張 嬙，潘磊慶，陳 蒙，周春濤，彭 菁，屠 康

（南京農(nóng)業(yè)大學(xué)食品科技學(xué)院，江蘇南京 210095）

基于高光譜圖像技術(shù)的油桃早期冷害無(wú)損檢測(cè)

張 嬙，潘磊慶，陳 蒙，周春濤，彭 菁，屠 康*

（南京農(nóng)業(yè)大學(xué)食品科技學(xué)院，江蘇南京 210095）

研究了應(yīng)用高光譜圖像技術(shù)檢測(cè)“秦光2”號(hào)油桃早期冷害的方法。首先通過(guò)分析桃果實(shí)采后貯存期出汁率變化，確定冷害發(fā)生的初始時(shí)間。構(gòu)建反射高光譜采集系統(tǒng)，獲取初始發(fā)生冷害果及未冷害果在400～1000nm波段的高光譜圖像，選擇感興趣區(qū)域（ROI）進(jìn)行分析后，得到冷害發(fā)生后桃果實(shí)的高光譜特性。進(jìn)而分別對(duì)發(fā)生冷害及未冷害桃果實(shí)的高光譜反射圖像，應(yīng)用獨(dú)立主成分分析方法（ICA）降維后優(yōu)選出特征波長(zhǎng)，分別為：冷害果為672nm，未冷害果為656、678、700nm。通過(guò)提取以上4個(gè)波長(zhǎng)下的反射光譜平均值作為Fisher判別方法建模的特征集，對(duì)油桃早期冷害判別正確率為98.9%。結(jié)果表明，高光譜技術(shù)可以檢測(cè)桃果實(shí)早期冷害。

高光譜圖像，油桃，冷害，無(wú)損檢測(cè)

桃屬于冷敏性果實(shí)，對(duì)低溫環(huán)境較為敏感，低溫下長(zhǎng)時(shí)間貯藏易引起冷害，尤其在5℃易產(chǎn)生冷害癥狀[1]。冷害后桃的品質(zhì)下降，表現(xiàn)為出汁率降低，果肉粉質(zhì)化、紅化、褐變，果實(shí)風(fēng)味變淡或產(chǎn)生異味等，果實(shí)的食用價(jià)值大幅降低[2]。且冷害的表現(xiàn)具有滯后性，即在低溫中造成冷害后不會(huì)立即在桃表面表現(xiàn)出來(lái)，而是到達(dá)貨架條件后才緩慢地表現(xiàn)出上述癥狀，因此，需要有效的檢測(cè)手段盡早檢測(cè)使冷害果得以剔除，以避免進(jìn)一步的采后損失。高光譜圖像技術(shù)將傳統(tǒng)的二維成像技術(shù)和光譜技術(shù)有機(jī)結(jié)合在一起，具有超多波段、高光譜分辨率和圖譜合一的特點(diǎn)[3]。其光譜技術(shù)可以反映農(nóng)產(chǎn)品的物理結(jié)構(gòu)和化學(xué)成分等變化；圖像技術(shù)能全面反映農(nóng)產(chǎn)品的表面特征，因此，高光譜圖像技術(shù)可實(shí)現(xiàn)農(nóng)產(chǎn)品內(nèi)外品質(zhì)的檢測(cè)[4]。目前，對(duì)于桃果實(shí)冷害的無(wú)損檢測(cè)方法研究較少，包括電子鼻技術(shù)[5]、葉綠素?zé)晒饧夹g(shù)[6]、光譜技術(shù)[7]等，且其研究大多是對(duì)冷害嚴(yán)重時(shí)桃的甄別，不能對(duì)冷害早期桃果實(shí)進(jìn)行有效剔除。國(guó)外，Lurie等[8]研究了利用時(shí)間分辨反射光譜檢測(cè)油桃冷害的方法，利用670nm和780nm波長(zhǎng)處的吸收系數(shù)、衰減散射系數(shù)對(duì)冷害預(yù)測(cè)，具有較好的效果；Elmasry等[9]利用高光譜技術(shù)判別紅富士蘋果冷害，得到717、751、875、960、980nm 5個(gè)特征波長(zhǎng)，判別模型準(zhǔn)確率為98.4%。國(guó)內(nèi)，陳思[10]研究了水蜜桃表面缺陷的高光譜技術(shù)檢測(cè)方法。而利用高光譜技術(shù)檢測(cè)桃果實(shí)早期冷害的研究未有報(bào)道。冷害發(fā)生早期，其組織劣變從內(nèi)部開(kāi)始逐漸發(fā)生，且不易從外部被識(shí)別，而高光譜具有一定的透過(guò)性，冷害果實(shí)的特征可由特定波長(zhǎng)的光譜值反映，同時(shí)結(jié)合圖像特征，有望實(shí)現(xiàn)對(duì)桃果實(shí)早期冷害的判別。獨(dú)立主成分分析（Independent Components Analysis，ICA）是一種數(shù)據(jù)降維方法，通過(guò)生成互不相關(guān)的波段，把一組混合信號(hào)轉(zhuǎn)化為相互獨(dú)立的成分，達(dá)到消除噪聲和減少數(shù)據(jù)集維數(shù)的目的[11]。桃果實(shí)的高光譜數(shù)據(jù)是不同信號(hào)的組合，利用ICA去相關(guān)后，可更加清晰明確地得到冷害桃果實(shí)的特征。本文利用反射高光譜的照射方式，研究了“秦光2號(hào)”油桃在最易冷害溫度5℃下冷害發(fā)生早期時(shí)的高光譜特性，進(jìn)而提取冷害桃果實(shí)特征波長(zhǎng)，用Fisher判別的方法建立冷害判別的預(yù)測(cè)模型，為實(shí)現(xiàn)高光譜成像技術(shù)檢測(cè)油桃早期冷害提供科學(xué)依據(jù)。

1 材料與方法

1.1 材料與儀器

“秦光2號(hào)”油桃 八成熟，共300個(gè)，2012年8月采于江蘇省農(nóng)科院，采后2h內(nèi)運(yùn)至實(shí)驗(yàn)室，挑選色澤接近、無(wú)病蟲(chóng)害、無(wú)機(jī)械傷的果實(shí)，攤開(kāi)經(jīng)自然風(fēng)預(yù)冷2h。

高光譜圖像采集系統(tǒng) 根據(jù)實(shí)驗(yàn)要求，設(shè)計(jì)了一套高光譜反射圖像采集裝置，如圖1所示，系統(tǒng)主要由高光譜圖像單元、直流可調(diào)光源、樣本支架臺(tái)、傳送裝置、計(jì)算機(jī)和圖像采集軟件組成。其中高光譜圖像單元由CCD攝像頭（Imperx，ICL-B1620，有效波段范圍400～1000nm，光譜分辨率2.8nm）、圖像光譜儀（Specim，ImSpector V10E）和焦距可變透鏡構(gòu)成；直流可調(diào)光源 由150W鹵素鎢燈及控制器（Illumination Technologies Inc.，2900ER）構(gòu)成；傳送裝置 電控平移臺(tái)（臺(tái)灣五鈴，IRCP0076-ICOMB001）；圖像采集軟件為系統(tǒng)自帶軟件Spectral Image。

圖1 高光譜圖像采集系統(tǒng)[13]Fig.1 Structure of hyperspectral imaging system[13]

1.2 油桃處理方法

取225個(gè)油桃做高光譜特性檢測(cè)的無(wú)損實(shí)驗(yàn)，放入冷藏環(huán)境（5℃，RH≈90%），分別貯存0、10、20、30、40d，每次取出45個(gè)，并置于貨架條件（20℃，RH≈90%）3d后，進(jìn)行高光譜反射信息的采集。剩余果實(shí)，做同上的貯藏處理，每次取出15個(gè)，貨架3d后測(cè)定果實(shí)的出汁率[12]，確定“秦光2號(hào)”油桃冷害發(fā)生的初始階段，為高光譜無(wú)損檢測(cè)“秦光2號(hào)”油桃冷害提供判斷依據(jù)。

1.3 高光譜圖像采集與校正

圖像采集時(shí)，傳輸帶以8mm/s的速度將樣品逐個(gè)傳送，以實(shí)現(xiàn)高光譜圖像的掃描與數(shù)據(jù)采集，傳輸帶的速度經(jīng)反復(fù)實(shí)驗(yàn)確定，以避免圖像尺寸、空間分辨率失真，并預(yù)先確定高光譜相機(jī)的曝光時(shí)間[14]。圖像采集過(guò)程由系統(tǒng)自帶Spectra Image軟件控制，當(dāng)一個(gè)樣品進(jìn)入采集區(qū)域，一幅高光譜圖像被采集并存儲(chǔ)。

每個(gè)樣品采集除縫合線所屬面以外的其他三面，需要人工轉(zhuǎn)動(dòng)，以排除果?；蚣忸^帶來(lái)的影響。由于各個(gè)波段光源強(qiáng)度分布的不均勻性以及攝像頭中暗電流存在等因素會(huì)造成圖像有一定噪聲，需要將采集到的絕對(duì)圖像轉(zhuǎn)換為其相對(duì)圖像，進(jìn)行黑白校正[15]。掃描白色標(biāo)準(zhǔn)校正板后得到全白的標(biāo)定圖像W，掃描黑色校正板得到全黑標(biāo)定圖像B。將采集得到的絕對(duì)圖像I經(jīng)轉(zhuǎn)換得到相對(duì)圖像R[16]，公式為：

式中，R為由公式轉(zhuǎn)換得到的相對(duì)圖像；I為采集得到的絕對(duì)圖像；B為全黑標(biāo)定圖像；W為全白標(biāo)定圖像。

1.4 數(shù)據(jù)處理方法

本研究的高光譜圖像數(shù)據(jù)采用ENVI 4.7（Research System Inc.，USA）軟件分析處理，建模分析使用SPSS 18.0軟件平臺(tái)。

2 結(jié)果與分析

圖2 貯存期桃果實(shí)出汁率變化Fig.2 Change of extractable juice during the storage

2.1 冷害發(fā)生階段的破壞性檢測(cè)

大量研究表明，隨著果實(shí)的成熟，桃果實(shí)采后出汁率增加，而冷害可導(dǎo)致果肉出汁率的減少，因此，可以將出汁率的變化作為判斷桃果實(shí)冷害發(fā)生的依據(jù)[17]。“秦光2號(hào)”油桃冷害后出現(xiàn)果肉出汁率減少等不良癥狀，通過(guò)有損實(shí)驗(yàn)的檢測(cè)，如圖2所示，結(jié)合大量文獻(xiàn)的研究結(jié)果，可以確定“秦光2號(hào)”油桃貯存20d時(shí)出汁率開(kāi)始下降，此時(shí)為冷害發(fā)生的初始時(shí)間點(diǎn)，且貯存時(shí)間越長(zhǎng)，冷害越嚴(yán)重。

2.2 冷害發(fā)生階段的高光譜特性檢測(cè)

發(fā)生冷害的桃果實(shí)，由于組織結(jié)構(gòu)等的改變，對(duì)光的透過(guò)和吸收情況會(huì)發(fā)生變化；而未發(fā)生冷害的果實(shí)變化相對(duì)較小，而光譜值的變化可以顯示出二者的差異。根據(jù)破壞性檢測(cè)的結(jié)果，選擇對(duì)“秦光2號(hào)”油桃未發(fā)生冷害階段（5℃貯存0d果實(shí)）及早期發(fā)生冷害階段（5℃貯存20d果實(shí)）的光譜特性進(jìn)行分析。對(duì)每個(gè)樣品采集到的3面圖像分別選取一定的感興趣區(qū)域（ROI區(qū)域），計(jì)算3個(gè)ROI區(qū)域內(nèi)各像素在400～1000nm各波段下的光譜值，平均后作為該樣品的光譜值。每組內(nèi)的45個(gè)樣品均經(jīng)上述處理，計(jì)算平均值，從而得到“秦光2號(hào)”油桃反射光譜曲線，如圖3所示。

圖3 桃果實(shí)反射光譜曲線Fig.3 Reflectance spectral curves of peach

可以看出，冷害發(fā)生后“秦光2號(hào)”油桃的反射光譜值產(chǎn)生變化，冷害后果實(shí)的反射光譜值較未冷害時(shí)整體下降，且冷害果與未冷害果的反射值在600～800nm之間差異明顯。這是由于桃果實(shí)冷害后組織結(jié)構(gòu)、化學(xué)成分發(fā)生改變，引起光在其內(nèi)部的能量傳輸改變，從而造成了光譜值的變化，這是發(fā)生冷害的結(jié)果。

2.3 特征參數(shù)提取

5℃冷藏條件下，“秦光2號(hào)”油桃貯存20d后開(kāi)始發(fā)生冷害，出現(xiàn)果肉內(nèi)部褐變、出汁率減少、硬度嚴(yán)重變化等表現(xiàn)，此時(shí)基于桃果實(shí)外部的特征無(wú)法識(shí)別是否冷害。因此，提取桃果實(shí)冷害早期的高光譜特征，將未冷害桃果實(shí)與開(kāi)始發(fā)生冷害的桃果實(shí)比較，進(jìn)行獨(dú)立主成分分析，提取冷害的特征波長(zhǎng)。

獨(dú)立主成分波段是原始波段的線性組合，它們之間是互不相關(guān)的。第一獨(dú)立主成分包含最大的數(shù)據(jù)方差百分比，第二獨(dú)立主成分包含第二大的方差，以此類推，最后的獨(dú)立主成分波段由于包含很小的方差，因此顯示為噪聲[18]。對(duì)冷害桃果實(shí)的反射圖像進(jìn)行獨(dú)立主成分變換，得到第一個(gè)獨(dú)立主成分圖像ICA1，如圖4所示，其所占的方差貢獻(xiàn)率為98.24%。ICA1最能反映冷害桃果實(shí)的特性。

每一個(gè)獨(dú)立的ICA圖像都是由一些顯著波長(zhǎng)線性組合而成[19]。圖5是根據(jù)ICA1圖像的特征向量繪制的圖像光譜曲線權(quán)重系數(shù)圖，圖中每一處波峰和波谷都代表了一個(gè)顯著波長(zhǎng)，因此，可以根據(jù)權(quán)重系數(shù)選擇特征波長(zhǎng)為672nm。

圖4 獨(dú)立主成分ICA1圖像Fig.4 First independent component images

圖5 圖像ICA1光譜曲線權(quán)重系數(shù)Fig.5 Spectral curves weighting coefficients for ICA1

對(duì)未冷害果實(shí)進(jìn)行同樣的ICA和權(quán)重系數(shù)分析后，可以得到反射條件下未冷害果的特征波長(zhǎng)為656、678、700nm。桃果實(shí)冷害后，其特征波長(zhǎng)發(fā)生改變。因此，可以將656、678、700nm以及冷害后出現(xiàn)的672nm共同作為反射照射條件下判別“秦光2號(hào)”油桃冷害發(fā)生的特征波長(zhǎng)集，進(jìn)行冷害的判別。

2.4 冷害判別模型建立

高光譜圖像信息豐富，同時(shí)具有光譜及圖像的雙重信息，但與此同時(shí)也帶來(lái)了數(shù)據(jù)處理速度慢、檢測(cè)成本高等問(wèn)題，通過(guò)對(duì)特征波長(zhǎng)的選取，可以得到反映差別的靈敏波長(zhǎng)，從而更加快速、有效地檢測(cè)果實(shí)是否冷害。

構(gòu)建模型時(shí)使用90個(gè)桃果實(shí)，包括未冷害果實(shí)及冷害果實(shí)各45個(gè)，采用Fisher判別的方法建立預(yù)測(cè)模型。以桃果實(shí)反射條件下656、672、678、700nm波長(zhǎng)下的反射光譜值作為該果實(shí)的特征變量集進(jìn)行判別，判別結(jié)果如表1所示。由表1可知，判別油桃早期冷害的判別模型準(zhǔn)確率為98.9%。

表1 基于Fisher判別的高光譜反射照射方式檢測(cè)桃果實(shí)冷害判別結(jié)果Table 1 Conducting result of hyperspectral reflectance peach images using Fisher discrimination

3 結(jié)論

“秦光2號(hào)”油桃在最易發(fā)生冷害溫度5℃下，貯存20d時(shí)開(kāi)始發(fā)生冷害，出汁率開(kāi)始減少，且隨貯存時(shí)間的延長(zhǎng)，冷害狀況加重。本文研究了“秦光2號(hào)”油桃冷害初始發(fā)生時(shí)期的反射高光譜特性，為進(jìn)一步研究高光譜技術(shù)檢測(cè)農(nóng)產(chǎn)品冷害的檢測(cè)機(jī)理奠定了基礎(chǔ)。通過(guò)獨(dú)立主成分分析，選擇出了反射照射方式下桃果實(shí)冷害的特征波長(zhǎng)，為672nm。利用656、672、678、700nm下對(duì)應(yīng)光譜值組成的特征變量集，實(shí)現(xiàn)了桃果實(shí)冷害的正確判別，F(xiàn)isher判別模型的正確率為98.9%。反射高光譜圖像技術(shù)可以成功檢測(cè)桃果實(shí)早期冷害。

[1]尚海濤.桃果實(shí)絮敗和木質(zhì)化兩種冷害癥狀形成機(jī)理研究[D]. 南京：南京農(nóng)業(yè)大學(xué)，2011.

[2]金鵬. 桃果實(shí)采后病害和冷 害調(diào)控及其機(jī)理研究[D]. 南京：南京農(nóng)業(yè)大學(xué)，2009.

[3]張偉，潘磊慶，屠康.利用高光譜透射圖像檢測(cè)雞種蛋早期孵化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28（21）：149-155.

[4]殷曉平.基于高光譜圖像的黃瓜葉片葉綠素含量及其分布預(yù)測(cè)研究[D].鎮(zhèn)江：江蘇大學(xué)，2010.

[5]Zhang Bo，Xi Wan-peng，Wei Wen-wen，et al.Changes in aroma-related volatiles and gene expression during low temperature storage and subsequent shelf-life of peach fruit[J]. Postharvest Biology and Technology，2011，60：7-16.

[6]王允祥，楊虎清，周存山，等.利用葉綠素?zé)晒忸A(yù)測(cè)水蜜桃果實(shí)冷害的研究[J]. 園藝學(xué)報(bào)，2008，35（7）：945-950.

[7]Ortiz C ， Barreiro P ， Correa E ， et al.Non-destructive identification of woolly peaches using impact response and nearinfrared spectroscopy[J].Postharvest Technology，2001，78（3）：281-289.

[8]Lurie S，Vanoli M，Dagar A，et al.Chilling injury in stored nectarine and itsdetection by time-resolved reflectance spectroscopy[J].Postharvest Biology and Technology，2011，59：211-218.

[9]Elmasry G，Wang N，Vigneanlt C.Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks[J].Postharvest Biology and Technology，2009，52：1-8.

[10]陳思.基于高光譜圖像技術(shù)的水蜜桃表面缺陷檢測(cè)方法研究[D].杭州：浙江大學(xué)，2013.

[11]鄧書斌.ENVI遙感圖像處理方法[M]. 北京：科學(xué)出版社，2010：115-117.

[12]Crisosto CH，Labavith JM.Developing a quantitative method to evaluate peach（Prunus persica）flesh mealiness[J].Postharvest Biology and Technology，2002，25：151-158.

[13]張嬙，鄭明媛，張偉，等.高光譜成像技術(shù)在禽類產(chǎn)品品質(zhì)無(wú)損檢測(cè)中的研究進(jìn)展[J].食品工業(yè)科技，2013，34（14）：358-362.

[14]徐爽，何建國(guó)，易東，等.基于高光譜圖像技術(shù)的長(zhǎng)棗糖度無(wú)損檢測(cè)[J]. 食品與機(jī)械，2012，28（6）：168-170.

[15]劉木華. 農(nóng) 產(chǎn) 品 質(zhì)量安 全 光 學(xué) 無(wú) 損 檢 測(cè) 技 術(shù) 及 應(yīng) 用[M].武漢：華中科技大學(xué)出版社，2011：1-3.

[16]彭彥昆，單佳佳，吳建虎，等.基于高光譜成像的蘋果多品質(zhì)參數(shù)同時(shí)檢測(cè)[J].光譜與光譜學(xué)分析，2010，30（10）：2729-2733.

[17]邵興鋒，屠康，曹燕. 桃果實(shí)絮敗機(jī)理及減緩措施[J]. 果樹(shù)學(xué)報(bào)，2005，22（2）：149-153.

[18]洪 添勝，喬 軍，Ning Wang，等. 基于高 光譜圖像技 術(shù) 的雪花梨品質(zhì)無(wú)損檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23（2）：151-155.

[19]薛龍，黎靜，劉木華.利用高光譜圖像技術(shù)檢測(cè)梨表面碰壓傷的實(shí)驗(yàn)研究[J]. 糧油學(xué)報(bào)，2009（4）：136-139.

Detecting chilling injury at early stage of nectarine based on hyperspectral imaging

ZHANG Qiang，PAN Lei-qing，CHEN Meng，ZHOU Chun-tao，PENG Jing，TU Kang*
（College of Food Science and Technology of Nanjing Agricultural University，Nanjing 210095，China）

Hyperspectral imaging technique was investigated for the detection of chilling injury in ‘Qinguang 2’nectarine during the early postharvest storage period.At the beginning，extractable juice content was measured during the storage to find the occurrance time point of early chilling injury.Then，hyperspectral imaging system based on reflectance mode was established to acquire chilled and non-chilled nectarine images during the spectral region of 400～1000nm ，as well as to extract nectarine spectral properties by ROI（region of interest）analysis.Dimension reductions were implemented on hyperspectral reflectance data based on Independent Components Analysis （ICA） ，for the chilled nectarines at early stage and non-chilled nectarines respectively. The optimal wavelength selected by ICA were 672nm for chilled ones and 656，678nm and 700nm for non-chilled ones.Next，spectral average of each characteristic band was chosen as the input of the Fisher discrimination model，an average classification accuracy of 98.9%was achieved to distinguish between normal and early injured nectarines.This research demonstrated that the hyperspectral imaging technique was feasible for the detection of chilled nectarine at the early stage.

hyperspectral imaging；nectarine；chilling injury；nondestructive detection

TS251.1

A

1002-0306（2014）20-0053-04

10.13386/j.issn1002-0306.2014.20.002

2014－02-11

張嬙（1988-），女，碩士研究生，主要從事農(nóng)產(chǎn)品無(wú)損檢測(cè)方面的研究。

* 通訊作者：屠康（1968-），男，博士，教授，主要從事農(nóng)產(chǎn)品無(wú)損檢測(cè)、農(nóng)產(chǎn)品貯藏與加工方面的研究。

國(guó)家自然科學(xué)基金項(xiàng)目（31101282）；公益性行業(yè)（農(nóng)業(yè)）科研專項(xiàng)（201303088）；農(nóng)業(yè)部農(nóng)產(chǎn)品貯藏保鮮質(zhì)量安全風(fēng)險(xiǎn)評(píng)估實(shí)驗(yàn)室（南京）項(xiàng)目。