姜鳳利，沈殿昭，楊 磊，陳 毅，孫炳新

（1.沈陽農業(yè)大學信息與電氣工程學院，遼寧 沈陽 110866；2.沈陽農業(yè)大學食品學院，遼寧 沈陽 110866）

雙孢蘑菇（Agaricus bisporus），又名白蘑菇或紐扣蘑菇，是世界上栽培、產量及消費最多的食用菌之一[1]。新鮮的雙孢蘑菇色澤潔白、質地脆嫩而有彈性，具有豐富的營養(yǎng)價值[2]。雙孢蘑菇屬于呼吸躍變型，采后極易變軟腐爛，通常采后常溫下雙孢蘑菇1～3 d就會出現失水、開傘或者褐變，冷藏可貯藏5～10 d，因此其貨架期較短[3]。此外，雙孢蘑菇具有薄且多孔的表皮結構同時又缺乏保護組織，屬于典型的機械損傷或瘀傷高敏感性作物[4]。在流通過程中要經歷長時間的振動脅迫，導致雙孢蘑菇產生不同程度的機械損傷。嚴重的外部損傷可通過機器視覺技術等手段進行檢測。姜鳳利等[5]基于機器視覺設計了雙孢蘑菇大小、殘缺以及褐變在線分級系統(tǒng)，對200個蘑菇進行分級，準確率達到96.45%。然而輕微損傷難以在第一時間顯現，而是隨著時間通過酶促褐變的方式逐漸表現出來，然后瘀傷部位可能會發(fā)生組織惡化，并最終導致腐爛變質等，進而加速同批次正常蘑菇的腐爛進程[6]，因此傳統(tǒng)的機器視覺技術無法檢測雙孢蘑菇內部損傷。據報道，我國每年生產的果蔬從田間到餐桌的損失率高達30%以上，而一些發(fā)達國家只有17%左右[7-8]，相比于大多數具有保護層的果蔬，雙孢蘑菇損失率更高。因此，為了減低貯藏與貨架期間的損失，應盡早的識別并剔除產生機械損傷的問題蘑菇。

高光譜成像技術結合了傳統(tǒng)的成像和光譜學技術，可在一系列波長上從被測對象中獲取空間和光譜信息，在果蔬內部缺陷和微觀損傷檢測方面具有較好的靈敏度，如蘋果[9-10]、馬鈴薯[11]、桃子[12]、獼猴桃[13]、橙子[14]、藍莓[15]等均具有較高的檢測精度。Siedliska等[9]利用高光譜成像技術對瘀傷蘋果進行識別，建立的瘀傷識別模型，預測精度可達95%以上。Ye Dandan等[11]提出了一種基于高光譜成像技術的馬鈴薯瘀傷檢測方法，采用優(yōu)化的模擬退火算法進行光譜數據降維，最終對瘀傷馬鈴薯的檢測精度可達100%。Li Jiangbo等[12]發(fā)現短波近紅外成像模式對桃子的早期瘀傷檢測具有很好的效果，基于形態(tài)梯度重建和標記提取對分水嶺分割算法進行了改進，并將其應用于多光譜圖像，識別精度為96.5%。遲茜等[13]采用主成分分析優(yōu)選4個特征波長，結合均值濾波、閾值分割和形態(tài)學等圖像處理方法對完好無損和隱性損傷1～3 h的獼猴桃進行識別，平均正確識別率可達97.9%。Fan Shuxiang等[15]分別利用特征波段和波段比圖像結合最小二乘支持向量機對機械損傷后30 min、2 h、6 h和12 h的藍莓進行識別，基于兩種方法的瘀傷藍莓總體識別率分別為98%和95.9%，表明藍莓損傷30 min后即可檢測，也顯示出波段比圖像在線檢測的巨大潛力。

本研究以雙孢蘑菇為研究對象，采集室溫條件下不同振動脅迫時間的新鮮蘑菇高光譜信息，融合光譜和紋理特征，結合化學計量學方法，對雙孢蘑菇的早期機械損傷進行快速預測和判別。

1 材料與方法

1.1 材料

雙孢蘑菇采購自農貿市場。將雙孢蘑菇進行分揀，挑選菇體完整、顏色潔白、菇蓋未開傘、子實體大小基本一致（直徑30～35 mm）、無病蟲害和無機械傷的雙孢蘑菇進行實驗。將雙孢蘑菇分成3 組，其中2 組放在泡沫箱內，并固定在模擬汽車運輸振動臺（昆山市順諾儀器有限公司），以300 rad/m速率進行模擬振動，時間分別持續(xù)60 s和120 s，以制備不同損傷程度樣本，未振動組作為完好雙孢蘑菇樣本，其RGB圖像如圖1所示。振動結束后，取雙孢蘑菇樣品180個，每組60個，6個/盒雙孢蘑菇放置于BOPP托盒中（223 mm×133 mm），用低密度聚乙烯膜完成封合，對樣本逐個編號，在室溫（20±2）℃條件下采集每個樣品的高光譜圖像。

圖1 雙孢蘑菇樣本Fig. 1 Intact and damaged samples of Agaricus bisporus

1.2 儀器與設備

高光譜成像系統(tǒng)如圖2所示，包括高光譜成像光譜儀（ImSpector V10E），面陣CCD相機（IGVB1410M），精密位移控制平臺（IRCP0076-1），暗箱（120 cm×50 cm×140 cm），兩個150 W的光纖鹵素燈（3900-Illuminatior）和一臺計算機（DELL Vostro 5560D-1528）。高光譜相機的曝光率調整為17，鏡頭與樣本之間的距離為320 mm，高光譜成像系統(tǒng)的光譜采集波長范圍為400～1 000 nm，光譜分辨率為1.27 nm，一共472個波段。

圖2 高光譜成像系統(tǒng)Fig. 2 Schematic of hyperspectral imaging system

1.3 方法

1.3.1 高光譜圖像采集和校正

雙孢蘑菇圖像采集前調整高光譜成像系統(tǒng)，調整鏡頭光圈確定合適焦距，將雙孢蘑菇樣本6個按照2 排3 列擺放在位移臺上。為確保圖像不失真，位移臺速率控制在1.2 mm/s。

采集高光譜圖像時，由于暗電流的存在會使光源強度不均勻從而導致高光譜圖像產生噪聲，因此需要對高光譜圖像進行黑白板校正，首先掃描標準白色校正板（反射率接近100%）得到全白的標定圖像RW；然后，關閉光源并蓋住鏡頭得到全黑的標定圖像RB（反射率接近0%）；最后按照式（1）計算得到校正后的高光譜圖像RC以消除噪聲。

式中：R0為雙孢蘑菇原始高光譜圖像。

利用軟件ENVI 5.2（美國Exelis VIS公司）提取100像素×100像素感興趣區(qū)域（region of interest，ROI）高光譜數據，將ROI內所有光譜信息的平均值作為對應反射光譜值。

1.3.2 顏色測定

采用色差儀（CM-2300d 柯尼卡美能達）測得雙孢蘑菇菌蓋的L、a、b值。其中L值反映蘑菇的亮度；a值正值代表偏紅，負值代表偏綠；b值正值代表偏黃，負值代表偏藍[16]。在蘑菇菌蓋隨機取3個點進行測定并取平均值。按照下式計算褐變程度[17]：

1.3.3 高光譜數據預處理

由于原始光譜中含有較多的背景噪聲信息，本研究采用SG（Savitzky-Golay）平滑、多元散射校正（multiplicative scatter correction，MSC）、標準正態(tài)變量變換（standard normal variate，SNV）對原始光譜信息進行預處理。

1.3.4 特征波長提取

由于全光譜含有472個波段，數據量龐大，波段之間相關性導致共線性和大量冗余信息的產生，從而影響后期數據處理。為減少計算量提高建模效率，采用連續(xù)投影算法（successive projections algorithm，SPA）和競爭性自適應權重采樣算法（competitive adaptive reweighted sampling，CARS）進行特征波長提取，實現數據降維。

SPA是一種使矢量空間共線性最小化的前向變量選擇算法，它的優(yōu)勢在于提取全波段的幾個特征波長，從而消除原始光譜矩陣中冗余信息[18]。

CARS是一種基于蒙特卡洛采樣和PLS回歸系數的特征波長選擇算法[19]，通過自適應重加權采樣技術選擇出PLS模型中回歸系數絕對值大的波長點，去掉權重小的波長點，利用交互驗證選出交叉驗證均方根誤差（root mean square error of cross valibration，RMSECV）值最低的子集，從而有效尋找出最優(yōu)的變量組合。

1.3.5 紋理特征提取

通過灰度共生矩陣提取特征波段圖像紋理參數[20-21]。紋理特征反映了物體表面的固有特征，比如褶皺、病斑等。本研究選用能量、對比度、相關性、均勻度4個紋理特征在0°、45°、90°和135° 4個方向共16個特征值作為后續(xù)判別模型的輸入矢量。

1.3.6 建模方法

偏最小二乘判別分析（partial least squaresdiscriminant analysis，PLS-DA）是一種線性建模方法，結合了主成分分析和多元線性回歸分析的優(yōu)點，能夠在自變量存在嚴重多重相關性的條件下進行回歸建模[22-23]。

BP（back propagation）神經網絡是一種按誤差反向傳播算法訓練的多層前饋網絡，包括輸入層、隱含層和輸出層，具有出色的非線性映射能力，是應用最廣泛的神經網絡模型之一[23-24]。

極限學習機（extreme learning machine，ELM）是一種前向傳播的神經網絡，具有學習速率快和訓練誤差較小等優(yōu)點。與BP神經網絡不同的是，它可以隨機產生連接權值和隱含層的偏置矩陣，因此學習速度更快[24]。

對于分類問題，本研究采用正確率進行評價，正確率為預測正確的結果占該類樣本總數的百分比。

2 結果與分析

2.1 雙孢蘑菇色澤分析

雙孢蘑菇顏色直接影響消費者購買意愿，是雙孢蘑菇在采后最直觀的品質參數，其變化程度可由白度L值和褐變度反映[25]。L值越低表明蘑菇顏色越暗，褐變度值越大表明蘑菇褐變越嚴重。L值變化范圍從0～100，L=0為黑色，L=100為白色，L值大表示偏白，L值小表示偏黑；L值在86及以上為品質好的蘑菇，L值在80～85之間為較好的蘑菇，L值在70～79之間為較差蘑菇，L值低于69的蘑菇則沒有食用價值[26]。

表1 振動時間對雙孢蘑菇色澤的影響Table 1 Effect of vibration time on the color of A. bisporus

從表1可以看出，隨著振動時間的延長，蘑菇菌蓋的亮度L值逐漸下降，顏色值a、b愈加發(fā)黃、發(fā)紅，體現出雙孢蘑菇的顏色值隨著振動時間的變化而變化。與蘑菇亮度L變化趨勢相反，褐變度持續(xù)升高，這可能是因為振動處理加劇膜脂過氧化作用，細胞膜透性升高，導致細胞膜結構破壞，使酚類物質與褐變相關酶廣泛接觸并反應，從而加劇了褐變的發(fā)生。綜上所述，說明振動脅迫會加速雙孢蘑菇白度值下降和褐變。

2.2 雙孢蘑菇光譜特征

圖3為不同振動時間雙孢蘑菇平均光譜曲線，可以看出，原光譜數據在400～450 nm和900～1 000 nm波段范圍內存在較大噪聲，為了保證后續(xù)模型的分類正確率，選擇450～900 nm范圍內的光譜數據進行后續(xù)研究。不同振動時間蘑菇平均反射率光譜曲線顯著不同，振動120 s的平均光譜反射率最低，完好無損的最高，表明光譜反射率與L值有關，L值越大，蘑菇表面越明亮，光譜反射率越大，即隨著褐變度的增加，雙孢蘑菇反射率下降明顯。進一步分析，光譜在450～750 nm波段不同損傷程度的雙孢蘑菇反射率差異明顯。

圖3 雙孢蘑菇平均光譜反射率Fig. 3 Average spectral reflectance of Agaricus bisporus

2.3 光譜數據預處理

為了提高光譜數據的信噪比，分別采用SNV、SG以及MSC對原光譜進行處理，原光譜曲線以及3種方法處理后光譜曲線（取3種樣本各10個光譜數據）如圖4所示。

圖4 不同預處理方法的光譜曲線Fig. 4 Spectral curves with different pretreatments

觀察不同預處理后光譜曲線可以發(fā)現，SG預處理后，將完好無損、振動60 s和振動120 s的光譜曲線值區(qū)分更為明顯，3種類型光譜曲線數值分別集中在（0.8, 1.0）、（0.4, 0.6）和（0.1, 0.3）范圍內，因此SG方法對蘑菇光譜數據預處理效果較好。SNV預處理后光譜曲線數值集中在（-2, 1）范圍內，光譜曲線雜亂不易區(qū)分，SNV預處理后光譜曲線數值在（0.4, 1.0）范圍內，光譜曲線重疊嚴重，這將不利于后續(xù)雙孢蘑菇損傷類別建模。為進一步驗證上述結論，將原始光譜數據和3種預處理方法后的光譜數據分別作為PLS-DA模型的輸入，將完好無損、振動60 s和振動120 s的雙孢蘑菇樣本分別賦虛擬值0、1、2，作為模型的輸出。不同預處理方法的檢測結果如表2所示。

表2 不同預處理方法建模結果Table 2 Results of modeling with different pretreatment methods

從表2可以看出，經過不同預處理方法后，分類模型的效果有很大差異，其中SG預處理后的建模效果最好，訓練集和測試集分類正確率分別達到91.11%和84.44%，因此后續(xù)研究均采用SG平滑方法處理實驗數據。

2.4 特征提取

2.4.1 特征波長提取

為提高建模精度，提取共線性最小、冗余最少的波長，分別采用SPA和CARS算法提取與雙孢蘑菇損傷程度相關性最大的特征波長。采用SPA提取特征波長個數與RMSECV對應關系如圖5a所示，可見選擇的特征波長個數為5時，RMSECV值最小為0.191。最終提取出的5個特征波長依次為465、495、512、540、616 nm，如圖5b所示。特征波長主要集中在500～650 nm之間，主要是由于該波段范圍對應可見光譜的黃色及黃綠色[27]，振動脅迫導致雙孢蘑菇表面顏色逐漸變黃，因此隨著褐變度增加光譜反射率呈下降趨勢。

圖5 SPA提取特征波長分布Fig. 5 Distribution of characteristic wavelengths selected by SPA

圖6 CARS提取特征波長分布Fig. 6 Distribution of characteristic wavelengths selected by CARS

從圖6可以看出，CARS在第59次采樣時，獲得的變量子集建立的PLS模型RMSECV最小，因此，該子集定為關鍵變量子集，共包含8個變量。提取的特征波長依次為451、475、484、492、518、545、655、798 nm。與SPA相似，CARS提取的特征波長主要集中在500～650 nm附近范圍內，除此之外，798 nm波段主要與蘑菇水分含量有關[28]，由于蘑菇受振動脅迫時間較短，因此水分變化并不明顯。

2.4.2 紋理特征提取

通過觀察發(fā)現，雙孢蘑菇表面受振動脅迫后出現褐變、褶皺，與完好無損的紋理特征存在較大差異，所以采用灰度共生矩陣描述圖像紋理信息的有效特征，并進行雙孢蘑菇損傷程度判別。進一步通過觀察和分析全波段下的每個灰度圖，發(fā)現3種不同損傷程度蘑菇樣本在500 nm波段下的灰度圖的紋理特征差別最為明顯，如圖7所示，因此本研究采用500 nm波段下的灰度圖作為特征圖像進行感興趣區(qū)域提取。從180個雙孢蘑菇樣本灰度圖中提取240×240大小感興趣區(qū)域圖像作為紋理圖像，根據紋理特征參數提取方法提取紋理特征值。

圖7 500 nm波長處不同損傷程度雙孢蘑菇圖Fig. 7 Images of white button mushrooms with different damage degrees at 500 nm

2.5 損傷識別模型

2.5.1 基于光譜特征的判別模型

實驗將3種不同損傷程度的每類60個樣本按照3∶1劃分訓練集和測試集，即每類45個樣本作為訓練集，15個樣本作為測試集。然后基于SPA、CARS特征集以及全波段光譜數據作為輸入，分別建立PLS-DA模型、BP神經網絡和ELM模型，對不同損傷程度的雙孢蘑菇進行分類識別。經過多次測試與驗證，BP神經網絡算法設置神經元個數為9，迭代次數為1 000，學習率為0.01，采用sigmoid作為激活函數；ELM模型設置隱含層節(jié)點個數為15，激活函數同樣采用sigmoid。

表3 雙孢蘑菇不同損傷程度檢測結果Table 3 Results of detection of white button mushrooms with different damage degrees

從表3可以看出，3種識別模型對完好無損、振動60 s、振動120 s的雙孢蘑菇識別效果存在較大差異。從3種模型的檢測結果看，在訓練集和測試集中，SPA提取特征波長效果均優(yōu)于CARS，可能是由于CARS特征提取算法選擇的波長與雙孢蘑菇振動損傷相關性較小，而SPA對于消除原始光譜中的冗余信息效果更為突出。此外，SPA-PLS-DA分類識別率最高，訓練集和測試集的平均識別率分別為93.33%和91.11%，SPA-BP模型識別率次之，訓練集和測試集平均識別率分別為91.11%和88.89%，可能是因為BP神經網絡在訓練時神經元反向傳遞學習過程中，易陷入局部最優(yōu)解。ELM識別模型分類效果差于PLS-DA和BP，訓練集和測試集平均識別率分別為82.96%和71.11%，原因可能是ELM模型權重和偏置在后續(xù)訓練中不進行更新，使其陷入局部最小值，無法獲得最優(yōu)解。

2.5.2 基于紋理特征的判別模型

對180個雙孢蘑菇提取紋理特征，訓練集分別由完好無損、振動60 s和振動120 s的雙孢蘑菇各45個組成，測試集各15個組成。采用PLS-DA、BP和ELM模型對不同損傷程度的雙孢蘑菇進行識別檢測，結果如表4所示。

表4 基于紋理特征的模型判別結果Table 4 Results of discrimination of models based on texture features

從表4可知，與光譜特征判別模型一致，基于紋理特征判別模型的準確率高低依次為PLS-DA、BP和ELM。PLS-DA識別模型在訓練集和測試集中，完好無損雙孢蘑菇識別正確率均在90%以上，振動60 s類型、振動120 s類型雙孢蘑菇識別正確率均低于90%；BP判別模型的分類效果不理想，訓練集和測試集中，3 類雙孢蘑菇識別正確率均在90%以下，尤其是測試集中，振動60 s雙孢蘑菇識別正確率為53.33%。ELM判別模型平均分類正確率最低，訓練集和測試集中僅有振動120 s類型雙孢蘑菇識別正確率在80%以上。以上建模結果表明單從外部紋理特征建模并不能準確表達蘑菇的內部信息，識別效果不理想。

2.5.3 基于光譜-紋理特征融合的判別模型

光譜特征能夠表征雙孢蘑菇的內部品質，紋理特征更多表現的是蘑菇的外部特征[29-30]，為更好地表征振動脅迫對雙孢蘑菇品質變化的影響，本研究將從高光譜圖像數據中提取的16個紋理特征變量與SPA算法提取的5個光譜特征變量信息融合在一起構建PLS-DA判別模型，判別結果如表5所示。

表5 基于信息融合的PLS-DA模型判別結果Table 5 Results of discrimination of PLS-DA model based on information fusion %

從表5可以看出，訓練集的3種不同損傷程度的雙孢蘑菇識別正確率均為97.78%，測試集的完好無損類型和振動120 s類型的雙孢蘑菇識別正確率為100%，振動60 s類型識別正確率為86.67%，總體識別率為95.56%。

圖8 混淆矩陣Fig. 8 Confusion matrix

從圖8可以看出，測試集的振動60 s出現了識別錯誤的情況，振動60 s被識別成振動120 s和完好無損類型各1個，識別錯誤的原因可能是振動60 s類型的部分樣本與之相鄰兩類樣本的紋理特征差異較小，且光譜特征區(qū)分不夠明顯，導致測試集發(fā)生誤判的情況。

通過3種特征集建模結果比較，光譜-紋理融合信息建模結果最優(yōu)，可能是不同振動時間，在較短時間內表征內部特征的光譜信息變化不明顯，而表征外部特征信息的紋理特征變化更為顯著，因此結合內外品質信息能更好地反映雙孢蘑菇品質變化[24-25]。

3 結 論

分析并比較SG、MSC和SNV作為高光譜數據預處理方法的建模效果，確定SG為預處理最佳方法。將處理后的數據采用SPA、CARS方法提取特征波長?；谔卣鞑ㄩL下的光譜數據以及全波段光譜數據建立PLS-DA、BP神經網絡以及ELM分類模型，最終確定SPA-PLS-DA模型分類效果最好，訓練集和測試集總體識別率分別為93.33%、91.11%。

利用灰度共生矩陣提取500 nm波段下雙孢蘑菇紋理特征參數16個，基于特征值建立雙孢蘑菇圖像信息的PLS-DA、BP神經網絡以及ELM分類模型，通過分析實驗結果，確定PLS-DA為最佳分類模型，其中訓練集和測試集總體識別率分別為88.89%、86.67%。相比光譜建模效果稍差。

融合光譜特征和圖像特征，建立PLS-DA雙孢蘑菇分類模型，訓練集和測試集總體識別率分別為97.78%和95.56%。預測效果優(yōu)于單一信息建立的判別模型。結果表明，采用光譜-圖像融合信息建模可以提高雙孢蘑菇損傷程度檢測精度。