基于高光譜成像的蘋果品種快速鑒別

馬惠玲 王若琳 蔡 騁 王 棟

(1.西北農林科技大學生命科學學院， 陜西楊凌 712100； 2.西北農林科技大學信息工程學院， 陜西楊凌 712100)

基于高光譜成像的蘋果品種快速鑒別

馬惠玲1王若琳1蔡 騁2王 棟1

(1.西北農林科技大學生命科學學院， 陜西楊凌 712100； 2.西北農林科技大學信息工程學院， 陜西楊凌 712100)

以“喬納金”蘋果，“紅富士”蘋果和“秦冠”蘋果共90個試驗樣本為試材分別采集865～1 711 nm的近紅外波段高光譜圖像，選取蘋果圖像感興趣區域(ROI)，以分辨率2.8 nm提取其平均反射光譜數據，分別利用K近鄰法(KNN)和徑向基核函數支持向量機(RBF-SVM)進行品種判別，5折交叉檢驗。結果表明，3種蘋果的近紅外高光譜圖像均在波長941～1 602 nm之間變得清晰，該區域200個波段下的平均反射光譜數據經KNN法中的10種距離算法評判，當K取值3和5時，切比雪夫距離、歐幾里得距離和明可夫斯基距離3種距離算法的識別正確率均達到100%；SVM-RBF核函數模型中，γ取值為2-8～1的范圍內識別正確率均在92%以上，當γ取值2-5，C取值為16和32時，識別正確率最高，為96.67%。故利用近紅外高光譜圖像技術結合KNN計算對蘋果品種進行快速鑒別是優異和可靠的方案。

蘋果； 品種鑒別； 高光譜成像； K近鄰法； 支持向量機

引言

蘋果在世界果品市場上占據著重要地位，有些蘋果品種成熟期、外形、色澤、風味差異較大，感觀易于辨別；有些則成熟期、大小、著色、口感均比較接近，非專業人員品評辨識準確率不高，更難以在采后處理流水線上快速鑒別。不同品種的田間栽培條件、采后貯藏特性、價格均差別較大，急需一種簡便、無損的蘋果品種快速鑒別方法。

目前，國內外學者在鑒別物質品種的研究方面主要采用近紅外光譜技術(NIRS)，根據全譜段或多波長下的光譜數據對待測物進行定性或定量分析，從而反映待測物的類型或有機物的含量[1]。有學者利用近紅外光譜技術對葡萄[2]、梨[3]、蘋果[4]、草莓[5]、鮮棗[6]和楊梅[7]等水果品種進行鑒別。此外，還有對水稻[8]、玉米[9-10]和小麥[11]等經濟作物品種鑒別的研究報道。然而，近紅外光譜技術只提供對檢驗客體某一較小區域的光譜信息，無法得到樣本的空間信息，因而存在檢測范圍小和信息獲取量少的弊端。

高光譜成像技術結合了傳統成像技術和現代光譜技術，能夠在更大范圍內同時獲取樣本的光譜信息和空間信息，對于生物材料的光譜學特征差別識別敏感度高，因此能全面地反映被測物的種類及品質[12-13]。張初等[14]采用高光譜成像技術對西瓜種子品種進行鑒別，發現經過SG平滑算法對光譜進行預處理后，基于特征波長選擇所建立的極限學習機(ELM)模型取得了最佳效果，建模集和預測集的識別準確率均達到100%；WANG等[15]利用高光譜成像對稻米品種進行鑒別，發現基于數據融合的逆反饋人工神經網絡(BPNN)對稻米品種的識別率最高，為94.45%，優于單獨基于光譜數據(89.91%)或圖像數據(88.09%)的結果。LIU等[16]利用高光譜成像對3個荔枝品種進行分類，得出支持向量機(SVM)分類模型對校正集和預測集的識別率分別為100%和87.81%。孫俊等[17]利用高光譜成像技術對3個地區的紅豆樣本進行分類，發現引入遺傳算法(GA)優化的概率神經網絡(PNN)模型識別效果最佳，識別正確率達到了97.5%。

本文采用上市期有交叉，并均著紅色的“喬納金”、“紅富士”和“秦冠”3個品種的蘋果為試材，逐一采用近紅外高光譜成像技術獲得各蘋果的光譜數據，提取并分析各個蘋果感興趣區域(ROI)的光譜反射平均值，結合K近鄰算法和支持向量機的建模方法，實現對蘋果品種的分類鑒別，以期為近紅外高光譜成像技術鑒別蘋果品種的實際應用提供參考。

1 材料與方法

1.1 試驗材料、設備及軟件

1.1.1 試驗材料

試驗用蘋果分3個品種(圖1)，分別于商品成熟期采收：“喬納金”蘋果于2015年9月20日采于陜西省白水縣西北農林科技大學蘋果試驗示范站果園；“紅富士”蘋果于2015年10月14日也采自該示范站果園；“秦冠”蘋果于2015年10月20日采于陜西省寶雞市扶風縣段家灣鎮青龍村農家果園。采收后各品種均選取大小相近、著色均勻、無機械損傷的果實30個，當天運回西北農林科技大學實驗室，置于室溫(20℃)下24 h。逐一編號，1～30號代表“喬納金”蘋果，種類代號為1；31～60代表“紅富士”蘋果，種類代號為2;61～90號代表“秦冠”蘋果，種類代號為3。此編號為后續劃分訓練樣本和測試樣本做準備。

圖1 蘋果樣本Fig.1 Apple samples

1.1.2 試驗設備

高光譜圖像采集系統結構如圖2所示。該系統由1臺ImSpector N17E型近紅外光譜儀(芬蘭Spectral Imaging Ltd.公司)，1臺像素為320×256的XEVA2616型面陣CCD相機(比利時XenICs Ltd.公司)，1套高穩定性的鹵鎢燈白光光源，1臺高精度的電控平移臺裝置和計算機等組成。近紅外高光譜成像系統采集光譜范圍為865～1 711 nm，光譜分辨率2.8 nm，入射光狹縫寬度為30 μm。

圖2 高光譜圖像采集系統示意圖Fig.2 Schematic of hyperspectral imaging system1.計算機 2.CCD相機 3.光譜儀 4.鏡頭 5.光源 6.暗箱7.光源控制器 8.電動機 9.電控移動載物臺

1.1.3 軟件

高光譜圖像采集由Spectral SENS-V17E軟件(英國Gilden Photonics Ltd.公司)完成，后續的圖像數據處理采用ENVI 4.7軟件(美國Research System公司)，光譜數據分析軟件為Matlab 7.4(美國MathWorks公司)。

1.2 試驗方法

1.2.1 高光譜圖像的采集

在高光譜圖像數據采集前需要對鏡頭焦距進行調整，保證平臺移動速度、相機曝光時間和光源相互匹配以確保采集圖像清晰不失真[18]。經過多次調整及參數優化，最終確定高光譜攝像機的各參數為：平臺移動速度20 mm/s，相機的曝光時間10 ms，物距200 mm，采集到的高光譜圖像塊尺寸為320×256×255(像素×波段數，即每個樣品采集255個波段下像素為320×256的二維圖像)。采集光譜時，每次將1個蘋果樣本放于載物臺上，保持果柄-花萼軸與載物臺垂直，使載物臺中心對準相機。當平臺移動時，近紅外高光譜儀從上往下掃描樣本，每次掃描得到1行圖像的光譜信息，平臺帶動樣本運動的過程中，獲取其他位置直至整個樣本的光譜信息。為了消除果實果柄面和果頂面形狀差異對光譜采集的影響，對每個蘋果樣品均進行2次光譜采集，第1次采集果柄面，第2次采集果頂面，將2次光譜反射平均值作為該樣品的光譜數據。以同樣的方法依次采集90個蘋果樣品的近紅外高光譜圖像。這樣，就得到了每個果實的物理和化學因素綜合影響下的高光譜譜圖(相當于各品種的高光譜指紋圖譜)。

1.2.2 光譜校正

為了消除因蘋果形狀差異、光源強度在各波段下分布不均以及攝像頭中暗電流存在而產生的噪聲影響，需對獲得的高光譜圖像進行黑白標定[19]。首先對反射率為99%的標準白色校正板進行圖像采集，得到全白的標定圖像W，然后關閉光源擰上鏡頭蓋，采集全黑標定圖像D。圖像校正公式為

(1)

式中R0——原始的高光譜圖像R——校正后的圖像

1.2.3 感興趣區域的選取

利用ENVI 4.7軟件，對圖像經過濾波和形態學算法處理后，選取蘋果的果柄面和果頂面分別作為感興趣區域(Range of interest，ROI)，如圖3所示，并求ROI的反射光譜曲線。將兩面的反射光譜曲線進行數據收集并取反射光譜平均值作為數據集合。

圖3 蘋果果實ROI的選取Fig.3 ROI region selection of apple fruit

1.2.4 蘋果理化特征的測定

(1)果實硬度

采用GY-3型果蔬硬度計(意大利)。各果實沿赤道線選取2個等分點，各點削去約1.5 cm2的果皮，勻速插入直徑0.8 cm的端頭至刻度線(1 cm)，記錄最大穿透力，2個點的值取平均后記為每個果的硬度。

(2)可溶性固形物

采用WY032T型折光儀測量待測樣液的折光率，在折光儀上直接讀出可溶性固形物質量分數并重復3次。

(3)可滴定酸質量分數

稱取100 g果肉榨成蘋果汁并測量體積，每次取5 mL的蘋果汁，定容至100 mL容量瓶中，取25 mL濾液加入酚酞指示劑，用0.1 mol/L NaOH溶液滴定至溶液顏色呈淡紅色，且維持1 min不褪色，記錄消耗的NaOH溶液體積。可滴定酸質量分數計算公式為

式中N——NaOH溶液濃度，mol/LW——樣品鮮質量，gV——樣品液制成總體積，mLV1——吸取樣品濾液體積，mLV2——滴定時消耗NaOH溶液用量，mLA——與1.00 mL NaOH標準溶液相當的試樣主體酸質量，g

1.2.5 不同品種的區分方法

K近鄰(K-nearest neighbor,KNN)算法的基本思想很直觀，即對若干類樣本，按照高維空間的距離度量，搜索出最相似的K個近鄰，然后對近鄰樣本所屬的類別標簽進行分析，判斷待測樣本的類別[20]。由于不需要先驗訓練用于區分任意2個類別間的判別子分類器，并且支持增量學習等優良特性，KNN算法具有很強的適應性。在采樣數據較為充分的情況下，KNN算法能夠取得優秀的分類性能，具體表現在分類結果取決于近鄰樣本的類別標簽，因此不會受到少量噪聲的干擾，這大大提高了算法對噪聲的魯棒性和抗變換性。

在已知待測樣本K個近鄰的類別時，待測樣本的類別有不同的判斷方法。最直觀的方法是找出這K個近鄰中出現次數最多的類別來作為待測樣本的類別。更完善的方法是將近鄰與待測樣本間的距離作為權重來計算這K個近鄰所屬類別的重要程度，加權統計得到最重要的類別來作為待測樣本的類別。

樣本在特征空間中的相似程度由距離度量的定義來決定，著重點在特征空間中距離時，可以選用歐氏距離和城市街區距離等；著重于矢量的夾角時，則選用余弦相似度量更為合理。對于蘋果光譜這樣內部作用機理復雜的信號而言，難以先驗地獲知哪一種距離度量更為合理，常見的做法是對于可能的距離度量方案通過實證進行篩選，以獲取能夠與模型最吻合的距離度量。對于n維空間中的2個樣本X(X1,X2,…,Xn)和Y(Y1,Y2,…,Yn)，本文采用Matlab函數中內置的10種距離度量方法，其計算方法如下：

城市街區距離

(2)

切比雪夫距離

dChebychev(X,Y)=max|Xi-Yi|

(3)

相關距離

(4)

式中COV——協方差VAR——方差

余弦相似度

(5)

歐幾里得距離

(6)

漢明距離

(7)

式中,#代表將點轉換為二進制數據，下同。

Jaccard相似系數

(8)

明可夫斯基距離

(9)

由于式(9)代表對多個距離度量公式的概括，故p為某一個變量。

標準化歐氏距離

(10)

斯皮爾曼距離(Spearman distance)

dSpearman(X,Y)=1-

(11)

因為KNN算法采用了待測樣本與其近鄰間的距離來衡量二者間的相似度，所以該算法對數據的數值范圍比較敏感，如果對特征值進行距離計算，則取值范圍較大的特征值將對結果產生絕對的影響，而較小的特征值幾乎沒有作用，這是不合理的。因此需要先對樣本數據進行歸一化后再進行距離的計算和判斷。在實際應用中，如果某種特征的確比其他特征對分類起到更重要作用，則可以根據實際情況增大其數值范圍。

雖然KNN算法不需要消耗時間來對訓練樣本進行訓練，而是直接拿訓練樣本來對測試樣本進行類別判斷，但是該算法仍然需要花費較長時間。因為該算法需要計算每個待測樣本和全部訓練樣本間的距離，這在樣本個數較多時或者樣本維度較高時是很耗時的工作。因此有必要再探討其他分類方法對蘋果品種識別的可行性。

1.2.6 基于徑向基核函數的支持向量機算法

支持向量機(Support vector machine,SVM)算法的基本思想是求出2個類別的決策面的表達式，進而可以對2個類別進行分類，多類別分類需要在二分類的基礎上采取一對一或者一對多策略進行計算。

在分類過程中當2個類別線性不可分時，需要借助核函數將2個類別的數據映射到可分的高維空間中，再計算決策面的表達式。應用較多的核函數有線性核、多項式核、徑向基核、Sigmoid核4種，而無論是低維、高維、小樣本、大樣本等情況徑向基核函數均適用，具有較寬的收斂域，是較為理想的分類依據函數[21]。本實驗采取了C支持向量分類(C-support vector classification)的方法和徑向基核函數 (Radial basis function，RBF)。利用 SVM 進行模式分類時需要確定2個參數：懲罰因子C和RBF核函數中的半徑參數γ，參數C理解為調節優化方向中2個指標(間隔、分類準確度)偏好的權重。對于一個基于RBF的SVM, 其性能由參數(C,γ)決定, 選取不同的C和γ就會得到不同的SVM。其中C選擇的越大，表示對錯誤率懲罰程度越大，C較小時推廣錯誤率的估計值比較高，C較大時急劇降低, 即性能得到迅速的提高。通過對參數(C,γ)的變化, 可選取最優參數組合來得到最優值,即此時的錯誤率最低[21]。所以本文中采用不同的C值和γ值進行交叉驗證來計算分類結果的正確率。

徑向基核函數公式為

K(X,Y)=φ(X)Tφ(Y)=e-γ‖X-Y‖2(γ>0)

(12)

式中，K表示特征空間距離，φ(X)表示通過將輸入空間內線性不可分的數據映射到一個高維的特征空間內使得數據在特征空間內是可分的。其中，雖然每個樣本X被函數φ(X)映射到無限維空間，但核是很容易計算的，從而可以方便地計算決策面的表達式。

1.2.7 交叉驗證

交叉驗證是指在給定的建模樣本中，取大多數樣本進行建模，留一小部分樣本對剛建立的模型進行預測，并計算出這小部分樣本的預測誤差，記錄它們的平方和。一直重復進行這個過程，直到所有的樣本都被預測了一次而且僅被預報一次。j折交叉驗證是指在機器學習中，將數據集A分為訓練集B和測試集C，在樣本量不充足的情況下，為了充分利用數據集對算法效果進行測試，將數據集A隨機分為j個包，每次將其中1個包作為測試集，剩余j-1個包作為訓練集進行訓練。這個方法能夠同時重復運用同一批樣本進行訓練和驗證，每次的結果驗證一次，增加了驗證的可信度，本文中采用了5折交叉檢驗的方法對2種分類模型進行預測。

2 結果與分析

2.1 光譜信息的提取與分析

根據蘋果果實和背景不同的光譜特征，選擇1 069 nm和1 446 nm的圖像進行波段比處理，發現蘋果果實區域的波段比大于2，而背景噪聲的值小于1，故將閾值選為2，進行降噪處理，然后將降噪后的二值圖像進行濾波和形態學算法處理后作為掩膜來提取高光譜圖像中蘋果果實區域作為感興趣區域，然后計算出ROI的平均光譜。

由于高光譜曲線在865.11～941.46 nm以及1 602.15～1 711.71 nm范圍中有很大的噪聲,導致該部分高光譜圖像信息十分模糊,所以截取了3種蘋果的近紅外高光譜圖像在波長為941～1 602 nm之間共200個波段的數據，即每個樣本的維度為200，即KNN算法中的各種距離公式中n=200，分別對應200個波段取值。各品種隨機取10個果實為例，其200個波段內部分波長下反射強度及其隨波長的變化趨勢如圖4所示。由圖4可見，各個品種在選定波長范圍內各個波長下的反射強度非常一致，“喬納金”、“富士”、“秦冠”蘋果各30個果實的觀測值變異系數均低于5%，依次為3.2%、3.4%、4.9%。各波長下“喬納金”蘋果的取值與另外2種蘋果有明顯的分離；“富士”與“秦冠”蘋果的取值有所交叉，顯示了“富士”與“秦冠”蘋果果實在各波長下的反射強度取值的相似性和難以區分性。故還需要借助譜圖中數據信息，采用分類器計算后來確定二者區分的可能性。

圖4 3個品種蘋果感興趣區域的部分波長下反射強度Fig.4 Reflection intensity of three varieties of apples at part wavelengths in ROI region

2.2 建立KNN模型計算蘋果品種的識別正確率

KNN方法在類別決策時，只與極少量的相鄰樣本有關。由于KNN方法主要靠周圍有限的鄰近樣本，而不是靠判別類域的方法來確定所屬類別，因此對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。

在KNN算法中利用不同的距離方法，在不同的K取值條件下，將各個品種的平均反射強度分為訓練樣本和校正樣本并進行計算，蘋果品種識別正確率如表1所示(K取值分別為1、3、5、7、9)。通過表1可知，K選取1、3、5時，正確識別率普遍大于K取7、9的結果。這是因為當K值選取過大時，在特征空間中覆蓋的局部區域過大，會降低分類器的擬合性能。對不同距離度量的實證中可以發現，K取1、3、5時，基于空間中點之間度量的5種距離(城市街區距離、切比雪夫距離、歐幾里得距離、明可夫斯基距離、標準歐氏距離)，其識別正確率最高，均達到98%以上；基于余弦相似度、相關距離和斯皮爾曼距離的識別正確率其次，為92%～99%；基于集合運算的漢明距離和Jaccard相似系數度量性能不佳，識別正確率均低于40%。說明基于點距離的度量方案可以更好地在光譜特征空間中表征數據樣本，刻畫出更為精確的蘋果類別邊界，這是因為蘋果果實的高光譜信號值域較大，因此以浮點數來呈現數值時，僅當2個浮點數完全一樣時才能夠在求交集時獲得非零值，出于測量誤差的緣故，微小的噪聲都會造成樣本相似度量的失效，因此基于集合運算的漢明距離和Jaccard 相似系數不適用于蘋果品種KNN判別分類。選取K值為3和5時，能夠在擬合和泛化性能間獲得較好的均衡， 距離度量選取切比雪夫距離、歐幾里得距離和明可夫斯基距離都達到了正確率100%的優異分類性能。

KNN分類器在判別時采用近鄰樣本進行分析，因此是原生的多類別分類器，在分析其性能時，通常不再研討兩兩類別之間的區分和混疊性能，而是考量多類別總體分類性能。而且在參數尋優后，獲得了100%的品種判別性能，表明品種之間均具有優異的可分性。

表1 不同K取值與各種距離的識別正確率

2.3 建立支持向量機模型計算蘋果品種的識別正確率

支持向量機基于核函數機制，能夠將非線性的數據映射至高維線性可分的空間中，由于無法根據數據樣本先驗獲得核函數的參數，通常在訓練支持向量機中對可能選取的參數空間進行采樣，遍歷實證，選取最優的參數組合。本試驗中選取擬合性能優越的徑向基核函數，對懲罰因子C和徑向基半徑γ這2個參數進行實證尋優，蘋果品種識別正確率如表2 所示。在γ取值為2-8～1的條件下，在交叉驗證中均可以取得92%以上的正確率，而隨著γ取值的增加，擬合性能下降，在交叉驗證中的識別正確率降低，故不必再增加γ取值來做驗證。而其中當γ取2-5，C取16和32時，在交叉驗證中的品種識別正確率最高，可以達到96.67%，表明該間隔取值適當。

表2 SVM模型下不同C和γ值下的識別正確率

對于支持向量機分類器，訓練時考量的是結構代價函數和分類誤差代價函數，因此未能對特定類別之間的區分性能進行呈現和分析，而且由于支持向量機分類性能不及KNN分類器，對于實際系統中建議選用KNN分類器。既然高光譜判別蘋果品種類別實驗方案的可行性得以肯定，此處不再對支持向量機中的特定類別間的分類性能進行研討。

由于近紅外圖像是由測定目標與背景間的紅外線強度差形成的，目標的形狀和理化性質均對圖像或反射光譜有影響。通過前人的研究，“喬納金”蘋果果形指數為0.83[22],“富士”蘋果為0.82[23],“秦冠”蘋果為0.84[24]；3種蘋果果形指數均在0.83左右，表明它們的外觀差異并不明顯，不是造成三者間近紅外反射光譜差異的主要因素。3個品種的果實硬度(表3)從小到大雖然依次為“富士”蘋果、“喬納金”蘋果、“秦冠”蘋果,但是只有“秦冠”蘋果與前二者的差異顯著，與近紅外高光譜中“喬納金”蘋果的反射強度與另外2個品種明顯可分的差異性也不一致，因此，以硬度反映的果實質地和密度特性也不是影響近紅外反射強度的唯一因素。

化合物分子中的含氫基團(OH、NH、CH)在近紅外光譜區具有振動合頻以及各級倍頻的吸收[25]，故碳水化合物、酚類物質對近紅外光有吸收。3個品種果實的可溶性固形物和可滴定酸均為“富士”蘋果顯著高于其他2個品種(表3)，與3個品種果實的近紅外高光譜所表現的“富士”蘋果與“秦冠”蘋果交叉，“喬納金”蘋果明顯較低的規律也不一致。丁秀玲[26]研究了13個品種蘋果的理化特征。其中“喬納金”、“富士”、“秦冠”蘋果果實總酚含量(質量比)依次為68.63、112.92、40.98 mg/(100 g)，3個品種果實總酚含量與它在各波長的近紅外反射強度的順序也不同。由以上結果可以推測，本研究測定之外的化學組分也參與了近紅外吸收而導致了近紅外高光譜反射強度的品種間差異，利用反射強度差異建立的分類模型能夠對不同品種成功識別所依據的是能夠綜合反映其理化特性的各品種近紅外高光譜圖，即分類數據來源充分體現了品種特異性，故該分類方法更加靈敏和實用。

表3 各品種果實理化品質比較

注：觀測值為平均值±標準差,同列中不同字母表示差異顯著(p≤0.05)。

3 討論

不同種類蘋果在高光譜信號特征空間中具有穩定和緊湊的局部性，并呈現非線性的表征，因此基于已有數據樣本近鄰度量的KNN分類器能夠獲得優異的分類性能，而且由于高光譜的數據描述為動態區間較大的浮點數，描述點之間關系的距離度量切比雪夫距離、歐幾里得距離和明可夫斯基距離取得了更好的性能，而描述集合關系的距離度量漢明距離和Jaccard相似系數則性能欠佳。支持向量機分類器的試驗表明，參數尋優后，分類正確率能夠達到96.67%,但是徑向基參數γ取值(2-4和2-5)相對較小，訓練所獲得的模型可能存在過擬合的風險，未來的研究還需要采集更充分的數據加以驗證，這也表明不同品種的蘋果在高光譜數據的特征空間中，存在著復雜的非線性穿插，使用徑向基核函數映射后也無法完全實現線性可分，此時基于先驗樣本分布的KNN分類器由于不依賴模型假設，即使不同類別的蘋果在高光譜特征空間中呈現為復雜的非線性分布，依然獲得穩健、優越的分類性能。

本試驗并沒有使用單純的化學計量算法進行分類，而是使用了高光譜無損測定結合機器學習的方法，可以利用更少的數據量得到更加準確的結果，使過程更加簡便，結果更加準確。

以上結果表明生產上可以利用近紅外高光譜成像技術在865～1 711 nm波段下的吸收值結合KNN機器學習的方法來設計檢測機器來快速準確地鑒別蘋果的品種，并有望建立用于蘋果品種鑒別的高光譜指紋圖譜。

4 結束語

采用近紅外高光譜成像技術，通過一系列的圖像處理，得到3個品種蘋果果實在近紅外200個波段的平均反射光譜，然后通過Matlab軟件訓練了KNN算法和SVM(徑向基核函數)的2個分類器。其中當K取值3和5時，KNN分類器中切比雪夫距離、歐幾里得距離和明可夫斯基距離3種距離算法的識別正確率均達到100%的優異性能，可以選定為最簡單和高效的分析方法。SVM-RBF核函數模型中當徑向基參數γ取2-5，懲罰因子C取16和32時，品種識別正確率雖然高達96.67%，可是其訓練模型中存在過擬合風險，需要進一步論證。

1 閆潤, 王新忠, 邱白晶，等. 基于特征光譜的草莓品種快速鑒別[J/OL]. 農業機械學報, 2013,44(9):182-186. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130932&flag=1.DOI：10.6041/j.issn.1000-1298.2013.09.032. YAN Run, WANG Xinzhong, QIU Baijing，et al． Discrimination of strawberries varieties based on characteristic spectrum[J/OL]. Transactions of the Chinese Society for Agricultural Machinery，2013, 44(9):182-186.(in Chinese)

2 曹芳, 吳迪, 何勇，等. 基于可見-近紅外反射光譜技術的葡萄品種鑒別方法的研究[J]. 光學學報, 2009, 29(2):537-540. CAO Fang，WU Di，HE Yong，et al． Variety discrimination of grapes based on visible-near reflection infrared spectroscopy[J]． Acta Optica Sinica，2009，29(2):537-540. (in Chinese)

3 李江波, 趙春江, 陳立平，等. 基于可見/近紅外光譜譜區有效波長的梨品種鑒別[J/OL]. 農業機械學報, 2013, 44(3):153-157. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130328&flag=1.DOI：10.6041/j.issn.1000-1298.2013.03.028. LI Jiangbo,ZHAO Chunjiang, CHEN Liping,et al. Variety identification of pears based on effective wavelengths in visible/near infrared region[J/OL]. Transactions of the Chinese Society for Agricultural Machinery，2013, 44(3):153-157.(in Chinese)

4 HE Y, LI X, SHAO Y. Quantitative analysis of the varieties of apple using near infrared spectroscopy by principal component analysis and BP model[C]∥AI 2005: Advances in Artificial Intelligence, 2005:1053-1056.

6 胡耀華, 劉聰, 何勇. 近紅外光譜鑒別鮮棗品種及裂果研究[J]. 光譜學與光譜分析, 2013,33(12):3231-3234. HU Yaohua, LIU Cong,HE Yong. Discrimination of the fresh jujube varieties and dehiscent fruit by NIR spectroscopy[J]. Spectroscopy and Spectral Analysis，2013,33(12):3231-3234. (in Chinese)

7 何勇, 李曉麗. 用近紅外光譜鑒別楊梅品種的研究[J]. 紅外與毫米波學報, 2006, 25(3):192-194. HE Yong,LI Xiaoli. Didcriminating varieties of waxberry using near infrared spectra[J]. Journal of Infrared and Millimeter Waves, 2006, 25(3):192-194. (in Chinese)

8 李曉麗, 唐月明, 何勇，等. 基于可見/近紅外光譜的水稻品種快速鑒別研究[J]. 光譜學與光譜分析, 2008, 28(3):578-581. LI Xiaoli, TANG Yueming, HE Yong, et al. Discrimination of varieties of paddy based on Vis/NIR spectroscopy combined with chemometrics[J]. Spectroscopy and Spectral Analysis，2008, 28(3):578-581.(in Chinese)

9 鄔文錦, 王紅武, 陳紹江，等. 基于近紅外光譜的商品玉米品種快速鑒別方法[J]. 光譜學與光譜分析, 2010, 30(5):1248-1251. WU Wenjin, WANG Hongwu, CHEN Shaojiang, et al. Fast discrimination of commerical corn varieties based on near infrared spectra[J]. Spectroscopy and Spectral Analysis, 2010, 30(5):1248-1251.(in Chinese)

10 盧洋, 梁先揚, 李衛軍，等. 基于近紅外光譜短波段的玉米品種鑒別研究[J]. 河南大學學報：自然科學版, 2012, 42(3):239-243. LU Yang, LIANG Xianyang, LI Weijun, et al. Study on corn varieties discrimination based on short wave band of NIR spectra[J]. Journal of Henan University：Natural Science, 2012, 42(3):239-243.(in Chinese)

11 趙花榮, 王曉燕, 陳冠華，等. 利用傅里葉變換紅外光譜法鑒定小麥品種[J]. 光譜學與光譜分析, 2004, 24(11):1338-1341. ZHAO Huarong, WANG Xiaoyan, CHEN Guanhua, et al. Identification of wheat varieties by FTIR spectrum [J].Spectroscopy and Spectral Analysis, 2004, 24(11):1338-1341.(in Chinese)

12 周竹，李小昱，陶海龍，等. 基于高光譜成像技術的馬鈴薯外部缺陷檢測[J]. 農業工程學報，2012, 28(21)：221-228. ZHOU Zhu, LI Xiaoyu,TAO Hailong, et al. Detection of potato external defects based on hyperspectral imaging technology[J].Transactions of the CSAE，2012, 28(21)：221-228.(in Chinese)

13 HUANG M, WAN X M, ZHANG M，et al. Detection of insect-damaged vegetable soybeans using hyperspectral transmittance image[J]. Journal of Food Engineering, 2013, 116(1): 45-49.

14 張初, 劉飛, 孔汶汶，等. 利用近紅外高光譜圖像技術快速鑒別西瓜種子品種[J]. 農業工程學報, 2013, 29(20):270-277. ZHANG Chu, LIU Fei, KONG Wenwen, et al. Fast identification of watermelon seed variety using near infrared hyperspectral imaging technology[J]. Transactions of the CSAE，2013, 29(20):270-277. (in Chinese)

15 WANG L, LIU D, PU H, et al. Use of hyperspectral imaging to discriminate the variety and quality of rice[J]. Food Analytical Methods, 2014, 8(2):515-523.

16 LIU D, WANG L, SUN D, et al. Lychee variety discrimination by hyperspectral imaging coupled with multivariate classification[J]. Food Analytical Methods, 2014, 7(9):1848-1857.

17 孫俊, 路心資, 張曉東,等. 基于高光譜圖像的紅豆品種GA-PNN神經網絡鑒別[J/OL]. 農業機械學報, 2016, 47(6):215-221.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160628&flag=1.DOI：10.6041/j.issn.1000-1298.2016.06.028. SUN Jun, LU Xinzi, ZHANG Xiaodong, et al. Identification of red bean varity with probabilistic GA-PNN based on hyperspectral imaging[J/OL]. Transactions of the Chinese Society for Agricultural Machinery，2016, 47(6):215-221. (in Chinese)

18 王思玲, 蔡騁, 馬惠玲,等. 基于高光譜成像的蘋果水心病無損檢測[J]. 北方園藝, 2015(8):124-130.

19 鄒小波,陳正偉,石吉勇,等.基于近紅外高光譜圖像的黃瓜葉片色素含量快速檢測[J/OL].農業機械學報,2012,43(5):152-156. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20120526&flag=1.DOI：10.6041/j.issn.1000-1298.2012.05.026. ZOU Xiaobo,CHEN Zhengwei, SHI Jiyong, et al. Rapid detection of cucumber leaves pigments based on near infrared hyper-spectral image technology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2012,43(5):152-156.(in Chinese)

20 CHANG C C, LIN C J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems & Technology, 2011,2(3): Article No.27.

21 林升梁, 劉志. 基于RBF核函數的支持向量機參數選擇[J]. 浙江工業大學學報, 2007, 35(2):163-167. LIN Shengliang,LIU Zhi.Parameter selection in SVM with RBF kernel function[J]. Journal of Zhejiang University of Technology, 2007, 35(2):163-167.(in Chinese)

22 姜林. 蘋果新品種“紅喬納金”的引種觀察[J]. 落葉果樹, 1995(2): 31.

23 賈希友, 馬貴印, 王立剛,等. 高樁素可顯著提高紅富士蘋果的果形指數[J]. 山西果樹, 2000(1):7-9.

24 王田利, 李強, 曹紅霞,等. 蘋果新品種——粉紅秦冠[J]. 山西果樹, 2010(2):44-45.

25 李慧，曾銘，要磊，等．近紅外光譜技術在食品檢測中的應用研究進展[J]．食品工業，2012(12)：85-88.

26 丁秀玲. 不同品種蘋果理化特性研究及其在曲奇餅干中的應用[D]. 楊凌：西北農林科技大學, 2011. DING Xiuling. Physicochemical properties of different cultivars of apples and the use in cookies[D]. Yangling：Northwest A&F University, 2011.(in Chinese)

Rapid Identification of Apple Varieties Based on Hyperspectral Imaging

MA Huiling1WANG Ruolin1CAI Cheng2WANG Dong1

(1.CollegeofLifeScience,NorthwestA&FUniversity,Yangling,Shaanxi712100,China2.CollegeofInformationEngineering,NorthwestA&FUniversity,Yangling,Shaanxi712100,China)

In order to achieve rapid non-destructive identification of apple varieties, the methodology of near-infrared hyperspectral imaging on identification of apple varieties was investigated. Near infrared hyperspectral images with wavelength from 865～1 711 nm of total 90 sample fruits were collected from three different varieties (“Jonagold”, “Fuji” and “Qinguan” apples), and hyperspectral image area of the apple was selected as a region of interest (ROI). Reflection intensity data of the average reflex spectrum were extracted with resolution rate of 2.8 nm, then they were calculated with K-nearest neighbor (KNN) and the support vector machine (SVM) methods, respectively, which were checked with 5-fold cross-validation method. The results showed that the hyperspectral images of three varieties of apples all became clear within wavelength of 941～1 602 nm. Among ten distance-types’ judgment of KNN with average reflection intensity at 200 wavelength-points, the identification accuracy of Chebychev, Euclidean and Minkowski reached the highest of 100% when the parameterKwas set at 3 or 5. While using the support vector machine-radial basis function (SVM-RBF) model, the accuracy rate reached above 92% when the value ofγfell within 2-8～1. The highest recognition rate of this model reached 96.67% whenγwas set at 2-5andCtook the value of 16 amd 32 at the same time. The results demonstrated that near-infrared hyperspectral imaging in combination with KNN was excellent and reliable for the rapid identification of apple varieties. This method could provide reference for identifying apple varieties in production.

apple; variety identification; hyperspectral image; K-nearest neighbor method; support vector machine

10.6041/j.issn.1000-1298.2017.04.040

2016-08-12

2016-09-21

陜西省農業科技創新與攻關項目(2015NY023)和農業部現代蘋果產業技術體系項目(CARS-28)

馬惠玲(1965—)，女，教授，博士生導師，主要從事果實采后生理與技術研究，E-mail: ma_huiling65@hotmail.com

S661.1

A

1000-1298(2017)04-0305-08