摘要：為實現可見/近紅外光譜對橘小實蠅侵染柑橘的準確檢測。針對侵染位置的未知問題，設計一套橘小實蠅侵染柑橘多光路無損檢測分級系統(tǒng)。采集四個檢測光路的半透射光譜信息，利用偏最小二乘判別法建立并比較單一檢測光路和混合四個檢測光路的分類模型。結果顯示，混合所有檢測光路的模型取得較優(yōu)的分類結果。利用競爭性自適應重加權采樣法篩選的47個特征波長變量建模，四個檢測光路中分類效果最佳地預測集的準確率和特異性分別達到93.5%和95.2%。利用四個檢測光路的柑橘樣本建立的PLS-DA混合分類模型，結合CARS算法進行有效特征波長變量篩選，可提高橘小實蠅侵染柑橘分類模型的精度，實現橘小實蠅侵染柑橘的準確分類。研究結果可為在線檢測橘小實蠅侵染柑橘提供參考。

關鍵詞：柑橘；無損檢測；橘小實蠅；可見/近紅外光譜；偏最小二乘判別

中圖分類號：S666.2; TS255.35

文獻標識碼：A

文章編號：20955553 （2024） 070209

06

Design of a spectroscopy-based detection system for citrus infestation by

Bactrocera dorsalis （Hendel）

Long Jiang， Wen Tao， Dai Xingyong， Han Longbo， Gong Zhongliang

（College of Mechanical and Intelligent Manufacturing， Central South University of

Forestry and Technology， Changsha， 410004， China）

Abstract：

In order to accurately detect citrus infected by Bactrocera dorsalis （Hendel） using visible/near-infrared spectroscopy， this study designed a multi-path non-destructive detection grading system for citrus infected by Bactrocera dorsalis （Hendel） to address the unknown location of infection. Semi-transmissive spectral information from four detection paths was collected and partial least squares discriminant analysis was used to establish and compare classification models for a single detection path and a combination of four detection paths. The results showed that the model combining all detection paths achieved better classification results. Using 47 feature wavelengths selected by the competitive adaptive reweighted sampling method to build a model， the accuracy and specificity of the best prediction set among the four detection paths reached 93.5% and 95.2%， respectively. The PLS-DA hybrid classification model established by using citrus samples from four detection paths， combined with the CARS algorithm for effective feature wavelength variable selection， can improve the accuracy of Bactrocera dorsalis （Hendel） infected citrus classification model and accurately classify Bactrocera dorsalis （Hendel） infected citrus. The research results can provide a reference for online detection of citrus infestation by Bactrocera dorsalis （Hendel）.

Keywords：

citrus; non-destructive detection; Bactrocera dorsalis （Hendel）; visble/near-infrared spectroscopy; partial least squares discriminant analysis

0 引言

據統(tǒng)計，每年因蟲害造成的柑橘產量損失約為10%～20%，其中橘小實蠅對柑橘的威脅較大［1］。一旦被橘小實蠅侵染的柑橘流通到市場上，將對人的健康造成嚴重危害。目前，檢測橘小實蠅侵染柑橘主要依靠人工定性分析，效果不佳且受主觀因素影響。傳統(tǒng)光譜檢測系統(tǒng)大多采用單光路全透射形式［2］，由于橘小實蠅侵染位置未知，單光路采集光譜時可能會漏掉侵染位置信息，從而降低檢測精度。

在水果蟲害無損檢測分級研究方面，國內外學者已取得一些進展［3， 4］。然而，針對橘小實蠅侵染柑橘的分級檢測研究較少。Xing等［5］比較了酸櫻桃透射光譜和反射光譜檢測蟲害的能力，并發(fā)現透射光譜分類效果更佳。此外，Xing等［6］使用漫透射形式對酸櫻桃蟲害進行分類檢測，并取得了87%的準確率。Tian等［7］提出了直徑校正方法和一維卷積神經網絡架構來消除果實大小對透射光譜的影響，并有效識別早期凍傷的柑橘。Wang等［8］比較了可見/近紅外交互、反射和透射模式在大棗蟲害檢測中的能力，并發(fā)現可見/近紅外透射光譜效果更佳。劉燕德等［9］使用可見/近紅外漫透射光譜結合偏最小二乘判別模型在線檢測黑心鴨梨；羅青青等［10］通過分析蘋果中小吉丁蟲害等級的反射特征構建多元回歸模型并有效地進行檢測。

為解決現有系統(tǒng)未針對橘小實蠅侵染柑橘進行光譜檢測問題，本研究設計一種多光路半透射可見/近紅外光譜檢測系統(tǒng)來無損地檢測并準確分級被侵染的柑橘，并減少未知侵染位置對分類模型的影響。

1 整體檢測分類系統(tǒng)設計

1.1 整體結構及系統(tǒng)工作流程

可見/近紅外光譜檢測系統(tǒng)如圖1所示。

本文設計的多光路光譜檢測分級系統(tǒng)主要由光譜儀、檢測杯、四個光路和操作控制系統(tǒng)組成。使用Maya 2000型號的光譜儀（OceanInsight， Florida，USA）采集光譜信息，波段檢測范圍為200～1100nm。檢測杯底部有黑色吸光材料墊子以減少雜散光干擾，并內部裝有準直鏡。準直鏡通過SMA905-0.22型號的光纖連接到光譜儀上。四個光路的光源為石英鹵鎢燈，燈殼內設置聚光鏡以控制照射到樣本上的光斑大小。四個光路相隔90°排列，360°覆蓋樣本，確保照射覆蓋到樣本的四個面。采用PCIe-6353型號的DAQ數據采集卡獨立發(fā)開控制系統(tǒng)，控制系統(tǒng)控制著光源的開關、傳輸模塊和升降模塊。傳輸模塊通過雙同步帶電機將檢測杯送至指定檢測位置；而升降模塊則通過調節(jié)絲桿高度來帶動支撐著連桿上的光源旋轉照射角度，以調節(jié)至指定角度。

整機工作流程如圖2所示。在采集樣本的可見/近紅外光譜前，四個光路的燈先打開預熱30 min以使采集環(huán)境穩(wěn)定。通過對比預試驗，設置合適的采集光譜參數。四個光路的光照角度通過升降模塊調整至所需照射角度；檢測杯通過傳輸模塊輸送至系統(tǒng)中心檢測位置。當光照角度和檢測杯調整至指定角度和位置后，將試驗樣本放入檢測杯上并根據需要采集不同方式下的樣本光譜。然后對光譜數據依次進行樣本集劃分、光譜數據預處理、特征波長挑選，并進行模型訓練與建立，最終完成預測集分類與驗證。

1.2 多光路模塊設計

光路結構設計需要考慮發(fā)射光路和接收光路、光源的功率。不同的發(fā)射光路和接收光路設計適合不同的采集光譜模式。采集水果光譜的方法主要為透射法和反射法［11， 12］。根據不同果皮對光的影響，選擇合適的采集光譜方法可以提高光譜信息的穩(wěn)定性和可靠性。柑橘屬于厚皮水果，采用透射方法更為合適［13］。由于侵染位置在柑橘上是未知的，采集光譜的光路有無經過柑橘侵染位置會直接影響所建立模型的檢測精度，混合四個不同光路的光譜可以保證經過侵染位置。選用的光源應在需要的波長范圍內，并選擇合適功率并設定合適積分時間以使得接收到更多內部特征信息。

本研究選用了四個飛利浦Essential型號鹵素燈（12 V，50 W）作為光源。因此，本研究采用四個檢測光路半透射方法采集樣本光譜。其設計如圖3所示。

1.3 控制系統(tǒng)設計

多光路光譜檢測系統(tǒng)選用LabVIEW作為軟件開發(fā)平臺，并采用模塊化編程思想。設計的主要功能模塊包括系統(tǒng)參數設置、按鍵控制、光譜采集參數設置和樣本光譜值顯示；控制系統(tǒng)界面如圖4所示。該界面中的系統(tǒng)參數設置功能可設置積分時間、滑動平均次數等采集光譜參數；按鍵控制功能可控制樣本運輸、調節(jié)光照角度和光源開關等；樣本光譜值顯示功能可顯示樣本的光譜數值，并可選用透射率公式、反射率公式等。此外，還可顯示一批樣本中的最大、最小和平均數值以方便后續(xù)統(tǒng)計，調節(jié)采集速度和調整采集模式。

1.4 模型的建立與評價

1.4.1 光譜預處理與樣本劃分

為減少或消除原始光譜數據中背景噪聲、雜光和其他無用信息的干擾，增強光譜特征，采用多元散射校正（MSC）方法對光譜進行預處理［14］。樣品校正集與預測集的劃分合理性影響模型分類能力，以光譜—目標共生距離（SPXY）方法對數據集進行有效劃分［15］。

1.4.2 特征波長提取

采用競爭性自適應重加權算法（CARS）、連續(xù)投影算法（SPA）對全光譜進行特征波長篩選，消除光譜的冗余信息，進一步提高模型的分類精度。CARS以權重較大波長點建立偏最小二乘（PLS）模型，經過多次循環(huán)篩選出特征波長［16］。CARS運行時設置蒙特卡洛運行次數為60次，每次抽取80%樣品作為校正集，通過10折交叉驗證循環(huán)篩選。SPA算法是一種前向循環(huán)變量選擇方法，可以去除具有冗余信息的變量并選擇具有最小共線性程度的特征變量，從而選擇含有最少冗余信息及最小共線性的變量組合［17］。

1.4.3 分類模型的建立與評價

運用最小二乘法判別分析（PLS-DA）建立光譜和柑橘的侵染樣本與健康樣本的分類模型。PLS-DA的數據集X包含健康和侵染樣本的特征波長光譜數據，對樣本進行標記指定另一個的數據集Y，將侵染的樣本標記為0，健康的樣本標記為1。最后運用校正集的所建立的分類模型對驗證集的數據進行分類驗證［18］。

由于被錯誤分類為健康樣本的侵染樣本對實際情況更具威脅，因此本研究采用準確率（ACC）和特異性（TNR）作為各模型分類能力的評價指標。其中，ACC代表所有正確分類樣本數與總樣本數的比例。TNR代表被正確分類為侵染柑橘的樣本數與總侵染柑橘樣本數的比例，用于檢驗模型對侵染柑橘的鑒別能力。具體如式（1）和式（2）所示。

ACC=TP+TNTP+TN+FP+FN

（1）

TNR=TNFP+TN

（2）

式中：

TP——正確分類為健康柑橘的樣本數量；

TN——正確分類為侵染柑橘的樣本數量；

FP——錯誤分類為健康柑橘的樣本數量；

FN——錯誤分類為侵染柑橘的樣本數量。

2 橘小實蠅侵染柑橘檢測試驗

2.1 試驗樣本

選用成熟的“石門”柑橘作為樣本，從長沙本地水果市場獲取。選取164個完整、外表無損傷的柑橘樣本，洗凈后于25℃溫度和70%相對濕度的條件下存放一晚，并進行單獨編號。從華南師范大學農業(yè)昆蟲實驗室獲得200只橘小實蠅（雌雄比1∶1.2），并在25℃、70%相對濕度和光照時長∶黑暗時長（14 h∶10 h）的條件下飼養(yǎng)。為確保柑橘樣本被侵染，通過人工采集蟲卵并使用注射器將其注入柑橘樣本；被侵染的樣本繼續(xù)放入恒溫恒濕箱中培育。上述培養(yǎng)條件下，柑橘內部橘小實蠅卵期和幼蟲期平均周期分別為1.54天和8.25天［19］。因此，侵染后培育至第5天的柑橘樣本被定義為侵染樣本；同時設置與其對照的健康樣本，共制備84個侵染和84個健康柑橘。其剖面圖如圖5所示。

2.2 光譜的采集與校正

按照系統(tǒng)工作流程進行操作，4個光路的光照角度通過升降模塊調整至水平；檢測杯通過傳輸模塊輸送至系統(tǒng)中心檢測位置。光源預熱30 min，積分時間設置為200 ms，滑動平均次數設置為3。依次采集4個檢測光路的樣本光譜，并取其平均值作為混合4個檢測光路的校正集樣本光譜。由于存在光源強度分布不均、雜散光及系統(tǒng)電流帶來的噪聲影響，每次采樣需利用亮、暗光譜對采集的光譜進行校正以減少干擾影響。計算如式（3）所示。

Tλ=Iλ-RdRB-Rd

（3）

式中：

Iλ——樣本光譜強度；

Rd——

暗光譜（暗環(huán)境下采集到的光譜作為暗光譜）；

RB——

亮光譜（從特氟龍材質的參比球上采集到的光譜）；

Tλ——校正后的樣本光譜。

2.3 光譜預處理及樣本劃分

由于光譜儀采樣波長首尾兩端噪聲較大、信噪比較差，故選擇550～950 nm波段內共1 067個波長點進行建模分析。圖6為168個柑橘樣品不同檢測光路的可見/近紅外半透射光譜信息經MSC預處理后的光譜圖，其中包括四個不同檢測光路各168條光譜曲線。從圖6中難以直接分辨出4個檢測光路下侵染與健康柑橘光譜曲線的差異。

通過SPXY劃分法按3∶1比例將預處理后的4個檢測光路各自168個樣品光譜數據分為校正集與預測集。校正集共126個數據（63健康、63侵染）；預測集共42個數據（21健康、21侵染）。樣本數量分布如表1所示。

2.4 單一檢測光路校正集樣本建模分類結果

利用4個檢測光路的校正集樣本建立各單一檢測光路可見/近紅外光譜分類模型，并分別對4個不同檢測光路的預測集樣本進行分類；結果如表2所示。對于同一檢測光路的柑橘樣本，其校正集建立的單一檢測光路模型均實現了較準確的預測集分類。光路1分類結果為ACC=88.1%，TNR=85.7%；光路2分類結果為ACC=88.1%，TNR=85.7%；光路3分類結果為ACC=88.1%，TNR=88.1%；光路4分類結果為ACC=88.1%，TNR=85.7%。比較發(fā)現，利用單一檢測光路模型對其他三種不同檢測光路的預測集樣本進行分類時，其ACC、TNR會有不同程度降低。在實際應用中，由于橘小實蠅侵染柑橘位置未知且檢測方位不固定，若只根據某單一檢測光路建立的模型對未知侵染柑橘進行分類會產生很大偏差。因此，建立混合多個檢測光路的分類模型具有實際意義。

2.5 混合檢測光路校正集樣本建模分類結果

通過混合4個檢測光路的校正集樣本，建立了混合檢測光路的可見/近紅外光譜分類模型。表3顯示了4個不同檢測光路預測集樣本的分類結果。其中，光路1的分類結果為ACC=90.5%，TNR=88.1%；光路2的分類結果為ACC=88.1%，TNR=90.5%；光路3的分類結果為ACC=90.5%，TNR=90.5%；光路4的分類結果為ACC=90.5%，TNR=88.1%。對于4個檢測光路的預測集，整體分類結果為ACC=92.9%，TNR=91.7%。比較發(fā)現，在校正集中包含4個檢測光路柑橘樣本的光譜信息時，建立的混合分類模型對各個預測集樣本均取得了較好的分類效果。ACC和TNR均大于88.1%，有效減小了橘小實蠅侵染柑橘位置未知對可見/近紅外光譜模型分類效果的影響，實現了對橘小實蠅侵染柑橘準確分類。

2.6 基于特征波長的混合檢測光路模型分類結果

為提高檢測效率、簡化分類模型，在550～950 nm波段內，利用SPA和CARS算法分別對混合四個檢測光路校正集樣本的光譜變量進行侵染柑橘特征波長篩選。圖7為采用SPA算法對侵染柑橘光譜變量進行篩選的結果；圖7（a）和圖7（c）表示SPA和CARS算法所選特征波長變量在進行PLS建模時，均方根誤差RMSE與交叉驗證均方根誤差RMSECV的分布；圖7（b）和圖7（d）表示SPA和CARS算法分析后獲得的波長點分布。

使用SPA算法選擇16個波長時，RMSE值為0.188 52。當選擇變量數大于16后，隨著選擇波長數增加，RMSE會進一步降低；但選擇波長數超過16后，模型分類效果并未明顯提升。故SPA算法最終選擇了16個波長作為特征波長。

由于每次運行CARS算法得到的最優(yōu)采樣次數稍有偏差，故運行60次并根據RMSECV最小值挑選出侵染柑橘特征波長變量。當采樣次數為29時，RMSECV達到最小值0.22且對應最優(yōu)建模變量數為47。

利用SPA和CARS算法篩選的有效特征波長變量建立混合檢測光路侵染柑橘可見/近紅外光譜模型，分類結果如表4所示。

由表4可知，利用SPA算法篩選的特征波長變量數為16。雖然建模變量數較少且模型得到很大簡化，但SPA-PLS-DA模型對光路各預測集樣本的ACC和TNR均有所降低。

相比之下，利用CARS算法進行有效特征波長篩選后，建模變量數由1 067減少到47；不僅模型得到很大簡化，分類精度也得到一定提升。CARS-PLS-DA模型對各單一檢測光路的ACC和TNR均有所上升；對4個檢測光路預測集樣本的分類結果為ACC=93.5%，TNR=95.2%（其中TNR較高）。CARS-PLS-DA模型分類預測集樣本的分類圖（圖8），通過CARS算法進行有效特征波長變量篩選后，分類精度得到一定提升且模型也得到很大簡化。

3 結論

1） 設計一套橘小實蠅侵染柑橘的多光路無損檢測分級系統(tǒng)。采用PLS-DA建立單一檢測光路和混合4個檢測光路的橘小實蠅侵染柑橘分類模型，并使用CARS和SPA算法對可見/近紅外光譜變量進行特征波長篩選。

2） 含有4個檢測光路的分類模型，結合CARS算法篩選出的47個有效特征波長點，能夠準確地對柑橘不同檢測位置的侵染情況進行分類。對于4個檢測光路預測集樣本，分類結果為ACC=93.5%，TNR=95.2%。

3） 研究結果表明，利用可見/近紅外光譜技術進行橘小實蠅侵染柑橘的在線檢測可以減少檢測位置差異對分類模型的影響。這為今后利用可見/近紅外光譜技術開展橘小實蠅侵染柑橘的檢測研究提供參考依據。

參 考 文 獻

［1］Vargas R I， Piero J C， Leblanc L.An overview of pest species of Bactrocera fruit flies （Diptera： Tephritidae） and the integration of biopesticides with other biological approaches for their management with a focus on the Pacific region ［J］. Insects， 2015， 6（2）： 297-318.

［2］徐惠榮， 李青青. 皇冠梨糖度可見/近紅外光譜在線檢測模型傳遞研究［J］. 農業(yè)機械學報， 2017， 48（9）： 312-317.

Xu Huirong， Li Qingqing. Calibration model transfer between visible/NIR spectrometers in sugar content on-line detection of crown pears ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（9）： 312-317.

［3］雷雨， 何東健， 周兆永， 等. 蘋果霉心病可見/近紅外透射能量光譜識別方法［J］. 農業(yè)機械學報， 2016， 47（4）： 193-200.

Lei Yu， He Dongjian， Zhou Zhaoyong， et al. Detection of moldy core of apples based on visible/near infrared transmission energy spectroscopy ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2016， 47（4）： 193-200.

［4］Huang Y， Lu R， Chen K. Detection of internal defect of apples by a multichannel Vis/NIR spectroscopic system ［J］. Postharvest Biology and Technology， 2020， 161： 111065.

［5］Xing J， Guyer D. Comparison of transmittance and reflectance to detect insect infestation in montmorency tart cherry ［J］. Computers and Electronics in Agriculture， 2008， 64（2）： 194-201.

［6］Xing J， Guyer D. Detecting internal insect infestation in tart cherry using transmittance spectroscopy ［J］. Postharvest Biology and Technology， 2008， 49（3）： 411-416.

［7］Tian S， Wang S， Xu H. Early detection of freezing damage in oranges by online Vis/NIR transmission coupled with diameter correction method and deep 1D-CNN ［J］. Computers and Electronics in Agriculture， 2022， 193： 106638.

［8］Wang J， Nakano K， Ohashi S， et al. Comparison of different modes of visible and near-infrared spectroscopy for detecting internal insect infestation in jujubes ［J］. Journal of Food Engineering， 2010， 101（1）： 78-84.

［9］劉燕德， 李軼凡， 龔志遠， 等. 鴨梨黑心病可見/近紅外漫透射光譜在線檢測［J］. 光譜學與光譜分析， 2017， 37（12）： 3714-3718.

Liu Yande， Li Yifan， Gong Zhiyuan， et al. The discrimination of blackheart pears research based on visible/near-infrared diffuse transmission spectrum online detector ［J］. Spectroscopy and Spectral Analysis， 2017， 37（12）： 3714-3718.

［10］羅青青， 黃鐵成， 陳蜀江， 等. 基于光譜反射率的塞威氏蘋果蟲害等級定量化測評［J］. 江蘇農業(yè)學報， 2019， 35（4）： 798-803.

Luo Qingqing， Huang Tiecheng， Chen Shujiang， et al. Quantitative evaluation on pest damage levels of Malus sieversii based on spectral reflectance ［J］. Jiangsu Journal of Agricultural Sciences， 2019， 35（4）： 798-803.

［11］陸輝山， 傅霞萍， 謝麗娟， 等. 可見/近紅外光估測完整柑橘水果可溶性固形物含量的研究［J］. 光譜學與光譜分析， 2007（9）： 1727-1730.

Lu Huishan， Fu Xiaping， Xie Lijuan， et al. Estimation of soluble solids content of intact citrus fruit by Vis/NIR spectroscopy ［J］. Spectroscopy and Spectral Analysis， 2007（9）： 1727-1730.

［12］張欣欣， 李尚科， 李跑， 等. 近紅外漫反射光對水果的穿透能力研究［J］. 中國食品學報， 2022， 22（1）： 298-305.

Zhang Xinxin， Li Shangke， Li Pao， et al. Studies on the penetration ability of near infrared diffuse light on fruits ［J］. Journal of Chinese Institute of Food Science and Technology， 2022， 22（1）： 298-305.

［13］吳晨凱， 張亮， 沈黃通， 等. 光在柑橘組織中的入射深度和分布情況初探［J］. 光譜學與光譜分析， 2014， 34（3）： 601-604.

Wu Chenkai， Zhang Liang， Shen Huangtong， et al. Investigation of light penetration depth and distribution inside citrus tissue ［J］. Spectroscopy and Spectral Analysis， 2014， 34（3）： 601-604.

［14］Galvao R K H， Araujo M C U， José G E， et al. A method for calibration and validation subset partitioning ［J］. Talanta， 2005， 67（4）： 736-740.

［15］Maleki M R， Mouazen A M， Ramon H， et al. Multiplicative scatter correction during on-line measurement with near infrared spectroscopy ［J］. Biosystems Engineering， 2007， 96（3）： 427-433.

［16］Li H， Liang Y， Xu Q， et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration ［J］. Analytica Chimica Acta， 2009， 648（1）： 77-84.

［17］Araújo M C U， Saldanha T C B， Galvao R K H， et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis ［J］. Chemometrics and Intelligent Laboratory Systems， 2001， 57（2）： 65-73.

［18］Brereton R G， Lloyd G R. Partial least squares discriminant analysis： Taking the magic away ［J］. Journal of Chemometrics， 2014， 28（4）： 213-225.

［19］Naik H S， Jagadeesh K S， Basavaraju B S. Biology and biometrics of oriental fruit fly， bactrocera dorsalis （Hendel） （Diptera： Tephritidae） on custard apple， Annona squamosa L ［J］. International Journal of Current Microbiology and Applied Sciences， 2017， 6（12）： 3859-3864.