張萌，李光輝*

（1.江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇 無(wú)錫 214000；2.物聯(lián)網(wǎng)技術(shù)應(yīng)用教育部工程技術(shù)研究中心，江蘇 無(wú)錫 214000）

蘋(píng)果是一種常見(jiàn)的水果，也是我國(guó)的第一大水果，是我國(guó)的優(yōu)勢(shì)農(nóng)產(chǎn)品之一。然而，蘋(píng)果在采摘、分裝和運(yùn)輸過(guò)程中難以避免由于磕碰而造成的輕微損傷。在損傷初期，水果的外觀與正常水果極為相似[1]，憑肉眼或者彩色照相機(jī)幾乎無(wú)法識(shí)別；隨著時(shí)間的推移，輕微損傷逐漸加重，最終演變成內(nèi)部腐爛，對(duì)蘋(píng)果品質(zhì)產(chǎn)生很大影響。此外，在水果采集過(guò)程中針對(duì)病蟲(chóng)害的檢測(cè)主要以人工分揀為主，一般先通過(guò)目測(cè)來(lái)判斷水果的外部缺陷，再通過(guò)已有的分級(jí)設(shè)備進(jìn)行分級(jí)和出售。由于人工分揀對(duì)于水果輕微損傷判斷的準(zhǔn)確性差并且效率較低，所以很難達(dá)到分級(jí)的一致性[2]。

高光譜成像技術(shù)同時(shí)含有光譜及圖像方面的信息，具有分辨率高、波段數(shù)多的特點(diǎn)，近些年越來(lái)越多地被應(yīng)用于農(nóng)產(chǎn)品品質(zhì)的無(wú)損檢測(cè)中[3-6]。BARANOWSKI等[7]使用可見(jiàn)光/近紅外（400～1 000 nm）和短波近紅外（1 000～2 500 nm）范圍內(nèi)的高光譜圖像，并結(jié)合多種有監(jiān)督的分類(lèi)模型，對(duì)損傷2周內(nèi)的蘋(píng)果進(jìn)行了檢測(cè)，結(jié)果表明，用于損傷天數(shù)檢測(cè)的高光譜成像技術(shù)在兩類(lèi)光譜范圍內(nèi)都具有良好的適用性；SUN等[8]采集了4 00～1 000 nm范圍內(nèi)的高光譜圖像，使用連續(xù)投影算法（successive projection algorithm,SPA）挑選了6個(gè)特征波段（580、599、650、675、710和970 nm），分別使用偏最小二乘回歸判別分析（partial least-squaresdiscriminant regression,PLS-DA）、支持向量機(jī)（support vector machine,SVM）及人工神經(jīng)網(wǎng)絡(luò)（artificial neural network,ANN）模型進(jìn)行建模分析，結(jié)果表明，該系統(tǒng)可以對(duì)桃的凍傷等級(jí)進(jìn)行分類(lèi)；劉思伽等[9]采用二次連續(xù)投影算法提取了3個(gè)特征波長(zhǎng)（681、867和942 nm），然后分別采用線性判別分析、支持向量機(jī)和反向傳播人工神經(jīng)網(wǎng)絡(luò)（back propagation-artificial neural network,BP-ANN）模型進(jìn)行分類(lèi)，完成了寒富蘋(píng)果病害的分類(lèi)檢測(cè)。但以往基于高光譜成像技術(shù)結(jié)合化學(xué)計(jì)量法對(duì)水果缺陷的檢測(cè)中，常用的特征波段提取算法通常提取的特征波段數(shù)多，數(shù)據(jù)較冗余，處理數(shù)據(jù)仍較煩瑣，而減少提取的特征波段數(shù)則可能會(huì)降低分類(lèi)的精度，不利于水果品質(zhì)的在線檢測(cè)。另外，大多數(shù)研究并未考慮到水果輕微損傷隨時(shí)間推移而產(chǎn)生的影響，不符合水果質(zhì)量檢測(cè)的實(shí)際情況。針對(duì)上述問(wèn)題，本文采用高光譜成像技術(shù)，使用RELIEF算法結(jié)合極限學(xué)習(xí)機(jī)（extreme learning machine,ELM）提出RELIEF-極限學(xué)習(xí)機(jī)（RELIEF-extreme learning machine,Re-ELM）算法，克服了以往損傷檢測(cè)算法所需的特征波段數(shù)過(guò)多、檢測(cè)精度不夠高的問(wèn)題，實(shí)現(xiàn)了對(duì)不同損傷時(shí)間的蘋(píng)果輕微損傷樣本的快速、有效且準(zhǔn)確的識(shí)別；同時(shí)，提出了基于圖像處理技術(shù)的損傷檢測(cè)算法，能夠直觀地對(duì)蘋(píng)果損傷區(qū)域進(jìn)行識(shí)別，更有利于在線檢測(cè)系統(tǒng)的實(shí)現(xiàn)。

1 材料與方法

1.1 樣本采集

實(shí)驗(yàn)樣本為雙色紅富士蘋(píng)果，購(gòu)買(mǎi)于江蘇省無(wú)錫市當(dāng)?shù)氐乃l(fā)市場(chǎng)。為保證研究的可靠性，人工挑選同一批次的沒(méi)有明顯表面缺陷，且形狀、大小相似，顏色分布均勻的蘋(píng)果共108個(gè)。將108個(gè)蘋(píng)果分為2組，每組54個(gè)。對(duì)第1組的54個(gè)樣本實(shí)施人工模擬損傷，將樣本從40 cm的高度垂直落到水平地面，使蘋(píng)果的赤道位置形成輕微損傷，對(duì)瘀傷處進(jìn)行標(biāo)記，作為損傷蘋(píng)果樣本；此高度造成的損傷為蘋(píng)果內(nèi)部損傷，損傷程度符合中國(guó)農(nóng)業(yè)農(nóng)村部（原農(nóng)業(yè)部）發(fā)布的《中華人民共和國(guó)農(nóng)業(yè)行業(yè)標(biāo)準(zhǔn)（NY/T 1793—2009）：蘋(píng)果等級(jí)規(guī)格》。第2組的54個(gè)蘋(píng)果樣本不做處理，為正常蘋(píng)果樣本。采集不同損傷時(shí)間的損傷樣本表面和正常樣本表面的高光譜圖像。所有蘋(píng)果樣本在檢測(cè)間隔期的保存及高光譜圖像的采集均在22℃室溫條件下進(jìn)行。

1.2 儀器設(shè)備

選擇美國(guó)SOC710VP高光譜成像儀，它能夠采集400～1 000 nm波長(zhǎng)（共128個(gè)波段）處的光譜圖像，光譜分辨率為4.68 nm，成像分辨率為1 392×1 040。該設(shè)備采用全息衍射技術(shù)，光通過(guò)率高，并采用雙電荷耦合器件圖像傳感器（charge coupled device,CCD）可視化對(duì)焦，能夠直觀地預(yù)覽待測(cè)圖像，同時(shí)配備了美國(guó)國(guó)家標(biāo)準(zhǔn)與技術(shù)研究院（National Institute of Standards and Technology,NIST）可溯源校準(zhǔn)，確保了數(shù)據(jù)的準(zhǔn)確性及可靠性。為了減少周?chē)饩€的影響，高光譜圖像的采集均在暗箱中操作，采用鹵素?zé)糇鳛楣庠?，設(shè)置升降臺(tái)高度為40 cm，積分時(shí)間為25 ms，垂直于蘋(píng)果表面掃描成像。每次掃描的同時(shí)獲取暗電流及參考板數(shù)據(jù)。

1.3 圖像校正

由于光照強(qiáng)度的不均勻性和CCD探測(cè)器中暗電流的存在，采集的高光譜圖像通常具有較大噪聲，故需對(duì)初始圖像進(jìn)行黑白校正，公式如下：

式中：Rn為校正后的高光譜圖像；Rr為原始噪聲圖像；Rd為黑板的校正圖像；Rw為美國(guó)NIST溯源校準(zhǔn)參考板的掃描圖像。

1.4 數(shù)據(jù)處理

實(shí)驗(yàn)中的數(shù)據(jù)提取和光譜預(yù)處理主要基于ENVI 4.7軟件進(jìn)行；RELIEF算法和ELM等模型使用Matlab R2009a軟件編程實(shí)現(xiàn)。

2 結(jié)果與分析

2.1 蘋(píng)果輕微損傷的高光譜圖像特征提取

在實(shí)驗(yàn)中正常樣本的感興趣區(qū)域（region of interest,ROI）選擇在與損傷樣本的損傷位置相近的區(qū)域。在已采集的所有樣本的高光譜圖像中，分別在54個(gè)正常樣本表面區(qū)域與54個(gè)損傷樣本在剛損傷和損傷后不同時(shí)間的損傷區(qū)域（顏色較深）范圍內(nèi)選取矩形ROI，ROI的大小為10×10像素。由于高光譜圖像中像素點(diǎn)眾多，其中每個(gè)點(diǎn)都具有一條完整的反射率曲線，所以計(jì)算每一個(gè)樣品ROI內(nèi)所有波段的平均光譜反射率曲線，并作為該區(qū)域的光譜曲線。

全部樣本表皮的平均光譜曲線如圖1所示。從中可知，正常樣本與不同損傷時(shí)間樣本的光譜特征曲線變化趨勢(shì)較為一致，在損傷初始時(shí)刻樣本的光譜曲線與正常樣本較為接近，隨著時(shí)間推移，損傷樣本的平均光譜反射率開(kāi)始降低，尤其在640～700和730～900 nm范圍內(nèi)曲線差異更為明顯。此外，在680 nm處的吸收谷是由蘋(píng)果表面葉綠素的吸收作用引起的[10]，在820 nm處的吸收峰反映了蘋(píng)果樣本的含糖量信息[11]，在960 nm附近的波谷是由蘋(píng)果中水分變化造成的，因?yàn)樵摬ǘ问撬蠴—H基團(tuán)的2級(jí)倍頻特征吸收峰[12]。

圖1 正常和損傷蘋(píng)果樣本的平均反射光譜曲線Fig.1 Average reflectance spectra of the sound and bruise regions on apple samples

平均光譜反射率主要反映高光譜圖像的光譜信息，而高光譜技術(shù)具有包含光譜信息與圖像信息的特點(diǎn)。由于蘋(píng)果損傷區(qū)域和正常區(qū)域存在物理化學(xué)性質(zhì)的差異，使得不同波段下的平均光譜反射率的強(qiáng)度不同，而圖像的信息熵能夠很好地度量反射光強(qiáng)的差異性[13]，因此，本文提取蘋(píng)果表面的圖像熵?cái)?shù)據(jù)以選擇信息量更為豐富的波段作為特征波段。

設(shè)波段λ下像素點(diǎn)(i，j)處的平均光譜反射率值為f(λ，i，j)，其中i=1，2，…，M，j=1，2，…，N(M，N分別為CCD相機(jī)的橫向、縱向像素），則第t個(gè)蘋(píng)果樣本所選擇的感興趣區(qū)域?yàn)镽(λ，t)。

首先求出第t個(gè)蘋(píng)果樣本在波段λ下各像素點(diǎn)的平均光譜反射率的概率分布

其中

則第t個(gè)蘋(píng)果樣本在波段λ下的圖像熵H(λ，t)為

圖像熵信息可以反映圖像分布的聚集特征，正常蘋(píng)果與不同損傷天數(shù)蘋(píng)果的圖像熵曲線如圖2所示?？梢钥闯?，正常樣本與損傷不同時(shí)間的樣本間的平均熵具有一定的差異，包含了不同的信息量，可通過(guò)平均熵篩選出更具有信息量的特征波段。

圖2 正常和損傷蘋(píng)果樣本的圖像熵曲線Fig.2 Average entropy of the sound and bruise regions on apple samples

2.2 特征波段的選取

高光譜圖像包含大量的數(shù)據(jù)，可以為蘋(píng)果的損傷分類(lèi)提供豐富的信息。但由于光譜波段較為連續(xù)，鄰近波段間的相似性很高，通常會(huì)存在大量的數(shù)據(jù)冗余，使得運(yùn)算費(fèi)時(shí)較長(zhǎng)，不利于蘋(píng)果損傷的在線檢測(cè)，所以需要提取能夠代替全波段進(jìn)行分類(lèi)處理的特征波段，從而減少數(shù)據(jù)冗余，進(jìn)而簡(jiǎn)化數(shù)據(jù)運(yùn)算。

RELIEF算法[14]是一種計(jì)算特征權(quán)重值大小的方法，通常是基于兩類(lèi)問(wèn)題進(jìn)行特征的選擇，根據(jù)各個(gè)特征對(duì)于分類(lèi)的重要程度賦予其不同的權(quán)重值，其主要思想是基于區(qū)分相鄰樣本的能力來(lái)確定特征權(quán)重。本實(shí)驗(yàn)使用該方法來(lái)選擇損傷檢測(cè)的特征波段。為了使用RELIEF算法得到波長(zhǎng)的權(quán)重系數(shù)圖，將采集的正常及不同損傷時(shí)期蘋(píng)果樣本的平均光譜反射率和圖像熵信息及其對(duì)應(yīng)標(biāo)記輸入RELIEF算法中，從而獲得各個(gè)波段的權(quán)重系數(shù)，如圖3和圖4所示。值得注意的是，為了消除數(shù)據(jù)冗余，選取平均光譜反射率與圖像熵的波段權(quán)重系數(shù)圖中局部極大值作為檢測(cè)損傷的特征波段，這樣所選波段不但包含有利于蘋(píng)果損傷分類(lèi)的圖像特征，而且同時(shí)包含了更多的信息量。其中，所選擇的8個(gè)特征波段為17、30、35、51、61、66、94和120。

圖3 蘋(píng)果樣本的平均光譜反射率的權(quán)重系數(shù)Fig.3 Weighting coefficient of average reflectance spectra of apple samples

圖4 蘋(píng)果樣本的圖像熵的權(quán)重系數(shù)Fig.4 Weighting coefficient of average entropy of apple samples

2.3 ELM損傷判別模型的建立

極限學(xué)習(xí)機(jī)（ELM），是一種快速學(xué)習(xí)算法。根據(jù)HUANG等[15]的研究結(jié)果，對(duì)于一個(gè)單隱層神經(jīng)網(wǎng)絡(luò)，設(shè)g（x）為激活函數(shù)，輸入權(quán)重大小為Wi，輸出的權(quán)重值為βi，bi為第i個(gè)隱藏層單元的偏置值，則在算法中，只要隨機(jī)確定bi和Wi的值，就能夠得到隱藏層的輸出矩陣H。通常，對(duì)于一個(gè)單隱層神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)的目的是為了實(shí)現(xiàn)最小輸出誤差。雖然傳統(tǒng)的梯度下降法算法可以用來(lái)解決類(lèi)似問(wèn)題，但是此類(lèi)算法（如BP神經(jīng)網(wǎng)絡(luò)）需要不斷地調(diào)整迭代過(guò)程中的參數(shù)，從而存在訓(xùn)練時(shí)間較長(zhǎng)，訓(xùn)練速度慢，且容易陷入局部而非全局最小等問(wèn)題。與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法相比，ELM突出的優(yōu)勢(shì)是能夠保證學(xué)習(xí)的精度同時(shí)減少所耗時(shí)間。

在本實(shí)驗(yàn)中，利用蘋(píng)果正常樣本與不同損傷天數(shù)樣本表皮的平均光譜反射率數(shù)據(jù)，使用ELM對(duì)蘋(píng)果損傷情況進(jìn)行建模分析。首先是基于光譜全波段的建模，將正常樣本（54個(gè)）與不同損傷時(shí)間的樣本（54個(gè)）按照2∶1的比例隨機(jī)劃分訓(xùn)練樣本集（72個(gè)）和測(cè)試樣本集（36個(gè)），選用Sigmod函數(shù)作為ELM極限學(xué)習(xí)機(jī)的激活函數(shù)，經(jīng)過(guò)多次實(shí)驗(yàn)，最佳隱層神經(jīng)元的個(gè)數(shù)為20。測(cè)試集的判別結(jié)果如圖5所示，全波段建模的判別結(jié)果見(jiàn)表1。由表1可知，正常樣本及不同損傷時(shí)間樣本的訓(xùn)練集和測(cè)試集判別結(jié)果均較好，除了損傷1 min內(nèi)的樣本由于蘋(píng)果表皮的損傷變化不明顯，使得模型測(cè)試結(jié)果稍低外，基于訓(xùn)練集和測(cè)試集的整體檢測(cè)率均在94%以上。由此可得，基于全波段進(jìn)行建模對(duì)樣本的預(yù)測(cè)較可靠。

圖5 基于全波段的訓(xùn)練集判別結(jié)果Fig.5 Discriminant results of training sets based on full wavebands

表1 基于全波段的ELM模型對(duì)正常和損傷樣本的判別結(jié)果Table 1 Discriminant results of sound and bruised samples using ELM model and full wavebands

由于全波段中包含大量冗余數(shù)據(jù)，建模耗時(shí)長(zhǎng)，不利于在線檢測(cè)系統(tǒng)的開(kāi)發(fā)，所以使用RELIEF算法挑選特征波段，有效減少數(shù)據(jù)冗余，使得建模時(shí)間大大減少?；谔卣鞑ǘ芜M(jìn)行ELM建模分析的結(jié)果如表2所示。從中可知，基于特征波段的建模不僅減少了大量數(shù)據(jù)冗余，使得建模時(shí)間縮短，而且提升了分類(lèi)的精確度?；谔卣鞑ǘ谓５目倻y(cè)試集精度優(yōu)于基于全波段的建模，說(shuō)明所選擇的特征波段包含了分類(lèi)的關(guān)鍵信息，去除了冗余信息，更有利于蘋(píng)果損傷的分類(lèi)。

2.4 ELM模型與其他分析方法的比較

2.4.1 RELIEF-支持向量機(jī)（Re-SVM）模型判別分析

SVM是基于統(tǒng)計(jì)學(xué)習(xí)理論的一種機(jī)器學(xué)習(xí)方法，是一種二分類(lèi)模型。SVM定義為特征空間上間隔最大的分類(lèi)器，即學(xué)習(xí)的策略是使間隔達(dá)到最大。該模型一般對(duì)于線性可分情況進(jìn)行分析，但其優(yōu)勢(shì)是支持非線性分類(lèi)。在非線性的條件下，它能夠采取非線性的映射算法把原本不可分樣本轉(zhuǎn)換到更高維度的特征空間，然后在高維的空間實(shí)現(xiàn)線性可分[16]。使用SVM模型對(duì)特征波段進(jìn)行建模的結(jié)果見(jiàn)表3。從中可知，基于特征波段的Re-SVM模型測(cè)試集的判別精度不如RELIEF-極限學(xué)習(xí)機(jī)（Re-ELM）高，和ELM模型相比其建模時(shí)間也更長(zhǎng)，但是結(jié)果仍較好，總識(shí)別精度平均值為95%，能夠比較有效地進(jìn)行蘋(píng)果損傷分類(lèi)識(shí)別。

表3 基于Re-SVM模型對(duì)正常樣本和損傷樣本的判別結(jié)果Table 3 Discriminant results of sound and bruised samples based on Re-SVM model

2.4.2 Re-K均值模型判別分析

在數(shù)據(jù)挖掘中，K-均值（K-means）算法[17]是一種常用的聚類(lèi)分析算法。該算法需要預(yù)先設(shè)定一個(gè)K值和多個(gè)類(lèi)別的初始質(zhì)心位置，然后通過(guò)K值及初始質(zhì)心對(duì)位置較為相似的數(shù)據(jù)進(jìn)行劃分，最后對(duì)劃分后的均值采用迭代優(yōu)化，從而獲得最佳聚類(lèi)效果。

使用K-均值算法對(duì)樣本進(jìn)行分析的結(jié)果如表4所示：蘋(píng)果損傷的分類(lèi)效果不如ELM及SVM，總識(shí)別率為91.67%。

表4 基于Re-K均值模型對(duì)正常和損傷樣本的判別結(jié)果Table 4 Discriminant results of sound and bruised samples based on Re-K mean model

2.5 基于圖像處理的蘋(píng)果輕微損傷分析

由上述研究可知，由RELIEF算法提取的特征波段適用于蘋(píng)果輕微損傷分類(lèi)判別。為了進(jìn)一步驗(yàn)證特征波段的有效性，提出了基于圖像處理技術(shù)的損傷檢測(cè)算法。

2.5.1 獨(dú)立成分分析

獨(dú)立成分分析（independent component analysis,ICA）是近年發(fā)展起來(lái)的一種統(tǒng)計(jì)方法，是盲源分離（blind source separation,BSS）的重要分支。盲源分離是指當(dāng)源信號(hào)與信號(hào)混合模型未知時(shí)，從混合信號(hào)中分離出源信號(hào)的過(guò)程。由于獨(dú)立成分分析在特征提取中具有明顯的優(yōu)勢(shì)，所以已經(jīng)逐漸應(yīng)用于高光譜圖像的處理中。其算法原理[18]如下：

將獨(dú)立成分表示為隨機(jī)列向量S=[s1,s2,…,sn]T，獨(dú)立成分的觀測(cè)值表示為隨機(jī)列向量X=[x1,x2,…,xn]T，矩陣A（m×n）表示為S的系數(shù)aij。假設(shè)s1,s2,…,sn之間相互保持統(tǒng)計(jì)獨(dú)立，則有

那么獨(dú)立成分分析的模型可用矢量形式表示為

由于S和A均未知，獨(dú)立成分分析的目的即尋找si的最優(yōu)估計(jì)，使得

式中B=A－1，是ICA模型的分離矩陣，A－1即A的逆矩陣。

2.5.2 特征波段的ICA變換

獨(dú)立成分分析是降低高光譜圖像維度的重要方法。在本文中，首先使用ICA技術(shù)對(duì)400～1000 nm的全波段圖像進(jìn)行變換，然后針對(duì)特征波段進(jìn)行變換。圖6顯示了損傷時(shí)間為1 d的蘋(píng)果高光譜圖像變換結(jié)果?？梢钥闯?，基于全波段與特征波段的ICA變換，各成分圖像顯示的蘋(píng)果表皮信息基本一致，說(shuō)明了特征波段的有效性。比較前4個(gè)成分圖像可知：ICA1圖像包含了蘋(píng)果整體信息；ICA2圖像反映了蘋(píng)果表皮的一些形態(tài)學(xué)特征，如紋理、斑點(diǎn)等；ICA3圖像較為明顯地顯示了蘋(píng)果的損傷區(qū)域；ICA4圖像主要反映了蘋(píng)果的輪廓信息。因此，選用ICA3圖像對(duì)蘋(píng)果進(jìn)行下一步的損傷檢測(cè)?；谌ǘ魏吞卣鞑ǘ螆D像對(duì)所有樣本進(jìn)行變換的結(jié)果均與圖6中的結(jié)果相似，由此可證明特征波段可以代替全波段進(jìn)行蘋(píng)果輕微損傷檢測(cè)。

圖6 基于全波段（A）和特征波段（B）的蘋(píng)果損傷高光譜圖像ICA變換Fig.6 ICA transformation results of the bruise apples’hyperspectral images based on the full(A)and characteristic wavebands(B)

2.5.3 蘋(píng)果輕微損傷識(shí)別算法

由上述研究可知，基于特征波段的ICA變換第3成分圖像ICA3更適用于蘋(píng)果損傷的檢測(cè)。圖7為蘋(píng)果輕微損傷檢測(cè)算法流程圖：首先使用RELIEF算法選擇特征波段；觀察圖1的平均光譜圖可知，在波長(zhǎng)為822 nm處的反射率最高，故選用此波段的圖像生成掩模；對(duì)特征波段進(jìn)行掩模處理，以減少背景干擾，掩模處理后進(jìn)行ICA變換，并選擇ICA3成分圖像進(jìn)行下一步處理；最后對(duì)所選圖像采用自適應(yīng)閾值分割算法，最終得到損傷圖像。

圖7 蘋(píng)果輕微損傷高光譜檢測(cè)算法流程Fig.7 Flow chart of detection algorithm of slight bruise apple samples

2.5.4 正常樣本與損傷樣本判別結(jié)果

使用上述損傷檢測(cè)算法對(duì)所有樣本的高光譜圖像進(jìn)行檢測(cè)的結(jié)果如表5所示。所有樣本的識(shí)別率為94.44%，表明使用該種檢測(cè)方法同樣能夠通過(guò)特征波段實(shí)現(xiàn)蘋(píng)果的輕微損傷檢測(cè)。

表5 蘋(píng)果輕微損傷圖像識(shí)別檢測(cè)結(jié)果Table 5 Detection results of slight bruise apple samples by image recognition

3 結(jié)論

使用高光譜技術(shù)從建模分析及圖像識(shí)別兩方面對(duì)蘋(píng)果損傷進(jìn)行識(shí)別和分析，主要結(jié)論如下。

1）使用RELIEF算法基于高光譜圖像的平均光譜反射率和圖像熵信息選擇特征波段。分別使用ELM、SVM與K-均值模型對(duì)特征波段進(jìn)行建模，通過(guò)對(duì)比可知，Re-ELM模型的分類(lèi)效果最好，不同損傷時(shí)間的樣本都具有較好的檢測(cè)效果，測(cè)試集的總識(shí)別率為96.67%，表明高光譜成像技術(shù)結(jié)合ELM能有效實(shí)現(xiàn)蘋(píng)果的損傷檢測(cè)，且所選的特征波段不僅能去除冗余信息，減少建模時(shí)間，并且包含了有利于分類(lèi)的重要信息。

2）使用ICA算法對(duì)RELIEF算法提取的特征波段進(jìn)行數(shù)據(jù)降維，然后采用自適應(yīng)閾值分割法提取水果的損傷區(qū)域。結(jié)果表明，基于圖像判別的蘋(píng)果輕微損傷檢測(cè)精度為94.44%，誤判的原因主要是損傷初期損傷區(qū)域與正常區(qū)域差別較小，所以基于圖像處理的檢測(cè)方法對(duì)于損傷初期的損傷識(shí)別不夠精確。

總之，本文通過(guò)選擇特征波段并基于特征波段建立判別分類(lèi)模型，實(shí)現(xiàn)了蘋(píng)果的正常樣本及不同損傷時(shí)間樣本的識(shí)別，并且通過(guò)圖像處理技術(shù)實(shí)現(xiàn)了蘋(píng)果損傷區(qū)域的定位，為未來(lái)檢測(cè)水果損傷的相關(guān)儀器或在線檢測(cè)系統(tǒng)的開(kāi)發(fā)提供了理論依據(jù)。在蘋(píng)果的在線檢測(cè)中，不僅包含了蘋(píng)果的輕微損傷，還有蘋(píng)果真菌感染等損害，擴(kuò)大蘋(píng)果樣本范圍，增加能夠檢測(cè)的蘋(píng)果損害類(lèi)別將是下一步研究的重點(diǎn)。

參考文獻(xiàn)(References):

［1］張保華,黃文倩,李江波,等.基于高光譜成像技術(shù)和MNF檢測(cè)蘋(píng)果的輕微損傷.光譜學(xué)與光譜分析,2014,34(5):1367-1372.ZHANG B H,HUANG W Q,LI J B,et al.Detection of slight bruises on apples based on hyperspectral imaging and MNF transform.Spectroscopy and Spectral Analysis,2014,34(5):1367-1372.(in Chinese with English abstract)

［2］田有文,程怡,王小奇,等.基于高光譜成像的蘋(píng)果蟲(chóng)傷缺陷與果梗/花萼識(shí)別方法.農(nóng)業(yè)工程學(xué)報(bào),2015,31(4):325-331.TIAN Y W,CHENG Y,WANG X Q,et al.Recognition method of insect damage and stem/calyx on apple based on hyperspectral imaging.Transactions of the CSAE,2015,31(4):325-331.(in Chinese with English abstract)

［3］黃文倩,陳立平,李江波,等.基于高光譜成像的蘋(píng)果輕微損傷檢測(cè)有效波長(zhǎng)選取.農(nóng)業(yè)工程學(xué)報(bào),2013,29(1):272-277.HUANG W Q,CHEN L P,LI J B,et al.Effective wavelengths determination for detection of slight bruises on apples based on hyperspectral imaging.Transactions of the CSAE,2013,29(1):272-277.(inChinesewithEnglishabstract)［4］程術(shù)希,邵詠妮,吳迪,等.稻葉瘟染病程度的可見(jiàn)-近紅外光譜檢測(cè)方法.浙江大學(xué)學(xué)報(bào)(農(nóng)業(yè)與生命科學(xué)版),2011,37(3):307-311.CHENG S X,SHAO Y N,WU D,et al.Determination of rice leaf blast disease level based on visible-near-infrared spectroscopy.Journal of Zhejiang University(Agriculture and Life Sciences),2011,37(3):307-311.(in Chinese with English abstract)

［5］LEE W H,KIM M S,LEE H,et al.Hyperspectral nearinfrared imaging for the detection of physical damages of pear.Journal of Food Engineering,2014,130:1-7.

［6］魏新華,吳姝,范曉冬,等.基于高光譜成像分析的冬棗微觀損傷識(shí)別.農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(3):242-246.WEI X H,WU S,FAN X D,et al.Identification of slight bruises on winter jujube based on hyperspectral imaging technology.TransactionsoftheChineseSocietyfor Agricultural Machinery,2015,46(3):242-246.(in Chinese with English abstract)

［7］BARANOWSKIP,MAZUREK W,PASTUSZKAWO?NⅠAK J.Supervised classification of bruised apples with respect to the time after bruising on the basis of hyperspectralimaging data.PostharvestBiologyand Technology,2013,86:249-258.

［8］SUN Y,GU X Z,SUN K,et al.Hyperspectral reflectance imaging combined with chemometricsand successive projections algorithm forchilling injury classification in peaches.LWT—Food Science and Technology,2016,75:557-564.

［9］劉思伽,田有文,張芳,等.采用二次連續(xù)投影法和BP人工神經(jīng)網(wǎng)絡(luò)的寒富蘋(píng)果病害高光譜圖像無(wú)損檢測(cè).食品科學(xué),2017,38(8):277-282.LIU S J,TIAN Y W,ZHANG F,et al.Hyperspectral imaging fornondestructive detection ofHanfu apple diseases using successive projections algorithm and BP neural network.Food Science,2017,38(8):277-282.(in Chinese with English abstract)

［10］MIN H,WAN X M,MIN Z,et al.Detection of insectdamaged vegetable soybeans using hyperspectral transmittance image.Journal of Food Engineering,2013,116:45-49.

［11］ABBOTT J A,LU R F,UPCHURCH B L,et al.Technologies for nondestructive quality evaluation of fruits and vegetables//Horticultural Reviews.Hoboken,United States:John Wiley&Sons Inc.,1997:1-120.

［12］RAJKUMAR P,WANG N,EIMASRY G,et al.Studies on banana fruit quality and maturity stages using hyperspectral imaging.Journal of Food Engineering,2012,108(1):194-200.

［13］朱啟兵,馮朝麗,黃敏,等.基于圖像熵信息的玉米種子純度高光譜圖像識(shí)別.農(nóng)業(yè)工程學(xué)報(bào),2012,28(23):271-276.ZHU Q B,FENG Z L,HUANG M,et al.Maize seed classification based on image entropy using hyperspectral imaging technology.Transactions of the CSAE,2012,28(23):271-276.(in Chinese with English abstract)

［14］張翔,鄧趙紅,王士同,等.極大熵Relief特征加權(quán).計(jì)算機(jī)研究與發(fā)展,2011,48(6):1038-1048.ZHANG X,DENG Z H,WANG S T,et al.Maximum entropy relief feature weighting.Journal of Computer ResearchandDevelopment,2011,48(6):1038-1048.(in Chinese with English abstract)

［15］HUANG G B,ZHU Q Y,SIEW C K.Extreme learning machine:theory and applications.Neurocomputing,2006,70(1/2/3):489-501.

［16］丁世飛,齊丙娟,譚紅艷.支持向量機(jī)理論與算法研究綜述.電子科技大學(xué)學(xué)報(bào),2011,40(1):2-10.DING S F,QI B J,TAN H Y.An overview on theory and algorithm of support vector machines.Journal of University of Electronic Science and Technology of China,2011,40(1):2-10.(in Chinese with English abstract)

［17］段明秀.層次聚類(lèi)算法的研究及應(yīng)用.長(zhǎng)沙:中南大學(xué),2009.DUAN M X.Research and application of hierarchical clustering algorithm.Changsha:Central South University,2009.(in Chinese with English abstract)

［18］HYV?RINEN A,PAJUNEN P.Nonlinear independent componentanalysis:existence and uniquenessresults.Neural Networks,1999,12(3):429-439.