高光谱图像对白萝卜糠心的无损检测

胡鹏程1，孙 晔1，吴海伦1，顾欣哲1，屠 康1，郑 剑2，潘磊庆1,*

（1.南京农业大学食品科技学院，江苏 南京 210095；2.浙江农林大学农业与食品科学学院，浙江 临安 311300）

摘 要：为实现白萝卜异常品质糠心的无损检测，构建高光谱图像技术检测白萝卜糠心的检测系统。获取了光源透射、反射和半透射模式下白萝卜的高光谱图像信息，结合偏最小二乘分析（partial least squares discriminant analysis，PLS-DA）、支持向量机（support vector machine，SVM）、人工神经网络（artificial neural network，ANN）3 种算法分别建立白萝卜糠心的识别模型。结果表明：3 种检测模式中，基于透射模式的高光谱图像系统检测准确率最高；3 种预测模型中，ANN模型优于PLS-DA和SVM模型。其中，基于透射模式的ANN模型，高光谱图像对萝卜糠心的检测总体准确率达94.3%，效果最好。因此，采用透射模式的高光谱图像技术对白萝卜糠心的检测是可行的。

关键词：高光谱图像；检测模式；白萝卜；糠心

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)

Abstract: 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.

Key words: hyperspectral imaging; detecting model; white radish; hollowness

中图分类号：TS255 文献标志码：A 文章编号：1002-6630（2015）12-0171-06

doi:10.7506/spkx1002-6630-201512032

萝卜糠心又称空心，是萝卜生长中的自然现象，生长期和贮藏期均能发生。引起萝卜糠心原因很多，如水分失调、肥料条件不适、光照及温度等[1]。糠心过程会使淀粉、糖分等营养物质减少，并且影响其加工、贮藏和食用性[2]。因此，建立一种无损、可靠的方法来检测萝卜的糠心，对萝卜进行检测分级，对于提高萝卜市场价值以及萝卜深加工产业发展都有重要的意义。

近年来，高光谱图像检测技术作为一种无损伤、快速地分析和评估各类食物质量与安全的方法，得到了广泛的认可。高光谱图像能够检测食品的物理和形态学特征，以及内部的化学和分子学信息，从而分析和评价食品的质量与安全[3]。这种技术在国内外食品工业中都有很好的应用，如Qin Jianwei等[4]基于高光谱图像筛选的特征波段，研制了商业水果分级机，其速率为5 个/s，总体分类准确率为95.3%。Herrero-Langreo等[5]利用高光谱图像技术评价桃子的成熟度，方便确定最佳采摘时间。Baranowski等[6]利用高光谱图像对苹果硬度及可溶性固形物含量进行评估。高光谱图像技术也被应用于苹果、樱桃和柑橘类水果表面缺陷[7-8]，黄瓜内部缺陷[9]等的检测。近几年国内利用高光谱图像技术对农产品质量的检测发展同样迅速，如对苹果表面轻微损伤[10]、马铃薯黑心病[11]、脐橙早期腐烂[12]、黄瓜病害[13]等方面都取得了较好的结果。

本实验通过高光谱图像系统采集白萝卜高光谱图像信息，并比较了透射、反射和半透射3 种模式下原始光谱信息差异，利用偏最小二乘判别分析（partial least squares discriminant analysis，PLS-DA）、支持向量机（support vector machine，SVM）、人工神经网络（artificial neural network，ANN）3 种算法建立白萝卜糠心识别模型，通过比较3 种检测模式的优劣，确定最佳的检测模式和预测模型，以期为高光谱图像技术应用于白萝卜品质检测提供一定的技术参考。

1 材料与方法

1.1 材料与处理

白萝卜品种为江苏省农业科学院选育的301萝卜，于2014年5月20号栽培，种植过程中根据萝卜糠心发病原因，对部分萝卜进行特殊处理[14]，2014年7月10号采收，挑选无机械损伤、无病虫害、大小均一样本120 个，其中处理和未处理样本各60 个，清洗并自然晾干后进行实验。

1.2 方法

1.2.1 高光谱图像检测装置及光谱采集

图 1 高光谱透射成像系统构成示意图

Fig.1 Schematic illustration of hyperspectral transmittance imaging system

高光谱成像系统主要由摄像机、成像光谱仪、CCD摄像头、光源、一套机械输送装置以及计算机等组成，为台湾五铃公司生产。成像光谱仪的光谱有效波段范围400～1 000 nm，共440 个波段，光谱分辨率为2.8 nm，并带有焦距可变透镜，光源为150 W卤素钨灯，光源共10 档，可调节，并由光纤传输到线光源。为避免外界光线对光谱采集的影响，检测装置整体置于暗箱中，且背景为黑色，不反光[15]。实验分别采用透射、反射和半透射3 种检测模式获取白萝卜高光谱图像信号，3 种采集模式硬件构成上相同，不同的是光源与样本的相对位置以及参数设置。

基于透射模式下的高光谱图像采集系统如图1所示，样本与光源均固定在传送带上，一个线光源位于样本的正下方，光线透过样本被光谱仪吸收，转换成数据传入计算机。其相关参数设置为曝光时间70 ms、传送带速率2.5 mm/s、光源强度90 W，光源紧贴样本，相机镜头距离样本20 cm，固定样本，防止滚动，开始采集数据。

图 2 高光谱反射成像系统构成示意图

Fig.2 Schematic illustration of hyperspectral reflectance imaging system

图 3 高光谱半透射成像系统构成示意图

Fig.3 Schematic illustration of hyperspectral semi-transmittance imaging system

基于反射模式下的高光谱图像采集系统如图2所示，两个线光源分别固定于样本正上方，样本固定于传送带上，线光源发射出的光束交叉，光束交叉点为果实中心，光谱仪通过采集图像收集光谱信息，转换成数据传入计算机。相关参数为曝光时间3 ms、传送带速率
3 mm/s、光源强度45 W、线光源夹角45°，相机镜头距离样本25 cm，固定样本采集数据。

基于半透射模式下的高光谱图像采集系统如图3所示，两个线光源分别位于样本两侧，样本固定在传送带上，线光源发出光束直接射入样本内部，光谱仪在样本正上方收集被样本漫反射出来的光谱信息，转换成数据传入计算机。其相关参数设置为曝光时间45 ms、传送带速率3 mm/s、光源强度75 W、光源水平放置紧贴样本中心、相机镜头距离样本25 cm，固定光源及样本开始采集数据。

为了消除数据采集过程中的噪音，在与白萝卜样品采集的同样条件下，扫描白色标准校正板（反射率99.99%）后得到全白的标定图像，盖上镜头盖后得到全黑标定图像，通过公式将采集得到的绝对图像转换为相对图像[16]，公式为：

式中：R为转换得相对图像；I为采集得绝对图像；B为全黑标定图像；W为全白标定图像。

数据处理时，采用感兴趣区域分析法，对每个样品采集得到转换后的高光谱图像选取萝卜中间位置，25 000 个pixels的矩形感兴趣区域（region of interest，ROI）平均光谱作为该样品的光谱值[17]，然后使用标准化预处理方式进行光谱预处理，并用全光谱结合PLS-DA、SVM、ANN进行建模判别糠心萝卜。

1.2.2 白萝卜糠心的评价

高光谱检测白萝卜并采集光谱信息后，将其横向切开，观察横截面，进行糠心等级的划分确定。选择本校食品安全专业同学共7人组成感官评价小组，进行培训后按照糠心等级的划分参照标准（表1）进行[18]，组内经过讨论，取选择次数较多的级别作为样本最终的糠心等级。

表 1 糠心级别判断标准

Table 1 Evaluation criteria of hollowness levels

最终白萝卜糠心评价结果为：正常白萝卜样本（0级）60 个，糠心白萝卜样本（1级、2级、3级和4级）样本60 个。其中1级、2级、3级和4级样本个数分别为10、17、22 个和11 个，因此实验样本具有一定的代表性。图4为实验过程中典型样本图像。由于白萝卜发生糠心对消费者来说是不能接受的，所以实际检测过程中直接判断合格或者糠心将更有意义，故本研究仅区分萝卜糠心与否。

a

b

c

d

e

a～e.分别为0、1、2、3、4级。

图 4 萝卜糠心不同级别的样本图片

Fig.4 Different hollowness levels of samples

1.2.3 预测模型构建方法

PLS-DA是基于PLS回归的一种二类判别分析方法，利用训练样本的自变量矩阵X和分类变量Y建立回归模型，根据待分类样本的PLS预测值判断样本所属类别[19-20]。SVM是一种监督式学习的方法，广泛应用于模式识别中。SVM在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中[21]。SVM可分别应用于回归和分类分析[22]。ANN是人类在对其大脑神经网络认识、理解的基础上人工构造的能够实现某种功能的神经网络。ANN是一个经典非线性模式识别模型，它是由大量的简单处理单元（人工神经元）广泛互联而成的一个具有自学习、自适应和自组织性的非线性动力系统[23]。

本实验以光谱值为自变量，以糠心与否为分类变量，建立分类模型，建模集和预测集随机分成2∶1后导入MATLAB工具箱（PLS_Toolbox 7.9.3）中进行分析。其中，建模集样本共80 个，合格白萝卜和糠心白萝卜各40 个；预测集样本共40 个，合格白萝卜和糠心白萝卜各20 个。运用以上3 种方法进行建模，比较每个模型下3 种检测模式获得的光谱信息对白萝卜糠心的分类能力，比较分类正确率，判断出最佳检测模式和预测模型。

2 结果与分析

2.1 不同采集模式下的原始光谱分析

发生糠心的白萝卜，其组织结构及化学成分会随之发生改变，进而影响光的透过、吸收等光学特性，与未发生糠心的萝卜有较大区别，故通过光谱（透射、反射、半透射）的差异有望用来判定萝卜是否糠心。采集白萝卜高光谱图像的感兴趣区域，计算其平均值，得到白萝卜在400～1 000 nm波段区间的光谱值。如图5所示，为3 种模式下正常萝卜与糠心萝卜的平均光谱。

a.透射；b.反射；c.半透射。

图 5 白萝卜原始平均光谱

Fig.5 Mean original spectra of white radish

图5a是高光谱透射采集系统获取的透射光谱图。正常白萝卜与糠心白萝卜光谱形态相似，但糠心白萝卜相对透射值整体小于正常白萝卜相对透射值，且在686 nm波长处两条曲线最大差值达到0.40。在638、686、796 nm波长处出现拐点，可以明显区分两条光谱曲线的差异，用来区分糠心与正常白萝卜。

图5b是高光谱反射采集系统获取的反射光谱图。正常白萝卜与糠心白萝卜光谱形态相似，并且正常样本相对反射值高于糠心样本相对反射值。正常白萝卜在686 nm波长处最高相对反射值为0.88，但糠心白萝卜最高相对反射值为0.65。两条曲线形状基本相同，呈先上升后下降趋势，有且仅有1个峰值。

图5c是高光谱半透射采集系统获取的半透射光谱图。正常白萝卜与糠心白萝卜光谱形态相似，糠心萝卜的光谱值在500～900 nm范围内均小于正常萝卜光谱值。同样在638、686、796 nm波长处可找到曲线拐点，能区分两样本差异，在686 nm波长处两曲线最大差值约为0.31。两类光谱曲线透射峰的差异反映了正常与糠心白萝卜组织结构和化学成分的差异，可以看出，糠心白萝卜光谱透射率明显小于正常白萝卜。

比较高光谱图像3 种检测模式获得的光谱曲线图，可以看出正常萝卜与糠心萝卜光谱差异较大，显示出高光谱图像检测萝卜糠心的可能性，可以用于区分正常白萝卜和糠心白萝卜。而且，由于白萝卜表面呈白色，光谱反射较强，透射和半透射的光谱能够充分与萝卜内部进行相互作用，能够更好地显示出正常萝卜和糠心萝卜的差异。

2.2 萝卜糠心的预测模型构建

2.2.1 PLS-DA模型

表 2 PLS-DA模型对白萝卜糠心预测结果

Table 2 Results of white radish hollowness prediction by PLS-DA

从表2可以看出，基于透射模式的PLS-DA模型对建模集和预测集正常萝卜的整体识别正确率分别为85.0%和90.0%，对糠心萝卜的识别正确率分别为97.5%和90.0%，故透射模式在PLS-DA模型下整体识别正确率较高，判别糠心效果好。反射检测模式中，PLS-DA模型对建模集和预测集正常萝卜整体识别正确率分别为97.5%和90.0%，而对糠心萝卜识别正确率分别为65.0%和75.0%，此检测模式下正常萝卜和糠心萝卜识别正确率不稳定，合格样本仅有3 个被认定为糠心样本，而糠心样本有19 个被判断错误，所以反射模式在PLS-DA模型下不能较好判断萝卜是否糠心。半透射模式中，PLS-DA对建模集和预测集正常萝卜识别正确率分别为72.5%和75.0%，对糠心萝卜样本识别正确率分别为97.5%和70.0%，半透射模式在PLS-DA模型下正常萝卜和糠心萝卜识别正确率低，判别效果不好。

2.2.2 SVM模型

表 3 SVM模型对白萝卜糠心预测结果

Table 3 Results of white radish hollowness prediction by SVM

利用SVM对糠心萝卜和正常萝卜进行区分，采用C-SVC类型，其中SVM参数为：核函数均为径向基函数，核函数参数值（gamma值）均为0.031 6，透射和半透射模式惩罚系数值（cost值）均为100，反射模式cost值为3.162 3。预测结果如表3所示，基于透射模式的SVM模型对建模集和预测集正常萝卜的识别正确率分别为100.0%和95.0%，对糠心萝卜的识别正确率分别为100.0%和85.0%，透射模式在SVM模型下整体识别正确率较高，判别糠心效果好。反射检测模式中，SVM模型对建模集和预测集正常萝卜整体识别正确率分别为87.5%和75.0%，而对糠心萝卜识别率分别为95.0%和90.0%，此检测模式下正常萝卜识别正确率低于糠心萝卜识别正确率，反射模式在SVM模型下总体识别萝卜糠心能力一般。半透射模式中，SVM对建模集和预测集正常萝卜识别正确率分别为80.0%和75.0%，对糠心萝卜样本识别正确率分别为92.5%和70.0%，半透射模式在SVM模型下正常萝卜和糠心萝卜识别正确率不稳定，不能较好对萝卜糠心进行判别。

2.2.3 ANN模型

表 4 ANN模型对白萝卜糠心预测结果

Table 4 Results of white radish hollowness prediction by ANN

利用ANN对糠心萝卜和正常萝卜进行区分，其中ANN参数为：隐藏层激活函数为双曲正切，输出层激活函数为Softmax，输出层单位数为2，分别是合格样本与糠心样本，隐藏层数均为1，隐藏节点数分别是半透射模式为14 个节点，反射模式为12 个节点，透射模式为13 个节点，预测结果如表4所示。从表4可以看出，基于透射模式的ANN模型对建模集和预测集正常萝卜的整体识别正确率分别为100%和94.4%，对糠心萝卜的识别正确率分别为97.7%和94.1%，故透射模式在ANN模型下整体识别正确率较高，判别糠心效果好。反射检测模式中，ANN模型对建模集和预测集正常萝卜整体识别正确率分别为88.1%和100.0%，而对糠心萝卜识别率分别为76.9%和85.7%，此检测模式下正常萝卜和糠心萝卜识别正确率一般。半透射模式中，ANN对建模集和预测集正常萝卜识别正确率分别为84.8%和71.4%，对糠心萝卜样本识别正确率分别为81.8%和93.8%，半透射模式在ANN模型下正常萝卜和糠心萝卜识别正确率低，判别糠心效果不好。

2.3 3 种预测模型对萝卜糠心识别效果的比较

通过前述可以发现，不同的检测模式和预测模型对萝卜糠心的检测存在差异。利用PLS-DA模型对萝卜进行糠心判别，透射模式下建模集和预测集总体准确率达到了91.3%和90.0%，但反射模式下识别正确率不稳定，半透射模式下识别正确率较低；利用SVM模型对萝卜进行糠心判别，透射模式下建模集和预测集总体准确率达到了100.0%和90.0%，准确率有了一定提升，但半透射模式下识别正确率低且不稳定；利用ANN模型对萝卜进行糠心判别，透射模式下建模集和预测集总体准确率达到了98.8%和94.3%，识别正确率高且稳定性较前两种模型有所提高。

因此，整体看来，3 种检测模式中，高光谱透射检测模式检测白萝卜糠心准确率最高，且采用PLS-DA、SVM、ANN模型对糠心的识别的总体准确率都是最高，明显优于反射和半透射模式。3 种预测模型中，SVM和ANN准确率都较高，但综合准确率和稳定性，ANN预测模型判别白萝卜糠心效果最好。

3 结 论

本实验提出了利用高光谱图像技术检测白萝卜糠心的方法。通过构建透射、反射和半透射3 种高光谱采集系统来检测白萝卜，可以看出正常萝卜与糠心萝卜光谱差异较大，显示出高光谱图像检测萝卜糠心的可能性。

3 种检测模式中，通过分析透射、反射和半透射3 种检测模式获取的光谱信息，结合构建的PLS-DA、SVM和ANN预测模型的预测结果，能证明透射检测模式优于其他检测模式，更适合白萝卜糠心的检测。

3 种预测模型中，ANN和SVM预测模型检测准确率高于PLS-DA预测模型，但ANN预测模型得到结果更加稳定，判别白萝卜糠心效果最好。基于透射模式的ANN模型，高光谱图像对萝卜糠心的检测总体准确率达94.3%。

参考文献：

[1] 王迪轩. 萝卜、胡萝卜优质高产问答[M]. 北京: 化学工业出版社, 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] 刘木华. 农产品质量安全光学无损检测技术及应用[M]. 武汉: 华中科技大学出版社, 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]. Journal 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] 黄文倩, 陈立平, 李江波, 等. 基于高光谱成像的苹果轻微损伤检测有效波长选取[J]. 农业工程学报, 2013, 29(1): 272-277.

[11] 高海龙, 李小昱, 徐森淼, 等. 马铃薯黑心病和单薯质量的透射高光谱检测方法[J]. 农业工程学报, 2013, 29(15): 279-285.

[12] 李江波, 王福杰, 应义斌, 等. 高光谱荧光成像技术在识别早期腐烂脐橙中的应用研究[J]. 光谱学与光谱分析, 2012, 32(1): 142-146.

[13] 田有文, 李天来, 张琳, 等. 高光谱图像技术诊断温室黄瓜病害的方法[J]. 农业工程学报, 2010, 26(5): 202-206.

[14] 郭书普. 萝卜、青菜、大白菜病虫害鉴别与防治技术图解[M]. 北京: 化学工业出版社, 2012.

[15] 张伟, 潘磊庆, 屠康. 利用高光谱透射图像检测鸡种蛋早期孵化[J]. 农业工程学报, 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] 邓书斌. ENVI遥感图像处理方法[M]. 北京: 科学出版社, 2010: 115-117.

[18] 李寿田, 龚义勤, 周健民, 等. 萝卜贮藏期间木质素含量变化与糠心的关系[J]. 园艺学报, 2001, 28(6): 562-564.

[19] 赵杰文. 食品、农产品检测中的数据处理和分析方法[M]. 北京: 科学出版社, 2012.

[20] 付元元, 王记华, 杨贵军, 等. 应用波段深度分析和偏最小二乘回归的冬小麦生物量高光谱估算[J]. 光谱学与光谱分析, 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] 赵杰文, 呼怀平, 邹小波. 支持向量机在苹果分类的近红外光谱模型中的应用[J]. 农业工程学报, 2007, 23(4): 149-152.

[23] 潘磊庆, 屠康, 苏子鹏, 等. 基于计算机视觉和神经网络检测鸡蛋裂纹的研究[J]. 农业工程学报, 2007, 23(5): 154-158.