关于近红外高光谱成像技术的桃轻微损伤早期检测论文
2020-09-24 19:23:35 107
简介
桃子柔软多汁，营养丰富，被称为仙桃寿骨。桃子不耐贮藏和运输，在采摘，运输和贮藏期间容易受到各种机械损伤
。在损伤的初始阶段表皮没有被破坏，受伤的表面略微凹陷，并且用肉眼很难检测到。随着时间的流逝，表皮将逐渐变成褐色。 ，成为传染病的入口和温床，并感染其他完整的水果；最终导致大量的水果腐烂，给果农造成经济损失。因此，有必要找到一种有效的轻伤早期发现方法。
水果表面缺陷目前广泛用于RGB成像系统中。然而，在桃子损伤的早期，轻微损伤的表面几乎与正常部分相同，用肉眼难以识别，并且RGB成像系统难以满足需要。受损区域的水分含量高于其他正常组织，并且该变化可以通过除RGB之外的特定波长的光谱表示。近年来，可以同时获得被测物体的空间和光谱信息的高光谱成像技术已广泛用于检测对水果表面的轻微损伤。 Xing和其他应用程序使用可见/近红外（400〜1000nm）高光谱图像来检测“乔纳金”苹果和“金冠”苹果的表面损伤。识别结果表明，损伤发生后1天的苹果检出率分别为77.5％和86％。 ElMasry等。 （2008年）以“ Mc-Intosh”苹果为研究对象，并应用可见/近红外（400〜1000nm）检测1h内的损伤，最终确定了近红外区域的3个有效谱带（750、820， 960nm）可用于检测。黄文谦等。以代表性的阿克苏苹果为研究对象，运用高光谱成像技术（320〜1100nm）和分段主成分分析对0.5h以内的受损苹果进行了早期检测研究，并对不同光谱区域进行了比较分析。主成分分析对识别结果的影响在于，识别光谱区域优选在近红外范围内（780至1000nm）。结果表明，正常果实的识别率为100％，受损果实的识别率为96％。 Benxue在500至800nm范围的高光谱数据中检测出香梨的表面损伤，检出准确率为89.4％。 Byoung-Kwan以“ Shingo”梨为研究对象，并探索了在1 000至1 700 nm高光谱范围内使用红外图像检测梨表面损伤的可行性。陆强等。基于可见/近红外高光谱图像（408〜1117nm），研究了肉眼难以识别的隐蔽性奇异果的检测方法。结果表明，建立的猕猴桃受损模型的总体正确判别率为85。5％。在桃子损伤检测中高光谱成像技术的报道很少。
分析国内外关于用肉眼难以识别的水果表面损伤的研究报告。这些研究主要集中在波长范围为400至1000 nm的可见/近红外光谱带上，大多数检测率需要提高。 。受损区域含水量的变化主要反映在光谱的近红外区域，而EIMasry等人选择了最佳波段。而黄文谦则集中在近红外地区。近红外高光谱具有许多光谱带，较宽的光谱响应范围，并且对颜色不敏感。它在具有不均匀表面颜色分布的水果损伤检测中应具有某些优势。因此，基于近红外（900至1700nm）高光谱成像技术，对受伤12小时后的“北京8号”桃子进行了早期检测。首先，根据光谱信息确定区分损伤与正常区域的光谱带。然后，根据选定的光谱带，使用两种方法：主成分分析（PCA）和独立成分分析（ICA）。降维，结合图像处理算法对受损区域进行分割和提取，并通过近红外高光谱成像技术对具有轻微损伤的桃子进行早期检测研究。
1材料和设备
1. 1实验材料
实验样品是在陕西广泛种植的“北京8号”。果实表面主要是青色，早晨的太阳表面是不均匀的红色，圆形，短绒毛，皮薄，乳白色的果肉，核。在成熟期，从桃园中轻轻摘取一批桃子样品，并选择形状规则，无可见损伤，无病斑，直径约50mm的桃子作为试验样品。通过平板向桃子赤道附近施加约15kg的压力以制备压碎的样品。选择60个肉眼难以识别的压碎样品和60个非破坏性样品。样品出现12小时后，在室温（22°C）下收集每个样品的高光谱图像。收集高光谱数据后，在损坏的“北京八号”桃子样品去皮之前和之后的彩色图像。从图1（a）中可以看出，样品损坏12小时后，很难用肉眼识别损坏的区域。图1（b）是去除表皮后的样品，可以看到皮下组织中的细胞发生了变化，表明其已被破坏。
1.2高光谱图像采集系统
本研究中使用的实验平台是北京卓立汉光仪器有限公司开发的HyperSIS高光谱成像系统，如图2所示。它主要由光谱相机（即高光谱成像仪），CCD区域阵列检测器，暗盒和电机控制电源盒组成。其中，暗盒包括4个白光漫反射型光源（100W）和一个移动台。数数据采集软件是SpectralSENS。光谱相机测得的光谱波长范围为900至1700nm，光谱分辨率为5nm，光谱采样的平均间隔为3.32nm，成像分辨率为320×250。
1.3高光谱图像采集[
在获取高光谱数据之前，为了确保高光谱图像的清晰度并避免图像尺寸和空间分辨率的失真，有必要调整高光谱成像仪的参数。经过反复实验，高光谱成像仪的参数为：物距为200 mm，相机曝光时间为10 ms，移动平台的速度为20 mm / s，平台被选为黑色粗糙表面。在图像采集期间，一次选择一个“沙红色”桃子样品，在贴标后放置在载物台上，并且线光源照亮放置在载物台上的样品。分光光度计通过镜头捕获被照明部分的图像。由分光仪在X轴方向上射光以获得线性空间，并同时获得每个像素在不同波长下的光谱信息；样品台沿Y轴方向移动，线性阵列检测器逐行扫描整个平面。最后，获得尺寸为320×250×255的高光谱图像块，并收集了整个桃子样品图像。
1.4图像校准
由于桃是球形物体，因此桃对光的反应不同，并且受到每个波段中光源强度分布不均和相机中暗电流噪声的影响。高光谱图像噪声很大，因此必须对获取的图像进行校正。保持与样本图像采集中相同的参数，使用反射率为99％的标准白色校准板获得全白校准图像Iw，然后盖上镜头盖以获取全黑校准图像Ib，并计算校正根据公式（1）在图像参考之后。有ref = I-IbIw-Ib（1），其中I是获取的原始高光谱图像。
2结果和讨论
使用ENVI 4.6.1（美国ResearchSystem Inc.）和MatLab 2010a（美国MathWorks Inc.）处理了高光谱图像数据。 ）软件。
2.1正常和受损区域的反射光谱
为了减少不均匀光照对水果不同位置的光谱强度的影响，正常样品的关注区域（ROI）也在赤道附近选择。为20个正常样本和20个损坏样本的ROI选择20×20像素以计算平均光谱。
在整个光谱区域中，正常区域中的光谱反射值高于受损区域中的光谱反射值。样品的噪声在950nm以下，正常和受损区域的光谱曲线在1 350nm以上这条线正在逐渐接近部分混合，这没有很好的区别。因此，选择在950至350nm范围内的高光谱图像数据进行分析。
2.2高光谱数据的降维
本研究研究了“沙红”桃在950至1350nm波长范围内的高光谱数据，共有121个波段。大量的数据以及相邻频带之间的强相关性导致信息冗余，这给高光谱图像的有效处理带来了困难。因此，选择一个合理的数据降维算法并找到最能代表桃子轻微损坏的信息非常重要。 PCA是一种用于水果表面缺陷检测研究的常用数据缩减方法。它沿最大协方差方向从高维数据空间投影到低维数据空间，以获得独立的主成分向量，从而可以最大化原始数据的信息。它不仅实现了数据的降维，而且消除了原始数据中的冗余信息。这是一种非常有效的高维数据降维方法。但是，Ramakrishna等。指出在PCA转换后，超过99％的信息都集中在前几个主成分中。高光谱图像数据中一些小目标的信息分布在特征值较小的分量之间。这些成分对信息的集中影响很小，通常在分析中被丢弃。一些重要信息也可能会被忽略。独立分量分析是根据统计独立性的原理建立高维信号的目标函数，并通过优化算法将其分解为几个独立的分量。通过ICA提取的独立分量IC图像具有较强的统计特性，当关注区域的信号相对较弱时，有利于信息的保留。在这项研究中，尽管同时采摘了水果样品，但其成熟度并不完全相同，损坏程度也有所不同。在某些损坏较小的区域，信号相对较弱。因此，在这项研究中，分别通过PCA和ICA进行了高光谱数据的降维，从而发现了可以最好地检测出桃子损害的有效信息。
“北京8”桃在950至1 350nm波段进行主成分分析后获得的前7个主成分图像。从图4可以看出：PC1和PC2可以从视觉上看到损伤区域，但是损伤区域与背景区域或正常区域相似，不利于提取。 PC3无法看到损坏信息，并且前三个主要组件包含明显的损坏信息尽管PC4具有明显的损坏信息，但损坏区域和正常区域之间的边界却模糊了； PC5和PC6几乎不包含损坏信息； PC7的损坏区域突出显示，并且与周围区域的边界很明显，这对于损坏区域的分割非常有利。因此，选择PC7作为用于后续损伤分割的最佳主成分图像。
3检测结果
以上算法用于检测“北京8号”桃子的120个样品。
测试结果表明：PCA方法用于损伤检测测得，所有完整样品均未误检为损坏样品，检出准确率为100％；未检出9个破损样品，检出率为85％，总检出率为92.5％。采用ICA方法进行损伤检测，没有将所有完整样品误检测为损伤样品，检测准确率为100％；尚未检测到2个损坏样本，检测准确率为96. 6％，总体检测准确率为98.3％。 ICA方法的准确性显着高于PCA方法，特别是对于鉴定损坏的样品。其中，使用PCA方法时，有9个受伤样本被错误地归类为正常样本。使用ICA方法时，上述9个样品中未包括两个受损样品。从对所有受损样品进行剥皮后的观察和分析来看，主要原因是尽管采摘的果实同时成熟，但成熟度并不完全相同，损坏程度太轻，损坏时间短。如果去皮并观察到皮肤，则受损部位的组织没有明显变化。因此，ICA比PCA方法更好地识别了该样品。
4结论
本文使用近红外（900〜1700nm）高光谱成像技术检测12小时后“北京8”桃的危害。收集近红外高光谱图像数据，选择损伤范围与正常范围相差较大的（950〜1 350nm）范围内的数据，并进行主成分分析和独立成分分析，以减小数据量。结合图像处理方法进行早期损伤。测试的可行性研究。研究表明：①950至1 350nm范围内的高光谱图像可以有效地检测出损伤； ②对主成分分析后的PC7图像和独立成分分析后的IC1图像在950至1 350nm进行中值滤波，阈值分割和数学形态学运算可以有效地分割受损区域； ③共检出60份正常样品和60份破损样品，正常水果识别率达100％，PCA降维受损水果的识别率为85％，ICA降维受损水果的识别率为96.67％。结果表明，近红外高光谱成像技术可以有效地进行桃损伤的早期检测。由于PCA和ICA方法是基于参与计算的所有频带，因此如何进一步提取带有损伤信息的有效频带需要进一步研究。
