食品行業
在蘋果的生長進程中，極易遭受各類食心蟲的侵害，致使蘋果表面產生蟲子蛀蝕的孔洞，由此使其失去了食用價值，降低了蘋果的質量與商業價值。所以，蘋果是否存在蟲傷是評判蘋果質量等級的關鍵指標之一。然而，在實際的蘋果品質檢測與分級系統里，主要依據蘋果的大小、顏色等指標來分級，而對于蟲傷缺陷的檢測仍然依賴人工目測，這種方式工作效率低下，準確性欠佳，很難確保分級的一致性。成像技術和光譜分析是兩項在檢測果品品質信息方面極具價值的技術，具有快速、無損、可靠的優點。成像技術早已成功應用于依據蘋果的大小、顏色、形狀等方面對蘋果進行分級的研究，也能夠檢測蘋果表面的部分缺陷。高光譜成像技術結合了圖像處理和光譜分析的長處，可以迅速、無損地檢測研究對象的內外部特性，近些年來在水果品質無損檢測技術中得到了廣泛運用。
一、材料與方法
1.1 試驗樣本
此次試驗所選取的研究對象為紅富士蘋果，從蘋果種植示范園采集了 160 個蘋果。這些果實的果型直徑范圍在 68.5 至 88 毫米之間，質量范圍在 128 至 211 克之間。其中 80 個為存在蟲傷的蘋果，這類蟲傷蘋果被食心蟲蛀蝕，留下了蛀孔，蛀孔以及周圍潰爛區域約為 7 至 50 毫米；另外 80 個為正常的蘋果，果梗/花萼區域約為 50 至 120 毫米。從蟲傷蘋果和正常蘋果中各自隨機選取 50 個，用于構建識別蘋果蟲傷與果梗/花萼的算法，其余樣本用于算法的驗證。
1.2 高光譜圖像采集系統
本研究應用了400-1000nm的高光譜相機，可采用杭州彩譜科技有限公司產品FS13進行相關研究。光譜范圍在400-1000nm，波長分辨率優于2.5nm，可達1200個光譜通道。采集速度全譜段可達128FPS，波段選擇后最高3300Hz（支持多區域波段選擇）。
二、結果與分析
2.1 相對反射率光譜曲線剖析
對 80 個蘋果蟲傷樣本和 80 個正常蘋果樣本中提取的感興趣區域（蟲傷區域、果梗區域、花萼區域及正常區域）的反射率光譜曲線進行分析。同一類型的樣本平均相對反射率光譜曲線大致相同，這些反射光譜曲線的形狀和規律與樣本數量的關聯不大，如圖 2 所示為 160 個樣本各區域 400 至 1000 納米的平均相對反射率光譜曲線。
從圖 2 能夠看出，蘋果蟲傷部位與果梗區域、花萼區域及正常區域的反射光譜曲線存在一定差別。在 500 至 1000 納米的波長范圍內，正常區域的相對反射率均高于蟲傷部位與果梗區域、花萼區域的相對反射率。在 680 納米處，正常區域的光譜反射率存在吸收峰，主要是由于水果表面的葉綠素吸收所導致的，反映了水果的表面顏色信息。蘋果受到蟲子侵入后，在蘋果表面形成蛀孔，此處的葉綠素缺失，其顏色與正常表面有顯著差異，所以 680 納米處蟲傷區域的反射率相比正常區域大幅降低；同時，果梗區域、花萼區域的葉綠素含量也較少，因此果梗區域、花萼區域的反射率也相對較低。在 500 至 700 納米之間，蟲傷區域的平均相對反射率低于果梗區域、花萼區域的光譜相對反射率。而在 750 至 900 納米之間，蟲傷區域的平均相對反射率處于果梗/花萼區域的光譜相對反射率之間，大部分樣本中蟲傷區域的相對反射率小于花萼區域的光譜相對反射率，大于果梗區域的光譜相對反射率。
2.2 感興趣區域的劃分
由圖 2 可見，在 800 至 980 納米的波長范圍內，蟲害區域與果梗/花萼區域的相對反射率在 900 納米處差異最大，但蟲害區域與正常區域的光譜在 824 納米處差值最大，與果梗/花萼區域的相對反射率差異也較大，并且該波段下的圖像中蟲害區域、果梗/花萼區域與正常區域的對比度較強，所以選取 824 納米作為特征波長，該波長下的圖像即為特征圖像，如圖 3a、3b、3c 所示，分別為蟲害蘋果特征圖像、蘋果花萼部分特征圖像、蘋果果梗部分特征圖像。
從圖 3 可以看出，蘋果區域的灰度值較高，而背景區域較低，因此可以運用閾值分割方法獲取蘋果二值化圖像。并且對分割后的二值化圖像進行膨脹與腐蝕運算，從而得到最終的蘋果二值化圖像，如圖 3d、圖 3e 和圖 3f 所示。接著運用此二值化圖像對高光譜圖像進行掩膜，以消除背景噪聲，并對掩模后的高光譜圖像開展主成分分析。
從圖 2 中能夠發現蘋果表面 400 至 500 米和 980 至 1000 納米范圍內的噪聲較大，另外，在 500 至 620 和 950 至 980 納米區間，蟲害區域的光譜相對反射率與果梗區域、花萼區域、正常區域的反射率差別不大，所以選取 620 至 950 納米之間的波段進行主成分分析。由前面的分析可知，在 750 至 950 納米之間的波段，蟲傷區域的相對反射率與果梗/花萼區域的數據存在重疊，所以采用有限波段無法實現蟲傷區域的分割，只有選取對比度明顯的主成分圖像進行分割。圖 3g、圖 3h 和圖 3i 分別為蟲傷蘋果 PC1 圖像、蘋果花萼部分 PC1 圖像、蘋果果梗部分 PC1 圖像。從圖中能夠看出，各 PC1 圖像中蟲傷區域、果梗區域及花萼區域的灰度值較低，與周邊的界限較為清晰，所以選擇 PC1 圖作為后續處理的主成分圖像。采用最大熵閾值分割方法確定蘋果蟲傷部位、果梗部位及花萼部位。圖 3i、圖 3k、圖 31 分別為蟲傷部位、果梗部位及花營部位分割后的圖像。
2.3 特征向量的提取
倘若 PC1 圖像分割出的感興趣區域存在像素點，該像素點可能是蟲傷部位或者果梗部位或者花萼部位，那么根據感興趣區域像素點的位置，提取其周邊圖像像素 160x120 的感興趣區域圖像。倘若 PC1 圖像分割出的感興趣區域沒有像素點，可能是正常蘋果，則提取 PC1 圖像中蘋果中間部分 160x120 像素大小的感興趣區域圖像。在本研究中，對 160 個蘋果樣本進行上述一系列處理，獲得 320 幅感興趣區域圖像，對這些感興趣區域圖像提取能量、熵、慣性矩和相關性 4 個紋理特征，并對其進行紋理特征分析。表 1 為各感興趣區域圖像的各紋理特征數據的統計值。
由表 1 可知，蘋果蟲傷區域的能量均值高于蘋果正常區域、果梗/花萼區域的能量均值，但是蘋果蟲傷區域的能量值與正常區域、果梗/花萼區域的能量值存在重疊。依據變異系數，各能量值數據較為穩定，只是蘋果蟲傷區域的數據波動較大，不過顯著性檢驗 P 值較小，所以蘋果蟲傷區域的能量均值與正常區域、果梗/區域的能量均值具有顯著差異。同時，蘋果果梗/區域的熵、慣性矩均值高于正常區域、蟲傷部位的均值，并且各區域間的熵、慣性矩值存在重疊。從變異系數來看，各區域熵、慣性矩值數據比較穩定，只是蟲傷區域、果梗/花萼區域的慣性矩值數據波動較大，但顯著性檢驗 P 值比較小，所以各區域的熵、慣性矩均值具有顯著差異。而蘋果果梗/花萼區域的相關性均值低于正常區域、蟲傷部位的均值，并且各區域間的相關性值存在重疊。從變異系數來看，各相關性值數據比較穩定，并且顯著性檢驗 P 值小于 0.05，所以各區域的相關性均值具有顯著差異。
三、 結論
本文借助高光譜成像技術對蘋果蟲傷與果梗/花萼的快速、無損、自動識別問題展開了研究，研究結果表明：
1)在 600 至 1000 納米的波長范圍內，蘋果的蟲傷區域和正常區域、果梗/花萼的反射光譜曲線存在一定差別。
2)通過對特征圖像的分割處理、高光譜圖像的掩膜處理與主成分分析，以及 PC1 圖像的最大閾值分割，能夠有效地分割出蟲傷區域、果梗區域和花萼區域。
3)融合紋理特征和光譜特征，運用支持向量機對蘋果蟲傷進行識別。試驗結果顯示，選取 160x120 像素大小的感興趣區域圖像、采用徑向基核函數對電傷果的識別效果最佳，總體識別率為 97.8%。
