基于成像光譜技術的橙子斑點及損傷快速識別研究

                                       四川雙利合譜科技有限公司-黃宇

• 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

本研究以橙子為研究對象，分析橙子的黑白斑區域與損傷區域。其中橙子的黑白斑、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四川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

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  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  橙子的zui小噪聲分離變換

對經過鏡像變換、黑白幀校準的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，選擇特征值高的波段。從圖4可知，當橙子特征值數到7時，特征值趨向于0且無顯著變化。

圖 4腐爛區域與農業殘留區域提取流程圖

3.4  zui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zui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。

zui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，*主成分包含的信息量zui大，第二主成分與*主成分無關且在剩余成分中包含的信息量zui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zui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的橙子的黑白斑區域識別

    圖5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5橙子正面RGB原圖及前7個MNF特征值灰度圖

如圖6，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6 橙子測面RGB原圖及前7個MNF特征值灰度圖

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，zui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7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7 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，并達到自動化挑選水果的目的。本研究結果表明，運用高光譜成像技術，運用zui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zui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。