SOC710文献公众号 - 0703

Rapid detection and visualization of slight bruise on apples using hyperspectral imaging

中文题目：利用高光谱成像技术的苹果轻微碰伤快速检测与可视化

单位：江南大学

物联网技术应用教育部工程研究中心

摘要：在苹果采摘和贮藏过程中，由冲击、挤压、振动或摩擦等原因造成的果面轻微碰伤难以避免。为寻求一种适用于碰伤后五个时期（碰伤后1分钟、1天、2天、3天和4天）苹果的有效识别方法，本研究采集了108个富士苹果作为样本。利用SOC710-VP高光谱成像系统获取苹果在400～1000 nm波长范围的高光谱图像，并采用标准正态变量（SNV）方法对原始高光谱数据进行平滑和去噪处理。结合最小冗余最大相关（mRMR）变量选择方法，构建了极限学习机（ELM）、偏最小二乘线性判别分析（PLS-DA）和分类回归树（CART）三种分类模型，用于碰伤苹果的识别。结果表明，ELM模型的分类能力最佳，平均正确分类率达到95.97%。随着碰伤时间的延长，碰伤样本更易被识别。基于所选波长，采用最小噪声分离（MNF）方法对苹果碰伤区域进行分类，总体分类精度为92.9%，表明MNF是识别苹果碰伤区域的有效方法。

研究过程：

图 1. 苹果样本图像

图 2. 高光谱成像系统和高光谱三维光谱图像示意图

图 3.完好与碰伤苹果的平均光谱反射率和811nm灰度图像

图4. 分类性能与 mRMR 所选波段数量之间的关系

表1 基于全波长下ELM、PLS‑DA和CART模型的样本分类结果

表2 最优波长下ELM、PLS‑DA与CART模型的样本分类结果

图5 实验流程图

图6 利用最小噪声分离（MNF）变换获得的前三主成分图像（MNF1～MNF3）

结论：本研究旨在寻找一种合适的方法，用于识别五个不同阶段（碰伤后1分钟、1天、2天、3天和4天）的苹果碰伤。共采集了108个富士苹果作为样本。利用SOC710-VP高光谱成像系统，获取了完好苹果和损伤苹果在400~1000 nm波长范围内的高光谱图像。采用标准正态变量变换（SNV）对原始高光谱数据进行平滑和去噪处理。为降低数据冗余和计算开销，应用最小冗余最大相关（mRMR）算法选取特征波长。在此基础上，测试了极限学习机（ELM）、偏最小二乘判别分析（PLS‑DA）和分类与回归树（CART）三种不同算法，以确定分类性能最佳的方法。在基于五个数据集的模型中，ELM模型表现出最优的分类能力，在全波长和最优波长下的准确率分别达到95.97%和95.94%。本文实验结果与许多研究者的观点一致，即随着损伤时间的延长，分类准确率逐渐提高。为可视化苹果碰伤区域，采用最小噪声分离（MNF）变换及其他传统图像处理方法。本文发现，MNF3图像能清晰区分损伤区域与健康区域，对比度较高。MNF的总体分类准确率为92.9%，表明MNF是识别苹果碰伤区域的有效方法。总体而言，利用高光谱图像对苹果轻微碰伤进行分类是可行的。在本研究中发现苹果碰伤程度是苹果品质评价的重要指标，后续实验将把碰伤程度作为研究内容。

文章链接：https://doi.org/10.1080/10942912.2019.1669638