應(yīng)用方向：

紅薯缺陷的快速非破壞性檢測和分類技術(shù)能夠同時獲取樣品的光譜信息和空間信息，為紅薯的品質(zhì)評估提供了一種有效的工具。通過高光譜成像技術(shù)的應(yīng)用，可以實現(xiàn)對紅薯中的健康、凍傷和病變樣本的精確鑒別，進而提高紅薯加工和儲存過程中的經(jīng)濟效益。

背景：

紅薯是全球及中國重要的糧食作物之一，其富含淀粉、多種維生素、膳食纖維、蛋白質(zhì)以及鈣、磷、鐵等無機鹽，具備延緩衰老、增強免疫力和防癌等健康效益。然而，紅薯的各類缺陷如凍傷和病害，長期以來一直困擾著種植業(yè)和加工業(yè)。這些缺陷的紅薯容易氧化腐爛，并可能感染其他健康紅薯，從而造成嚴(yán)重的經(jīng)濟損失。目前，紅薯缺陷的檢測主要依賴于人工方法，這不僅耗時耗力，而且準(zhǔn)確性不高。盡管基于可見光圖像的機器視覺系統(tǒng)已廣泛應(yīng)用于果蔬缺陷檢測，但在可見光圖像中難以發(fā)現(xiàn)某些早期病害和輕微損傷。此外，盡管非成像近紅外（NIR）光譜技術(shù)能檢測到這些細微變化，但無法評估整個果實的品質(zhì)變化。高光譜成像技術(shù)作為一項新興技術(shù)，能夠同時獲取樣品的光譜信息和空間信息，已成功替代傳統(tǒng)的光譜分析和可見光圖像，成為快速無損檢測和分類的有效方法。研究選用‘龍薯9號’紅薯作為研究對象，運用高光譜成像技術(shù)來識別缺陷紅薯，并應(yīng)用偏最小二乘判別分析（PLS-DA）與線性判別分析（LDA）構(gòu)建分類模型，為紅薯的存儲與加工提供理論支持，提升紅薯行業(yè)的經(jīng)濟效益。

實驗設(shè)計

1.1.材料與方法

（1）實驗材料

紅薯品種為“龍薯9號”，于2019年1月購自山東省泰安市“新綠蔬菜批發(fā)市場”，選取健康紅薯140個、凍傷紅薯140個、病紅薯140個，共420份紅薯樣品進行試驗。如圖1所示為三種紅薯?；疾〖t薯又可分為裂紋、表皮損傷和表面疤痕三種類型。紅薯上的裂紋可能是由于收獲時土壤養(yǎng)分不足或水分過多造成的。表皮損傷可能是由采收時的機械損傷或運輸過程中紅薯之間的碰撞導(dǎo)致，進而發(fā)展成病區(qū)。而表面疤痕是由基因決定的，不會影響其內(nèi)在的食用品質(zhì)，但其外觀不理想會降低紅薯的經(jīng)濟價值。試驗選用的紅薯樣品在重量和大小上是均勻的。用清水清洗后，在中國山東省泰安市山東農(nóng)業(yè)大學(xué)采后工程實驗室20℃的黑暗環(huán)境中放置24 h。

圖1. 三種類型的紅薯樣本：(A) 健康紅薯，(B) 凍傷紅薯，(C) 患病紅薯

（2）高光譜成像系統(tǒng)

本實驗使用“GaiaField”高光譜成像系統(tǒng)（GaiaField-V10E，江蘇雙利合譜光譜成像技術(shù)有限公司）采集樣品信息。如圖2所示，該系統(tǒng)主要包括高光譜成像儀、成像鏡頭、照明系統(tǒng)、標(biāo)準(zhǔn)白板、三腳架和一臺裝有SpecView軟件的計算機。高光譜系統(tǒng)的波長范圍為400 - 1000 nm，光譜分辨率為2.8 nm，入射狹縫寬度為30 μm，相機分辨率為1392 × 1040 dpi。高光譜系統(tǒng)采用推掃成像技術(shù)。

圖2. 高光譜成像系統(tǒng)

（3）高光譜數(shù)據(jù)的收集和校準(zhǔn)

為了獲得清晰、不失真的圖像，將紅薯樣品置于低反射率黑板上，采用高光譜成像系統(tǒng)掃描，曝光時間為11.58 ms，鏡頭與樣品之間的距離為47.62 mm。由于光源的不均勻性、光敏元件本身的響應(yīng)差異、暗電流和偏置等因素的影響，高光譜圖像的輸出強度可能不均勻，不利于后續(xù)圖像處理中目標(biāo)特征的提取和測量。因此，有必要對高光譜圖像進行黑白標(biāo)定。將白板放置在采集區(qū)域，掃描得到白幀數(shù)據(jù)，關(guān)閉鏡頭蓋將全黑圖像記錄為暗背景。用暗背景校準(zhǔn)光源強度不均勻的影響，用白幀數(shù)據(jù)校準(zhǔn)相機噪聲的影響。

（4）數(shù)據(jù)處理和建模方法

將整個紅薯樣本作為感興趣區(qū)域（ROI），使用ENVI 4.6軟件提取并計算每個ROI中所有像素的平均光譜。由于對每個紅薯樣品的正面和背面進行了成像，因此共獲得840幅光譜圖像。在對原始光譜進行標(biāo)準(zhǔn)正態(tài)變量（SNV）預(yù)處理后，采用基于聯(lián)合x - y距離（SPXY）算法按照3:1的比例劃分為訓(xùn)練集和預(yù)測集。

在使用全光譜進行建模時，高光譜圖像中的高維數(shù)據(jù)會受到某些波長間相關(guān)性和冗余性的影響，這會增加計算量和建模難度。噪聲和無用信息也會影響模型的準(zhǔn)確性和魯棒性，不利于研究和實際應(yīng)用。因此，本研究采用蒙特卡羅無信息變量消除法（MCUVE）、隨機森林（RF）和逐次投影法（SPA）三種波長選擇方法。采用偏最小二乘判別分析（PLS-DA）和線性判別分析（LDA）兩種分類器建立了缺陷紅薯的分類模型。在PLSDA模型中，將健康紅薯、凍傷紅薯和患病紅薯分別賦值為1、2和3的虛擬變量。以1.5和2.5作為判別閾值，如果模型預(yù)測值小于閾值T1 = 1.5，則判定為健康樣本。如果大于閾值T1 = 1.5且小于T2 = 2.5，則判定為凍傷樣本。如果大于閾值T2 = 2.5，則判定為疾病樣本。

5.2.結(jié)果與討論

（1）光譜特征分析與預(yù)處理

圖3為三種紅薯樣品的原始光譜、SNV預(yù)處理光譜和平均光譜。從圖3可以看出，SNV預(yù)處理后的光譜縱向聚集程度有所提高，有助于消除平移誤差。在420 nm附近有較強的反射率下降，這是類胡蘿卜素的吸收區(qū)。光譜吸收波長在980 nm左右，屬于水中O-H的二級吸收波段，由于紅薯含水量高，存在較大的吸收峰。健康紅薯與患病紅薯在600 ~ 1000 nm范圍內(nèi)差異顯著。凍傷紅薯與健康紅薯在650 ~ 850 nm范圍內(nèi)差異明顯，凍傷紅薯與患病紅薯差異不大。這些光譜信息的變化是區(qū)分健康紅薯和缺陷紅薯的有力證據(jù)。

圖3. 紅薯光譜曲線：(A) 原始光譜，(B) SNV預(yù)處理后的光譜，(C) 平均光譜

（2）特征波長提取

分別采用MCUVE、RF和SPA提取特征波長，用于后續(xù)分類模型。提取的特征波長分布如圖4所示。MCUVE、RF和SPA分別提取了11、10和10個特征波長。所有特征波長列于表1。

圖4. 通過(A) MCUVE，(B) RF和(C) SPA算法提取特征波長

（3）基于PLS-DA和LDA模型的分類結(jié)果

基于MCUVE、RF和SPA方法提取的特征波長建立PLS-DA和LDA模型。PLS-DA模型預(yù)測結(jié)果的散點圖如圖5所示，使用MCUVE、RF和SPA提取的特征波長建立模型均獲得了滿意的結(jié)果。如圖6所示，RF-PLS-DA模型對健康、凍傷和病變樣本的分類準(zhǔn)確率分別為97.14%、94.29%和87.14%，總分類準(zhǔn)確率為92.86%。大多數(shù)誤判都發(fā)生在病害紅薯上，這些紅薯被誤認為是凍傷的紅薯。

圖5. PLS-DA模型的訓(xùn)練和預(yù)測結(jié)果：(A) MCUVE-PLS-DA模型，(B) RF-PLS-DA模型，(C) SPA-PLS-DA模型

圖6. PLS-DA模型混淆矩陣：(A) MCUVE-PLS-DA模型，(B) RF-PLS-DA模型，(C) SPA-PLS-DA模型

LDA分類模型預(yù)測結(jié)果的二維和三維散點圖（圖7）。由于二維散點圖中樣本重疊，無法直觀顯示三種紅薯樣本的分類效果。因此創(chuàng)建了三維散點圖（圖8）。從圖8可以看出，MCUVE-LDA模型對三種紅薯樣品的分離仍然不清楚，表明性能較差，且病害與凍傷樣品重疊嚴(yán)重。與MCUVE-LDA模型相比，RF-LDA和SPA-LDA模型具有更好的樣本分類性能，三種類型的紅薯樣本聚類顯著。為了進一步分析，生成LDA模型的混淆矩陣，如圖9所示。由圖9可以看出，MCUVE-LDA模型將部分患病紅薯樣本誤判為凍傷紅薯樣本，患病紅薯的分類準(zhǔn)確率較低，為90%，總準(zhǔn)確率為96.19%。RF-LDA模型和SPA-LDA模型幾乎沒有誤判，總分類準(zhǔn)確率均達到99.52%?？紤]到SPA-LDA模型訓(xùn)練集100%的總分類準(zhǔn)確率高于RF-LDA模型訓(xùn)練集98.73%的總分類準(zhǔn)確率，因此，SPA-LDA是*優(yōu)的分類模型。

圖7. LDA模型二維散點圖：(A) MCUVE-LDA模型，(B) RF-LDA模型，(C) SPA-LDA模型

圖8. LDA模型三維散點圖：(A) MCUVE-LDA模型，(B) RF-LDA模型，(C) SPA-LDA模型

圖9. LDA模型的混淆矩陣：(A) MCUVE-LDA模型，(B) RF-LDA模型，(C) SPA-LDA模型

結(jié)論

紅薯缺陷的準(zhǔn)確評價是紅薯自動分類分級系統(tǒng)的關(guān)鍵。在這項研究中，使用了高光譜成像技術(shù)來捕捉140個健康紅薯、140個凍傷紅薯和140個病害紅薯的高光譜圖像。采用標(biāo)準(zhǔn)正態(tài)變量（SNV）變換對原始光譜數(shù)據(jù)進行預(yù)處理，消除了大部分隨機誤差，使模型獲得較高的精度。為了降低樣品光譜信息的維數(shù)，利用MCUVE、RF和SPA分別提取了11、10和10個特征波長。然后，利用選擇的特征波長建立PLS-DA和LDA模型，對健康紅薯和缺陷紅薯進行分類。其中RF-LDA和SPA-LDA模型對預(yù)測集的總分類準(zhǔn)確率達到99.52%?？紤]到SPA-LDA模型訓(xùn)練集100%的總分類準(zhǔn)確率高于RF-LDA模型訓(xùn)練集98.73%的總分類準(zhǔn)確率，SPA-LDA是*優(yōu)的分類模型。結(jié)果表明，所建立的模型能夠有效地識別凍傷紅薯、患病紅薯和健康紅薯。本研究為高光譜成像技術(shù)在紅薯貯藏加工監(jiān)測中的應(yīng)用提供了理論依據(jù)和技術(shù)支持。

推薦產(chǎn)品

“GaiaField”高光譜成像系統(tǒng)（GaiaField-V10E）

作者簡介

玄冠濤，山東農(nóng)業(yè)大學(xué)機械與電子工程學(xué)院，碩導(dǎo)

參考文獻

論文引用自三區(qū)文章：Yuanyuan Shao, Yi Liu, Guantao Xuan, Yukang Shi, Quankai Li, Zhichao Hu, Detection and analysis of sweet potato defects based on hyperspectral imaging technology, Infrared Physics & Technology, Volume 127, 2022, 104403, ISSN 1350-4495