基于高光譜技術(shù)的庫爾勒香梨成熟度檢測

中圖分類號：S127 文獻標志碼：A 文章編號：1002-1302（2025）10-0233-06

庫爾勒香梨因其皮薄多汁的特點在國際和國內(nèi)市場上備受青睞，已成為推動新疆經(jīng)濟發(fā)展的重要因素之一[1]。作為中歐互認的地理標志產(chǎn)品，庫爾勒香梨具有極強的地域性[2]，其栽培歷史可追溯至1400多年前的新疆庫爾勒市[3]。除了核心種植區(qū)庫爾勒市，該梨種還在周邊阿拉爾市、阿克蘇市等地廣泛種植[4]。香梨以其濃郁的口感、薄皮多汗、清脆可口以及高營養(yǎng)價值而聞名，堪稱梨中珍品[5]。隨著人民生活水平的不斷提高，消費者對產(chǎn)品品質(zhì)的要求也在日益提升[6]

香梨成熟度是指香梨果實的生理和品質(zhì)特性，它影響著香梨的風味、貯藏、運輸和加工等方面，并且決定了香梨的品質(zhì)和口感。成熟度越高，香梨的色澤、香氣、甜度、酸度、硬度、汁液量等品質(zhì)指標越好，口感越香甜多汁，更受消費者的喜愛[7-8]。香梨成熟度影響著香梨的貯藏和運輸。成熟度過低的香梨果肉堅硬、不易受損，但風味差、不易銷售；成熟度過高的香梨果肉松軟，易受擠壓和磕碰而損傷，不利于長途運輸和貯藏，也容易引起病蟲害和腐爛[9-10]。因此，掌握好香梨的采收時間和成熟度評價方法是提高香梨產(chǎn)業(yè)水平和競爭力的關鍵。

此外，傳統(tǒng)的檢測方式主要依賴手工操作，這種方法會耗費大量的資金、人力、資源。基于高光譜成像技術(shù)的庫爾勒香梨成熟度檢測方法不僅可以顯著提高檢測效率和準確性，而且能夠減少對人力資源的依賴，節(jié)約了大量的時間和成本[11]。高光譜成像技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測領域展現(xiàn)出顯著優(yōu)勢，它對于提升果蔬采后質(zhì)量評價與分級精度具有重要的工程應用價值[12]。目前，世界各地的研究人員已經(jīng)對香蕉[13]草莓[14]、葡萄[15]、油桃[16]等水果的品質(zhì)進行了無損檢測研究，并取得了一定的成果。Shao等利用高光譜成像技術(shù)對不同成熟階段的草莓進行分類，并采用PLS-DA和LS-SVM模型評估成熟度，結(jié)果顯示，LS-SVM模型在草莓成熟度評估中的準確率為 96.7% [17]。孫靜濤等基于高光譜技術(shù)構(gòu)建了哈密瓜可溶性固形物含量預測模型，并利用SVM進行硬度預測，CARS-PCA-SVM模型在預測準確性方面表現(xiàn)優(yōu)異，校正集和預測集的判別正確率分別為 95%94% [18]。這些研究表明了高光譜成像結(jié)合先進的機器學習模型可以有效提高果實成熟度評估的準確性和效率，這可為農(nóng)業(yè)領域提供可靠的技術(shù)支持，減少人工依賴并節(jié)省資源。然而，關于庫爾勒香梨成熟度的無損檢測研究較少。

本研究利用高光譜成像技術(shù)不僅成功采集了庫爾勒香梨的光譜數(shù)據(jù)，還通過研究新的成熟度判別的機器學習模型CNN-S顯著提高了檢測的效率和準確性。與傳統(tǒng)方法相比，該方法在測試集上的準確率大幅提高，從而為快速、無損檢測庫爾勒香梨的品質(zhì)和成熟度提供了強有力的技術(shù)支持和理論依據(jù)。這些改進不僅優(yōu)化了數(shù)據(jù)處理流程，還增強了模型的泛化能力，是香梨品質(zhì)監(jiān)控和智慧農(nóng)業(yè)發(fā)展中的重要進步，為后期的機器采摘提供了可靠的技術(shù)基礎。

1材料與方法

1.1樣本采集與儀器

為了確保試驗數(shù)據(jù)的代表性和科學性，本研究從新疆維吾爾自治區(qū)阿拉爾市八團梨園采摘庫爾勒香梨，采集日期分為2023年8月2日（第1階段，溫度26.1^qC ，總輻射強度 348W/m² ）、2023年8月29日（第2階段，溫度 24^°C ，總輻射強度 128W/m² ）、2023年9月25日（第3階段，溫度 20% ，總輻射強度 279W/m² ）以及2023年10月25日（第4階段，溫度 15.3‰ ，總輻射強度 134W/m² ）。每個階段的特征如表1所示。每個階段采集完立即運送至塔里木大學綠洲農(nóng)業(yè)重點實驗室 B207 。樣品在控溫室內(nèi)（ 貯藏，并按照設定的時間間隔進行樣本的采集與測試。試驗共計采集了160個樣品，分4次進行，每次40個。每次試驗前，使用軟紙小心地清除香梨表面的灰塵，并為每個香梨編號，以獲取高光譜圖像并測定糖度。試驗所采用的高光譜成像系統(tǒng)主要由ImSpectorV10E（Specim，芬蘭）成像光譜儀組成，其光譜波段范圍為 380～1000nm ，配備面陣CCD偵測器以及2個光強可調(diào)的150W光纖鹵素燈、OLE23型C-mount成像鏡頭、OBF570型濾光片。具體成像系統(tǒng)如圖1所示。

1.2高光譜圖像采集與校正

高光譜圖像數(shù)據(jù)的采集通過計算機上的MATLAB軟件進行。首先，將高光譜儀器預熱20min ，然后開始香梨圖像的拍攝。為避免圖像失真，經(jīng)過多次預試驗，確定了最佳的數(shù)據(jù)采集參數(shù)：

光譜儀的曝光距離為 280mm ，曝光時間為 1.5ms ，電控位移臺的掃描速率為 0.602 0nm/s ，掃描線實際長度為 190mm ，圖像分辨率為800像素 ×660 像素。每次采集3個香梨，采集完成后統(tǒng)一裁剪成65像素 ×65 像素的單個香梨高光譜圖像。

為了避免高光譜攝像頭的暗電流和光強度不均勻?qū)D像產(chǎn)生噪聲干擾，對采集的高光譜圖像進行了黑白板校正，并根據(jù)相關公式計算出校正后的圖像。公式如下：

式中： R_o 為原始的香梨高光譜圖像； R_b 為黑板校正圖像； R_w 為白板校正圖像； R_a 為校正后的高光譜圖像。

1.3 光譜預處理

由于采集到的原始光譜不僅包含樣本本身的信息，還包含一些噪聲，如雜光和樣本背景等，這些因素會對樣本的光譜信息造成干擾。為了消除光譜曲線上的噪音，本試驗采用了多元散射校正（MSC）和標準正態(tài)變量變換（SNV）等預處理方法。

MSC算法通過將每個波長上的數(shù)據(jù)歸一化，以消除多元散射帶來的影響，從而提高了數(shù)據(jù)的質(zhì)量和可解釋性。其計算過程具體如下。

計算每個波長的平均光譜向量 ，即所有樣本在相同波長上的平均值：

計算每個波長上的標準差 δ_j ，即所有樣本在相同波長上的標準差：

對每個樣本進行MSC校正，校正公式如下：

式中： X_ij 是原始數(shù)據(jù)矩陣中第 i 個樣本在第 j 個波長處的光譜值； N 是樣本數(shù)量； M 是波長數(shù)量； k 是調(diào)節(jié)參數(shù)（通常取1）; X_ij^′ 是經(jīng)過MSC校正后的光譜值； 是全局平均光譜向量。

SNV算法通過將每個波長上的數(shù)據(jù)標準化為符合標準正態(tài)分布的形式，消除了由于光譜強度差異導致的波動，使得數(shù)據(jù)更接近獨立同分布的特性，有助于提高特征的可解釋性。其計算過程具體如下。

每個波長的平均光譜向量 X_j ，即所有樣本在相同波長上的平均值：

計算每個波長上的標準差 δ_j ，即所有樣本在相同波長上的標準差：

對每個樣本進行SNV標準化，標準化公式如下：

式中： X_ij 是原始數(shù)據(jù)矩陣中第 i 個樣本在第 j 個波長處的光譜值; N 是樣本數(shù)量； 是全局平均光譜向量；在SNV中通常用整個數(shù)據(jù)集的平均值進行標準化， δ_i 是全局標準差。

1.4判別建模方法

卷積神經(jīng)網(wǎng)絡（CNN）是一種深度學習技術(shù)，廣泛應用于圖像和視頻識別、推薦系統(tǒng)和圖像分類等領域。CNN通過模擬人類視覺系統(tǒng)的工作原理，能夠自動并有效地識別圖像中的復雜模式和特征。它由多個層次組成，主要包括卷積層、池化層和全連接層。卷積層通過濾波器從輸入圖像中提取基本的視覺特征；池化層則負責降低特征的維度，增強模型的泛化能力；全連接層則在網(wǎng)絡的最后階段，將前面提取的特征轉(zhuǎn)化為最終的輸出，如分類結(jié)果。

本研究基于卷積神經(jīng)網(wǎng)絡（CNN）設計了一種新的建模方法，名為CNN-S。該模型采用了深度可分離卷積技術(shù)，主要由卷積層、全連接層、激活函數(shù)、池化層和批量歸一化層組成。在初始化函數(shù)中，模型結(jié)構(gòu)包括多個卷積層、池化層、批量歸一化層和全連接層，形成一個序列網(wǎng)絡。

卷積層采用深度可分離卷積，即先對每個輸入通道進行單獨卷積，再通過 1×1 卷積分離各通道。第1組卷積層包含1個 7×7 的深度卷積和1個 1× 1的點卷積，接著是ReLU激活函數(shù) 平均池化層和批量歸一化層。這一組卷積層提取輸入數(shù)據(jù)的基礎特征，同時減少計算復雜度。第2組卷積層采用 3×3 的深度卷積和 1×1 的點卷積，后接ReLU激活函數(shù)、 ??4×4 平均池化層和批量歸一化層，繼續(xù)提取更高層次的特征。第3組卷積層也采用 3×3 的深度卷積和 1×1 的點卷積，最后接ReLU激活函數(shù)、批量歸一化層和自適應平均池化層，將特征圖尺寸縮放到 1×1 。全連接層由一個Sigmoid激活函數(shù)、批量歸一化層和線性層組成，輸出類別數(shù)為3。Sigmoid激活函數(shù)引入非線性特性，批量歸一化加速訓練并提高模型穩(wěn)定性，通過標準化每批數(shù)據(jù)的分布，減少內(nèi)部協(xié)變量轉(zhuǎn)移的影響。線性層作為最終分類器，將特征映射到類別空間，輸出分類結(jié)果。為了確保模型的訓練穩(wěn)定性和有效性，卷積層采用He初始化（Heinitialization）方法，適用于ReLU激活函數(shù)，使初始權(quán)重分布合理，有助于梯度流動。批量歸一化層的權(quán)重初始化為1，偏置初始化為0，確保初始狀態(tài)下的批量歸一化層不會對輸入數(shù)據(jù)造成過大影響。線性層的權(quán)重使用標準正態(tài)分布初始化，偏置初始化為0，確保全連接層在訓練初期表現(xiàn)良好。在前向傳播過程中，輸入數(shù)據(jù)經(jīng)過多個卷積層，逐步提取高層次特征。接著，特征圖被轉(zhuǎn)換為適合全連接層輸入的形式。處理后的特征輸入全連接層，進行最終分類并輸出類別概率。該模型通過深度可分離卷積層和自適應平均池化層，能夠有效提取高光譜圖像特征，同時降低計算復雜度，提升計算效率和性能。整體設計適用于高光譜圖像分類任務，具備良好的性能和訓練穩(wěn)定性。

1.5香梨不同階段的分類

為研究香梨在不同成熟階段的特征，本研究將其成熟度劃分為4個階段，具體見表1。

1.6 數(shù)據(jù)處理

利用軟件HyperSpec采集所有香梨樣品的高光譜圖像，采集獲得的香梨高光譜圖像數(shù)據(jù)在ENVI5.6和MATLABR2024a軟件中進行處理與分析。

2 結(jié)果與分析

2.1香梨不同成熟度的高光譜圖像

圖2給出了不同成熟階段（第1階段、第2階段、第3階段、第4階段）的香梨高光譜圖像，

2.2香梨不同成熟階段的平均光譜圖

圖3展示了香梨在不同成熟階段的平均光譜曲線，通過曲線可以觀察到未成熟香梨的光譜反射率較高，這可能與果實表面的物理特性有關。具體來說，未成熟的香梨表面可能較為粗糙或缺乏光滑度，這種表面狀態(tài)可能因果實尚未發(fā)育完全，表皮較硬且含水量低，導致光線在表面的反射增多而無法被有效吸收。此外，反射率的高低與果實的成熟度密切相關，高反射率不僅表明香梨未完全成熟，也可能意味著其口感、風味和營養(yǎng)價值尚未達到最佳狀態(tài)。相對地，成熟或過熟的香梨反射率較低，這通常與果皮變薄和含水量增加有關，使得光線更容易被吸收。因此，通過監(jiān)測香梨的光譜反射率變化，可以有效判斷其成熟度。

2.3不同光譜預處理方法對原始光譜的預處理效果

鑒于初始反射光譜存在部分噪音，為了增強識別模型的準確性和穩(wěn)定性，本研究采用MSC、SNV和歸一化方法對初始反射光譜數(shù)據(jù)進行預處理。利用多元散射校正（MSC），能夠降低樣本之間的差異，并通過調(diào)節(jié)光譜數(shù)據(jù)來消除因粒子尺寸、形狀或者不同設備配置引起的樣本差異。同時可以改善光譜質(zhì)量：它有助于校正光譜數(shù)據(jù)中由多重散射引起的失真，使數(shù)據(jù)更加代表真實的光譜信號。標準正態(tài)變量變換（SNV）標準化了每個樣本的光譜強度，消除了基線漂移和樣品間的標度差異。通過標準化，使得同一物質(zhì)在不同環(huán)境下或不同儀器上測得的光譜數(shù)據(jù)更具可比性。同時SNV有助于提高后續(xù)統(tǒng)計分析和建模工作的魯棒性，尤其是在面對來自多種來源的數(shù)據(jù)時。觀察圖4可知，經(jīng)過預處理的光譜曲線相較于未經(jīng)處理的更為平整，這表明在進行光譜預處理時，已成功去除了一部分的噪音和背景影響。

2.4不同判別模型對香梨成熟度的識別結(jié)果

從表2中可以看出，CNN-S模型在各項評估指標中均表現(xiàn)優(yōu)異，明顯超過了AlexNet和ResNet模型。具體而言，CNN－S在訓練集上的準確率達到了 98% ，在測試集和驗證集上的準確率分別為92% 96% ，同時在所有數(shù)據(jù)集上的損失率都維持在較低水平，顯示了其卓越的學習能力和穩(wěn)定性。相較而言，AlexNet和ResNet模型的測試集和驗證集準確率較低，尤其是AlexNet在測試集上的損失率高達 35% ，這可能表明其對未見數(shù)據(jù)的適應能力較弱。這些數(shù)據(jù)清晰地展示了CNN－S模型在學習效率、泛化能力和穩(wěn)定性上的優(yōu)勢，突出了其在深度學習任務中的實用性和高效性，為未來模型的優(yōu)化和應用提供了有力證據(jù)。總結(jié)來看，CNN－S模型的綜合性能在比較中顯得尤為突出，其高效的網(wǎng)絡結(jié)構(gòu)和訓練策略在實際應用中表現(xiàn)優(yōu)越。

3討論與結(jié)論

對庫爾勒香梨樣本進行相似的方法分析，采用高光譜成像技術(shù)獲取數(shù)據(jù)，通過多元散射校正（MSC）和標準正態(tài)變換（SNV）預處理后，能夠顯著提高光譜數(shù)據(jù)的質(zhì)量。利用這些數(shù)據(jù)建立的基于深度可分離卷積神經(jīng)網(wǎng)絡模型（CNN-S）不僅在樣本分類準確度上優(yōu)于傳統(tǒng)模型，還顯示了更好的泛化能力和較低的損失率，測試集上的準確率高達 92% 。

通過試驗對比不同模型在相同數(shù)據(jù)集上的表現(xiàn)，證明了CNN-S模型在處理高維、復雜數(shù)據(jù)時具有顯著優(yōu)勢。然而，本研究的局限性在于樣本數(shù)量較少、試驗條件相對單一，可能限制了結(jié)果的廣泛適用性。未來研究可以考慮擴展樣本數(shù)量，增加不同生長環(huán)境和品種的香梨數(shù)據(jù)，以驗證模型的泛化能力。

這一發(fā)現(xiàn)支持了使用高光譜技術(shù)結(jié)合先進的深度學習技術(shù)CNN-S，以實現(xiàn)更為精準和有效的農(nóng)產(chǎn)品成熟度檢測。未來研究可考慮進一步探索其他類型農(nóng)產(chǎn)品的成熟度檢測以及模型的跨區(qū)域泛化能力，為智能農(nóng)業(yè)提供更多的科技支持。

參考文獻：

[1]趙多勇，李安，郭航，等.穩(wěn)定同位素技術(shù)鑒別庫爾勒香梨產(chǎn)地可行性研究[J].核農(nóng)學報，2020，34（增刊1）：37-42.

[2]陳衛(wèi)東．庫爾勒香梨起源的探討[J].新疆林業(yè)，1999（1）：37-38.

[3]趙丹，琚艷君，馬雪，等.新疆庫爾勒香梨品質(zhì)分析與評價[J].食品安全質(zhì)量檢測學報，2022，13（20）：6637-6644.

[4]劉艷，吳運建．庫爾勒香梨研究進展［J]．新疆農(nóng)墾科技，2015，38（2）：23-26.

[5]勒思，魏清江，雷常玉，等.基于多元統(tǒng)計法的不同果實大小桃溪蜜柚品質(zhì)綜合評價［J].江西農(nóng)業(yè)大學學報，2021，43（4）：740 - 749.

[6]蘭海鵬，賈富國，唐玉榮，等．庫爾勒香梨成熟度量化評價方法[J]．農(nóng)業(yè)工程學報，2015，31（5）：325-330.

[7]蘭海鵬，唐玉榮，安靜，等．基于硬度和SSC的庫爾勒香梨成熟度評價方法研究[J].農(nóng)機化研究，2013，35（11）：193-196.

[8]馮云霄，何近剛，程玉豆，等．成熟度對紅香酥梨冷藏及貨架期品質(zhì)的影響[J]．食品安全質(zhì)量檢測學報，2021，12（11）：4513-4519.

[9]孫曄.基于高光譜成像技術(shù)的水蜜桃果實病害檢測研究［D].南京：南京農(nóng)業(yè)大學，2018：9-12.

[10]譚濤，馮樹南，溫青純，等.高光譜成像技術(shù)在水果品質(zhì)檢測中的應用研究進展[J]．江蘇農(nóng)業(yè)科學，2024，52（6）：11-18.

[11]王彩霞，王松磊，賀曉光，等．高光譜技術(shù)融合圖像信息的牛肉品種識別方法研究［J]．光譜學與光譜分析，2020，40（3）：911-916.

[12]HeHJ，SunD W.Hyperspectral imaging technology forrapiddetection of variousmicrobial contaminants in agricultural and foodproducts[J]. Trends in Food Science amp; Technology，2015，46（1）：99 -109.

[13]Rajkumar P，Wang N，EImasry G，et al. Studies on banana fruitquality and maturity stages using hyperspectral imaging[J]. Journalof Food Engineering， 2012，108（1）：194-200

[14]Zhang C，Guo C T，Liu F，et al.Hyperspectral imaging analysis forripeness evaluation of strawberry with support vector machine[J].Journal of Food Engineering，2016，179：11-18.

[15]Ribera-Fonseca A，Noferini M，Jorquera - Fontena E，et al.Assessment of technological maturity parameters and anthocyanins inberriesof cv.Sangiovese（Vitis vinifera L.）bya portable vis/NIRdevice[J].ScientiaHorticulturae，2016，209：229-235.

[16]Munera S，Amigo JM，Blasco J，et al.Ripeness monitoringof twocultivars of nectarine using VIS-NIR hyperspectral reflectanceimaging[J]. Journal of Food Engineering，2017，214：29-39.

[17]ShaoYY，WangYX，XuanGT，etal.Assessment of strawberryripenessusing hyperspectral imaging[J].Analytical Letters，2021，54（10）：1547-1560.

[18]孫靜濤，馬本學，董娟，等.高光譜技術(shù)結(jié)合特征波長篩選和支持向量機的哈密瓜成熟度判別研究［J]．光譜學與光譜分析，2017，37（7）：2184-2191.