在蘋果的生長進(jìn)程中，極易遭受各類食心蟲的侵害，致使蘋果表面產(chǎn)生蟲子蛀蝕的孔洞，由此使其失去了食用價(jià)值，降低了蘋果的質(zhì)量與商業(yè)價(jià)值。所以，蘋果是否存在蟲傷是評判蘋果質(zhì)量等級的關(guān)鍵指標(biāo)之一。然而，在實(shí)際的蘋果品質(zhì)檢測與分級系統(tǒng)里，主要依據(jù)蘋果的大小、顏色等指標(biāo)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(zhǔn)確性欠佳，很難確保分級的一致性。成像技術(shù)和光譜分析是兩項(xiàng)在檢測果品品質(zhì)信息方面極具價(jià)值的技術(shù)，具有快速、無損、可靠的優(yōu)點(diǎn)。成像技術(shù)早已成功應(yīng)用于依據(jù)蘋果的大小、顏色、形狀等方面對蘋果進(jìn)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(shù)結(jié)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(nèi)外部特性，近些年來在水果品質(zhì)無損檢測技術(shù)中得到了廣泛運(yùn)用。

一、材料與方法

1.1 試驗(yàn)樣本
此次試驗(yàn)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(gè)蘋果。這些果實(shí)的果型直徑范圍在 68.5 至 88 毫米之間，質(zhì)量范圍在 128 至 211 克之間。其中 80 個(gè)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(qū)域約為 7 至 50 毫米；另外 80 個(gè)為正常的蘋果，果梗/花萼區(qū)域約為 50 至 120 毫米。從蟲傷蘋果和正常蘋果中各自隨機(jī)選取 50 個(gè)，用于構(gòu)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(yàn)證。
1.2 高光譜圖像采集系統(tǒng)

本研究應(yīng)用了400-1000nm的高光譜相機(jī)，可采用杭州彩譜科技有限公司產(chǎn)品FS13進(jìn)行相關(guān)研究。光譜范圍在400-1000nm，波長分辨率優(yōu)于2.5nm，可達(dá)1200個(gè)光譜通道。采集速度全譜段可達(dá)128FPS，波段選擇后最高3300Hz（支持多區(qū)域波段選擇）。

二、結(jié)果與分析
2.1 相對反射率光譜曲線剖析
對 80 個(gè)蘋果蟲傷樣本和 80 個(gè)正常蘋果樣本中提取的感興趣區(qū)域（蟲傷區(qū)域、果梗區(qū)域、花萼區(qū)域及正常區(qū)域）的反射率光譜曲線進(jìn)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(guī)律與樣本數(shù)量的關(guān)聯(lián)不大，如圖 2 所示為 160 個(gè)樣本各區(qū)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(qū)域、花萼區(qū)域及正常區(qū)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(nèi)，正常區(qū)域的相對反射率均高于蟲傷部位與果梗區(qū)域、花萼區(qū)域的相對反射率。在 680 納米處，正常區(qū)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(dǎo)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(qū)域的反射率相比正常區(qū)域大幅降低；同時(shí)，果梗區(qū)域、花萼區(qū)域的葉綠素含量也較少，因此果梗區(qū)域、花萼區(qū)域的反射率也相對較低。在 500 至 700 納米之間，蟲傷區(qū)域的平均相對反射率低于果梗區(qū)域、花萼區(qū)域的光譜相對反射率。而在 750 至 900 納米之間，蟲傷區(qū)域的平均相對反射率處于果梗/花萼區(qū)域的光譜相對反射率之間，大部分樣本中蟲傷區(qū)域的相對反射率小于花萼區(qū)域的光譜相對反射率，大于果梗區(qū)域的光譜相對反射率。
2.2 感興趣區(qū)域的劃分
由圖 2 可見，在 800 至 980 納米的波長范圍內(nèi)，蟲害區(qū)域與果梗/花萼區(qū)域的相對反射率在 900 納米處差異最大，但蟲害區(qū)域與正常區(qū)域的光譜在 824 納米處差值最大，與果梗/花萼區(qū)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(qū)域、果梗/花萼區(qū)域與正常區(qū)域的對比度較強(qiáng)，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(qū)域的灰度值較高，而背景區(qū)域較低，因此可以運(yùn)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(jìn)行膨脹與腐蝕運(yùn)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(yùn)用此二值化圖像對高光譜圖像進(jìn)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(fā)現(xiàn)蘋果表面 400 至 500 米和 980 至 1000 納米范圍內(nèi)的噪聲較大，另外，在 500 至 620 和 950 至 980 納米區(qū)間，蟲害區(qū)域的光譜相對反射率與果梗區(qū)域、花萼區(qū)域、正常區(qū)域的反射率差別不大，所以選取 620 至 950 納米之間的波段進(jìn)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(qū)域的相對反射率與果梗/花萼區(qū)域的數(shù)據(jù)存在重疊，所以采用有限波段無法實(shí)現(xiàn)蟲傷區(qū)域的分割，只有選取對比度明顯的主成分圖像進(jìn)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(qū)域、果梗區(qū)域及花萼區(qū)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(xù)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(qū)域存在像素點(diǎn)，該像素點(diǎn)可能是蟲傷部位或者果梗部位或者花萼部位，那么根據(jù)感興趣區(qū)域像素點(diǎn)的位置，提取其周邊圖像像素 160x120 的感興趣區(qū)域圖像。倘若 PC1 圖像分割出的感興趣區(qū)域沒有像素點(diǎn)，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(qū)域圖像。在本研究中，對 160 個(gè)蘋果樣本進(jìn)行上述一系列處理，獲得 320 幅感興趣區(qū)域圖像，對這些感興趣區(qū)域圖像提取能量、熵、慣性矩和相關(guān)性 4 個(gè)紋理特征，并對其進(jìn)行紋理特征分析。表 1 為各感興趣區(qū)域圖像的各紋理特征數(shù)據(jù)的統(tǒng)計(jì)值。

由表 1 可知，蘋果蟲傷區(qū)域的能量均值高于蘋果正常區(qū)域、果梗/花萼區(qū)域的能量均值，但是蘋果蟲傷區(qū)域的能量值與正常區(qū)域、果梗/花萼區(qū)域的能量值存在重疊。依據(jù)變異系數(shù)，各能量值數(shù)據(jù)較為穩(wěn)定，只是蘋果蟲傷區(qū)域的數(shù)據(jù)波動(dòng)較大，不過顯著性檢驗(yàn) P 值較小，所以蘋果蟲傷區(qū)域的能量均值與正常區(qū)域、果梗/區(qū)域的能量均值具有顯著差異。同時(shí)，蘋果果梗/區(qū)域的熵、慣性矩均值高于正常區(qū)域、蟲傷部位的均值，并且各區(qū)域間的熵、慣性矩值存在重疊。從變異系數(shù)來看，各區(qū)域熵、慣性矩值數(shù)據(jù)比較穩(wěn)定，只是蟲傷區(qū)域、果梗/花萼區(qū)域的慣性矩值數(shù)據(jù)波動(dòng)較大，但顯著性檢驗(yàn) P 值比較小，所以各區(qū)域的熵、慣性矩均值具有顯著差異。而蘋果果梗/花萼區(qū)域的相關(guān)性均值低于正常區(qū)域、蟲傷部位的均值，并且各區(qū)域間的相關(guān)性值存在重疊。從變異系數(shù)來看，各相關(guān)性值數(shù)據(jù)比較穩(wěn)定，并且顯著性檢驗(yàn) P 值小于 0.05，所以各區(qū)域的相關(guān)性均值具有顯著差異。

三、 結(jié)論

本文借助高光譜成像技術(shù)對蘋果蟲傷與果梗/花萼的快速、無損、自動(dòng)識別問題展開了研究，研究結(jié)果表明：
1)在 600 至 1000 納米的波長范圍內(nèi)，蘋果的蟲傷區(qū)域和正常區(qū)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(qū)域、果梗區(qū)域和花萼區(qū)域。
3)融合紋理特征和光譜特征，運(yùn)用支持向量機(jī)對蘋果蟲傷進(jìn)行識別。試驗(yàn)結(jié)果顯示，選取 160x120 像素大小的感興趣區(qū)域圖像、采用徑向基核函數(shù)對電傷果的識別效果最佳，總體識別率為 97.8%。