- 相關(guān)推薦
關(guān)于近紅外高光譜成像技術(shù)的桃輕微損傷早期檢測論文
引言
桃柔軟多汁、營養(yǎng)豐富，素有仙桃壽果之稱。桃不耐貯運(yùn)且在采摘、運(yùn)輸和貯藏過程中極易發(fā)生各種機(jī)械損傷[1]，損傷初期表皮未破損，傷面有輕微凹陷，肉眼難以察覺; 隨著時間流逝表皮會逐漸褐變，成為侵染性病害產(chǎn)生的入口和溫床，并侵染其他完好的水果; 最終導(dǎo)致水果大量腐爛，給果農(nóng)造成經(jīng)濟(jì)損失。因此，找到一種有效的對輕微損傷早期檢測方法很有必要。
水果表面缺陷的檢測目前廣泛使用RGB 成像系統(tǒng)。然而，在桃受損傷的早期，輕微損傷的表面和正常部位幾乎一樣，肉眼很難識別，RGB 成像系統(tǒng)難以滿足需要。而受損區(qū)域的含水量要高于其他正常組織，這種變化可以通過RGB 以外的特定波長下的光譜表現(xiàn)出來。近年來，可以同時獲取被測對象的空間及光譜信息的高光譜成像技術(shù)在水果表面輕微損傷檢測中得到了廣泛的使用。Xing 等應(yīng)用可見/ 近紅外( 400 ～ 1 000nm) 高光譜圖像對‘Jonagold’( 喬納金) 蘋果和‘ Golden Delicious’蘋果表面損傷進(jìn)行檢測。識別結(jié)果表明: 損傷發(fā)生1 天后的蘋果檢測率分別為77. 5%和86%。ElMasry 等 ( 2008 年) 以‘Mc-Intosh’蘋果為研究對象，應(yīng)用可見/ 近紅外( 400 ～1 000nm) 對發(fā)生1h 內(nèi)的損傷進(jìn)行檢測，最終確定近紅外區(qū)域的3 個有效波段( 750、820、960nm) 可用來檢測。黃文倩等以具有代表性的阿克蘇蘋果為研究對象，采用高光譜成像技術(shù)( 320 ～ 1 100nm) 和分段主成分分析對發(fā)生0. 5h 之內(nèi)的損傷蘋果進(jìn)行早期檢測研究，對比分析不同光譜區(qū)域主成分分析對識別結(jié)果的影響，優(yōu)選出識別光譜區(qū)域?yàn)榻t外范圍( 780 ～1 000nm) 。結(jié)果表明: 正常果的識別率為100%，損傷果的識別率為96%。Benxue 應(yīng)用在在500 ～ 800nm范圍的高光譜數(shù)據(jù)對香梨表面損傷進(jìn)行檢測，檢測正確率為89. 4%。Byoung - Kwan以'Shingo' 梨為研究對象，探討了應(yīng)用高光譜1 000 ～ 1 700nm 范圍的紅外圖像檢測梨表面損傷的可行性。呂強(qiáng)等基于可見/近紅外高光譜圖像( 408 ～ 1 117nm) 研究對肉眼難以識別的隱性損傷獼猴桃的檢測方法。結(jié)果表明: 所建立模型對損傷獼猴桃的總體正確判別率為85. 5%。高光譜成像技術(shù)在桃損傷檢測上的研究鮮有報道。
分析國內(nèi)外的關(guān)于肉眼難以識別的水果表面損傷檢測的研究報道，這些研究主要集中在波長范圍為400 ～ 1 000nm 的可見光/近紅外光譜波段，大部分檢測率還有待提高。損傷區(qū)域含水量的變化主要反應(yīng)在光譜的近紅外區(qū)域，EIMasry 等、黃文倩等最終選擇的最優(yōu)波段集中在近紅外區(qū)域。近紅外高光譜波段多、光譜響應(yīng)范圍廣，同時對顏色不敏感，對表面顏色分布不均的水果損傷檢測中應(yīng)有一定的優(yōu)勢。為此，基于近紅外( 900 ～ 1 700nm) 高光譜成像技術(shù)對損傷12h 后的‘北京8 號’桃進(jìn)行早期檢測研究。首先，根據(jù)光譜圖信息確定區(qū)分損傷與正常區(qū)域的光譜波段; 然后，基于選擇的光譜波段，通過主成分分析( Principal Components Analysis，PCA) 和獨(dú)立成分分析( Independent Component Analysis， ICA) 兩種方法進(jìn)行降維，結(jié)合圖像處理算法進(jìn)行損傷區(qū)域分割提取，研究近紅外高光譜成像技術(shù)對桃輕微損傷的早期檢測。
1 材料與設(shè)備
1. 1 實(shí)驗(yàn)材料
實(shí)驗(yàn)用樣品為陜西廣泛種植的“北京8 號”，果實(shí)成熟時果面主要著青色，朝陽面著不均勻紅色，圓球形，絨毛密短，果皮薄，果肉乳白色，離核。在成熟期從桃園中輕輕摘取一批桃樣本，選取形狀規(guī)則、無肉眼可觀測到的損傷、無病斑及直徑在50mm 左右的桃為試驗(yàn)樣本。通過一平板分別給桃赤道附近施加15kg 左右的壓力，以制備壓傷樣品。挑選出肉眼很難識別的壓傷樣品60 個，選無損樣本60 個。樣品發(fā)生12h 后，在室溫( 22℃) 條件下采集每個樣品的高光譜圖像。“北京8 號”桃某一損傷樣本采集高光譜數(shù)據(jù)后去皮前后的彩色圖像。從圖1( a) 中可以看出: 樣本受損12h 后肉眼很難看識別損傷區(qū)域; 圖1( b) 是去掉表皮后的樣本，可見皮下組織細(xì)胞已發(fā)生變化，說明已經(jīng)受損。
1. 2 高光譜圖像采集系統(tǒng)
本研究采用的實(shí)驗(yàn)平臺是北京卓立漢光儀器有限公司開發(fā)的HyperSIS 高光譜成像系統(tǒng)，如圖2 所示。該系統(tǒng)主要由光譜相機(jī)( 即高光譜成像儀) 、CCD 面陣探測器、暗箱和電機(jī)控制電源箱組成。其中，暗箱包括4 個白光漫反射型光源( 100W) 及移動載物臺。數(shù)據(jù)采集軟件為SpectralSENS。光譜相機(jī)測量的光譜波長范圍為900 ～ 1 700nm，光譜分辨率為5nm，光譜采樣平均間隔為3. 32nm，成像分辨率是320 × 250。
1. 3 高光譜圖像采集
高光譜數(shù)據(jù)采集前，為保證高光譜圖像的清晰度并避免圖像尺寸和空間分辨率失真，需要調(diào)整高光譜成像儀的參數(shù)。反復(fù)實(shí)驗(yàn)后，高光譜成像儀的參數(shù):物距為200 mm，相機(jī)曝光時間是10ms，移動載物臺的速度為20mm/ s，載物臺選為黑色粗糙面。圖像采集時，每次選取1 個“沙紅”桃樣本，標(biāo)號后放置于載物臺上，線光源照射放在載物臺上的樣品，被照射部分的影像通過鏡頭被光譜儀捕獲。在X 軸方向上被光譜儀分光，得到一個線狀空間，同時獲得每個像素在不同波長下的光譜信息; 載物臺帶動樣本在Y 軸方向運(yùn)動，線陣探測器逐行掃出完整的平面，最后獲得1幅大小為320 × 250 × 255 的高光譜圖像塊，完成對整個桃樣本圖像的采集。
1. 4 圖像標(biāo)定
由于桃屬于類球型物體，對光照反應(yīng)不同，受各波段下光源強(qiáng)度分布不均以及攝像頭中暗電流噪聲的影響，采集到的高光譜圖像存在較大的噪聲，所以必須對采集到的圖像進(jìn)行校正。保持與樣本圖像采集時相同的參數(shù)，用掃描反射率為99% 的標(biāo)準(zhǔn)白色校正板獲得全白標(biāo)定圖像Iw，然后蓋上鏡頭蓋采集獲得全黑標(biāo)定圖像Ib，按照公式( 1) 計算得到校正后的圖像ref 。有ref = I - IbIw - Ib( 1)其中，I 是采集的原始高光譜圖像。
2 結(jié)果與討論
高光譜圖像數(shù)據(jù)處理采用ENVI 4. 6. 1 ( ResearchSystem Inc. ，USA) 及MatLab 2010a ( The MathWorksInc. ，USA) 軟件。
2. 1 正常和損傷區(qū)域的反射光譜
為了減少果品不同位置光照不均對光譜強(qiáng)度的影響，正常樣本的感興趣區(qū)域( region of interest，ROI) 也選擇在赤道附近。分別對20 個正常樣本和20 個損傷樣本的ROI 選擇20 × 20 個像素點(diǎn)計算平均光譜。
在整個光譜區(qū)域內(nèi)，正常區(qū)域光譜反射值比損傷區(qū)域高。樣品在950nm 以下存在噪聲，在1 350nm 以上正常與損傷區(qū)域光譜曲線逐漸靠近至部分混合，不具有較好的區(qū)分性。因此，選取950 ～ 1 350nm 范圍內(nèi)的高光譜圖像數(shù)據(jù)進(jìn)行分析。
2. 2 高光譜數(shù)據(jù)降維
本研究對950 ～ 1 350nm 波長范圍的“沙紅”桃的高光譜數(shù)據(jù)進(jìn)行研究，共有121 個波段。數(shù)據(jù)量大且相鄰波段之間有較強(qiáng)的相關(guān)性，造成信息的冗余，給高光譜圖像的有效處理帶來了困難。因此，選擇合理的數(shù)據(jù)降維算法，尋找最能表征桃輕微損傷的信息是非常重要的。PCA 是目前研究水果表面缺陷檢測中常用的數(shù)據(jù)降維方法。它沿著協(xié)方差最大的方向從高維數(shù)據(jù)空間向低維數(shù)據(jù)的空間投影，得到互相獨(dú)立的主成分向量，能最大限度地表征原始數(shù)據(jù)的信息。其既實(shí)現(xiàn)了數(shù)據(jù)的降維，又消除了原始數(shù)據(jù)中的冗余信息，是一種十分有效的高維數(shù)據(jù)降維方法。但Ramakrishna等研究指出，在PCA 變換后，99% 以上的信息集中在前幾個主成分分量中。而高光譜圖像數(shù)據(jù)中某些小目標(biāo)的信息，分布在特征值較小的分量中。這些分量對信息量的集中影響很小，在分析中通常被舍棄，一些重要信息也可能被忽略掉。獨(dú)立成分分析是是將高維信號按照統(tǒng)計獨(dú)立的原則建立目標(biāo)函數(shù)，通過優(yōu)化算法將信號分解為若干獨(dú)立分量。ICA 提取的獨(dú)立成分IC 圖像，擁有更強(qiáng)的統(tǒng)計特性，在感興趣區(qū)域的信號相對薄弱的情況下，有利于信息的保留。本研究中，雖然樣本果實(shí)為同時采摘但成熟度也不完全相同，受損程度也就不同，某些樣本受損較輕區(qū)域的信號相對薄弱。因此，本研究分別通過PCA 和ICA 來進(jìn)行高光譜數(shù)據(jù)的降維，從中找到最能檢測桃損傷的有效信息。
“北京8 號”桃在950 ～ 1 350nm 波段內(nèi)進(jìn)行了主成分分析后得到的前7 個主成分圖像。從圖4可以看出: PC1、PC2 可通過視覺看出損傷區(qū)域，但損傷區(qū)域與背景區(qū)域或正常區(qū)域灰度相近，不利于提取; PC3 看不出損傷信息，且前3 個主成分含有明顯的光照信息; PC4 雖然有明顯損傷信息，但損傷區(qū)域與正常區(qū)域的界限模糊; PC5、PC6 幾乎不含有損傷信息;PC7 損傷區(qū)域高亮，且與周圍界限較明顯，有利于損傷區(qū)域分割。所以，選取PC7 作為后面損傷分割的最優(yōu)主成分圖像。
3 檢測結(jié)果
將上述算法對“北京8 號”桃所有樣本120 個進(jìn)行檢測。
檢測結(jié)果表明: 利用PCA 方法進(jìn)行損傷檢測，所有的完好樣本都沒有被誤檢測為損傷樣本，檢測正確率為100%; 而損傷樣本中有9 個未被檢測出，檢測正確率為85%，總體檢測正確率為92. 5%。用ICA 方法進(jìn)行損傷檢測，所有的完好樣本也均未被誤檢測為損傷樣本，檢測正確率為100%; 損傷樣本中還有2 個未被檢測出，檢測正確率為96. 6%，總體檢測正確率為98. 3%。ICA 方法檢測正確率明顯高于PCA 方法，尤其是對損傷樣本的識別。其中，用PCA 方法檢測時，把損傷樣本被誤分為正常樣本有9 個; 用ICA 方法檢測時，損傷樣本未被識別出來的兩個也包含在上面9 個中。從對所有損傷樣本剝皮后觀察分析，主要原因是果實(shí)雖為同時采摘但成熟度也不完全相同，受損程度過輕且受損時間較短，撕開表皮觀察，損傷區(qū)域組織沒有明顯的變化。因此， ICA 對這種樣本的識別要優(yōu)于PCA 方法。
4 結(jié)論
本文利用近紅外( 900 ～ 1 700nm) 高光譜成像技術(shù)對“北京8 號”桃發(fā)生12h 后的損傷進(jìn)行檢測。采集近紅外高光譜圖像數(shù)據(jù)，選擇損傷區(qū)域與正常區(qū)域譜差異大的( 950 ～ 1 350nm) 范圍的數(shù)據(jù)分別用主成分分析和獨(dú)立成分分析進(jìn)行數(shù)據(jù)降維，結(jié)合圖像處理的方法，進(jìn)行損傷早期檢測的可行性研究。研究表明: ①950 ～ 1 350nm 范圍內(nèi)的高光譜圖像能有效地檢測損傷; ②通過對950 ～ 1 350nm 主成分分析后的PC7圖像和獨(dú)立成分分析后的IC1 圖像進(jìn)行中值濾波、閾值分割及數(shù)學(xué)形態(tài)學(xué)運(yùn)算，能有效地分割出損傷區(qū)域; ③分別對60 個正常樣本和60 個損傷樣本進(jìn)行檢測，正常果的識別率均為100%，PCA 降維損傷果的識別率為85%， ICA 降維損傷果識別率為96. 67%。結(jié)果表明，近紅外高光譜成像技術(shù)能有效地進(jìn)行桃損傷的早期檢測。由于PCA 和ICA 方法都是基于所有波段參與運(yùn)算基礎(chǔ)上的，所以如何提取帶有損傷信息的有效波段有待繼續(xù)深入研究。
【近紅外高光譜成像技術(shù)的桃輕微損傷早期檢測論文】相關(guān)文章：
基于可見-近紅外光譜和多光譜成像技術(shù)的梨損傷檢測研究05-07
近紅外光譜檢測技術(shù)在農(nóng)業(yè)和食品分析上的應(yīng)用05-06
現(xiàn)代近紅外光譜技術(shù)及應(yīng)用進(jìn)展05-06
尿微量白蛋白的可見-近紅外光譜檢測05-06
高光譜熒光成像技術(shù)在識別早期腐爛臍橙中的應(yīng)用研究05-07
近紅外光譜技術(shù)定量測定基質(zhì)參數(shù)研究05-07
美國高光譜成像技術(shù)獲資金支持05-03