本期導讀：

應用方向：紅薯缺陷的快速非破壞性檢測和分類技術能夠同時獲取樣品的光譜信息和空間信息，為紅薯的品質評估提供了一種有效的工具。通過高光譜成像技術的應用，可以實現(xiàn)對紅薯中的健康、凍傷和病變樣本的精確鑒別，進而提高紅薯加工和儲存過程中的經(jīng)濟效益。

紅薯是全球及中國重要的糧食作物之一，其富含淀粉、多種維生素、膳食纖維、蛋白質以及鈣、磷、鐵等無機鹽，具備延緩衰老、增強免疫力和防癌等健康效益。然而，紅薯的各類缺陷如凍傷和病害，長期以來一直困擾著種植業(yè)和加工業(yè)。這些缺陷的紅薯容易氧化腐爛，并可能感染其他健康紅薯，從而造成嚴重的經(jīng)濟損失。目前，紅薯缺陷的檢測主要依賴于人工方法，這不僅耗時耗力，而且準確性不高。盡管基于可見光圖像的機器視覺系統(tǒng)已廣泛應用于果蔬缺陷檢測，但在可見光圖像中難以發(fā)現(xiàn)某些早期病害和輕微損傷。此外，盡管非成像近紅外（NIR）光譜技術能檢測到這些細微變化，但無法評估整個果實的品質變化。高光譜成像技術作為一項新興技術，能夠同時獲取樣品的光譜信息和空間信息，已成功替代傳統(tǒng)的光譜分析和可見光圖像，成為快速無損檢測和分類的有效方法。研究選用‘龍薯9號’紅薯作為研究對象，運用高光譜成像技術來識別缺陷紅薯，并應用偏最小二乘判別分析（PLS-DA）與線性判別分析（LDA）構建分類模型，為紅薯的存儲與加工提供理論支持，提升紅薯行業(yè)的經(jīng)濟效益。

(1)實驗材料

紅薯品種為“龍薯9號”，于2019年1月購自山東省泰安市“新綠蔬菜批發(fā)市場”，選取健康紅薯140個、凍傷紅薯140個、病紅薯140個，共420份紅薯樣品進行試驗。如圖1所示為三種紅薯。患病紅薯又可分為裂紋、表皮損傷和表面疤痕三種類型。紅薯上的裂紋可能是由于收獲時土壤養(yǎng)分不足或水分過多造成的。表皮損傷可能是由采收時的機械損傷或運輸過程中紅薯之間的碰撞導致，進而發(fā)展成病區(qū)。而表面疤痕是由基因決定的，不會影響其內在的食用品質，但其外觀不理想會降低紅薯的經(jīng)濟價值。試驗選用的紅薯樣品在重量和大小上是均勻的。用清水清洗后，在中國山東省泰安市山東農(nóng)業(yè)大學采后工程實驗室20℃的黑暗環(huán)境中放置24h。

▲

圖1. 三種類型的紅薯樣本：(A) 健康紅薯，(B) 凍傷紅薯，(C) 患病紅薯

(2)高光譜成像系統(tǒng)

本實驗使用“GaiaField”高光譜成像系統(tǒng)（GaiaField-V10E，江蘇技術有限公司）采集樣品信息。如圖2所示，該系統(tǒng)主要包括高光譜成像儀、成像鏡頭、照明系統(tǒng)、標準白板、三腳架和一臺裝有SpecView軟件的計算機。高光譜系統(tǒng)的波長范圍為400 - 1000nm，光譜分辨率為2.8nm，入射狹縫寬度為30μm，相機分辨率為1392×1040dpi。高光譜系統(tǒng)采用推掃成像技術。

▲

圖2. 高光譜成像系統(tǒng)

(3)高光譜數(shù)據(jù)的收集和校準

為了獲得清晰、不失真的圖像，將紅薯樣品置于低反射率黑板上，采用高光譜成像系統(tǒng)掃描，曝光時間為11.58ms，鏡頭與樣品之間的距離為47.62mm。由于光源的不均勻性、光敏元件本身的響應差異、暗電流和偏置等因素的影響，高光譜圖像的輸出強度可能不均勻，不利于后續(xù)圖像處理中目標特征的提取和測量。因此，有必要對高光譜圖像進行黑白標定。將白板放置在采集區(qū)域，掃描得到白幀數(shù)據(jù)，關閉鏡頭蓋將全黑圖像記錄為暗背景。用暗背景校準光源強度不均勻的影響，用白幀數(shù)據(jù)校準相機噪聲的影響。

將整個紅薯樣本作為感興趣區(qū)域（ROI），使用ENVI 4.6軟件提取并計算每個ROI中所有像素的平均光譜。由于對每個紅薯樣品的正面和背面進行了成像，因此共獲得840幅光譜圖像。在對原始光譜進行標準正態(tài)變量（SNV）預處理后，采用基于聯(lián)合x-y距離（SPXY）算法按照3:1的比例劃分為訓練集和預測集。

在使用全光譜進行建模時，高光譜圖像中的高維數(shù)據(jù)會受到某些波長間相關性和冗余性的影響，這會增加計算量和建模難度。噪聲和無用信息也會影響模型的準確性和魯棒性，不利于研究和實際應用。因此，本研究采用蒙特卡羅無信息變量消除法（MCUVE）、隨機森林（RF）和逐次投影法（SPA）三種波長選擇方法。采用偏最小二乘判別分析（PLS-DA）和線性判別分析（LDA）兩種分類器建立了缺陷紅薯的分類模型。在PLSDA模型中，將健康紅薯、凍傷紅薯和患病紅薯分別賦值為1、2和3的虛擬變量。以1.5和2.5作為判別閾值，如果模型預測值小于閾值T1=1.5，則判定為健康樣本。如果大于閾值T1=1.5且小于T2= 2.5，則判定為凍傷樣本。如果大于閾值T2=2.5，則判定為疾病樣本。

作者簡介：

通訊作者：

玄冠濤，山東農(nóng)業(yè)大學機械與電子工程學院，碩導

參考文獻：

論文引用自三區(qū)文章：

Yuanyuan Shao, Yi Liu, Guantao Xuan, Yukang Shi, Quankai Li, Zhichao Hu, Detection and analysis of sweet potato defects based on hyperspectral imaging technology, Infrared Physics & Technology, Volume 127, 2022, 104403, ISSN 1350-4495,

https://doi.org/10.1016/j.infrared.2022.104403.