基于SOC710高光谱成像仪提取苹果损伤区域的研究

黑龙江大学黑龙江省电子工程重点实验室

苹果表皮上的损伤会直接影响苹果的储存和销售。本研究通过获取60个受损苹果（0、12和18h）的高光谱图像(HIS)，利用损伤区域和健康区域反射光谱差异来提取损伤区域。本研究使用主成分分析（PCA）消除高光谱图像立方体的冗余数据，压缩数据大小。在选择感兴趣区域（ROI）后，构建多种分类模型。结果表明随机森林（RF）模型具有较高且稳定的分类精度，RF算法更适合于苹果的损伤分类。

苹果损伤系统

高光谱测量系统

光谱仪选择SOC710便携式高光谱成像仪，该光谱仪采用内置平移推扫，图像无任何畸变。整个HSI系统放置在一个大小约120cm×120cm×160cm的铝框中。内置四个卤钨灯，框架上覆盖遮阳布，可以防止大部分光线进入箱体，避免外部光线的影响。

苹果光谱数据

目标区域的选取

数据处理流程（所有预处理或建模算法均基于Python）

主成分分析结果

不同算法的分类结果

随机森林模型的交叉验证结果

PCA算法分类结果

在损伤的早期阶段，总糖含量和水分迅速消耗，其次是类胡萝卜素和叶绿素色素。鉴于早期损伤苹果中的营养成分与化学成分变化不大，初期不会造成光谱变化，随着时间的推移，还原糖、维生素C和总糖的含量不断减少，损伤区域的化学成分差异越来越大，损伤区域越来越容易辨别。

结论：

1、根据建立的随机森林模型，研究发现在675nm和960nm两个特征波段可检测苹果损伤。

2、高光谱图像的连续波段之间存在大量的冗余信息。并非所有波长都与被测物体有关。使用完整波段数据进行建模可能导致较长的计算时间并消耗大量内存，因此，有必要在建模之前减小数据大小并筛选有用的信息。在这项研究中，使用PCA算法压缩数据大小，不仅消除冗余数据，且降低了图像噪声的影响。

3、随机森林模型比其他模型更加精确和稳定，在提取苹果损伤区域时，特别是在损伤边界不明显的情况下，出错率较小，最有效，平均准确率达到了99.90％。以上研究表明该技术可用于获得苹果完全受损区域，并有可能在苹果品质分选和分级系统上得到广泛应用。