基于多信息融合技術的河套蜜瓜品質評價

侯占峰， 田海清， 劉　超， 李　哲

(內蒙古農業(yè)大學機電工程學院，內蒙古呼和浩特 010018)

傳統(tǒng)的水果品質采用人工挑選法和抽樣破壞性檢測法進行檢測，但由于受檢測范圍小和主觀因素的影響，這些方法已不再適合水果市場發(fā)展的需求[1-2]，因此研究水果的快速無損檢測技術已受到國內外研究者的普遍重視[3-4]。近年來，已有研究者采用可見近紅外光譜技術對各類水果品質進行無損檢測并取得了較好的檢測結果[5-10]。河套蜜瓜作為我國西北河套地區(qū)的獨特甜瓜品種廣受關注[11-12]，其品質主要采用糖度進行評價[13]，已有研究者采用可見近紅外光譜技術對蜜瓜品質進行無損檢測[14-15]，但這一方法有其不足之處，即漫透射光譜易受蜜瓜的大小、形狀差異影響，進而影響檢測精度。因此，在采用漫透射光譜進行蜜瓜品質檢測中應考慮果實大小、形狀差異影響消除方法的研究。本研究應用圖像處理技術獲取蜜瓜的大小、形狀及顏色特征，并將這些特征與光譜信息融合進行糖度檢測，不僅解決了果實大小、形狀差異對光譜檢測精度的影響問題。在融合多源信息后能夠實現(xiàn)蜜瓜更加準確地識別與判斷，因此研究利用融合圖像和光譜信息進行蜜瓜糖度檢測的方法具有重要的現(xiàn)實意義。

1　材料與方法

1.1　材料

試驗樣品選用內蒙古巴彥淖爾磴口地區(qū)產有代表性的金紅寶河套蜜瓜154個，其中115個樣品用于模型的建立，剩余39個樣品用于模型預測，試驗前進行蜜瓜清洗并在常溫下放置24 h，利用游標卡尺測量樣品的縱徑、橫徑。蜜瓜體積用排水法進行測量，質量使用范圍為0.5～620 0 g、精度為0.01 g的電子天平進行測試。在光譜采集的部位各切取10 mm×10 mm×10 mm果肉，把6塊果肉榨汁，攪拌均勻后覆蓋到日本愛宕公司生產的PR-101α型數(shù)字折光儀上測定樣品的糖度值(°Brix)。采集蜜瓜各部分指標統(tǒng)計結果如表1所示。

筆者所在課題組自行設計研制了蜜瓜在線檢測系統(tǒng)，該系統(tǒng)主要由輸送裝置、信號控制單元、漫透射光譜采集裝置、蜜瓜圖像采集裝置、蜜瓜內部品質檢測軟件系統(tǒng)、計算機組成。蜜瓜圖像采集裝置內部結構如圖1所示，圖像采集室內壁均勻布置8盞25 W白熾燈作為光源，圖像采集由Chameleon USB 2.0 Digital Camera工業(yè)相機完成，相機布置在距采集裝置底部1.54 m的高度。

圖2所示為漫透射光譜采集裝置內部結構，由風扇、光源(12盞50 W的鹵素燈共600 W能量)、圓弧狀光源固定架組成，其中光源均勻布置在光譜采集室內部的圓弧狀光源固定架上。光源發(fā)出的光線從蜜瓜側上方進入果實內部，并在其中經過多次漫射、反射和透射，從蜜瓜的底部出來的信號經過檢測探頭和光纖，進入到海洋光學便攜式光譜儀(波段范圍為198～1 200 nm)，由光譜采集軟件Spectra Suite采集，并存儲于計算機。

1.2　特征波長的提取與主成分分析

蜜瓜樣品光譜數(shù)量龐大，如果都用于建模，不僅費時耗力，而且可能存在于波長變量中的無用信息變量會影響到模型的結果和穩(wěn)定，對后期的數(shù)據(jù)分析和模型的評價會有一定影響，因此有必要對無用變量進行剔除，對和品質信息相關性高的敏感波段進行選擇，從而提高模型的性能。本研究對光譜數(shù)據(jù)校正選用均值中心化技術，經過多元散射校正MSC處理后采用SMLR方法對全波段400～1 100 nm的光譜和糖度相關性顯著的特征波長進行提取，建立相應原始光譜和糖度的數(shù)學模型，選擇最優(yōu)的模型結果，當波長選取405.46、1 028.84、669.18、449.33、501.40、404.01、415.59、411.73、407.87、402.09、672.07、647.48 nm時，所建模型相關系數(shù)較為理想，r=0.813，均方根校正偏差(RMSEC)=0.897。利用該12個波長建立回歸方程并將預測集中的39個樣品的12個波長對應的透射率代入到所建立的回歸方程中，求其對應的預測值，得到的真實值和預測值的相關性如圖3所示。

蜜瓜樣本的近紅外光譜數(shù)據(jù)間存在大量的相關性，必將造成信息冗余。利用主成分分析可以將多個指標化為幾個綜合指標，這些指標可以表征原來的數(shù)據(jù)特征而且不會丟失信息，本研究采用軟件SPSS進行主成分分析時發(fā)現(xiàn)，當主成分數(shù)量達到4個時，累計貢獻率可以達到99.424%，因此將該主成分特征作為后續(xù)模式識別模型的輸入。

1.3　蜜瓜圖像處理

在Matlab中讀取信息收集裝置采集的原始圖像，將原始圖像進行灰度、二值圖、去噪及平滑處理后，以蜜瓜形心為基準在蜜瓜圖片上標記出6個糖度采集區(qū)域的方框。對每個標記框都進行RGB三分量顏色提取操作，最后計算平均值，得到蜜瓜樣本圖像的RGB三顏色分量值，把圖像進行RGB到HIS及L*a*b*顏色空間處理共得到12個顏色信息，圖像處理過程見圖4。對12個顏色信息進行主成分分析，當顏色特征值主成分取3時，累計貢獻率可達99.691%，可以很好地代表蜜瓜顏色信息。

為了提取蜜瓜的形狀特性，將蜜瓜的外形近似看成橢圓，對蜜瓜圖像先進行外形截取，然后進行邊緣檢測，找到形心計算出縱橫徑后根據(jù)橢圓近似公式計算蜜瓜的體積和果形指數(shù)(果形指數(shù)=縱徑/橫徑。)，利用Matlab進行圖像處理，過程如圖5所示。

由圖6可以看出，通過蜜瓜二維圖像計算的蜜瓜體積和果形指數(shù)與實際測量值呈很好的線性關系，證明該方法可以用來預測蜜瓜體積和果形指數(shù)。

2　結果與分析

2.1　SVM算法

SVM算法是根據(jù)樣本可分情況的最優(yōu)分類面提出來的，最優(yōu)分類面要求可以將樣本準確無誤地分開，并且使分類空隙最大，應用二次規(guī)劃的方法可以求出最優(yōu)分類函數(shù)[16]：

(5)

當輸入的樣本不可分時，須要將樣本映射到高維空間中，這就需要1個非線性函數(shù)來進行映射，然后在高維空間中尋找最優(yōu)分類面。這個非線性函數(shù)稱作核函數(shù)，本研究選取的徑向基核函數(shù)為：

式中：σ為待定參數(shù)。

2.2　結果分析

選用徑向基核函數(shù)最主要的是懲罰因子c和核函數(shù)參數(shù)g的選取，本研究采用K-CV的方法進行選擇，分別對蜜瓜的圖像和光譜信息進行建模，結果如表2所示。其中，以蜜瓜外部特征顏色特征主成分、蜜瓜預測體積、果形指數(shù)共5個特征向量為第一輸入量，原始光譜特征波長透射率為第二輸入量，蜜瓜糖度為輸出量，運用支持向量機(SVM)建立信息融合的蜜瓜糖度模型，核函數(shù)選取徑向基核函數(shù)，采用K-CV方法經過反復試驗選取最優(yōu)(c=0.707 11，g=0.5)，115個樣品擬合程度如圖7所示。將39個預測集樣品輸入到已經訓練好的模型中，結果如圖8所示。

表2　SVM算法的融合對象建模統(tǒng)計結果

由表2可以看出，單獨使用外部特征或光譜特征進行建模要比利用信息融合特征進行建模的效果差。其中，顏色特征建模效果最差，r、RMSE僅為0.505 9、1.594 9，僅靠顏色特征無法進行蜜瓜品質的準確檢測。當融合光譜特征波長信息時，r、RMSE分別為0.847 3、0.964 8，模型準確度提高。表2與圖8同時顯示，當把蜜瓜的顏色特征、體積和果形指數(shù)作為外部特征融合蜜瓜光譜特征進行建模的效果最好，其模型r、RMSE高達0.863 0、0.940 7。

3　結論

本研究利用蜜瓜顏色、體積及果形指數(shù)指標融合近紅外光譜信息進行蜜瓜品質檢測，并設計了在線檢測系統(tǒng)，該系統(tǒng)可以有效采集河套蜜瓜的外部特征圖像和漫透射光譜。對采集樣本應用支持向量機算法進行數(shù)據(jù)融合，結果發(fā)現(xiàn)，利用信息融合的模型結果優(yōu)于單獨使用外部特征或光譜特征的模型。當把蜜瓜的顏色特征、體積和果形指數(shù)作為外部特征融合蜜瓜光譜特征進行建模時效果最好，能夠最有效地對蜜瓜的品質進行識別，其模型的r、RMSE高達0.863 0、0.940 7。因此，近紅外光譜和機器視覺的多傳感器信息融合技術是進行蜜瓜品質檢測的有效方法，可以提高蜜瓜品質的檢測精度。

參考文獻：

[1]應義斌. 機器視覺技術在黃花梨尺寸和果面缺陷檢測中的應用[J]. 農業(yè)工程學報，1999，15(1)：197.

[2]趙靜，何東健. 果實形狀的計算機識別方法研究[J]. 農業(yè)工程學報，2001，17(2)：165-167.

[3]田海清，王春光，楊曉清. 厚皮甜瓜無損檢測方法的研究現(xiàn)狀及發(fā)展趨勢[J]. 農機化研究，2010，32(10)：245-248.

[4]李鵬飛. 梨內部品質可見/近紅外光譜無損檢測研究[D]. 北京：中國農業(yè)大學，2009.

[5]杜冉，閘建文，付家庭，等. 運用近紅外透射光譜技術檢測蘋果內部品質[J]. 農機化研究，2008(9)：139-141.

[6]馮斌. 計算機視覺信息處理方法與水果分級檢測技術研究[D]. 北京：中國農業(yè)大學，2002.

[7]楊麗華，程詠梅，趙春暉，等. 基于決策融合的蘋果等級分類算法[J]. 電子測量技術，2008，31(1)：10-12，24.

[8]張烈平，曾愛群，陳婷. 基于計算機視覺和神經網絡的芒果檢測與等級分類[J]. 農機化研究，2008(10)：57-60.

[9]張書慧. 蘋果、桃等農副產品品質檢測與分級圖像處理系統(tǒng)的研究[J]. 農業(yè)工程學報，1999，15(1)：201.

[10]王樹文，張長利，房俊龍. 基于計算機視覺的番茄損傷自動檢測與分類研究[J]. 農業(yè)工程學報，2005，21(8)：98-101.

[11]張玉清. 加入WTO后中國蜜瓜西瓜產業(yè)面臨的機遇和挑戰(zhàn)[J]. 中國西瓜甜瓜，2001(3)：36-37.

[12]梁莉，李榮富，高培德，等. 內蒙古河套蜜瓜的特征特性與栽培特點[J]. 中國西瓜甜瓜，2004(3)：18-19.

[13]張德虎，田海清，武士鑰，等. 河套蜜瓜糖度和堅實度可見近紅外光譜檢測研究[J]. 中國農機化學報，2014，35(3)：197-201.

[14]田海清，王春光，吳桂芳. 蜜瓜糖度透射光譜檢測技術[J]. 農業(yè)機械學報，2010，41(12)：130-133.

[15]田海清，王春光，張海軍，等. 蜜瓜品質光譜檢測中異常建模樣品的綜合評判[J]. 光譜學與光譜分析，2012，32(11)：2987-2991.

[16]丁世飛，齊丙娟，譚紅艷. 支持向量機理論與算法研究綜述[J]. 電子科技大學學報，2011，40(1)：1-10.