0 引言

水果表面缺陷的检测目前广泛使用 RGB 成像系统。然而，在桃受损伤的早期，轻微损伤的表面和正常部位几乎一样，肉眼很难识别，RGB 成像系统难以满足需要。而受损区域的含水量要高于其他正常组织，这种变化可以通过RGB 以外的特定波长下的光谱表现出来。近年来，可以同时获取被测对象的空间及光谱信息的高光谱成像技术在水果表面轻微损伤检测中得到了广泛的使用。Xing 等应用可见/近红外( 400 ～1 000nm) 高光谱图像对‘Jonagold’( 乔纳金) 苹果和‘ Golden Delicious’苹果表面损伤进行检测。识别结果表明: 损伤发生 1 天后的苹果检测率分别为77．5%和 86%。ElMasry 等( 2008 年) 以‘Mc-Intosh’苹果为研究对象，应用可见 / 近红外 ( 400 ~1 000nm) 对发生 1h 内的损伤进行检测，最终确定近红外区域的3 个有效波段( 750、820、960nm) 可用来检测。黄文倩等以具有代表性的阿克苏苹果为研究对象，采用高光谱成像技术( 320 ～1 100nm) 和分段主成分分析对发生0．5h 之内的损伤苹果进行早期检测研究，对比分析不同光谱区域主成分分析对识别结果的影响，优选出识别光谱区域为近红外范围( 780 ～1 000nm) 。结果表明: 正常果的识别率为 100% ，损伤果的识别率为96%。Benxue应用在在500 ～800nm范围的高光谱数据对香梨表面损伤进行检测，检测正确率为89．4%。Byoung － Kwan以＇Shingo＇梨为研究对象，探讨了应用高光谱 1 000 ～1 700nm 范围的红外图像检测梨表面损伤的可行性。吕强等基于可见/近红外高光谱图像( 408 ～1 117nm) 研究对肉眼难以识别的隐性损伤猕猴桃的检测方法。结果表明: 所建立模型对损伤猕猴桃的总体正确判别率为 85． 5%。高光谱成像技术在桃损伤检测上的研究鲜有报道。

分析国内外的关于肉眼难以识别的水果表面损伤检测的研究报道，这些研究主要集中在波长范围为400 ～ 1 000nm 的可见光 / 近红外光谱波段，大部分检测率还有待提高。损伤区域含水量的变化主要反应在光谱的近红外区域，EIMasry 等、黄文倩等最终选择的最优波段集中在近红外区域。近红外高光谱波段多、光谱响应范围广，同时对颜色不敏感，对表面颜色分布不均的水果损伤检测中应有一定的优势。为此，基于近红外( 900 ～1 700nm) 高光谱成像技术对损伤12h 后的‘北京 8 号’桃进行早期检测研究。首先，根据光谱图信息确定区分损伤与正常区域的光谱波段; 然后，基于选择的光谱波段，通过主成分分析( Principal Components Analysis，PCA) 和独立成分分析( Independent Component Analysis，ICA) 两种方法进行降维，结合图像处理算法进行损伤区域分割提取，研究近红外高光谱成像技术对桃轻微损伤的早期检测。

1 材料与设备

1． 1 实验材料

实验用样品为陕西广泛种植的“北京 8 号”，果实成熟时果面主要着青色，朝阳面着不均匀红色，圆球形，绒毛密短，果皮薄，果肉乳白色，离核。在成熟期从桃园中轻轻摘取一批桃样本，选取形状规则、无肉眼可观测到的损伤、无病斑及直径在 50mm 左右的桃为试验样本。通过一平板分别给桃赤道附近施加15kg 左右的压力，以制备压伤样品。挑选出肉眼很难识别的压伤样品60 个，选无损样本 60 个。样品发生12h 后，在室温( 22℃ ) 条件下采集每个样品的高光谱图像。图1 为“北京 8 号”桃某一损伤样本采集高光谱数据后去皮前后的彩色图像。从图 1( a) 中可以看出: 样本受损 12h 后肉眼很难看识别损伤区域; 图 1( b) 是去掉表皮后的样本，可见皮下组织细胞已发生变化，说明已经受损。

1． 2 高光谱图像采集系统

本研究采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。该系统主要由光谱相机( 即高光谱成像仪) 、CCD 面阵探测器、暗箱和电机控制电源箱组成。其中，暗箱包括4 个白光漫反射型光源( 100W) 及移动载物台。数据采集软件为 SpectralSENS。光谱相机测量的光谱波长范围为900 ～1 700nm，光谱分辨率为 5nm，光谱采样平均间隔为3．32nm，成像分辨率是320 ×250。

1． 3 高光谱图像采集

高光谱数据采集前，为保证高光谱图像的清晰度并避免图像尺寸和空间分辨率失真，需要调整高光谱成像仪的参数。反复实验后，高光谱成像仪的参数:物距为200 mm，相机曝光时间是10ms，移动载物台的速度为 20mm/s，载物台选为黑色粗糙面。图像采集时，每次选取1 个“沙红”桃样本，标号后放置于载物台上，线光源照射放在载物台上的样品，被照射部分的影像通过镜头被光谱仪捕获。在 X 轴方向上被光谱仪分光，得到一个线状空间，同时获得每个像素在不同波长下的光谱信息; 载物台带动样本在 Y 轴方向运动，线阵探测器逐行扫出完整的平面，最后获得 1幅大小为 320 ×250 ×255 的高光谱图像块，完成对整个桃样本图像的采集。

1． 4 图像标定

由于桃属于类球型物体，对光照反应不同，受各波段下光源强度分布不均以及摄像头中暗电流噪声的影响，采集到的高光谱图像存在较大的噪声，所以必须对采集到的图像进行校正。保持与样本图像采集时相同的参数，用扫描反射率为 99%的标准白色校正板获得全白标定图像 Iw，然后盖上镜头盖采集获得全黑标定图像 Ib，按照公式( 1) 计算得到校正后的图像 ref 。有

其中，I 是采集的原始高光谱图像。

2 结果与讨论

高光谱图像数据处理采用 ENVI 4． 6． 1( ResearchSystem Inc． ，USA) 及 MatLab 2010a ( The MathWorksInc． ，USA) 软件。

2． 1 正常和损伤区域的反射光谱

为了减少果品不同位置光照不均对光谱强度的影响，正常样本的感兴趣区域( region of interest，ROI) 也选择在赤道附近。分别对20 个正常样本和20 个损伤样本的 ROI 选择 20 ×20 个像素点计算平均光谱，如图3 所示。

在整个光谱区域内，正常区域光谱反射值比损伤区域高。样品在950nm 以下存在噪声，在 1 350nm 以上正常与损伤区域光谱曲线逐渐靠近至部分混合，不具有较好的区分性。因此，选取950 ～1 350nm 范围内的高光谱图像数据进行分析。

2． 2 高光谱数据降维

本研究对950 ～1 350nm 波长范围的“沙红”桃的高光谱数据进行研究，共有 121 个波段。数据量大且相邻波段之间有较强的相关性，造成信息的冗余，给高光谱图像的有效处理带来了困难。因此，选择合理的数据降维算法，寻找最能表征桃轻微损伤的信息是非常重要的。PCA 是目前研究水果表面缺陷检测中常用的数据降维方法。它沿着协方差最大的方向从高维数据空间向低维数据的空间投影，得到互相独立的主成分向量，能最大限度地表征原始数据的信息。其既实现了数据的降维，又消除了原始数据中的冗余信息，是一种十分有效的高维数据降维方法。但 Ra-makrishna 等研究指出，在 PCA 变换后，99%以上的信息集中在前几个主成分分量中。而高光谱图像数据中某些小目标的信息，分布在特征值较小的分量中。这些分量对信息量的集中影响很小，在分析中通常被舍弃，一些重要信息也可能被忽略掉。独立成分分析是是将高维信号按照统计独立的原则建立目标函数，通过优化算法将信号分解为若干独立分量。ICA 提取的独立成分 IC 图像，拥有更强的统计特性，在感兴趣区域的信号相对薄弱的情况下，有利于信息的保留。本研究中，虽然样本果实为同时采摘但成熟度也不完全相同，受损程度也就不同，某些样本受损较轻区域的信号相对薄弱。因此，本研究分别通过PCA 和 ICA 来进行高光谱数据的降维，从中找到最能检测桃损伤的有效信息。

图4 是“北京 8 号”桃在 950 ～1 350nm 波段内进行了主成分分析后得到的前 7 个主成分图像。从图 4可以看出: PC1、PC2 可通过视觉看出损伤区域，但损伤区域与背景区域或正常区域灰度相近，不利于提取; PC3 看不出损伤信息，且前3 个主成分含有明显的光照信息; PC4 虽然有明显损伤信息，但损伤区域与正常区域的界限模糊; PC5、PC6 几乎不含有损伤信息;PC7 损伤区域高亮，且与周围界限较明显，有利于损伤区域分割。所以，选取 PC7 作为后面损伤分割的最优主成分图像。

图5 是对‘北京8 号’桃在 950 ～1 350nm 波段内进行独立成分分析后得到的前两个独立成分图像。其中，IC1 图像损伤区域高亮，相对于 PCA 分析得到的 PC7，IC1 损伤信息与正常区域界限更加清晰，更有利于损伤区域的提取。IC2 有损伤信息和光照信息，损伤信息与背景灰度相近，不利于提取。所以，选取IC1 作为后面损伤分割的最优主成分图像。

2． 3 损伤区域分割

对上面的 PC7 进行( 3 ×3) 中值滤波，然后进行阈值分割，阈值选230，最后再进行数学形态学开运算处理分割出损伤区域，结果如图6 所示。

对 IC1 图像分别进行( 3 ×3) 中值滤波，然后进行阈值分割，阈值选 180，直接分割出损伤区域，结果如图7 所示。两种方法都可以检测出受损区域。

3 检测结果

将上述算法对“北京 8 号”桃所有样本 120 个进行检测，结果如表1 所示。

检测结果表明: 利用 PCA 方法进行损伤检测，所有的完好样本都没有被误检测为损伤样本，检测正确率为100%; 而损伤样本中有 9 个未被检测出，检测正确率为85%，总体检测正确率为 92．5%。用 ICA 方法进行损伤检测，所有的完好样本也均未被误检测为损伤样本，检测正确率为 100%; 损伤样本中还有 2 个未被检测出，检测正确率为 96． 6%，总体检测正确率为98． 3% 。ICA 方法检测正确率明显高于 PCA 方法，尤其是对损伤样本的识别。其中，用 PCA 方法检测时，把损伤样本被误分为正常样本有 9 个; 用 ICA 方法检测时，损伤样本未被识别出来的两个也包含在上面 9 个中。从对所有损伤样本剥皮后观察分析，主要原因是果实虽为同时采摘但成熟度也不完全相同，受损程度过轻且受损时间较短，撕开表皮观察，损伤区域组织没有明显的变化。因此，ICA 对这种样本的识别要优于PCA 方法。

4 结论

本文利用近红外( 900 ～ 1 700nm) 高光谱成像技术对“北京 8 号”桃发生 12h 后的损伤进行检测。采集近红外高光谱图像数据，选择损伤区域与正常区域谱差异大的( 950 ～1 350nm) 范围的数据分别用主成分分析和独立成分分析进行数据降维，结合图像处理的方法，进行损伤早期检测的可行性研究。研究表明: ①950 ～1 350nm 范围内的高光谱图像能有效地检测损伤; ②通过对950 ～1 350nm 主成分分析后的 PC7图像和独立成分分析后的 IC1 图像进行中值滤波、阈值分割及数学形态学运算，能有效地分割出损伤区域; ③分别对60 个正常样本和 60 个损伤样本进行检测，正常果的识别率均为100%，PCA 降维损伤果的识别率为 85%，ICA 降维损伤果识别率为 96． 67%。结果表明，近红外高光谱成像技术能有效地进行桃损伤的早期检测。由于 PCA 和 ICA 方法都是基于所有波段参与运算基础上的，所以如何提取带有损伤信息的有效波段有待继续深入研究。

参考文献（略）