基于高光譜成像技術的核桃黑斑識別研究

李成吉，張淑娟，任 銳，廉孟茹，池江濤，穆炳宇，孫雙雙

（山西農業大學工學院，山西晉中 030801）

核桃是世界四大堅果之一，含有豐富的優質脂肪、蛋白質、碳水化合物，以及磷、鈣、鐵、鉀等礦物元素和維B、維C、維E等，是重要的木本糧油產品，被認為是天然營養補品[1]。由于環境因素和人為因素的影響，核桃在生長、采摘、運輸及貯藏過程中容易產生缺陷[2]。根據標準GB/T 20398—2006《核桃堅果質量等級》，核桃的外部出現黑斑是缺陷的主要特征之一[3]，這不僅會影響外觀品質，還會因吸濕產生霉變。因此需要一種快速、準確識別核桃黑斑的方法。

高光譜成像技術具有分辨率高、多波段、圖譜合一等優點，廣泛應用于農產品無損檢測研究中。程帆等人[4]使用高光譜技術對病害早期脅迫下黃瓜葉片中過氧化物酶活性進行研究，結果表明RF-PLSR模型具有最佳預測效果，預測集相關系數為0.816，均方根誤差為11.235。曹曉峰等人[5]基于高光譜技術結合特征波長和光譜指數對冬棗成熟度進行可視化判別，結果表明根據SPA和CARS選擇的特征波長和引入SIs建立的PLS-DA模型判別精度分別為97.27%，95.45%，98.18%。何嘉琳等人[6]利用高光譜成像技術對靈武長棗維C含量的無損檢測方法進行研究，結果表明基于CARS建立的PLS模型效果最優。

試驗以正常核桃和黑斑核桃為研究對象，利用高光譜成像系統采集樣本光譜和圖像信息，從光譜和圖像2個方面對核桃黑斑缺陷進行識別，為黑斑核桃在線檢測提供理論依據。

1 材料和方法

1.1 試驗材料

試驗樣本為山西汾陽“禮品2號”核桃，人工挑選質地均勻的正常核桃和黑斑核桃各80個，利用Kennard-Stone算法[7]將樣本按3∶1分為校正集和預測集，其中校正集各60個，預測集各20個。

1.2 儀器設備

試驗采用北京卓立公司開發的“蓋亞”高光譜分選儀對樣本進行光譜圖像信息采集，儀器主要由光譜相機、4個35W溴鎢燈、移動平臺、暗箱、計算機組成，采集波長范圍為900～1 700 nm。采集信息前需調節曝光時間和平臺移動速度，防止因信息過度飽和而出現失真現象。經過試驗，設置曝光時間為20 ms，平臺移動速度為1.5 cm/s，樣本與鏡頭距離為22 cm。

1.3 區域生長算法

區域生長算法（Region grow）[8]是一種串行區域分割的圖像分割方法，其基本思想是將具有相似性質的像素集合起來構成區域。根據同一物體區域內像素的相似性質來聚集像素點，從初始區域開始，將相鄰的具有同樣性質的像素或其他區域歸并到目前的區域中，從而逐步增長區域，直至沒有可以歸并的點或其他小區域為止。

2 基于光譜信息的核桃黑斑判別分析

2.1 平均光譜曲線提取

使用ENVI提取感興趣區域功能，分別提取正常核桃外殼和黑斑核桃黑斑區域的光譜信息，然后求取平均光譜。

不同區域平均光譜圖見圖1。

由圖1可知，正常核桃和黑斑核桃平均光譜曲線有很大差別。在1 400 nm之前，正常核桃反射率大于黑斑核桃，在1 400 nm之后，正常核桃反射率低于黑斑核桃，這有利于后續判別模型的建立。

2.2 光譜數據主成分分析

主成分分析（Principalcomponentanalysis，PCA）[9]是一種去除波段之間多余信息、將多波段信息壓縮到比原波段更有效的少數幾個轉換波段的方法。該方法不但可以避免信息間的互相重疊，而且通過數據簡化，提取最具代表性的變量子集，且變量之間互不相關。

前6個主成分的累計貢獻率見表1。

表1 前6個主成分的累計貢獻率

由表1可知，前5個主成分的累計貢獻率已達99.90%，因此選用前5個主成分信息進行后續研究。

2.3 PLS判別模型建立

偏最小二乘回歸法（PLS）[10]是一種線性回歸模型，其核心思想是把觀測到的數據分成多個部分，每部分數據進行不同權重的線性組合后可用來表示該區域的相應值。

根據提取的前5個主成分信息，建立PLS判別模型。樣本分別賦值作為判別依據，將正常核桃賦值為1，黑斑核桃賦值為2，以0.5為最大偏離值。

PLS模型預測結果見圖2。

由圖2可知，正常核桃和黑斑核桃的識別率均為100%，說明基于光譜信息可以實現對黑斑核桃的檢測。

3 基于圖像信息的核桃黑斑識別

3.1 主成分圖像提取

由于光譜信息的前5個主成分累計貢獻率較高，提取黑斑核桃樣本前5個主成分圖像。

黑斑核桃5個主成分圖見圖3。

由圖3可知，PC-1圖樣本和背景相差最明顯，PC-2圖樣本黑斑區域被凸顯出來，而PC-3～PC-4圖噪聲較大，難以處理。

3.2 識別過程

黑斑識別關鍵步驟見圖4。

首先對PC-1圖進行掩膜（Mask）處理，然后運用“Canny”算子分割出樣本邊緣，再對邊緣進行填充，最后對圖像進行取反，生成模板圖像；對PC-2圖采用區域生長算法（Region grow） 提取黑斑區域圖；最后將模板圖像與黑斑區域圖進行合并。

按照上述方法，對黑斑核桃進行圖像識別，均取得較好效果，列舉10個黑斑樣本識別效果圖。

識別效果圖見圖5。

4 結語

基于高光譜成像技術從光譜和圖像2個角度對黑斑核桃進行判別和識別。采用PCA對光譜數據進行壓縮，提取前5個主成分，建立PLS判別模型，模型對正常和黑斑核桃判別率均為100%。提取前5個主成分圖像，分別對第1個主成分圖像和第2個主成分圖像進行掩膜、“Canny”算子、圖像填充、區域生長算法（Region grow） 提取模板圖像和黑斑區域，以實現對黑斑的識別。結果表明，基于高光譜成像技術可以實現對黑斑核桃的檢測識別，為開發黑斑核桃在線檢測設備提供理論依據。