基于暗室系統特征灰度系列蘋果糖度預測

馬晟童 黎俊汶 歐陽浩藝 譚穗妍 楊初平

(華南農業大學電子工程學院〔人工智能學院〕，廣東 廣州 510642)

水果糖度的無損測量近年來已成為中國農業生產中的重要技術之一、是保證商品質量的重要舉措?；诳梢姽狻t外光譜分析技術的糖度快速無損檢測近年來被廣泛應用于蘋果[1-5]、獼猴桃[6]、哈密瓜[7]、水蜜桃[8]、柑橘[9]、紅提[10]等多種水果中。喬鑫等[1]設計了手機聯用的基于可見—近紅外光譜技術的多特征波長的蘋果糖度便攜式檢測裝置，預測相關系數可達0.882 2；劉昊辰[3]開展了蘋果缺陷和糖度的近紅外光譜技術動態在線檢測研究，實時預測準確率可保持在66.67%以上；彭發等[4]基于傅里葉變換近紅外光譜、偏最小二乘法和深度學習技術,建立了不同蘋果糖度預測模型，最高預測相關系數可達0.933 3；喬正明等[5]將近紅外光譜與SSA-ELM結合用于蘋果糖度無損檢測，測試集相關系數可達0.945 7。在上述蘋果糖度測量方法中，采用多個特征波長進行糖度預測模型擬合是常用的手段，多特征波長擬合有利于提高預測的準確性，但也增加了測量裝置的復雜性，如果實現單一波長的檢測將能夠大大簡化裝置。對于蘋果糖度預測，蘋果在可見—近紅外反射光譜中有幾個明顯的強吸收波長如675，760，835 nm[1]，能否采用蘋果某個單一強吸收波長的反射光特征進行蘋果糖度預測是一個值得探索的問題，而有關該方面的研究尚未見報道。

研究擬以蘋果吸收峰值波長670 nm的反射光為試驗手段，提出基于暗室系統蘋果反射光斑圖像特征灰度系列預測蘋果糖度的測量方案。暗室系統以手機應用程序為平臺，使用手機的圖像拍照功能、積分球和670 nm激光光源，采集樣品的反射光斑圖像特征灰度系列，并通過偏最小二乘法[11]進行建模分析，以實現蘋果的無損糖度測量，為蘋果糖度無損預測提供一種更簡便的新研究思路和可能的技術手段。

1 測量原理

1.1 試驗材料

挑選直徑為80～85 mm的紅富士(山西運城)、糖心(新疆阿克蘇)及黃元帥蘋果(山東煙臺)共150個，其中訓練集90個，驗證集60個。按種類對蘋果樣品依次進行測量編號，其中紅富士、糖心、黃元帥的種類編號分別為樣品A、B、C，為在糖度測量的取樣區域汲取足夠的果肉用于糖度儀的檢測，同時獲得更多更精確的數據，每個蘋果劃出3個直徑為6 cm的黑圈范圍為測量區域，同時這些區域也作為光譜測量的檢測區域。

1.2 蘋果反射光譜測量

為了測量蘋果的反射光譜，搭建的光譜采集平臺包括：FLAME-S微型光纖光譜儀(響應波長范圍200～1 100 nm) 、ISP-30-6-R積分球、處理光譜數據軟件Spectra Suite。對于每個樣品，在不同測量面特征下采集3個測量區域的光譜值，以其平均值作為樣品反射光譜的最終值。同種類不同蘋果的反射光譜如圖1所示，波長介于650～700 nm的波段有一個明顯的吸收峰，吸收峰位于670～675 nm的陰影區域，其中中心波長為670 nm。

圖1 蘋果反射光譜Figure 1 Reflection spectrum of apple

吸收峰深度表征蘋果中對應物質含量的多少。吸收強度越大，說明對應樣品在被照射區域的對應化合物含量越高。據此，可以通過對碳水化合物，即糖分對應的吸收峰所處波段的特征進行分析，找出吸收強度與樣品糖度的關系，進一步對樣品糖度進行分析和預測。

1.3 反射光斑圖像采集

設計一個暗室測量系統用于無損糖度檢測，暗室系統光路圖與外設系統模型圖見圖2。其中，暗室框架內部即為搭建的暗室系統，外設系統是方便手機采集和處理數據、減小誤差而設計的。

圖2 暗室測量系統Figure 2 Darkroom measurement system

系統工作原理：積分球有3個端口，分別是照明端口、樣品端口和測量端口，激光束(CPS670F激光二極管，功率4.5 MW、波長670 nm)從照明端口入射，將蘋果樣品的測量面置于樣品端口，激光被樣品吸收后，反射光經過積分球的漫反射后一部分光從測量端口出射，照射到毛玻璃上，形成一個從中心到邊緣光強逐漸減弱的圓形光斑，使用手機對光斑進行圖像采集。

在上述激光器功率照射下，經多次試驗，確定合適的反射光圖像手機采集參數:感光度(ISO)1 000,曝光時間0.2 s，鏡頭放大倍數1.8×。

由圖3可知，不同條件下采集到的圖像中光斑大小和灰度分布會發生變化，蘋果樣品的反射光斑圖像不同于激光器產生的背景光斑圖像(即測量激光器產生的背景光斑圖像時，積分球樣品端口處無任何反射物體)，也不同于在樣品端口處放置光譜儀白板下產生的反射光斑圖像。背景光斑圖像中的光斑直徑最小，蘋果樣品的其次，光譜儀白板的最大。

圖3 測量端口不同樣品的光斑圖像Figure 3 Spot images of different samples

1.4 特征灰度系列與建模

光斑中心區域的亮度過高，是光斑圖像過飽和的結果，而陰暗部分受其他因素干擾(如環境中的光噪聲)，因此確定反射光斑圖像數據的采集和分析范圍是光斑圖像外環區域灰度范圍從90～110的各個灰度的像素數，稱這個范圍的灰度值分布為特征灰度系列，如圖4所示。由圖3可知，提取的特征灰度系列與蘋果糖度有較好的相關關系；若偏離這些采集參數，提取的特征灰度系列與蘋果糖度的相關關系將變差；灰度值范圍在此基礎上變大或者變小均會導致相關關系變差。在此基礎上采用偏最小二乘法(PLS)算法對反射光斑圖像特征灰度系列數據與對應樣品糖度進行擬合。根據相關系數、預測結果散點圖等對所建模型進行評價分析。

圖4 光斑灰度處理Figure 4 Grayscale processing of light spot

(1)

則圖像P的特征灰度系列直方圖表示為：

H(P)=[h(x1),h(x2),…,h(x21)]。

(2)

由于反射光斑形成的圖像本身就攜帶蘋果樣品糖度成分的信息，所以可以利用圖像的特征灰度系列對蘋果樣品糖度進行分析，以期找出蘋果糖度T與特征灰度系列的函數關系,即

(3)

式中：

b0——模型修正系數；

bi(i=0,1,2，…，21)——特征系數(通過偏最小二乘法擬合得到)。

2 結果與討論

2.1 3種蘋果的糖度理化值

分別使用3組訓練集和驗證集建立了針對紅富士(樣品A)、糖心(樣品B)和黃元帥(樣品C)的糖度預測模型并對模型的預測效果進行分析，依據國家標準使用糖度計測得蘋果樣品的糖度理化值見表1。

由表1可知，驗證集中的蘋果樣品糖度數據范圍大體上覆蓋了訓練集中樣品的糖度數據范圍，對構建糖度的預測模型是有利的。

表1 3種蘋果的糖度Table 1 Sugar content among three kinds of apple samples

2.2 訓練集預測模型

獲取蘋果樣品的反射光斑外環區灰度信息后，采用Origin 2018軟件對訓練集中90個樣品的90～110灰度數據和相應的糖度數據進行偏最小二乘回歸模型構建，預測模型散點圖分別如圖5～圖7所示。

圖5 樣品A預測模型散點圖Figure 5 Scatter plot of predict model of sample A

圖6 樣品B預測模型散點圖Figure 6 Scatter plot of predict model of sample B

圖7 樣品C預測模型散點圖Figure 7 Scatter plot of predict model of sample C

使用的紅富士、糖心、黃元帥樣本數分別為30，25，35，擬合結果相關系數R2分別為0.89，0.84，0.94。訓練集中3種類型蘋果的糖度預測值靠近參考線，說明預測值與實際測量值很接近，預測值離散程度比較小，樣品A、B、C的預測均方根誤差分別為1.10，1.00，0.93。因此，以圖像中灰度值為90～110的像素的出現頻數作為糖度預測模型的特征向量具有良好的建模效果。

2.3 驗證集糖度預測

在預測模型基礎上，另取3個種類共60個蘋果進行糖度預測，結果如圖8～圖10所示。

由圖8～圖10可知，預測糖度值靠近參考線，但比訓練集離散度大，每個預測模型的相關系數R2均在0.7以上。圖8使用了20個樣本，預測結果R2值為0.70，實際糖度值與預測糖度值的均方根誤差為0.9。圖9使用了10個樣本，預測結果R2值為0.73，實際糖度值與預測糖度值的均方根誤差為1.44。圖10使用了30個樣本，預測結果R2值為0.76，實際糖度值與預測糖度值的均方根誤差為1.33。綜合來看，樣品A(紅富士)模型預測效果最好，其次是樣品C(黃元帥)和樣品B(糖心)。

圖8 樣品A預測結果散點圖Figure 8 Scatter plot of predict result of sample A

圖9 樣品B預測結果散點圖Figure 9 Scatter plot of predict result of sample B

圖10 樣品C預測結果散點圖Figure 10 Scatter plot of predict result of sample C

3 結論

在蘋果反射光譜基礎上，提出了一種基于暗室系統反射光斑圖像特征灰度系列的蘋果糖度預測方法。結果表明，該方法建立中心波長為670 nm激光光源的暗室系統，手機采集圖像、處理圖像即可實現無損糖度測量。對于訓練集，3種不同蘋果各自預測模型的相關系數均在0.8 以上；對于驗證集，每個預測模型的相關系數均在0.7以上，其中紅富士蘋果糖度預測均方根最小，預測效果最好。

未來需進一步研究糖度與特征灰度系列的相關關系，期望可以減少用于糖度預測的特征灰度系列的灰度范圍。由于采用單一強吸收波長，蘋果糖度的預測效果總體要略低于多波長的效果，但是蘋果反射光譜的采集比多波長要更加簡單，裝置更加輕便。