應(yīng)用方向：

紅薯缺陷的快速非破壞性檢測(cè)和分類(lèi)技術(shù)能夠同時(shí)獲取樣品的光譜信息和空間信息，為紅薯的品質(zhì)評(píng)估提供了一種有效的工具。通過(guò)高光譜成像技術(shù)的應(yīng)用，可以實(shí)現(xiàn)對(duì)紅薯中的健康、凍傷和病變樣本的精確鑒別，進(jìn)而提高紅薯加工和儲(chǔ)存過(guò)程中的經(jīng)濟(jì)效益。

背景：

紅薯是全球及中國(guó)重要的糧食作物之一，其富含淀粉、多種維生素、膳食纖維、蛋白質(zhì)以及鈣、磷、鐵等無(wú)機(jī)鹽，具備延緩衰老、增強(qiáng)免疫力和防癌等健康效益。然而，紅薯的各類(lèi)缺陷如凍傷和病害，長(zhǎng)期以來(lái)一直困擾著種植業(yè)和加工業(yè)。這些缺陷的紅薯容易氧化腐爛，并可能感染其他健康紅薯，從而造成嚴(yán)重的經(jīng)濟(jì)損失。目前，紅薯缺陷的檢測(cè)主要依賴(lài)于人工方法，這不僅耗時(shí)耗力，而且準(zhǔn)確性不高。盡管基于可見(jiàn)光圖像的機(jī)器視覺(jué)系統(tǒng)已廣泛應(yīng)用于果蔬缺陷檢測(cè)，但在可見(jiàn)光圖像中難以發(fā)現(xiàn)某些早期病害和輕微損傷。此外，盡管非成像近紅外（NIR）光譜技術(shù)能檢測(cè)到這些細(xì)微變化，但無(wú)法評(píng)估整個(gè)果實(shí)的品質(zhì)變化。高光譜成像技術(shù)作為一項(xiàng)新興技術(shù)，能夠同時(shí)獲取樣品的光譜信息和空間信息，已成功替代傳統(tǒng)的光譜分析和可見(jiàn)光圖像，成為快速無(wú)損檢測(cè)和分類(lèi)的有效方法。研究選用‘龍薯9號(hào)’紅薯作為研究對(duì)象，運(yùn)用高光譜成像技術(shù)來(lái)識(shí)別缺陷紅薯，并應(yīng)用偏最小二乘判別分析（PLS-DA）與線性判別分析（LDA）構(gòu)建分類(lèi)模型，為紅薯的存儲(chǔ)與加工提供理論支持，提升紅薯行業(yè)的經(jīng)濟(jì)效益。

實(shí)驗(yàn)設(shè)計(jì)

1.1.材料與方法

（1）實(shí)驗(yàn)材料

紅薯品種為“龍薯9號(hào)”，于2019年1月購(gòu)自山東省泰安市“新綠蔬菜批發(fā)市場(chǎng)”，選取健康紅薯140個(gè)、凍傷紅薯140個(gè)、病紅薯140個(gè)，共420份紅薯樣品進(jìn)行試驗(yàn)。如圖1所示為三種紅薯。患病紅薯又可分為裂紋、表皮損傷和表面疤痕三種類(lèi)型。紅薯上的裂紋可能是由于收獲時(shí)土壤養(yǎng)分不足或水分過(guò)多造成的。表皮損傷可能是由采收時(shí)的機(jī)械損傷或運(yùn)輸過(guò)程中紅薯之間的碰撞導(dǎo)致，進(jìn)而發(fā)展成病區(qū)。而表面疤痕是由基因決定的，不會(huì)影響其內(nèi)在的食用品質(zhì)，但其外觀不理想會(huì)降低紅薯的經(jīng)濟(jì)價(jià)值。試驗(yàn)選用的紅薯樣品在重量和大小上是均勻的。用清水清洗后，在中國(guó)山東省泰安市山東農(nóng)業(yè)大學(xué)采后工程實(shí)驗(yàn)室20℃的黑暗環(huán)境中放置24 h。

圖1. 三種類(lèi)型的紅薯樣本：(A) 健康紅薯，(B) 凍傷紅薯，(C) 患病紅薯

（2）高光譜成像系統(tǒng)

本實(shí)驗(yàn)使用“GaiaField”高光譜成像系統(tǒng)（GaiaField-V10E，江蘇雙利合譜光譜成像技術(shù)有限公司）采集樣品信息。如圖2所示，該系統(tǒng)主要包括高光譜成像儀、成像鏡頭、照明系統(tǒng)、標(biāo)準(zhǔn)白板、三腳架和一臺(tái)裝有SpecView軟件的計(jì)算機(jī)。高光譜系統(tǒng)的波長(zhǎng)范圍為400 - 1000 nm，光譜分辨率為2.8 nm，入射狹縫寬度為30 μm，相機(jī)分辨率為1392 × 1040 dpi。高光譜系統(tǒng)采用推掃成像技術(shù)。

圖2. 高光譜成像系統(tǒng)

（3）高光譜數(shù)據(jù)的收集和校準(zhǔn)

為了獲得清晰、不失真的圖像，將紅薯樣品置于低反射率黑板上，采用高光譜成像系統(tǒng)掃描，曝光時(shí)間為11.58 ms，鏡頭與樣品之間的距離為47.62 mm。由于光源的不均勻性、光敏元件本身的響應(yīng)差異、暗電流和偏置等因素的影響，高光譜圖像的輸出強(qiáng)度可能不均勻，不利于后續(xù)圖像處理中目標(biāo)特征的提取和測(cè)量。因此，有必要對(duì)高光譜圖像進(jìn)行黑白標(biāo)定。將白板放置在采集區(qū)域，掃描得到白幀數(shù)據(jù)，關(guān)閉鏡頭蓋將全黑圖像記錄為暗背景。用暗背景校準(zhǔn)光源強(qiáng)度不均勻的影響，用白幀數(shù)據(jù)校準(zhǔn)相機(jī)噪聲的影響。

（4）數(shù)據(jù)處理和建模方法

將整個(gè)紅薯樣本作為感興趣區(qū)域（ROI），使用ENVI 4.6軟件提取并計(jì)算每個(gè)ROI中所有像素的平均光譜。由于對(duì)每個(gè)紅薯樣品的正面和背面進(jìn)行了成像，因此共獲得840幅光譜圖像。在對(duì)原始光譜進(jìn)行標(biāo)準(zhǔn)正態(tài)變量（SNV）預(yù)處理后，采用基于聯(lián)合x(chóng) - y距離（SPXY）算法按照3:1的比例劃分為訓(xùn)練集和預(yù)測(cè)集。

在使用全光譜進(jìn)行建模時(shí)，高光譜圖像中的高維數(shù)據(jù)會(huì)受到某些波長(zhǎng)間相關(guān)性和冗余性的影響，這會(huì)增加計(jì)算量和建模難度。噪聲和無(wú)用信息也會(huì)影響模型的準(zhǔn)確性和魯棒性，不利于研究和實(shí)際應(yīng)用。因此，本研究采用蒙特卡羅無(wú)信息變量消除法（MCUVE）、隨機(jī)森林（RF）和逐次投影法（SPA）三種波長(zhǎng)選擇方法。采用偏最小二乘判別分析（PLS-DA）和線性判別分析（LDA）兩種分類(lèi)器建立了缺陷紅薯的分類(lèi)模型。在PLSDA模型中，將健康紅薯、凍傷紅薯和患病紅薯分別賦值為1、2和3的虛擬變量。以1.5和2.5作為判別閾值，如果模型預(yù)測(cè)值小于閾值T1 = 1.5，則判定為健康樣本。如果大于閾值T1 = 1.5且小于T2 = 2.5，則判定為凍傷樣本。如果大于閾值T2 = 2.5，則判定為疾病樣本。

5.2.結(jié)果與討論

（1）光譜特征分析與預(yù)處理

圖3為三種紅薯樣品的原始光譜、SNV預(yù)處理光譜和平均光譜。從圖3可以看出，SNV預(yù)處理后的光譜縱向聚集程度有所提高，有助于消除平移誤差。在420 nm附近有較強(qiáng)的反射率下降，這是類(lèi)胡蘿卜素的吸收區(qū)。光譜吸收波長(zhǎng)在980 nm左右，屬于水中O-H的二級(jí)吸收波段，由于紅薯含水量高，存在較大的吸收峰。健康紅薯與患病紅薯在600 ~ 1000 nm范圍內(nèi)差異顯著。凍傷紅薯與健康紅薯在650 ~ 850 nm范圍內(nèi)差異明顯，凍傷紅薯與患病紅薯差異不大。這些光譜信息的變化是區(qū)分健康紅薯和缺陷紅薯的有力證據(jù)。

圖3. 紅薯光譜曲線：(A) 原始光譜，(B) SNV預(yù)處理后的光譜，(C) 平均光譜

（2）特征波長(zhǎng)提取

分別采用MCUVE、RF和SPA提取特征波長(zhǎng)，用于后續(xù)分類(lèi)模型。提取的特征波長(zhǎng)分布如圖4所示。MCUVE、RF和SPA分別提取了11、10和10個(gè)特征波長(zhǎng)。所有特征波長(zhǎng)列于表1。

圖4. 通過(guò)(A) MCUVE，(B) RF和(C) SPA算法提取特征波長(zhǎng)

（3）基于PLS-DA和LDA模型的分類(lèi)結(jié)果

基于MCUVE、RF和SPA方法提取的特征波長(zhǎng)建立PLS-DA和LDA模型。PLS-DA模型預(yù)測(cè)結(jié)果的散點(diǎn)圖如圖5所示，使用MCUVE、RF和SPA提取的特征波長(zhǎng)建立模型均獲得了滿(mǎn)意的結(jié)果。如圖6所示，RF-PLS-DA模型對(duì)健康、凍傷和病變樣本的分類(lèi)準(zhǔn)確率分別為97.14%、94.29%和87.14%，總分類(lèi)準(zhǔn)確率為92.86%。大多數(shù)誤判都發(fā)生在病害紅薯上，這些紅薯被誤認(rèn)為是凍傷的紅薯。

圖5. PLS-DA模型的訓(xùn)練和預(yù)測(cè)結(jié)果：(A) MCUVE-PLS-DA模型，(B) RF-PLS-DA模型，(C) SPA-PLS-DA模型

圖6. PLS-DA模型混淆矩陣：(A) MCUVE-PLS-DA模型，(B) RF-PLS-DA模型，(C) SPA-PLS-DA模型

LDA分類(lèi)模型預(yù)測(cè)結(jié)果的二維和三維散點(diǎn)圖（圖7）。由于二維散點(diǎn)圖中樣本重疊，無(wú)法直觀顯示三種紅薯樣本的分類(lèi)效果。因此創(chuàng)建了三維散點(diǎn)圖（圖8）。從圖8可以看出，MCUVE-LDA模型對(duì)三種紅薯樣品的分離仍然不清楚，表明性能較差，且病害與凍傷樣品重疊嚴(yán)重。與MCUVE-LDA模型相比，RF-LDA和SPA-LDA模型具有更好的樣本分類(lèi)性能，三種類(lèi)型的紅薯樣本聚類(lèi)顯著。為了進(jìn)一步分析，生成LDA模型的混淆矩陣，如圖9所示。由圖9可以看出，MCUVE-LDA模型將部分患病紅薯樣本誤判為凍傷紅薯樣本，患病紅薯的分類(lèi)準(zhǔn)確率較低，為90%，總準(zhǔn)確率為96.19%。RF-LDA模型和SPA-LDA模型幾乎沒(méi)有誤判，總分類(lèi)準(zhǔn)確率均達(dá)到99.52%。考慮到SPA-LDA模型訓(xùn)練集100%的總分類(lèi)準(zhǔn)確率高于RF-LDA模型訓(xùn)練集98.73%的總分類(lèi)準(zhǔn)確率，因此，SPA-LDA是*優(yōu)的分類(lèi)模型。

圖7. LDA模型二維散點(diǎn)圖：(A) MCUVE-LDA模型，(B) RF-LDA模型，(C) SPA-LDA模型

圖8. LDA模型三維散點(diǎn)圖：(A) MCUVE-LDA模型，(B) RF-LDA模型，(C) SPA-LDA模型

圖9. LDA模型的混淆矩陣：(A) MCUVE-LDA模型，(B) RF-LDA模型，(C) SPA-LDA模型

結(jié)論

紅薯缺陷的準(zhǔn)確評(píng)價(jià)是紅薯自動(dòng)分類(lèi)分級(jí)系統(tǒng)的關(guān)鍵。在這項(xiàng)研究中，使用了高光譜成像技術(shù)來(lái)捕捉140個(gè)健康紅薯、140個(gè)凍傷紅薯和140個(gè)病害紅薯的高光譜圖像。采用標(biāo)準(zhǔn)正態(tài)變量（SNV）變換對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，消除了大部分隨機(jī)誤差，使模型獲得較高的精度。為了降低樣品光譜信息的維數(shù)，利用MCUVE、RF和SPA分別提取了11、10和10個(gè)特征波長(zhǎng)。然后，利用選擇的特征波長(zhǎng)建立PLS-DA和LDA模型，對(duì)健康紅薯和缺陷紅薯進(jìn)行分類(lèi)。其中RF-LDA和SPA-LDA模型對(duì)預(yù)測(cè)集的總分類(lèi)準(zhǔn)確率達(dá)到99.52%。考慮到SPA-LDA模型訓(xùn)練集100%的總分類(lèi)準(zhǔn)確率高于RF-LDA模型訓(xùn)練集98.73%的總分類(lèi)準(zhǔn)確率，SPA-LDA是*優(yōu)的分類(lèi)模型。結(jié)果表明，所建立的模型能夠有效地識(shí)別凍傷紅薯、患病紅薯和健康紅薯。本研究為高光譜成像技術(shù)在紅薯貯藏加工監(jiān)測(cè)中的應(yīng)用提供了理論依據(jù)和技術(shù)支持。

推薦產(chǎn)品

“GaiaField”高光譜成像系統(tǒng)（GaiaField-V10E）

作者簡(jiǎn)介

玄冠濤，山東農(nóng)業(yè)大學(xué)機(jī)械與電子工程學(xué)院，碩導(dǎo)

參考文獻(xiàn)

論文引用自三區(qū)文章：Yuanyuan Shao, Yi Liu, Guantao Xuan, Yukang Shi, Quankai Li, Zhichao Hu, Detection and analysis of sweet potato defects based on hyperspectral imaging technology, Infrared Physics & Technology, Volume 127, 2022, 104403, ISSN 1350-4495