基于光子传输模拟的苹果品质高光谱检测源探位置研究
2019-03-28王浩云李亦白张煜卓周小莉徐焕良
王浩云，李亦白，张煜卓，周小莉，徐焕良
基于光子传输模拟的苹果品质高光谱检测源探位置研究
王浩云1,2，李亦白1，张煜卓1，周小莉1，徐焕良1,2※
（1. 南京农业大学信息科技学院，南京 210095；2. 南京农业大学农业工程博士后研究站，南京 210031）
光谱无损的检测方法是质检测最常用的方法之一。传统的光谱仪光源探头位置和源探距离相对固定，导致品质检测精度受限。为解决这个问题，提出基于蒙特卡洛的苹果多层组织的光子传输模拟，分析了光子入射最佳位置和源探距离，并用点光源高光谱仪实际拍摄红富士苹果进行验证。分析表明，光子在苹果赤道位置入射，具有73.12%概率到达更深的深度。源探距离与苹果的光学参数有关，形状为圆环，源探距离内外半径为1.5~10.15 mm。点光源高光谱仪采集红富士苹果的光谱信息，光子入射位置为赤道，源探距离为距离光源点半径2.7~11.7 mm的圆环，与模拟数据分析结果基本一致。蒙特卡洛光子传输模拟方法为研究高光谱苹果品质无损检测开辟了新思路，分析结果可以为研究高光谱品质检测试验设计和苹果便携式品质检测光学仪器设计提供理论基础。
果实；无损检测；光谱法
0 引 言
中国苹果资源丰富，年产量占世界总产量的1/3，居世界第一[1]。高光谱图像是将二维图像技术和光谱技术融合在一起的先进技术，图像反映水果的外部特征，光谱检测水果的物理结构、化学成分等，而组织结构、物理特征以及化学成分等决定了水果的光学参数[2-3]。很多学者研究了利用高光谱或近红外光谱检测水果品质、成熟度等指标的可能性，通过改进试验过程和数据处理模型，获得了较好的检测效果[4-9]。随着光谱仪设备的改进更新，便携式光谱仪使用灵活轻便，更适合现场作业，对便携式光谱仪的开发和将便携光谱仪应用到水果品质检测的研究受到越来越多学者的重视[10-16]。目前，利用高光谱进行果蔬品质检测的相关研究思路为：利用光谱仪采集样本光谱数据，通过改进波段选择算法和拟合模型来提高拟合精度，利用光谱仪实际测量存在如下问题1）试验使用样本数量不足，品种单一会导致分析数据覆盖面不全，建立的模型不具有普适性。2）实际测量环节耗费大量人力物力。
为了弥补以上几个缺点，提高光谱测量的准确性，拟利用模拟方法获得大量无噪声数据。光子在苹果组织中的运动属于随机过程，因此，可以利用蒙特卡洛方法对苹果中的光子运动状态进行模拟。蒙特卡洛方法由Ulam和Von Neumann首先提出，有学者[17]将蒙特卡洛方法进了改进。Wang等[18]综合前辈的理论知识将其编写成一个完整的蒙特卡洛模拟MCML程序。在此之后，有学者将蒙特卡洛方法应用到生物组织模拟中，并针对研究对象的不同提出了不同的改进方法[19-23]。在水果光子传输模拟上，Qin等[24]测量了苹果的高光谱图像和光学参数，并对光的传输规律进行了蒙特卡洛模拟，主要研究了影响光子入射深度的因素。Askoura等[25]研究证明了苹果果皮组织对于模拟模型的重要性。Ding等[26]研究了桃子的蒙特卡罗仿真和探头距离的。石舒宁[27]用蒙特卡洛方法模拟双层苹果模型在808 nm波段下的光子传输过程，其苹果模型为双层标准圆模型。
本文针对光谱实测的2个问题，提出了基于多层苹果组织模型的蒙特卡洛光子传输模拟，为高光谱水果品质检测提供参考。
1 基于多层苹果组织模型的蒙特卡洛光子传输模拟
1.1 基于椭球曲面方程的苹果模型构建
苹果为3层组织模型[28-29]，3层分别为果皮层，果肉层和果核层。果皮层和果肉层在形状上近乎相似，都是上下略有凹陷的椭球形。苹果果皮和果肉的椭球曲面方程为公式（1）。
其中。a，b，c，p1，p2共同控制苹果的长短轴半径和上下凹陷程度，a∈[3.1, 5]，b∈[3.1, 5]，c∈[4, 6]，p1∈[3, 35]，p2∈[5, 670]，u、v是基本椭球模型的角度参数其中，-0.5π≤u≤0.5π，。苹果的果核层是一个类似杨桃的形状，造型方程与果皮果肉相同（即公式（1）），但其中k发生变化，k=p3sin5v，这里p3取常数0.5。苹果的几何形状可以根据椭球曲面方程中的参数改变而调整。三维苹果几何模型如图1所示。
1.2 基于椭球曲面苹果模型的蒙特卡洛光子传输模拟
光子的运动状态主要分为初始化、光子运动方向和步长计算、越界判断、出界判断、光子消亡5个主要步骤。基于椭球曲面的苹果模型蒙特卡洛模拟与标准蒙特卡洛模拟的不同主要在于介质形状为不规则曲面，而且曲面的厚度是有限的，光子在越界时需要约束，发生折射和反射时需要求解该点在曲面上的法向量，再计算折射角和反射角。图2是基于椭球曲面苹果模型的蒙特卡洛模拟流程图。
图2 基于椭球曲面的苹果多层组织模型的蒙特卡洛模拟
1.2.1 交界点计算
由于苹果的果皮和果肉均存在厚度，标准蒙特卡洛模拟忽略了介质厚度这一点，在这里引入模型厚度，因此，光子入射点的确定不再是2条线的交点问题而是一条线与一个平面的交点求解问题。确定交点所在位置，可以用解析几何的方法联立方程得到精确解，但是解方程效率低，采用二分法的方法找到光子的入射点。一般循环2次即可找到入射位置。算法可用伪代码表示如下：
交界点计算伪代码：
Junction point()
{
pa= photon. current. position //计算光子目前所在位置坐标
pb=photon. current-1. position //计算光子前一步所在位置坐标
La= pa current. layer //计算光子目前所在模型的层
Lb= pb. current. layer
if La~=Lb //判断光子是否发生跨层
while Lc~= junction point //判断光子是否在层间交界点
pc=(pa+pb)/2 //用二分法寻找交接点
Lc=pc. current. layer
if La==Lc
pa=pc
else Lb==Lc
pb=pc
end
end
return pc
end
}
1.2.2 光子越层约束算法
蒙特卡洛具有随机性，在1.2.1中引入了模型厚度概念，光子可以在3层组织中任意穿梭，也可能从果皮层溢出。当光子越层时，光子的运动状态受到2层的影响，而苹果的果皮层薄，如不作约束容易发生一次步长过大，跨越几层的现象，这里需要对这种越层做约束处理。即光子越多层时，找到光子运动方向，强制光子只越一层，约束算法如下。
光子越层约束伪代码：
Cross-layer constraint()
{
pa= photon. current. position
pb= photon. current-1. position
La= pa. layer //计算光子目前所在模型的层
Lb= pb. layer
while (La+1~=Lb)||(Lb+1~=La) //找到邻近层的交界点作为光子跨层的起点
pc=Junction point(photon) //带入方程判断是否是交界点
Lc=pc. current. layer
pa=pc
La= pa. layer
end
}
1.2.3 曲面上光子的反射和折射
基于曲面的光线折射反射计算首先需要进行曲面上法向量求解。
1）光线在曲面上的反射。假设入射向量为，光子入射轨迹与曲面相交于点，法向量，则出射向量计算可通过向量计算。假设所有向量都是单位向量，入射角余弦值应该是cos=g，根据向量计算三角形法则：=-，反射角与入射角相等，可得到该三角形为等腰三角形，所以系数为2倍的的模与余弦值的乘积，在这里的模为1，系数为2cos，即2g。得到公式（2）。
2g(g) （2）
2）光线在曲面上的折射。射角与折射角分居于表面两侧。由于2个向量的线性运算得到的向量仍然属于这2个向量所在的平面认为存在系数和，使得折射向量满足等式（3）。通过确定系数和，即可得到折射向量，因为只有线性计算，大大降低了计算成本。
（3）
同样的，3个向量同样存在向量的三角法则，为方便计算，将其表示在二维平面上，在这里认为为入射向量坐标为（cos，sin），为出射向量坐标为（cos，sin），法向量坐标（0，−1），可以得到cos=cos，通过向量关系可得到sinsin−。分解等式并带入计算可以得到结果如公式（4）~（5）。
=cos/cos（4）
=sincos/cos−sin（5）
再由二维平面推广到三维空间中。由折射定理可知，入射光体，折射光线与法线3线共面，可以理解为只要确定1个平面，折射现象就是在二维平面上完成的。而使用入射向量和法向量线性加减求得的向量，一定与这2个向量共面。所以可以得到，二维平面中的公式适用于三维空间中折射向量的求解。
1.2.4 算法并行化
若想在短时间内获得大量模拟结果，使用单核运行模拟程序是不现实的，因此，在实际模拟中使用了并行化技术。用于并行化计算的机器为超微Super Server Main Server Chassis。采用matlab软件的并行化工具箱进行并行计算。利用24万入射光子，1个模型1组光学参数组合进行测试，使用单核运行，运行时间为1 927.588 s,8核运行时间为249.3 s，24核运行时间73.0 s。由对比可以说明并行化可以大大提高运行效率。对比实际光谱测量，可以节省大量人力物力成本。
1.3 蒙特卡洛模拟结果
随机挑选一个苹果模型和一组光学参数（果皮吸收系数μ1为0.70 mm-1、果肉吸收系数μ2为0.50 mm-1、果皮散射系数μ1为30.00 mm-1、果肉散射系数μ2为12.00 mm-1），设定光子数为十万，用蒙特卡洛方法进行模拟，可以获得了光子运动轨迹图如图3所示。
图3 苹果组织多层模型蒙特卡洛模拟图
从图3中可以看出，绝大多数的光子的运动轨迹都集中在入射点周围，并呈发散状，以入射点为圆心均匀的向四周散射。观察其垂直入射方向可以看出大多数光子轨迹集中在苹果表层之下，越靠近苹果内部果核，光子轨迹越少，只有极少部分的光子能到达果核，这与现实情况基本相符。通过蒙特卡洛模拟可以快速得到不同光学参数组合下的无噪声光亮度分布图，弥补了实际测量噪声大、采集数据覆盖面小、耗费人力物力的缺点。
2 基于模拟图像的光子入射最佳位置及源探距离分析
基于高光谱图像的苹果品质检测研究中，存在2个问题，1）针对光子入射位置，研究者一般选择苹果赤道位置入射，原因在于苹果两端为果柄与部分果核，而人们更关注果肉，但光子入射位置选择仅凭经验，缺乏相关论证。2）模拟试验中，光亮度值随着距离光斑中心的加大而减小，在同样光照强度下，随着各参数的变化，光斑大小和光亮度也会发生变化，因此猜测存在1个区域，在该区域内光亮度变化明显，探头在该区域会探测到更多的信息，从而获得更好的检测结果。针对以上2个问题和相关猜测，利用模拟方法证明光子入射最佳位置、确定源探距离及影响源探距离的因素。
2.1 基于模拟图像的光子入射最佳位置分析
光子进入苹果的深度越深，光子携带的果肉信息越多，越有利于苹果品质分析，光子的入射深度与光源放置位置有关，因此，找到合适的光源放置位置对于苹果的品质分析非常重要。
由实际测量得到了200个红富士苹果的4个光学参数范围，分别为：μ1[0.40 mm-1，6.5 mm-1]，μ2[0.03 mm-1，8.70 mm-1]，μ1[1.69 mm-1，260.00 mm-1],μ2[0.01 mm-1，75.00 mm-1]，统计光学参数范围与数量关系如表1所示。为使每类参数范围内的样本数量大致相等，将μ1分为5类，μ2分为4类，μ1分为5类，μ2分为5类，取中间值进行组合，共500个参数组合。
表1 实测光学参数分类及数量
选取造型差异较大的38个几何模型，100万个入射光子，分别在纬度p/4，p/2，3p/4位置入射（为便于后续说明，分别标号为1，2，3），用第一章中的蒙特卡洛方法进行计算。得到19 000组光子亮度分布图。
入射深度的计算方法为：对每一列高亮度像素点进行统计，记录连续分布点的个数，取数值最高的值作为该列的深度。对于每一组数据，分别统计1，2，3号入射位置的深度，当某个位置的深度同时大于等于其余2个位置，则认为该入射点深度最深。几个入射深度对比时可能出现深度相近的情况，当较大值与较小值的差值与较大值之比小于2.5%则认为近似相等。对19 000组数据的统计结果如表2。由表1可以得出，在纬度为p/2位置入射更可能到达更深的深度，光子中含有更多的果肉信息。
表2 模拟最佳入射位置对比表
2.2 基于模拟图像的源探距离分析
2.2.1 有效光子比
刘妍[30]以脂肪肌肉组织为例，研究了基于漫反射光谱法对检测组织内部信息的最佳探测位置，文中提出有效光子的概念并用该概念确定了肌肉最佳探测位置。对于苹果来说，需要探究的苹果品质信息更多集中在苹果果肉中，在这里可以认为，果皮是干扰层，果肉是有效层。因此，苹果的有效光子是指在果肉层中运动的路程多于在果皮中运动路程的光子。理论上说，光子在有效层内运动的距离越长，所携带的有效层光学信息就越多，也越能反映有效层的光学特性。一个光子在运动结束时同时达到以下条件就可被认为是有效光子：
1）从苹果模型表面溢出；
2）光子运动的所有路径中，走过果肉的路径大于走过果皮的路径（由于苹果的高散射性，光子很难到达果核）。
光斑上的光子溢出存在有效光子溢出Ph和无效光子溢出Ph2种，每个光子在溢出时所携带的光亮度由光子在组织中行走的路径长短决定。自定义苹果组织表面一点溢出的有效光子的光亮度总和I与全部光子光亮度总和I的比率为有效光子比。如公式（6）。
理论上来说距离入射点越近，反射光越强，有效光子比越低；随着距离的增加，有效光子比会逐渐变大趋近于1，反映出的光学信息也随之增加。但由于光强度逐渐减弱，噪声越来越大，可以被探测到的有用信息也会逐渐变少。因此，在光源附近存在一个范围，探测器在该范围能探测到更多关于苹果果肉的信息，这个范围被称为源探位置。为了找到有效区域，分别使用蒙特卡洛模拟方法，通过分析模型相关度和光学参数相关度，寻找源探位置的分布规律。
由于苹果果皮较薄，并参考刘妍提出的有效光子标准，认为在苹果表面的有效光子与总光子之比大于0.5，即有效光子数量大于无效光子则认为该点具备探测价值。同时，在模拟环境中当总光子权值和（即光亮强度）小于0.01则认为，光亮度过小，在实际应用中，探测效果会由于亮度太低，相对噪声较大导致探测效果不佳。在这里通过两个限制条件将有效探测区域限制在以光斑为圆心的圆环中，圆环内径由有效光子比限制，圆环外径由总光子权值和限制。由以上规则可计算得，模拟数据的内径半径大小为1.50～3.00 mm，外径半径大小为7.65～10.15 mm，因此模拟数据的源探距离为1.5～10.15 mm。
2.2.2 基于模拟图像的源探距离与几何模型、光学参数相关性分析
随机选取了15个形状各异的苹果模型，分别对每个模型使用相同的6组光学参数模拟，实测光学参数分布范围如表1所示，为证明源探距离内外径大小与光学参数存在一定关系，在实测光学参数范围内，按照每个光学参数覆盖较大和较小和中等值的原则选取，随机选择6个组合。光学参数数值分别为（按照μ1、μ2、μ1、μ2的顺序）：第一组：0.70、0.50、30.00、12.00 mm-1；第二组：2.60、5.00、30.00、56.00 mm-1；第三组：4.50、5.00、190.00、56.00 mm-1；第四组：0.7、7.5、110.0、34.0 mm-1；第五组2.6、7.5、110.0、34.0 mm-1；第六组4.5、5.0、190.0、12.0 mm-1。在图5中分别标注为1，2，3，4，5，6。模拟光子量为50万个，统计圆环内径大小如图4。
注：1，2，3，4，5，6分别表示6组按照μa1、μa2、μs1、μs2分为第一组：0.70、0.50、30.00、12.00 mm-1；第二组：2.60、5.00、30.00、56.00 mm-1；第三组：4.50、5.00、190.00、56.00 mm-1；第四组：0.7、7.5、110.0、34.0 mm-1；第五组2.6、7.5、110.0、34.0 mm-1；第六组4.5、5.0、190.0、12.0 mm-1。
由统计图可以分析，所有模型在相同的光学参数组合下内径外径保持在一个较小的范围内浮动，而对于不同的光学参数，内径和外径差异十分明显。由此可以初步推论，源探位置的内径和外径与模型参数相关性十分微小；内径和外径大小对于光学参数比较敏感。
2.2.3 基于模拟图像的源探距离与光学参数相关度模型
用模拟方法获得了645组数据，随机选取517条数据作为训练，128条数据作为测试。利用神经网络对4个光学参数和内径大小做拟合，选取的神经网络结构为输入层为4，隐藏层为20，输出层大小为1，训练迭代次数为1 000次，学习率为0.000 1。
对内径的拟合结果效果如图5a均方跟误差0.328 7，相关系数为0.996 8。用同样结构的神经网络对光学参数和外径大小作拟合，对外径的拟合结果效果如图5b，均方跟误差3.620 3，相关系数为0.988 8。
由2组相关系数可得，通过有效光子比计算的有效测量区域的内、外径大小与光学参数有密不可分的联系。在获得样本的一组光学参数后，利用神经网络进行计算，可以得到在模拟情况下的源探位置，这为实际测量源探位置的寻找提供一个良好的指引。
图5 神经网络拟合内径外径大小测试图
3 基于高光谱图像的光子入射最佳位置及源探距离分析
第二章用模拟方法确定了光子入射最佳位置和源探距离，本章用高光谱实际测量的方法验证第二章的结论。
3.1 基于高光谱图像的光子入射最佳位置分析
3.1.1 点光源高光谱图像采集
试验选用了上海五铃光电科技有限公司的HSI-VNIR-0001高光谱成像系统。软件由Spectral-image取像软件和HIS Analyzer分析软件组成。采集波段为373.54～1 033.87 nm。计算光子入射深度的点光源图像采集过程如图6a，过程为：将苹果对半切开，光纤光源即点光源直径为5 mm。点光源分别放在经度p/4，纬度为高中低3个位置（对应p/4，p/2，3p/4位置）分别平行被切开的苹果平面照射苹果。源探距离的点光源图像采集如图6b，参考2.1中的结论，光源入射位置选择在赤道。
1.高光谱成像仪 2.点光源 3.待测样本
3.1.2 基于苹果点光源高光谱图像的光子入射最佳位置分析
分别采集了30个样本的光子入射深度图像，选择450～900 nm波段的图像进行分析，共计13 530组数据。
由于光谱仪采集图像噪声较大，对光子入射深度的统计影响较大，因此，采用了如下处理过程：
1）使用SG平滑算法将高光谱原始数据信息平滑处理。将相对较低的光强信息直接作为噪声屏蔽掉。
2）循环对每一列高亮度像素点研究，计算连续分布点的个数，取连续数最高的值作为该列的深度。
3）为避免偶然性，对所有列分析后，得到的100个深度值按大小排序，取最大的前15个值的平均值为该波长下入射深度。
深度比较标准与2.1节相同，统计结果如表3。
表3 实测最佳入射位置对比表
3.2 基于点光源高光谱图像的源探距离分析
3.2.1 苹果点光源高光谱图像采集及品质参数采集
糖度测量：本试验中用可溶性固形物代替糖度，可溶性固形物是指液体或流体食品中所有溶解于水的化合物的总称，苹果的可溶性固形物主要是糖。测量仪器是ATAGO PAL-1数显糖度计。每个样本测量3次，取3次平均值为该样本的糖度值。
水分测量：苹果水分的方法测定方法为直接干燥法。使用的设备有干燥箱、电子天平、蒸发皿等。其中干燥箱为上海精宏DHG-9070A，天平为奥豪斯CP423C电子天平。含水率的测定方法：首先称量蒸发皿的质量为1，放入质量范围在40～50 g之间的苹果块，用保鲜膜封闭，测出质量2，取下保鲜膜放入到干燥箱中进行干燥，每干燥3 h秤一次，直到连续2次测得质量差值小于0.3 mg为止，此时质量记为3，样本含水率计算公式（7）。
3.2.2 基于苹果点光源高光谱图像的源探距离分析
3.1.1中采集了200个样本的源探距离点光源照射图像，点光源照射苹果会在苹果表面形成1个光斑，以光斑中最亮点为中点，每次选择1个像素点，对两边区域求平均值作为感兴趣区域点如图7a为苹果高光谱图像伪彩色图的取点示意图，每个样本选择15个感兴趣点（由于取点方式相同，只为说明方式，图片7a中所仅画出6个点）。对200个样本的15个感兴趣点与其对应的糖度和水分做相关性分析，分析方法过程如下：1）对光谱数据进行一阶导处理，消除噪声。2）使用随机划分数据算法对数据集进行划分。3）使用偏最小二乘法对品质数据进行拟合分析。糖度、水分的相关系数结果如图7b，糖度水分预测集的均方根误差分别如图7c，7d。
注：图7a中，1，2，3，4，5，6代表第1，2，3，4，5，6个感兴趣区域，由于选点原理相同，这里仅画出6个感兴趣区域点。
Notice: In Fig.7a, 1,2,3,4,5,6 represent No.1,2,3,4,5,6 ROI, due to the principle of picking ROI is the same, only 6 ROIs are drawn.
图7 距离与糖度水分相关度、均方跟误差分布图
Fig.7 Correlation coefficient /root mean square and error distribution in ROI for sugar/moisture figure
在15个感兴趣点里面，糖度值最高达到0.70,最低为0.54，RMSEP值最高达到3.234 6，最低值为1.374 5。水分值最高达到0.75，最低为0.26，RMSEP值最高达到0.038 2，最低值为0.015 1。
分别选择与糖度和水分相关度最高的6个区域，分别为：与糖度相关区域为12、10、4、11、8、5。与水分相关区域为8、6、13、4、11、12。重合区域有：4、8、11、12。选择糖分与水分相关度最低的6个区域分别为：糖度：14、15、1、7、2，水分：15、14、9、2、10。重合区域有2、14、15。选择糖度和水分RMSEP值最低的6个区域，分别为：糖度：11、5、4、13、6、12，水分：13、11、7、10、8、3。选择糖度和水分RMSEP值最高的6个区域，分别为：糖度：7、3、2、1、14、15，水分：4、5、1、15、2、14。
由以上数据的对比可发现，探头位置选择对品质检测是有影响的，要选择距离光斑中心点一定距离的位置进行检测，源探距离的确定过程为：首先利用相关系数指标排除糖度、水分拟合相关度最低的重合部分，由于1像素点位置与糖度相关度仅为0.60，也可考虑排除。再此基础上，分析RMSEP值，发现1、2、14、15这4个位置的RMSEP值也是在整体中最高的，排除掉这4个位置，综合分析可以认为最佳检测区域位置为距离光斑中心点为圆心，3～13个像素点为半径的环形区域中。
3.2.3 基于源探距离的苹果高光谱品质检测
在基于3.1和3.2.2分析的结论上，使用点光源在苹果赤道位置照射苹果，上海五铃光电科技有限公司的HSI-VNIR-0001高光谱成像系统利用采集了200个陕西红富士苹果样本的光谱数据采用3.2.1中的方法采集了样本的糖度、水分数据。分别使用随机选择检测区域即使用五铃光电科技有限公司HIS Analyzer分析软件选择随机区域的反射平均值（标记为1）和距离光源照射点3～13个像素区域的反射平均值（标记为2）作为输入。采用一阶导处理，消除噪声，无信息消除法作为特征波段提取算法，随机划分数据算法对数据集进行划分，偏最小二乘法对品质数据进行拟合分析。分析结果对比如表4。从表4中可以看出，基于源探距离内的数据对糖度和水分的拟合相关度要高于随机选择区域的相关度，源探距离内预测均方根误差低于机选择区域。由此证明，距离光源3～13像素为最佳检测位置。
表4 随机选择区域与源探距离区域与苹果品质关联表
注：1，2分别表示随机区域和苹果源探距离区域。
Note: 1, 2 represent randomly selected area and apple source distance area respectively.
4 结 论
为了弥补光谱测量过程中样本不足和耗费大量人力物力的缺点，提出了基于苹果多层组织模型的蒙特卡洛模拟算法，并在matlab平台上实现了算法的并行计算，开辟了光谱检测水果品质的新思路。由于便携式光谱仪方便携带，能够实现方便快速的品质检测，因此在模拟和实际试验中使用点光源照射苹果样本，为提高检测准确率，在模拟数据的基础上进行了光子入射最佳位置和探测器放置最佳位置研究，并用高光谱相机实际测量做出了验证，证明了模拟结果的正确性，同时，得到以下结论：
1）光子在苹果赤道位置入射效果更好；
2）探头放置最佳位置与光学参数有关，红富士苹果的最佳探测距离为距离光源1.5～10.15 mm的环形区域内，可以根据苹果光学参数不同，调整探头位置。以上2点结论可以为光谱实际测量试验设计和便携式水果品质检测光谱仪的开发提供理论基础。
[1] 吴龙国，何建国，贺晓光，等. 高光谱图像技术在水果无损检测中的研究进展[J]. 激光与红外，2013，43(9)：990－996.
Wu Longguo, He Jianguo, He Xiaoguang, et al. Research progress of hyperspectral imaging technology in non-destructive detection of fruit[J]. Laser & Infrared, 2013, 43(9): 990－996. (in Chinese with English abstract)
[2] 公丽艳，孟宪军，刘乃侨，等. 基于主成分与聚类分析的苹果加工品质评价[J]. 农业工程学报，2014，30(13)：276－285.
Gong Liyan, Meng Xianjun, Liu Naiqiao, et al. Evaluation of apple quality based on principal component and hierarchical cluster analysis[J]. Transactions of the Chinese Society of Agricultural Engineerin (Transactions of the CSAE), 2014, 30(13): 276－285. (in Chinese with English abstract)
[3] 方振欢. 用于水果组织光传输特性检测的单积分球系统研制及应用[D]. 杭州：浙江大学，2015.
Fang Zhenhuan. Development and Application of A Single Intergrating Sphere System for Detecting Optical Properties of Fruit Tissue[D]. Hangzhou: Zhejiang University, 2015. (in Chinese with English abstract)
[4] Marco Ciotti, Anton de Jager, Herman de Putter, et al. Non-destructive determination of soluble solids in apple fruit by near infrared spectroscopy (NIRS)[J]. Postharvest Biology & Technology, 1998, 14(1): 21－27.
[5] Peng Yankun, Lu Renfu. Improving apple fruit firmness predictions by effective correction of multispectral scattering images[J]. Postharvest Biology and Technology, 2006, 41(3): 266－274.
[6] Lu Renfu. Nondestructive measurement of firmness and soluble solids content for apple fruit using hyperspectral scattering images[J]. Sensing and Instrumentation for Food Quality and Safety, 2007, 1(1): 19－27.
[7] Qin Jianwei, Lu Renfu, Peng Yankun. Prediction of apple internal quality using spectral absorption and scattering properties[J].Transactions of the ASABE, 2009, 52(2): 499－486.
[8] 杨昆程，孙梅，陈兴海. 水果成熟度的高光谱成像无损检测研究[J]. 食品科学技术学报，2015，33(4)：63－67.
[9] Li Jianglin, Sun Dawen, Cheng Junhu. Recent advances in nondestructive analytical techniques for determining the total soluble solids in fruits: A review[J]. Comprehensive Reviews in Food Science & Food Safety, 2016, 15(5): 897－911.
[10] Manuel L, Andres G, Eduardo A. A multipurpose portable instrument for determining ripeness in wine grapes uising NIR spectroscopy[J]. IEEE Transactions on Instrumentation and Measurement, 2008, 57(2): 294－302.
[11] 陈明林. 基于便携式近红外光谱仪的水果内部品质无损检测研究[D]. 杭州：浙江大学，2010.
Chen Minglin. Nondestrctive Detection of Fruit Internal Quality Based on Portable Near Infrared Spectrometer[D]. Hangzhou: Zhejiang University, 2010. (in Chinese with English abstract)
[12] Liu Yande, Gao Rongjie, Hao Yong, et al. Improvement of near-infrared spectral calibration models for brix prediction in ‘Gannan’ navel oranges by a portable near-infrared device[J]. Food and Bioprocess Technology, 2012, 5(3) : 1106－1112. (in Chinese with English abstract)
[13] 袁雷明，蔡健荣，孙力，等. 可见-近红外光谱用于鲜食葡萄感官偏好的检测[J]. 光谱学与光谱分析，2017(4)：1220－1225.
Yuan Leiming, Cai Jianrong, Sun Li, et al. Inspection of the sensory preference for table grape with visual-near infrared spectroscopy[J].Spectroscopy and Spectral Analysis, 2017(4): 1220－1225. (in Chinese with English abstract)
[14] 袁雷明，郭珍珠，陈孝敬，等. 基于可见/近红外光谱技术的便携分析仪的应用[J]. 食品安全质量检测学报，2017，8(9)：3455－3460.
Yuan Leiming, Guo Zhenzhu, Chen Xiaojing, et al. Application of a portably analyzer based on visual/near infrared spectroscopy[J]. Journal of Food Safety and Quality, 2017, 8(9): 3455－3460. (in Chinese with English abstract)
[15] 郭志明，陈全胜，张彬，等. 果蔬品质手持式近红外光谱检测系统设计与试验[J]. 农业工程学报，2017，33(8)：245－250.
Guo Zhiming, Chen Quansheng, Zhang Bin, et al. Design and experiment of handheld near-infrared spectrometer for determination of fruit and vegetable quality[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(8): 245－250. (in Chinese with English abstract)
[16] 王凡，李永玉，彭彦昆，等. 便携式番茄多品质参数可见/近红外检测装置研发[J]. 农业工程学报，2017，33(19)：295－300.
Wang Fan, Li Yongyu, Peng Yankun, et al. Development of portable device for simultaneous detection on multi-quality attributes of tomato by visible and near-infrared[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(19): 295－300. (in Chinese with English abstract)
[17] Zaccanti Giovanni. Monte Carlo study of light propagation in optically thick media: Point source case[J]. Applied Optics, 1991, 30(15): 2031－2041.
[18] Wang Lihong, Jacques Li, Zheng Liqiong. MCML-Monte Carlo modeling of light transport in multi-layered tissues[J]. Computer Methods & Programs in Biomedicine, 1995, 47(2): 131－146.
[19] Maxime Roger, Cyril Caliot, Nicolas Crouseilles, et al. A hybrid transport-diffusion model for radiative transfer in absorbing and scattering media[J]. Journal of Computational Physics, 2014, 275(15): 346－362.
[20] Zhu Caigang,LiuQuan. Review of Monte Carlo modeling of light transport in tissues[J]. Journal of Biomedical Optics, 2013, 18(5): 50－62.
[21] Wei Li, Lin Ling, Bao Lei, et al. Monte Carlo simulation of photon migration in multi-component media[J]. Optical & Quantum Electronics, 2015, 47(7): 1919－1931 .
[22] Guy Yona, Nizan Meitav, Itamar Kahn, et al. Realistic numerical and analytical modeling of light scattering in brain tissue for optogenetic applications[J]. Eneuro, 2016, 3(1): 22－35.
[23] Liu Yan, Yang Xue, Li Gang, et al. Optimizing Monte Carlo simulation for detecting the internal information in a fat-muscle media[J]. Optical & Quantum Electronics, 2016, 48(6): 1－11.
[24] Qin Jianwei, Lu Renfu. Monte Carlo simulation for quantification of light transport features in apples[J]. Computers & Electronics in Agriculture, 2009, 68(1): 44－51.
[25] Askoura Lamine, Vaudelle Fabrice, L'Huillier Pierre. Numerical study of light transport in apple models based on monte carlo simulations[J]. Photonics, 2015, 3(11): 26－41.
[26] Ding Chizhu，Shi Shuning, Chen Jianjun, et al. Analysis of light transport features in stone fruits using monte carlo simulation[J]. Plos One, 2015, 10(10): 10－12.
[27] 石舒宁. 水果组织的光学描述与光传输规律研究[D]. 武汉：华中农业大学，2016.
Shi Shuning. Optical Description of Fruit Tissue and Study of Optical Transmission Discipline[D]. Wuhan: Huazhong Agricultural University, 2016. (in Chinese with English abstract)
[28] 陆玲，王蕾. 基于椭球变形的植物果实造型[J]. 农业机械学报，2007，38(4)：114－117.
Lu Ling, Wang Lei. Plant fruit model ing based on the distortion to ellipsoid[J]. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(4): 114－117. (in Chinese with English abstract)
[29] 陆玲，周书民. 植物果实的几何造型及可视化研究[J]. 系统仿真学报，2007，19(8)：1739－1741.
Lu Ling, Zhou Shumin. Study on geometry model and visualization of plant fruit[J]. Journal of System Simulation, 2007, 19(8): 1739－1741. (in Chinese with English abstract)
[30] 刘妍. 基于空间漫反射法检测多层生物组织内部信息的MC模拟研究[D]. 天津：天津大学，2016.
Liu Yan. Monte Carlo Simulation of Detecting the Inner Information of Multi-layered Biological Tissue Based on Spatially Resolved Diffuse Reflectance Technology[D]. Tianjin: Tianjin University, 2016. (in Chinese with English abstract)
Research on hyperspectral light and probe source location on apple for quality detection based on photon transmission simulation
Wang Haoyun1,2, Li Yibai1, Zhang Yuzhuo1, Zhou Xiaoli1, Xu Huanliang1,2※
(1,210095,; 2.,210031)
Due to its high nutritional value, strong ecological adaptability and storage resistance, apple has become one of the world’s most consumed fruits. At present, most of the tools mostly used in non-destructive testing of apples at home and abroad are hyperspectral instruments, but the hyperspectral apparatus has the following problems: First, the number of samples actually measured is extremely limited, the speed is slow, the cost is high, the coverage is small, and the error is inevitable. Second, the actual collection process consumes a lot of manpower and material resources. In view of the above problems, this paper proposes a new idea of improvement. Firstly, the Monte Carlo simulation of photon transmission on a multi-layer apple model based on ellipsoidal surface equation is implemented. Secondly, the trace of photons in the multi-layer apple model is analyzed. Based on this, the optimal incident position of the light source and the optimal detection position of the probe during the detection of the hyperspectral quality of the apple were analyzed and verified. The main works of this paper are as follows: 1) on the basis of realizing the Monte Carlo simulation algorithm of photon transmission, firstly, the multi-layer apple model based on ellipsoidal surface is studied. The apple model simulation based on ellipsoidal surface is realized by studying the motion behavior of photons on the surface, including normal vector solution, intersection point calculation and inverse refraction calculation. Finally, the two algorithms are optimized to a certain extent, and the parallelization of the two algorithms is realized by using MATLAB parallel computing toolbox, which improves the computing speed of the algorithm. 2) Based on the realization of the apple model photon transmission simulation, the optimal incident position of the apple hyperspectral quality detection source and the optimal detection position of the probe are further analyzed. Firstly, the photon motion of the light source at different positions of the apple model is simulated. The relationship between the incident depth and the different incident positions when photons are transmitted in the apple tissue is analyzed, and the optimal incident position is determined. By statistically analyzing the maximum incident depth of photons under different optical parameters and model sizes, it is found that photons have a better probability for reaching near the equatorial position of the apple to reach a deeper depth. At the same time, the effective photon ratio standard of photon scattering from the surface of apple model is defined, and the optimal range of source and probe distance when using applet to detect apple quality is proposed. The optimal detection range and apple optical parameters and apple model size parameters are analyzed. The correlation determines the factors that influence the change in the optimal detection area. The source distance is related to the optical parameters of the apple, and the shape is a ring. The radius of the inner and outer diameter of the source is 1.5~10.15 mm. The point source hyperspectral collects the spectral information of the red Fuji apple. The photon incident position is the equator, and the source distance is a circle with a radius of 2.7-11.7 mm, which is basically consistent with the simulation data analysis results. The Monte Carlo photon transmission simulation method opens up new ideas for studying non-destructive testing of high-spectrum apple quality.
fruit; nondestructive examination; spectroscopy
王浩云，李亦白，张煜卓，周小莉，徐焕良. 基于光子传输模拟的苹果品质高光谱检测源探位置研究[J]. 农业工程学报，2019，35(4)：281－289. doi：10.11975/j.issn.1002-6819.2019.04.035 http://www.tcsae.org
Wang Haoyun, Li Yibai, Zhang Yuzhuo, Zhou Xiaoli, Xu Huanliang. Research on hyperspectral light and probe source location on apple for quality detection based on photon transmission simulation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(4): 281－289. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.04.035 http://www.tcsae.org
2018-08-17
2019-02-27
国家自然科学基金资助项目 (No.31601545);中央高校基本科研业务费专项资金资助（No.KJQN201732）
王浩云，博士，副教授，主要从事农业物联网和温室智能控制研究。Email：wanghy@njau.edu.cn
徐焕良，教授，博士生导师，主要从事农业物联网关键技术研究。Email：huanliangxu@njau.edu.cn
10.11975/j.issn.1002-6819.2019.04.035
TP391; S126
A
1002-6819(2019)-04-0281-09
