蘋果內(nèi)部品質(zhì)的光譜圖像檢測技術(shù)研究

1、蘋果內(nèi)部品質(zhì)的光譜圖像檢測技術(shù)研究 劉木華,程仁發(fā),胡淑芬,林懷蔚, 周小梅江西農(nóng)業(yè)大學(xué)工學(xué)院,江西南昌 330045摘 要:應(yīng)用光譜圖像技術(shù)進(jìn)行了蘋果內(nèi)部品質(zhì)無損檢測技術(shù)的研究。 通過采集不同波長 (分別為 632nm 、 650nm 、 670nm 、 780nm 、 850nm 和 900nm 的光譜圖像, 對所采集的光譜圖像灰度分布進(jìn)行洛倫茨分布 (LD 、 高斯分布(GD 、指數(shù)分布(ED 函數(shù)的擬合,通過比較發(fā)現(xiàn)洛倫茨分布為最優(yōu)灰度分布擬合函數(shù)。將蘋 果的糖度和硬度與洛倫茨分布函數(shù)擬合所得參數(shù)分別進(jìn)行多元線性回歸,建立最佳單波長、最佳雙波長組 合、 最佳三波長組合和最佳四波長組合的

2、校正方程, 相關(guān)系數(shù)分別是最佳單波長 R 為 0.622(糖度 、 0.706 (硬度 ;最佳雙波長 R 為 0.776(糖度 、 0.837(硬度 ;最佳三波長 R 為 0.831(糖度 、 0.869(硬度 ; 最佳四波長 R 為 0.813(糖度 、 0.880(硬度 。試驗表明:利用光譜圖像技術(shù)無損檢測蘋果糖度、硬度等 內(nèi)部品質(zhì)是可行性的,為計算機(jī)圖像對水果進(jìn)行內(nèi)部品質(zhì)的無損檢測提供技術(shù)依據(jù)。關(guān)鍵詞:蘋果 光譜圖像 糖度 硬度 多元線性回歸中圖分類號:O434.13; TN911.73 文獻(xiàn)標(biāo)識碼:A 文章編號:引 言隨著人們生活質(zhì)量的不斷提高, 消費者在選購水果時除了注重大小、 顏色

3、、 外觀形狀等外部品質(zhì)之外, 對于內(nèi)部品質(zhì)如硬度、糖度、酸度和內(nèi)部營養(yǎng)物質(zhì)如維生素含量等指標(biāo)也極為看重。其中水果的硬度、糖 度是直接影響消費者購買需求的重要品質(zhì)屬性。水果內(nèi)部品質(zhì)的無損檢測尤其是硬度和糖度的檢測將為消 費者提供直接、快速評定水果口味品質(zhì)的簡便手段。為了滿足廣大消費者對于選購高品質(zhì)水果,真正達(dá)到 貨真價實之目的,研究開發(fā)無損檢測水果分級技術(shù)極具實用價值。目前,國內(nèi)外有許多學(xué)者從事水果糖酸 度和硬度無損測定的研究,主要的方法有近紅外分析法 1-11。雖然近紅外光譜能較好地表征農(nóng)畜產(chǎn)品內(nèi)部品質(zhì)信息,但這種信息是一維的。由于農(nóng)畜產(chǎn)品往往是不 規(guī)則體,表面各部分可能有形狀、顏色甚至組織特

4、征的差別。而光纖探頭檢測的部位又是很小的,所以光 譜表達(dá)的信息就顯得不全面。計算機(jī)圖像能表達(dá)二維信息,具有遠(yuǎn)距離測量的優(yōu)點。此外,用計算機(jī)圖像 可同時檢測多個農(nóng)畜產(chǎn)品對象,檢測效率是很高的。當(dāng)前,一種能集成光譜檢測和圖像檢測優(yōu)點的新技術(shù) 高光譜圖像正好能滿足農(nóng)畜產(chǎn)品檢測技術(shù)發(fā)展的需要。本研究采用光譜圖像技術(shù)對水果糖度和硬度進(jìn) 行預(yù)測,并建立了有效的預(yù)測模型,從而能夠方便、快速和準(zhǔn)確的辨別水果內(nèi)部品質(zhì),為實現(xiàn)對水果的光 譜圖像在線檢測與分級提供了依據(jù)。1 材料與方法1.1試驗材料實驗用的 100個新鮮蘋果為日本的紅富士, 直接從水果批發(fā)市場上購買, 所有的蘋果購買后把表皮清 洗干凈,依次進(jìn)行編號

5、、標(biāo)記,樣品在 24-26溫度和 56%一 58%濕度環(huán)境條件下放置。1.2 試驗裝置本研究光譜圖像采集系統(tǒng)如圖 1所示。系統(tǒng)主要有 250W 石英鎢燈光源、GC-755P 型高性能 CCD 攝像 頭、 Matrox 圖像采集標(biāo)準(zhǔn)卡和安裝有 intellicom 圖像采集軟件的計算機(jī)等。光源發(fā)出的光經(jīng)過光纖后經(jīng)過 透鏡聚成點狀光入射到蘋果表面。光子進(jìn)入到蘋果組織內(nèi)后經(jīng)過散射會從表面逸出,被 CCD 攝像頭采集成基金項目:國家自然科學(xué)基金資助項目 (編號 30460059作者簡介:劉木華,男, 1969年生, 江西農(nóng)業(yè)大學(xué)工學(xué)院 博士 教授 散射圖像,再經(jīng)濾波片后形成光譜圖像。1.CCD Cam

6、era; 2.filter setup; 3. filter; 4.fruit; 5.light source; 6.photon; 7.lens; 8.light fiber; 9.control; puter圖 1 光譜圖像系統(tǒng)Fig.1 Spectral Imaging System1.3 試驗方法與步驟1.3.1蘋果硬度的測定采用 GY-1型水果硬度計(杭州托普儀器有限公司測定蘋果的硬度。首先,將測量位置的果皮去除 并以 2.0mm/s的加載速度插入果肉;穿入果肉 9mm 過程中所加載的最大力為蘋果硬度的參考值。以每個 蘋果對應(yīng)的光束入射點作為測量位置測三次取平均值作為該樣品的硬度值。

7、總共測量 100個蘋果并將其分 為校正組(75個和預(yù)測組(25個 ,測得蘋果的硬度值統(tǒng)計如表 1所示。表 1 蘋果硬度測量值統(tǒng)計Table 1 Statistics of apple firmness 1.3.2蘋果糖度的測定采用 WZ 103型手持糖度計(中友光學(xué)儀器有限公司,福建省泉州光學(xué)儀器廠測定蘋果的糖度。 將每個蘋果對應(yīng)的光束入射點作為測量位置取兩次的平均值作為該樣品的糖度值?？偣矞y量 100個蘋果并 將其分為校正組(75個和預(yù)測組(25個 ,測得蘋果的糖度值統(tǒng)計如表 2所示。表 1 蘋果糖度測量值統(tǒng)計Table 2 Statistics of apple sugar content

8、 2 蘋果硬度和糖度預(yù)測模型的確立2.1光譜圖像光散射分布的曲線擬合將 100個蘋果編號依次放置于光譜圖像采集系統(tǒng)的載物平臺上, 通過轉(zhuǎn)動裝有六個波段濾光片的轉(zhuǎn)輪 分別采集 632nm 、 650nm 、 670nm 、 780nm 、 850nm 、 900nm 六個波長的光譜散射圖像共計 100*6=600張。部分光譜圖像如圖 2 所示。 (a 632nm (b 650nm (c 670nm (d 780nm (e 850nm (f 900nm圖 2 蘋果光譜圖像 Fig.2 spectral images of appleFig.3 quantitative scattering ima

9、ge with pixels圖 3 散射圖像中的像素點選取在截取的區(qū)域圖像中,以入射點為中心像素,圓環(huán)狀取像素點處光強(qiáng)值求平均(圖 3 ,則能得到圖像中半徑上光散射強(qiáng)度分布值(平均值 。用半徑上光散射強(qiáng)度分布值來進(jìn)行曲線擬合。編寫相應(yīng)的程序?qū)?632nm 、 650nm 、 670nm 、 780nm 、 850nm 、 900nm 六波段的光譜圖像光散射分布分別進(jìn)行 LD 、 ED 和GD 函數(shù)擬合(圖 4 。 (a 632nm (b 650nm (c 670nm (d 780nm (e 850nm (f 900nm圖 4 LD、 ED 、 GD 函數(shù)擬合蘋果散射圖像的結(jié)果Fig.4 Cur

10、ve fittings of LD,ED and GD functions for an apple imaging scattering profiles 由圖 4可知,當(dāng)距離(X 較小時,三種分布函數(shù)(LD 、 GD 和 ED 擬合曲線均有急劇下降的特征; 隨著距離(X 的增大,下降趨勢逐漸緩和。指數(shù)分布擬合曲線在原點位置出現(xiàn)尖峰,且數(shù)據(jù)點的整體擬 合較差;另一方面,高斯分布擬合曲線在數(shù)據(jù)擬合部分以下斜率發(fā)生急劇變化;洛倫茨分布擬合曲線在臨 近峰值部分傾斜適度能夠較好的擬合整個散射區(qū)域。 通過比較分析, 洛倫茨分布 (LD 曲線對波長為 632nm 、 650nm 、 670nm 、 85

11、0nm 和 900nm 的圖像光散射分布擬合結(jié)果最好。對于所有其它樣品所得的散射圖像用 LD 、 GD 、 ED 三種函數(shù)擬合都具有相同結(jié)果。2.2 蘋果硬度預(yù)測模型通過對 LD 、 GD 、 ED 三種分布函數(shù)擬合結(jié)果的比較分析可知,洛倫茨分布(LD 最適合于擬合蘋果 不同波長光譜散射圖的相對光子流分布。因而,將蘋果硬度的測量值與 LD 擬合參數(shù)進(jìn)行多元線性回歸分 析。硬度的預(yù)測模型由六種波長(632nm 、 650nm 、 670nm 、 780nm 、 850nm 、 900nm 所對應(yīng)的六部分組 成,每種波長分別有三個洛倫茨分布擬合參數(shù)。該預(yù)測模型可由下式表示:(33222110i i

12、 i i i Ni i a f a f a f f F += (1其中 F 表示估計硬度值; N 表示總的濾光片數(shù); i=1,2,3,4,5,6; a 1, a 2i ,a 3i 分別為每種波長對應(yīng)的洛倫茨分 布的漸近值,峰值和散射寬度。 f 0,f 1i ,f 2i ,f 3i (i=1,2,3,4,5,6分別為 18個回歸系數(shù)。蘋果硬度預(yù)測模型的建立過程如下:(1分別擬合出每個水果樣品在六種波長濾光片下散射光子流洛 倫茨分布的擬合參數(shù)(a 1, a 2, a 3 ; (2將非線性擬合的數(shù)據(jù)分成兩組,一組用于確立校正模型,另一組 用于驗證預(yù)測模型; (3 通過 Matlab7.0數(shù)據(jù)處理軟件

13、對校正組擬合參數(shù)進(jìn)行多元線性回歸, 剔除部分絕對 殘差大于三倍標(biāo)準(zhǔn)殘差的數(shù)據(jù),結(jié)果大約占全部校正樣品的 8%被剔除,并不再用于驗證組。 (4對六種 波長進(jìn)行排列組合,用以確定不同波長對于蘋果硬度預(yù)測的影響(如表 3所示 。表 3 蘋果硬度校正組與驗證組的多元線性回歸預(yù)測結(jié)果 Table 3. Calibration and validation results from the multi-linear regression for predicting the firmness of apple.備注:1、試驗樣品共計 100個,其中校正組 75個,驗證組 25個;2、 SPE=Standa

14、rd Prediction Error 預(yù)測誤差標(biāo)準(zhǔn)差;3、 F1:632nm ; F 2:650nm;F3:670nm;F4:780nm;F5:850nm;F6:900nm;從表 3可知,采用多元線性回歸分析表明:(1用單波長預(yù)測蘋果硬度,其校正組相關(guān)系數(shù) r= 0.4230.706,預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.560.87;驗 證組相關(guān)系數(shù) r=0.4190.698,預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.570.88。 比較六種波長預(yù)測結(jié)果可知, 波長 632nm 預(yù) 測效果最好 r=0.706及 SPE=0.59(如圖 4(A ,為最佳單波長。(2若采用雙波長預(yù)測蘋果硬度,根據(jù)其不同的波長組合校正

15、組相關(guān)系數(shù) r=0.5270.837,預(yù)測誤差標(biāo) 準(zhǔn)差 SPE=0.260.69;驗證組相關(guān)系數(shù) r=0.3100.816,預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.270.70。比較雙波長的十五 種組合可知,波長 650nm 與 900nm 組合極大提高了預(yù)測效果:r=0.837及 SPE=0.46(如圖 4(B ,為最佳 雙波長組合。(3 若采用三波長預(yù)測蘋果硬度,其波長組合校正組相關(guān)系數(shù) r=0.5990.869, 預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.520.75; 驗證組相關(guān)系數(shù) r=0.5840.851,預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.530.77。 比較三波長的十種組合可 知,波長 632nm 、 650n

16、m 和 850nm 組合的相關(guān)系數(shù) r=0.869, SPE=0.52(如圖 4 (C ,為最佳三波長組合。(4 若采用四波長預(yù)測蘋果硬度,其波長組合校正組相關(guān)系數(shù) r=0.6750.880, 預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.520.70; 驗證組相關(guān)系數(shù) r=0.6680.869,預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.530.72。 比較四波長的六種組合可 知,波長 632nm 、 650nm 、 670nm 和 900nm 組合的相關(guān)系數(shù) r=0.880, SPE=0.52(如圖 4 (D ,為最佳四 波長組合。 (A (B (C (D 圖 5 不同波長組合預(yù)測蘋果硬度的多元線性回歸模型 Fig 5.

17、Multi-linear regression model with different wavelengths combination for predicting apple firmness 由圖 5 可知， 隨著波長數(shù)的增加， 蘋果硬度的預(yù)測效果逐步提高。 由單波長 （632nm） 的相關(guān)系數(shù) r=0.706 提高到四波長（632nm、650nm、670nm 和 900nm）相關(guān)系數(shù) r=0.880,但預(yù)測誤差標(biāo)準(zhǔn)差（SPE）稍微有所 增大由單波長的 SPE=0.46 增大到四波長的 SPE=0.52。校正組與驗證組的預(yù)測結(jié)果相對變化不大，同時也 表明此預(yù)測模型能夠較好的預(yù)測出蘋果的硬

18、度。 從而， 可以得到四波長 （632nm、 650nm、 670nm 和 900nm） 組合的蘋果硬度的預(yù)測模型（如表 4） 。 Table 4 表 4 蘋果硬度校正組和驗證組結(jié)果及其多元線性預(yù)測模型 Calibration and validation results for firmness prediction of apple fruit by a multi-linear prediction model 2.3 蘋果糖度預(yù)測模型 蘋果糖度預(yù)測模型的建立過程如下： （1）分別計算出每個水果樣品在六種波長濾光片下散射光強(qiáng)洛倫 茨分布的擬合參數(shù)（a1,a2,a3）;（2）將非線性擬合的

19、數(shù)據(jù)分成兩組，一組用于確立校正模型，另一組用于 驗證預(yù)測模型； （3）通過Matlab7.0 軟件對校正組擬合參數(shù)與蘋果糖度值進(jìn)行多元線性回歸，剔除部分絕對 殘差大于三倍標(biāo)準(zhǔn)殘差的數(shù)據(jù)，結(jié)果大約占全部校正樣品的 8%被剔除，并不再用于驗證組。 （4）對六種 波長進(jìn)行排列組合，用以確定不同波長對于蘋果糖度度預(yù)測的影響（如表 5 所示） 。 6 表 5 蘋果糖度校正組與驗證組的多元線性回歸預(yù)測結(jié)果 Calibration and validation results from the multi-linear regression for predicting the sugar content

20、of apple Table 5. 備注：1、試驗樣品共計 100 個，其中校正組 75 個，驗證組 25 個； 2、SPE=Standard Prediction Error 預(yù)測誤差標(biāo)準(zhǔn)差； 3、F1：632nm；F2:650nm；F3:670nm；F4:780nm；F5:850nm；F6:900nm； 從表 5 可知，采用多元線性回歸分析表明： （1）用單波長預(yù)測蘋果糖度，其校正組相關(guān)系數(shù) r= 0.3360.622，預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.561.16；驗 證組相關(guān)系數(shù) r=0.3120.610,預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.561.17。 比較六種波長預(yù)測結(jié)果可知， 波長 632n

21、m 預(yù) 測效果最好 r=0.622 及 SPE=0.58（如圖 5 (A） ，為最佳單波長。 （2） 、若采用雙波長預(yù)測蘋果糖度，根據(jù)其不同的波長組合校正組相關(guān)系數(shù) r=0.4600.776，預(yù)測誤差 標(biāo)準(zhǔn)差 SPE=0.520.66；驗證組相關(guān)系數(shù) r=0.4400.761,預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.530.68。比較雙波長的十 五種組合可知，波長 632nm 與 650nm 組合極大提高了預(yù)測效果：r=0.776 及 SPE=0.62（如圖 5 (B） ，為最 佳雙波長組合。 （3） 、若采用三波長預(yù)測蘋果糖度，其波長組合校正組相關(guān)系數(shù) r=0.6310.831, 預(yù)測誤差標(biāo)準(zhǔn)差 SPE

22、=0.550.92； 驗證組相關(guān)系數(shù) r=0.6180.819,預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.550.94。 比較三波長的十種組合可 知，波長 632nm、650nm 和 780nm 組合的相關(guān)系數(shù) r=0.831，SPE=0.55（如圖 5 (C） ，為最佳三波長組合。 （4） 、若采用四波長預(yù)測蘋果糖度，其波長組合校正組相關(guān)系數(shù) r=0.7360.813, 預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.600.76； 驗證組相關(guān)系數(shù) r=0.7260.805,預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.620.77。 比較四波長的六種組合可 知，波長 650nm、670nm、780nm 和 850nm 組合的相關(guān)系數(shù) r=0

23、.813，SPE=0.67（如圖 5 (D） ，為最佳四 波長組合。 7 (A (B (C (D 圖 6 不同波長組合預(yù)測蘋果糖多元線性回歸模型 Fig 6 Multi-linear regression model with different wavelengths combination for predicting apple sugar content 由圖 6 可知， 隨著波長數(shù)的增加， 蘋果硬度的預(yù)測效果逐步提高。 由單波長 （632nm） 的相關(guān)系數(shù) r=0.622 提高到三波長（632nm、650nm 和 780nm）相關(guān)系數(shù) r=0.831,且預(yù)測誤差標(biāo)準(zhǔn)差（SPE）稍微有

24、所減小由單 波長的 SPE=0.58 降低到三波長的 SPE=0.55。校正組與驗證組的預(yù)測結(jié)果相對變化不大，同時也表明此預(yù) 測模型能夠較好的預(yù)測出蘋果的糖度。從而，可以得到三波長（632nm、650nm 和 780nm）組合的蘋果糖 度的預(yù)測模型（如表 6） 。 Table 6 表 6 蘋果糖度校正組和驗證組結(jié)果及其多元線性預(yù)測模型 Calibration and validation results for sugar content prediction of apple fruit by a multi-linear prediction model 3 結(jié)論 本文通過對所采集得不同波

25、長（632nm、650nm、670nm、780nm、850nm、900nm）的光譜圖像進(jìn)行 分析，分別建立了蘋果硬度和糖度的預(yù)測模型。由試驗結(jié)果表明：對于蘋果硬度的預(yù)測宜采用最佳四波長 （632nm、650nm、670nm 和 900nm）組合，其預(yù)測相關(guān)系數(shù) R=0.880,預(yù)測誤差標(biāo)準(zhǔn)差 SPE=0.52；而蘋果 糖度的預(yù)測應(yīng)采用最佳三波長（632nm、650nm 和 780nm）組合，其預(yù)測相關(guān)系數(shù) R=0.831,預(yù)測誤差標(biāo)準(zhǔn) 差 SPE=0.55。本研究運用光譜圖像技術(shù)無損檢測蘋果糖度、硬度等內(nèi)部品質(zhì)的可行性進(jìn)行了創(chuàng)新性探索， 8 并建立了蘋果糖度和硬度的預(yù)測模型，同時也為今后對其它

26、水果進(jìn)行內(nèi)部品質(zhì)的無損檢測奠定了基礎(chǔ)。 參考文獻(xiàn)： 1 金同銘,崔洪昌.蘋果中蔗糖、葡萄糖、果糖、蘋果酸的非破壞檢測 J.華北農(nóng)學(xué)報,1997,12(1:91-96. 2 韓東海，日本的柑橘分級新技術(shù)，食品工業(yè)科技，1998（6） ：21-23 3 何東健等，水果內(nèi)部品質(zhì)在線近紅外分光檢測裝置及試驗，農(nóng)業(yè)工程學(xué)報，2001，V17(1:146-148 4 Lu Renfu, Daniel E Guyer. Determination of firmness and sugar content of apples using near-infrared diffuse reflectance J

27、. Journal Texture Studies, 2000, 31:615-630. 5 Chen P., Nattuvety V. R., Light transmittance through a region of an intact fruit, Transaction of the ASAE, 1980, V23(2:519-522 6 Slaughter D., Non-destructive determination of internal quality in peaches and nectarines, Transactions of ASAE, 1995, V38:

28、617-623 7 Chen, Y.R., W.R. Hruschka, H. Early, A chicken carcass inspection system using visible/near-infrared reflectance: in plant trials, Journal of Food Process Engineering, 2000, V23(2: 89-99 8 Iwayan Budiastra, Yoshio Ikeda, Takahisa Nishizu, Optical methods for quality evaluation of fruits(Pa

29、rt IOptical properties of selected fruits using the Kubelka-Munk theory and their relationships with fruit maturity and sugar content, Journal of Japanese Society of Agricultural Machinery, 1998, V60(2:117-128 9 Lammertyn J., Ann P., Josse D., et al., Light penetration properties of NIR radiation in

30、 fruit with respect to non-destructive quality assessment, Postharest Biology and Technology, 2001, V18:121-132 10 Fraser D. G., Robert B. J. Rainer K. et al., Light distribution inside mandarin fruit during internal quality assessment by NIR spectroscopy, Postharest Biology and Technology, 2003, V2

31、7:185-196 11 Rinaldo C., Cosimo D., Antonio P., et al., Nondestructive quantification of chemical and physical properties of fruits by time-resolved reflectance spectroscopy in the wavelength range 650-1000nm, Applied Optics, 2001, V40(4:538-543 The Study of Non-destructive Measurement Apple Internal Qualities using Spectral Imaging LIU Muhua CHENG Renfa Hu Shufen LIN Huaiwei ZHOU Xiaomei Jiangxi Augricultrual University, Nanchang, 330045, , China A