基于多信息融合技术的河套蜜瓜品质评价

2018-04-13侯占峰田海清

江苏农业科学 2018年6期

侯占峰，田海清，刘　超，李　哲

(内蒙古农业大学机电工程学院，内蒙古呼和浩特 010018)

传统的水果品质采用人工挑选法和抽样破坏性检测法进行检测，但由于受检测范围小和主观因素的影响，这些方法已不再适合水果市场发展的需求[1-2]，因此研究水果的快速无损检测技术已受到国内外研究者的普遍重视[3-4]。近年来，已有研究者采用可见近红外光谱技术对各类水果品质进行无损检测并取得了较好的检测结果[5-10]。河套蜜瓜作为我国西北河套地区的独特甜瓜品种广受关注[11-12]，其品质主要采用糖度进行评价[13]，已有研究者采用可见近红外光谱技术对蜜瓜品质进行无损检测[14-15]，但这一方法有其不足之处，即漫透射光谱易受蜜瓜的大小、形状差异影响，进而影响检测精度。因此，在采用漫透射光谱进行蜜瓜品质检测中应考虑果实大小、形状差异影响消除方法的研究。本研究应用图像处理技术获取蜜瓜的大小、形状及颜色特征，并将这些特征与光谱信息融合进行糖度检测，不仅解决了果实大小、形状差异对光谱检测精度的影响问题。在融合多源信息后能够实现蜜瓜更加准确地识别与判断，因此研究利用融合图像和光谱信息进行蜜瓜糖度检测的方法具有重要的现实意义。

1　材料与方法

1.1　材料

试验样品选用内蒙古巴彦淖尔磴口地区产有代表性的金红宝河套蜜瓜154个，其中115个样品用于模型的建立，剩余39个样品用于模型预测，试验前进行蜜瓜清洗并在常温下放置24 h，利用游标卡尺测量样品的纵径、横径。蜜瓜体积用排水法进行测量，质量使用范围为0.5～620 0 g、精度为0.01 g的电子天平进行测试。在光谱采集的部位各切取10 mm×10 mm×10 mm果肉，把6块果肉榨汁，搅拌均匀后覆盖到日本爱宕公司生产的PR-101α型数字折光仪上测定样品的糖度值(°Brix)。采集蜜瓜各部分指标统计结果如表1所示。

笔者所在课题组自行设计研制了蜜瓜在线检测系统，该系统主要由输送装置、信号控制单元、漫透射光谱采集装置、蜜瓜图像采集装置、蜜瓜内部品质检测软件系统、计算机组成。蜜瓜图像采集装置内部结构如图1所示，图像采集室内壁均匀布置8盏25 W白炽灯作为光源，图像采集由Chameleon USB 2.0 Digital Camera工业相机完成，相机布置在距采集装置底部1.54 m的高度。

图2所示为漫透射光谱采集装置内部结构，由风扇、光源(12盏50 W的卤素灯共600 W能量)、圆弧状光源固定架组成，其中光源均匀布置在光谱采集室内部的圆弧状光源固定架上。光源发出的光线从蜜瓜侧上方进入果实内部，并在其中经过多次漫射、反射和透射，从蜜瓜的底部出来的信号经过检测探头和光纤，进入到海洋光学便携式光谱仪(波段范围为198～1 200 nm)，由光谱采集软件Spectra Suite采集，并存储于计算机。

1.2　特征波长的提取与主成分分析

蜜瓜样品光谱数量庞大，如果都用于建模，不仅费时耗力，而且可能存在于波长变量中的无用信息变量会影响到模型的结果和稳定，对后期的数据分析和模型的评价会有一定影响，因此有必要对无用变量进行剔除，对和品质信息相关性高的敏感波段进行选择，从而提高模型的性能。本研究对光谱数据校正选用均值中心化技术，经过多元散射校正MSC处理后采用SMLR方法对全波段400～1 100 nm的光谱和糖度相关性显著的特征波长进行提取，建立相应原始光谱和糖度的数学模型，选择最优的模型结果，当波长选取405.46、1 028.84、669.18、449.33、501.40、404.01、415.59、411.73、407.87、402.09、672.07、647.48 nm时，所建模型相关系数较为理想，r=0.813，均方根校正偏差(RMSEC)=0.897。利用该12个波长建立回归方程并将预测集中的39个样品的12个波长对应的透射率代入到所建立的回归方程中，求其对应的预测值，得到的真实值和预测值的相关性如图3所示。

蜜瓜样本的近红外光谱数据间存在大量的相关性，必将造成信息冗余。利用主成分分析可以将多个指标化为几个综合指标，这些指标可以表征原来的数据特征而且不会丢失信息，本研究采用软件SPSS进行主成分分析时发现，当主成分数量达到4个时，累计贡献率可以达到99.424%，因此将该主成分特征作为后续模式识别模型的输入。

1.3　蜜瓜图像处理

在Matlab中读取信息收集装置采集的原始图像，将原始图像进行灰度、二值图、去噪及平滑处理后，以蜜瓜形心为基准在蜜瓜图片上标记出6个糖度采集区域的方框。对每个标记框都进行RGB三分量颜色提取操作，最后计算平均值，得到蜜瓜样本图像的RGB三颜色分量值，把图像进行RGB到HIS及L*a*b*颜色空间处理共得到12个颜色信息，图像处理过程见图4。对12个颜色信息进行主成分分析，当颜色特征值主成分取3时，累计贡献率可达99.691%，可以很好地代表蜜瓜颜色信息。

为了提取蜜瓜的形状特性，将蜜瓜的外形近似看成椭圆，对蜜瓜图像先进行外形截取，然后进行边缘检测，找到形心计算出纵横径后根据椭圆近似公式计算蜜瓜的体积和果形指数(果形指数=纵径/横径。)，利用Matlab进行图像处理，过程如图5所示。

由图6可以看出，通过蜜瓜二维图像计算的蜜瓜体积和果形指数与实际测量值呈很好的线性关系，证明该方法可以用来预测蜜瓜体积和果形指数。

2　结果与分析

2.1　SVM算法

SVM算法是根据样本可分情况的最优分类面提出来的，最优分类面要求可以将样本准确无误地分开，并且使分类空隙最大，应用二次规划的方法可以求出最优分类函数[16]：

(5)

当输入的样本不可分时，须要将样本映射到高维空间中，这就需要1个非线性函数来进行映射，然后在高维空间中寻找最优分类面。这个非线性函数称作核函数，本研究选取的径向基核函数为：

式中：σ为待定参数。

2.2　结果分析

选用径向基核函数最主要的是惩罚因子c和核函数参数g的选取，本研究采用K-CV的方法进行选择，分别对蜜瓜的图像和光谱信息进行建模，结果如表2所示。其中，以蜜瓜外部特征颜色特征主成分、蜜瓜预测体积、果形指数共5个特征向量为第一输入量，原始光谱特征波长透射率为第二输入量，蜜瓜糖度为输出量，运用支持向量机(SVM)建立信息融合的蜜瓜糖度模型，核函数选取径向基核函数，采用K-CV方法经过反复试验选取最优(c=0.707 11，g=0.5)，115个样品拟合程度如图7所示。将39个预测集样品输入到已经训练好的模型中，结果如图8所示。

表2　SVM算法的融合对象建模统计结果

由表2可以看出，单独使用外部特征或光谱特征进行建模要比利用信息融合特征进行建模的效果差。其中，颜色特征建模效果最差，r、RMSE仅为0.505 9、1.594 9，仅靠颜色特征无法进行蜜瓜品质的准确检测。当融合光谱特征波长信息时，r、RMSE分别为0.847 3、0.964 8，模型准确度提高。表2与图8同时显示，当把蜜瓜的颜色特征、体积和果形指数作为外部特征融合蜜瓜光谱特征进行建模的效果最好，其模型r、RMSE高达0.863 0、0.940 7。

3　结论

本研究利用蜜瓜颜色、体积及果形指数指标融合近红外光谱信息进行蜜瓜品质检测，并设计了在线检测系统，该系统可以有效采集河套蜜瓜的外部特征图像和漫透射光谱。对采集样本应用支持向量机算法进行数据融合，结果发现，利用信息融合的模型结果优于单独使用外部特征或光谱特征的模型。当把蜜瓜的颜色特征、体积和果形指数作为外部特征融合蜜瓜光谱特征进行建模时效果最好，能够最有效地对蜜瓜的品质进行识别，其模型的r、RMSE高达0.863 0、0.940 7。因此，近红外光谱和机器视觉的多传感器信息融合技术是进行蜜瓜品质检测的有效方法，可以提高蜜瓜品质的检测精度。

参考文献：

[1]应义斌. 机器视觉技术在黄花梨尺寸和果面缺陷检测中的应用[J]. 农业工程学报，1999，15(1)：197.

[2]赵静，何东健. 果实形状的计算机识别方法研究[J]. 农业工程学报，2001，17(2)：165-167.

[3]田海清，王春光，杨晓清. 厚皮甜瓜无损检测方法的研究现状及发展趋势[J]. 农机化研究，2010，32(10)：245-248.

[4]李鹏飞. 梨内部品质可见/近红外光谱无损检测研究[D]. 北京：中国农业大学，2009.

[5]杜冉，闸建文，付家庭，等. 运用近红外透射光谱技术检测苹果内部品质[J]. 农机化研究，2008(9)：139-141.

[6]冯斌. 计算机视觉信息处理方法与水果分级检测技术研究[D]. 北京：中国农业大学，2002.

[7]杨丽华，程咏梅，赵春晖，等. 基于决策融合的苹果等级分类算法[J]. 电子测量技术，2008，31(1)：10-12，24.

[8]张烈平，曾爱群，陈婷. 基于计算机视觉和神经网络的芒果检测与等级分类[J]. 农机化研究，2008(10)：57-60.

[9]张书慧. 苹果、桃等农副产品品质检测与分级图像处理系统的研究[J]. 农业工程学报，1999，15(1)：201.

[10]王树文，张长利，房俊龙. 基于计算机视觉的番茄损伤自动检测与分类研究[J]. 农业工程学报，2005，21(8)：98-101.

[11]张玉清. 加入WTO后中国蜜瓜西瓜产业面临的机遇和挑战[J]. 中国西瓜甜瓜，2001(3)：36-37.