薛建新，孫海霞，周靖博，張淑娟

（山西農(nóng)業(yè)大學(xué) 工學(xué)院，山西 太谷030801）

壺瓶棗是山西十大名棗之一，以其果大、皮薄、肉厚、味美和極具滋補(bǔ)功能而享譽(yù)神州，且有極其豐富的營養(yǎng)價值和藥用價值［1］，每100g鮮棗中含可溶性固形物含量37%，含糖量30．35%，含酸量0．57%，含 VC 491．3mg，壺瓶棗制干后，肉質(zhì)細(xì)膩，久貯不干，制干率57．2%，干棗含糖量71．4%，是紅棗中的上品［2］。

目前，國內(nèi)對壺瓶棗品質(zhì)的檢測主要依靠肉眼進(jìn)行判別，結(jié)果經(jīng)常受到個人經(jīng)驗、習(xí)慣、偏好等主觀因素的影響，而且存在有精度低、視覺易疲勞、檢測速度慢等缺陷。因此，需要開發(fā)一種快速、無損、精確檢測壺瓶棗品質(zhì)的方法［3］。

機(jī)器視覺是以計算機(jī)視覺為基礎(chǔ)來智能代替人眼視覺的智能識別系統(tǒng)，具有檢測精度高、信息量大、處理速度快、功能全等優(yōu)點(diǎn)。計算機(jī)視覺技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測與分級領(lǐng)域得到了廣泛的應(yīng)用研究，包括尺寸與面積檢測、表面缺陷及損傷的檢測等［4～6］。

近紅外光譜技術(shù)可充分利用全譜段或多波長下的光譜數(shù)據(jù)進(jìn)行定性或定量分析，能夠反映有機(jī)分子中基團(tuán)的特征振動信息，其光譜特性與有機(jī)物質(zhì)的類型和含量密切相關(guān)。由于其具有效率高、成本低、速度快、測試重現(xiàn)性好、測量方便等優(yōu)點(diǎn)，已被越來越多地應(yīng)用于食品工業(yè)、石油化工、制藥工業(yè)等領(lǐng)域［7］。

因此，本研究嘗試?yán)脵C(jī)器視覺技術(shù)結(jié)合近紅外光譜技術(shù)快速無損地檢測壺瓶棗的品質(zhì)。首先運(yùn)用機(jī)器視覺技術(shù)對壺瓶棗投影面的最小外接矩形面積進(jìn)行檢測，實現(xiàn)了壺瓶棗外部品質(zhì)的快速無損檢測。然后運(yùn)用近紅外光譜技術(shù)無損檢測壺瓶棗可溶性固形物含量，分別采用PLS、PCR和LSSVM建立壺瓶棗糖度的近紅外光譜模型并進(jìn)行比較，獲得一種最優(yōu)的建模方式。

1 試驗材料及裝置

1．1 實驗材料

180個壺瓶棗樣品采自山西省太谷縣，采后當(dāng)天運(yùn)達(dá)實驗室。在相同的儲藏條件下對果實進(jìn)行篩選，以保證果實試驗前的成熟度及物性初始狀態(tài)相對一致，降低果實之間個體差異對試驗結(jié)果的影響。

1．2 試驗裝置

1．2．1 基于機(jī)器視覺的圖像采集裝置

機(jī)器視覺系統(tǒng)的硬件組成如圖1所示，主要由計算機(jī)、圖像采集卡、數(shù)字彩色攝像機(jī)、熒光燈光源、遮光板、光照箱、樣品保持器等組成。計算機(jī)配置為1．7GHz CPU、512MB內(nèi)存和40GB硬盤。計算機(jī)中內(nèi)置大恒公司的DH－CG300彩色圖像采集卡，分辨率為512×512像素。CCD攝像機(jī)選用SONY DCR－TRV75E 數(shù)碼攝錄一體機(jī)，解像度320×240像素，幀頻率為30幀·s－1；鏡頭采用組合電動變焦鏡頭，焦距4．5～45mm。光源為2只220V／100W白熾燈。用MATLAB軟件對獲取圖像進(jìn)行分析提?。?］。

圖1 圖像采集系統(tǒng)示意圖Fig．1 Image acquisition system

1．2．2 基于近紅外的光譜采集裝置

光譜儀使用美國 ASD（Analytical Spectral Device）公司的Field Spec 3型光譜儀［9］，光譜采集條件：采用漫反射方式進(jìn)行樣品光譜采樣，數(shù)據(jù)間隔1nm，采樣范圍為350～2500nm，掃描次數(shù)30次，分辨率3．5nm，探頭視場角10°。光譜數(shù)據(jù)以ASCII碼形式導(dǎo)出進(jìn)行處理，分析軟件為 ASD View Spec Pro V5．0，Unscramble V9．7和 MATLAB7．0。圖2為180個壺瓶棗樣本反射率的近紅外可見光譜曲線。

圖2 紅棗的可見—近紅外光譜曲線Fig．2 Visible－Near infrared reflectance spectroscopy of Jujube

2 基于機(jī)器視覺的壺瓶棗外部品質(zhì)的檢測

2．1 圖像的獲取與預(yù)處理

2．1．1 圖像的獲取

本次研究的壺瓶棗圖像采集裝置使用上述機(jī)器視覺實驗臺獲取，為了增強(qiáng)背景和目標(biāo)水果的反差，實驗采用白色作為背景來獲取紅棗的圖像。

2．1．2 圖像預(yù)處理方式［10］

（1）二值化處理

把彩色圖像轉(zhuǎn)換為灰度圖像，并對灰度圖像采用Otsu＇s閾值進(jìn)行二值化處理，使圖像中的對象特征突出，保留較多的有用信息，便于后續(xù)的特征量提取。

（2）邊緣提取

邊緣提取的目的是提取壺瓶棗和背景的分界線以保留鮮棗外形輪廓。本文采用Sobel算子提取二值化處理后的圖像邊緣，結(jié)果如圖3。

2．2 壺瓶棗圖像面積的提取

為了適應(yīng)在線隨機(jī)狀態(tài)下壺瓶棗的果徑測量，使用壺瓶棗的最小外接矩形［11］（MER，Minimum enclosing rectangle）表示壺瓶棗的大小徑。最小外接矩形的長即為壺瓶棗的長徑，短邊即為棗的短徑，由此確定壺瓶棗投影面外接矩形的面積。根據(jù)圖像面積的大小作為壺瓶棗外部品質(zhì)的分級標(biāo)準(zhǔn)。

圖3 壺瓶棗邊緣提取圖像Fig．3 The image of extraction edge of the Huping Jujube

3 基于近紅外光譜檢測技術(shù)的壺瓶棗糖度的檢測

3．1 可溶性固形物含量的測定

精選180個山西省太谷縣壺瓶棗樣品，隨機(jī)選取148個樣本作為校正集，其余32個樣本作為預(yù)測集。使用WYT－II手持糖度折射儀測量樣本的可溶性固形物含量值。壺瓶棗樣本的可溶性固形物含量值見表1。

表1 180個樣本紅棗的可溶性固形物含量統(tǒng)計表Table 1 Statistics of soluble solids content in Jujube samples

3．2 光譜預(yù)處理

多元散射校正（MSC）是經(jīng)過散射校正后得到的光譜數(shù)據(jù)，可以有效地消除散射影響，增強(qiáng)與成分含量相關(guān)的光譜吸收信息。因此，本文選擇MSC為壺瓶棗光譜數(shù)據(jù)的最佳預(yù)處理方式。

3．3 回歸模型建立

對全波長光譜數(shù)據(jù)分別運(yùn)用偏最小二乘法（PLS）、主成分回歸（PCR）和偏最小二成支持向量機(jī)（LS－SVM）分別對壺瓶棗糖分含量進(jìn)行建模，結(jié)果如表2所示。

表2 壺瓶棗不同可溶性固形物校正模型的比較Table 2 The results of different model of soluble solid content

通過比較得知，LS－SVM模型獲得了最優(yōu)的預(yù)測結(jié)果，該預(yù)測集的相關(guān)系數(shù)和均方根誤差分別為0．9901和0．328，獲得了滿意的預(yù)測精度。

4 結(jié)論

通過圖像處理技術(shù)結(jié)合最小外接矩形法求得圖像的像素點(diǎn)個數(shù)，進(jìn)而得到壺瓶棗投影面的面積，由此可對壺瓶棗進(jìn)行外部形狀及大小的分級。說明了使用機(jī)器視覺技術(shù)能對壺瓶棗的外部品質(zhì)進(jìn)行檢驗和預(yù)測。

使用MSC法對壺瓶棗近紅外光譜進(jìn)行預(yù)處理后，對PLS、PCR、LS－SVM所建模型進(jìn)行比較表明，使用LS－SVM模型建立的模型能準(zhǔn)確的預(yù)測壺瓶棗的可溶性固形物含量值，相關(guān)系數(shù)和均方根誤差分別為0．9901和0．328。說明利用近紅外光譜技術(shù)結(jié)合LS－SVM法能夠快速無損地檢測壺瓶棗的可溶性固形物含量，以便對壺瓶棗內(nèi)部品質(zhì)進(jìn)行評判和預(yù)測。

［1］樊軍，呂磊，尚宏偉．大棗的研究與開發(fā)進(jìn)展［J］．食品科學(xué)，2003（4）：161－163．

［2］程功，自炎晶，趙玉英．棗屬植物化學(xué)成分及藥理活性研究概況［J］．國外醫(yī)藥——植物藥分冊，1999，14（4）：151－157．

［3］黃星奕，錢媚，徐福斌．基于機(jī)器視覺和近紅外光譜技術(shù)的杏干品質(zhì)無損檢測［J］．農(nóng)業(yè)工程學(xué)報，2012，28（7）：260－265．

［4］應(yīng)義斌，饒秀琴，趙勻，等．機(jī)器視覺技術(shù)在農(nóng)產(chǎn)品品質(zhì)自動識別中的應(yīng)用研究進(jìn)展［J］．農(nóng)業(yè)工程學(xué)報，2000，16（3）：4－8．

［5］段峰，王耀南，雷曉峰，等．機(jī)器視覺技術(shù)機(jī)器應(yīng)用綜述［J］．自動化博覽，2002，19（3）：59－61．

［6］毛鵬軍，杜東亮，賀智濤，等．農(nóng)產(chǎn)品視覺檢測與分級的研究現(xiàn)狀與發(fā)展趨勢［J］．河南科技大學(xué)學(xué)報：自然科學(xué)版，2006，27（4）：76－79．

［7］張銀橋，趙博，王輝，等．農(nóng)產(chǎn)品近紅外光譜分析系統(tǒng)綜述［J］．農(nóng)機(jī)化研究，2010，32（5）：224－227．

［8］秦襄培．MATLAB圖像處理與界面編程寶典［M］．北京：電子工業(yè)出版社，2009：454－458．

［9］陸婉珍，袁洪福，徐廣通，等．現(xiàn)代近紅外光譜分析技術(shù)［M］．北京：中國石油化工出版社，2000：10－12．

［10］黎靜，薛龍，劉木華，等．基于計算機(jī)視覺的臍橙分級系統(tǒng)研究［J］．江西農(nóng)業(yè)大學(xué)學(xué)報，2006，28（2）：304－307．

［11］應(yīng)義斌，成芳，馬俊福．基于最小矩形法的柑桔橫徑實時監(jiān)測方法研究［J］．生物數(shù)學(xué)學(xué)報，2004，19（3）：352－356．