基于成像光譜技術的水果斑點及損傷快速識別研究
江蘇雙利合譜科技有限公司-黃宇
一、引言
隨著人們生活水平的提高，消費者越來越關注果蔬的品質安全問題。如造成水果表面出現黑白斑的內部腐爛、水果因運輸等原因造成的碰傷、損傷等，從而嚴重影響消費者的身體健康。因此水果黑白斑、碰傷損傷的快速有效的識別具有重要的研究價值。
高光譜圖像技術結合了光譜分析和圖像處理的技術優勢，國內外許多學者對研究對象的內外部品質特征進行檢測分析，如趙杰文等利用高光譜圖像技術檢測水果輕微損傷，準確率為88.57 %；Jasper G. Tallada等分別應用高光譜圖像技術對不同成熟度的草莓表面損傷、蘋果的表面缺陷及芒果的成熟度檢測進行了試驗研究。王玉田等運用熒光光譜檢測出水果表面殘留的農藥；胡淑芬等運用激光技術對水果表面農藥殘留進行了試驗研究；薛龍等針對水果表面農藥殘留，以滴有較高濃度的臍橙為研究對象，利用光譜范圍425-725 nm的高光譜圖像系統進行檢測，發現對較高濃度的農藥殘留檢測效果較好。本文采用高光譜圖像技術檢測不同水果的黑白斑區域及損傷區域，以實現水果黑白斑、損傷區域快速識別的目的。
二、試驗材料與方法
2.1 實驗材料
本研究以蘋果和橙子為研究對象，分析蘋果、橙子的黑白斑區域與損傷區域。其中蘋果、橙子的黑白斑、損傷是非人為故意形成。
2.2 實驗設備
高光譜成像數據采集采用江蘇雙利合譜科技有限公司的 GaiaSorter高光譜分選儀系統。該系統主要由高光譜成像儀(V10E)、CCD 相機、光源、暗箱、計算機組成，結構圖與實景圖如圖1。實驗儀器參數設置如表1。
表1 GaiaSorter 高光譜分選儀系統參數
| 序號 | 項目 | 參數 |
| 1 | 光譜掃描范圍/nm | 400~1000 |
| 2 | 光譜分辨率/nm | 2.8 |
| 3 | 采集間隔/nm | 1.9 |
| 4 | 光譜通道數 | 520 |
圖 1 GaiaSorter 高光譜分選儀結構圖與實景圖
2.3 圖像處理分析
采用SpecView和ENVI/IDL對高光譜數據的預處理及分析，預處理中的鏡像變換、黑白幀校準在SpecView中進行；其他數據的分析在ENVI/IDL中進行。
三、結果與討論
3.1 蘋果黑斑區域、損傷區域、正常區域和背景的光譜分析
取蘋果黑斑區域、損傷區域、正常區域和背景各3個不同位置周邊50個像元，分別獲取這3個不同位置50個像元的光譜反射率，并求取這50個像元的反射率均值，如圖2所示，其中，蘋果沒有損傷區域的光譜反射率在500-680 nm范圍內高于損傷區域及黑斑區域的光譜反射率；在550-700nm范圍內，蘋果黑斑區域的光譜反射率較低；在580-700 nm范圍內，蘋果黑斑區域、損傷區域、正常區域的光譜存在較為顯著的波峰波谷，而背景無顯著特征。在550-680 nm范圍內，損傷區域的光譜反射率鑒于蘋果黑斑區域和正常區域之間，因此可以嘗試通過構建植被指數和閾值分割方法快速識別出蘋果黑斑區域和損傷區域。
圖2 蘋果黑斑區域、損傷區域、正常區域和背景的光譜反射率
3.2 橙子黑斑斑區域、正常區域、背景的光譜分析
以橙子的正面和側面為例，取橙子黑斑區域、白板區域、正常區域和背景各3個不同位置周邊50個像元，分別獲取這3個不同位置50個像元的光譜反射率，并求取這50個像元的反射率均值，如圖3所示。從圖中可知，在580-700 nm范圍內，橙子的黑斑區域、白斑區域、正常區域的光譜反射率上升趨勢較為顯著，而背景在此光譜范圍，光譜反射率上升較為緩慢，因此可以在此區域快速地識別橙子。無論從橙子的正面光譜還是側面光譜來看，在530-1000 nm范圍內，橙子的黑斑區域的光譜反射率均低于橙子的白斑區域和正常區域。在400-1000nm范圍內，白斑區域和正常區域在藍光波段差異明顯。
圖3 橙子黑斑斑區域、正常區域、背景的光譜反射率
3.3 蘋果和橙子的最小噪聲分離變換
對經過鏡像變換、黑白幀校準的蘋果、橙子高光譜圖像進行MNF變換(如圖4，從左到右：蘋果、正面橙子、側面橙子) ，分別得到以有效信息為主的波段和以噪聲為主的波段，并且按照信噪比從大到小的順序排列。原始數據的主要信息都集中在前面特征值大的波段，后面特征值小的波段主要以噪聲為主。特征值接近于0的多數是噪聲，最好選擇特征值高的波段。從圖4可知，無論是橙子還是蘋果，當特征值數到7時，特征值趨向于0且無顯著變化。
圖 4 蘋果腐爛區域與農業殘留區域提取流程圖
3.4 最小噪聲分離變換
由于高光譜遙感數據波段多，波段間存在很大相關性，為了克服維數災難，利用最小噪聲分離變換進行波段選擇，達到優化數據，去除噪聲和數據降維的目的。
最小噪聲分離變換( MNF)是對主成分變換( PCA) 的一種改進方法。PCA 是一種線性變換，變換后各主成分分量彼此之間互不相關，隨著主成分的增加該分量包含的信息量減小，第一主成分包含的信息量最大，第二主成分與第一主成分無關且在剩余成分中包含的信息量最大，依此類推。但PCA對噪聲比較敏感，在變換后的主成分分量中，信息量大的信噪比不一定高，當某個信息量大的主成分中包含的噪聲的方差大于信號的方差時，該主成分分量形成的圖像質量就差。針對 PCA 變換的不足，Green 和 Berman 提出最小噪聲分離變換( MNF)，它不但能判定圖像數據內在的維數( 波段數) ，分離數據中的噪聲，而且能減少隨后處理中的計算需求量。MNF 變換是基于圖像質量的線性變換，變換結果的成分按照信噪比從大到小排列。經過MNF變換大部分噪聲集中在特征小的分量中。而不像 PCA變換按照方差由大到小排列，從而克服了噪聲對影像質量的影響。
3.4.1 基于MNF的蘋果的黑斑、損傷區域識別
圖5列舉了蘋果原圖（高光譜RGB彩色合成）、MNF變換前7個特征值灰度圖。從MNF變換的特征值灰度圖來看，第1特征值灰度圖能較好地區分背景和蘋果，然而，蘋果的部分黑斑也會識別為背景；第2特征值灰度圖能較好地識別出蘋果的黑斑；第3特征值灰度圖雖能識別出蘋果的黑斑，但是蘋果的其他區域有一部分也會被識別為黑斑；第4特征值灰度圖較亮的部分為蘋果的黑斑和蘋果損傷區域，識別效果較好；第5、6、7特征值的灰度圖則無法正確識別出黑斑、損傷區域。
圖5 蘋果RGB原圖及前7個MNF特征值灰度圖
3.4.2 基于MNF的橙子的黑白斑區域識別
圖6列舉了橙子正面、側面原圖（高光譜RGB彩色合成）、MNF變換前7個特征值灰度圖。從正面橙子的MNF變換的特征值灰度圖來看，第1特征值灰度圖能較好地區分背景、橙子黑斑，然而，背景和橙子黑斑則無法相互區分；第2、3特征值灰度圖亮度部分為黑斑，但是無斑點橙子也會被錯誤地識別為黑斑；第4特征值灰度圖能較好地識別出橙子的黑斑和白斑，即較亮的部分為橙子的黑斑、白斑，識別效果較好；第5、6、7及往后的特征值的灰度圖則無法正確識別出黑斑、白斑區域。
圖6 橙子正面RGB原圖及前7個MNF特征值灰度圖
如圖7，從側面橙子的MNF變換的特征值灰度圖來看，第1特征值灰度圖能較好地區分背景、橙子；第2、3特征值灰度圖識別效果并不如意，黑白斑、背景等均未能識別出來；第4特征值灰度圖雖然能識別出橙子黑斑，但是也錯誤地把部分無斑點橙子識別為黑斑；第5特征值灰度圖能較好地識別出橙子黑白斑、損傷區域，但是部分背景會錯誤地識別為黑白斑。第6、7及往后的特征值的灰度圖則無法正確識別出黑斑、白斑、損傷區域。
圖7 橙子測面RGB原圖及前7個MNF特征值灰度圖
3.5 基于植被指數、閾值分割的蘋果斑點、損傷區域快速識別
根據圖2蘋果黑斑區域、損傷區域、正常區域和背景的光譜反射率變化規律，構建植被指數NDVI(723.6, 673.6)去除背景并掩膜，最后利用灰度密度分割，用紅色代表蘋果斑點、損傷區域，綠色代表損傷附近區域，如圖8所示。從圖中可知，利用植被指數、閾值分割的方法能快速、較為準確地識別出蘋果的斑點、損傷區域。
圖8 基于植被指數、閾值分割的蘋果斑點、損傷區域快速識別
3.6 基于植被指數、閾值分割的橙子斑點、損傷區域快速識別
根據圖3橙子黑白斑區域、損傷區域、正常區域和背景的光譜反射率變化規律，構建植被指數NDVI(706, 590)去除背景并掩膜MNF5，最后利用灰度密度分割，用紅色代表橙子斑點、損傷區域，黃色代表輕微損傷或者微小的橙子斑點，如圖9所示。從圖中可知，無論是橙子的正面或者側面，利用植被指數、閾值分割的方法均能快速、較為準確地識別出其斑點和損傷區域。
圖9 基于植被指數、閾值分割的橙子斑點、損傷區域快速識別
四、討論
高光譜成像技術應用于水果斑點及損傷區域的快速識別已體現出其“圖譜合一”的*性。水果損傷和水果表皮的斑點顏色雖然能用肉眼一一識別，但是在工業生產用，僅靠人力去一一挑選無損傷、無斑點的水果，既費時費力費財。利用成像高光譜技術，獲取不同水果的光譜反射率，查找出其損傷、斑點的特征波段，利用特征波段構建植被指數從而實現水果損傷、斑點區域的快速有效的識別，并達到自動化挑選優質水果的目的。本研究結果表明，運用高光譜成像技術，運用最小噪聲分離、植被指數等方法等，均可有效地識別水果損傷與斑點區域，但最小噪聲分離方法較為復雜，運算速度較慢，不適合在工業生產上進行應用，而植被指數算法簡單，僅利用2個波段進行四則運算即可實現水果損傷和斑點的快速識別。
7
立即詢價
您提交后，專屬客服將第一時間為您服務