基于高光谱成像技术的核桃黑斑识别研究

李成吉，张淑娟，任 锐，廉孟茹，池江涛，穆炳宇，孙双双

（山西农业大学工学院，山西晋中 030801）

核桃是世界四大坚果之一，含有丰富的优质脂肪、蛋白质、碳水化合物，以及磷、钙、铁、钾等矿物元素和维B、维C、维E等，是重要的木本粮油产品，被认为是天然营养补品[1]。由于环境因素和人为因素的影响，核桃在生长、采摘、运输及贮藏过程中容易产生缺陷[2]。根据标准GB/T 20398—2006《核桃坚果质量等级》，核桃的外部出现黑斑是缺陷的主要特征之一[3]，这不仅会影响外观品质，还会因吸湿产生霉变。因此需要一种快速、准确识别核桃黑斑的方法。

高光谱成像技术具有分辨率高、多波段、图谱合一等优点，广泛应用于农产品无损检测研究中。程帆等人[4]使用高光谱技术对病害早期胁迫下黄瓜叶片中过氧化物酶活性进行研究，结果表明RF-PLSR模型具有最佳预测效果，预测集相关系数为0.816，均方根误差为11.235。曹晓峰等人[5]基于高光谱技术结合特征波长和光谱指数对冬枣成熟度进行可视化判别，结果表明根据SPA和CARS选择的特征波长和引入SIs建立的PLS-DA模型判别精度分别为97.27%，95.45%，98.18%。何嘉琳等人[6]利用高光谱成像技术对灵武长枣维C含量的无损检测方法进行研究，结果表明基于CARS建立的PLS模型效果最优。

试验以正常核桃和黑斑核桃为研究对象，利用高光谱成像系统采集样本光谱和图像信息，从光谱和图像2个方面对核桃黑斑缺陷进行识别，为黑斑核桃在线检测提供理论依据。

1 材料和方法

1.1 试验材料

试验样本为山西汾阳“礼品2号”核桃，人工挑选质地均匀的正常核桃和黑斑核桃各80个，利用Kennard-Stone算法[7]将样本按3∶1分为校正集和预测集，其中校正集各60个，预测集各20个。

1.2 仪器设备

试验采用北京卓立公司开发的“盖亚”高光谱分选仪对样本进行光谱图像信息采集，仪器主要由光谱相机、4个35W溴钨灯、移动平台、暗箱、计算机组成，采集波长范围为900～1 700 nm。采集信息前需调节曝光时间和平台移动速度，防止因信息过度饱和而出现失真现象。经过试验，设置曝光时间为20 ms，平台移动速度为1.5 cm/s，样本与镜头距离为22 cm。

1.3 区域生长算法

区域生长算法（Region grow）[8]是一种串行区域分割的图像分割方法，其基本思想是将具有相似性质的像素集合起来构成区域。根据同一物体区域内像素的相似性质来聚集像素点，从初始区域开始，将相邻的具有同样性质的像素或其他区域归并到目前的区域中，从而逐步增长区域，直至没有可以归并的点或其他小区域为止。

2 基于光谱信息的核桃黑斑判别分析

2.1 平均光谱曲线提取

使用ENVI提取感兴趣区域功能，分别提取正常核桃外壳和黑斑核桃黑斑区域的光谱信息，然后求取平均光谱。

不同区域平均光谱图见图1。

由图1可知，正常核桃和黑斑核桃平均光谱曲线有很大差别。在1 400 nm之前，正常核桃反射率大于黑斑核桃，在1 400 nm之后，正常核桃反射率低于黑斑核桃，这有利于后续判别模型的建立。

2.2 光谱数据主成分分析

主成分分析（Principalcomponentanalysis，PCA）[9]是一种去除波段之间多余信息、将多波段信息压缩到比原波段更有效的少数几个转换波段的方法。该方法不但可以避免信息间的互相重叠，而且通过数据简化，提取最具代表性的变量子集，且变量之间互不相关。

前6个主成分的累计贡献率见表1。

表1 前6个主成分的累计贡献率

由表1可知，前5个主成分的累计贡献率已达99.90%，因此选用前5个主成分信息进行后续研究。

2.3 PLS判别模型建立

偏最小二乘回归法（PLS）[10]是一种线性回归模型，其核心思想是把观测到的数据分成多个部分，每部分数据进行不同权重的线性组合后可用来表示该区域的相应值。

根据提取的前5个主成分信息，建立PLS判别模型。样本分别赋值作为判别依据，将正常核桃赋值为1，黑斑核桃赋值为2，以0.5为最大偏离值。

PLS模型预测结果见图2。

由图2可知，正常核桃和黑斑核桃的识别率均为100%，说明基于光谱信息可以实现对黑斑核桃的检测。

3 基于图像信息的核桃黑斑识别

3.1 主成分图像提取

由于光谱信息的前5个主成分累计贡献率较高，提取黑斑核桃样本前5个主成分图像。

黑斑核桃5个主成分图见图3。

由图3可知，PC-1图样本和背景相差最明显，PC-2图样本黑斑区域被凸显出来，而PC-3～PC-4图噪声较大，难以处理。

3.2 识别过程

黑斑识别关键步骤见图4。

首先对PC-1图进行掩膜（Mask）处理，然后运用“Canny”算子分割出样本边缘，再对边缘进行填充，最后对图像进行取反，生成模板图像；对PC-2图采用区域生长算法（Region grow） 提取黑斑区域图；最后将模板图像与黑斑区域图进行合并。

按照上述方法，对黑斑核桃进行图像识别，均取得较好效果，列举10个黑斑样本识别效果图。

识别效果图见图5。

4 结语

基于高光谱成像技术从光谱和图像2个角度对黑斑核桃进行判别和识别。采用PCA对光谱数据进行压缩，提取前5个主成分，建立PLS判别模型，模型对正常和黑斑核桃判别率均为100%。提取前5个主成分图像，分别对第1个主成分图像和第2个主成分图像进行掩膜、“Canny”算子、图像填充、区域生长算法（Region grow） 提取模板图像和黑斑区域，以实现对黑斑的识别。结果表明，基于高光谱成像技术可以实现对黑斑核桃的检测识别，为开发黑斑核桃在线检测设备提供理论依据。