基于高光谱成像技术的青香蕉碰撞损伤检测与可视化研究

1.材料与方法

1.1 青香蕉碰撞损伤程度分类

青香蕉的品质分级标准中，果身表面的机械类损伤面积是一个重要指标。标准规定，果身表面无碰压伤的青香蕉属于优等品；碰压伤面积小于1cm²的属于一等品；碰压伤面积为1～2 cm²的属于二等品；碰压伤面积大于2cm²，属于劣等品将不进入市场。将碰伤的香蕉置于温度15℃、相对湿度88%的恒温恒湿环境中保存48 h取出切开，损伤面积如表所示。

1.2 高光谱图像采集系统

试验可采用彩谱科技有限公司的高光谱成像仪，主要包括高光谱相机、光源、载物台、滑轨、计算机控制硬件和软件系统。光源采用仪器自带的卤素灯，光谱仪的光谱范围为400～1000 nm,采样间隔为2.39 nm,将光谱范围分为256个频带范围。仪器扫描的具体参数设置：曝光时间20 ms,移动台前进速度1.4 cm/s,回退速度2cm/s,镜头与样本距离42 cm。

本研究使用的光谱数据由256维图像组成。区别于三维的RGB图像，高光谱图像的数据信息高维且冗余，如果对每份样品的所有图像进行处理，不仅工作量庞大且后续的建模效果不佳。如图所示是同一份样品在不同波段下(500、600、700、800nm)的图像，对比可知：不同波段下的图像其呈现出的碰伤情况存在差异。因此探究青香蕉关于碰撞损伤的特征波段，利用特征波段下的图像提取碰伤部位的光谱数据，可为后续的检测模型提供可靠且精准的数据集。

结果与分析

2.1 原始光谱数据预处理结果

使用软件进行预处理，首先对原始光谱进行多项式平滑法处理，再采用多元散射校正法对光谱进行预处理，以降低极限漂移和散射效应。对原始样本数据集如图a先进行SG处理，将处理后的光谱曲线再进行多元散射校正法处理。处理后的效果如图b所示。可以看出，预处理后的光谱曲线修正了部分反射率为1的数据，总体曲线更加归一且平滑，噪音点减少，曲线的凹凸处变少。说明该预处理方法效果较好，后续研究所用的光谱数据皆为经过SG和MSC方法预处理后的数据。

2.2 基于BP神经网络的检测模型和可视化碰伤等级图像通过图像分割流程，将918张灰度图像进图像分割，提取香蕉碰伤部位的轮廓区域，同时利用图像全像素点下的反射率数据，用光谱反射率数据去表示碰伤轮廓区域的每个像素点所代表的信息。

对健康样品、轻度碰撞伤样品、中度碰撞伤样品、重度碰撞伤样品的测试集的识别准确率分别为97.53%、92.59%、93.82%和96.29%,平均碰伤程度的判断准确率为95.06%。为了更好地展示分类结果，同时考虑检测的可视化，对每一个像素点用“00”代表健康，标记为黄色RGB(255,255,0);“01”代表轻度碰撞伤，标记为蓝色RGB(67,142,219);“10”代表中度碰撞伤，标记为紫色RGB(128,0,128);“11”代表重度碰撞伤，标记为红色RGB(255,0,0)的方式进行最后的输出显示。其中区域的总体识别结果若有85%以上的相同数值和颜色，那么本区域都用此数值和颜色进行归一显示，最后的可视化图像如图所示。

结论

本文以青香蕉为研究对象，利用高光谱成像仪采集青香蕉健康表面和不同碰伤程度香蕉的光谱反射率数据和不同波段下的图像信息，结合特征变量筛选对青香蕉的碰撞损伤程度进行了研究，主要结论如下：

1) 采用3种类型的支持向量机算法，验证了青香蕉碰撞损伤的识别机理以及采用光谱数据和图像信息结合进行无损检测的合理性。

2) 对通过预处理和异常样本剔除后的数据进行特征波长提取和验证，得到9段特征波长。

3) 通过获取特征波长段下的图像，提取碰撞损伤区域的轮廓分布边界数据以及该区域的每个像素点对应的光谱反射率数据。将此数据作为BP神经网络的输入层进行训练，最后得到的模型对健康样品、轻度碰撞伤样品、中度碰撞伤样品、重度碰撞伤样品的测试集识别准确率为97.53%、92.59%、93.82%和96.29%。