伍恒 李明周 张航

摘要：以新和地区种植的大田哈密瓜为研究对象，采集不同物候期哈密瓜果实样本，采集高光谱数据并通过Savitzky-Golay一阶导数（SG-1）、Savitzky-Golay二阶导数（SG-2）、标准正态变换（SNV）、多元散射校正（MSC）4种光谱预处理方法进行预处理，建立广义回归神经网络（GRNN）和概率神经网络（PNN）2种哈密瓜物候期判别模型，以模型判别正确率为评价指标，结果显示，所建模型均能很好地识别哈密瓜果实物候期。将采集到的4个时期的哈密瓜果实样本光谱组合成10组具有输入变量的光谱样本，分别建立GRNN和PNN判别模型，以模型运行时间作为模型评价指标，得出以3个时期的哈密瓜样本光谱所建立的SG-1-GRNN和SNV-PNN模型为最优，运行时间为 0.046 9 s，运行速率最多可提高57%。

关键词：高光谱成像技术;哈密瓜物候期;神经网络;判别方法

中图分类号： S652.101  文献标志码： A  文章编号：1002-1302（2019）22-0258-06

瓜果蔬菜是人们日常生活中饮食的主要组成部分，在很多国家，瓜果蔬菜在饮食结构中所占的比重可达40%以上，它不仅能够为人体提供基本的维生素、食用粗纤维和基本矿物质，还能够为人类提供大量的蛋白质、碳水化合物等营养物质。产于新疆地区的哈密瓜由于生长气候等条件的独特性，具有水分充足、含糖量高的独特品质，深受水果市场和人民群众的青睐。新疆是全国著名的哈密瓜产区，具有哈密瓜生长所需的必要自然气候条件。由于农民对大田哈密瓜播种期选择的不恰当，造成了哈密瓜果实成熟度不一致，影响了哈密瓜在水果市场上的整体声誉和销量，采收期哈密瓜果实物候期鉴别技术是亟待探索的研究领域。

有导师学习的神经网络以其良好的学习能力被广泛地应用于各个领域，不仅可以用于拟合解决回归问题，还可以用于解决模型识别问题以及分类识别问题。前人研究多针对苹果[1]、油桃[2]、玉米[3]、咖啡豆[4]、西瓜种子[5]等农产品进行品种鉴别，而针对农产品物候期的鉴别鲜有报道。因此，对大田种植哈密瓜从坐果后至果实完全成熟不同物候期进行深入研究，解决哈密瓜在生产中由于播种期不同导致的果实成熟度不一致、经济效益低等问题，建立一套针对新疆哈密瓜果实物候期鉴别的近红外高光谱模型是十分必要的。

1 材料与方法

1.1 种植区概况

新疆阿克苏地区新和县属温带大陆性干旱气候，拥有充足的光照，蒸发量较大，热量十分充足;降水稀少，气候相对干燥，昼夜温差较大。该地区热量资源十分丰富，无霜期长达200 d以上。年平均日照时数保持在2 894.6 h左右，年平均积温为4 412.3 ℃，年均气温保持在10.5 ℃左右，年平均降水量约为64.0 mm，平均蒸发量为1 992.7 mm;目前累计拥有土地资源82.2万hm2，其中耕地面积为3.0万hm2，沙地面积为13.3万hm2，试验所选种植区土质为沙质壤土。

1.2 不同物候期果实采集方法

在哈密瓜花期过后15 d，第1次采集哈密瓜样本，数量为120个，采样方法为5点取样法，后续采样仍采用第1次采样的方法，第2次采样与第1次采样时间间隔15 d，第3次采样与第2次采样时间间隔15 d，第4次采样与第3次采样时间间隔15 d，至哈密瓜果实完全成熟共采集哈密瓜果实样本4次，共计500个左右不同生长时期的哈密瓜样本。5点采样方式如图1所示，阴影部分为采样区域。将种植区地块沿对角线分成如图所示的9个大采样区，再将对角线上5处采样区按照同样的方式均分成9个小采样区，沿对角线保留5处小区块作为样本采集的区间，共计25块区间。针对不同生长期的果实样本，进行小区间单独采集，将同一生长期样本混合均匀，以保证样本的随机性和尽可能全面地包含种植区内样本的所有信息。

1.3 果实高光谱数据采集

1.3.1 近红外高光谱成像系统 试验所用的高光谱成像系统（图2）为北京卓立汉光仪器有限公司出品的“盖亚”高光谱分选仪，该系统核心部件包括均匀光源、光谱相机、电控移动平台、计算机及控制软件等部分。工作原理是采用光源照射放置于电控移动平台上的待测样品，样品的反射光通过镜头被光谱相机捕获，得到样品的一维图像，随着电控平台的移动，样品连续前行，从而得到一个既包含影像信息又包含样品光谱信息的三维数据立方体。

1.3.2 高光谱数据采集与处理 高光谱采集系统的参数设置情况如表1所示。

感兴趣区域（ROI）选取与平均光谱提取的步骤与方法：在ROI区域选取时选取整个图像的中间部分，避开表面具有明显缺陷的图像数据。ROI选择完成之后，计算选择区域的平均光谱，输出txt格式的文本，用于后续的建模。ROI选取和平均光谱提取过程重复3次，取平均值作为该样品的平均光谱，参与后续建模计算。图3为感兴趣区域选取与平均光谱提取过程。

高光谱数据采集与平均光谱提取采用ENVI软件完成，后续光谱预处理与建模采用MATLAB软件完成。预处理采用SG-1、SG-2、标准正态变换（SNV）、多元散射校正（MSC）等4种方法完成，建模采用广义回归神经网络（GRNN）和概率神经网络（PNN）等2种。

2 结果与讨论

2.1 光谱预处理

利用高光谱采集系统采集到的不同物候期哈密瓜果实的原始光谱如图4所示。原始光谱中除了包含样品本身的信息外，还含有其他无关的信息、杂散光产生的无关信息、样品采集时的背景噪声等[7]。在利用化学计量学的方法建立模型时，采用不同的谱图预处理方法能够消除光谱数据中的无关信息和噪声。本试验采用SG-1、SG-2、SNV、MSC4種光谱预处理方法对光谱数据进行预处理。Savitzky-Golay卷积求导是通过最小二乘的方法计算得到与卷积平滑系数相似的导数系数，导数光谱可以有效地消除基线和背景的干扰，提高分辨率和灵敏度，同时能够有效地分辨出重叠峰[8]。图5为经过S-G一阶导数、S-G二阶导数处理后的光谱图。SNV主要用来消除固体颗粒的大小、表面散射以及光程变化对光谱数据造成的影响[9]。对需要SNV变换的光谱采用公式（2）进行转换。

3 结论

（1）通过经过SG-1、SG-2、SNV、MSC 4种方法预处理后的4个时期哈密瓜样本光谱所建立的GRNN和PNN模型，对于哈密瓜物候期的判别具有很高的正确率。（2）对于广义回归神经网络（GRNN），同时考虑输入变量的包容性，以SG-导数和MSC预处理方式为最优，运行时间为0.046 9 s，比运行速度最慢的模型提高了39.95%。（3）对于概率神经网络（PNN），同时考虑输入变量的包容性，以采用标准正态变换（SNV）和SG-1预处理方式效果最好，模型运行时间为0.046 9 s，比其他预处理方式运行时间加快了24.96%。（4）在保证模型识别正确率的情况下，同时考虑输入變量样本的采集成本、样本包容度以及运行时间等因素，最优的样本采集方式与建模组合为以处于二、三、四期的哈密瓜样本光谱经过SG-1-GRNN和SNV-PNN模型为最优，运行时间为 0.046 9 s，与其他模型相比最多可提高运行速率57%。

参考文献：

[1]马惠玲，王若琳，蔡 骋，等. 基于高光谱成像的苹果品种快速鉴别[J]. 农业机械学报，2017，48（4）：305-312.

[2]黄锋华. 基于高光谱成像技术的油桃品质检测及品种判别研究[D]. 晋中：山西农业大学，2016.

[3]杨小玲. 高光谱图像技术检测玉米种子品质研究[D]. 杭州：浙江大学，2016.

[4]鲍一丹，陈 纳，何 勇，等. 近红外高光谱成像技术快速鉴别国产咖啡豆品种[J]. 光学精密工程，2015，23（2）：349-355.

[5]张 初，刘 飞，孔汶汶，等. 利用近红外高光谱图像技术快速鉴别西瓜种子品种[J]. 农业工程学报，2013，29（20）：270-277.

[6]余克强，赵艳茹，李晓丽，等. 高光谱成像技术的不同叶位尖椒叶片氮素分布可视化研究[J]. 光谱学与光谱分析，2015，35（3）：746-750.

[7]杨 佳. 傅里叶变换红外光谱技术在芝麻油真伪鉴别、掺伪与品质分析中的应用[D]. 北京：北京林业大学，2013.

[8]杨 燕. 基于高光谱成像技术的水稻稻瘟病诊断关键技术研究[D]. 杭州：浙江大学，2012.

[9]张 俊. 茉莉花茶品质的近红外化学计量学研究[D]. 杭州：浙江大学，2012.

[10]郭 朔. 近红外光谱分析技术快速检测液态乳制品品质的研究[D]. 长春：吉林大学，2008.