農業行業
枇杷是薔薇科、枇杷屬植物，常綠小喬木被譽為“果之冠”,是一種藥食兩用的經濟型水果，果味甘酸，供生食、蜜餞和釀酒用；枇杷在春末夏初成熟，正值水果淡季，是度淡水果。從成熟到最終售賣，枇杷需要經過采摘、儲藏、包裝、運輸等一系列過程，由于枇杷皮薄、質細、松軟多汁，在此過程中極易發生碰傷，表面變黑，影響終端售賣，造成極大的經濟損失。因此，判斷枇杷是否碰傷及其碰傷程度至關重要，提前挑選出碰傷枇杷可以節省倉儲成本和運輸成本：碰傷較輕的可以制作枇杷汁、枇杷膏等；碰傷程度略重的可以去除損傷部分制作枇杷罐頭進行保存；碰傷程度嚴重的直接處理掉以節約倉儲成本。
目前，在枇杷的采摘及采后處理過程中，枇杷是否受損往往通過操作員的肉眼進行辨別，受到個人習慣、光線強度和主觀心理因素影響，效率低、準確度差，因此需要一種方法可以實現枇杷碰傷程度的高精度、快速、無損檢測。
1、實驗部分
1.1樣品
實驗樣品枇杷購買某果園，共計135個。為減少其他無關因素對實驗造成影響，枇杷的大小均為長軸60 mm,短軸40 mm左右。試驗前先對樣品進行挑選，去除表面損傷和畸形樣品，保證樣品外觀無缺陷，無機械損傷等，最后對枇杷表面進行清潔處理并編號。
傳統人工分類依據GB/T 13867—1992鮮枇杷果的標準進行分類，操作員依據個人經驗對碰傷枇杷做了大概劃分，由于操作員的主觀性以及光線強度等環境影響，對枇杷分類極易造成誤判。枇杷本身存在個體差異，受到枇杷自身的硬度、大小、成熟度等影響，在相同大小的力作用下，枇杷損傷區域的面積以及碰傷深度也會存在差異，這不符合單一變量原則，因此本研究通過控制碰撞高度來調節作用力，保持相同的力碰撞同一組內樣品來獲取碰傷枇杷。力的大小通過模擬真實環境中的跌落力，通過標準質量的枇杷的常規跌落高度推出力的大小，進一步根據碰撞面積選擇合適的金屬球，最終計算出碰撞高度。
實驗中的表面碰傷樣品，通過自由落體碰撞裝置(如圖1所示)獲取，將直徑30 mm,質量100 g的金屬球在距離枇杷表面0.4、0.5和0.6 m處進行自由落體運動，撞擊枇杷赤道區域，以此來模擬現實中的不同損傷程度枇杷。開關閉合時，電磁感應裝置垂直向下投射紅外光用于定位碰傷區域；開關打開時，電磁感應裝置末端充斥著磁場，發生電磁感應作用，此時將碰撞金屬球放置在此處可固定；最后，開關閉合，磁場消失，金屬球進行自由落體運動，對枇杷進行碰撞。操作完成后將樣品置于室溫24 ℃環境中保存，使樣品溫度與室溫保持一致。同一儲存時間的不同碰傷等級枇杷，如圖2所示。碰傷樣品靜置3 h后開始實驗，利用高光譜成像系統獲取輕度、中度、重度的碰傷枇杷高光譜圖像，用于后續建立模型。由于枇杷樣品是逐個測量，因此所有樣品的測量時間略有差異。
本研究應用了400-1000nm的高光譜相機，可采用杭州彩譜科技有限公司產品FS13進行相關研究。光譜范圍在400-1000nm，波長分辨率優于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區域波段選擇）。
枇杷平均反射光譜如圖4所示，幾種等級的枇杷光譜波形變化趨勢基本一致，波峰波谷位于同一波長點，只是反射率的數值有所差異，在相同波長，隨著碰傷程度增加，反射率下降。造成這種情況的原因是枇杷發生碰撞之后，原有的細胞壁和細胞膜遭到破壞，細胞內部的水分流失到枇杷表側，隨著碰傷程度增加，釋放的水分增加。在圖像上，枇杷表面變黑，枇杷碰傷時間越久，碰傷部位顏色越黑；在光譜上，由于枇杷內側水分的釋放，造成表面含水量增加，反射率降低。由于枇杷細胞水分的流失是一個緩慢變化的過程，隨著水分的流失，枇杷的表側顏色以及光譜也會出現緩慢的變化，因此枇杷碰撞不同時間后光譜檢測結果會略有差異，但整體趨勢是不變的。本次實驗采集枇杷碰傷3 h后的光譜，是基于枇杷從果農果園中采集到入庫儲藏的運輸時間在3h左右，而在入庫儲藏前對碰傷枇杷的高精度分揀可以減少碰傷枇杷腐爛感染正常枇杷帶來的損失。
高光譜成像系統采集的枇杷圖像分辨率為960×366pixel,圖像中過多的采集了傳送帶背景，由于其不是純黑背景，在鹵素燈的作用下，造成其自身帶有灰度值。實驗采用的變量為RGB通道的均值及HSI模型的均值作為變量結合光譜信息進行建模分析，因此利用閾值分割的方法將枇杷樣品圖像作為前景從圖片中分離出來，根據獲取的邊界值選用圖像掩膜的方法保留前景灰度值進行后續計算,作為顏色特征與光譜特征混合建模進行分析。整體流程如圖6所示。利用提取出的光譜特征、圖像RGB特征、圖像HSI特征建立光譜特征模型、光譜特征結合圖像RGB特征模型、光譜特征結合圖像HSI特征模型、光譜特征結合混合圖像特征模型四種枇杷碰傷程度模型。
2、實驗分析
2.1基于RF算法的枇杷碰傷程度分析
RF通過集成多個弱分類器,在多個分類器輸出的分類結果中票選出投票次數最多的類別作為分類結果，精度和泛化能力較高?；?/span>RF算法建立的枇杷碰傷程度模型如表1所示，其中基于光譜特征、光譜特征結合RGB圖像特征、光譜特征結合HSI圖像特征、光譜特征結合混合圖像特征的RF模型預測集準確率分別為86.67%、91.11%、91.11%、91.11%。RF模型中，基于光譜特征建立的模型準確率最低，加入顏色特征后所建立的模型準確率都獲得了提高，但是該模型中光譜特征結合RGB顏色特征、HSI顏色特征、混合圖像特征情況下建模集的準確率相同，觀察組內誤判數可知準確率的提高主要是通過減小重度碰傷組的誤判數來實現。
2.2基于PLS-DA算法的枇杷碰傷程度分析
PLS-DA,是一種統計學方法，將高維數據降維后建立回歸模型并對結果進行分析。基于PLS-DA算法建立的枇杷碰傷程度模型如表2所示，其中基于光譜特征、光譜特征結合RGB圖像特征、光譜特征結合HSI圖像特征、光譜特征結合混合圖像特征的PLS-DA模型建模集準確率分別為88.89%、91.11%、91.11%、90%,預測集準確率分別為86.67%、86.67%、88.89%、86.67%。PLS-DA模型中，從訓練集結果來看，基于光譜特征建立的模型準確率最低，加人顏色特征后所建立的模型準確率都獲得了提高。光譜特征、光譜特征結合RGB顏色特征、混合圖像特征模型的預測集準確率相同，這是由于預測集組內樣本數較小造成的，其RMSEC分別為0.323、0.304、0.321,相較于單光譜特征模型，結合顏色特征的模型RMSEC更小，穩定性更好。
3、結論
利用高光譜成像系統采集不同碰傷程度的枇杷樣品的高光譜圖像，基于閾值分割和圖像掩膜方法提取出枇杷樣品的圖像信息，并從碰傷枇杷圖像中提取出R、G、B通道的平均灰度值和H、S、I通道的平均灰度值作為枇杷碰傷程度模型的顏色特征，感興區內100個像素點的平均光譜作為光譜特征。利用光譜特征和顏色特征結合化學計量學方法建立光譜特征、光譜特征結合RGB顏色特征、光譜特征結合HSI顏色特征、光譜特征結合混合顏色特征的碰傷程度模型，進行定性判別。結果表明，利用RF、PLS-DA、ELM、LIN-LS-SVM、RBF—LS-SVM算法建立的枇杷碰傷程度模型中，皆為光譜特征結合混合顏色特征模型分類效果最好，其準確率分別為91.11%、86.67%、95.56%、100%其中RBF-LS-SVM模型精度最高，達到了100%。利用高光譜成像系統實現了對枇杷不同碰傷程度的定性分析，該研究為后續利用高光譜成像技術結合顏色特征對水果進行定性判別提供理論基礎。
