基于高光谱技术的水果新鲜度检测可行性研究

陈玲，程国东，徐建航，胡志明，贾有东

(1.昆明学院机电工程学院，云南昆明，650214；2.昆明理工大学机电工程学院，云南昆明650550，3.云南昆船电子设备有限公司，云南昆明，650236)

0 前言

水果和蔬菜是生活中必不可少的食物，随便人们生活水平的不断提高，对水果的品质要求也越来越高，尤其是水果的新鲜度不但不能满足人们的需求，甚至对销售也会产生很大的影响。传统的检测手段主要靠人的感观，虽然成本低操作难度低，但抽检率低，工作强度大容易出现漏检、误检的情况且受主观影响较大，不能很好的去评定，而对水果的内部品质也很难去检测。

另一方面，目前我国是农业大国，水果产量位居世界第一，对一些水果的生产也较为集中，需要增加出口来增加农产值，因此对水果的新鲜度要求较高，水果的品质直接影响着出口水果的竞争力。因此，提高水果的品质是解决现代农业的重要手段。

水果的无损检测技术主要是指在不对损伤或不影响果蔬化学性质的前提下采用光谱技术、机器视觉技术、光谱成像技术、声学特性检测技术等获取和评价果蔬表面或内部品质的一种技术[1]。机器视觉技术在农业方面的应用主要有农业机器人、农业遥感分析、粮食及水果的品质检测等方面。机器视觉在水果品质检测与分级方面优势明显能保证检测结果的一致性,保证检测精度,特别是在表面缺陷面积计算、着色面积计算等方面,其优势更是非人力所能及[2]。因此,将机器视觉技术应用于水果品质检测后,将大大减少劳动力的投入,对降低水果商品的生产成本,提高其市场竞争力,具有非常现实的社会和经济意义。另一方面，机器视觉技术在水果品质检测的应用,为机器视觉技术研究开拓了新的研究领域，丰富了机器视觉技术的内涵,具有很高的理论价值。

1 高光谱图像分析

1.1 基本流程

高光谱成像技术在水果的无损检测中是最常见的检测技术。高光谱分辨率高、波段多，其成像本质是二维成像技术和光谱技术的结合体，成像检测波段主要在200-400nm的紫外光、400-760nm的可见光、760-2560nm的近红外光等区域，高光谱成像技术采集连续光谱图像数据为每个像素并且提供一条完整而连续的光谱曲线，可以根据需要来提取特定波段的特征，高光谱图像成像系统的硬件主要由光源、相机采集单元、光谱采集单元、计算机及控制装置等单元组成[3]。基本流程如图1所示。

图1 高光谱图像分析基本流程

在设计初期可以通过使用图片或实时采集的方式将需要的图像采集到计算机中，然后对计算机的图像数据进行前景和背景的分离，利用腐蚀、膨胀、开运算、闭运算等来提取有效特征，使其趋近于实际特征；最后通过计算目标的二维形状特征[4]，根据特征对目标进行筛选以达到图像能正确被处理的目的，实际处理中也可重复其中的几个步骤。

1.2 国内外研究现状

目前国内外大量学者对高光谱用于果蔬内外品质的检测进行了大量研究[5，6]，并取得了一定的成果。早在2001年，Kim等人就开发了多光谱荧光成系统用于检测检测苹果表面粪污染；随后在2004 Kim等人又开发了一套激光诱导荧光的高光谱成像系统用于检测苹果表面动物排泄物；同年,Vargas等人利用高光谱荧光成像技术检测甜瓜和草莓表面污染。2005Vargas等人又尝试了主成分分析法,为在线粪污斑检测多光谱荧光成像系统奠定了基础。2007年Kim等人又开发出了一套在线线扫描可见近红外高光谱成像系统，可以同时检测苹果表面粪污斑及缺陷。近年来，高光谱在检测大枣品质方面的研究也颇多，譬如在2019年万国玲等人就利用高光谱技术采集光谱信息，建立了果糖预测模型。在2020年，吴姝等人利用高光谱成像技术对冬枣6个阶段的损伤建立了预测模型；李伟等人得用高光谱技术建立了预测冬含水量的最优模型；WangJ等人利用高光谱图像技术实现了对红枣病虫害的检测。利用光谱分析技术对农作物进行实时监测也一直是研究的热点，如在2018年黄林生等人利用该技术不构建了病虫害指数模型，预测效果较佳；2019年王鑫野等人针对马铃薯的病虫害检测更是达到了100%的识别率。WU D及NICOLAIBM及等人分别在2013年及2014年利用高光谱技术在果蔬品质方面的检测做了研究[7，8]。近年来，光谱分析技术在禽蛋中的检测应用也比较广泛，譬如王巧华[9]等人采用光谱仪配套的光谱软件采集鸡蛋的可见-近红外光谱来检测禽蛋的内部质量；针对鸡蛋储存时间的预测，刘燕德[10]高佩佩[11]和孙艳文[12]等等也做了相关研究，但目前还没有专门针对禽蛋的商业化设备，其研究主要还是局限于实验阶段。孙俊[13]提取了大米水分特征1163.9、1363.8、1170.7nm等12个波长的光谱数据，建立了大米水分定量检测模型。洪帅[14]等采用高光谱技术来检测不同生育期的棉花叶绿素含量，其所构建的回归模型也能很好的用于玉米叶片绿素变化情况。

综上所述，高光谱成像技术无论是对植物病虫害的检测、还是对植物养分的检测、还是获取农作物中的营养成分等方面均取得很好的效果。

2 图像预处理及光谱预处理

我们在使用高光谱技术进行果蔬的无损检测时，对高光谱图像进行处理，消除无关信息是至关重要的一步，为我们后续采集有效的高光谱图像奠定了基础。在预处理阶段，主要是通过直方图均衡化、中值滤波、边缘检测等方法。

2.1 直方图均衡化

对相机拍摄的照片需要通过专门的软件对图片进行技术增强，国内外学者基于HE的算法[15]，主要针对有保护亮度的对比度增强、针对特定灰度级的对比度增强、图像细节的增强提出了五种技术手段，分别为直方图均衡化技术、修正的直方图均衡化技术、直方图变分技术、局部直方图均衡技术及基于变换域均衡化的图像增强技术。

2.2 中值滤波

对所采集到的图像可能因为在采集过程中有误差及随机干扰，为此要想获得理想的图片先要进行滤波除杂处理，中值滤波主要是将输入数据各点的中值作为输出数据[16]，设定一组数据x1,x2,…,xn，，这些数值代表窗口中心的信号样本值，这些信号样本值按从小到大的顺序排列后处在中间的样值得就可以定义为中值滤波的输出值。即

首先找出可疑的噪声点，然后通过最小二乘法对初始数据进行滤波优化并可拟合成平滑滤波。

2.3 边缘检测

在图像处理与计算机视觉中，边缘检测是最为基本的问题，其目的就是标识图像中亮度变化最明显的点。对边缘检测的算法也比较多，最主要的算法有Sobel算法、Roberts算法、Canny算法以及Pal和King算法，其每种算法都有其优缺点，除了对图像进行预处理外，还要对光谱进行预处理，常见的光谱预处理方法主要有平滑、导数、归一化、多元散射校正、傅里叶变换、小波变换等。平滑、导数、归一化、多元散射校正是比较常规的处理方法，傅里叶变换、小波变换比前四种方法更新，小波变换是在傅里叶变换的基础上发展起来的，近年来在图像处理方面应用十分广泛。

3 高光谱应用研究

本文所采用的仪器为中科微能产品，型号为CME-SL150氙灯光源，其参数如1所示。

表1 参数表

通过手机拍照采集照片，采用特定的工具和软件，从橘子的品质检测效果来对计算机视觉图像底层处理进行深入研究，因为在拍摄过程中会受到外界因素的干扰，所以所拍摄的原始图片不能用于实验，需要进行对图像进行处理才能作为后续分析和处理的图像。经过对图片进行灰度化处理、平滑处理及特征提取后处理后的图像结果如图2所示。

图2 不同波段紫外光照射下的橘子图像

实验结果表明，对254、275、280、295、313、320、32 5、330、334nm八个波段信息，从自然光和其他紫外光照射下，自然光可看出橙子已经变质，但范围小且不易分辨，紫外光照射下呈现明显的荧光现象，且范围较自然光下大易分辨，说明腐烂水果在紫外光下确实存在荧光现象。紫外光照射下比自然光呈现出明显的荧光现象，并且波长越长越明显，故可用于检测水果的表面及内部质量。

4 结论

通过文献研究及对橘子图像采集试验，验证了高光谱技术对水果的新鲜度检测有一定的可行性与正确性，且市场应用前景广阔。但要想让该技术得到推广，还有很多工作要做。首先，高光谱成像技术只是无损检测在水果品质检测中的一种，除此之外还有像近红外光谱检测、机器视觉检测、声学分析检测、电子鼻检测、介电性质分析检测、核磁共振检测等多种方法；其次，无损检测技术是利用光、声、电、磁力来获取水果内外品质的一种技术，针对不同的检测对象及检测指标各有优缺点，还需要进行大量的理论研究远；最后，水果因不同地区、不同气候条件、不同品种等之间的因素会造成很大的差异性，要做到一定的普适性难度较大。