基于近红外高光谱图像的苹果轻微损伤检测

Development and Innovation | 发展与创新 |·261·基于高光谱成像技术的水果损伤检测李懂懂，唐晓燕（南阳理工学院电子与电气工程学院，河南 南阳 473004）摘 要：水果在储存和长途运输过程中，具有易损伤、腐烂、变质的性质，且在早期不易被识别。

为确保水果品质，文章采用高光谱成像技术对早期水果损伤进行检测。

首先提取信噪比高的波段，接着将苹果与背景图像分离，最后分别采用主成分分析算法、波段比算法和支持向量机算法对苹果早期损伤进行识检测识别，并对3种检测结果进行比较。

实验结果表明，波段比算法检测效果优于主成分分析算法和支持向量机算法，正确检测率高达90%，可以快速有效地检测到苹果损伤。

关键词：高光谱成像技术；水果损伤；主成分分算析；波段比算法；支持向量机中图分类号：TS255.7 文献标志码：A 文章编号：2096-2789（2020）03-0261-02作者简介：李懂懂（1995—），男，硕士在读，研究方向：遥感图像处理。

目前关于检测水果损伤的研究越来越多，2007年洪添胜等[1]开始研究高光谱水果检测技术。

2008年赵杰文等[2]利用高光谱图像技术检测水果轻微损伤，利用主成分分析方法处理光谱数据，其检测正确率达到88.5%。

2009年蔡健荣等[3]运用波段比算法结合高光谱图像技术检测柑橘果锈，其检测率达到92%。

2018年谈文艺等[4]运用高光谱成像技术对苹果外部损伤进行精确识别和分级，应用主成分分析选出最佳广谱区，经分析其平均识别率高达98.5%。

2018年韩浩然等[5]基于高光谱成像技术对水果轻微机械损伤进行研究，并利用主成分分析算法、波段比算法对光谱数据做处理。

文章以苹果为研究对象，结合高光谱技术利用适当的算法对光谱数据分析，对水果的内在损伤进行无损检测。

1 高光谱图像预处理1.1 噪声去除文章选择山东红富士苹果作为主要研究对象，对苹果的轻微损伤做了早期识别检测，用GaiaField 便携式高光谱成像仪采集苹果400～1000nm 光谱范围的256幅图像，光谱分辨率为10nm 。

收稿日期：2023-03-31基金项目：岭南现代农业科学与技术广东省实验室河源分中心自主科研项目（DT20220009，DT20220007，DT20220011）；北京市农林科学院财政项目（CZZJ202203）通信作者：段丹丹（1984—），女，博士，高级工程师，研究方向为农业定量遥感监测，E-mail：duandd@广东农业科学2023，50（7）：57-63Guangdong Agricultural SciencesDOI:10.16768/j.issn.1004-874X.2023.07.006王凡，孟翔宇，陈龙跃，段丹丹，钱英军. 基于高光谱成像的苹果损伤检测方法研究［J］. 广东农业科学，2023，50（7）：57-63.基于高光谱成像的苹果损伤检测方法研究王 凡1,2，孟翔宇1，陈龙跃2，段丹丹1,2,3，钱英军4（1.北京市农林科学院信息技术研究中心，北京 100097；2.岭南现代农业科学与技术广东省实验室河源分中心，广东 河源 517000；3.清远市智慧农业农村研究院，广东 清远 511500；4.广东科贸职业技术学院，广东 清远 511500）摘 要：【目的】研究苹果损伤高光谱特征，建立基于高光谱成像的苹果损伤区域最佳分类模型，为实时、快速、准确地识别苹果损伤提供重要依据。

【方法】以北京平谷区收集的苹果样品为研究对象，利用高光谱图像技术检测水果表面机械损伤。

利用390 ~1 000 nm 范围的高光谱图像（HSI）数据，通过比值光谱分析损伤与正常感兴趣区域（ROI）的光谱响应特性，筛选特征波段，并构建较好地突出损伤区域特征的3种类型光谱指数：归一化光谱指数（NDSI）、比值光谱指数（RSI）和差值光谱指数（DSI）。

在此基础上，优选提取损伤区域能力较强的光谱指数，利用迭代自组织数据分析（ISODATA）无监督据聚类算法提取苹果损伤区域。

【结果】当苹果表面受到损伤时，光谱反射率变化显著。

基于近红外图像技术的水果轻微损伤检测
黄星奕;刘益权;赵杰文
【期刊名称】《微计算机信息》
【年(卷),期】2007(023)034
【摘要】水果轻微损伤检测对提高水果档次、延长货架期有着重要的经济价值,如果不把轻微损伤水果检测出来加以剔除,随着贮藏时间的延长就很容易霉烂,并影响其他正常水果.提出了在900-1100nm处利用近红外图像处理技术对水果轻微损伤进行检测的方法.采用四周扫描法去除背景,针对无明显双峰图像分割的难点开发出了一种新的分割算法对轻微损伤进行分割,最后对轻微损伤的个数和面积进行了识别计算并对面积的畸变校正进行了探讨.实验结果表明,该方法对有轻微损伤的图像识别正确率达91.3%,为水果的后续在线检测奠定了基础.
【总页数】3页(P229-231)
【作者】黄星奕;刘益权;赵杰文
【作者单位】江苏大学食品与生物工程学院,江苏212013
【正文语种】中文
【中图分类】TP391.41;TP274+.52
【相关文献】
1.基于近红外高光谱图像的苹果轻微损伤检测 [J], 陈姗姗;宁纪锋;彭艺伟;张叶
2.近红外高光谱成像技术的桃轻微损伤早期检测 [J], 杨婷婷;迟茜;王转卫;谢同振;孟繁宇
3.利用高光谱图像技术检测水果轻微损伤 [J], 赵杰文;刘剑华;陈全胜;Saritporn Vittayapadung
4.无损检测技术在水果轻微损伤检测中的应用研究 [J], 彭步迅;张晓;任显丞;李疆
5.无损检测技术在水果轻微损伤检测中的应用研究 [J], 彭步迅;张晓;任显丞;李疆因版权原因，仅展示原文概要，查看原文内容请购买。

苹果早期瘀伤的近红外光谱和多波段相机成像检测杨增荣;王怀彬;田密密;李军会;赵龙莲【期刊名称】《光谱学与光谱分析》【年(卷),期】2024(44)5【摘要】苹果早期轻微瘀伤是影响苹果品质的重要因素。

早期轻微瘀伤在可见光下肉眼无法识别,为寻找一种高效的苹果早期轻微瘀伤识别方法,以红富士苹果为研究对象,通过倒立摆装置人为制造不同程度的苹果瘀伤。

首先采用傅里叶变换近红外光谱仪采集80个无损样品、60个轻度损伤样品以及60个重度损伤样品各自在损伤后0、10、20和30 min的近红外漫反射光谱;采用SNV作为光谱数据预处理方法,谱区范围选择4000~9000 cm^(-1);主成分个数为9,采用偏最小二乘法-判别分析(PLS-DA)和支持向量机(SVM)两种方法建立“无损-有损”二分类模型,预测集的平均识别率分别为85.00%和89.80%,模型识别效果有待提高。

在以上实验结果的基础上,使用波段范围为1000~2350 nm的近红外相机采集无损、轻度瘀伤、中度瘀伤和重度瘀伤的100个苹果样品的近红外图像,相机加装1150和1400 nm 的滤光片后分别再次采集这些苹果样品的近红外图像,所有图像均在瘀伤产生后立即采集。

共采集3个波段、4种瘀伤程度的苹果样本图像共1200张。

提取图像吸光度信息并分别建立KNN、SVM和DT分类模型,DT法“无损-损伤”二分类模型和“无损-轻度-重度”三分类模型的识别率最高,分别为99.00%和94.67%。

相比基于近红外光谱的苹果早期外部瘀伤识别方法,近红外相机多波段成像法在苹果表面早期瘀伤和瘀伤程度分类的应用中都有更高的识别准确率。

与此同时近红外相机成像方法方便确定瘀伤的位置,这为苹果表面瘀伤的实时在线检测与分类提供了一种快速高效的新思路。

【总页数】8页(P1364-1371)【作者】杨增荣;王怀彬;田密密;李军会;赵龙莲【作者单位】中国农业大学信息与电气工程学院;现代精细农业系统集成研究教育部重点实验室【正文语种】中文【中图分类】O657.39【相关文献】1.使用背照减薄型CCD的色散型超光谱成像光谱仪中近红外波段干涉条纹现象的研究与校正2.近红外高光谱成像技术的桃轻微损伤早期检测3.近红外光谱模型用于无症状“富士”苹果苦痘病的早期检测4.基于近红外相机成像和阈值分割的苹果早期损伤检测5.苹果糖度近红外光谱检测波段试验研究因版权原因，仅展示原文概要，查看原文内容请购买。

苹果轻微机械损伤高光谱图像无损检测蒋金豹;尤笛;汪国平;张政;门泽成【期刊名称】《光谱学与光谱分析》【年(卷),期】2016(36)7【摘要】无损检测是高光谱遥感应用研究热点之一。

苹果在采摘、运输过程中易发生轻微机械损伤而影响其品质。

使用高光谱成像系统分别采集54个轻微损伤的“黄香蕉”与“烟台富士”苹果可见‐近红外波段（400～1000 nm ）的图像，提取苹果损伤区域的均值波谱曲线，对其进行最小噪声分离变换和基于几何顶点端元原理提取端元波谱，计算损伤区域波谱和端元波谱的光谱角，构建了端元提取光谱角苹果轻微机械损伤检测模型。

通过设定光谱角阈值分别检测“黄香蕉”与“烟台富士”苹果轻微机械损伤，并与MNF变换、PCA方法检测精度进行对比分析，结果表明EESA模型检测苹果轻微机械损伤的精度最高，检测正确率分别达到94.44％和90.07％。

%Nondestructive detection is one of the hottest spotsin the application of hyperspectral remote sensing .The apple is easy to produce slight mechanical injuries that affects its quality in the process of picking and transporting .The hyperspectral images of 54“yellow banana” and“Yantai Fushi” apples with slight injuries in the visible and near‐infrared (400~1 000 nm) ranges are acquired ;the mean spectral curves of injury regions on apples are extracted ;the endmember spectrum are extracted based on minimum noise fraction (MNF) and geometric vertex principle ;and the spectral angle is calculated between spectral of injury region and endmember spectral ;a model of endmember extractionspectral angle (EESA ) is constructed to detect slight mechanical injuries on apples .The slight mechanical injuries on “yellow banana” and“Yantai Fushi” apples are detected by set‐ting spectral angle threshold ,and the detection accuracy is compared with MNF and principal component analysis (PCA) meth‐od .The results show that the accuracy of EESA model is the highest ,and the detection accuracy rate reaches 94.44% and 90.07% respectively .【总页数】5页(P2224-2228)【作者】蒋金豹;尤笛;汪国平;张政;门泽成【作者单位】中国矿业大学北京地球科学与测绘工程学院，北京 100083;中国矿业大学北京地球科学与测绘工程学院，北京 100083;中国矿业大学北京地球科学与测绘工程学院，北京 100083;中国矿业大学北京地球科学与测绘工程学院，北京 100083;中国矿业大学北京地球科学与测绘工程学院，北京 100083【正文语种】中文【中图分类】TP7【相关文献】1.基于时序高光谱的翠冠梨机械损伤的早期无损检测研究 [J], 林思寒;黎静;薛龙;刘木华;陈金印;陈明;张一帆2.采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测[J], 刘思伽;田有文;张芳;冯迪3.基于近红外高光谱图像的苹果轻微损伤检测 [J], 陈姗姗;宁纪锋;彭艺伟;张叶4.基于高光谱成像技术的富士苹果轻微机械损伤检测研究 [J], 沈宇; 房胜; 郑纪业; 王风云; 张琛; 李哲5.基于高光谱图像和3D-CNN的苹果多品质参数无损检测 [J], 王浩云;李晓凡;李亦白;孙云晓;徐焕良因版权原因，仅展示原文概要，查看原文内容请购买。

利用高光谱微分方法检测苹果轻微损伤尤笛;蒋金豹;张政;汪国平【摘要】为快速有效检测不同品种苹果轻微损伤,以‘金冠’、‘花牛’、‘富士’和青苹果各54个轻微损伤果为研究对象,采用高光谱图像技术获得各个苹果可见-近红外(400～1 000 nm)波段的图像,结合光谱微分技术选取波谷的9个波长(556、617、664、706、763、832、880、906、938 nm)为特征波长,然后基于特征波长进行最小噪声分离(Minimum Noise Fraction,MNF)变换,筛选出苹果轻微损伤的特征图像并通过阈值分割、形态学运算等方法识别苹果轻微损伤部位.结果表明,该方法识别‘金冠’、‘花牛’、‘富士’和青苹果轻微损伤部位的准确率分别为92.6％、88.9％、85.2％、85.2％.由此可见,利用高光谱微分方法可以快速有效地检测不同品种的苹果轻微损伤,且苹果的颜色越深、硬度越大、纹理越杂乱,检测精度越低.【期刊名称】《福建农业学报》【年(卷),期】2016(031)002【总页数】6页(P151-156)【关键词】苹果轻微损伤;高光谱成像;光谱微分;最小噪声分离;特征波段【作者】尤笛;蒋金豹;张政;汪国平【作者单位】中国矿业大学(北京)地球科学与测绘工程学院,北京 100083;中国矿业大学(北京)地球科学与测绘工程学院,北京 100083;中国矿业大学(北京)地球科学与测绘工程学院,北京 100083;中国矿业大学(北京)地球科学与测绘工程学院,北京100083【正文语种】中文【中图分类】TS255苹果在采摘、运输等过程中由于外力作用不可避免损伤。

苹果轻微损伤不仅影响美观，还会随着时间的推移慢慢腐烂，感染其他优质果[1]。

轻微损伤常发生在表皮下，其外表和正常果相似，在形成初期肉眼不易识别。

传统的人工挑拣和化学检测方法，不仅费时费力还有破坏性[2]。

高光谱成像技术集图像和光谱信息于一体，弥补了传统检测方法的缺点，它既可以反映外部品质，也可以检测出水果内部品质。

２０Ｏ８年１月农业机械学报第３９卷第１期利用高光谱图像技术检测水果轻微损伤＊赵杰文刘剑华陈全胜ＳａｒｉｔｐｏｍＶｉｔｔａｙａｐａｄｕｎｇ【摘要】提出了利用高光谱图像技术检测水果轻微损伤的方法。

试验以苹果为研究对象，利用５００～９００ｎｍ范围内的高光谱图像数据，通过主成分分析提取５４７ｎｍ波长下的特征图像，然后设计不均匀二次差分消除了苹果图像亮度分布不均匀的影响，最后通过合适的数字图像处理方法提取苹果的轻微损伤。

试验结果表明，高光谱图像技术对苹果轻微损伤的检测正确率达到８８．５７％。

关键词：苹果高光谱图像检测轻微损伤中图分类号：ＴＰ３９１．４１；ＴＰ２７４＋．５２文献标识码：ＡＤｅｔｅｃｔｉｎｇＳｕｂｔｌｅＢｒｕｉｓｅｓｏｎＦｒｕｉｔｓｗｉｔｈＨｙｐｅｒｓｐｅｃｔｒａｌＩｍａｇｉｎｇＺｈａｏＪｉｅｗｅｎＬｉｕＪｉａｎｈｕａＣｈｅｎＱｕａｎｓｈｅｎｇＳａｒｉｔｐｏｒｎＶｉｔｔａｙａｐａｄｕｎｇ（．厂谊咒舒“Ｕ镌ｉ化＂ｉ砂）ＡｂｓｔｒａｃｔＴｈｅｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｔｅｃｈｎｏｌｏｇｙｗａｓｐｒｏｐｏｓｅｄｔｏｄｅｔｅｃｔｔｈｅｓｕｂｔｌｅｂｒｕｉｓｅｓｏｎｆｒｕｉｔｓ．Ａｐｐｌｅｓｗｅｒｅａｄｏｐｔｅｄａｓｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｏｂｊｅｃｔ．Ｔｈｅａｐｐｌｅｓ’ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｅｓｂｅｔｗｅｅｎ５００ｎｍａｎｄ９００ｎｍｗａｖｅｌｅｎｇｔｈｗｅｒｅａｎａｌｙｚｅｄｖｉａｔｈｅｐｒｉｎｃｉｐａｌ∞ｍｐｏｎｅｎｔｓａｎａｌｙｓｉｓ，ａｎｄｔｈｅｆｅａｔｕｒｅｉｍａｇｅｓｕｎｄｅｒ５４７ｎｍｗａｖｅｌｅｎｇｔｈｗｅｒｅｓｅｌｅｃｔｅｄｔｏｄｅｔｅｃｔｔｈｅｂｒｕｉｓｅｓｏｎａｐｐｌｅｓ．Ｔｈｅａｓｙｍｍｅｔｒｉｃｂｒｉｇｈｔｎｅｓｓｏｆｔｈｅｉｍａｇｅｓｗａｓｅｌｉｍｉｎａｔｅｄｗｉｔｈａｓｙｍｍｅｔｒｉｃｓｅｃｏｎｄｄｉｆｆｅｒｅｎｃｅｓｕｂｓｅｑｕｅｎｔｌｙ．Ｆｉｎａｌｌｙ，ｔｈｅｆｅａｔｕｒｅｏｆｂｒｕｉｓｅｗａＳｅｘｔｒａｃｔｅｄｔｈｒｏｕｇｈａｐｐｒｏｐｒｉａｔｅｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｄｅｔｅｃｔｉｎｇｓｕｂｔｌｅｂｒｕｉｓｅｓｏｎｆｒｕｉｔｓｏｎ一１ｉｎｅｗｉｔｈｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｔｅｃｈｎｏｌｏｇｙｉｓｒｅａｌｉｚｅｄａｎｄｔｈｅａｃｃｕｒａｃｙｉｓ８８．５７％．ＫｅｙｗｏｒｄｓＡｐｐｌｅ，Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇ，Ｄｅｔｅｃｔｉｏｎ，Ｓｕｂｔｌｅｂｒｕｉｓｅ引言虽然轻微损伤和正常区域在外部特征上呈现出极大的相似性，但是损伤区域的内部组织发生一定水果在采摘或运输过程中，因外力的作用使其的变化，这种变化可以通过特定波长下的光谱表现表皮受到机械损伤，损伤处表皮未破损，伤面有轻微出来。

基于RELIEF算法和极限学习机的苹果轻微损伤高光谱检测方法张萌;李光辉【摘要】采用高光谱成像技术(400～1000 nm)对苹果轻微损伤进行快速识别及无损检测.采集苹果正常及不同损伤时间的高光谱图像,选择图像中合适的区域作为感兴趣区域并提取平均光谱反射率及图像熵信息,将采集的样本按2:1的比例分为训练集和测试集.使用RELIEF算法基于光谱平均反射率及图像熵信息提取了8个特征波段(17、30、35、51、61、66、94和120),分别基于全波段和特征波段进行极限学习机(extreme learning machine,ELM)建模分析,并与支持向量机(support vector machine,SVM)和K-均值聚类算法进行比较.结果表明,基于全波段的ELM 模型最终测试集识别率为94.44％,基于特征波段的RELIEF-极限学习机(Re-ELM)模型识别率为96.67％,基于特征波段的Re-SVM及Re-K均值模型的最终测试集识别率分别为92.22％和91.67％,证实了Re-ELM是一种更为有效的苹果损伤分类判别方法.在此基础上,基于图像处理技术和特征波段提出了一种苹果轻微损伤高光谱检测算法,使用该算法针对特征波段进行独立成分分析(independent component analysis,ICA)变换,选取ICA第3成分图像进行自适应阈值分割,从而获得损伤图像.对全部高光谱图像进行检测表明,该算法的最终识别率超过94％,说明该算法能够较为有效地识别苹果损伤区域.【期刊名称】《浙江大学学报（农业与生命科学版）》【年(卷),期】2019(045)001【总页数】9页(P126-134)【关键词】苹果损伤;高光谱成像;无损检测;极限学习机;独立成分分析【作者】张萌;李光辉【作者单位】江南大学物联网工程学院,江苏无锡 214000;物联网技术应用教育部工程技术研究中心,江苏无锡 214000;江南大学物联网工程学院,江苏无锡 214000;物联网技术应用教育部工程技术研究中心,江苏无锡 214000【正文语种】中文【中图分类】TP391.4苹果是一种常见的水果，也是我国的第一大水果，是我国的优势农产品之一。

利⽤⾼光谱图像技术检测⽔果轻微损伤⾼光谱图像技术检测苹果轻微损伤摘要传统的近红外光谱分析法和可见光图像技术应⽤于⽔果品质⽆损检测中存在的检测区域⼩、检测时间长、仅能检测表⾯情况等局限性。

提出了利⽤⾼光谱图像技术检测⽔果轻微损伤的⽅法。

试验以苹果为研究对象, 利⽤ 500~ 900nm范围内的⾼光谱图像数据, 通过主成分分析提取 547nm 波长下的特征图像, 然后设计不均匀⼆次差分消除了苹果图像亮度分布不均匀的影响, 最后通过合适的数字图像处理⽅法提取苹果的轻微损伤。

关键词: ⽆损检测苹果⾼光谱图像检测轻微损伤引⾔⽔果在采摘或运输过程中, 因外⼒的作⽤使其表⽪受到机械损伤, 损伤处表⽪未破损, 伤⾯有轻微，⾊稍变暗, ⾁眼难于觉察。

受⽔果⾊泽的影响, 传统的计算机视觉技术不能对轻微损伤加以检测。

但是轻微损伤是⽔果在线检测的主要指标之⼀, 随着时间的延长, 轻微损伤部位逐渐褐变, 最终导致整个果实腐烂并影响其他果实。

因此, ⽔果轻微损伤的快速有效检测是⽬前研究的难点和热点之⼀。

虽然轻微损伤和正常区域在外部特征上呈现出极⼤的相似性, 但是损伤区域的内部组织发⽣⼀定的变化, 这种变化可以通过特定波长下的光谱表现出来。

当前, ⼀种能集成光谱检测和图像检测优点的新技术。

⾼光谱图像技术正好能满⾜⽔果表⾯轻微损伤检测的需要。

⾼光谱图像技术是光谱分析和图像处理在最低层⾯上的融合技术, 可以对研究对象的内外部特征进⾏可视化分析。

在国内, ⾼光谱图像技术在农畜产品品质检测的应⽤还没有相关的⽂献报道; 在国外,近⼏年来有部分学者将该技术应⽤于⾁类和果蔬类的品质检测上。

本⽂采⽤⾼光谱图像技术对⽔果表⾯轻微损伤检测进⾏研究, 并通过合适的数据处理⽅法寻找到最能准确辨别⽔果表⾯损伤的特征波长下的图像, 为实现⾼光谱图像技术对⽔果轻微损伤的在线检测提供依据。

1 ⾼光谱图像基本原理⾼光谱图像是在特定波长范围内由⼀系列波长处的光学图像组成的三维图像块。