農(nóng)業(yè)行業(yè)
香蕉是中國嶺南特色水果之一，香蕉在采收和運送過程中往往處于綠硬期(青香蕉),在此過程中易受到各種碰撞損傷。不同類型碰傷均可加速香蕉果皮活性氧的積累進而導致香蕉果實的衰老腐敗;青香蕉受到碰撞損傷后，微生物容易侵染損傷部位，經(jīng)過催熟過程中的乙烯釋放和果實軟化后，造成於傷腐爛或黑斑花臉，嚴重影響其色澤品質和銷售價格。因此，亟待尋找一種快速無損檢測青香蕉碰撞損傷的方法。為探究有效檢測青香蕉早期輕微碰撞損傷的方法，本文結合青香蕉的結構特點利用高光譜技術找出青香蕉關于碰撞損傷特性的特征波長段，實現(xiàn)碰傷程度的區(qū)分與可視化。研究為開發(fā)青香蕉表面碰傷快速無損檢測系統(tǒng)，提高香蕉經(jīng)濟效益具有重要意義。
1.材料與方法
1.1青香蕉碰撞損傷程度分類
青香蕉的品質分級標準14中，果身表面的機械類損傷面積是一個重要指標。標準規(guī)定，果身表面無碰壓傷的青香蕉屬于優(yōu)等品；碰壓傷面積小于1cm2的屬于一等品；碰壓傷面積為1～2 cm2的屬于二等品；碰壓傷面積大于2cm2,屬于劣等品將不進入市場。將碰傷的香蕉置于溫度15℃、相對濕度88%的恒溫恒濕環(huán)境中保存48 h取出切開，損傷面積如表所示。
1.2 高光譜圖像采集系統(tǒng)
試驗可采用彩譜科技有限公司的高光譜成像儀，主要包括高光譜相機、光源、載物臺、滑軌、計算機控制硬件和軟件系統(tǒng)。光源采用儀器自帶的鹵素燈，光譜儀的光譜范圍為400～1000 nm,采樣間隔為2.39 nm,將光譜范圍分為256個頻帶范圍。儀器掃描的具體參數(shù)設置：曝光時間20 ms,移動臺前進速度1.4 cm/s,回退速度2cm/s,鏡頭與樣本距離42 cm。
本研究使用的光譜數(shù)據(jù)由256維圖像組成。區(qū)別于三維的RGB圖像，高光譜圖像的數(shù)據(jù)信息高維且冗余，如果對每份樣品的所有圖像進行處理，不僅工作量龐大且后續(xù)的建模效果不佳。如圖所示是同一份樣品在不同波段下(500、600、700、800nm)的圖像，對比可知：不同波段下的圖像其呈現(xiàn)出的碰傷情況存在差異。因此探究青香蕉關于碰撞損傷的特征波段，利用特征波段下的圖像提取碰傷部位的光譜數(shù)據(jù)，可為后續(xù)的檢測模型提供可靠且精準的數(shù)據(jù)集。
2結果與分析
2.1 原始光譜數(shù)據(jù)預處理結果
使用軟件進行預處理，首先對原始光譜進行多項式平滑法處理，再采用多元散射校正法對光譜進行預處理，以降低極限漂移和散射效應。對原始樣本數(shù)據(jù)集如圖a先進行SG處理，將處理后的光譜曲線再進行多元散射校正法處理。處理后的效果如圖b所示。可以看出，預處理后的光譜曲線修正了部分反射率為1的數(shù)據(jù)，總體曲線更加歸一且平滑，噪音點減少，曲線的凹凸處變少。說明該預處理方法效果較好，后續(xù)研究所用的光譜數(shù)據(jù)皆為經(jīng)過SG和MSC方法預處理后的數(shù)據(jù)。
2.2基于BP神經(jīng)網(wǎng)絡的檢測模型和可視化碰傷等級圖像通過圖像分割流程，將918張灰度圖像進圖像分割，提取香蕉碰傷部位的輪廓區(qū)域，同時利用圖像全像素點下的反射率數(shù)據(jù)，用光譜反射率數(shù)據(jù)去表示碰傷輪廓區(qū)域的每個像素點所代表的信息。
對健康樣品、輕度碰撞傷樣品、中度碰撞傷樣品、重度碰撞傷樣品的測試集的識別準確率分別為97.53%、92.59%、93.82%和96.29%,平均碰傷程度的判斷準確率為95.06%。為了更好地展示分類結果，同時考慮檢測的可視化，對每一個像素點用“00”代表健康，標記為黃色RGB(255,255,0);“01”代表輕度碰撞傷，標記為藍色RGB(67,142,219);“10”代表中度碰撞傷，標記為紫色RGB(128,0,128);“11”代表重度碰撞傷，標記為紅色RGB(255,0,0)的方式進行最后的輸出顯示。其中區(qū)域的總體識別結果若有85%以上的相同數(shù)值和顏色，那么本區(qū)域都用此數(shù)值和顏色進行歸一顯示，最后的可視化圖像如圖所示。
3.結 論
本文以青香蕉為研究對象，利用高光譜成像儀采集青香蕉健康表面和不同碰傷程度香蕉的光譜反射率數(shù)據(jù)和不同波段下的圖像信息，結合特征變量篩選對青香蕉的碰撞損傷程度進行了研究，主要結論如下：
1)采用3種類型的支持向量機算法，驗證了青香蕉碰撞損傷的識別機理以及采用光譜數(shù)據(jù)和圖像信息結合進行無損檢測的合理性。
2)對通過預處理和異常樣本剔除后的數(shù)據(jù)進行特征波長提取和驗證，得到9段特征波長。
3)通過獲取特征波長段下的圖像，提取碰撞損傷區(qū)域的輪廓分布邊界數(shù)據(jù)以及該區(qū)域的每個像素點對應的光譜反射率數(shù)據(jù)。將此數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡的輸入層進行訓練，最后得到的模型對健康樣品、輕度碰撞傷樣品、中度碰撞傷樣品、重度碰撞傷樣品的測試集識別準確率為97.53%、92.59%、93.82%和96.29%。
