基于光譜及高光譜圖像的水果表面損傷技術

水果在運輸和儲存過程中，難免會受到震動、碰撞、擠壓等不同形式的機械載荷作用而產生機械損傷及內部損傷。因此，利用無損檢測技術對水果的表面損傷進行檢測，具有重要的意義。

?

近紅外光譜和高光譜成像分析技術具有成本低、快速和無損等優點，近年來在水果表面損傷檢測方面得到了越來越廣泛的應用1。Zhang利用400-1000nm波段的高光譜成像技術，對蘋果表面損傷進行快速、無損檢測，檢測準確率為94.75%。

Li利用短波近紅外對桃子進行高光譜成像，然后剔除一種基于形態梯度重建和標記提取的改進分水嶺分割算法對桃子的高光譜圖像進行分割，實現了桃子表面損傷的高精度識別。

Fan分別采用推掃式高光譜成像系統和基于液晶可調諧濾波器的高光譜成像系統采集了藍莓的高光譜圖像，然后采用特征選擇法、偏最小二乘判別分析法和支持向量機對兩種光譜技術的光譜數據進行了分析，并在數據層、特征層和決策層對三種數據進行融合，提高了藍莓表面損傷檢測的精度]。

Li采集了獼猴桃的VIS/NIR（408-1117nm）高光譜圖像，采用主成分分析法，從600~1000nm的數據中提取前四組分圖像，并采用平行六面體分類法從圖像中提取損傷區域，實驗結果表明，高光譜成像檢測水果不可見損傷的誤差為14.5%]。

在國內，基于高光譜圖像的水果表面損傷檢測技術也得到了快速發展。

趙杰文采集了蘋果的500-900nm波段內的高光譜圖像，通過主成分分析方法對高光譜圖像進行降維處理，提取了波長為547nm的特征圖像，然后通過圖像處理的方法檢測出蘋果的輕微損傷，在自制的樣本集上開展了小規模實驗，檢測正確率為88.57%。

田有文采集了紅富士蘋果樣本的高光譜圖像，基于有效光譜區域做主成分分析，選取第四主成分（PC4）提取損傷區域，運用閾值分割的方法建立提取損傷區域的算法模型，并開展了檢測實驗，損傷蘋果樣本的檢測準確率為97.5%，健康蘋果樣本的檢測準確率達到100%，平均準確率為98.75%。

黃文倩研究了阿克蘇蘋果的早期輕微損傷檢測方法，基于780~1000nm光譜區域結合主成分圖像權重系數獲取了2個有效波長（820和970nm），并利用這2個波長和全局閥值理論開發了多光譜輕微損傷提取算法，結果表明，正常果的識別率為100%，損傷果的識別率為96%，整體檢測精度為98%|。

薛龍通過主成分分析選出了572nm、696nm和945nm三個高光譜圖像的特征波長，經過適當的圖像處理方法對梨表面的碰壓傷進行檢測，取得了較好的檢測效果。

魏新華采集了冬棗的高光譜圖像（波長為871-1766nm），通過無信息變量消除法、相關系數法提取特征波長，最有采用圖像自適應閥值分割算法對特征圖像進行分割，準確提取冬棗的輕微損傷，實驗結果表明，在損傷發生1小時后的檢測準確率為98%。

遲茜研究了基于高光譜圖像的獼猴桃早期隱性損傷方法，對70個無損獼猴桃和70個隱性損傷獼猴桃的正確識別率分別為100%和95.7%，平均正確識別率為97.9%。

這些研究表明，近紅外光譜和高光譜成像分析技術是一種可靠的水果表面損傷檢測技術。然而，與蘋果、藍莓等水果相比，利用高光譜對梨進行檢測的研究還比較少l1。Lee利用了F-Value的方法找到最優波段比，將梨的高光譜圖像的每個像素上的波段比與設定的閾值相比較，分割出損傷區域的圖像[42]。Zhao研究了光照不均勻對高光譜成像傳感器技術在梨損傷檢測中的影響，比較了最大似然分類（MLC）、歐幾里得距離分類（EDC）、馬哈拉諾比距離分類（MDC）和譜角映射器（SAM）等方法的處理結果，實驗結果表明，MDC和SAM具有良好的檢測性能，檢測精度分別為93.8%和95.0%/43]。Dang將高光譜成像技術與K-最近鄰（K-NN）和支持向量機（SVM）等監督分類技術相結合，對梨的損傷區域進行檢測[4]。Jiang利用主成分分析方法提取了香梨高光譜圖像的特征波長，再利用PLS-DA實現香梨損傷的識別]。

在這些研究中，只是通過實驗證明了利用高光譜對香梨損傷檢測的可行性，在特征波長選擇方面，還需要更多的研究。

?