融合光谱形态特征的苹果霉心病检测方法

刘昊灵，张仲雄，陈 昂，浦育歌，赵 娟,2,3，胡 瑾,2,3

融合光谱形态特征的苹果霉心病检测方法

刘昊灵1，张仲雄1，陈 昂1，浦育歌1，赵 娟1,2,3，胡 瑾1,2,3※

（1. 西北农林科技大学机械与电子工程学院，杨凌 712100；2. 农业农村部农业物联网重点实验室，杨凌 712100； 3. 陕西省农业信息感知与智能服务重点实验室，杨凌 7121 00）

针对轻微霉心病和健康苹果光谱差异较小，致使基于可见/近红外特征光谱的检测方法对轻微霉心病检测准确率较低的问题。该研究将光谱形态特征与光谱特征融合的方法引入霉心病模型构建，建立了融合光谱形态特征的判别模型。以215个苹果可见/近红外光谱为样本，分析了不同预处理和特征提取组合对建模效果的影响，并完成了光谱特征的提取；分析健康果和霉心病苹果平均光谱的差异性，提取波峰、波谷等差异明显的光谱形态特征点，对比波段比、波段差和归一化强度差三类形态特征获取方法；最终建立光谱形态特征参数和光谱特征融合的苹果霉心病模型。试验结果表明，归一化预处理后提取的特征光谱和归一化强度差形态特征融合后模型判别准确率最高，在支持向量机模型中训练集、测试集判别准确率分别为98.6%和96.3%。特别是当发病程度小于10%时，该研究的判别模型准确率高于95%，表明通过融合光谱形态特征可以提升轻微病变霉心苹果的判别准确率。

光谱；病害；苹果霉心病；光谱形态特征；归一化强度差；支持向量机

0 引 言

霉心病是苹果的一种真菌病害，由于没有外部症状出现，这种病害在苹果切开前无法被识别[1]。切开病果可见心室发霉或褐变腐烂，果心充满粉红色、灰绿色、黑褐色或白色霉状物，若病菌突破心室壁扩展到心室外，则会引起果肉腐烂[2]。霉心病发病机理是由多种弱寄生菌组成的浸染过程较为复杂的复合型内部病害，其中链格孢菌、镰刀菌、单端孢等真菌会产生70多种具有不同化学结构的次级代谢产物，其中部分成分有影响生育、引发癌症以及减弱人体免疫等负面作用[3-5]。

近年来，可见/近红外光谱、电子鼻[6-8]和振动声学[9]等多种方法被用于苹果霉心病检测。但电子鼻检测方法需要等待空间内气体累积，其检测时间一般在60～160 s，速度较慢；振动声学检测方法仅对单一种类真菌造成的心室腐烂霉心病有效并且检测准确率不高，而霉心病是多种真菌造成的复合病变，其症状种类较多；核磁共振等其他检测方式成本过高不能投入实际应用。因此可见/近红外透射光谱检测法由于检测速度快、准确率高、可解释性强、成本低的优点，已成为苹果霉心病无损检测中最热门的方法。基于全光谱进行苹果霉心病判别证明了采用可见/近红外透射光谱检测霉心病的可行性[10]，但这种方式光谱信息过于冗杂，同时设备成本较高，不利于实际应用。虽然相继出现使用小波变换[11]、连续投影算法（successive projections algorithm, SPA）[12]和竞争自适应重加权采样（competitive adaptive reweighted sampling, CARS）[13]等方法进行霉心病特征波长提取的研究，其一定程度上减少特征波长的数量，减少冗余光谱信息对建模效果的影响，但限制光谱特征数量的能力较弱，不能有效降低成本。为进一步减少光谱特征数量并降低开发成本，也出现使用CARS和SPA组合的方法完成霉心病判别模型中特征波长提取的研究[14-15]。但是由于苹果果径大小、果心位置等都会影响光谱传播特性，从而影响模型判别效果，因此出现了考虑检测方向差异的全局方向补偿模型和考虑果径大小对透射光谱影响的果径修正模型[16-17]。其较经典光谱分析方法一定程度上解决了果形差异导致霉心病检测精度降低的问题。虽然该类方法和经典光谱模型均对严重霉心病苹果判别准确率高，但对于轻微霉心病判别准确率较低[18]。苹果作为一种储藏水果，能否在储存前实现对轻微霉心病果的检测，就成为防治病害传播、减少储存损失的关键。因此迫切需要研究提高轻微霉心病苹果的判别准确率的方法。

光谱形态特征能够充分利用光谱有效特征信息[19]，目前利用光谱形态特征提高早期缺陷和成熟度检测等品质分级精度的方法[20-22]可以有效提升霉心病的判别准确率。虽然光谱形态特征可以量化特征点之间的关系，但是单独采用这种方法对特征光谱进行处理会导致光谱原始信息的丢失，因此对判别准确率的提升较为有限。

针对上述问题，本研究基于可见/近红外光谱判别苹果霉心病原理，提出一种将特征光谱和光谱形态特征融合的建模方法。通过判别精度选择最佳特征光谱和光谱形态特征参数，将特征光谱与光谱形态特征参数共同作为输入训练模型，以提高可见/近红外透射光谱判别苹果霉心病的准确率。

1 材料与方法

1.1 样本获取与光谱采集

本文以红富士苹果为研究对象，于2020年11月在陕西省宝鸡市扶风县发病率较高果园挑选发育良好、无外部损伤的红富士苹果215个。将苹果运回实验室后清洗干净，使用标签纸逐一编号后在室温（20 ℃，相对湿度为30%～40%）放置24 h[23]。

试验使用自主搭建的透射光谱采集平台，其结构如图1所示。试验仪器采用海洋光学的地物光谱仪（OFS-1100，Ocean Optics，USA），其采集光谱范围350～1 100 nm，光谱分辨率1.3 nm；检测光源为铝制反射珠卤素灯（QR111，Osram，USA）；试验装置安装在一个密封的光屏蔽暗箱内，以防外部光干扰。试验过程光谱仪设置积分时间为100 ms；平均次数为5次；平滑度为10。在软件中进行去除暗噪声、添加非线性矫正和杂散光矫正。另外苹果内部发霉部位并不规则，可能存在发霉部位偏离中心的情况，苹果表面缺陷和其他病害也会对检测造成影响，苹果竖放时果萼和果柄也可能影响透射的光谱信息[24]，因此为避免上述原因导致光谱缺失部分光谱信息，规定对每个样本沿赤道方向每旋转120°采集一次光谱，共获得三组光谱信息[25]。使用Kennard Stone (K-S)算法将训练集与测试集按3∶1划分[26]。

图1 苹果可见/近红外光谱采集平台

1.2 病害信息获取

将苹果样本纵向切开，进行苹果霉心病果或健康果的分类。为了分析苹果的发病程度，使用相机拍摄苹果图像获取具体的苹果病害信息，信息获取过程如图2所示。为保证图像获取环境相同，图像拍摄时使用手机支架将手机相机固定在距黑色桌布12 cm的位置，使用光照计（LI-250A）将环境光强保持在235～243 lux，相机使用手机（小米11）后置1.08亿像素摄像头。图像处理在Photoshop软件中进行，根据图像中苹果剖面面积1和霉心面积2计算发病面积在剖面面积中的占比并将其定义为发病程度，以此评价霉心病苹果的患病程度[27]。

图2 苹果病害信息获取

1.3 光谱预处理与特征提取

不同的光谱预处理组合会对光谱特征提取和模型建模效果产生不同影响。S-G卷积平滑（savitzky-golay convolution smoothing, S-G）通过对移动窗口内的数据进行多项式分解与最小二乘拟合可以有效去除光谱噪声以提高光谱的信噪比；多元散射矫正（multiplicative scatter correction, MSC）和标准正态变换（standard normal variate transform, SNV）则可以解决光谱谱图中参杂的固体颗粒密度、样本折射率相关的问题；归一化算法（normalization, NOR）可以有效避免某些重要特征权重较小的问题，在光谱预处理中也可以消除微小光程差异带来的影响。因此，本文先对光谱进行归一化，然后分别选择不再做处理、S-G平滑、MSC和SNV处理，建立4类预处理样本集。

为提高判别模型的准确率和运行效率，对上述样本集数据采用CARS与SPA结合的特征提取方法进行降维处理。这种方法不仅能消除CARS提取的特征中连续和重叠部分，还能提高SPA的运行速度，最大化压缩数据维度，用更少的光谱信息表达更多的数据特征。本文首先使用CARS设置交叉验证次数10次，聚类次数25次对4类预处理结果进行特征波长提取，然后使用SPA限制最大特征数为20进行二次提取，最后采用偏最小二乘判别分析（partial least squares discriminant analysis, PLS-DA）建立模型，以准确率、召回率、特异性和特征数为指标对特征提取结果进行评价，从而选择建模效果最优的预处理方法和特征光谱。

1.4 光谱形态特征参数

现有苹果品质检测一般将其视为均匀介质，通过Lambert-Beer定律来描述光透过苹果时的现象[28]。该定律认为，在苹果外观物理因素一定的条件下，吸光度与吸收介质的浓度和吸光系数有关，所以霉心病苹果的透射光强普遍低于健康苹果。但试验表明，轻微的霉心部位在可见/近红外光谱范围内透射光强度的衰减较小且不均匀，并且苹果品质、缺陷等其他因素会覆盖轻微霉心病对透射光的影响甚至使光谱强度高于健康苹果，导致仅采用特征光谱进行轻微霉心病判别精度不高。因此，本研究从平均光谱中选择5个波峰和波谷，使用波段比、波段差和归一化强度差等波段运算方式[29]获取光谱形态特征（spectral shape features, SSF），建立PLS-DA判别模型对比准确率，获取最佳光谱形态学特征。

波段比（band ratio, BR）是2个波段光谱之间的比值[30]，其不但可以有效地降低苹果测量时造成的误差，还可以增强波段之间的强度差异，提供一些任何单一波段无法得到的独特信息[31]。BR数学表达式如式（1）所示，式中R和R分别是第和波段的光谱强度，BR是第和波段的光谱强度比值。

BR=R/R（1）

波段差（band difference, BD）则是2个波段光谱强度之间的差值，用于反应光谱吸收峰的深度。BD数学表达式如式（2）所示，式中BD是第和波段的光谱强度差值。

BD=R−R（2）

归一化强度差（normalized spectral intensity difference, NSID）是一种标准化的光谱指数,该方法被应用于西瓜的成熟度检测[32]，说明其具有一定发掘更深处光谱信息的作用。NSID数学表达式如式（3）所示，式中NSID是第和波段的光谱归一化强度差，在遥感[33]和高光谱[34]中也被称为归一化植被指数。

1.5 苹果霉心病判别模型构建方法

支持向量机（support vector machine, SVM）算法可有效解决小样本、非线性及高维模式识别的问题，因此本文采用SVM建立判别模型。采用特征光谱和BR、BD和NSID 3种光谱形态特征参数融合作为模型输入，如式（4）所示，式中表示模型输入，表示特征光谱，表示光谱形态特征参数；以样本标签（健康样本为0，霉心病样本为1）作为模型输出。

={(,b)} （4）

为解决该类非线性分类问题，需通过引入核函数(,x)将低维线性不可分问题转化为高维线性可分。最终得到的SVM判别模型式（5），式中表示样本总数量，为Lagrange系数，表示支持向量机的类别标签，为阈值。

本研究使用MATLAB中的fitcsvm二分类函数构建SVM模型，并使用径向基核函数（RBF）对样本进行高维度映射。为了确定最佳的框约束参数和内核比例参数，使用该函数的超参数优化功能进行自动寻优。

此外，为了验证SVM方法的优越性，利用PLS-DA采用相同样本集，使用25折交叉验证计算最佳潜在变量后建立模型进行对比分析。

1.6 模型评价指标

为验证建模效果，本文采用准确率、特异性和召回率作为评价指标来进行模型好坏以及稳健性的评估[35]。准确率是指正确分类样本占总样本的比例，准确率越高说明分类模型越好。在本研究中将霉心病样本设为正例，召回率表示所有正例中被正确分类的比例，衡量了分类器对正例的识别能力，召回率越高说明对模型对霉心病果的检出率更高。特异性表示所有负例中被正确分类的比例，衡量了分类器对负例的识别能力，特异性越高说明健康苹果的误判率越低。

2 结果与分析

2.1 光谱数据获取结果

本文在剔除苹果光谱信息中异常样本的基础上，对550～900 nm波段内光谱信息进行分析。经过统计后样本总数215个，其中健康苹果111个，霉心病样本104个。得到霉心病样本和健康样本的光谱范围如图3表示，2个区域上下限分别代表霉心病苹果光谱和健康苹果光谱的各波段平均光谱±标准差。

图3 健康和霉心病苹果的光谱范围

从图3中可以看出霉心病苹果光谱和健康苹果光谱在各波段均有重合，尤其在650～700 nm的波谷中光谱几乎完全重合，因此仅靠光强度对于这类霉心病样本无法进行有效判别。

2.2 光谱预处理与特征波长提取结果

为了避免光谱某些波段光强度过高或过低导致的特征权重不均衡的问题，必须先归一化，然后再进行S-G平滑、SNV、MSC等预处理，处理结果如图4所示。

图中分别是进行NOR、NOR+SG、NOR+SNV和NOR+MSC预处理后特征提取的结果。其中NOR和NOR+SG均得到8维特征光谱，并且特征分布比较相似； NOR+SNV和NOR+MSC两种方法分别得到11维和5维特征光谱。进一步从图中可以看出NOR和NOR+SG得到的特征光谱更符合光谱曲线的特征；NOR+SNV虽然得到特征数量较多，但在640、760、810 nm附近特征较为相似，并且相比另外3种方法缺少了710 nm附近波峰信息；NOR+MSC方法可以进一步压缩特征数量，但是从光谱曲线上看，丢失了640和810 nm附近波峰信息。为进一步分析上述预处理方法的优劣，使用PLS-DA建立判别模型对4种预处理方法进行比较。利用不同处理方法得到的特征光谱建立PLS-DA判别模型，其结果如表1所示。

图4 不同预处理方法下光谱特征提取结果

表1 不同预处理方式的PLS-DA模型训练结果

其中虽然NOR+SNV获得特征数量最多，但是判别准确率并不是最高，这可能是由于其缺少710 nm附近波峰信息，该波段是影响霉心病判别的主要特征波段[36]；NOR+MSC获得特征数量最少，并且判别准确率最低；NOR和NOR+SG的特征较为相似，但是NOR预处理方式的判别准确率更高。综上所述，仅用NOR可以获得更高的效益，因此采用NOR+CARS+SPA获得的特征波长建模。

2.3 形态学特征提取结果

平均光谱中波峰和波谷提取结果如图5所示，分别为639、674、705、751和806 nm，以此5个波段作为提取光谱形态特征的特征波段。其中705 nm附近峰是影响霉心病的主要波段；806 nm附近峰是C-H键和O-H键的伸缩振动引起的，该波段也被认为和水份相关[37]，而水果真菌感染与内果壁钙浓度有关，钙浓度变化是由果实水分导致的[38]，因此800 nm吸收峰能够反映霉心病的发病情况；639 nm附近峰值代表叶绿素B的吸收[39]，674 nm附近波谷代表叶绿素A的降解[40]，由于叶绿素与霉心病相关性较低，所以其相关波段在波段运算中用于校正690 nm后波段的光学性质[41]；751 nm附近的波谷值一般被认为和806 nm同样作为水分的吸收峰，但该波段与果核的光学性质有关[42]，因此在果核发病的苹果霉心病中也应考虑该波段的影响。

利用式（1）～（3）对上述5个波段进行运算获得4个BR变量、4个BD变量和4个NSID变量。将BD、BR、NSID输入建立的PLS-DA霉心病判别模型，其结果如表2所示。

图5 平均光谱的波峰和波谷

对比结果可以发现，NSID的判别准确率最高，BD、BR的判别准确率较低。虽然3种波段运算方法的准确率均在70%以上，但建模效果仍略低于特征光谱直接建模。说明光谱形态特征虽然可以反映出霉心病相关的特征，但是也丢失了一部分特征信息。为了进一步提高判别准确率，需要将4种光谱形态特征添加到特征光谱中建模分析，评价其建模效果。

表2 不同波段运算方法的PLS-DA模型准确率

2.4 融合光谱形态特征的霉心病模型训练结果

根据上述分析，为了对比引入不同形态特征对建模效果的影响，本文对比了在特征光谱中不做处理、融合BR、融合BD和融合NSID后，使用SVM和PLS-DA方法分别建立判别模型的准确率，如表3所示。

表3 不同建模方法下建模效果对比

从表3中可知，融合光谱形态特征对苹果霉心病的判别能力有很大提升，并且在SVM中效果要优于PLS-DA。在三种光谱形态特征融合中，融合NSID的判别效果最好，训练集准确率98.1%，召回率和特异性分别为97.0%和98.5%，测试集中准确率96.3%，召回率和特异性分别为100%和94.9%，其次是融合BR，最后是融合BD。其中，融合BR和融合BD的效果与表2中结果相反，说明BR特征相比BD特征更能与特征光谱互补。另外融合NSID的模型召回率明显高于融合其他两种光谱形态特征的模型，说明NSID特征对判别准确率的提升主要体现在对霉心病苹果的识别能力。因此，本文选择NSID和特征光谱融合建立SVM霉心病判别模型。

2.5 不同霉心病判别模型对比

为了验证使用本文方法构建模型的性能，利用相同的样本集，将融合光谱形态特征模型与使用霉心病相关特征波段建模所得的特征波段模型、检测方向补偿模型[16]和果径修正模型[17]进行对比，最终结果如表4所示。表中可以看出果径修正模型、检测方向补偿模型和融合形态特征模型均取得了高于特征波段建模的结果。其中融合形态特征模型的判别准确率最高，表明融合光谱形态特征的方法对霉心病的判别效果更好。

表4 苹果霉心病判别模型对比

为进一步分析本文方法对不同发病程度霉心病判别准确率的提升效果，对上述4种方法的霉心病误判样本和发病程度进行统计如图6所示。在霉心病中最轻微的症状是仅在果核内部发病并且没有侵染果肉，而根据统计规律果核面积一般占苹果横截面积的6%，因此将发病程度小于6%作为轻微霉心病的标准；另外在一些相关文献中将发病程度小于10%定义为轻微霉心病[27]，因此定义发病程度在6%～10%作为为略微严重的轻微霉心病；另外发病程度10%～14%为一般霉心病，而发病程度大于14%发病面积时苹果已经发生严重霉变，这种情况最容易判别。可以发现随着发病程度的减少，霉心病的判别准确率呈下降趋势。当发病程度大于14%时，除特征波段建模以外，其他三种模型都能够实现霉心病精准判别；当发病程度大于10%且小于14%时，只有融合光谱形态特征模型能够100%判别，果径修正模型和检测方向补偿模型虽然出现误判，但准确率仍高于特征波段建模；当发病程度小于10%但大于6%时，特征波段建模的判别准确率的下降非常严重，另外两种模型的判别准确率也出现下滑，只有融合光谱形态特征模型的判别准确率明显高于其他几种模型且仍能达到95.7%；当发病程度小于6%时，特征波段建模仅有33.3%的判别准确率，检测方向补偿模型判别准确率为75.0%，果径修正模型判别准确率为83.3%，而融合光谱形态特征模型判别准确率仍能达到95.8%。本文模型的准确率相对特征波段建模和果径修正模型分别提高了62.5和12.5个百分点。结果表明，当发病程度小于10%时，融合光谱形态特征的的模型对于判别准确率的提升非常显著，说明融合光谱形态特征的模型可以有效表达出霉心病苹果和健康苹果间光谱的差异性，从而提高模型识别轻微霉心病苹果的能力。

图6 不同苹果霉心病判别模型对不同发病程度判别的准确率分布

2.6 融合光谱形态特征的苹果霉心病模型性能评价

为了进一步分析本方法局限性，对本方法错判的91、95号样本进行分析，其光谱如图7所示。91与95号样本发病程度分别为4.9%和6.9%，观察剖面图像发现，其属于果核内部出现少量菌丝的轻微霉心病症状[43]。不仅如此，样本维管束附近果肉均有呈透明玻璃状趋势，这是典型的苹果水心病特征[44-45]。由于在水心病组织中光的透射率高于无症状组织[46]，因此在样本中轻微霉心病导致的透射光强衰减低于水心导致的透射光强增加的情况下，各波段光谱强度甚至高于健康样本平均光谱。上述结果表明水心病组织对光谱的影响会覆盖霉心病组织影响，导致无法从光谱中获得霉心病组织的光谱形态特征，从而出现误判现象。在上述两种病害并存的情况下，引入新的修正因子提升模型判别精度将成为下一步研究的重点。

图7 融合光谱形态特征模型中判错样本分析

另一方面，由于不同品种苹果间的果实形状、颜色、内部品质差异较大，导致不同品种之间苹果的光学性质差异明显，尤其光谱特征峰的漂移严重，因此现有模型并不能在品种中通用。因此面对不同品种苹果时重新获取样本按本研究步骤建立具有针对性的模型，或考虑使用迁移学习的方法将本研究模型本研究模型推广至其他品种的苹果。

此外本研究中健康样本和霉心病样本数量分布均匀，若健康样本多于霉心病样本，会导致建模结果特异性增加而召回率降低，若霉心病样本多于健康样本，会导致召回率增加而特异性降低，不平衡的样本分布会导致对某一种样本判别能力降低本研究模型的准确率。因此后续研究中考虑采用生成对抗网络（generative adversarial network, GAN）或人工少数类过采样（synthetic minority over-sampling technology, SMOTE）[26]等生成样本的方式保证样本数量平衡，并与本研究方法结合可能会进一步提高判别准确率。

3 结 论

为了提高轻微霉心病的检测精度，本文提出一种融合光谱形态特征的苹果霉心病判别模型建模方法。在选择光谱归一化为预处理方法，使用竞争自适应重加权采样和连续投影算法结合完成特征光谱提取的基础上，分别对光谱形态特征波段做波段比、波段差、归一化强度差的波段运算后与特征光谱融合作为输入建立判别模型进行对比。最终发现使用归一化强度差和特征光谱融合建立的支持向量机模型效果最佳，其训练集准确率达到98.1%、测试集准确率达到96.3%。将该模型与特征波段建模、果径修正模型和检测方向补偿模型进行对比发现，融合光谱形态特征的模型判别效果更好。尤其当发病程度小于6%时，其相对特征波段建模准确率提高了62.5个百分点，相对以往准确率最高的果径修正模型提高了12.5个百分点，证明本文方法能有效提升轻微霉心病苹果的判别精度。

[1] ALI S, ABBASI P A, REHMAN S, et al. First report of moldy core of minneiska apples from new zealand caused by alternaria arborescens[J]. Plant Disease, 2021, 105(9): 2719-2719.

[2] 周兆永，何东健，张海辉，等. 基于深度信念网络的苹果霉心病病害程度无损检测[J]. 食品科学，2017，38(14)：297-303.

ZHOU Zhaoyong, HE Dongjian, ZHANG Haihui, et al. Non-destructive detection of moldy core in apple fruit based on deep belief network[J]. Food Science, 2017, 38(14): 297-303. (in Chinese with English abstract)

[3] LIU Y, YAMDEU J H G, GONG Y Y, et al. A review of postharvest approaches to reduce fungal and mycotoxin contamination of foods[J]. Comprehensive Reviews in Food Science and Food Safety, 2020, 19(4): 1521-1560.

[4] LOPEZ P, VENEMA D, DE R T, et al. Occurrence of alternaria toxins in food products in the netherlands[J]. Food Control, 2016, 60: 196-204.

[5] NTASIOU P, MYRESIOTIS C, KONSTANTINOU S, et al. Identification, characterization and mycotoxigenic ability of Alternaria spp. causing core rot of apple fruit in Greece[J]. International Journal of Food Microbiology, 2015, 197: 22-29.

[6] GUO Z M, GUO C, CHEN Q S, et al. Classification for penicillium expansum spoilage and defect in apples by electronic nose combined with chemometrics[J]. Sensors, 2020, 20(7): 2130-2144.

[7] JIA W S, LIANG G, TIAN H, et al. Electronic nose-based technique for rapid detection and recognition of moldy apples[J]. Sensors, 2019, 19(7): 1526-1537.

[8] 杨晨昱，袁鸿飞，马惠玲，等. 基于傅里叶近红外光谱和电子鼻技术的苹果霉心病无损检测[J]. 食品与发酵工业，2021，47(7)：211-216.

YANG Chenyu, YUAN Hongfei, MA Huiling, et al. Non-destructive detection of apple moldy core based on FT-NIR and electronic nose technology[J]. Food and Fermentation Industries, 2021, 47(7): 211-216. (in Chinese with English abstract)

[9] ZHAO K, ZHA Z H, Li H, et al. Early detection of moldy apple core based on time-frequency images of vibro-acoustic signals[J]. Postharvest Biology and Technology, 2021, 179: 111589.

[10] SHENDEREY C, SHMULEVICH I, ALCHANATIS V, et al. Nirs detection of moldy core in apples[J]. Food and Bioprocess Technology, 2010, 3(1): 79-86.

[11] ZHOU Z Y, LEI Y, SU D, et al. Detection of moldy core in apples and its symptom types using transmittance spectroscopy[J]. International Journal of Agricultural and Biological Engineering, 2016, 9(6): 148-155.

[12] 张本华，钱长钱，焦晋康，等. 基于介电特性与SPA-SVR算法的长稻含长率检测方法[J]. 农业工程学报，2019，35(18)：237-244.

ZHANG Benhua, QIAN Changqian, JIAO Jinkang, et al. Rice moisture content detection method based on dielectric properties and SPA-SVR algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(18): 237-244. (in Chinese with English abstract)

[13] 唐海涛，孟祥添，苏循新，等. 基于CARS算法的不同类型土壤有机质高光谱预测[J]. 农业⼯程学报，2021，37(2)： 105-113.

TANG Haitao, MENG Xiangtian, SU Xunxin, et al. Hyperspectral prediction on soil organic matter of different types using CARS algorithm[J]. Transactions of the C hinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(2): 105-113. (in Chinese with English abstract)

[14] WANG Z L, FAN S X, WU J Z, et al. Application of long-wave near infrared hyperspectral imaging for determination of moisture content of single maize seed[J]. Spectrochimica Acta Part a-Molecular and Biomolecular Spectroscopy, 2021, 254: 119666.

[15] KAMRUZZAMAN M, KALITA D, AHMED T M, et al. Effect of variable selection algorithms on model performance for predicting moisture content in biological materials using spectral data[J]. Analytica Chimica Acta, 2022, 1202: 339390.

[16] ZHANG K X, JIANG H Z, ZHANG H C, et al. Online detection and classification of moldy core apples by VIS-NIR transmittance spectroscopy[J]. Agriculture-Basel, 2022, 12(4): 489-506.

[17] TIAN S J, ZHANG J H, ZHANG Z X, et al. Effective modification through transmission Vis/NIR spectra affected by fruit size to improve the prediction of moldy apple core[J]. Infrared Physics & Technology, 2019, 100: 117-124.

[18] 张海辉，田世杰，马敏娟，等. 考虑直径影响的苹果霉心病透射光谱修正及检测[J]. 农业机械学报，2019，50(1)：313-320.

ZHANG Haihui, TIAN Shijie, MA Minjuan,et al. Detection method of moldy core in apples using modified transmission spectrum based on size of fruit[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(1): 313-320. (in Chinese with English abstract)

[19] 黄敏，朱晓，朱启兵，等.基于高光谱图像的玉米种子特征提取与识别[J].光子学报，2012，41(7)：868-873.

HUANG Min, ZHU Xiao, ZHU Qibing, et al. Morphological characteristics of maize seed extraction and identification based on the hyperspectral image[J]. ACTA Photonica Sinica, 2012, 41(7): 868-873(in Chinese with English abstract)

[20] TIAN X, ZHANG C, Li J B, et al. Detection of early decay on citrus using LW-NIR hyperspectral reflectance imaging coupled with two-band ratio and improved watershed segmentation algorithm[J]. Food Chemistry, 2021, 360: 130077.

[21] LEE H, KIM M S, JEONG D, et al. Detection of cracks on tomatoes using a hyperspectral near-infrared reflectance imaging system[J]. Sensors, 2014, 14(10): 18837-18850.

[22] ZHANG M S, SHEN M S, PU Y G, et al. Rapid identification of apple maturity based on multispectral sensor combined with spectral shape features[J]. Horticulturae, 2022, 8(5): 361-376.

[23] ZHANG M S, SHEN M S, LI H, et al. Modification of the effect of maturity variation on nondestructive detection of apple quality based on the compensation model[J]. Spectrochimica Acta Part a-Molecular and Biomolecular Spectroscopy, 2022, 267: 120598.

[24] TIAN S J, ZHANG M S, LI B, et al. Measurement orientation compensation and comparison of transmission spectroscopy for online detection of moldy apple core[J]. Infrared Physics & Technology, 2020, 111: 103510.

[25] XIA Y, FAN S X, LI J B, et al. Optimization and comparison of models for prediction of soluble solids content in apple by online Vis/NIR transmission coupled with diameter correction method[J]. Chemometrics and Intelligent Laboratory Systems, 2020, 201: 104017.

[26] ZHAO F Y, DU G R, HUANG Y. Exploring the use of near-infrared spectroscopy as a tool to predict quality attributes in prickly pear (Rosa roxburghii Tratt) with chemometrics variable strategy[J]. Journal of Food Composition and Analysis, 2022, 105: 104225.

[27] ZHANG Z X, LIU H L, CHEN D Y, et al. SMOTE-based method for balanced spectral nondestructive detection of moldy apple core[J]. Food Control, 2022, 141: 109110.

[28] ZUDE M, PFLANZ M, SPINELLI L, et al. Non-destructive analysis of anthocyanins in cherries by means of Lambert-Beer and multivariate regression based on spectroscopy and scatter correction using time-resolved analysis[J]. Journal of Food Engineering, 2011, 103(1): 68-75.

[29] LI L, PENG Y K, LI Y Y, et al. Rapid and low-cost detection of moldy apple core based on an optical sensor system[J]. Postharvest Biology and Technology, 2020, 168: 111276.

[30] 江洪，何国金，黄海明，等. 基于波段比模型的地形调节植被指数组合算法构建与验证[J]. 农业工程学报，2017，33(5)：156-161.

JIANG Hong, HE Guojin, HUANG Haiming, et al. Construction and validation of combination model of topography-adjusted vegetation index based on band-ratio model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 156-161. (in Chinese with English abstract)

[31] 蔡健荣，王建黑，陈全胜，等. 波段比算法结合高光谱图像技术检测柑橘果锈[J]. 农业工程学报，2009，25(1)：127-131.

CAI Jianrong, WANG Jianhei, CHEN Quansheng, et al. Detection of rust in citrus by hyperspectral imaging technology and band ratio algorithm[J] Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2009, 25(1): 127-131. (in Chinese with English abstract)

[32] JIE D F, ZHOU W H, WEI X. Nondestructive detection of maturity of watermelon by spectral characteristic using NIR diffuse transmittance technique[J]. Scientia Horticulture, 2019, 257: 108718.

[33] 袁媛，瑚波，武兴厚，等.基于植被指数的夏玉米不同生育期叶绿素含量遥感估算[J].中国农学通报，2015，31(15)：254-259.

YUAN Yuan, HU Bo, WU Xinghou, et al. Remote Sensing estimation of chlorophyll content in different growth periods of summer corn based on vegetation index[J]. Chinese Agricultural Science Bulletin, 2015, 31(15): 254-259. (in Chinese with English abstract)

[34] 吾木提·艾山江，尼加提·卡斯木，陈晨，等.基于多维高光谱植被指数的冬小麦叶面积指数估算[J].农业机械学报, 2022，53(5)：181-190.

UMUT H, NIJAT K, CHEN Chen, et al. Estimation of winter wheat LAI based on multi-dimensional hyperspectral vegetation indices[J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(5): 181-190. (in Chinese with English abstract)

[35] POURDARBANI R, SABZI S, KALANTARI D, et al. Automatic non-destructive video estimation of maturation levels in Fuji apple (Malus Malus pumila) fruit in orchard based on colour (Vis) and spectral (NIR) data[J]. Biosystems Engineering, 2020, 195: 136-151.

[36] 张海辉，陈克涛，苏东，等. 基于特征光谱的苹果霉心病无损检测设备设计[J]. 农业工程学报，2016，32(18)：255-262.

ZHANG Haihui, CHEN Ketao, SU Dong, et al. Design of nondestructive detection device for moldy core in apples based on characteristic spectrum[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(18): 255-262. (in Chinese with English abstract)

[37] WANG G, LIU Y, LI X, et al. Differences in optical properties of fruit tissues between stone fruits and citrus fruits[J]. Infrared Physics & Technology, 2020, 112: 103599.

[38] LEVIN A G, YERMIYAHU U, DORON I, et al. The role of calcium concentration in the endocarp wall of apple fruit in the development of core rot[J]. Crop Protection, 2019, 120: 67-74.

[39] ROBBE V B, BEN A, RODRIGO W, et al. Effect of maturation on the bulk optical properties of apple skin and cortex in the 500 to 1850 nm wavelength range[J]. Journal of Food Engineering, 2017, 214: 79-89.

[40] STEFAN A, KONNI B, STEFFEN N, et al. Determining the optical properties of apple tissue and their dependence on physiological and morphological characteristics during maturation. Part 1: Spatial frequency domain imaging[J]. Postharvest Biology and Technology, 2021, 181: 111647.

[41] ZUDE M. Comparison of indices and multivariate models to non-destructively predict the fruit chlorophyll by means of visible spectrometry in apple fruit[J]. Analytica Chimica Acta, 2003, 481(1): 119-126.

[42] SEIFERT B, ZUDE M, SPINELLI L, et al. Optical properties of developing pip and stone fruit reveal underlying structural changes[J]. Physiol Plantarum, 2015, 153: 327-336.

[43] 赵康，查志华，李贺，等. 基于声振信号对称极坐标图像的苹果霉心病早期检测[J]. 农业工程学报，2021，37(18)：290-298.

ZHAO Kang, ZHA Zhihua, LI He, et al. Early detection of moldy apple core using symmetrized dot pattern images of vibro-acoustic signals[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 290-298. (in Chinese with English abstract)

[44] KASAI S, ARAKAWA O. Antioxidant levels in watercore tissue in ‘Fuji’ apples during storage[J]. Postharvest Biology and Technology, 2010, 55(2): 103-107.

[45] GAO Z F, JAYANTY S, BEAUDRY R, et al. Sorbitol transporter expression in apple sink tissues: Implications for fruit sugar accumulation and watercore development[J]. Journal of the American Society for Horticultural Science, 2005, 130(2): 261-268.

[46] CHANG H, WU Q, TIAN H, et al. Non-destructive identification of internal watercore in apples based on online VIS/NIR spectroscopy[J]. Transactions of the Asabe, 2020, 63(6): 1711-1721.

Detection method for apple moldy cores based on spectral shape features

LIU Haoling1, ZHANG Zhongxiong1, CHEN Ang1, PU Yuge1, ZHAO Juan1,2,3, HU Jin1,2,3※

(1., 712100,; 2.,,, 712100,;3., 712100,)

Moldy core is one of the most serious fungal diseases in apples. The visible/near infrared spectroscopy (VIS-NIR) technique has been a common-used approach to distinguish the apple moldy core. However, the better discriminant can be only confined to the severely diseased apples in the existing VIS-NIR, due to the smaller spectral difference between the mild mold core and healthy apples. It is a high demand to detect the mild mold core for early warning during apple production. In this study, an improved discriminant model was established to detect the apple moldy core using the spectral shape features, in order to significantly improve the detection accuracy. 215 well-developed red Fuji apples without external damage were selected from the orchard in Fufeng County, Baoji City, Shaanxi Province, China, in November 2020. The VIS-NIR (350-1100nm) information was first collected from these apples. The images were then captured from the cutting apples. The degree of moldy-core was determined to calculate the ratio of the mold core area to the apple profile before image pretreatment. The discriminative accuracy was firstly compared with the savitzky-golay convolution smoothing (S-G) after normalization (NOR), Multiplicative scatter correction (MSC) after NOR, and standard normal variate transform (SNV) after NOR. Secondly, the feature bands were extracted from the images using the combination of competitive adaptive reweighted sampling (CARS), and Successive projections (SPA). Thirdly, five peaks and valleys (at the wavelength of 639, 674, 705, 751, and 806 nm) were extracted from the average spectrum for the typical shape features. Band ratio (BR), band difference (BD), and normalized spectral intensity difference (NSID) were then analyzed to determine the spectral shape features (SSF) parameters with the highest discriminant accuracy. Finally, the optimal model was obtained between the partial least squares discriminant analysis (PLS-DA) and support vector machine (SVM). Results show that the NOR spectral pretreatment performed the best to extract the characteristic spectrum, whereas the NSID was the best among the three SSF parameters. The SVM model presented the highest discriminative accuracy with the training set of 98.6%, and the test set of 96.3%. Four models were used to evaluate the performance of model identification in the different degrees of moldy-core, including the build the modal with characteristic band, the correct spectrum with apple diameter, compensate with the direction of detection, and merge the spectral shape seatures. Once the degree of moldy-core was greater than 10%, the accuracies of these models were improved significantly, except for thebuild the modal with characteristic band. When the degree of moldy-core was less than 10%, only the Merged Spectral Shape Features Model performed a high discriminant accuracy of higher than 95%, which was 43.5 percentage points higher than the build the modal with characteristic band. In the case of the moldy-core degree less than 6%, the discrimination accuracy of merge the spectral shape features reached 95.8%, which was 62.5 percentage points, and 12.5 percentage points higher than the build the modal with characteristic band, and the correct spectrum with apple diameter, respectively. Consequently, the discrimination model merged with the NISD in the input of the apple mold core can be expected to greatly improve the discrimination accuracy, particularly for the mild mold core. The improved model merged with the spectral shape features can be an effective way to accurately discriminate the apple moldy core.

spectroscopy; disease; mild mold core; spectral shape features; normalized spectral intensity difference; support vector machine

10.11975/j.issn.1002-6819.202210038

O657.33; S436.611

A

1002-6819(2023)-01-0162-09

刘昊灵，张仲雄，陈昂，等. 融合光谱形态特征的苹果霉心病检测方法[J]. 农业工程学报，2023，39(1)：162-170.doi：10.11975/j.issn.1002-6819.202210038 http://www.tcsae.org

LIU Haoling, ZHANG Zhongxiong, CHEN Ang, et al. Detection method for apple moldy cores based on spectral shape features[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(1): 162-170. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202210038 http://www.tcsae.org

2022-10-08

2022-11-16

陕西省科技重大专项（2020ZDZX03-05-01）；国家自然科学基金项目（31701664）

刘昊灵，研究方向为农产品无损检测与装备研发。Email：2332835570@nwafu.edu.cn

胡瑾，博士，教授，博士生导师，研究方向为农业信息感知与智能决策。Email：hujin007@ nwsuaf.edu.cn