基于高光谱漫透射成像可视化检测脐橙可溶性固形物

介邓飞， 李泽海， 赵竣威， 连裕翔， 魏 萱

(1. 华中农业大学 工学院， 湖北 武汉 430070； 2. 福建农林大学 机电工程学院， 福建 福州 350002)

基于高光谱漫透射成像可视化检测脐橙可溶性固形物

介邓飞1， 李泽海1， 赵竣威1， 连裕翔1， 魏 萱2*

(1. 华中农业大学 工学院， 湖北 武汉 430070； 2. 福建农林大学 机电工程学院， 福建 福州 350002)

厚皮类瓜果内部品质的无损检测是目前水果产业的检测技术瓶颈。本文采用高光谱漫透射技术对脐橙可溶性固形物(SSC)含量进行可视化分析研究。通过基线校正(Baseline)预处理结合连续投影算法(SPA)优选9个特征波长，建立SSC偏最小二乘回归(PLSR)模型，校正集相关系数rcal为0.891，校正集均方根误差RSMEC为0.612 °Brix，预测集相关系数rpre为0.889，预测集均方根误差RMSEP为0.630 °Brix。最后，计算各个像素点的SSC值结合图像处理技术得出SSC的可视化分布图，直观判断脐橙SSC含量高低。

脐橙； 可溶性固形物； 高光谱成像； 可视化； 无损检测

1 引 言

随着人民生活水平的提高，市场对水果糖度、口感、营养成分等内部品质的要求也越来越高。糖度是脐橙的重要内部品质指标，是实现其快速检测与分级的重要组成部分。由于生长状态的不同，脐橙糖度等内部品质会存在差异，而内部品质的差异直接影响采后水果商品化处理和市场价值。脐橙属于厚皮类水果，无损检测难度较大，若能有效解决该问题，则可以更好地适应脐橙的商品化处理生产需求，提高其经济效益，增加水果销售的利润。

国内外许多学者对水果品质无损检测方法进行了研究。目前的研究表明，利用光谱法可以有效检测水果的内部品质，但只能检测水果的部分点信息，水果内部品质在空间上具有不一致性，这对检测结果的准确性影响较大。高光谱成像技术结合了光谱检测和图像检测的优点，不仅能获得待测物的空间图像信息，还能反映其内部品质的光谱信息，该技术已被用来检测一些水果(如香蕉、犁、苹果、脐橙、枣、猕猴桃、草莓、哈密瓜等)常见缺陷(如擦伤，冻伤、虫害、溃疡、裂纹等)[1-6]、品质指标(如水分、硬度、可溶性固形物、可滴定酸度等)[7-14]以及成熟度等[15-18]。

基于高光谱成像技术(Hyper spectral imaging, HSI))，结合化学计量学以及图像处理方法可以对研究对象的内部特征进行可视化分析，但目前利用高光谱成像技术进行水果内部品质可视化研究还较少。Pu和Sun[19]基于HSI技术对微波真空干燥芒果片过程中的水分进行研究，获取高光谱反射图像，对水分的分布进行了绘制。水分分布图直观地表明了干燥过程中芒果片中央的水分低于其他部分，优选7个波长建立多元线性回归模型的预测集相关系数(Correlation coefficient of prediction，rpre)为0.996，预测均方根误差(Root mean square error of prediction，RMSEP)为1.282%。郭志明等[20]利用高光谱图像技术，对获取的高光谱反射图像进行光强度校正之后建立糖度预测的偏最小二乘(Partial least squares regression, PLSR)预测模型，rpre为0.923，RMSEP为0.433 °Brix，得到苹果的糖度分布图，使苹果样本的糖度分布可视化。Sun等[21]采用近红外高光谱成像技术对伊丽莎白甜瓜的糖度进行了无损检测研究，研究结果显示，对糖度建立PLSR模型效果较优，rpre为0.892，均方根误差(Root mean square error，RMSE)为1.170%，并得出了伊丽莎白甜瓜糖度可视化分布图。

高光谱图像采集方式通常采用反射模式，该模式只可检测水果表面和近表面的品质和安全属性[22-23]。为了能够获取脐橙内部有效信息及避免高光谱采集过程中表皮亮斑对内部品质定量光谱和图像分析的影响，本文采用高光谱漫透射图像技术对脐橙糖度内部品质进行无损检测研究。目前脐橙等厚皮类水果透射模型的研究应用还较少，本研究充分利用高光谱成像技术的图谱合一的优势，对脐橙可溶性固性物(Soluble solid content，SSC)进行可视化检测分析，为实现高光谱图像对脐橙水果内部品质的在线检测提供技术依据。该研究可以为进一步研究厚皮水果不同生长阶段及采后果实内部品质部位差异及个体间空间差异引起的品质变化规律等方面提供前期研究基础和理论方法。

2 材料与方法

2.1 实验样本

实验所用的脐橙样本购买自武汉水果批发市场。随机选取产地为赣南的脐橙100个样品，样本当天运回实验室，剔除异常不规则样本后，剩余90个样品外观完好，色泽基本一致。样本表面擦拭干净，依次对样品进行编号。24 h后，测定样本大小、质量等物理参数。

2.2 高光谱漫透射成像系统

高光谱漫透射成像系统如图1所示。系统主要由高光谱成像仪、光源、风扇、暗箱、样品室、电动位移平台和计算机等组成。其中，高光谱成像仪由CCD摄像头(Andor，Clara，Britain)、图像光谱仪(SPECIM，V10E-CL，Finland)和成像镜头组成，样品室光源采用4盏50 W卤素灯，风扇用于样品室的散热。在高光谱图像采集时，将脐橙样品放置于样品室，样品室置于暗箱内部载物台，采集脐橙花萼部位的高光谱图像信息。

图1 高光谱漫透射成像系统

Fig.1 Acquisition of the transmission spectra of navel orange by hyperspectral imaging system

2.3 高光谱获取与校正

将实验样品放入样品室内，打开样品室的光源，并压紧上层盖板，采用柔性材料保证实验装置不漏光。高光谱成像仪波长范围为390～1 055 nm，光谱分辨率为2.8 nm，设置曝光时间100 ms，设置水平位移速度为2.0 mm/s，采用2×2 binning压缩采集方式，光谱数据点数520。

利用高光谱成像仪测量所得的实验样品的光谱，在暗电流与光源强度分布不均匀的情况下，会使所得的光谱中存在许多干扰噪声从而影响实验结果分析。然而采用在暗室下测得的黑板图像和在全反射下测得的白板图像，利用Spec View软件进行黑白校正，则可很好地去除噪声。首先，获取全白漫透射图像Iwhite，然后盖上镜头，获取全黑图像Idark，最后根据公式(1)进行黑白校正，获取校正后高光谱漫透射图像Itran。

(1)

其中，Itran为校正后高光谱漫透射图像，I为采集的原始图像，Iwhite为全白图像，Idark为全黑图像。

2.4 理化指标测定

测量脐橙样品的基本外观参数、质量。用游标卡尺测量每个样品的赤道周长及纵径(高度)，用电子天平称其质量。通常用果实中SSC含量代表其糖度，而脐橙内部品质主要特性指标由SSC含量高低来决定[23]。采用榨汁机对脐橙样本榨汁，过滤后用WYT-4型手持糖度计(福建泉州光学仪器厂)测量SSC并记录数据。

2.5 分析方法和软件

运算过程通过ENVI4.7(ResearchSystemInc,Boulder,Co.,USA)、Unscramblerversion9.6(CAMOPROCESSAS,Norway)、Matlab7.10R2010b(TheMathWorks,Natick,USA)等完成。

高光谱数据在进行数据处理过程中，有效降维可以降低高光谱图像中的噪声，提高算法的抗噪声能力[24]。连续投影算法(Successiveprojectionsalgorithm，SPA)是一种矢量空间共线性最小化的前向变量选择算法，能够从光谱矩阵中寻找含有最低限度冗余信息的变量组，使变量之间的共线性达到最小，减少变量个数，提高建模效率[25]。

3 结果与讨论

3.1 样本物理化学指标测定结果

依据脐橙样本测得的SSC含量划分校正集和预测集，预测集糖度范围应落入校正集内，两个集合内样本数目分别为建模集60个，预测集30个，其理化指标测定结果如表1所示。从表1可以看出，不同脐橙的外形尺寸和质量差异均较大。通过SPSS软件，进行变量相关性分析，质量、高度、赤道周长与SSC含量变化均没有显著相关性(P值分别为0.065，0.171，0.187>0.05)。

表1 脐橙样本的物理参数和可溶性固形物含量

3.2 感兴趣区域光谱

对每个脐橙样本高光谱图像取相同大小感兴趣区域(Regions of interest，ROI)，以花萼为中心，取260×260像素大小的圆形感兴趣区域，统计感兴趣区域所有像素点，然后计算该区域平均光谱曲线。脐橙高光谱图两端噪音较大，去除首尾噪音部分，选取450～1 000 nm范围内的光谱，如图2所示，共计430个波段进行后续分析。从图2可以看出，脐橙高光谱图在720 nm和810 nm附近有两个波峰，在680 nm和760 nm附近有两个波谷。

图2 脐橙样本的高光谱图

3.3 光谱预处理

在高光谱图像获取过程中，样本差异、光程和测试环境的轻微变化均可能会引起光谱基线的偏移或带来噪声。为了消除这些影响，我们对获得的光谱实施不同的光谱预处理方法进行光谱校正并对样本SCC含量建立PLSR预测模型，结果如表2所示。从表中可知，结果光谱经基线校正后所建立的预测模型效果较好，校正集相关系数(Correlation coefficient of calibration，rcal)为0.905，校正误差均方根(Root mean square error of calibration，RMSEC)为0.603 °Brix，预测集相关系数rpre为0.901，预测误差均方根RMSEP为0.625 °Brix。

表2 脐橙高光谱建模预测结果

Tab.2 Modeling using different spectra at different methods

MethodsCalibrationPredictionrcalRMSECrpreRMSEPRaw0.8200.8130.8200.840Smoothing0.8380.7770.8330.801Baseline0.9050.6030.9010.625MSC0.9280.5290.8310.858SNV0.9280.5290.8200.939Smoothing+Baseline0.9050.6040.8110.860

3.4 特征波长优选

对采用基线校正后的全光谱利用SPA进行特征波长优选出9个波长，分别为557.9，564.2，576.8，609.5，693.2，718.7，773.8，811.2，864.4 nm，它们在光谱中的位置如图3所示。将选出的9个特征波长对应的光谱作为输入变量对相应的SSC进行PLSR建模预测分析，所得结果如下：rcal为0.891，RMSEC为0.612 °Brix；rpre为0.889，RMSEP为0.630 °Brix。虽然建模结果较全光谱略有降低，但相较430个波长，简化了预测模型，提高了计算速率。

图3 连续投影算法优选特征变量

利用上述优选出的波长光谱对糖度建立多元线性回归(Multivariable linear regression，MLR)模型：

Y=11.454-2624.68λ1+1754.48λ2-

107.2466λ7-72.8414λ8+61.38307λ9，

(2)

其中Y表示脐橙SSC值，λi表示相应波长i所对应的光谱透射率。方程(2)可用于脐橙各个像素点SSC值的计算。

3.5 脐橙内部糖度可视化分析

利用方程(2)结合图像处理技术，在Matlab中进行进一步处理，计算脐橙样本各个像素点对应SSC含量，由此得到脐橙SSC的可视化分布图。选取不同SSC含量脐橙作为可视化样本，可视化分析结果如图4所示。

从图4可以看出，对于任一样本，脐橙果肉最大SSC含量均超过平均SSC含量，不同橘瓣中SSC含量有差异，这与顾建芹等的研究结果一致[26]。对于单个成熟果实而言，其不同部位柑橘果实可溶性固形物测定结果差异显著，从维管束到囊瓣皮再到汁囊存在由高到低的蔗糖梯度，这在可视化图中也有所呈现。图中平均SSC含量越高的样本，其较高SSC含量的部分分布越广。在SSC的含量从低到高变化的同时，其最大SSC含量也在发生变化，图4中，(a)～(f)的样本最大SSC含量值均低于(g)～(l)。平均SSC含量在13.5 °Brix之后，SSC最大含量增大比较明显，但(a)～(f)或(g)～(l)集合中的样本之间的最大SSC含量差异较小。对于较低SSC含量的样本，如图4(a)～(b)，仍有少量部分SSC含量较高。相近SSC含量的样本，如图4(e)和(f)，SSC含量较高部分和较低部分分布也显示出较大差异。

4 结 论

采用可见-近红外(390～1 055 nm)高光谱漫透射成像技术可以实现脐橙内部SSC可视化分布，进而实现脐橙内部品质分析。主要结论如下：

(1)采用SPA-PLSR建立脐橙内部的SSC预测模型，可以得到较好的预测效果并简化预测模型，最终保留9个特征波段，该模型预测结果如下：rcal为0.891，RMSEC为0.612 °Brix；rpre为0.889，RMSEP为0.630 °Brix。

(2)根据MLR回归方程计算脐橙高光谱图像每个像素点的SSC值，结合图像处理方法可绘制出脐橙内部的SSC可视化分布图，但本文的检测精度还需提高。

通过获取脐橙高光谱漫透射图像，采用图像与光谱技术实现脐橙内部的SSC可视化，可以直观地对脐橙内部品质进行判别，为进一步有效监测和分析脐橙生长变化规律及采后品质变化等方面的无损检测研究提供前期研究基础与理论方法。

[1] WU L G, HE J G, LIU G S,etal.. Detection of common defects on jujube using Vis-NIR and NIR hyperspectral imaging [J].Postharv.Biol.Technol., 2016, 112:134-142.

[2] 李江波, 饶秀勤, 应义斌, 等. 基于高光谱成像技术检测脐橙溃疡 [J]. 农业工程学报, 2010, 26(8):222-228. LI J B, RAO X Q, YING Y B,etal.. Detection of navel oranges canker based on hyperspectral imaging technology [J].Trans.CSAE, 2010, 26(8):222-228. (in Chinese)

[3] 田有文, 程怡, 王小奇, 等. 基于高光谱成像的苹果虫害检测特征向量的选取 [J]. 农业工程学报, 2014, 30(12):132-139. TIAN Y W, CHENG Y, WANG X Q,etal.. Feature vectors determination for pest detection on apples based on hyperspectral imaging [J].Trans.Chin.Soc.Agric.Eng., 2014, 30(12):132-139. (in Chinese)

[4] 章海亮, 高俊峰, 何勇. 基于高光谱成像技术的柑橘缺陷无损检测 [J]. 农业机械学报, 2013, 44(9):177-181. ZHANG H L, GAO J F, HE Y. Nondestructive detection of Citrus defection using hyper-spectra imaging technology [J].Trans.Chin.Soc.Agric.Mech., 2013, 44(9):177-181. (in Chinese)

[5] LI J B, CHEN L P, HUANG W Q,etal.. Multispectral detection of skin defects of bi-colored peaches based on Vis-NIR hyperspectral imaging [J].Postharv.Biol.Technol., 2016, 112:121-133.

[6] YU K Q, ZHAO Y R, LI X L,etal.. Identification of crack features in fresh jujube using Vis/NIR hyperspectral imaging combined with image processing [J].Comput.Electron.Agric., 2014,103:1-10.

[7] 李丹, 何建国, 刘贵珊, 等. 基于高光谱成像技术的小黄瓜水分无损检测 [J]. 红外与激光工程, 2014, 43(7):2393-2397. LI D, HE J G, LIU G S,etal.. Non-destructive detection of moisture content in gherkin using hyperspectral imaging [J].InfraredLaserEng., 2014, 43(7):2393-2397. (in Chinese)

[8] LI B C, HOU B L, ZHANG D W,etal.. Pears characteristics (soluble solids content and firmness prediction, varieties) testing methods based on visible-near infrared hyperspectral imaging [J].Optik-Int.J.LightElectron.Opt., 2016, 127(5):2624-2630.

[9] 詹白勺, 倪君辉, 李军. 高光谱技术结合CARS算法的库尔勒香梨可溶性固形物定量测定 [J]. 光谱学与光谱分析, 2014, 34(10):2752-2757. ZHAN B S, NI J H, LI J. Hyperspectral technology combined with CARS algorithm to quantitatively determine the SSC in Korla Fragrant pear [J].Spectrosc.Spect.Anal., 2014, 34(10):2752-2757. (in Chinese)

[10] LEIVA-VALENZUELA G A, LU R F, AGUILERA J M. Prediction of firmness and soluble solids content of blueberries using hyperspectral reflectance imaging [J].J.FoodEng., 2013, 115(1):91-98.

[11] 马本学, 肖文东, 祁想想, 等. 基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究 [J]. 光谱学与光谱分析, 2012, 32(11):3093-3097. MA B X, XIAO W D, QI X X,etal.. Nondestructive measurement of sugar content of Hami melon based on diffuse reflectance hyperspectral imaging technique [J].Spectrosc.Spect.Anal., 2012, 32(11):3093-3097. (in Chinese)

[12] 董金磊, 郭文川. 采后猕猴桃可溶性固形物含量的高光谱无损检测 [J]. 食品科学, 2015, 36(16):101-106. DONG J L, GUO W C. Nondestructive detection of soluble solid content of postharvest kiwifruits based on hyperspectral imaging technology [J].FoodSci., 2015, 36(16):101-106. (in Chinese)

[13] BAIANO A, TERRACONE C, PERI G,etal.. Application of hyperspectral imaging for prediction of physico-chemical and sensory characteristics of table grapes [J].Comput.Electron.Agric., 2012, 87:142-151.

[14] ELMASRY G, WANG N, ELSAYED A,etal.. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry [J].J.FoodEng., 2007, 81(1):98-107.

[15] SIVAKUMAR S S, QIAO J, WANG N,etal. Detecting maturity parameters of mango using hyperspectral imaging technique [C].AmericanSocietyofAgriculturalandBiologicalEngineersAnnualMeeting,Portland,Oregon, 2006.

[16] RAJKUMAR P, WANG N, EIMASRY G,etal.. Studies on banana fruit quality and maturity stages using hyperspectral imaging [J].J.FoodEng., 2012, 108(1):194-200.

[17] 薛建新, 张淑娟, 张晶晶. 基于高光谱成像技术的沙金杏成熟度判别 [J]. 农业工程学报, 2015, 31(11):300-307. XUE J X, ZHANG S J, ZHANG J J. Ripeness classification of Shajin apricot using hyperspectral imaging technique [J].Trans.Chin.Soc.Agric.Eng., 2015, 31(11):300-307. (in Chinese)

[18] ZHANG C, GUO C T, LIU F,etal.. Hyperspectral imaging analysis for ripeness evaluation of strawberry with support vector machine [J].J.FoodEng., 2016, 179:11-18.

[19] PU Y Y, SUN D W. Prediction of moisture content uniformity of microwave-vacuum dried mangoes as affected by different shapes using NIR hyperspectral imaging [J].Innov.FoodSci.Emerg.Technol., 2016, 33:348-356.

[20] 郭志明, 赵春江, 黄文倩, 等. 苹果糖度高光谱图像可视化预测的光强度校正方法 [J]. 农业机械学报, 2015, 46(7):227-232. GUO Z M, ZHAO C J, HUANG W Q,etal.. Intensity correction of visualized prediction for sugar content in apple using hyperspectral imaging [J].Trans.Chin.Soc.Agric.Mech., 2015, 46(7):227-232. (in Chinese)

[21] SUN M J, ZHANG D, LIU L,etal.. How to predict the sugariness and hardness of melons: a near-infrared hyperspectral imaging method [J].FoodChem., 2017, 218:413-421.

[22] 郭恩有, 刘木华, 赵杰文, 等. 脐橙糖度的高光谱图像无损检测技术 [J]. 农业机械学报, 2008, 39(5):91-93. GUO E Y, LIU M H, ZHAO J W,etal.. Nondestructive detection of sugar content on navel orange with hyperspectral imaging [J].Trans.Chin.Soc.Agric.Mech., 2008, 39(5):91-93. (in Chinese)

[23] 许文丽, 孙通, 吴文强, 等. 可见/近红外漫反射与漫透射检测脐橙可溶性固形物的对比研究 [J]. 光子学报, 2013, 42(12):1486-1490. XU W L, SUN T, WU W Q,etal.. Contrast of Vis/NIR reflection and diffuse transmission in detecting the SSC of Ganan navel oranges [J].ActaPhoton.Sinica, 2013, 42(12):1486-1490. (in Chinese)

[24] 贾志成, 薛允艳, 陈雷, 等. 基于去噪降维和蝙蝠优化的高光谱图像盲解混算法 [J]. 光子学报, 2016, 45(5):0511001-1-10. JIA Z C, XUE Y Y, CHEN L,etal.. Blind separation algorithm for hyperspectral image based on the denoising reduction and the bat optimization [J].ActaPhoton.Sinica, 2016, 45(5):0511001-1-10. (in Chinese)

[25] 介邓飞, 谢丽娟, 饶秀勤, 等. 近红外光谱变量筛选提高西瓜糖度预测模型精度 [J]. 农业工程学报, 2013, 29(12):264-270. JIE D F, XIE L J, RAO X Q,etal.. Improving accuracy of prediction model for soluble solids content of watermelon by variable selection based on near-infrared spectroscopy [J].Trans.Chin.Soc.Agric.Eng., 2013, 29(12):264-270. (in Chinese)

[26] 顾建芹. 暗柳橙及其突变体红暗柳橙果实发育过程中糖酸组分的变化 [D]. 武汉: 华中农业大学, 2007. GUJ Q.ChangingofSugarandAcidContentsofAnliuSweetOrangeandItsMutantRedAnliuSweetOrangeDuringFruitDevelopments[D]. Wuhan: Huazhong Agricultural University, 2007. (in Chinese)

介邓飞(1982-)，男，山西运城人，博士，讲师，2014年于浙江大学获得博士学位，主要从事光谱无损检测技术与装备的研究。

Email： jiedengfei@163.com 魏萱(1987-)，女，四川资中人，博士，讲师，2014年于浙江大学获得博士学位，主要从事光谱分析技术方面的研究。

Email： xuanweixuan@126.com

Visualized Detection of Soluble Solid Content Distribution of Navel Orange Based on Hyperspectral Diffuse Transmittance Imaging

JIE Deng-fei1, LI Ze-hai1, ZHAO Jun-wei1, LIAN Yu-xiang1, WEI Xuan2*

(1.CollegeofEngineering,HuazhongAgriculturalUniversity,Wuhan430070,China；2.CollegeofMechanicalandElectronicEngineering,FujianAgricultureandForestryUniversity,Fuzhou350002,China)

Compared with the fruit with thin skin, it is more difficult to acquire the internal quality information of fruits with thick skin. In this study,the hyperspectral diffuse transmission technique was used to visually analyze the soluble solids content (SSC) of navel orange. By comparison of the results, the model using the spectra pretreated by baseline correction as the input was the best one. Based on the baseline corrected spectra, successive projections algorithm (SPA) was applied to select feature wavelengths and finally 9 bands were remained. The results of the partial least squares regression (PLSR) model for SSC prediction indicate that the correlation coefficient of calibration (rcal) is 0.891, the root mean square error of calibration (RSMEC) is 0.612, the correlation coefficient of prediction (rpre) is 0.889, and the root mean square error of prediction (RMSEP) is 0.630, respectively. Using the spectra of feature wavelengths as the input, the multiple linear regression (MLR) models for SSC prediction were calibrated. Based on the MLR model, each pixel value of the images was calculated. Combined with the image processing, the distribution maps of SSC in navel orange were drawn. So, the SSC of navel orange can be intuitive judged.

navel orange; soluble solids content; hyperspectral imaging; visualization; nondestructive detection

1000-7032(2017)05-0685-07

2016-11-05；

2017-01-24

现代农业(柑橘)产业技术体系建设专项资金(CARS-27)； 中央高校基本科研业务费(2662014BQ091；2662015PY078)资助项目 Support by Project of Special Funds for The Construction of Modern Agriculture (Citrus) Industry Technology System(CARS-27); Fundamental Research Funds for The Central Universities(2662014BQ091,2662015PY078)

S666; TP751

A

10.3788/fgxb20173805.0685

*CorrespondingAuthor,E-mail:xuanweixuan@126.com