1、第 卷，第期 光谱学与光谱分析 ，年月 ，苹果轻微机械损伤高光谱无损检测 集成学习模型构建张悦，李扬，宋月鹏，山东农业大学机械与电子工程学院，山东 泰安 山东省园艺机械与装备重点实验室，山东 泰安 摘要为了无损伤地检测苹果轻微机械损伤，以我国最为常见的富士苹果为研究对象，利用高光谱成像技术，采集了完好、刚损伤及损伤后、和 的样品光谱信息。采用竞争性自适应重加权算法与连续投影算法分别提取苹果高光谱数据的特征波长，并使用最小噪声分离变换方法对所选特征波长图像进行数据压缩，用以后续研究。采用随机森林（）、支持向量机（）、光谱角算法（）作为第一层训练器，以逻辑回归算法（）作为第二层训练器，建立了新的
2、模型，以提取苹果的轻微损伤区域。通过建立训练集、预测集并与第一层训练器中三个单一算法对比的方式，对其性能进行评估，结果表明：（）损伤果品的分类检测，模型对于损伤的样本，检测正确率达到了 ，对于完好样本检测正确率为 ，整体检测正确率为 ，表明该模型能有效地适用于不同损伤程度的苹果损伤分类检测。（）损伤区域的检测，模型与其他三种单一的算法进行对比发现，对于刚出现损伤的果品，支持向量机算法以及光谱角算法的分类精度较差，均低于，随机森林算法分类精度相对较好达到了 以上，而 模型分类精度对损伤和未损伤果品区域的分类精度分别达到了 与 ；对于损伤的果品，模型的分类精度对于两种果品区域的分类精度均达到了 以
3、上，明显优于其他分类模型；对于损伤 的果品，种模型差距不大均具有比较良好的分类效果，均达到 以上的分类精度，表明 模型能相对准确地提取苹果轻微损伤区域，对高光谱的果品损伤研究具有较高的参考价值。关键词 ；高光谱；苹果；机械损伤；无损检测中图分类号：文献标识码：（）收稿日期：，修订日期：基金项目：国家“十三五”重点研发计划项目（），山东省现代农业产业技术体系岗位专家专项（）资助作者简介：张悦，年生，山东农业大学机械与电子工程学院博士研究生 ：通讯作者 ：引言苹果在采摘、运输、分检过程中经常容易出现轻微的碰撞，轻微损伤和正常组织的颜色差异不大，在初期肉眼很难识别，随 着 时 间 的 推 移，损 伤
4、 区 域 会 进 一 步 褐 变 甚 至 腐烂。因此，寻求一种快速、高效地损伤检测方法，对果品质量进行鉴定具有十分重要研究意义与实用价值。国内外许多学者对苹果碰伤的无损检测进行了研究，研究结果表明使用计算机视觉技术对水果轻微损伤检测的精度不高。近年来，随着高光谱技术的发展，因其无损伤、信息量大、检测准确度高等优点，被广泛应用于果品品质的检测。年 等采用超光谱图（）的方式将三维高光谱图像转换为二维数据矩阵，然后采用偏最小二乘辨别分析的方法检测苹果损伤区域并取得了较好的效果。年 等利用高光谱信息建立了苹果损伤敏感性的偏最小二乘模型，结果表明，各冲击能量水平的模型对损伤敏感性均具有较好的预测性能。年
5、 等以芒果为样品，比较了五种方法在选定波长下分割多光谱图像，最终选用邻近算法对完好和受损像素进行了分类，正确率达到。年车文凯等获取了损伤苹果的高光谱图 像，使 用 主 成 分 分 析（，）方法进行数据压缩并通过分析建立射频模型的方式，筛选出与碰伤区域相关的 和 两个特征波段，同时通过多种算法比较，表明随机森林（，）算法比其他算法更适合苹果瘀伤的分类。由此可见，高光谱成像技术应用于苹果碰伤的检测已经取得了较好的效果，但对苹果碰伤后能够立即检测出机械轻微损伤的难度仍然较大，精度依旧不高，且对损伤区域面积精确提取的研究相对较少，这是由于苹果轻微机械损伤的初期，果品的内部化学成分几乎没有变化，导致了损
6、伤区域与完好区之间光谱差异较小，使得 苹 果 碰 伤 的 部 位 与 苹 果 完 好 区 很 难 完 全 区 分开来。针对上述情况，以富士苹果为研究对象，采集了苹果碰伤后、和 的光谱信息，采用竞争性自适应重加权与连续投影的特征波长提取方法，利用最小噪声分离变换进行数据压缩，提出了一种苹果轻微损伤的鉴别模型 ，并对其准确性做出了评估。实验部分 样品制备 年月，在山东省泰安市新时代超市挑选了 个同一批次的大小、颜色、形状均差异不大且表面无明显损伤的新鲜苹果，直径均约为。使用 型号的日本三量硬度计测得硬度约为：；使用 型号的韧跃糖度计测得糖度约为：。在苹果被运送到实验室后，苹果在常温（约 ）条件下编
7、号并保存至试验结束。碰撞实验苹果轻微损伤的碰撞试验的设计如图所示。将直径为 的金属小球从 的塑料直管顶端自由下落碰击苹果使苹果损伤。采集刚损伤苹果果梗面，侧面以及果鄂面的高光谱图像；将损伤后的苹果在常温下（温度约 ，湿度）静置、和 后又逐一采集果梗面，侧面以及果鄂面的高光谱图像。图高光谱成像系统与苹果损伤试验图：金属小球；：塑料直管；，：苹果；：支架；：置物台；：相机；：镜头；：光源；：托盘；：上位机 ：；：；：；：；：；：；：；：；：；：高光谱系统的搭建用于采集光谱信息的相机型号为 ，照明使用的设备为盏 可调钨卤灯；数据采集使用的软件为 。为使采集数据可靠，在高光谱相机每次数据采集时保持环境
8、一致。该相机采集的光谱范围为：，分辨率为 ，波段为：个。一个波段像素为：。光谱校正为了去除因操作、环境影响等产生的电子噪声，需要依据公式对采集的光谱图像进行校正。（）式（）中，为原始高光谱图像，为标准白板获取的光谱图像，为全黑光谱图像，为校正后的光谱图像。校正后的苹果光谱曲线如图所示，可以看出，苹果完好的区域与已经损伤区域的光谱曲线整体较为相似，且均出现两个波谷，这可能是由于果品中叶绿素变化和水分含量变化引起。果品碰伤后，样品损伤处的反射率逐渐下降，原因可能是：苹果受到碰撞导致了果品表面及内部细胞组织变化，造成光的散射减弱，样品组织的光学密度下降。图完好与损伤样本的平均光谱 特征波长提取竞 争
9、 性 自 适 应 重 加 权 算 法（，）与 连 续 投 影 算 法（，）具有计算速度快、筛选的特征变量少等优点在光谱提取特征波长方面有着广泛的应用。竞争性自适应重加权算法特征波长提取竞争性自适应重加权算法是一种基于蒙特卡罗采样和 （偏最小二乘）回归系数的特征波长选择方法，具体步骤分为：（）利用蒙特卡罗采样筛选出的校正集样本构建相应的偏最小二乘模型；（）计算本次采样时波长回归系数绝对值的权重并剔除绝对值较小的变量，剔除后的变量数量用指数衰减法（，）进行判定；（）根据其余变量利用自适应重加权采样筛选出波长并构建 模型，最小值 模型所对应波长即为所筛选出的特征波长。图为 方法选择特征波长过程，设置
10、运行次数为 次，当运行次数为 次时，选取波段数为 个，占波长总量的 。连续投影算法特征波长提取连续投影算法是目前优选特征波长的一种常用方法。这种算法先在光谱数据中任意选取一波长，再把此波长向其余波长进行投影，并对比其投影量，随后将投影量最多的波长代入波长组合。重复以上步骤，挑选某一数量的波长，每个第期 张悦等：苹果轻微机械损伤高光谱无损检测 集成学习模型构建新选波长和前面波长之间线性关系最弱，最终依据校正模型来确定最优特征波长。图 特征波长选择图 图 方法选择特征波长分布图 图为利用 方法选择出的特征波长分布图。选择波长数范围为，从 个波段中优选出 、和 ，共 个波段，与 提取的特征波段共有个
11、重复波段。综合上述两种特征波长提取方法，共筛选出 个波段参与后续建模。最小噪声分离变换最小噪声分离变换（，）的主要步骤为：设高光谱图像的每个观测信号为，若假定噪声信号与理想状态下的信号不相关，则有（）式（）中：为原始观测信号；为噪声信号；为理想状态下的信号。首先采用低通滤波的方式从原始图像中分离出图像噪声，并计算出的协方差矩阵，和的协方差矩阵。计算的特征值和特征向量，使得特征值满足，其中为高光谱图像的波段数，则 变换可表示为（）与 变换相比，变换按照信噪比从大到小排列，而不像 变换按照方差由大到小排列，从而有效减少了噪声对影像质量的影响。前几个 图像包含了大部分最小噪声分离变换后的信息。为了选
12、择适当的 图像数量，计算前六个 图像的特征值，如图（）所示。第一个主成分的特征值达到 ，前四个 图像的特征值占图像信息的 ，包含了图像信息的主要成分。而在第五、六个 图像信息量只占累计信息量的不到，且由图（）可知，图像 中有较为清晰的识别损伤区域，有利于损伤区域的提取，及之后图像均以噪声为主，模糊不清。因此只保留前个 图像的信息。图最小噪声分离变换图像 分割方法首先对利用最小噪声分离变换后的数据进行 选择并标记，选取 的像素作为标记大小，分为损伤区域与完好区域，根据所选变换后图像的平均像素数据，将所选择的 中的所有像素点的光谱均参与建模。将感兴趣区域下每个完好区域的像素光谱与损伤区域像素光谱提
13、为数据集，并作为数据集 展开。为了尽可能保证分类模型的准确性，将 分割为训练集和测试集，比例为。模型测试与对比为了达到更好的分类效果，测试了种分类算法分别光谱学与光谱分析第 卷为：随机森林（决策树数量为 ）、支持向量机（核参数 ，惩罚参数 ）、光谱角（阈值 ），以及本文模型 。模型是 开发，将多个训练器分层组合的学习方法。首先利用交叉验证将原始数据变换成新特征，并在此基础上利用第二层训练器训练新特征。与传统模型不同的是，模型结合了不同的基础训练器来实现新模型的构建。如图所示，利用 模型对苹果轻微损伤进行检测的步骤主要分为：（）将分割好的训练集和测试集，利用交叉验证的方式在第一层训练器中进行训练
14、；（）每个第一层训练器中的模型进行训练后，在测试集上得到相应的预测值；（）将第一层训练器中的结果输入到第二层训练器中作为新的特征量进行训练并得到最终的分类结果。图 模型图 模型具有鲁棒性强、迁移能力强等特点，而第一层训练器内模型性能对于 模型预测结果影响很大，因此在第一层训练器内选取学习能力强、差异度大的模型做第一层训练器能够改善预测结果。其中随机森林利用引导聚集算法学习，能力突出、数学理论严密；支持向量机具有较强的泛化能力、在处理高维度回归问题上有优势；光谱角算法由于训练效率高而在光谱分类中有较多的应用。第二层分类器选用逻辑（）算法，因其不仅配合 正则化还可以进一步防止过拟合、还具有选择有效
15、特征，从第一层的训练器中删除不必要的分类器等优点。正则化的主要目的是控制模型复杂度，减小过拟合。采用基本的正则化方法，在原目标函数中添加惩罚项，对复杂度高的模型进行“惩罚”。?（；，）（；！，）（）（）式（）中：为训练样本；为样本标签；为权重系数向量；为目标函数；（）为惩罚项；为控制量。不同的函数对权重的最优解有不同的偏好，因而会产生不同的正则化效果。当（）时，为 正则。综上所述，经多次实验组合，最终采用随机森林（，）、支 持 向 量 机（，）、光谱角算法（，），个模型作为第一层训练器，利用 作为第二层训练器进行融合得到集成模型。果品轻微机械损伤区域检测分别使用 与 算法分别提取苹果高光谱数据
16、的特征波长，得到两组特征波长值，再将这两组特征波长图像组合进行 变换，保留前幅图像作为数据集，建立 模型，并进行逐像素筛查图像中苹果损伤区域，整体算法流程图如图所示。图苹果损伤提取算法流程图 结果与讨论为了验证上述分类方法的效果，对苹果整体损伤分类与损伤区域分割均进行有效性验证。损伤苹果检测结果利用 模型分别对 个苹果进行不同时段的损伤检测，如表所示。个完好样本，有一个误检；对于损伤的样本，检测正确率达到了 。完好样本被误检的原因可能是由于拍摄高光谱图像时由光照在苹果表面产生的光斑被错误检测为损伤所造成。结果表明，模型能有效地适用于不同损伤时段的苹果损伤检测，其样本整体检测正确率为 。表损伤苹果检测结果表 样本类型数目正确检测数目正确率无损伤样本 损伤样本 损伤样本 损伤样本 损伤样本 损伤 样本 总计 第期 张悦等：苹果轻微机械损伤高光谱无损检测 集成学习模型构建 损伤区域检测结果采用种不同的分类方法建立模型。种模型对苹果完好区域、损伤区域与平均值的分类精度如表所示。由表可以看出，种分类模型对于刚出现损伤的果品，算法以及 算法的分类精度较差，均低于，算法分类精度较好达到了 以上，模型
