苹果冲击损伤面积的高光谱无损预测方法与流程

本发明涉及光谱检测技术，具体涉及一种苹果冲击损伤面积的高光谱无损预测方法。

背景技术：

我国每年生产的果蔬损失率达25％～30％，特别是果品，有42.7％的损耗来自于机械损伤，其中冲击损伤最为严重且最容易发生。常见的冲击损伤来源于果品的跌落、果品与果品之间或者果品与包装容器之间的动态碰撞。苹果是我国的优势农产品之一，近些年来苹果产量和种植面积稳步增长。因此，提出一种快速、准确地评估和预测苹果冲击损伤的方法极为重要。

传统检测方法主要是人工感官检测或直接测量损伤的面积来建立损伤的预测模型。但该方法不仅费时费力，而且精度不高，难以适合大规模工业化自动检测分级的需求。近些年来，基于无损、快速、有效等独特优势，高光谱成像技术已经成为食品质量和安全监测的重要监测手段，尤其在苹果果实质量的评估方面有诸多应用。但目前该技术对苹果跌落损伤程度的无损评估还停留在苹果质量的分级和缺陷、损伤的定性检测方面，对损伤的无损量化及预测国内外还未见报道。因此，有必要开展基于高光谱成像技术的对苹果冲击损伤面积无损量化及预测的研究。

技术实现要素：

本发明的目的在于提供一种苹果冲击损伤面积的高光谱无损预测方法，旨在实现无损、快速、准确地检测苹果受冲击损伤后的损伤面积。

本发明是这样实现的，步骤如下：

1)确定苹果样品的冲击损伤面积

将苹果样品分为对照组(未受损)和实验组(受损)，将实验组的样品分别放置在跌落试验机的不同高度使其自由跌落产生冲击损伤；

其中，在跌落平台上苹果的冲击位置处放上测压胶片，由压力扫描仪读出测压胶片上苹果样品的损伤面积，测压胶片受冲击压力而使发色层的微胶囊破裂，导致显色层出现红色，胶片上的着色面积即苹果的损伤面积；

2)提取苹果样品受损与未受损区域的平均光谱

用近红外高光谱成像系统扫描受损与未受损样品，采集样品高光谱图像；

选取实验组样品受损伤区域和对照组样品任意区域作为感兴趣区，从样品高光谱图像提取平均光谱，获得原始光谱；

3)光谱分析

采用竞争性自适应重加权算法提取原始光谱的特征波长用于预测模型的建立，其步骤如下：

(1)蒙特卡罗采样，每次波长变量采样从建模样本集随机抽取80％-90％的样本，建立偏最小二乘回归模型；

(2)基于指数衰减函数去除不符合要求的波长变量：假定样本光谱矩阵为x(n×p)，n为样本数，p为变量数，样本浓度矩阵为y(n×1)，则偏最小二乘回归模型为：

y＝xb+e(1)

b为回归系数，e为残差；

基于指数衰减函数强行去除|bi|值相对较小的波长。在第i次采样运算后，波长变量点的保存率通过如下指数函数计算：

ri＝ae^-ki(2)

a和k均为常数。在第一次釆样时，所有的p个变量都参与建模，即r1＝1；在第n次采样时，仅2个变量参与建模，即rn＝2/p。从而计算出a和k：

使用指数衰减函数，大量不重要的波长变量逐步且有效地被去除；

(3)基于自适应重加权采样算法对保留的波长变量进行竞争性筛选，模拟达尔文进化论中“适者生存”的法则，通过评价每个波长变量的权重ωi进行变量筛选，权重值的计算如下：

回归系数绝对值权重越大的波长越容易被选中，越小的波长越容易被删除；

(4)n次蒙特卡罗采样后得到n个波长变量子集，比较每次蒙特卡罗采样产生的波长变量子集的交叉，验证均方根误差，误差值最小的变量子集为最优波长变量子集；

基于该方法提取的特征波长共10个，分别为1017，1060，1120，1167，1200，1230，1263，1370，1406，1466，单位为nm。

4)建立苹果冲击损伤面积的预测模型

由以上步骤得到的特征波长矩阵和损伤面积矩阵建立苹果冲击损伤面积的偏最小二乘回归预测模型；采集待测受损伤苹果样品的高光谱图像，提取特征波长，将特征波长矩阵输入预测模型，即得到苹果损伤面积的预测值。

本发明基于高光谱成像技术快速、准确地实现了对苹果冲击损伤面积的无损量化及预测。相对于传统的破坏性检测方法，不仅节省时间，而且避免了不必要的浪费。研究成果不仅可以用于实验室的快速分析和检测，而且可以通过开发在线检测设备和便携式仪器，用于工业自动化生产中的苹果损伤的评估。另外，该方法也为高光谱成像技术应用于农产品领域提供借鉴。

附图说明

图1为本发明经过反射率校正的苹果样品的原始光谱曲线图；

图2为本发明所有苹果样品的平均光谱曲线图；

图3为本发明基于偏最小二乘回归模型得出的实际测得损伤面积与预测损伤面积的散点示意图。

具体实施方式

下面，结合具体实施实例对本发明作进一步描述，以下所述的仅是本发明的具体实施实例，但本发明的保护范围并不仅限于此。

苹果冲击损伤面积的高光谱无损预测方法，步骤如下：

1)确定苹果样品的冲击损伤面积

将168个新鲜、无损的苹果样品分为3个组别，分别从0.5m、1.0m、1.5m高处跌落，记为h0.5、h1.0和h1.5，每个跌落高度56个样品。然后将样品分别放置在跌落试验机的三个不同高度使其自由跌落产生冲击损伤。在跌落平台上苹果的冲击位置处放上测压胶片。由压力扫描仪读出测压胶片上苹果样品的损伤面积。

2)提取苹果样品受损与未受损区域的平均光谱

分别从样品的受损和未受损区域(感兴趣区)提取平均光谱，获得原始光谱。近红外高光谱成像系统扫描时，光谱范围为900-1700nm，共256个波段，光谱分辨率为3nm。相关参数设置如下：曝光时间为20ms，移动台前进速度为1.68cm/s，镜头与样本距离为32cm。

3)光谱分析

采用竞争性自适应重加权算法提取原始光谱的特征波长用于预测模型的建立。经竞争性自适应重加权算法50次采样后，共获得50个变量子集。当采样21次时，变量子集的交叉验证均方根误差最小，其对应的最优特征波长共10个，分别为1017，1060，1120，1167，1200，1230，1263，1370，1406，1466，单位为nm。

4)建立苹果冲击损伤面积的预测模型

由以上步骤得到的特征波长矩阵和损伤面积矩阵建立苹果冲击损伤面积的偏最小二乘回归预测模型。在建模过程中，1/2的样品作为建模集，1/2的样品作为预测集。预测集的决定系数和均方根误差rmsep被用来评价模型的效果。越大，rmsep越小，意味着预测结果越好。其中，和rmsec，rmsecv分别为建模集校正系数，交叉验证系数和均方根校正误差，均方根交叉验证误差。预测结果的统计数据见表1。

表1基于高光谱模型的预测结果

注：“all”意味着建模时同时把三个组别的所有样品考虑进去

从表1中可以看出，当跌落高度为1.5m时，预测模型取得较好的预测结果。其中，和rmsecv，rmsep分别为0.96，0.8和14.43，116.73。可以看出，当跌落高度较低时模型的预测结果并不十分理想。原因总结如下：一方面，较低的跌落高度导致苹果表面损伤不明显(尤其是0.5m跌落高度)，高光谱成像仪在采集样品图像时不能有效识别损伤区域；另一方面，由于苹果形状的多样性，苹果的冲击位置并不总是落在其赤道平面附近，使得样品的损伤面积不能较好地反应其损伤程度。因此建模时当把所有组别的样品同时考虑进去，模型结果稍有改善。