基于光譜特性分析的冬棗漸變損傷研究

吳姝 王琨 王超

摘要 為了較早地對冬棗損傷進行預測，減少冬棗內部損傷引起的儲藏損失，以山東沾化冬棗為研究對象，對冬棗內部隱性損傷直至表面微觀損傷的漸變光譜特性進行研究，利用高光譜成像系統采集每個冬棗在同一試驗條件下的各個損傷時期的高光譜圖像，得到波長在390～1 090 nm的512幅高光譜分量圖像，從表面微觀損傷的感興趣區域反推內部隱性損傷的感興趣區域，并獲取各個損傷時期的光譜信息，通過3組差譜分析并交叉驗證，確定變化較大的8個波長，再根據冬棗內部的主要成分變化確定4個波長，最終選取528.5、5474、573.9、702.7、727.2、755.7、880.2、942.6、982.7、518.5、863.0、973.4 nm 12個波長作為冬棗漸變損傷的特征波長。利用偏最小二乘分析方法建立判別模型，并對預測集的83個樣本（無損傷27、第1階段損傷12、第2階段損傷12、第3階段損傷12、第4階段損傷10、第5階段損傷10）進行預測，檢測精度依次為100%、58.3%、66.7%、83.3%、100%、100%，總體檢測精度為86.7%。

關鍵詞 冬棗;漸變損傷;光譜特性;特征波長;偏最小二乘法

中圖分類號 TP391.4文獻標識碼 A文章編號 0517-6611（2020）24-0191-04

doi：10.3969/j.issn.0517-6611.2020.24.054

開放科學（資源服務）標識碼（OSID）：

Study on the Development of Bruises on Winter Jujube Based on Spectrum Characteristics Analysis

WU Shu， WANG Kun， WANG Chao

（School of Mechanical & Electric Technology， Suzhou Institute of Trade & Commerce， Suzhou， Jiangsu 215009）

Abstract In order to predict the damage of winter jujube earlier and reduce the storage loss， Shandong Zhanhua winter jujube were taken as the research object to study the gradual spectral characteristics of the hidden damage from winter jujube to the microscopic damage on the surface. Hyperspectral images of each period of each jujube under the same test conditions at various damage periods were collected to obtain 512 hyperspectral component images with wavelengths in the range of 390-1 090 nm， and internal hidden damage was inferred from the surface microdamage area of interest and the spectral information of each injury period were obtained. Through three sets of differential spectrum analysis and crossvalidation， 8 wavelengths with large changes were determined， and then 4 wavelengths were determined according to the main component changes in winter jujube. Finally， 528.5， 547.4， 573.9， 702.7， 727.2， 755.7， 880.2， 942.6， 982.7， 518.5， 863.0， 973.4 nm 12 wavelengths were selected as the characteristic wavelength of the gradual damage of winter jujube. A partial least squares analysis method was used to establish a discriminant model， and 83 samples of the prediction set （no damage 27， first stage damage 12， second stage damage 12， third stage damage 12， fourth stage damage 10， fifth Stage damage 10） for prediction， the detection accuracy was 100%， 583%， 66.7%， 83.3%， 100%， 100%， and the overall detection accuracy was 86.7%.

Key words Winter jujube;Gradual damage;Spectrum characteristics;Characteristic wavelength;Partial least squares method

冬棗在采摘和運輸過程中極易造成各類損傷，其中的碰壓傷、撞傷在受傷初期，冬棗表面無法顯現出這類隱性損傷。這類損傷在人工或機器視覺分選時很難被發現，入庫儲藏后，隱性損傷逐步變化，冬棗很快出現潰爛，嚴重影響了冬棗的儲藏期和儲藏效益。

高光譜成像分析技術，可在一系列波長上獲取被測對象大量的窄帶光譜圖像[1-5]，從高光譜圖像上獲取相應的光譜信息，通過光譜分析，可對被測物的內部成分進行綜合的定性和定量分析[6-7]。

Wang等[8]采集400～720 nm 的鮮棗高光譜圖像，運用逐步判別分析方法確定鮮棗缺陷的3個特征波長，利用少數敏感波段建立鮮棗缺陷的判別模型;總體分類精度達到97%。Cho等[9]利用高光譜熒光成像技術對櫻桃番茄的表皮損傷進行檢測，基于方差分析和主成分分析優化熒光波段，最終實現櫻桃番茄的損傷檢測，檢測精度>99%。Nanyam等[10]采集400～2 500 nm的草莓高光譜圖像信息，利用決策融合方法對草莓的損傷區域進行檢測，結果表明該方法能有效識別草莓的損傷區域與非損傷區域。王斌等[11]利用高光譜成像技術對腐爛、病害及正常的梨棗進行分類，使用光譜近似系數為特征參數，運用逐步判別分析法進行建模，分類準確率達99.12%。余克強等[12]采集了380～1 030 nm的鮮棗裂紋位置及大小，分別采用3種方法進行特征波長的提取，結合圖像處理方法對裂紋進行識別，同時采用3種方法對特征波長進行建模并比較結果。

以上方法驗證了高光譜技術在水果損傷檢測方面的可行性，但現有方法僅是對水果表面已經顯現出的損傷、裂紋等微觀損傷進行檢測，并未對水果的內部損傷進行研究，無法提早預測水果內部損傷;且水果損傷在不同發展階段有不同的光譜特性，上述方法并未完全考慮各個發展階段下水果損傷的特征波長。筆者擬以冬棗為研究對象，對冬棗損傷漸變過程的光譜特性進行研究。

1 材料與方法

1.1 樣本處理與試驗設置

試驗樣本選用從市場上購買的無明顯缺陷的山東冬棗，通過顯微鏡對冬棗進行人工篩選，確認無缺陷的作為冬棗樣本，將篩選出的一部分冬棗與光滑的硬質地面輕輕碰撞，使其表面無任何明顯損傷，但對其內部已經造成輕微的損傷，該類樣本作為冬棗的隱性損傷樣本。對每一個冬棗樣本進行編號并標注日期，如圖1所示。

該研究所采用的高光譜圖像采集系統的組成在已有文獻[13]中提出。基于該高光譜圖像采集系統，獲得波長在390～1 090 nm的512幅冬棗的高光譜圖像。

通過Spectral-Cube V2.75軟件進行高光譜圖像采集的方法和試驗標定方法在已有文獻[13]中給出，根據實時的試驗條件，最終確定高光譜圖像采集的試驗參數：

物距25 cm;

相機曝光時間10 ms;

平臺移動速度2 mm/s。

確定以上試驗參數后，按照樣本編號順序進行高光譜圖像采集，完成采集的冬棗樣本放回保鮮袋，送回冰箱儲藏。每間隔2 d對冬棗樣本進行一次圖像采集，且樣本的放置位置、采集參數、光源強度都與之前的保持一樣，直至冬棗樣本表面顯現損傷即停止圖像采集。在采集過程中，可根據采集的圖像質量進行重新標定。

1.2 數據分析與預處理

1.2.1 冬棗損傷區域的確定。

如圖2所示為同一個冬棗在同一位置、同一采集參數條件下，每間隔2 d采集的高光譜冬棗損傷圖像，共采集5次（記為階段1、階段2、階段3、階段4、階段5）。圖2a～e依次為冬棗初期損傷直至輕微損傷的5次采集的高光譜圖像。由圖2a、b可知，前2次采集的冬棗圖像表面并未顯現出任何損傷，圖2c、d采集的冬棗圖像表面已經顯現出輕微損傷，但損傷區域較不明顯，圖2e的冬棗圖像表面顯現出較明顯的損傷;從采集的冬棗圖像比較可知，前4次采集的冬棗圖像上無法顯現出損傷或損傷區域不明顯，無法完全分辨出其損傷特征，故不能準確判定該冬棗損傷部位的感興趣區域，因此也無法準確地獲取其光譜信息。所以該研究采取損傷表面反推方法對冬棗損傷區域進行界定。

首先對圖2e的冬棗圖像進行損傷感興趣區域的劃分，并在圖中用紅色圈表示，確定其損傷區域后，將同樣大小的紅色圈分別在前幾次采集的冬棗圖像上進行同位置的劃分感興趣區域，即冬棗各個階段的損傷感興趣區域均被確定，如圖2所示。

1.2.2 冬棗損傷光譜信息獲取及預處理。

根據圖2確定的各個損傷區域，分別計算各個感興趣區域（ROI）的平均灰度值，得到各個損傷階段的冬棗光譜信息，5條光譜曲線如圖3所示，波長為390～1 090 nm。

觀察計算得出的光譜曲線，光譜曲線前后兩端的噪聲較大，并且5條曲線的光滑度不夠，給數據分析造成較大的困難。因此，剔除前后兩端噪聲數據，并且采用周期為10的移動平均法對該原始光譜數據進行預處理，移動平均值公式為an=an+an+1+…+an+910（周期為10），結果如圖4所示。

2 結果與分析

2.1 特征波長分析

對原始數據進行噪聲剔除和平滑處理后，依然包含較大的數據量，其中非有效特征波長對識別和分類都造成了一定的困難，為了精簡數據量，提高分類識別精度，首先將對預處理后的數據進行特征波長的分析。

冬棗微觀損傷特征波長提取方法已有文獻[13]提出，但不適用于該研究所述的漸變損傷特征波長的研究，若按照前文獻中所述的特征波長提取方法進行特征波長的篩選，無法完全考慮各個損傷時期內敏感波長變化這一因素。所以，該研究針對漸變損傷這一特定因素，提出相應的特征波長分析方法。

差譜分析是一種簡單有效的光譜數據處理方法，從差譜的波峰處能有效尋找到光譜的差異性（變化較大的特征波長點），即光譜數據的局部最大值。該方法完全適合該研究漸變損傷光譜數據的分析，能有效從各個損傷階段的光譜數據中確定冬棗漸變損傷的特征波長點。

對5次測量的光譜數據分別進行差譜分析，將差譜曲線分成3組，第1組為第1階段與后4個階段之間的差譜，記為1-2、1-3、1-4、1-5;第2組為第2階段與后3個階段之間的差譜，記為2-3、2-4、2-5，;第3組為第3階段與后2個階段、第4階段與第5階段的差譜，記為3-4、3-5、4-5。

（1）第1組差譜分析。

如圖5所示為第1組差譜曲線，l差1=|l1-l2|、l差2=|l1-l3|、l差3=|l1-l4|、l差4=|l1-l5|。圖中的波峰附近為變化較大的波長點，根據4條差譜曲線的分析，最終確定變化較大的20個波長點，在圖5中由紅色虛線標出，分別為487.3、518.5、528.5、537.3、547.4、562.5、573.9、702.7、727.2、730.5、755.7、777.8、794.8、813.1、863.0、8802、906.7、942.6、973.4、982.7 nm。

（2）第2組差譜分析。

如圖6所示為第2組差譜曲線，l差1=|l2-l3|、l差2=|l2-l4|、l差3=|l2-l5|。基于第1組差譜分析方法對第2組差譜進行分析，在圖6中用黑色豎線標出在第2組差譜中變化較大的7個波長點，分別為547.4、566.3、573.9、702.7、727.2、755.7、759.6 nm。

（3）第3組差譜分析。

如圖7所示為第3組差譜曲線，l差1=|l3-l4|、l差2=|l3-l5|、l差3=|l4-l5|。方法同第1組差譜分析，在圖7中用黑色豎線標出在第3組差譜中變化較大的11個波長點，分別為501.0、528.5、547.4、573.9、585.2、702.7、727.2、865.7、880.2、901.4、942.6 nm。

（4）3組差譜結果交叉驗證。

將3組差譜分析的結果進行交叉驗證，綜合篩選后，剔除只在其中一組中發生較大變化的波長點。表1 為所選出的所有波長點在3組中交叉驗證的結果。由表1可知，最終選取8個變化較大的敏感波長，分別為528.5、547.4、702.7、727.2、573.9、942.6、880.2、755.7 nm。

在冬棗損傷的漸變過程中，其內部主要成分同樣發生改變，一般水果的品質參數主要包括糖度、酸度、蛋白質、水分和葉綠素[14]。波長981、520 nm附近的波峰反映了水果內部糖度的變化[15];862 nm附近的波峰反映了水果內部酸度的變化[16];970 nm處的波峰反映了水果內部含水率的變化[17]，即確定冬棗內部成分變化的敏感波長分別為：

糖度982.7、518.5 nm;

酸度863.0 nm;

水分973.4 nm。

2.2 建立模型

結合分析得到的12個特征波長518.5、528.5、547.4、573.9、702.7、727.2、755.7、863.0、880.2、9426、973.4、982.7 nm，利用偏最小二乘分析方法建立冬棗損傷的判別模型。設定分類變量：0代表無損傷冬棗，1代表損傷冬棗。建模結果如圖8所示。由圖8可知，模型決定系數R2為0.99，均方根誤差為0.012。

圖9為該模型系數，結合模型系數，給出偏最小二乘回歸方程為y=-0.459+5.261×10-4x1+2.495×10-5x2-3.676×10-4x3-7.653×10-4x4+1.355×10-3x5-3.011×10-4x6-3.639×10-4x7+3.282×10-4x8-1.964×10-4x9+3.902×10-4x10+9.186×10-5x11-3.612×10-4x12。

式中，x1、x2、x3、x4、x5、x6、x7、x8、x9、x10、x11、x12分別為波長518.5、528.5、547.4、573.9、702.7、727.2、755.7、863.0、880.2、942.6、973.4、982.7 nm處的反射值。

運用該判別模型對未參與建模的預測集進行分析，其結果如圖10所示。各個損傷階段的分類結果如表2所示。從圖10可以看出，無損傷冬棗的判別效果較好，根據所建模型，無損傷冬棗的y判別值均在0附近，而損傷冬棗則出現一些偏差，并未均集中在1附近。再結合表2可知，當冬棗的損傷并未顯現時，檢測效果較差，說明此模型能針對冬棗的隱形損傷進行檢測，但是效果還有待提高，判別模型也有待修正。

3 結論

利用高光譜分析技術對冬棗漸變損傷的光譜特性進行研究，并結合偏最小二乘分析方法對冬棗樣本進行分類，結論如下：

（1）基于差譜分析和內部成分變化，確定了冬棗漸變損傷的12個特征波長，分別為518.5、528.5、547.4、573.9、7027、727.2、755.7、863.0、880.2、942.6、973.4、982.7 nm。

（2）根據12個特征波長，結合偏最小二乘分析方法建立冬棗損傷的判別模型，并對預測集進行預測，其各個損傷階段的分類精度依次為58.3%、66.7%、83.3%、100%、100%。

參考文獻

[1] LEEMANS V，DESTAIN M F.A realtime grading method of apples based on features extracted from defects [J].Journal of food engineering，2004，61（1）：83-89.

[2] NICOLA B M，BEULLENS K，BOBELYN E，et al.Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy：A review [J].Postharvest biology and technology，2007，46（2）：99-118.

[3] LIU Y D，YING Y B.Use of FTNIR spectrometry in non-invasive measurements of internal quality of ‘Fuji apples [J].Postharvest Biol Technol，2005，37（1）：65-71.

[4] YING Y B，LIU Y D.Nondestructive measurement of internal quality in pear using genetic algorithms and FTNIR spectroscopy[J].Journal of food engineering，2008，84（2）：206-213.

[5] SHAO Y N，HE Y，GMEZ A H，et al.Visible/near infrared spectrometric technique for nondestructive assessment of tomato ‘Heatwave（Lycopersicum esculentum）quality characteristics[J].Journal of food engineering，2007，81（4）：672-678.

[6] LONG R L，WALSH K B.Limitations to the measurement of intact melon total soluble solids using near infrared spectroscopy [J].Aust J Agric Res，2006，57（4）：403-410.

[7] GOWEN A A，ODONNELL C P，CULLEN P J，et al.Hyperspectral imagingan emerging process analytical tool for food quality and safety control [J].Trends in food science & technology，2007，18（12）：590-598.

[8] WANG J，NAKANO K，OHASHI S，et al.Detection of external insect infestations in jujube fruit using hyperspectral reflectance imaging[J].Biosystems engineering，2011，108（4）：345-351.

[9] CHO B K，KIM M S，BAEK I S，et al.Detection of cuticle defects on cherry tomatoes using hyperspectral fluorescence imagery[J].Postharvest biology and technology，2013，76：40-49.

[10] NANYAM Y，CHOUDHARY R，GUPTA L，et al.A decisionfusion strategy for fruit quality inspection using hyperspectral imaging[J].Biosystems engineering，2012，111（1）：118-125.

[11] 王斌，薛建新，張淑娟.基于高光譜成像技術的腐爛、病害梨棗檢測[J].農業機械學報，2013，44（S1）：205-209.

[12] 余克強，趙艷茹，李曉麗，等.基于高光譜成像技術的鮮棗裂紋的識別研究[J].光譜學與光譜分析，2014，34（2）：532-537.

[13] 魏新華，吳姝，范曉冬，等.基于高光譜成像分析的冬棗微觀損傷識別[J].農業機械學報，2015，46（3）：242-246.

[14] 李民贊.光譜分析技術及其應用[M].北京：科學出版社，2006.

[15] 劉燕德，應義斌，傅霞萍.近紅外漫反射用于檢測蘋果糖度及有效酸度的研究[J].光譜學與光譜分析，2005，25（11）：1793-1796.

[16] 劉燕德.水果糖度和酸度的近紅外光譜無損檢測研究[D].杭州：浙江大學，2006.

[17] 浦瑞良，宮鵬.高光譜遙感及其應用[M].北京：高等教育出版社，2000.