基于成像光谱技术的橙子斑点及损伤快速识别研究

                                       四川双利合谱科技有限公司-黄宇

• 引言

随着人们生活水平的提高，消费者越来越关注果蔬的品质安全问题。如造成

水果表面出现黑白斑的内部腐烂、水果因运输等原因造成的碰伤、损伤等，从而严重影响消费者的身体健康。因此水果黑白斑、碰伤损伤的快速有效的识别具有重要的研究价值。

高光谱图像技术结合了光谱分析和图像处理的技术优势，国内外许多学者对研究对象的内外部品质特征进行检测分析，如赵杰文等利用高光谱图像技术检测水果轻微损伤，准确率为88.57 %；Jasper G. Tallada等分别应用高光谱图像技术对不同成熟度的草莓表面损伤、苹果的表面缺陷及芒果的成熟度检测进行了试验研究。王玉田等运用荧光光谱检测出水果表面残留的农药；胡淑芬等运用激光技术对水果表面农药残留进行了试验研究；薛龙等针对水果表面农药残留，以滴有较高浓度的脐橙为研究对象，利用光谱范围425-725 nm的高光谱图像系统进行检测，发现对较高浓度的农药残留检测效果较好。本文采用高光谱图像技术检测不同水果的黑白斑区域及损伤区域，以实现水果黑白斑、损伤区域快速识别的目的。

二、 试验材料与方法

2.1  实验材料

本研究以橙子为研究对象，分析橙子的黑白斑区域与损伤区域。其中橙子的黑白斑、损伤是非人为故意形成。

2.2  实验设备

高光谱成像数据采集采用四川双利合谱科技有限公司的 GaiaSorter高光谱分选仪系统。该系统主要由高光谱成像仪(V10E)、CCD 相机、光源、暗箱、计算机组成，结构图与实景图如图1。实验仪器参数设置如表1。

表1   GaiaSorter 高光谱分选仪系统参数

图 1  GaiaSorter 高光谱分选仪结构图与实景图

2.3  图像处理分析

采用SpecView和ENVI/IDL对高光谱数据的预处理及分析，预处理中的镜像变换、黑白帧校准在SpecView中进行；其他数据的分析在ENVI/IDL中进行。

三、结果与讨论

3  橙子黑斑斑区域、正常区域、背景的光谱分析

以橙子的正面和侧面为例，取橙子黑斑区域、白板区域、正常区域和背景各3个不同位置周边50个像元，分别获取这3个不同位置50个像元的光谱反射率，并求取这50个像元的反射率均值，如图3所示。从图中可知，在580-700 nm范围内，橙子的黑斑区域、白斑区域、正常区域的光谱反射率上升趋势较为显著，而背景在此光谱范围，光谱反射率上升较为缓慢，因此可以在此区域快速地识别橙子。无论从橙子的正面光谱还是侧面光谱来看，在530-1000 nm范围内，橙子的黑斑区域的光谱反射率均低于橙子的白斑区域和正常区域。在400-1000nm范围内，白斑区域和正常区域在蓝光波段差异明显。

图3  橙子黑斑斑区域、正常区域、背景的光谱反射率

3.3  橙子的噪声分离变换

对经过镜像变换、黑白帧校准的橙子高光谱图像进行MNF变换(如图4，从左到右：苹果、正面橙子、侧面橙子) ，分别得到以有效信息为主的波段和以噪声为主的波段，并且按照信噪比从大到小的顺序排列。原始数据的主要信息都集中在前面特征值大的波段，后面特征值小的波段主要以噪声为主。特征值接近于0的多数是噪声，选择特征值高的波段。从图4可知，当橙子特征值数到7时，特征值趋向于0且无显著变化。

图 4腐烂区域与农业残留区域提取流程图

3.4  噪声分离变换

由于高光谱遥感数据波段多，波段间存在很大相关性，为了克服维数灾难，利用噪声分离变换进行波段选择，达到优化数据，去除噪声和数据降维的目的。

噪声分离变换( MNF)是对主成分变换( PCA) 的一种改进方法。PCA 是一种线性变换，变换后各主成分分量彼此之间互不相关，随着主成分的增加该分量包含的信息量减小，主成分包含的信息量，第二主成分与主成分无关且在剩余成分中包含的信息量，依此类推。但PCA对噪声比较敏感，在变换后的主成分分量中，信息量大的信噪比不一定高，当某个信息量大的主成分中包含的噪声的方差大于信号的方差时，该主成分分量形成的图像质量就差。针对 PCA 变换的不足，Green 和 Berman 提出噪声分离变换( MNF)，它

不但能判定图像数据内在的维数( 波段数) ，分离数据中的噪声，而且能减少随后处理中的计算需求量。MNF 变换是基于图像质量的线性变换，变换结果的成分按照信噪比从大到小排列。经过MNF变换大部分噪声集中在特征小的分量中。而不像 PCA变换按照方差由大到小排列，从而克服了噪声对影像质量的影响。

3.4.1基于MNF的橙子的黑白斑区域识别

    图5列举了橙子正面、侧面原图（高光谱RGB彩色合成）、MNF变换前7个特征值灰度图。从正面橙子的MNF变换的特征值灰度图来看，第1特征值灰度图能较好地区分背景、橙子黑斑，然而，背景和橙子黑斑则无法相互区分；第2、3特征值灰度图亮度部分为黑斑，但是无斑点橙子也会被错误地识别为黑斑；第4特征值灰度图能较好地识别出橙子的黑斑和白斑，即较亮的部分为橙子的黑斑、白斑，识别效果较好；第5、6、7及往后的特征值的灰度图则无法正确识别出黑斑、白斑区域。

图5橙子正面RGB原图及前7个MNF特征值灰度图

如图6，从侧面橙子的MNF变换的特征值灰度图来看，第1特征值灰度图能较好地区分背景、橙子；第2、3特征值灰度图识别效果并不如意，黑白斑、背景等均未能识别出来；第4特征值灰度图虽然能识别出橙子黑斑，但是也错误地把部分无斑点橙子识别为黑斑；第5特征值灰度图能较好地识别出橙子黑白斑、损伤区域，但是部分背景会错误地识别为黑白斑。第6、7及往后的特征值的灰度图则无法正确识别出黑斑、白斑、损伤区域。

图6 橙子测面RGB原图及前7个MNF特征值灰度图

3.6 基于植被指数、阈值分割的橙子斑点、损伤区域快速识别

    根据图3橙子黑白斑区域、损伤区域、正常区域和背景的光谱反射率变化规律，构建植被指数NDVI(706, 590)去除背景并掩膜MNF5，利用灰度密度分割，用红色代表橙子斑点、损伤区域，黄色代表轻微损伤或者微小的橙子斑点，如图7所示。从图中可知，无论是橙子的正面或者侧面，利用植被指数、阈值分割的方法均能快速、较为准确地识别出其斑点和损伤区域。

图7 基于植被指数、阈值分割的橙子斑点、损伤区域快速识别

四 讨论

高光谱成像技术应用于水果斑点及损伤区域的快速识别已体现出其“图谱合一”的优越性。水果损伤和水果表皮的斑点颜色虽然能用肉眼一一识别，但是在工业生产用，仅靠人力去一一挑选无损伤、无斑点的水果，既费时费力费财。利用成像高光谱技术，获取不同水果的光谱反射率，查找出其损伤、斑点的特征波段，利用特征波段构建植被指数从而实现水果损伤、斑点区域的快速有效的识别，并达到自动化挑选优质水果的目的。本研究结果表明，运用高光谱成像技术，运用噪声分离、植被指数等方法等，均可有效地识别水果损伤与斑点区域，但噪声分离方法较为复杂，运算速度较慢，不适合在工业生产上进行应用，而植被指数算法简单，仅利用2个波段进行四则运算即可实现水果损伤和斑点的快速识别。