基于高光谱影像的苹果轻微损伤识别

张政 尤迪 门泽成

摘 要：为了检测在不同时间段下苹果的轻微损伤，选择花牛苹果作为研究对象。分别采集损伤1h、24h的54个苹果样本以及36个对照样本。利用主成分分析（Principle Component Analysis，PCA）方法，识别苹果损伤的最佳波段为680～980nm。对比主成分分析与最低噪声分离（Minimum Noise Fraction， MNF）变换对苹果损伤区域的识别效果，发现MNF效果优于主成分分析方法，并运用MNF方法对损伤1h和24h的花牛苹果分别进行检测。研究结果表明，36个对照苹果全正确检出，损伤1h和24h的花牛苹果检测率分别为74.1%和88.9%，随着时间的推移，检测精度越来越高。该结论将为搭建高光谱检测平台提供一定的理论基础。

关键词：高光谱；苹果；轻微损伤；PCA；MNF

0 引言

我国是世界上水果生产与消费大国。根据2015年《中国统计年鉴》数据显示，目前我国水果种植面积1320万hm2，产量12660.82万，其中苹果种植面积222.15万hm2，产量3849.1万吨，位居水果产量的首位，但是苹果的出口比例仅占生产总量的1.5%左右[1]。究其原因，主要是苹果的碰压伤影响了苹果的品质。

苹果的碰压伤是指苹果在采摘、运输和销售阶段产生的一种常见的苹果机械损伤问题，随着时间推移，损伤会发展成霉变或腐烂，感染其他优质苹果，这不仅严重影响苹果的美观，还会降低苹果的品质。由于苹果的轻微损伤和正常表面在颜色、纹理上很相似，在损伤初期通常不易被肉眼识别。

近年来，高光谱成像技术迅猛发展，其可以同时获得丰富的图像和光谱信息。高光谱遥感技术在水果品质检测方面得到发展。李江波[2]等用可见-近红外图像及主成分方法检测橘子缺陷。Nagata等应用近红外高光谱成像技术预测草莓的可溶性固形物，所得可溶性固形物的相关系数0.87。张保华[5]等通过最小噪声分离变换检测红富士苹果的早期损伤，但实验中苹果的损伤过于明显。

本文主要利用高光谱成像技术的空间性与光谱性，结合主成分分析与最低噪声分离的图像分析处理方法，采集损伤1h内和满24h的苹果轻微损伤影像，对比分析不同时间下损伤的影像特征，选出苹果损伤识别的最佳波段及识别方法。

1 实验部分

1.1 实验材料

本实验选取花牛苹果18个，并将每个苹果分为四个面，记为a，b，c，d面，其中a，b，c面为损伤面，d面为完好面，作为对照组。损伤模拟产生方式：人工手动挤压法，挤压处为苹果赤道面偏上部位，這样可以避免损伤处光谱影像信息被高反射率的亮斑覆盖。力度大小适中，产生损伤大小为0.8～1.6cm2，符合中国农业部发布的《苹果等级规定（NY/T 1793-2009）》标准，人眼很难识别。采集损伤后1h的苹果高光谱影像，再将损伤后的苹果放置在室温中，24h后再次采集其高光谱图像。

1.2 实验仪器

本实验使用的高光谱成像仪是美国SOC710VP成像光谱仪，波长范围为380～1000nm（128个波段），光谱分辨率约为4.69nm。图像采集时对每个苹果进行编号，为避免背景干扰，苹果均放在黑色棉布上，在室内扫描成像，光源为卤素灯，支架高1.5m，积分时间为25ms，垂直于苹果表面上方进行扫描。

1.3 图像校正

由于各波长下光强度分布的不均匀性及CCD探测器的非线性和暗电流的存在，需要对原始图像进行校正[8]。校正公式如下：

式中 Rs ——样本原始的漫反射光谱图像

Rw ——白色参考板的漫反射图像

Rd ——关上电源，拧上镜头盖后采集的全暗参考图像

R ——校正后的漫反射光谱图像

2 结果

2.1 苹果正常区域与损伤的反射光谱比较

苹果损伤后表面会由于损伤部位化合物的氧化作用而变色，而不同颜色对光的反射程度是不同的。因此可以通过反射光谱的差异来分辨损伤区与正常区。图1、图2分别是损伤1h与24h花牛苹果不同损伤部位平均光谱反射率曲线图。对比分析发现，680nm左右处有一个吸收峰，这主要由水果表面叶绿素的吸收引起[6]；在980nm左右处有一个吸收峰，主要由苹果中的水分吸收所引起的[7]。从两幅图的整体趋势上看，损伤区的平均反射率高于正常区域，且随着时间的推移，这种现象更明显。损伤根据光谱变化趋势，如图2所示，由于400nm之前的波段反射率受噪声影响很大，故无研究价值；在680nm左右有一个吸收峰，所以将整个光谱区域划分为400～680nm与680～980nm两部分，以损伤满24h的花牛为例，将这两个波段区域分别进行PCA（Principal Component Analysis，主成分分析）处理，结果如图3所示，得到不同波谱下易识别损伤区的PCA成分图像。在400～680nm波段的PCA图像中，损伤区的颜色比周围正常区稍微深一点，但仍然无法与损伤周围的正常区域区分开来，其中中间黑色的小暗斑是反射率超出1的地方，对应于680～980nm图像中黑白相间的斑块。在680～980nm波段的PCA图像中，损伤区明显是白色的。因此，损伤区更容易被识别。

当水果损伤发生时，水果受损区域的细胞结构和化学成分含量发生变化，通常损伤区域的含水量要高于其他正常组织[8]。含水量的光谱响应主要在近红外区域，可见光区域的光谱主要反映水果表面颜色的变化。水果损伤特别是早期轻微损伤的颜色和正常水果组织的颜色差异很小，其差异主要在水分含量，因此区分损伤和正常水果组织也主要由近红外光谱区域主导。当引入可见光光谱区域的图像进行可见-近红外光谱区域的PCA时，可能会削弱损伤区域与正常组织区域的光谱强度差异，这就是为什么检测苹果损伤区域，近红外区域PCA要比可见-近红外区域PCA或可见光区域PCA效果好的原因[4]。

2.3 主成分分析与最小噪声分离变换比较

PCA经常用于增强光谱图像的信息含量、隔离噪声、降低数据维数。而最低噪声分离（MNF，Minimum Noise Fraction）变换本质上是两次层叠的主成分分析变换，第一次变换为噪声协方差矩阵，用于分离和重新调整数据中的噪声，此变换使数据中的噪声信号发生变化，但是没有涉及波段间的相关变换；第二次变换为噪声白化数据的标准主成分变换[3]。通过MNF变换可以判定图像数据的内在维数，隔离数据中的噪声，减少数据处理的计算需求。通过不同波段下图像的对比分析，挑选了三个进行PCA和MNF变换后的最优波段，效果如图4所示。不难发现，相比PCA主成分图像，损伤区域在MNF图像上与正常表皮的对比度更加明显，识别更加容易。

2.4 不同时间段苹果损伤区域检测对比

由于苹果在刚损伤的1h内图像即会发生变化[5]，且随着时间推移，苹果损伤区域会继续发生变化。本文中采集两种不同时间段的苹果高光谱影像，即1h以内和达到24h两种。下面，如图5，以花牛苹果为例，对比不同时间损伤的图像。从图中对比结果可以发现，随着时间推移，苹果损伤区的高光谱图像与正常区的差别更易被识别。

利用680～980nm波段下苹果轻微损伤高光谱图像进行MNF图像处理，检测花牛苹果。苹果样本中，对照组有36个，损伤组有54个，检测结果如表1所示。

3 结论

（1）本文通过比较不同苹果在不同损伤时间后的光谱平均反射率图像，再经过PCA处理图像后发现近红外680～980nm是最佳识别波段。

（2）对比了主成分分析法和最低噪声分离变换两种识别方法，发现最低噪声分离变换识别效果较好。

（3）利用MNF方法1h内的损伤检验结果为74.1%，24h后的结果为88.9%。损伤识别的总体检出率为86.1%。

（4）研究表明，高光谱成像和图像处理技术可以用于苹果轻微损伤的识别，为搭建高光谱检测平台提供一定的理论基础。

参考文献

[1]农业部.国际苹果贸易概况与我国苹果出口情况[J].中国果业信息，2006，（4）：6-8.

[2]李江波，饶秀勤，应义斌.农产品外部品质无损检测中高光谱成像技术的应用研究进展[J].农业工学报，2010，26（8）：222.

[3]Piotr Baranowski，Wojciech Mazurek，Joanna Wozniak，etal[J].Journal of food Engineering，2012，（100）：345.

[4]黄文倩，陈立平，李江波，等.基于高光谱成像的苹果轻微损伤检测有效波长选取[J].农业工学报，2013，29（1）：1272.

[5]张保华，黄文婧，李江波，等.基于高光谱成像技术和MNF检测苹果的轻微损伤[J].光谱学与光谱分析，2014，34（5）：1367-1372.

[6]Abbott J A， Lu R， Upchurch B L， et al. Technologies for non-destructive quality evaluation of fruits and vegetables[J]. Horticultural Review，1997，（20）：1-120.

[7]ElMasry G， Wang N， Vigneault C， et al. Early detectionof apple bruises on different background colors using hyperspectral imaging[J]. LWT-Food Science and Technology， 2008， 41（2）： 337-345.

[8]Lu R， Cen H， Huang M， et al. Spectral absorption and scattering properties of normal and bruised apple tissue[J].Transactions of the ASABE， 2010， 53（1）： 263-269.

（作者單位：中国矿业大学（北京）地球科学与测绘工程学院）