高光譜成像結合SIS與RFS的藍莓腐爛病檢測

何 寬， 田有文*， 喬世成， 姚 萍， 古文君

(1. 沈陽農業大學 信息與電氣工程學院， 遼寧 沈陽 110866； 2. 遼寧省農業信息化工程技術研究中心， 遼寧 沈陽 110866.)

1 引 言

藍莓學名越橘，深藍色漿果，原產于美國，國內主要分布于東北和西南地區[1]。藍莓富含花青素、維生素，具有極高的營養保健價值[2]，深受人們喜愛。但藍莓采后易患腐爛病，影響藍莓的可食用性，降低了藍莓的加工品質和商業價值[3]。故病害藍莓的分揀是藍莓銷售或加工前的一個重要環節。傳統的藍莓病害檢測通常為理化分析檢測或人工肉眼檢測。前者檢測時間長，且具有破壞性。后者檢測效率低、誤差大。這兩者都難以滿足藍莓在線分揀的要求。因此，研究藍莓病害無損檢測技術對藍莓的在線實時分揀、提高藍莓行業自動化水平和生產效益具有重要意義和應用價值。

國內外一些研究學者利用機器視覺和高光譜成像等無損檢測技術對水果的病害進行無損檢測[4-23]，并且取得了一定的效果。Georgina等[7]利用機器視覺技術提取柑橘顏色、形狀及紋理等14類特征，并采用分類回歸樹(CART)、樸素貝葉斯(NB)、多層感知器(MLP)模型對柑橘潰瘍病、黑斑病和結痂病進行無損檢測，Shubhangi等[8]利用機器視覺技術對石榴進行病害檢測,實驗使用k-均值和閾值圖像分割方法提取石榴病變區域。利用離散小波變換方法提取病變部位的一組視覺特征作為支持向量機(SVM)模型的輸入矢量，對石榴進行病害識別。Sun[20]利用高光譜成像系統獲取無損、輕度腐爛、中度腐爛、重度腐爛桃子的高光譜圖像，采用閾值分割法來識別桃子病害區域，并采用連續投影法(SPA)提取6個特征波長，建立偏最小二乘判別分析(PLS-DA)模型進行病害識別，進一步提高了桃子腐爛病害識別率。Folch-Fortuny等[21]利用高光譜成像技術獲取感興趣區域光譜數據，利用排列測試法提取5個特征波長并采用多路偏最小二乘回歸判別分析模型對真菌感染的柑桔病害檢測柑桔腐爛病。劉思伽等[22]利用高光譜成像技術獲取蘋果光譜數據，采用閾值分割法分割出蘋果病害區域并提取高光譜數據，采用連續投影算法從全波長中提取3個特征波長，建立線性判別分析、支持向量機和BP人工神經網絡模型對蘋果病害進行檢測。黃鋒華等[23]采用高光譜成像技術對中油9號油桃的裂紋果、銹病果、異形果和暗傷果進行檢測判別。研究提取了10條特征波長，進行主成分分析得到前10個主成分值。利用閾值分割方法等分割出油桃病害區域并提取紋理特征。最后將主成分值和6項紋理指標(均值、對比度、相關性、能量、同質性、熵值)紋理值融合建立極限學習機(ELM)模型對外部缺陷樣本和完好樣本進行檢測判別。

上述研究中，無論采用機器視覺技術還是高光譜成像技術，都需要將柑橘、石榴等中型水果的病害區域從正常區域中分割出來。因為上述水果病害區域與正常區域顏色特征對比明顯，采用閾值分割很容易將病害區域分割出來。而藍莓的表皮顏色較深，其正常區域與病害區域顏色特征相近，利用常規的閾值分割法難以將藍莓病害有效分割。因此，本研究根據藍莓正常區域與病害區域的光譜相對反射率的差異，提出光譜信息分割法(SIS)來分割病害區域。另外，藍莓正常區域和病害區域在可見光范圍內的光譜相對反射率存在差異，并且藍莓正常區域和病害區域在近紅外范圍內的光譜相對反射率也存在差異，故本研究提出區域特征篩選法(RFS),將藍莓光譜相對反射率分成可見光第一區域(450～760 nm)和近紅外第二區域(760～1 000 nm)進行研究，再結合CARS與SPA算法提取出特征波長，最后用RVM模型與RBF神經網絡模型對藍莓病害進行檢測，為實現快速、無損的藍莓病害在線檢測、分揀提供理論支持。

2 實 驗

2.1 實驗材料

藍莓樣本采摘于沈陽市鐵西經濟技術開發區彰驛站街道彰驛站村時圣藍莓種植基地，采摘時間為2017年7月。藍莓樣本選擇果形勻稱、大小相近、腐爛面積占總面積15%以內、無明顯霉斑的輕微腐爛病害藍莓220個，正常藍莓100個。采后利用高光譜成像系統采集所有藍莓的高光譜圖像。

2.2 實驗設備

本實驗采集藍莓高光譜圖像的高光譜成像系統如圖1所示，其組成部分為高光譜成像光譜儀(ImSpector V10 E，Spectral Imanging Ltd，Finland)，面陣CCD相機(IGV-B1410M，IMPERX indorporated，USA)，精密位移控制平臺(IRCP0076-1 COM，臺灣)，無光暗箱(120 cm×50 cm×140 cm)，兩個150 W光纖鹵素燈(3900Illuminatior，Illumination Technologies，Inc.美國)，一臺計算機(DELL Vostro 5560D-1528)。高光譜成像系統的光譜采集范圍是400～1 000 nm，光譜分辨率為1.27 nm，一共472個波段。

圖1 高光譜成像系統示意圖Fig.1 Schematic diagram of hyperspectral imaging system

2.3 高光譜圖像采集

藍莓圖像采集前調整高光譜成像系統，調整鏡頭光圈確定合適焦距，采集反射率99%的白板的白色標定圖像RW和蓋上鏡頭蓋的全黑標定圖像RD。將藍莓樣本20個按照5排4列擺放在位移臺上。為確保圖像不失真，位移臺速度控制為1.7 mm·s-1。最后通過高光譜圖像采集系統獲取藍莓樣本的高光譜圖像，并分割出單個藍莓高光譜圖像，如圖2所示。

圖2 藍莓高光譜圖像

2.4 藍莓高光譜圖像處理

采集高光譜圖像時，由于暗電流的存在會使光源強度不均勻從而導致高光譜圖像產生噪聲，因此需要對高光譜圖像進行黑白板校正，并按照公式(1)計算得到校正后的高光譜圖像I以消除噪聲:

(1)

式中RS為藍莓的原始高光譜圖像反射率，RW為全白校正圖像反射率，RD為全黑校正圖像反射率，I為校正后的藍莓高光譜圖像反射率。

本實驗處理藍莓高光譜圖像選用ENVI 4.8(Rese archSystem Inc.，美國)、Matlab 7.1(The MathWorksInc.，美國)軟件。ENVI用于光譜數據和圖像的提取，Matlab用于光譜數據處理、圖像分割、特征波長的提取以及模型的建立。

2.5 實驗流程

本實驗的藍莓病害檢測實驗流程為：首先獲取藍莓高光譜圖像；然后圖像分割確定感興趣區域，提取光譜相對反射率，篩選特征波長；最后利用模型對藍莓病害進行檢測。具體操作流程如圖3所示。

圖3 藍莓病害檢測處理流程圖Fig.3 Processing flow chart of blueberry disease detection

3 實驗結果與討論

3.1 高光譜曲線分析

從圖2中可以看出在波長400～450 nm范圍內，藍莓病害區域與正常區域的光譜數據存在噪聲。為了不影響后續檢測的準確率，本研究去除該范圍波段的光譜數據。另外在可見光波段(450～760 nm)范圍內，藍莓病害區域的光譜相對反射率比藍莓正常區域的光譜相對反射率稍大一些。而在近紅外波段(760～1 000 nm)范圍內，藍莓正常區域的光譜相對反射率比藍莓病害區域的光譜相對反射率大。藍莓病害區域與正常區域光譜相對反射率存在差異的原因是由于藍莓正常區域與藍莓病害區域顏色稍微有些差異，而且藍莓病變腐爛使藍莓病害區域主要成分及理化性質發生改變，從而使光譜反射率發生變化。因此采用450～1 000 nm波段范圍的光譜數據建立模型檢測藍莓的病害。

3.2 感興趣區域分割

藍莓顏色為深藍色，病害部分與表皮顏色相近，采用閾值分割方法容易把正常區域誤當作病害區域分割出來。本實驗分割圖像時，由于866.5 nm波段圖像中藍莓病害區域與正常區域差異相對明顯，所以實驗選擇866.5 nm波段圖像作為特征圖像進行分割。再利用閾值分割對866.5 nm波段藍莓圖像進行二值化，得到圖像如圖4(c)所示。然后用該二值化圖像對高光譜圖像進行掩膜得到圖4(d)，再對圖4(d)進行閾值分割，閾值設定為0.65，得到病害區域分割圖像，如圖4(e)所示。最后，對圖4(e)圖像進行腐蝕膨脹，實現病害區域分割,如圖4(f)所示。由該圖可看出常規的閾值分割法未能比較完整地分割出藍莓病害區域，并將部分正常區域當作病害也分割出來。所以，本研究根據藍莓正常區域與病害區域光譜信息的差異，提出了光譜信息分割法SIS，利用光譜信息將藍莓病害區域從藍莓正常區域中分割出來。實驗同樣選擇866.5 nm波段圖像。該波段下背景的光譜相對反射率為0.05左右，光譜相對反射率較小。故提取866.5 nm波段圖像所有像素點的光譜相對反射率，并求其平均值g=0.21作為藍莓分割閾值。比較藍莓圖像每個像素點的光譜相對反射率與分割閾值的大小，若該像素點的光譜相對反射率小于0.21，該像素點的光譜相對反射率賦值為1，該像素點的像素值賦值為255；若該像素點的光譜相對反射率大于等于0.21，該像素點的光譜相對反射率不變，該像素點的像素值也不變。得到藍莓分割圖像，如圖5(c)所示。

圖4 閾值分割結果Fig.4 Result of threshold segmentation method

圖5 光譜信息分割結果

在866.5 nm波段，藍莓正常區域的光譜相對反射率均大于0.35，病害區域的光譜相對反射率在0.3左右，且均小于0.35，故設定藍莓病害區域的分割閾值為0.35。比較圖5(c)藍莓圖像每個像素點的光譜相對反射率與藍莓病害分割閾值的大小，若該像素點的光譜相對反射率小于0.35，該像素點的像素值賦值為1；若該像素點的光譜相對反射率大于等于0.35，該像素點的像素值賦值為0。藍莓病害分割圖像如圖5(d)所示。因為藍莓邊緣正常區域的光譜相對反射率有一部分小于0.35，導致將藍莓邊緣正常區域分割出來，所以再對圖4(d)進行腐蝕膨脹運算得到最終分割后的藍莓病害圖像，如圖5(e)所示。

從分割結果可看出，本研究提出的光譜信息圖像分割法能夠準確分割出藍莓病害區域，解決了由于藍莓正常區域與病害區域顏色特征相近難以有效分割病害區域的問題。

3.3 提取特征波長

根據前面的藍莓分割圖像，5×5大小區域提取光譜數據并求其平均值以代替該區域的平均光譜相對反射率。

由于光譜存在小鋸齒噪聲，所以采用Savitzky-Golay平滑方法對光譜曲線進行平滑處理，為后續研究提供理想數據。

原始高光譜圖像光譜數據維數大，信息量冗余，增加了檢測模型計算量，降低了檢測模型性能，需要對其進行降維，提取特征波長。根據可見光范圍(450～760 nm)和近紅外范圍(760～1 000 nm)內病害區域的光譜相對反射率和正常區域的光譜相對反射率分別存在不同的差異，本研究提出區域特征篩選法(RFS)，將光譜分成可見光第一區域波段(450～760 nm)和近紅外第二區域波段(760～1 000 nm)，然后再采用CARS與SPA算法分別對兩個區域的光譜信息提取特征波長，并提取出特征波長對應的光譜相對反射率[24-26]。采用區域特征篩選法方法的優點在于強制減少了近乎一半維數，降低了CARS與SPA算法的篩選工作量。特征波長的篩選結果如表1所示。

表1 特征波長提取Tab.1 Feature wavelength extraction

3.4 檢測結果與討論

本研究采用RVM和RBF神經網絡兩種模型檢測病害藍莓，模型輸出為1和0兩種結果，1表示正常藍莓，0表示病害藍莓。將220個正常藍莓和100個病害藍莓分成訓練集和測試集，其中訓練集樣本數量選60個正常藍莓和140個病害藍莓，測試集樣本數量選擇40個正常藍莓和80個病害藍莓。

采用RBF模型檢測時，隱含層的徑向基函數采用高斯函數作為傳遞函數，輸出層的傳遞函數為線性函數，分布常數speed為10。采用RVM模型檢測時，內核函數采用高斯函數，核長度尺度為1，最大迭代次數為1 000。選擇第一區域特征波長的光譜相對反射率、第二區域特征波長的光譜相對反射率、第一區域和第二區域特征波長組合的光譜相對反射率分別作為RVM模型和RBF模型的輸入矢量，比較不同模型的檢測效果。檢測結果如表2所示。

表2 藍莓病害檢測結果Tab.2 Result of blueberry disease detection

從采用不同區域特征波長的相對反射率矩陣進行檢測的結果來看，第一區域與第二區域組合的識別模型檢測結果最好，第二區域的模型次之，第一區域模型檢測結果最差。根據前面的高光譜曲線分析，藍莓的病害區域與正常區域的光譜相對反射率在近紅外范圍的差異比可見光范圍的差異要大很多，因而正常區域與病害區域在近紅外范圍內的光譜特征差異更明顯，所以檢測模型在近紅外范圍的檢測效果要比可見光范圍的檢測效果好。兩個區域組合的特征波長光譜相對反射率則能更全面地表達出藍莓的病害區域與正常區域之間的差異，所以第一區域與第二區域特征波長組合的模型檢測效果最好。

通過比較CARS與SPA兩種方法提取特征波長的模型檢測效果來看，CARS提取特征波長在訓練集和測試集中的檢測效果要比SPA提取特征波長的檢測效果好。CARS提取特征長的檢測效果較好可能是因為CARS提取的特征波長基本分布在正常藍莓光譜曲線與病害藍莓光譜曲線相對反射率差異較大的波段，SPA提取的特征波長則大多數分布在正常藍莓光譜曲線與病害藍莓光譜曲線相對反射率差異較小的波段。

通過比較RVM和RBF模型檢測藍莓病害的檢測結果，可以看出RBF的檢測效果比RVM的檢測效果要好。這可能是RVM模型中懲罰項會隨著距離的增大而增大，懲罰因子越大，該項所占的權重越大，使得訓練會盡可能地將所有樣本點擬合，從而產生過擬合現象，導致置信區間較小對，對預測數據產生誤判[27]。RBF模型具有任意逼近的能力，其網絡可以自動增加神經元直到滿足精度要求為止，這使得RBF模型的檢測結果要準確得多[28]。

Gabriel等[29]利用機器視覺技術對腐爛藍莓進行無損檢測，檢測準確率達到98%，效果較好，但是該實驗檢測的病害藍莓都是存在霉斑菌落覆蓋較多、腐爛程度較嚴重的藍莓，藍莓病害圖像與藍莓正常圖像的紋理特征差異明顯，利用機器視覺技術容易識別病害，而對于輕微腐爛的藍莓并沒有進行檢測。本文則是采用高光譜成像結合SIS與RFS方法對輕微腐爛藍莓進行無損檢測，其訓練集和測試集的病害檢測效果比較理想。

4 結 論

本研究通過高光譜成像技術對采后藍莓的腐爛病進行病害檢測，研究結論如下：

(1)本研究提出的基于光譜信息圖像分割法(SIS)利用866.5 nm波段下的光譜相對反射率對該波段下的藍莓圖像進行分割，達到了準確分割藍莓病害區域的效果。

(2)本研究提出的區域特征篩選法(RFS)根據病害區域與藍莓正常區域的光譜相對反射率在可見光與近紅外光譜范圍內的不同差異，將光譜分成可見光第一區域和近紅外第二區域兩個光譜范圍，有效地選擇出了第一區域與第二區域組合的7個特征波長(655.8,710.9,752.2,759.9,761.2,866.5,969.7 nm)，提高了檢測模型的病害檢測效果。

(3)通過比較RVM和RBF模型檢測藍莓病害的檢測結果，可知檢測模型CARS-RBF的檢測結果最好，達到了比較理想的檢測效果，能夠滿足在線檢測要求。

本文提出的高光譜成像結合SIS和RFS研究方法對提高藍莓腐爛分揀的準確性、保證藍莓深加工產品的品質以及提升藍莓產業自動化分揀水平具有參考意義。