基于高光譜成像技術的蘋果表面缺陷無損檢測

孟慶龍，張艷，尚靜

（1.貴陽學院食品與制藥工程學院，貴州貴陽550005；2.貴陽學院農產品無損檢測工程研究中心，貴州貴陽550005）

蘋果在生長過程中，經常會受到各種因素的影響導致蘋果表面出現(xiàn)缺陷，從而影響蘋果的外觀，甚至使其喪失了可食性，極大地影響了蘋果的品質和分級銷售。由此可見，對新鮮蘋果的表面缺陷檢測顯得尤為重要。傳統(tǒng)的檢測方法大多是人工操作，耗時耗力，而且效率低，無法滿足大規(guī)模生產的需求。因此，開發(fā)研制一種快速、無損、高效的蘋果表面缺陷檢測方法在水果分級檢測領域中具有較好的應用前景。近年來，基于高光譜成像技術的無損檢測技術以其高效、無損、可實時在線檢測等諸多優(yōu)點受到科研工作者的廣泛關注，被廣泛應用于食品、醫(yī)藥和化工等各個領域[1-7]。國內外研究學者對水果的品質檢測分析主要集中在水果內部品質的定量檢測方面[8-13]，而在水果外部品質（早期損傷和表面缺陷等）檢測方面的研究相對較少。趙杰文等[14]采用高光譜成像技術，通過主成分分析提取547 nm波長下的特征圖像，設計不均勻二次差分消除了蘋果圖像亮度分布不均勻的影響，通過合適的數(shù)字圖像處理方法提取蘋果的輕微損傷，得出高光譜圖像技術對蘋果輕微損傷的檢測正確率達到88.57%。張保華等[15]利用I-RELIEF算法對正常表皮和損傷區(qū)域的光譜進行分析得出權值系數(shù)圖，根據(jù)挑選出的5個特征波段和最低噪聲分離變換開發(fā)了損傷蘋果的識別檢測算法，利用該算法對80個正常蘋果和含有不同時間階段輕微損傷的蘋果進行試驗，損傷識別總體正確率為97.1%。田有文等[16]采用支持向量機對蘋果蟲傷區(qū)域和正常區(qū)域、果梗/花萼區(qū)域進行識別，總體識別率為97.8%。已報道的文獻大多采用高光譜成像技術結合圖像處理技術來識別水果表面損傷或蟲傷，而采用高光譜成像技術結合圖像分割技術來檢測水果表面缺陷的研究鮮有報道。

本研究以“紅富士”蘋果為研究對象，采用高光譜成像技術結合圖像分割技術檢測蘋果表面缺陷，以期為開發(fā)蘋果表面缺陷在線快速檢測系統(tǒng)提供研究基礎。

1 材料與方法

1.1 材料

“紅富士”蘋果：購買于當?shù)氐奈譅柆敵校诔兄刑暨x大小均勻一致，完好無損蘋果80個和表面有缺陷的蘋果40個。

1.2 高光譜圖像采集系統(tǒng)

高光譜圖像采集系統(tǒng)（GaiaField-F-V10）：四川雙利合譜科技有限公司，結構示意圖如圖1所示。

圖1 高光譜圖像采集系統(tǒng)示意圖Fig.1 The schematic diagram of hyperspectral imaging acquisition system

其中，成像光譜儀的分辨率為3.5 nm，數(shù)值孔徑為F/2.8，圖像空間分辨率為696×700，光譜采集范圍為400 nm～1 000 nm；漫反射光源為4個200 W溴鎢燈，采用梯形結構安裝于暗箱中。將蘋果樣本放置在移動平移臺上，根據(jù)試驗要求，首先，調整系統(tǒng)參數(shù)，以確保采集的圖像清晰且不失真。經過多次調整和優(yōu)化，最終確定CCD相機的曝光時間是12.6 ms，相機鏡頭與樣本距離為40cm，電動平移臺的移動速度是1.35cm/s。之后對待檢測樣本逐一掃描，采集所有蘋果樣本的高光譜圖像。

1.3 高光譜圖像校正

由于暗箱中暗電流的存在，不同波段條件下光源強度分布不均勻以及蘋果樣本的形狀差異等都會導致在光照強度較弱波段采集到的圖像包含較大的噪聲，故需對采集到的高光譜圖像進行黑白校正，以消除部分噪聲的影響。即在與樣本采集相同的系統(tǒng)條件下，首先，掃描標準白色校正板，得到全白的標定圖像W；然后，蓋上相機的鏡頭蓋進行圖像采集得到全黑的標定圖像B；最后，按照下面校正公式完成圖像標定，采集得到的原始圖像I變成校正圖像R，即

式中：I為蘋果樣本的原始高光譜圖像；W為白板的漫反射圖像；B為暗圖像；R為校正后的高光譜圖像。

1.4 高光譜圖像去噪

經過黑白校正后的高光譜圖像仍含有一些噪聲，需要對高光譜圖像進行進一步去除噪聲處理。最小噪聲分離（minimum noise fraction，MNF）變換是將高光譜圖像的主要信息集中在前面幾個波段，主要作用是判斷圖像數(shù)據(jù)維數(shù)、分離數(shù)據(jù)中的噪聲，減少后處理中的計算量。使用MNF變換從數(shù)據(jù)中消除噪聲的過程：首先進行正向MNF變換，判定哪些波段包含相關圖像，用波譜子集選擇“好”波段或平滑噪聲波段，然后進行一個反向MNF變換。

1.5 數(shù)據(jù)分析

高光譜圖像數(shù)據(jù)采集軟件應用的是Spectral SENS，采集得到的蘋果高光譜圖像數(shù)據(jù)采用ENVI 5.4，MATLAB R2016b等軟件進行處理與分析。

2 結果與分析

2.1 蘋果高光譜圖像的掩膜

為保證高光譜圖像中僅有蘋果樣本信息，通過求取蘋果果實區(qū)域中所有采樣點下光譜的平均值，構建掩膜以去除背景，使高光譜圖像中僅含有蘋果樣本信息。即選擇樣本和背景反射率差異大的波段對采集的高光譜圖像進行分割，當某像素對應的光譜值大于閾值時被保留，小于閾值時，被置為0。圖2為蘋果樣本區(qū)域和背景區(qū)域的光譜反射率。

由圖2可以看出，在波長660.82 nm處蘋果樣本區(qū)域的光譜反射率值均大于0.05，而背景區(qū)域的光譜反射率值均小于0.05。因此，在采用閾值分割方法去除背景時，選擇特征波長為660.82 nm，反射率閾值為0.05，得到其中3個蘋果樣本的高光譜圖像的掩膜如圖3所示。

圖2 蘋果樣本區(qū)域和背景區(qū)域光譜反射率曲線Fig.2 The spectral reflectance curves of the apples and background areas

圖3 蘋果樣本的掩膜圖Fig.3 The image of mask for apples

由圖3可以看出，蘋果樣本區(qū)域被保留，背景區(qū)域被置為0。去除背景后的其中3個蘋果樣本的高光譜圖像如圖4所示。

圖4 掩膜后得到的蘋果高光譜圖像Fig.4 The hyperspectral image of apples after masking

從圖4中可以看出，去除背景后的蘋果高光譜圖像中僅含有蘋果樣本，便于進一步采用閾值分割方法提取蘋果樣本的表面缺陷。

2.2 最小噪聲分離變換

對去除背景后的蘋果樣本高光譜圖像進行MNF變換，進一步去除蘋果高光譜圖像中存在的噪聲。經過MNF變換之后的其中3個蘋果樣本的前3個MNF成分圖像如圖5所示。

MNF變換后的特征曲線如圖6所示。

插圖中的列表給出了每個MNF波段相應的特征值，以及每個MNF波段包含的數(shù)據(jù)方差的累積百分比，由圖6可以看出，前15個MNF波段對應的特征值均大于1.4，且前15個MNF成分累積百分比超過95.25%（即經過MNF變化之后的前15個成分圖像包含了蘋果樣本高光譜圖像大量的有效信息）。因此，本試驗選取前15個MNF成分圖像進行反向MNF變換，以便消除蘋果高光譜圖像中存在的噪聲。

圖5 部分蘋果樣本經過MNF變換后的前3個成分圖像Fig.5 The first three component images of apples after MNF transform

圖6 MNF變換后的特征曲線Fig.6 Characteristic curve after MNF transform

圖7 蘋果正常區(qū)域和表面缺陷區(qū)域的光譜Fig.7 The spectra of the normal and surface defect areas

2.3 蘋果正常和表面缺陷區(qū)域的光譜特征

分別選取蘋果正常區(qū)域和表面有缺陷區(qū)域中的150 個像素點作為感興趣區(qū)域（region of interest，ROI），感興趣區(qū)域的光譜反射率曲線如圖7所示。

由圖7可以看出，蘋果樣本正常區(qū)域和表面有缺陷區(qū)域的光譜曲線在400 nm～700 nm波段間變化趨勢基本一致，但在700 nm～800 nm波段范圍內，正常區(qū)域的光譜曲線整體反射率要高于表面有缺陷區(qū)域的反射率，而在900 nm～1 000 nm波段范圍內，表面有缺陷區(qū)域的光譜曲線整體反射率要高于正常區(qū)域的反射率。因此，可以利用這兩個波段范圍的光譜反射率差異，同時選取717.98 nm處的光譜反射率值小于0.6以及982.59 nm處的光譜反射率值大于0.52作為區(qū)分蘋果正常區(qū)域和表面缺陷區(qū)域的閾值條件，通過閾值分割方法識別出表面有缺陷的蘋果。

2.4 蘋果表面缺陷區(qū)域的識別

由蘋果正常區(qū)域和表面缺陷區(qū)域的光譜特征可知在700 nm～800 nm以及900 nm～1 000 nm波段范圍內蘋果樣本正常區(qū)域和表面有缺陷區(qū)域的光譜反射值具有明顯的差異。試驗選取特征波長717.98 nm處的光譜反射率值小于0.6以及982.59 nm處的光譜反射率值大于0.52作為區(qū)分蘋果正常區(qū)域和表面缺陷區(qū)域的閾值條件，滿足閾值條件的蘋果樣本區(qū)域置為1（如圖8中白色部分），其他區(qū)域的被置為0（如圖8中黑色部分），蘋果表面缺陷識別結果如圖8所示。

由圖8可以看出，蘋果樣本1表面有3處被檢測為缺陷區(qū)域，樣本2表面有1處被檢測為缺陷區(qū)域，樣本3表面有2處被檢測為缺陷區(qū)域，該方法很好地檢測出表面有缺陷的蘋果樣本。表1進一步給出了所有蘋果樣本表面缺陷無損檢測的正確率。

從表1中可以看出采用該檢測方法能夠正確檢測出完好無損蘋果和表面有缺陷蘋果的數(shù)目分別為78個和38個，正確識別率分別達97.5%和95%。

圖8 部分缺陷蘋果的檢測結果Fig.8 Identification results of defect on apples

表1 完好無損和表面缺陷蘋果的檢測結果Table 1 Identification results on intact and surface defect apples

3 結論

蘋果樣本高光譜圖像經過MNF變換后的前15個波段對應的特征值均大于1.4，且前15個MNF成分累積百分比超過95.25%，進而選取前15個MNF成分圖像進行反向MNF變換，有效地消除了蘋果高光譜圖像中存在的噪聲。完好無損和表面有缺陷蘋果的高光譜圖像的光譜反射率值在700 nm～800 nm以及900 nm～1 000 nm波段范圍內具有明顯的差異，選取717.98 nm處的光譜反射率值小于0.6以及982.59 nm處的光譜反射率值大于0.52作為區(qū)分蘋果正常區(qū)域和表面缺陷區(qū)域的閾值條件，通過閾值分割方法識別出表面有缺陷的蘋果，該檢測方法對80個完好無損蘋果和40個表面有缺陷蘋果的正確識別率分別為97.5%和95%。試驗結果為開發(fā)蘋果表面缺陷在線快速檢測系統(tǒng)提供基礎。