技術文章

當前位置：首頁技術文章基于成像光譜技術的水果斑點及損傷快速識別研究

基于成像光譜技術的水果斑點及損傷快速識別研究

更新時間：2023-02-03

點擊次數(shù)：1410

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(xiàn)黑白斑的內部腐爛、水果因運輸?shù)仍蛟斐傻呐鰝p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(yōu)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(tǒng)進行檢測，發(fā)現(xiàn)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(qū)域及損傷區(qū)域，以實現(xiàn)水果黑白斑、損傷區(qū)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(qū)域與損傷區(qū)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(shù)據(jù)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(tǒng)。該系統(tǒng)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(shù)設置如表1。

表1 GaiaSorter 高光譜分選儀系統(tǒng)參數(shù)

序號	項目	參數(shù)
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(shù)	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(shù)據(jù)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(shù)據(jù)的分析在ENVI/IDL中進行。

三、結果與討論

　　3.1 蘋果黑斑區(qū)域、損傷區(qū)域、正常區(qū)域和背景的光譜分析

　　取蘋果黑斑區(qū)域、損傷區(qū)域、正常區(qū)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(qū)域的光譜反射率在500-680 nm范圍內高于損傷區(qū)域及黑斑區(qū)域的光譜反射率；在550-700nm范圍內，蘋果黑斑區(qū)域的光譜反射率較低；在580-700 nm范圍內，蘋果黑斑區(qū)域、損傷區(qū)域、正常區(qū)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(qū)域的光譜反射率鑒于蘋果黑斑區(qū)域和正常區(qū)域之間，因此可以嘗試通過構建植被指數(shù)和閾值分割方法快速識別出蘋果黑斑區(qū)域和損傷區(qū)域。

圖2 蘋果黑斑區(qū)域、損傷區(qū)域、正常區(qū)域和背景的光譜反射率

　　3.2 橙子黑斑斑區(qū)域、正常區(qū)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(qū)域、白板區(qū)域、正常區(qū)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(qū)域、白斑區(qū)域、正常區(qū)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(qū)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(qū)域的光譜反射率均低于橙子的白斑區(qū)域和正常區(qū)域。在400-1000nm范圍內，白斑區(qū)域和正常區(qū)域在藍光波段差異明顯。

圖3 橙子黑斑斑區(qū)域、正常區(qū)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(shù)據(jù)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(shù)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(shù)到7時，特征值趨向于0且無顯著變化。

圖 4 蘋果腐爛區(qū)域與農業(yè)殘留區(qū)域提取流程圖

　　3.4 最小噪聲分離變換

　　由于高光譜遙感數(shù)據(jù)波段多，波段間存在很大相關性，為了克服維數(shù)災難，利用最小噪聲分離變換進行波段選擇，達到優(yōu)化數(shù)據(jù)，去除噪聲和數(shù)據(jù)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(shù)據(jù)內在的維數(shù)( 波段數(shù)) ，分離數(shù)據(jù)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(qū)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(qū)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(qū)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(qū)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(qū)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(qū)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(qū)分背景、橙子黑斑，然而，背景和橙子黑斑則無法相互區(qū)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(qū)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(qū)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(qū)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(qū)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(shù)、閾值分割的蘋果斑點、損傷區(qū)域快速識別

　　根據(jù)圖2蘋果黑斑區(qū)域、損傷區(qū)域、正常區(qū)域和背景的光譜反射率變化規(guī)律，構建植被指數(shù)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(qū)域，綠色代表損傷附近區(qū)域，如圖8所示。從圖中可知，利用植被指數(shù)、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(qū)域。

圖8 基于植被指數(shù)、閾值分割的蘋果斑點、損傷區(qū)域快速識別

　　3.6 基于植被指數(shù)、閾值分割的橙子斑點、損傷區(qū)域快速識別

　　根據(jù)圖3橙子黑白斑區(qū)域、損傷區(qū)域、正常區(qū)域和背景的光譜反射率變化規(guī)律，構建植被指數(shù)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(qū)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(shù)、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(qū)域。

圖9 基于植被指數(shù)、閾值分割的橙子斑點、損傷區(qū)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(qū)域的快速識別已體現(xiàn)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(yè)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(shù)從而實現(xiàn)水果損傷、斑點區(qū)域的快速有效的識別，并達到自動化挑選優(yōu)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(shù)等方法等，均可有效地識別水果損傷與斑點區(qū)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(yè)生產上進行應用，而植被指數(shù)算法簡單，僅利用2個波段進行四則運算即可實現(xiàn)水果損傷和斑點的快速識別。

上一條基于高光譜遙感監(jiān)測的植被指數(shù)測試
下一條基于高光譜遙感監(jiān)測的作物養(yǎng)分指標檢測