基于高光譜圖像和深度學習的菠菜新鮮度檢測

謝忠紅，徐煥良，黃秋桂，王 培

基于高光譜圖像和深度學習的菠菜新鮮度檢測

謝忠紅，徐煥良※，黃秋桂，王 培

（南京農業大學信息科學技術學院，南京 210095）

針對傳統機器視覺在實現菠菜新鮮度檢測精度偏低的問題，該文提出了一種基于高光譜和深度學習技術的圓葉菠菜新鮮度識別新方法。以10 ℃常溫貯存的圓葉菠菜為研究對象，以天為單位，綜合考慮影響菠菜新鮮度的6個因素：貯藏天數、外觀、含水率、葉綠素a、葉綠素b和胡蘿卜素，將菠菜劃分為新鮮、次新鮮和腐敗3個等級。拍攝菠菜葉片的高光譜圖像，計算ROI（region of interest）反射率均值后，基于分組精英策略遺傳算法, 結合2種分組策略，篩選出含6個波長的組合。定義訓練集和測試集合，使用SVM分類器，基于波長對應的反射率，分別進行基于光譜特性界定菠菜的新鮮度分類試驗。找出了識別率均值最高的3個波長，分別是389.55、742.325和1 025.662 nm。由于基于光譜特性進行菠菜新鮮度檢測時識別率偏低。嘗試基于菠菜的高光譜圖像特征進一步進行菠菜新鮮度識別研究。從高光譜圖像集中抽取這3個波長對應的菠菜圖像，構成菠菜圖像樣本庫（NormImg389、NormImg742、NormImg1 025和NormImg_merge），基于深度學習技術建立菠菜新鮮度識別模型，對圖像樣本庫中4類圖像進行識別試驗，平均識別準確率79.69%、68.75%、69.27%和80.99%。而NormImg389測試集識別正確率接近80%，NormImg_merge測試集識別正確率最高達到了80.99%，說明融合3個波長對應的圖像進行等級識別效果最好。該研究實現了圓葉菠菜新鮮度的無損檢測，具有實踐和理論意義。

高光譜; 波長; 算法；分組精英遺傳算法；深度學習；新鮮度

0 引 言

蔬菜富含大量的水分、葉綠素、維生素C以及可溶性糖等化學物質是居民膳食中不可或缺的部分。然而采摘后蔬菜體內會發生一系列生理變化：1）由于葉子的蒸騰作用，葉片會萎縮、發黃；2）葉片內的含氮物質在酶的催化作用下生成硝酸鹽和亞硝酸鹽等物質；3）葉綠素含量大幅下降；4）水分的減少加速了蛋白質降解并且延遲了蛋白質的合成，使得不新鮮的蔬菜可溶性蛋白含量降低。隨著生活水平的提高，人們對蔬菜品質提出了越來越高的要求[1-2]。

國內外眾多學者使用高光譜和機器視覺技術檢測蔬菜樣本品質并取得了極大的成就。Zhang等以20和4 ℃貯藏環境下的圓葉菠菜為研究對象，葉綠素和胡蘿卜素含量為評價指標，使用隨機蛙跳法優選出了874～1 734 nm范圍的4個特征波段，分別建立基于全波段和特征波段的PLS預測模型，后者性能更優[3]。Siripatrawan等事先將不同濃度的大腸桿菌接種到圓葉菠菜中，把菌落計數作為菠菜細菌感染程度指標，基于400～1 000 nm范圍的高光譜波段，分別建立PCA和人工神經網絡模型，預測大腸桿菌數量和分布[4]。Diezma等[5]把菠菜分別置于10和20 ℃環境中，共劃分3個新鮮度等級(A、B、C)，建立基于高光譜的SAM和PLS-DA判別模型。王巧男等以菠菜為研究對象，在4和20 ℃貯藏條件下，找出了最佳的光譜信息新鮮度判別模型SR-ELM，識別率達到了100%，同時分別研究了葉綠素a等化學成分的預測模型[6-7]。徐海霞基于菠菜圖像的顏色特征，分別建立了貯藏天數的近鄰預測模型和測定葉綠素含量的BP神經網絡模型，取得了較好的效果[8]。

然而針對圓葉波菜的新鮮度檢測，國際上尚未出現公認的行業標準。已有的葉菜新鮮度等級評判主要以外觀和貯存天數為評價指標，無法全面揭示菠菜新鮮度；傳統的機器視覺技術關注的可見光波段的圖像，由于信息片面。而基于高光譜技術的蔬菜新鮮度檢測，才剛剛開始起步，已有的研究的思路主要是建立光譜反射率和新鮮度之間的關系，而每一次檢測都需要使用高光譜設備來獲取反射率，這樣成本過高。因此本文嘗試尋找新鮮度和特征頻譜對應圖像之間的關系。

本文以室溫10 ℃常溫貯存圓葉菠菜為研究對象，使用高光譜儀獲取了每片菠菜葉片在373～1 034 nm波長范圍內的反射率，使用分組精英選擇策略遺傳優選算法和支持向量分類算法，篩選出了可用于菠菜新鮮度分類的3個波長389.55、742.325和1 025.662 nm。基于深度學習技術建立菠菜新鮮度識別模型，在圖像樣本庫NormImg389、NormImg742、NormImg1 025和NormImg_merge中進行識別試驗，3次試驗的平均識別準確率79.69%、68.75%、69.27%和80.99%。

1 材料與方法

1.1 測定菠菜化學組分

隨著菠菜貯存天數的增加，出現水分脅迫現象，細胞中的葉綠素、胡蘿卜素不斷被氧化，葉片失水皺縮，呈現衰老狀態。本次研究測定了與新鮮度相關的葉綠素、胡蘿卜素、含水率、pH值、硝酸鹽和亞硝酸鹽等化學成分。

1.1.1 菠菜葉綠素和胡蘿卜素測定

在南京農業大學生科樓實驗室使用酶標儀完成葉綠素、胡蘿卜素含量的測定。連續5 d每隔24 h測量150～250片菠菜葉子，樣本總量為1 024片。分析圖1可知，1～5 d隨著菠菜保存天數增長，葉綠素和胡蘿卜素含量總體呈減少趨勢。1～3 d葉綠素b流失速度高于葉綠素a，但是3～5 d后，葉綠素a流失速度高于葉綠素b。而隨著貯藏的時間增加，葉片表型特征變化也很明顯，前面1～2 d葉子呈綠色，而到了第5天，菠菜葉片表面出現大量的黃色區域。

圖1 菠菜葉綠素a、b和胡蘿卜素濃度的平均值

1.1.2 含水率測定

根據GB 5009.3-2010標準中的直接干燥法，測定菠菜葉片中的水分。相對含水率(RMC,relative moisture content)計算公式（1）計算RMC值，測量結果如圖2所示。前4 d，菠菜RMC平均值均高于80%；第5 天，菠菜含水量急劇下降，出現腐敗現象。

試驗結果發現在室溫10 ℃環境下連續放置5 d的菠菜硝酸鹽、亞硝酸鹽質之濃度的波動范圍為[0.051 4 mg/L，0.074 1 mg/L]，變化不明顯，而pH值均為7幾乎沒變。因此最終考慮了水分、葉綠素a，葉綠素b和胡蘿卜素對菠菜新鮮度的影響。

1.2 菠菜新鮮度評價指標

本次研究將綜合考慮影響菠菜新鮮度的6個因素：貯藏天數、外觀、含水率、葉綠素a、葉綠素b和胡蘿卜素。并基于標準差給每個因素賦予權值，計算出葉片的綜合得分，并根據得分將菠菜劃分新鮮、次新鮮和腐敗3個等級。

1.2.1 外觀評分方法

菠菜葉片的外觀評分主觀性大，為此研究中請20位生命科學專業的學生組成感官小組進行評價，挑選了3種與新鮮度密切相關的外觀性質：色澤、形態、質地。評價標準如表1所示。將菠菜新鮮度由好到差依次為新鮮、次新鮮、腐敗，等級量化為 3、 2、 1分[5]外觀權重見表2，專家評定結果見表3。

表1 菠菜外觀評定標準

表2 二元對比排序法確定的各外觀指標的權重

表3 室溫10 ℃條件下貯存1 d的菠菜葉片的專家評定結果

當以色澤判定表3所示的菠菜新鮮度時，有20位專家給出3分（新鮮），即色澤得3分的票數為20，其余類似。則該菠菜的模糊關系矩陣和外觀綜合評定結果為

將外觀綜合評定結果與分值向量相乘，最后可得出該樣本的外觀總得分，即最終評價得分￠值為:

1.2.2 綜合得分

6個因素：貯藏天數、外觀、含水率、葉綠素a、葉綠素b和胡蘿卜素構成了一個得分矩陣。并基于每個因素的標準差給該因素賦予權值w，計算出葉片的綜合得分，并根據得分將菠菜劃分新鮮、次新鮮和腐敗3個等級[9-11]

綜合考慮葉片存儲和得分情況(圖3)，將得分設置為3個區間：[0，0.36]為腐敗，[0.36，0.52]為次新鮮，[0.52，1]為新鮮。

圖3 10 ℃時1 024片葉子的綜合得分

1.3 光譜數據采集

為了獲得噪音小且清晰的圖像，將五鈴光學生產的高光譜儀（HSI-VNIR-00001）的像距和物距固定為17 mm、0.475 m，而光強設為200能夠更加清晰地獲取菠菜葉片表面的細節。為了配合相機的采集圖像的速度，載物臺移動速度2.5 mm/s。接著采用白板和黑暗環境對高光譜儀(圖4a)進行校正。圓葉菠菜高光譜圖像采集過程如下：1）每隔24 h選取30～50棵圓葉菠菜樣本，從每棵圓葉菠菜上摘取5片真葉；2）將來自同1棵圓葉菠菜的5片真葉平攤于載物臺上，啟動步進電機，在移動過程中掃描圓葉菠菜樣本（避光），拍攝結束后，載物臺自載物臺移動速度2.5 mm/s，最大程度地配合相機的采集速度動返回至起點；3）根據公式(7)計算出每幅高光譜圖像的反射率。每片菠菜葉片選出感興趣ROI區域(圖4b)，將ROI區域反射率的均值作為該菠菜葉片的反射率[12-18]。

式中R表示反射率，、分別表示樣本、白板和黑暗環境反射強度。

2 分組精英策略實現特征波長選擇

使用高光譜設備的波長范圍是[373 nm, 1 033 nm]，以0.5 nm為間隔一共是1 232個波長。因此必須優選出能夠進行菠菜新鮮度劃分的波長組合。傳統的遺傳算法（genetic algorithm）具有的收斂速度慢、易早熟等缺陷。因此將搜索空間進行分組，在局部區間內尋找最優值后，合并每組的尋優結果，這種方法能夠加速收斂[19-20]。

2.1 編碼

2.2 分組

2.2.1 自適應分組

為了尋找能夠區分菠菜新鮮度的波長，本次研究分析菠菜光譜反射率分布情況后，發現反射率隨著波長的變化呈現先聚攏后發散或者先發散再聚攏的特征。因此本文嘗試尋找反射率分布較為聚攏的拐角作為分界點進行劃分。具體做法是計算每個波長對應的最大反射率和最小反射率的差找出了差值最小對應的波長，依次為389.55、401.629、742.325、949.939、1 025.662 nm，這些點也就是在這些波長處的反射率的極小值。從理論上講差值越小，說明反射率緊湊，類內距離小，區分度弱。研究中結合精英策略以這些波長點為分界點進行分組，然后在每組中獨立進行遺傳操作，每代適應度值最高的波長為精英保留到下一代中，見圖5[23-24]。

圖5 自適應分組GGABE算法流程圖

2.2.2 人工分組

人工指定分組法就是根據經驗將整個解空間平均分為組，每組互不干擾地獨立進行編碼、選擇、交叉和遺傳操作。為了尋找較優且穩定的波長,采用多次進行人工分組，找出效果最好的波長組合。分組數∈[2，20]。

2.3 適應度函數

2.4 結合人工分組和自適應分組進行波長篩選試驗

首先使用自適應分組策略進行波長篩選，10次試驗后統計篩選出來的波長如圖6a所示。將出現次數最少的745.056 nm波長刪除，得到一個包含5個波長的集合,={389.55，401.629, 742.325, 949.939, 1 025.662 nm}。

人工分組進行波長篩選，將1 232個波長均勻劃分為組，∈[2，20]，統計每次分組后使用精英策略篩選出來的波長，結果如圖6b所示，將出現頻率最高的4個波長被定義為集合,={389.55,536.365, 742.325,1 025.662}。

圖6 分組策略篩選出的波長出現的頻數

計算∪，使用較成熟的分類工具箱libsvm對∪集合中的每個波長分別進行基于光譜特性界定菠菜的新鮮度識別試驗。訓練集和測試集各含240個菠菜樣本。進行了10次試驗，求取識別準確率的均值，結果如表4所示。分析表4可以發現389.55, 742.325, 1 025.662 nm對應的識別率最高，因此決定選擇這3個波長進行進一步研究。

表4 菠菜新鮮度分類準確率

3 基于深度學習的菠菜新鮮度檢測

3.1 構建圖像庫

前面已有的研究是基于菠菜的光譜特性界定菠菜的新鮮度。研究結果是389.55、742.325、1 025.662 nm 3個波長對應的反射率在進行菠菜新鮮度識別時準確率最高，可達到62.08%，60%和60.42%。很顯然還沒有達到實用的要求，因此繼續嘗試尋找基于菠菜圖像特征的等級判別方法。

從高光譜圖像集中抽取了3個波長對應的灰度圖像，構建img389、img742、img1025和img_merge（3個波長對應圖像融合）圖像數據庫（圖7）。對圖像數據庫中每幅圖像進行背景分割后，將每片葉片圖像歸一化為64×64大小的圖像（圖8），形成于識別樣本庫：NormImg389、NormImg742、NormImg1025和NormImg_merge。研究中以NormImg_merge作為樣本庫，隨機選擇80%的圖像樣本作為學習樣本集，另外20%的圖像樣本作為測試樣本集。

3.2 搭建深度學習網絡

深度學習通過模擬人的神經網絡結構實現特征學習,在處理信號時經過多層變換描述數據特征，從而得到數據的解釋[15]。CNN一般包括：輸入層、卷積層、池化層、全連接層、Dropout層和輸出層。研究中搭建的卷積神經網絡的基本結構：1個輸入層，4個卷積層和池化層組合，1個全連接層，2個Dropout層和1個輸出層（如圖9）[25-27]。

圖8 歸一化后的菠菜葉片的灰度圖像

3.3 網絡訓練及參數選擇

網絡的關鍵參數weight有多鐘初始化方式，研究中經過比較選擇了normal_initializer()函數，其參數stddev=0.1。將第3個卷積層的參數stddev=0.01，第4個卷積層的參數stddev=0.001。

圖9 深度學習網絡結構

Fig 9 Deep learning network structure

1)LearnRate

LearnRate越小學得越仔細，但速度慢；LearnRate越大學得越粗糙，但速度快，易造成欠擬合。本次研究首先在[0.000 1, 0.1]區間中先選擇了0.000 1、0.000 5、0.001、0.005、0.01、0.1 共6個學習率基于訓練集進行訓練，基于測試集進行識別。3次試驗的平均訓練時間和平均識別準確率結果如圖10a所示。分析圖10a可發現LearnRate=0.000 5時，識別準確率最高訓練時間最短。為了進一步搜尋到最佳學習率，將搜索空間縮小為[0.000 3, 0.000 8]，3次試驗的平均訓練時間和識別準確率如圖10b所示。分析圖10b可以發現LearnRate=0.000 6時，訓練時間最短，識別準確率最高[28-30]。

3.4 測試結果分析

從NormImg389、NormImg742、NormImg1025和NormImg_merg這4個圖像數據庫中隨機選擇80%的樣本構成訓練集1，2，3，4，剩下的20%構成測試集1,2,3,4。進行充分訓練后在測試集中進行識別，如圖11展示了某次在訓練集中的訓練情況和在測試集中的識別情況。

對比4個圖像庫的訓練情況，可發現準確率雖波動但總體程提高和收斂趨勢。最終訓練準確率均可達到100%；4個圖像庫的測試集最終所能達到的準確率并不相同，其中NormImg389和NormImg_merg的測試集最終達到的準確率較高，接近80%，其他2個圖像庫的測試集稍低。

本次研究基于每個圖像數據庫進行了3次訓練和測試，測試集的識別準確率如圖12a和圖12b所示。

分析圖12可以發現NormImg_merge最高，為80.99%，而NormImg389僅次于NormImg_merge，達到了79.69%。NormImg742和NormImg1 025的測試準確率較低。

圖10 搜尋最佳學習率的試驗結果

圖11 4個圖像數據庫某次的訓練和測試情況

Fig11 Training and testing in 4 image databases

圖12 基于深度學習技術的菠菜等級識別試驗結果

Fig 13 Result of spinach grade recognition test based on deep learning technology

4 結 論

1)由于菠菜高光譜數據量巨大，為避免在識別時出現維度災難，在計算出菠菜葉片ROI區域反射率的均值后，本次研究提出了基于分組和精英策略的遺傳算法篩選出能較好地區分菠菜新鮮度的波長6個波長，使用SVM分類器，基于6個波長對應的菠菜反射率，分別進行基于光譜特性界定菠菜的新鮮度分類試驗。找出10次試驗識別率均值最高的3個波長（389.55、742.325、 1 025.662 nm）。

2）從高光譜圖集中抽取了3個波長對應的菠菜圖像構成了圖像樣本庫,基于深度學習技術建立菠菜新鮮度識別模型，3次試驗的平均識別準確率分別為79.69%、68.75%、69.27%和80.99%。說明將389.55、742.325和1 025.665 nm對應的圖像進行融合后進行菠菜新鮮度識別效果最好。

3）葉綠素a、b、胡蘿卜素和水分等指標對菠菜新鮮度均有一定的影響，前3者的敏感波段分別為663、645、470 nm，水分的敏感波段為[973,1 662]，本次研究最終篩選的波段為389.55、742.325、1 025.662 nm，雖然沒有與敏感波段重合，但與敏感波段是相關的。其中1 025.662nm在水的敏感區間[973, 1 662]中；742.325 nm則距離葉綠素a，葉綠素b的敏感波段比較近；389.55 nm則距離胡蘿卜素的敏感波長較近。

[1] Jung Y J, Padmanabahn A, Hong J H, et al. Consumer freshness perception of spinach samples exposed to different storage conditions[J]. Postharvest Biology and Technology, 2012, 73: 115－121.

[2] 趙習姮，李哲. 采后蔬菜衰老與抗氧化酶活性的關系[J]. 生物技術，2010，20(6)：85－87． Zhao Xiheng, Li Zhe. Relationship between senescence and antioxidative enzymes activities of postharvest vegetables[J]. Biotechnology, 2010, 20(6): 85－87. (in Chinese with English Abstract)

[3] Zhang C, Wang Q, Fei F, et al. Rapid and non-destructive measur-ement of spinach pigments content during storage using hyperspectral imaging with chemometrics[J]. Measure-ment, 2017, 97: 149－155.

[4] Siripatrawan U, Makino Y, Kawagoe Y, et al. Rapid detection ofcontamination in packaged fresh spinach using hyperspectral imaging[J]. Talanta, 2011, 85(1): 276－281.

[5] Diezma B, Lleo L, Roger J M, et al. Examination of the quality of spinach leaves using hyperspectral imaging[J]. Postharvest Biology and Technology, 2013, 85: 8－17.

[6] 王巧男. 基于高光譜成像技術的蔬菜新鮮度快速檢測方法研究[D]. 杭州: 浙江大學2015．Wang Qiaonan.Rapid Detection Vegetable Freshness based on Hyperspectral Imaging Technology[D]. Hangzhou: Zhejiang University, 2015. (in Chinese with English Abstract)

[7] 朱軍偉. 菠菜低溫保鮮關鍵技術的研究[D]. 上海：上海海洋大學，2013. Zhu Junwei. Research on Key Technologies of Low Temperature Preservation of Spinach[D]. Shanghai: Shanghai Ocean University, 2013. (in Chinese with English Abstract)

[8] 徐海霞. 基于機器視覺和電子鼻技術的菠菜新鮮度無損檢測研究[D]. 鎮江：江蘇大學，2016． Xu Haixia.Study on Nondestructive Detection of Freshness of Post-harvest Spinach Based on Machine Vision and Electronic Nose[D]. Zhenjiang: Jiangsu University, 2016. (in Chinese with English Abstract)

[9] 王浩云,李亦白,張煜卓,等. 基于光子傳輸模擬的蘋果品質高光譜檢測源探位置研究[J]. 農業工程學報, 2019, 35(4): 281－289 Wang Haoyun, Li Yibai, Zhang Yuzhuo, et al. Research on hyperspectral light and probe source location on apple for quality detection based on photon transmission simulation[J]. Transactions of the Chinese Society of Agricultural Engin-eering (Transactions of the CSAE), 2019, 35(4): 281－289

[10] Ye X J, Lino K, Zhang S. Monitoring of bacterial contamination on chicken meat surface using a novel narrowband spectral index derived from hyperspectral imagery data[J]. Meat Science, 2016, 122: 25－31.

[11] Kim C, Govindarajan K N. Optical scattering in beef steak to predict tenderness using hyperspectral imaging in the VIS-NIR region[J]. Sensing and Instrumentation for Food Quality and Safety, 2008, 2(3): 189－196

[12] 譚亮. 基于內容的中草藥圖像檢索關鍵技術研究[D]. 杭州：浙江大學，2016 Tan Liang. Key Technology Research of Content-based Chinese Herbal Medicine Image Search[J]. Hangzhou: Zhejiang University, 2016. (in Chinese with English Abstract)

[13] 吳迪，寧紀鋒，劉旭, 等. 基于高光譜成像技術和連續投影算法檢測葡萄果皮花色苷含量[J]. 食品科學，2014(8)：57－61 Wu Di, Ning Jifeng, Liu Xu, et al. Determination of anthocyanin content in grape skin using hyperspectral imaging technique and successive projections algorithm[J]. Food Science, 2014(8): 57－61. (in Chinese with English Abstract)

[14] 祝志慧，劉婷，馬美湖. 基于高光譜信息融合和相關向量機的種蛋無損檢測[J]. 農業工程學報，2015，31(15)：285－292 Zhu Zhihui, Liu Ting, Ma Meihu. Hatching eggs nondestructive detection based on hyperspectral-imaging information and RVM[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(15): 285－292. (in Chinese with English Abstract)

[15] 潘磊慶，張偉，于敏莉, 等. 基于高光譜圖像的雞種蛋孵化早期胚胎性別鑒定[J]. 農業工程學報，2016，32(1)：181－186． Pan Leiqing, Zhang Wei, Yu Minli, et al. Gender determination of early chicken hatching eggs embryos by hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016 , 32 (1): 181－186. (in Chinese with English Abstract)

[16] 尚任，黑保琴，李盛陽, 等. 長時序高光譜圖像清晰度影響因素分析[J]. 中國圖象圖形學報，2016，21(5)：665－673． Shang Ren, Hei Baoqin, Li Shengyang, et al. Analysis of factors influencing clarity of hyper spectral images in long time series[J]. Journal of Image and Graphics, 2016, 21(5): 665－673.

[17] 方帥，瞿成佳，楊學志, 等. 組合因子最優的線性預測波段選擇[J]. 中國圖象圖形學報，2016，21(2)：255－262． Fang Shuai, Qu Chengjia, Yan Xuezhi, et al. Linear prediction band selection based on optimal combination factors[J]. Journal of Image and Graphics, 2016, 21(2): 255－262. (in Chinese with English Abstract)

[18] 石慧. 基于高光譜成像技術的對蝦品質信息快速檢測方法研究[D]. 杭州：浙江大學，2013. Shi Hui. Research on Rapid and Non-invasive Determination for Quality of Fenneropenaeus Chinensis Based on Hyperspectral Imaging Technology[D]. Hangzhou: Zhejiang University, 2013. (in Chinese with English Abstract)

[19] 王峰，曼媛，段俊潔. 一種改進的求解前N條最短路徑問題的多種標號算法[J]. 小型微型計算機系統. 2016，37(7)：1482－1487. Wang Feng, Man Yuan, Duan Junjie. Improved multiple labels algorithm for solving the N-shortest paths problem[J]. Journal of Chinese Computer Systems. 2016, 37(7): 1482－1487. (in Chinese with English Abstract)

[20] 岳欽，馮珊. 粗粒度并行遺傳算法的計算性能分析[J]. 武漢理工大學學報，2008，30(7)：107－110 Yue Qin, Feng Shan. The Statistical Analyses for Computational Performance of the Genetic Algorithms[J]. Chinese Journal of Computers 2008, 30(7): 107－110. (in Chinese with English Abstract)

[21] Tsai C, Huang H, Chan C. Parallel elite genetic algorithm and its application to global path planning for autonomous robot navigation[J]. IEEE Transactions on Industrial Electronics, 2011, 58(10): 4813－4821

[22] 羅熊，樊曉平，易晟，等. 具有大量不規則障礙物的環境下機器人路徑規劃的一種新型遺傳算法[J]. 機器人，2004，26(1)：11－16 Luo Xiong, Fan Xiaoping, Yi Sheng, et al. A novel genetic algorithm for robot path planning in environment containing large numbers of irregular obstacles[J]. Robot, 2004, 26(1): 11－16. (in Chinese with English Abstract)

[23] 莊嘉祥. 精英策略遺傳算法改進及在作物模型參數優化的應用[D]. 南京：南京農業大學, 2013 Zhuang Jiaxiang. Improved Genetic Algorithm Based on Elitist Strategy and its Application in Parameter Optimization of Crop Models[D]. Nanjing: Nanjing Agricultural Univer-sity, 2013. (in Chinese with English Abstract)

[24] 謝忠紅，王培，顧寶興，等. 基于分組和精英策略的遺傳算法在機器人導航上的應用[J]. 華南農業大學學報，2017，38(5)：110－116 Xie Zhonghong, Wang Pei, Gu Baoxing, et al. Application of genetic algorithm based on group and elite strategy for robot navigation[J]. Jounal of South China Agricultural University, 2017，38(5): 110－116. (in Chinese with English Abstract)

[25] 尹寶才，王文通，王立春. 深度學習研究綜述[J]. 北京工業大學學報，2015，41(1)：48－49. Yin Baocai, Wang Wentong, Wang Lichun. Review of deep learning[J]. Jounal of Beijing university of technology, 2015，419(1): 48－49. (in Chinese with English Abstract)

[26] Zeiler M D, Fergus R. Visualizing and understanding convolutional networks[C]// European Conference on Computer Vision. Springer, Cham, 2014: 818－833.

[27] 姜新猛. 基于Tensorflow的卷積神經網絡的應用研究[D].武漢：華中師范大學，2017. Jiang Xinmeng. Application and Research of Convolution Neural Network Based on Tensorflow[D]. Wuhan: Central China Normal University, 2017. (in Chinese with English Abstract)

[28] 蔣文斌，彭晶，葉閣焰. 深度學習紫石英學習率算法研究[J]. 華中科技大學學報，2019，47(5)：79－83. Jiang Wenbin, Peng Jing, Ye Geyan. Research on adaptive learning rate algorithm in deep learning[J]. Journal of Huazhong University of Science and Technology, 2019, 47(5): 79－83. (in Chinese with English Abstract)

[29] 王獻鋒，張傳雷，張善文，等. 基于自適應判別深度置信網絡的棉花病蟲害預測[J]. 農業工程學報，2018，34(14)：157－163. Wang Xianfeng, Zhang Chuanlei, Zhang Shanwen, et al .Forecasting of cotton diseases and pests based on adaptive discriminant deep belief network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 157－164. (in Chinese with English Abstract)

[30] 孫鈺，周焱，袁明帥，等. 基于深度學習的森林蟲害無人機實時監測方法[J]. 農業工程學報，2018，34(21)：74－79. Sun Yu, Zhou Yan, Yuan Mingshuai, et al. UAV real-time monitoring for forest pest based on deep learning[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(21): 74－81. (in Chinese with English Abstract)

Spinach freshness detection based on hyperspectral image and deep learning method

Xie Zhonghong, Xu Huanliang※, Huang Qiugui, Wang Pei

(,210095,)

Aiming at the problem that the traditional machine vision has low discrimination accuracy when realizing the fresh level recognition of spinach, A new method for fresh grade recognition of spinach based on hyperspectral and deep learning was conducted in this study. Round leaf spinach stored in room temperature 10oC on a daily basis was regarded as research objects. The spinach was divided into three grades of fresh, relatively fresh and corruption according to the score calculated by considering 6 factors: fresh spinach days of storage, appearance, water content, chlorophyll a, chlorophyll b, and carotenoids. After 6 ROI areas was obtained from the hyperspectral image of spinach leaves shot with high spectrum imaging instrument, the mean reflectance of ROI region was calculated. Based on the grouping elite strategy genetic algorithm, an adaptive grouping strategy was used to screen out a set of wavelengths A, A={389.55 nm, 401.629 nm, 742.325 nm, 949.939 nm, 1 025.662 nm}. Then the artificial grouping strategy was also used for wavelength screening. The number of statistical groups was the wavelength selected by n = 1, 2, 3...n, and the four frequencies with the highest frequency were placed in the set B, B={389.55 nm, 536.365 nm, 742.325 nm, 1 025.662 nm }. The six wavelengths in the A∪B set were combined as the final selected wavelengths, and these wavelengths were better able to identify the fresh grade of spinach. Define training set R and test set T, R and T each containing 240 spinach samples. Using the SVM classifier, based on the spine reflectance corresponding to the six wavelengths, a fresh grade classification test based on the spectral characteristics to define spinach was separately performed. After 10 trials, the mean value of recognition accuracy was obtained, and the three wavelengths with the highest recognition rate were found, which were 389.55, 742.325 and 1 025.662 nm, respectively. The corresponding recognition rates were 62.08%, 60.00% and 60.42%, respectively. This indicated that the recognition rate of spinach fresh grade was low based on spectral characteristics. In addition to the spectral properties, spinach's hyperspectral image also contains rich image information corresponding to all wavelengths, so further spine fresh grade recognition based on image features can be performed. The spinach images corresponding to the three wavelengths extracted from the hyperspectral image set constituted an image sample library. Based on the deep learning technology, the spine fresh grade recognition model was established. The recognition experiments were carried out on four types of images (NormImg389、NormImg742、NormImg1 025和NormImg_merge) in the image sample library. The average recognition accuracy of the three experiments was 79.69%, 68.75%, 69.27% and 80.99%. The NormImg389 and NormImg_merge test sets had higher recognition rates, which were close to 80%. The image recognition rate of spinach in NormImg_merge was up to 80.99%, which indicated that when the spinach fresh level recognition was performed, the images corresponding to the three wavelengths were merged. Identifying can get the best classification results. This study achieved the non-destructive testing of the fresh grade of round leaf spinach, and the research results provided quality assurance for industrial processing and marketing, which has practical and theoretical significance.

hyperspectral; wavelength; algorithm; grouped elite genetic screening; deep learning; freshness

10.11975/j.issn.1002-6819.2019.13.033

TP242

A

1002-6819(2019)-13-0277-08

2019-03-01

2019-05-28

中央高校基本業務費(KYZ201670); 國家自然科學基金(31601545)

謝忠紅，博士，副教授，研究方向為農業機器視覺，農業信息技術。Email：xiezh@njau.edu.cn

徐煥良，教授，博士生導師，研究方向為聯網技術及應用、數據庫與知識工程、軟件工程、計算機輔助農業系統。Email：huanliangxu@njau.edu.cn

謝忠紅，徐煥良，黃秋桂，王 培.基于高光譜圖像和深度學習的菠菜新鮮度檢測[J]. 農業工程學報，2019，35(13)：277－284. doi：10.11975/j.issn.1002-6819.2019.13.033 http://www.tcsae.org

Xie Zhonghong, Xu Huanliang, Huang Qiugui, Wang Pei.Spinach freshness detection based on hyperspectral image and deep learning method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(13): 277－284. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.13.033 http://www.tcsae.org