基于MSC-CFS-ICA的苹果轻微损伤高光谱检测方法与流程

本发明涉及应用高光谱技术对农产品进行无损检测的应用技术领域，具体涉及一种基于msc-cfs-ica的苹果轻微损伤高光谱检测方法。

背景技术：

苹果是我国的第一大水果，是我国的优势农产品之一。苹果在采摘及运输过程中很容易由于碰撞、挤压而引起损伤。损伤通常发生在果皮之下，损伤初期果实外观变化并不明显，肉眼很难识别。受损的组织在几小时内发生褐变，继而引发组织的软化或水分流失，最终导致微生物感染而腐烂，影响品质。目前水果的采集过程中针对病害的检测大多是以人工分拣和机器视觉的方法。人工分拣一般通过目测来判断水果的外部缺陷，具有主观性强、评价标准不一致并且效率较低等缺点。机器视觉技术已广泛应用于水果行业外部缺陷的检测，以实现自动化的在线分选。然而，在可见光范围(400-700nm)内健康和损伤区域的特征非常相似，因此当水果损伤后的氧化褐变有限时，通常很难被检测。高光谱成像(hyperspectralimaging，hsi)技术可以同时获取空间和光谱信息，具有分辨率高，波段数多的特点，近些年越来越多的被应用于农产品品质的无损检测中，所以采用可见-近红外光谱(400～1000nm)对苹果轻微损伤进行快速识别及无损检测。

传统技术存在以下技术问题：

国内外学者对于苹果轻微损伤的高光谱无损检测也进行了大量研究。国外的piotr等人使用可见光/近红外(400～1000nm)和短波长红外(1000～2500nm)范围内的高光谱图像结合多种有监督的分类模型，对损伤两周内的苹果损伤天数进行预测分析，结果表明高光谱成像技术用于检测损伤天数在两类光谱范围内都具有良好适用性。sun等采集了400～1000nm范围内的高光谱图像，使用连续投影算法选择特征波长，然后分别使用偏最小二乘回归分析，支持向量机，及人工神经网络模型进行建模分析，试验结果表明，该系统可以对桃子的冻伤等级进行分类。刘思伽等人采用二次连续投影算法提取特征波长，然后分别采用线性判别分析、支持向量机和bp人工神经网络模型进行分类，完成了寒富苹果病害的分类检测。

技术实现要素：

本发明要解决的技术问题是提供一种基于msc-cfs-ica的苹果轻微损伤高光谱检测方法。

为了解决上述技术问题，本发明提供了一种基于msc-cfs-ica的苹果轻微损伤高光谱检测方法，包括：

获取苹果样本的原始高光谱图像；

提取原始高光谱图像的平均光谱反射率数据；

使用多元散射校正算法对原始高光谱的平均光谱反射率进行预处理；

针对预处理后的光谱数据采用了基于相关性的特征选择算法，选择出与苹果损伤分类相关性高的特征波长；

基于特征波长使用独立成分分析变换获得损伤图像，通过自适应阈值分割算法得到损伤区域，完成苹果损伤的检测。

在其中一个实施例中，“获取苹果样本的原始高光谱图像；”之后，对原始高光谱图像进行黑白校正，然后进行“提取原始高光谱图像的平均光谱反射率数据；”。

在其中一个实施例中，“对原始高光谱图像进行黑白校正”中黑白校正公式如下：

其中，rr为原始噪声图像，rd为采集的黑板校正图像，rw为校准参考板的白标定图像，rn为校正后的高光谱图像。

在其中一个实施例中，“针对预处理后的光谱数据采用了基于相关性的特征选择算法，选择出与苹果损伤分类相关性高的特征波长；”中，所述特征波长的选择具体包含：

将所有样本按照3:1的比例分为训练集和测试集，在训练集中计算特征与类和特征与特征之间的相关矩阵；

使用最佳优先搜索搜索特征子集空间，最佳优先搜索从空集开始；特征子空间为空时，所有单个特征波长均可能为特征波长，计算特征波长的价值，其中，特征波长的价值用merit值表示；

计算单个特征波长的merit值，选择merit值最大的一个特征波长进入特征组合m；

选择其次于最大merit值的特征波长进入m，将两个波长组合，如果这两个特征组合后的merit值小于原来的merit值，则去除第二个特征，选择下一个进入；

重复“计算单个特征波长的merit值，选择merit值最大的一个特征波长进入特征组合m；”和“选择其次于最大merit值的特征波长进入m，将两个波长组合，如果这两个特征组合后的merit值小于原来的merit值，则去除第二个特征，选择下一个进入；”，依次递进，找出使merit值最大的特征波长组合。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

本发明的有益效果：

本发明是使用美国soc710vp高光谱成像仪，采集波段范围为400～1000nm(共128个波段)的富士苹果正常及不同损伤时间的高光谱图像，选择图像中合适的区域作为感兴趣区域并提取平均光谱反射率。使用多元散射校正对原始高光谱数据进行预处理。针对预处理后的光谱数据采用了基于相关性的特征选择算法选择特征波长，克服了以往损伤检测算法所需的特征波段数过多，检测精度不够高的不足。基于特征波长使用独立成分分析变换从而获得损伤图像，通过自适应阈值分割算法获得损伤区域，实现了对不同损伤时间的苹果轻微损伤样本进行快速、有效且准确的识别，同时能够直观识别出苹果损伤区域，更有利于在线检测系统的实现。在提出的方法中，对原始高光谱图像进行黑白校正，有利于减少图像噪声，可用于后续数据分析。

附图说明

图1是本发明基于msc-cfs-ica的苹果轻微损伤高光谱检测方法中的高光谱图像采集系统示意图。

图2是本发明基于msc-cfs-ica的苹果轻微损伤高光谱检测方法中的苹果样本原始光谱反射率曲线。

图3是msc方法预处理后的光谱反射率曲线。

图4是针对全部波长进行ica变换的高光谱图像。

图5是针对特征波长进行ica变换的高光谱图像。

图6是本发明基于msc-cfs-ica的苹果轻微损伤高光谱检测方法的全部流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

大多数学者基于高光谱成像技术结合化学计量法对水果的缺陷进行检测，但常用的特征波段提取算法通常提取的特征波段数多，数据冗余较大，处理数据仍较为繁琐，不利于水果品质的在线检测。另外，大多数研究并未考虑到水果轻微损伤随时间推移而产生的影响，不符合水果质量检测的实际情况，故对于水果样本不同时间损伤的检测精度需要进一步的分析。

发明提出的一种基于msc-cfs-ica的苹果轻微损伤高光谱检测方法，包括：

步骤1：利用高光谱成像仪采集苹果样本的原始高光谱图像，高光谱采集系统如图1所示，它能够采集400～1000nm(共128个波段)的光谱图像，光谱分辨率为4.68nm，成像分辨率为1392x1040，确保了数据的准确性及可靠性。为了减少周围光线的影响，高光谱图像的采集均在暗箱中操作，采用卤素灯作为光源，设置升降台高度为40cm，积分时间为25ms，垂直于苹果表面扫描成像。每次扫描同时获取暗电流及参考板数据。

步骤2：使用sranal710软件对原始高光谱图像进行黑白校正，黑白校正的方法为：每次使用高光谱成像仪扫描样本时，同时获取暗电流及参考板数据，通过如下公式进行降噪处理：

其中，rr为原始噪声图像，rd为盖上摄像机镜头盖采集的黑板校正图像，rw为美国nist溯源校准参考板的白标定图像，rn为校正后的高光谱图像。通过envi4.7软件提取黑白校正后的原始高光谱图像的平均光谱反射率数据。

步骤3：使用多元散射校正算法对原始高光谱的平均光谱反射率进行预处理。图2所示是本发明中的富士苹果的样本原始光谱反射率曲线，曲线存在一定的噪声，故使用多元散射校正对原始光谱反射率进行预处理，以最大化减少随机变异，提升检测的准确性。经过预处理后的高光谱反射率图像如图3所示。

步骤4：针对预处理后的光谱数据采用了基于相关性的特征选择算法，选择出与苹果损伤分类相关性高的特征波长。由于高光谱图像包含大量的数据，可以为苹果的损伤分类提供丰富的信息。但由于光谱波长较为连续，邻近波长间的相似性很高，所以通常会存在大量的数据冗余，使得运算费时较长，不利于苹果损伤的在线检测。所以需要提取能够代替全波长进行分类处理的特征波长，从而减少数据冗余进而简化数据运算。

步骤5：基于特征波长使用独立成分分析变换获得损伤图像，如图5所示。独立成分分析是近年来发展起来的一种统计方法，是盲源分离(blindsourceseparation,bss)的重要分支。盲源分离是指当源信号与信号混合模型未知时,从混合信号中分离出源信号的过程。由于独立成分分析在特征提取中的优势，所以已经逐渐应用于高光谱图像的处理中。其算法原理如下:

将独立成分表示为随机列向量s＝[s1,s2,···,sn]^t，独立成分的观测值表示为随机列向量x＝[x1,x2,···,xn]^t，矩阵a(m×n)表示为s的系数aij。假设s1,s2,···,sn之间相互保持统计独立，则有

xi＝ai1s1+ai2s2+···+ainsn(i＝1,2,···,m)

那么独立成分分析的模型可用矢量形式表示为

x＝as

由于s和a均未知，独立成分分析的目的即寻找si的最优估计，使得

s＝bx

上式中，b是ica模型的分离矩阵，b＝a^-1,a^-1即a的逆矩阵。

在损伤图像上通过自适应阈值分割算法得到损伤区域，完成苹果损伤的检测，整体的损伤检测算法流程图如图6所示。

下面更具体地介绍本申请的一个应用场景：

(1)本发明首先需要借助高光谱图像采集系统获取富士苹果的高光谱图像，如图1所示为高光谱图像采集系统示意图。实验设备选择的是美国soc710vp高光谱成像仪，它能够采集400～1000nm(共128个波段)的光谱图像，光谱分辨率为4.68nm，成像分辨率为1392x1040，确保了数据的准确性及可靠性。为了减少周围光线的影响，高光谱图像的采集均在暗箱中操作，采用卤素灯作为光源，设置升降台高度为40cm，积分时间为25ms，垂直于苹果表面扫描成像。每次扫描同时获取暗电流及参考板数据。

(2)由于光照强度的不均匀性以及ccd探测器中存在暗电流，所以采集的高光谱图像通常具有较大噪声，不能直接用于数据分析，故使用sranal710软件对原始高光谱图像进行黑白校正，通过envi4.7软件提取校正后的高光谱图像的平均光谱反射率数据用于后续数据处理。

(3)图2所示是本发明中的富士苹果的样本原始光谱反射率曲线，可直观看出曲线存在一定的噪声，故使用多元散射校正对原始光谱反射率进行预处理，以最大化减少随机变异，提升检测的准确性。经过预处理后的高光谱反射率图像如图3所示，经过多元散射校正后，原始光谱反射率的噪声被减少，另外在640～700nm及780～900nm的部分，完好样本与损伤样本的差别较大得以凸显，更有利于苹果损伤样本的识别。

(4)通过多元散射校正对原始光谱反射率进行预处理后，使用基于相关性的特征选择算法选择出与苹果损伤分类相关性高的特征波长。过程如下：首先从训练集中计算特征与类和特征与特征之间的相关矩阵，使用最佳优先搜索搜索特征子集空间。最佳优先搜索从空集开始，开始时没有选择任何特征波长，所有单个特征波长均可能为特征波长，随后计算特征波长的价值(用merit值表示)，首先选择merit值最大的一个特征波长进入特征组合m，然后选择其次拥有最大的merit值的特征进入m，如果这两个特征组合后的merit值小于原来的merit值，则去除第二个特征，选择下一个进入，这样依次递进，找出使merit值最大的特征波长组合，即为本发明中所选择的特征波长。经过基于相关性的特征选择算法选择后，共有8个波段被选为特征波长，分别为波长1，51，82，92，93，115，117和124，仅为原始128个波段的6.25％，极大地减少了数据冗余，提升了运算的速度

(5)选择出特征波长后，使用独立成分分析对特征波长图像进行变换从而获得损伤图像，针对苹果的损伤图像使用自适应阈值分割算法分离出损伤区域，从而实现苹果损伤的检测。

独立成分分析是降低高光谱图像维度的重要方法，在本发明中，首先使用ica技术对400～1000nm的全波段图像进行变换，然后针对对特征波段图像进行变换，图4和图5显示了损伤时间为1天的苹果全波段高光谱图像和特征波段高光谱图像的变换结果。从图中可看出，基于全波段与特征波段的ica变换，各成分图像显示的苹果表皮信息基本一致，说明了特征波段的有效性。比较前4个成分图像可知，ica1图像包含了苹果整体信息；ica2图像反映了苹果表皮的一些形态学特征，如纹理、斑点等；ica3图像较为明显的显示了苹果的损伤区域；ica4图像主要反映了苹果的轮廓信息，因此选用ica3图像对苹果进行下一步的损伤检测。基于全波段和特征波段图像对所有样本进行变换，结果相似，由此可证明特征波段可以代替全波段进行苹果轻微损伤检测。

图6为苹果轻微损伤检测算法流程图。观察图2的平均光谱反射率可知，在波长为822nm处的反射率最高，故选用此波段的图像生成掩模；对特征波段进行掩模处理，以减少背景干扰，掩膜处理后进行ica变换，并选择ica3成分图像采用自适应阈值分割算法，最终得到损伤图像。

使用上述损伤检测算法对所有苹果高光谱图像样本进行检测，检测结果如表1所示。由表1可知，所有样本的识别率达94.75％，表明使用该种检测方法同样能够在特征波长下实现苹果的轻微损伤检测。

表1是苹果损伤后不同时间的检测结果

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。

一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。