胡鵬程，孫 曄，吳海倫，顧欣哲，屠 康，鄭 劍，潘磊慶,*

（1.南京農(nóng)業(yè)大學食品科技學院，江蘇 南京 210095；2.浙江農(nóng)林大學農(nóng)業(yè)與食品科學學院，浙江 臨安 311300）

高光譜圖像對白蘿卜糠心的無損檢測

胡鵬程1，孫 曄1，吳海倫1，顧欣哲1，屠 康1，鄭 劍2，潘磊慶1,*

（1.南京農(nóng)業(yè)大學食品科技學院，江蘇 南京 210095；2.浙江農(nóng)林大學農(nóng)業(yè)與食品科學學院，浙江 臨安 311300）

為實現(xiàn)白蘿卜異常品質(zhì)糠心的無損檢測，構(gòu)建高光譜圖像技術(shù)檢測白蘿卜糠心的檢測系統(tǒng)。獲取了光源透射、反射和半透射模式下白蘿卜的高光譜圖像信息，結(jié)合偏最小二乘分析（partial least squares discriminant analysis，PLS-DA）、支持向量機（support vector machine，SVM）、人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）3種算法分別建立白蘿卜糠心的識別模型。結(jié)果表明：3種檢測模式中，基于透射模式的高光譜圖像系統(tǒng)檢測準確率最高；3種預(yù)測模型中，ANN模型優(yōu)于PLS-DA和SVM模型。其中，基于透射模式的ANN模型，高光譜圖像對蘿卜糠心的檢測總體準確率達94.3%，效果最好。因此，采用透射模式的高光譜圖像技術(shù)對白蘿卜糠心的檢測是可行的。

高光譜圖像；檢測模式；白蘿卜；糠心

蘿卜糠心又稱空心，是蘿卜生長中的自然現(xiàn)象，生長期和貯藏期均能發(fā)生。引起蘿卜糠心原因很多，如水分失調(diào)、肥料條件不適、光照及溫度等[1]?？沸倪^程會使淀粉、糖分等營養(yǎng)物質(zhì)減少，并且影響其加工、貯藏和食用性[2]。因此，建立一種無損、可靠的方法來檢測蘿卜的糠心，對蘿卜進行檢測分級，對于提高蘿卜市場價值以及蘿卜深加工產(chǎn)業(yè)發(fā)展都有重要的意義。

近年來，高光譜圖像檢測技術(shù)作為一種無損傷、快速地分析和評估各類食物質(zhì)量與安全的方法，得到了廣泛的認可。高光譜圖像能夠檢測食品的物理和形態(tài)學特征，以及內(nèi)部的化學和分子學信息，從而分析和評價食品的質(zhì)量與安全[3]。這種技術(shù)在國內(nèi)外食品工業(yè)中都有很好的應(yīng)用，如Qin Jianwei等[4]基于高光譜圖像篩選的特征波段，研制了商業(yè)水果分級機，其速率為5個/s，總體分類準確率為95.3%。Herrero-Langreo等[5]利用高光譜圖像技術(shù)評價桃子的成熟度，方便確定最佳采摘時間。Baranowski等[6]利用高光譜圖像對蘋果硬度及可溶性固形物含量進行評估。高光譜圖像技術(shù)也被應(yīng)用于蘋果、櫻桃和柑橘類水果表面缺陷[7-8]，黃瓜內(nèi)部缺陷[9]等的檢測。近幾年國內(nèi)利用高光譜圖像技術(shù)對農(nóng)產(chǎn)品質(zhì)量的檢測發(fā)展同樣迅速，如對蘋果表面輕微損傷[10]、馬鈴薯黑心病[11]、臍橙早期腐爛[12]、黃瓜病害[13]等方面都取得了較好的結(jié)果。

本實驗通過高光譜圖像系統(tǒng)采集白蘿卜高光譜圖像信息，并比較了透射、反射和半透射3種模式下原始光譜信息差異，利用偏最小二乘判別分析（partial least squares discriminant analysis，PLS-DA）、支持向量機（support vector machine，SVM）、人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）3種算法建立白蘿卜糠心識別模型，通過比較3種檢測模式的優(yōu)劣，確定最佳的檢測模式和預(yù)測模型，以期為高光譜圖像技術(shù)應(yīng)用于白蘿卜品質(zhì)檢測提供一定的技術(shù)參考。

1 材料與方法

1.1材料與處理

白蘿卜品種為江蘇省農(nóng)業(yè)科學院選育的301蘿卜，于2014年5月20號栽培，種植過程中根據(jù)蘿卜糠心發(fā)病原因，對部分蘿卜進行特殊處理[14]，2014年7月10號采收，挑選無機械損傷、無病蟲害、大小均一樣本120個，其中處理和未處理樣本各60個，清洗并自然晾干后進行實驗。

1.2方法

1.2.1高光譜圖像檢測裝置及光譜采集

圖1 高光譜透射成像系統(tǒng)構(gòu)成示意圖Fig.1 Schematic illustration of hyperspectral transmittance imaging system

高光譜成像系統(tǒng)主要由攝像機、成像光譜儀、CCD攝像頭、光源、一套機械輸送裝置以及計算機等組成，為臺灣五鈴公司生產(chǎn)。成像光譜儀的光譜有效波段范圍400～1 000 nm，共440個波段，光譜分辨率為2.8 nm，并帶有焦距可變透鏡，光源為150 W鹵素鎢燈，光源共10檔，可調(diào)節(jié)，并由光纖傳輸?shù)骄€光源。為避免外界光線對光譜采集的影響，檢測裝置整體置于暗箱中，且背景為黑色，不反光[15]。實驗分別采用透射、反射和半透射3種檢測模式獲取白蘿卜高光譜圖像信號，3種采集模式硬件構(gòu)成上相同，不同的是光源與樣本的相對位置以及參數(shù)設(shè)置。

基于透射模式下的高光譜圖像采集系統(tǒng)如圖1所示，樣本與光源均固定在傳送帶上，一個線光源位于樣本的正下方，光線透過樣本被光譜儀吸收，轉(zhuǎn)換成數(shù)據(jù)傳入計算機。其相關(guān)參數(shù)設(shè)置為曝光時間70 ms、傳送帶速率2.5 mm/s、光源強度90 W，光源緊貼樣本，相機鏡頭距離樣本20 cm，固定樣本，防止?jié)L動，開始采集數(shù)據(jù)。

圖2 高光譜反射成像系統(tǒng)構(gòu)成示意圖Fig.2 Schematic illustration of hyperspectral reflectance imaging system

圖3 高光譜半透射成像系統(tǒng)構(gòu)成示意圖Fig.3 Schematic illustration of hyperspectral semi-transmittance imaging system

基于反射模式下的高光譜圖像采集系統(tǒng)如圖2所示，兩個線光源分別固定于樣本正上方，樣本固定于傳送帶上，線光源發(fā)射出的光束交叉，光束交叉點為果實中心，光譜儀通過采集圖像收集光譜信息，轉(zhuǎn)換成數(shù)據(jù)傳入計算機。相關(guān)參數(shù)為曝光時間3 ms、傳送帶速率3 mm/s、光源強度45 W、線光源夾角45°，相機鏡頭距離樣本25 cm，固定樣本采集數(shù)據(jù)。

基于半透射模式下的高光譜圖像采集系統(tǒng)如圖3所示，兩個線光源分別位于樣本兩側(cè)，樣本固定在傳送帶上，線光源發(fā)出光束直接射入樣本內(nèi)部，光譜儀在樣本正上方收集被樣本漫反射出來的光譜信息，轉(zhuǎn)換成數(shù)據(jù)傳入計算機。其相關(guān)參數(shù)設(shè)置為曝光時間45 ms、傳送帶速率3 mm/s、光源強度75 W、光源水平放置緊貼樣本中心、相機鏡頭距離樣本25 cm，固定光源及樣本開始采集數(shù)據(jù)。

為了消除數(shù)據(jù)采集過程中的噪音，在與白蘿卜樣品采集的同樣條件下，掃描白色標準校正板（反射率99.99%）后得到全白的標定圖像，蓋上鏡頭蓋后得到全黑標定圖像，通過公式將采集得到的絕對圖像轉(zhuǎn)換為相對圖像[16]，公式為：

式中：R為轉(zhuǎn)換得相對圖像；I為采集得絕對圖像；B為全黑標定圖像；W為全白標定圖像。

數(shù)據(jù)處理時，采用感興趣區(qū)域分析法，對每個樣品采集得到轉(zhuǎn)換后的高光譜圖像選取蘿卜中間位置，25 000個pixels的矩形感興趣區(qū)域（region of interest，ROI）平均光譜作為該樣品的光譜值[17]，然后使用標準化預(yù)處理方式進行光譜預(yù)處理，并用全光譜結(jié)合PLS-DA、SVM、ANN進行建模判別糠心蘿卜。

1.2.2白蘿卜糠心的評價

高光譜檢測白蘿卜并采集光譜信息后，將其橫向切開，觀察橫截面，進行糠心等級的劃分確定。選擇本校食品安全專業(yè)同學共7人組成感官評價小組，進行培訓(xùn)后按照糠心等級的劃分參照標準（表1）進行[18]，組內(nèi)經(jīng)過討論，取選擇次數(shù)較多的級別作為樣本最終的糠心等級。

表1 糠心級別判斷標準Table 1 Evaluation criteria of hollowness levels

最終白蘿卜糠心評價結(jié)果為：正常白蘿卜樣本（0級）60個，糠心白蘿卜樣本（1級、2級、3級和4級）樣本60個。其中1級、2級、3級和4級樣本個數(shù)分別為10、17、22個和11個，因此實驗樣本具有一定的代表性。圖4為實驗過程中典型樣本圖像。由于白蘿卜發(fā)生糠心對消費者來說是不能接受的，所以實際檢測過程中直接判斷合格或者糠心將更有意義，故本研究僅區(qū)分蘿卜糠心與否。

圖4 蘿卜糠心不同級別的樣本圖片F(xiàn)ig.4 Different hollowness levels of samples

1.2.3預(yù)測模型構(gòu)建方法

PLS-DA是基于PLS回歸的一種二類判別分析方法，利用訓(xùn)練樣本的自變量矩陣X和分類變量Y建立回歸模型，根據(jù)待分類樣本的PLS預(yù)測值判斷樣本所屬類別[19-20]。SVM是一種監(jiān)督式學習的方法，廣泛應(yīng)用于模式識別中。SVM在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢，并能夠推廣應(yīng)用到函數(shù)擬合等其他機器學習問題中[21]。SVM可分別應(yīng)用于回歸和分類分析[22]。ANN是人類在對其大腦神經(jīng)網(wǎng)絡(luò)認識、理解的基礎(chǔ)上人工構(gòu)造的能夠?qū)崿F(xiàn)某種功能的神經(jīng)網(wǎng)絡(luò)。ANN是一個經(jīng)典非線性模式識別模型，它是由大量的簡單處理單元（人工神經(jīng)元）廣泛互聯(lián)而成的一個具有自學習、自適應(yīng)和自組織性的非線性動力系統(tǒng)[23]。

本實驗以光譜值為自變量，以糠心與否為分類變量，建立分類模型，建模集和預(yù)測集隨機分成2∶1后導(dǎo)入MATLAB工具箱（PLS_Toolbox 7.9.3）中進行分析。其中，建模集樣本共80個，合格白蘿卜和糠心白蘿卜各40個；預(yù)測集樣本共40個，合格白蘿卜和糠心白蘿卜各20個。運用以上3種方法進行建模，比較每個模型下3種檢測模式獲得的光譜信息對白蘿卜糠心的分類能力，比較分類正確率，判斷出最佳檢測模式和預(yù)測模型。

2 結(jié)果與分析

2.1不同采集模式下的原始光譜分析

發(fā)生糠心的白蘿卜，其組織結(jié)構(gòu)及化學成分會隨之發(fā)生改變，進而影響光的透過、吸收等光學特性，與未發(fā)生糠心的蘿卜有較大區(qū)別，故通過光譜（透射、反射、半透射）的差異有望用來判定蘿卜是否糠心。采集白蘿卜高光譜圖像的感興趣區(qū)域，計算其平均值，得到白蘿卜在400～1 000 nm波段區(qū)間的光譜值。如圖5所示，為3種模式下正常蘿卜與糠心蘿卜的平均光譜。

圖5 白蘿卜原始平均光譜Fig.5 Mean original spectra of white radish

圖5a是高光譜透射采集系統(tǒng)獲取的透射光譜圖。正常白蘿卜與糠心白蘿卜光譜形態(tài)相似，但糠心白蘿卜相對透射值整體小于正常白蘿卜相對透射值，且在686 nm波長處兩條曲線最大差值達到0.40。在638、686、796 nm波長處出現(xiàn)拐點，可以明顯區(qū)分兩條光譜曲線的差異，用來區(qū)分糠心與正常 白蘿卜。

圖5b是高光譜反射采集系統(tǒng)獲取的反射光譜圖。正常白蘿卜與糠心白蘿卜光譜形態(tài)相似，并且正常樣本相對反射值高于糠心樣本相對反射值。正常白蘿卜在686 nm波長處最高相對反射值為0.88，但糠心白蘿卜最高相對反射值為0.65。兩條曲線形狀基本相同，呈先上升后下降趨勢，有且僅有1個峰值。

圖5c是高光譜半透射采集系統(tǒng)獲取的半透射光譜圖。正常白蘿卜與糠心白蘿卜光譜形態(tài)相似，糠心蘿卜的光譜值在500～900 nm范圍內(nèi)均小于正常蘿卜光譜值。同樣在638、686、796 nm波長處可找到曲線拐點，能區(qū)分兩樣本差異，在686 nm波長處兩曲線最大差值約為0.31。兩類光譜曲線透射峰的差異反映了正常與糠心白蘿卜組織結(jié)構(gòu)和化學成分的差異，可以看出，糠心白蘿卜光譜透射率明顯小于正常白蘿卜。

比較高光譜圖像3種檢測模式獲得的光譜曲線圖，可以看出正常蘿卜與糠心蘿卜光譜差異較大，顯示出高光譜圖像檢測蘿卜糠心的可能性，可以用于區(qū)分正常白蘿卜和糠心白蘿卜。而且，由于白蘿卜表面呈白色，光譜反射較強，透射和半透射的光譜能夠充分與蘿卜內(nèi)部進行相互作用，能夠更好地顯示出正常蘿卜和糠心蘿卜的差異。

2.2蘿卜糠心的預(yù)測模型構(gòu)建

2.2.1 PLS-DA模型

表2 PLS-DA模型對白蘿卜糠心預(yù)測結(jié)果Table 2 Results of white radish hollowness prediction by PLS-DA

從表2可以看出，基于透射模式的PLS-DA模型對建模集和預(yù)測集正常蘿卜的整體識別正確率分別為85.0%和90.0%，對糠心蘿卜的識別正確率分別為97.5%和90.0%，故透射模式在PLS-DA模型下整體識別正確率較高，判別糠心效果好。反射檢測模式中，PLS-DA模型對建模集和預(yù)測集正常蘿卜整體識別正確率分別為97.5%和90.0%，而對糠心蘿卜識別正確率分別為65.0%和75.0%，此檢測模式下正常蘿卜和糠心蘿卜識別正確率不穩(wěn)定，合格樣本僅有3個被認定為糠心樣本，而糠心樣本有19個被判斷錯誤，所以反射模式在PLS-DA模型下不能較好判斷蘿卜是否糠心。半透射模式中，PLS-DA對建模集和預(yù)測集正常蘿卜識別正確率分別為72.5%和75.0%，對糠心蘿卜樣本識別正確率分別為97.5%和70.0%，半透射模式在PLS-DA模型下正常蘿卜和糠心蘿卜識別正確率低，判別效果不好。

2.2.2 SVM模型

表3 SVM模型對白蘿卜糠心預(yù)測結(jié)果Table 3 Results of white radish hollowness prediction by SVM

利用SVM對糠心蘿卜和正常蘿卜進行區(qū)分，采用C-SVC類型，其中SVM參數(shù)為：核函數(shù)均為徑向基函數(shù)，核函數(shù)參數(shù)值（gamma值）均為0.031 6，透射和半透射模式懲罰系數(shù)值（cost值）均為100，反射模式cost值為3.162 3。預(yù)測結(jié)果如表3所示，基于透射模式的SVM模型對建模集和預(yù)測集正常蘿卜的識別正確率分別為100.0%和95.0%，對糠心蘿卜的識別正確率分別為100.0%和85.0%，透射模式在SVM模型下整體識別正確率較高，判別糠心效果好。反射檢測模式中，SVM模型對建模集和預(yù)測集正常蘿卜整體識別正確率分別為87.5%和75.0%，而對糠心蘿卜識別率分別為95.0%和90.0%，此檢測模式下正常蘿卜識別正確率低于糠心蘿卜識別正確率，反射模式在SVM模型下總體識別蘿卜糠心能力一般。半透射模式中，SVM對建模集和預(yù)測集正常蘿卜識別正確率分別為80.0%和75.0%，對糠心蘿卜樣本識別正確率分別為92.5%和70.0%，半透射模式在SVM模型下正常蘿卜和糠心蘿卜識別正確率不穩(wěn)定，不能較好對蘿卜糠心進行判別。

2.2.3 ANN模型

表4 ANN模型對白蘿卜糠心預(yù)測結(jié)果Table 4 Results of white radish hollowness prediction by ANN

利用ANN對糠心蘿卜和正常蘿卜進行區(qū)分，其中ANN參數(shù)為：隱藏層激活函數(shù)為雙曲正切，輸出層激活函數(shù)為Softmax，輸出層單位數(shù)為2，分別是合格樣本與糠心樣本，隱藏層數(shù)均為1，隱藏節(jié)點數(shù)分別是半透射模式為14個節(jié)點，反射模式為12個節(jié)點，透射模式為13個節(jié)點，預(yù)測結(jié)果如表4所示。從表4可以看出，基于透射模式的ANN模型對建模集和預(yù)測集正常蘿卜的整體識別正確率分別為100%和94.4%，對糠心蘿卜的識別正確率分別為97.7%和94.1%，故透射模式在ANN模型下整體識別正確率較高，判別糠心效果好。反射檢測模式中，ANN模型對建模集和預(yù)測集正常蘿卜整體識別正確率分別為88.1%和100.0%，而對糠心蘿卜識別率分別為76.9%和85.7%，此檢測模式下正常蘿卜和糠心蘿卜識別正確率一般。半透射模式中，ANN對建模集和預(yù)測集正常蘿卜識別正確率分別為84.8%和71.4%，對糠心蘿卜樣本識別正確率分別為81.8%和93.8%，半透射模式在ANN模型下正常蘿卜和糠心蘿卜識別正確率低，判別糠心效果不好。

2.3 3種預(yù)測模型對蘿卜糠心識別效果的比較

通過前述可以發(fā)現(xiàn)，不同的檢測模式和預(yù)測模型對蘿卜糠心的檢測存在差異。利用PLS-DA模型對蘿卜進行糠心判別，透射模式下建模集和預(yù)測集總體準確率達到了91.3%和90.0%，但反射模式下識別正確率不穩(wěn)定，半透射模式下識別正確率較低；利用SVM模型對蘿卜進行糠心判別，透射模式下建模集和預(yù)測集總體準確率達到了100.0%和90.0%，準確率有了一定提升，但半透射模式下識別正確率低且不穩(wěn)定；利用ANN模型對蘿卜進行糠心判別，透射模式下建模集和預(yù)測集總體準確率達到了98.8%和94.3%，識別正確率高且穩(wěn)定性較前兩種模型有所提高。

因此，整體看來，3種檢測模式中，高光譜透射檢測模式檢測白蘿卜糠心準確率最高，且采用PLS-DA、SVM、ANN模型對糠心的識別的總體準確率都是最高，明顯優(yōu)于反射和半透射模式。3種預(yù)測模型中，SVM和ANN準確率都較高，但綜合準確率和穩(wěn)定性，ANN預(yù)測模型判別白蘿卜糠心效果最好。

3 結(jié) 論

本實驗提出了利用高光譜圖像技術(shù)檢測白蘿卜糠心的方法。通過構(gòu)建透射、反射和半透射3種高光譜采集系統(tǒng)來檢測白蘿卜，可以看出正常蘿卜與糠心蘿卜光譜差異較大，顯示出高光譜圖像檢測蘿卜糠心的可能性。

3種檢測模式中，通過分析透射、反射和半透射3種檢測模式獲取的光譜信息，結(jié)合構(gòu)建的PLS-DA、SVM和ANN預(yù)測模型的預(yù)測結(jié)果，能證明透射檢測模式優(yōu)于其他檢測模式，更適合白蘿卜糠心的檢測。

3種預(yù)測模型中，ANN和SVM預(yù)測模型檢測準確率高于PLS-DA預(yù)測模型，但ANN預(yù)測模型得到結(jié)果更加穩(wěn)定，判別白蘿卜糠心效果最好?；谕干淠Ｊ降腁NN模型，高光譜圖像對蘿卜糠心的檢測總體準確率達94.3%。

參考文獻：

[1]王迪軒. 蘿卜、胡蘿卜優(yōu)質(zhì)高產(chǎn)問答[M]. 北京: 化學工業(yè)出版社, 2011.

[2]SINGH S, KUMARI R, AGRAWAL M, et al. Modification in growth, biomass and yield of radish under supplemental UV-B at different NPK levels[J]. Ecotoxicology and Environmental Safety, 2011, 74(4): 897-903.

[3]劉木華. 農(nóng)產(chǎn)品質(zhì)量安全光學無損檢測技術(shù)及應(yīng)用[M]. 武漢: 華中科技大學出版社, 2011: 26-36.

[4]QIN Jianwei, BURKS T F. Development of a two-band spectral imaging system for real-time citrus canker detection[J]. Journal of Food Engineering, 2012, 108(1): 87-93.

[5]HERRERO-LANGREO A, LUNADEI L, LLEO L, et al. Multispectral vision for monitoring peach ripeness[J]. Food Science, 2011, 76(2): 178-187.

[6]BARANOWSKI P, MAZUREK W, WOZNIAK J, et al. Detection of early bruises in apples using hyperspectral data and thermal imaging[J]. Jo urnal of Food Engineering, 2012, 110(3): 345-355.

[7]LORENTE D, ALEIXOS N, GOMEZ-SANCHIS J, et al. Recent advances and applications of hyperspectral imaging for fruit and vegetable quality assessment[J]. Food and Bioprocess Technology, 2012, 5(4): 1121-1142.

[8]NICOLAI B M, BEULLENS K, BOBELYN E, et al. Nondestructive measurement of fruit and vegetable quality by means of NIR spectroscopy: a review[J]. Postharvest Biology and Technology, 2007, 46(2): 99-118.

[9]DIWAN P, ARIANA, RENFU L. Hyperspectral waveband selection for internal defect detection of picking cucumbers and whole pickles[J]. Computers and Electronics in Agriculture, 2010, 74(1): 137-144.

[10]黃文倩, 陳立平, 李江波, 等. 基于高光譜成像的蘋果輕微損傷檢測有效波長選取[J]. 農(nóng)業(yè)工程學報, 2013, 29(1): 272-277.

[11]高海龍, 李小昱, 徐森淼, 等. 馬鈴薯黑心病和單薯質(zhì)量的透射高光譜檢測方法[J]. 農(nóng)業(yè)工程學報, 2013, 29(15): 279-285.

[12]李江波, 王福杰, 應(yīng)義斌, 等. 高光譜熒光成像技術(shù)在識別早期腐爛臍橙中的應(yīng)用研究[J]. 光譜學與光譜分析, 2012, 32(1): 142-146.

[13]田有文, 李天來, 張琳, 等. 高光譜圖像技術(shù)診斷溫室黃瓜病害的方法[J]. 農(nóng)業(yè)工程學報, 2010, 26(5): 202-206.

[14]郭書普. 蘿卜、青菜、大白菜病蟲害鑒別與防治技術(shù)圖解[M]. 北京: 化學工業(yè)出版社, 2012.

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

[16]TAKIZAWA K, NAKANO K, OHASHI S, et al. Development of nondestructive technique for detecting internal defects in Japanese radishes[J]. Journal of Food Engineering, 2014, 126: 43-47.

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

[18]李壽田, 龔義勤, 周健民, 等. 蘿卜貯藏期間木質(zhì)素含量變化與糠心的關(guān)系[J]. 園藝學報, 2001, 28(6): 562-564.

[19]趙杰文. 食品、農(nóng)產(chǎn)品檢測中的數(shù)據(jù)處理和分析方法[M]. 北京: 科學出版社, 20 12.

[20]付元元, 王記華, 楊貴軍, 等. 應(yīng)用波段深度分析和偏最小二乘回歸的冬小麥生物量高光譜估算[J]. 光譜學與光譜分析, 2013, 33(5): 1315-1319.

[21]TAN Kun, LI Erzhu, DU Qian, et al. An efficient semi-supervised classification approach for hyperspectral imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 97: 36-45.

[22]趙杰文, 呼懷平, 鄒小波. 支持向量機在蘋果分類的近紅外光譜模型中的應(yīng)用[J]. 農(nóng)業(yè)工程學報, 2007, 23(4): 149-152.

[23]潘磊慶, 屠康, 蘇子鵬, 等. 基于計算機視覺和神經(jīng)網(wǎng)絡(luò)檢測雞蛋裂紋的研究[J]. 農(nóng)業(yè)工程學報, 2007, 23(5): 154-158.

Detecting Hollowness of White Radish Based on Hyperspectral Imaging

HU Pengcheng1, SUN Ye1, WU Hailun1, GU Xinzhe1, TU Kang1, ZHENG Jian2, PAN Leiqing1,*
(1. College of Food Science and Technology, Nanjing Agricultural University, Nanjing 210095, China; 2. School of Agricultural and Food Science, Zhejiang A&F University, Lin’an 311300, China)

Hollowness is a common defect found in radish postharvest storage. In the present study, a prototype hyperspectral imaging system was designed for evaluating the internal quality of white radish. Three different detection models including semi-transmittance, reflectance and transmittance were evaluated and used to extract the hyperspectral imaging data of white radish, partial least squares discriminant analysis (PLS-DA), support vector machine (SVM), and artificial neural network (ANN) algorithms were then used to establish the hollowness model for radish identification and the recognition accuracy was calculated. The prediction accuracies based on PLS-DA, SVM, and ANN were 72.5%, 72.5%and 83.3%in semi-transmittance mode, 82.5%, 82.5%and 92.3%in reflectance mode, and 90.0%, 90.0%and 94.3%in transmittance mode, respectively. The results showed that hyperspectral transmittance imaging achieved the best prediction results among the three different detection models, ANN algorithm was the optimal algorithm to build hollowness discrimination model. Hyperspectral transmittance imaging in the combination with ANN gave the best results with a prediction accuracy of 94.3%for detecting the internal hollowness of white radish. Therefore, it was feasible to use hyperspectral transmittance imaging system for detecting the hollowness of white radish in postharvest storage.

hyperspectral imaging; detecting model; white radish; hollowness

TS255

A

1002-6630（2015）12-0171-06

10.7506/spkx1002-6630-201512032

2014-10-18

“十二五”國家科技支撐計劃項目（2015BAD19B03）；國家自然科學基金青年科學基金項目（31101282；71103086）；公益性行業(yè)（農(nóng)業(yè)）科研專項（201303088）；江蘇高校優(yōu)勢學科建設(shè)工程資助項目；浙江省自然科學基金項目（Y3110450）

胡鵬程（1992—），男，碩士研究生，研究方向為農(nóng)產(chǎn)品無損檢測。E-mail：2013808117@njau.edu.cn

*通信作者：潘磊慶（1980—），男，副教授，博士，研究方向為農(nóng)產(chǎn)品無損檢測。E-mail：pan_leiqing@njau.edu.cn