N基于三維點(diǎn)云的采后香蕉表征褐變過程定量評(píng)估方法。首先利用三維掃描儀獲取香蕉的三維點(diǎn)云模型，重構(gòu)出香蕉的幾何模型；然后使用歐式聚類對(duì)香蕉幾何模型進(jìn)行點(diǎn)云濾波降噪處理；再結(jié)合圖像閾值分割法與散點(diǎn)輪廓算法（Alpha Shapes） 求出香蕉的體積、表面積和黑斑面積；最后利用傅里葉函數(shù)對(duì)香蕉表面黑斑變化過程進(jìn)行模擬，確定香蕉表征褐變過程的評(píng)估模型。設(shè)計(jì)本算法與溢水法測(cè)量實(shí)際香蕉體積、手繪測(cè)量面積的對(duì)比試驗(yàn)?！窘Y(jié)果】擬合香蕉的生長(zhǎng)函數(shù)，回歸直線對(duì)觀測(cè)值的擬合程度R2 =0.981 6gt;0.75，驗(yàn)證了算法的有效性。對(duì)比試驗(yàn)結(jié)果表明，本算法與實(shí)際測(cè)量值的平均相對(duì)誤差小于1%，驗(yàn)證了該算法的準(zhǔn)確性和可行性?！窘Y(jié)論】本研究可為香蕉的保鮮管理提供數(shù)據(jù)及技術(shù)支撐。

關(guān)鍵詞： 三維點(diǎn)云；數(shù)據(jù)擬合；香蕉；褐變；保鮮

中圖分類號(hào)： TP399；S3 文獻(xiàn)標(biāo)志碼： A 文章編號(hào)： 1001-411X（2024）03-0390-07

我國(guó)是香蕉主要生產(chǎn)和消費(fèi)國(guó)，香蕉是熱帶亞熱帶地區(qū)經(jīng)濟(jì)繁榮的重要支柱產(chǎn)業(yè)[1]。香蕉食用價(jià)值極高[2]，副產(chǎn)品也具有衍生作用[3]，但其易成熟、衰老和腐爛[4]。香蕉的表面積和體積等物理參數(shù)是重要的形態(tài)和表征特征，與其生長(zhǎng)和成熟密切相關(guān)[5]。因此，定量評(píng)估香蕉的表面積、體積和黑斑面積等參數(shù)對(duì)其保鮮管理具有重要意義。

目前國(guó)內(nèi)外測(cè)量植物形態(tài)和表征參數(shù)主要通過高通量成像、圖像處理和三維重建技術(shù)來實(shí)現(xiàn)[6]。其中，高通量圖像處理技術(shù)已實(shí)現(xiàn)對(duì)果實(shí)品質(zhì)的快速檢測(cè)，包括玉米的根系檢測(cè)[7]、擬南芥和煙草表征分析[8]、大豆和小麥的種子尺寸及形態(tài)分析[9]、蘋果火枯病表征分析[10]、柑橘資源分析[11]、草莓性狀研究[12] 等。

隨著重組技術(shù)的發(fā)展和硬件成本的降低，三維成像技術(shù)被用于研究植物表征。三維掃描能夠無損追蹤植物的構(gòu)造和生長(zhǎng)變化[13]?；从澜ǖ萚14] 利用三維點(diǎn)云模擬花瓣的生長(zhǎng)形變和參數(shù)，并預(yù)測(cè)其形變。Kider 等[15] 利用三維點(diǎn)云研究水果表面真菌菌落的變化，模擬部分水果外觀形態(tài)的變化。蘇寶峰等[ 1 6 ] 提出利用點(diǎn)云分割表面積重建葉片面積。Zhang 等[17] 基于三維點(diǎn)云的多特征融合和支持向量機(jī)實(shí)現(xiàn)了石榴植株的器官分類。Jiang 等[18] 使用三維點(diǎn)云數(shù)據(jù)來定量表征灌木作物的大小和形狀，從而預(yù)測(cè)與機(jī)械收獲裝置相關(guān)的性狀和灌木形狀。Wang 等[19] 通過點(diǎn)云重建分割提取植物生長(zhǎng)參數(shù)和輪廓信息，從而研究其生長(zhǎng)狀態(tài)。

隨著三維點(diǎn)云技術(shù)的發(fā)展，三維掃描技術(shù)也愈加成熟，廣泛應(yīng)用于農(nóng)業(yè)生產(chǎn)、醫(yī)療技術(shù)和工業(yè)生產(chǎn)等領(lǐng)域。高智勇[20] 利用三維激光掃描儀重建虛擬園林環(huán)境，可檢查和分析環(huán)境數(shù)據(jù)。徐偉恒等[21]利用三維激光點(diǎn)云進(jìn)行投影，計(jì)算出高精度的表面積和體積，為實(shí)際生產(chǎn)生活提供了便利。Chen 等[22]設(shè)計(jì)自適應(yīng)三維視覺算法，提高了現(xiàn)場(chǎng)應(yīng)用多視覺系統(tǒng)的綜合性能，實(shí)現(xiàn)了香蕉的高精度、穩(wěn)定、高效的三維傳感。Tsoulias 等[23] 使用LiDAR 激光掃描儀實(shí)現(xiàn)了基于幾何和輻射特征的蘋果形狀檢測(cè)。Méndez 等[24] 通過三維激光掃描實(shí)現(xiàn)了對(duì)橙子數(shù)量和大小的現(xiàn)場(chǎng)估計(jì)。Huang 等[25] 使用手持式三維激光掃描儀實(shí)現(xiàn)了豆科植物種子高通量的表征分析。

上述研究主要是利用三維點(diǎn)云技術(shù)對(duì)樹木及樹葉表征特性建模，在果蔬類作物衰老、腐敗方面的研究較少。此外，人工測(cè)量香蕉的體積和表面積等物理參數(shù)存在主觀性強(qiáng)和效率低下等問題。因此，本文提出基于三維點(diǎn)云的采后香蕉表征褐變定量評(píng)估方法，對(duì)三維點(diǎn)云模型進(jìn)行跟蹤與分析。首先在15～20 ℃ 條件下，利用三維掃描儀采集10 根表皮變黃且完全成熟的香蕉10 d 的表征變化數(shù)據(jù)，并將三維數(shù)據(jù)轉(zhuǎn)化為三維點(diǎn)云模型，重構(gòu)香蕉的幾何模型；然后利用歐式聚類對(duì)香蕉幾何模型進(jìn)行點(diǎn)云濾波降噪處理，再利用閾值分割和散點(diǎn)輪廓算法（ A l p h aShapes） 求出香蕉的體積、表面積和黑斑面積；最后利用傅里葉函數(shù)對(duì)香蕉表面黑斑變化過程進(jìn)行模擬，確定香蕉表征褐變過程的評(píng)估模型。同時(shí)，通過設(shè)計(jì)本文算法與溢水法測(cè)量實(shí)際香蕉體積、手繪測(cè)量面積的對(duì)比試驗(yàn)，驗(yàn)證本算法的準(zhǔn)確性和可行性。

1 材料與方法

1.1 數(shù)據(jù)采集

國(guó)際標(biāo)準(zhǔn)中，香蕉成熟度按照果實(shí)顏色分為6 個(gè)等級(jí)[26]。1 級(jí)成熟度的香蕉表皮整體呈綠色；2 級(jí)成熟度的香蕉表皮綠色中略帶有淡黃色； 3 級(jí)成熟度的香蕉表皮呈黃綠色； 4 級(jí)成熟度的香蕉表皮黃色中略帶有淡綠色； 5 級(jí)成熟度的香蕉表皮整體呈黃色； 6 級(jí)成熟度的香蕉表皮黃色中帶有褐色斑點(diǎn)。本文使用的香蕉樣本于2022 年1 月18 日購自廣州市區(qū)某農(nóng)貿(mào)市場(chǎng)，品種為云南高山香蕉，成熟度為5 級(jí)。

試驗(yàn)選用威布三維Reeyee pro 2X 手持式多功能三維掃描儀，帶有紋理相機(jī)，可快速掃描出復(fù)雜結(jié)構(gòu)的果蔬植物等，精度最高可達(dá)0.1 mm，體積最高精度達(dá)0.3 mm3。另外，該設(shè)備為白光掃描儀，支持標(biāo)定點(diǎn)拼接，手持精細(xì)掃描速度為1 0 幀/ s ，3 000 000 點(diǎn)/s；手持快速掃描速度為30 幀/s，15 000 000點(diǎn)/s。

首先準(zhǔn)備標(biāo)定點(diǎn)試驗(yàn)臺(tái)，用于香蕉三維點(diǎn)云的掃描標(biāo)定。選取一串品相良好、5 級(jí)成熟度的香蕉， 并挑選10 根大小均勻且無任何機(jī)械損傷和蟲害等缺陷的樣品。為避免溫度對(duì)香蕉表面造成影響，操作過程中全程佩戴隔熱手套。使用小刀將整串香蕉拆分，確保在拆分過程中不損傷香蕉表面，并對(duì)每根香蕉進(jìn)行編號(hào)，依次標(biāo)號(hào)為1～10。接著將香蕉整齊地放置于試驗(yàn)臺(tái)，避免直接光照，控制室溫為15～18 ℃，配置工業(yè)級(jí)溫度計(jì)測(cè)量環(huán)境的濕度和溫度。按照編號(hào)順序采集數(shù)據(jù)，每根香蕉的采集時(shí)間大約是20 min，每隔24 h 收集1 次所有香蕉的數(shù)據(jù)。在試驗(yàn)期間，共進(jìn)行持續(xù)10 d 的香蕉數(shù)據(jù)采集，共收集100 組試驗(yàn)數(shù)據(jù)，將試驗(yàn)數(shù)據(jù)分類后保存。由于香蕉是三維立體模型，在掃描記錄過程中不能移動(dòng)香蕉。因此，為獲取香蕉完整的三維模型，需要對(duì)香蕉進(jìn)行2 次掃描，得到2 個(gè)三維立體模型，然后通過紋理拼接的方法將2 個(gè)香蕉模型拼接在一起，形成1 個(gè)完整的立體模型。

1.2 采后香蕉表征褐變定量評(píng)估方法

三維點(diǎn)云數(shù)據(jù)處理使用Meshlab 軟件提取和匹配點(diǎn)云數(shù)據(jù)，并在Matlab 平臺(tái)進(jìn)行軟件編程。三維點(diǎn)云數(shù)據(jù)處理包括數(shù)據(jù)預(yù)處理、點(diǎn)云分割、香蕉表征參數(shù)測(cè)量和定量評(píng)估4 個(gè)步驟，整體流程如圖1 所示。選取5 根表面完好的香蕉進(jìn)行預(yù)試驗(yàn)，接著再選取同一批且同一串表面幾乎沒有損傷的香蕉作為試驗(yàn)對(duì)象，保存在通風(fēng)且室內(nèi)溫度恒定的環(huán)境中，通過三維掃描儀連續(xù)記錄10 d 香蕉表皮表面積和體積的變化情況，利用Meshlab 軟件將掃描好的香蕉模型全部轉(zhuǎn)換為點(diǎn)云模型保存。使用Matlab 設(shè)計(jì)香蕉表面積、體積和黑斑面積算法，具體包括：使用Alpha Shapes 繪制香蕉的外包模型并求解其表面積和體積；設(shè)定顏色閾值，實(shí)現(xiàn)黑斑部分的分割和面積的計(jì)算；使用歐式聚類算法進(jìn)行點(diǎn)云檢測(cè)。在此基礎(chǔ)上，計(jì)算香蕉三維點(diǎn)云模型的體積和表面積，繪制黑斑的包絡(luò)范圍，求出黑斑的總面積。并通過人工測(cè)量計(jì)算與算法結(jié)果對(duì)比，以相對(duì)誤差作為評(píng)價(jià)指標(biāo)，驗(yàn)證算法的有效性，最后擬合香蕉性狀參數(shù)變化模型。

1.2.1 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理過程包括以下步驟：模型轉(zhuǎn)換、數(shù)據(jù)讀寫、點(diǎn)云去噪和點(diǎn)云降采樣。模型轉(zhuǎn)換中通過使用Meshlab 進(jìn)行模型格式轉(zhuǎn)換，將三維掃描儀保存記錄的香蕉obj 模型文件轉(zhuǎn)換為三維點(diǎn)云格式并保存。接著使用Matlab 軟件讀取保存的香蕉點(diǎn)云數(shù)據(jù)，香蕉點(diǎn)云數(shù)據(jù)中存在一些無意義且不規(guī)則的點(diǎn)，這跟環(huán)境干擾、掃描軟件錯(cuò)誤測(cè)量等因素有關(guān)，因此在處理點(diǎn)云數(shù)據(jù)時(shí)，需通過點(diǎn)云濾波去除背景點(diǎn)云數(shù)據(jù)，提取試驗(yàn)區(qū)香蕉點(diǎn)云數(shù)據(jù)。香蕉點(diǎn)云數(shù)據(jù)往往包含大量的冗余數(shù)據(jù)，如果直接進(jìn)行計(jì)算和處理，計(jì)算量很大，消耗時(shí)間也很長(zhǎng)，因此需要使用pcdownsample對(duì)三維點(diǎn)云模型進(jìn)行降采樣，減少點(diǎn)云數(shù)據(jù)量。降采樣后，單個(gè)香蕉植物的外部輪廓幾乎沒有變化。

1.2.2 點(diǎn)云處理

在香蕉點(diǎn)云處理階段，使用歐式聚類完成點(diǎn)云的降噪處理。在香蕉表征參數(shù)測(cè)量階段，使用歐式聚類算法去除點(diǎn)云處理過程中遺留的雜質(zhì)邊界和噪點(diǎn)。歐式聚類算法首先從香蕉的三維點(diǎn)云空間選擇某點(diǎn)M，然后使用KD-Tree 搜索點(diǎn)M 附近的點(diǎn)，共找到N 個(gè)點(diǎn)。然后將N 個(gè)點(diǎn)與試驗(yàn)設(shè)定的閾值進(jìn)行比較，小于閾值則歸于集合Q 中，當(dāng)Q 中的元素不再增加的時(shí)候結(jié)束搜索，如果Q 的元素還在增加則繼續(xù)重復(fù)剛才的操作，從而實(shí)現(xiàn)點(diǎn)云去噪，接著設(shè)定RGB 閾值實(shí)現(xiàn)香蕉表面黑斑分割。

1.2.3 香蕉表型參數(shù)測(cè)量

在香蕉表征參數(shù)測(cè)量階段，通過Alpha Shapes 獲得香蕉的表面積和體積，通過設(shè)定RGB 閾值分割得到香蕉表面的黑斑面積。香蕉形狀的正確分割是直接影響表面積和體積等最終估計(jì)參數(shù)的關(guān)鍵步驟。Alpha Shapes 是一種提取邊界點(diǎn)的算法，用于描述平面上有限點(diǎn)集的形狀。該算法能夠從無序點(diǎn)集中提取物體邊緣并形成包絡(luò)，進(jìn)而進(jìn)行體積計(jì)算?；镜腁lpha 形狀算法依賴于Delaunay 三角剖分，其中每個(gè)三角形邊的特征是包含該邊或三角形的最小空心圓的半徑。定義的α 參數(shù)的Alpha 形狀輸出是一組邊，其特征是半徑（i） 滿足i≤1/α。Alpha 形狀算法能夠確定由一組具有異質(zhì)分布和低密度的點(diǎn)表示的對(duì)象的邊界[27]。Alpha Shapes 通過在散點(diǎn)S 上設(shè)置一個(gè)可以滾動(dòng)的球體，球體的半徑設(shè)置為Alpha，在圖上進(jìn)行滾動(dòng)，通過滾球滾動(dòng)進(jìn)行遍歷，遍歷過程中的外部的線即為輪廓線，如果球體的半徑過小，散點(diǎn)可能無法完全包圍在球體內(nèi)部。而此時(shí)球體將會(huì)在散點(diǎn)S 內(nèi)部，其中每一個(gè)點(diǎn)都將是邊界。在球體半徑足夠大且趨近于無窮大時(shí)，滾動(dòng)球體的點(diǎn)形成了外包，如圖2 所示。

計(jì)算圓心坐標(biāo)的公式如圖3 所示。

假設(shè)點(diǎn)集中半徑為α 的圓由點(diǎn)集內(nèi)任意2 點(diǎn)P1（x1，y1）、P2（x2，y2） 唯一確定，若圓內(nèi)無其他點(diǎn)，則P1、P2 為邊界點(diǎn)，線段 P1P2 為邊界線段。并可以得到過這2 點(diǎn)的圓的圓心 P3，即求出與 P1 點(diǎn)、P2點(diǎn)距離為 α 的點(diǎn) P3（x3，y3），其計(jì)算公式如下：

使用Alpha Shapes 后，散點(diǎn)被聚合成完整的香蕉點(diǎn)云，如圖4 所示。利用Matlab 庫函數(shù)中的surfaceArea 計(jì)算出點(diǎn)云模型的表面積，利用函數(shù)Volume 計(jì)算出體積。

在衰老的過程中，成熟香蕉表面的特征通常會(huì)發(fā)生變化，本研究采用閾值分割算法來識(shí)別和計(jì)算黑斑面積。傳統(tǒng)使用SFM、CMVS和PMVS 算法等進(jìn)行圖像處理，然后進(jìn)行點(diǎn)云去噪融合[28]。在本研究中，由于黑斑部分的占比是隨機(jī)的，并且在不同時(shí)間和不同溫度條件下黑斑的模型無法確定，同時(shí)黑斑點(diǎn)云的識(shí)別需要定義閾值。因此，上述方法不適用于本研究。

本試驗(yàn)使用RGB 閾值分割處理來提取黑斑部分，主要思想是通過設(shè)定1 個(gè)閾值，利用Matlab 計(jì)算香蕉表面像素點(diǎn)的灰度值，并將其與設(shè)定的閾值進(jìn)行比較。在閾值范圍內(nèi)的像素點(diǎn)被識(shí)別為黑斑部分，超過閾值的像素點(diǎn)則被視為非黑斑部分，使用RGB 閾值分割處理的結(jié)果如圖5 所示。

2 結(jié)果與分析

首先，利用算法計(jì)算香蕉的黑斑面積、體積和表面積，其次，驗(yàn)證該算法的準(zhǔn)確性和真實(shí)性。本文通過預(yù)試驗(yàn)實(shí)際測(cè)量香蕉的表面積和體積，利用記錄的數(shù)據(jù)求取平均相對(duì)誤差，以相對(duì)誤差作為評(píng)價(jià)指標(biāo)，驗(yàn)證算法的有效性。再次通過平均數(shù)據(jù)擬合出香蕉的黑斑變化擬合函數(shù)，接著利用提前準(zhǔn)備的不同天數(shù)及新鮮度的香蕉檢驗(yàn)評(píng)估模型，驗(yàn)證擬合函數(shù)的準(zhǔn)確性。最后基于上述數(shù)據(jù)及多樣本模型擬合香蕉黑斑、表面積、體積以及黑斑占比參數(shù)變化模型。

2.1 香蕉實(shí)際測(cè)量預(yù)試驗(yàn)

為驗(yàn)證本算法的準(zhǔn)確性，進(jìn)行了預(yù)試驗(yàn)以獲取香蕉的真實(shí)表面積和體積信息，首先準(zhǔn)備5 根香蕉并編號(hào)1～5。準(zhǔn)備1 只黑色簽字筆，準(zhǔn)備1 把尺子，準(zhǔn)備1 個(gè)1 000 mL 的量筒。使用黑色簽字筆和尺子分別在1～5 號(hào)香蕉表面較為平坦部分繪制一個(gè)邊長(zhǎng)分別為1.0、1.0、1.5、1.5 和2.0 cm 的正方形。

接著提前準(zhǔn)備1 000 mL 的空量筒并加注600mL 純凈水。將5 根香蕉依次放入量筒中，每次測(cè)量都需要重新加注600 mL 純凈水，將香蕉完全淹沒于水中，因香蕉具有一定的浮力，使用鐵絲按壓香蕉。試驗(yàn)中的鐵絲較細(xì)，因此造成的誤差可忽略不計(jì)。

本文使用相對(duì)誤差（Er） 來量化香蕉表面積和體積計(jì)算的準(zhǔn)確性，以面積相對(duì)誤差為例，如公式（7） 所示。

式中，M1、M2 分別表示實(shí)際測(cè)量和算法算出的表面積。

通過溢水法、實(shí)際面積測(cè)量法以及本文算法計(jì)算統(tǒng)計(jì)的試驗(yàn)數(shù)據(jù)如表1 所示。表面積計(jì)算的平均相對(duì)誤差為0.67%，體積計(jì)算的平均相對(duì)誤差為0.47%，平均相對(duì)誤差均lt;1%，驗(yàn)證了本算法在計(jì)算表面積和體積時(shí)具有較高的精度。

2.2 數(shù)據(jù)擬合試驗(yàn)

針對(duì)香蕉黑斑部分的面積，本研究采用傅里葉函數(shù)[29] 進(jìn)行數(shù)據(jù)擬合。

通過對(duì)10 根香蕉的黑斑面積占比圖像進(jìn)行擬合，得到10 條不同的曲線，且擬合走勢(shì)基本相同（圖6）。通過求取10 根香蕉黑斑占比的像素點(diǎn)均值擬合出1 條新的函數(shù)曲線，并且得到1 個(gè)函數(shù)關(guān)系式（8）。

f （x） = a0 +a1cos （xw）+b1sin （xw）， （8）

式中， f （x）代表 1 個(gè)周期函數(shù)，x 代表角頻率，a0、a1、b1 為傅里葉系數(shù)，其中a0=0.401 7（0.298 6， 0.504 7）；a1=?0.424 4（?0.585 0， ?0.263 8）；b1=?0.020 19（?0.461 3，0.420 9）；w=0.307 0（0.133 1， 0.481 0）。誤差平方和為0.016 2；決定系數(shù)（R2）=0.981 9；調(diào)整R2=0.972 8；均方根為0.052 0。R2 表示回歸直線對(duì)觀測(cè)值的擬合程度，R2 的最優(yōu)值為1，越趨近于1 說明擬合效果越好，通過多種函數(shù)擬合對(duì)比發(fā)現(xiàn)，最優(yōu)擬合度為傅里葉函數(shù)擬合，R2=0.981 9 的傅里葉函數(shù)擬合圖見圖7。根據(jù)圖7 可以得出，香蕉表面黑斑面積與時(shí)間呈正相關(guān)，由R2 可知，真實(shí)的黑斑變化圖像與傅里葉函數(shù)擬合的圖像擬合度較高，該擬合函數(shù)能夠有效地解決采后香蕉所在周期不明的問題，可為香蕉表征變化過程中的性狀參數(shù)變化預(yù)測(cè)及香蕉保鮮貯存提供數(shù)據(jù)支持。通過對(duì)黑斑部分面積的測(cè)量和估算，可以計(jì)算出香蕉所在的周期以及腐爛的時(shí)間，為香蕉的采后保鮮提供依據(jù)。

2.3 評(píng)估試驗(yàn)?zāi)Ｐ?/p>

為了驗(yàn)證擬合函數(shù)的準(zhǔn)確性，準(zhǔn)備了2～6 d 的香蕉作為本次驗(yàn)證集。利用本文算法求解出表面積、黑斑面積及黑斑占比數(shù)據(jù)總共5 個(gè)測(cè)試集，測(cè)試集1～5 依次為2～6 d 通過三維掃描儀獲取的三維香蕉點(diǎn)云數(shù)據(jù)。分別將5 個(gè)測(cè)試集的黑斑占比數(shù)據(jù)代入擬合函數(shù)關(guān)系式（8） 中，得到5 個(gè)測(cè)試集的所處周期：x1=1.767，介于1～2 d；x2=2.702，介于2～3d；x3=3.304，介于3～4 d；x4=4.674，介于4～5 d；x5=5.834，介于5～6 d。5 個(gè)測(cè)試集都處于其存放的天數(shù)周期內(nèi)，因此該擬合函數(shù)具有可行性。

2.4 多對(duì)象跟蹤分析與驗(yàn)證

本文進(jìn)行為期10 d 的香蕉采集，共計(jì)100 組試驗(yàn)數(shù)據(jù)，包含對(duì)象1～10 的表面積、體積、黑斑面積和黑斑占比。其中，對(duì)10 組對(duì)象各項(xiàng)平均數(shù)據(jù)利用Excel 作圖，結(jié)果如圖8 所示。由圖8 可知，香蕉的體積隨著時(shí)間的變化逐漸減少，表面積與時(shí)間呈負(fù)相關(guān)，同時(shí)黑斑隨著時(shí)間的延長(zhǎng)越來越明顯，占比越來越多，第1 0 天香蕉的黑斑占比已接近90%。上述結(jié)果說明在腐爛過程中，香蕉的表面積、體積和黑斑等性狀參數(shù)與時(shí)間都存在相關(guān)性，其中，黑斑變化擬合函數(shù)為：

f （x） =0.401 7-0.424 4cos（0.307 0x）-0.020 2sin （0.307 0x）。（9）

3 結(jié)論

本文提出了基于三維點(diǎn)云的采后香蕉表征褐變定量評(píng)估方法，克服了傳統(tǒng)模擬物體復(fù)雜的三維建模過程，得出香蕉黑斑面積占比隨時(shí)間延長(zhǎng)的擬合函數(shù)，為香蕉的新鮮度預(yù)測(cè)提供了數(shù)據(jù)基礎(chǔ)與技術(shù)支持。本文使用三維掃描儀獲取香蕉的三維圖像，并利用Meshlab 軟件將其轉(zhuǎn)化為三維點(diǎn)云。然后，結(jié)合三維點(diǎn)云去噪、平面點(diǎn)云輪廓線計(jì)算、RGB 閾值分割和歐式聚類點(diǎn)云檢測(cè)等多種算法，得出香蕉的表面積和體積等物理參數(shù)。通過擬合不同的香蕉生長(zhǎng)函數(shù)，并求取平均值進(jìn)行傅里葉函數(shù)擬合達(dá)到模擬統(tǒng)一的目的?；貧w直線對(duì)觀測(cè)值的擬合方程R2 =0.981 6gt;0.75，說明了本研究的有效性。平均相對(duì)誤差lt;1%，說明了本算法適用于計(jì)算香蕉表面積、體積和黑斑面積。該擬合函數(shù)能夠有效地解決采后香蕉所處周期不明的問題，通過對(duì)黑斑部分的測(cè)量和估算，可以計(jì)算出香蕉周期以及腐爛的時(shí)間，為香蕉的采后保鮮提供參考。未來的研究將完善算法的多樣性，將本文的算法拓展到其他水果的表征變化，擬合多種水果的表征褐變過程，以達(dá)到精準(zhǔn)地預(yù)測(cè)估算。

參考文獻(xiàn)：

[1]MIAO Y L， WANG L Y， PENG C， et al. Banana plantcounting and morphological parameters measurementbased on terrestrial laser scanning[J]. Plant Methods，2022， 18（1）： 66. doi： 10.1186/s13007-022-00894-y.

[2]楊鳳， 劉燦燦， 鄧貴明， 等. 香蕉營(yíng)養(yǎng)品質(zhì)與功能特性研究緊張[J]. 廣東農(nóng)業(yè)科學(xué)， 2022， 49（10）： 146-154.

[3]WANG S W， YANG Y， XIAO D， et al. Polysaccharidesfrom banana （Musa spp. ） blossoms： Isolation， identificationand anti-glycation effects[J]. International Journal ofBiological Macromolecules， 2023， 236： 123957. doi：10.1016/j.ijbiomac.2023.123957.

[4]王順. 水果成熟度檢測(cè)的機(jī)器視覺和嗅覺可視化技術(shù)研究[D]. 鎮(zhèn)江： 江蘇大學(xué)， 2019.

[5]MAGALH?ES D B， DONATO S L R， DOS SANTOSM R， et al. Yield of ‘Prata-An?’banana plants underwater deficit and high plant density[J]. Revista BrasileiraDe Fruticultura， 2020， 42（5）： 29452020046. doi： 10.1590/0100-29452020046.

[6]FANG Y， QIU X， GUO T， et al. An automatic methodfor counting wheat tiller number in the field with terrestrialLiDAR[J]. Plant Methods， 2020， 16（1）： 132. doi：10.1186/s13007-020-00672-8.

[7]PACE J， LEE N， NAIK H S， et al. Analysis of maize（Zea mays L. ） seedling roots with the high-throughputimage analysis tool ARIA （Automatic root image analysis）[J]. PLoS One， 2014， 9（9）： e108255. doi： 10.1371/journal.pone.0108255.

[8]DAS CHOUDHURY S， SAMAL A， AWADA T. Leveragingimage analysis for high-throughput plant phenotyping[J]. Frontiers in Plant Science， 2019， 10： 508. doi：10.3389/fpls.2019.00508.

[9]LIU W Z， LIU C， JIN J Y， et al. High-throughput phenotypingof morphological seed and fruit characteristics usingX-ray computed tomography[J]. Frontiers in PlantScience， 2020， 11： 601475. doi： 10.3389/fpls.2020.601475.

[10]JAROLMASJED S， SANKARAN S， MARZOUGUI A，et al. High-throughput phenotyping of fire blight diseasesymptoms using sensing techniques in apple[J]. Frontiersin Plant Science， 2019， 10： 576. doi： 10.3389/fpls.2019.00576.

[11]AMPATZIDIS Y， PARTEL V. UAV-based highthroughput phenotyping in Citrus utilizing multispectralimaging and artificial intelligence[J]. Remote Sensing，2019， 11（4）： 410. doi： 10.3390/rs11040410.

[12]HE J Q， HARRISON R J， LI B. A novel 3D imaging systemfor strawberry phenotyping[J]. Plant Methods， 2017，13： 93. doi： 10.1186/s13007-017-0243-x.

[13]MANOLIKAKI I， SERGENTANI C， TUL S， et al. Introducingthree-dimensional scanning for phenotyping ofolive fruits based on an extensive germplasm survey[J].Plants， 2022， 11（11）： 1501. doi： 10.3390/plants11111501.

[14]淮永建， 楊丹琦， 蔡?hào)|娜. 基于三維點(diǎn)云數(shù)據(jù)的花瓣形態(tài)及生長(zhǎng)過程模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2019， 35（15）： 155-164.

[15]KIDER J T Jr， RAJA S， BADLER N I. Fruit senescenceand decay simulation[J]. Computer Graphics Forum，2011， 30（2）： 257-266.

[16]蘇寶峰， 劉易雪， 王琮， 等. 基于三維點(diǎn)云的葉面積估算方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2019， 50（12）： 240-254.

[17]ZHANG C， ZHANG K， GE L， et al. A method for organsclassification and fruit counting on pomegranatetrees based on multi-features fusion and support vectormachine by 3D point cloud[J]. Scientia Horticulturae，2021， 278： 109791. doi： 10.1016/j.scienta.2020.109791.

[18]JIANG Y， LI C Y， TAKEDA F， et al. 3D point clouddata to quantitatively characterize size and shape of shrubcrops[J]. Horticulture Research， 2019， 6（1）： 1-17.

[19]WANG Y W， CHEN Y F. Non-destructive measurementof three-dimensional plants based on point cloud[J].Plants， 2020， 9（5）： 571. doi： 10.3390/plants9050571.

[20]高智勇. 基于激光點(diǎn)云技術(shù)的園林虛擬植物動(dòng)態(tài)三維模型構(gòu)建[J]. 信息技術(shù)與信息化， 2022（2）： 98-101.

[21]徐偉恒， 馮仲科， 蘇志芳， 等. 一種基于三維激光點(diǎn)云數(shù)據(jù)的單木樹冠投影面積和樹冠體積自動(dòng)提取算法[J].光譜學(xué)和光譜分析， 2014， 34（2）： 465-471.

[22]CHEN M Y， TANG Y C， ZOU X J， et al. Three-dimensionalperception of orchard banana central stock enhancedby adaptive multi-vision technology[J]. Computersand Electronics in Agriculture， 2020， 174： 105508.doi： 10.1016/j.compag.2020.105508.

[23]TSOULIAS N， PARAFOROS D S， XANTHOPOULOSG， et al. Apple shape detection based on geometric and radiometricfeatures using a LiDAR laser scanner[J]. RemoteSensing， 2020， 12（15）： 2481. doi： 10.3390/rs12152481.

[24]MéNDEZ V， PéREZ-ROMERO A， SOLA-GUIRADOR， et al. In-field estimation of orange number and size by3D laser scanning[J]. Agronomy， 2019， 9（12）： 885. doi：10.3390/agronomy9120885.

[25]HUANG X， ZHENG S Y， ZHU N N. High-throughputlegume seed phenotyping using a handheld 3D laserscanner[J]. Remote Sensing， 2022， 14（2）： 431. doi： 10.3390/rs14020431.

[26]WANG L M， YU L. Automatic classification of bananaripeness based on deep learning[J]. Food and Machinery，2022， 38（11）： 149-154.

[27]ZHU T Y， MA X D， GUAN H O， et al. A calculationmethod of phenotypic traits based on three-dimensionalreconstruction of tomato canopy[J]. Computers and Electronicsin Agriculture， 2023， 204： 107515. doi： 10.1016/j.compag.2022.107515.

[28]陳柱， 楊君， 基于三維點(diǎn)云的植物葉片重建及其面積估算[J]. 傳感技術(shù)學(xué)報(bào)， 2022， 35（3）： 349-354.

[29]屈文星， 劉浩， 秦楚， 等. 基于MATLAB 傅里葉曲線擬合的天線跟蹤精度評(píng)估方法[J]. 電子測(cè)量技術(shù)， 2020，43（12）： 91-95.

【責(zé)任編輯 霍 歡】

基金項(xiàng)目：國(guó)家自然科學(xué)基金（32071912）