基于高光谱成像的苹果品种快速鉴别

马惠玲 王若琳 蔡 骋 王 栋

(1.西北农林科技大学生命科学学院， 陕西杨凌 712100； 2.西北农林科技大学信息工程学院， 陕西杨凌 712100)

基于高光谱成像的苹果品种快速鉴别

马惠玲1王若琳1蔡 骋2王 栋1

(1.西北农林科技大学生命科学学院， 陕西杨凌 712100； 2.西北农林科技大学信息工程学院， 陕西杨凌 712100)

以“乔纳金”苹果，“红富士”苹果和“秦冠”苹果共90个试验样本为试材分别采集865～1 711 nm的近红外波段高光谱图像，选取苹果图像感兴趣区域(ROI)，以分辨率2.8 nm提取其平均反射光谱数据，分别利用K近邻法(KNN)和径向基核函数支持向量机(RBF-SVM)进行品种判别，5折交叉检验。结果表明，3种苹果的近红外高光谱图像均在波长941～1 602 nm之间变得清晰，该区域200个波段下的平均反射光谱数据经KNN法中的10种距离算法评判，当K取值3和5时，切比雪夫距离、欧几里得距离和明可夫斯基距离3种距离算法的识别正确率均达到100%；SVM-RBF核函数模型中，γ取值为2-8～1的范围内识别正确率均在92%以上，当γ取值2-5，C取值为16和32时，识别正确率最高，为96.67%。故利用近红外高光谱图像技术结合KNN计算对苹果品种进行快速鉴别是优异和可靠的方案。

苹果； 品种鉴别； 高光谱成像； K近邻法； 支持向量机

引言

苹果在世界果品市场上占据着重要地位，有些苹果品种成熟期、外形、色泽、风味差异较大，感观易于辨别；有些则成熟期、大小、着色、口感均比较接近，非专业人员品评辨识准确率不高，更难以在采后处理流水线上快速鉴别。不同品种的田间栽培条件、采后贮藏特性、价格均差别较大，急需一种简便、无损的苹果品种快速鉴别方法。

目前，国内外学者在鉴别物质品种的研究方面主要采用近红外光谱技术(NIRS)，根据全谱段或多波长下的光谱数据对待测物进行定性或定量分析，从而反映待测物的类型或有机物的含量[1]。有学者利用近红外光谱技术对葡萄[2]、梨[3]、苹果[4]、草莓[5]、鲜枣[6]和杨梅[7]等水果品种进行鉴别。此外，还有对水稻[8]、玉米[9-10]和小麦[11]等经济作物品种鉴别的研究报道。然而，近红外光谱技术只提供对检验客体某一较小区域的光谱信息，无法得到样本的空间信息，因而存在检测范围小和信息获取量少的弊端。

高光谱成像技术结合了传统成像技术和现代光谱技术，能够在更大范围内同时获取样本的光谱信息和空间信息，对于生物材料的光谱学特征差别识别敏感度高，因此能全面地反映被测物的种类及品质[12-13]。张初等[14]采用高光谱成像技术对西瓜种子品种进行鉴别，发现经过SG平滑算法对光谱进行预处理后，基于特征波长选择所建立的极限学习机(ELM)模型取得了最佳效果，建模集和预测集的识别准确率均达到100%；WANG等[15]利用高光谱成像对稻米品种进行鉴别，发现基于数据融合的逆反馈人工神经网络(BPNN)对稻米品种的识别率最高，为94.45%，优于单独基于光谱数据(89.91%)或图像数据(88.09%)的结果。LIU等[16]利用高光谱成像对3个荔枝品种进行分类，得出支持向量机(SVM)分类模型对校正集和预测集的识别率分别为100%和87.81%。孙俊等[17]利用高光谱成像技术对3个地区的红豆样本进行分类，发现引入遗传算法(GA)优化的概率神经网络(PNN)模型识别效果最佳，识别正确率达到了97.5%。

本文采用上市期有交叉，并均着红色的“乔纳金”、“红富士”和“秦冠”3个品种的苹果为试材，逐一采用近红外高光谱成像技术获得各苹果的光谱数据，提取并分析各个苹果感兴趣区域(ROI)的光谱反射平均值，结合K近邻算法和支持向量机的建模方法，实现对苹果品种的分类鉴别，以期为近红外高光谱成像技术鉴别苹果品种的实际应用提供参考。

1 材料与方法

1.1 试验材料、设备及软件

1.1.1 试验材料

试验用苹果分3个品种(图1)，分别于商品成熟期采收：“乔纳金”苹果于2015年9月20日采于陕西省白水县西北农林科技大学苹果试验示范站果园；“红富士”苹果于2015年10月14日也采自该示范站果园；“秦冠”苹果于2015年10月20日采于陕西省宝鸡市扶风县段家湾镇青龙村农家果园。采收后各品种均选取大小相近、着色均匀、无机械损伤的果实30个，当天运回西北农林科技大学实验室，置于室温(20℃)下24 h。逐一编号，1～30号代表“乔纳金”苹果，种类代号为1；31～60代表“红富士”苹果，种类代号为2;61～90号代表“秦冠”苹果，种类代号为3。此编号为后续划分训练样本和测试样本做准备。

图1 苹果样本Fig.1 Apple samples

1.1.2 试验设备

高光谱图像采集系统结构如图2所示。该系统由1台ImSpector N17E型近红外光谱仪(芬兰Spectral Imaging Ltd.公司)，1台像素为320×256的XEVA2616型面阵CCD相机(比利时XenICs Ltd.公司)，1套高稳定性的卤钨灯白光光源，1台高精度的电控平移台装置和计算机等组成。近红外高光谱成像系统采集光谱范围为865～1 711 nm，光谱分辨率2.8 nm，入射光狭缝宽度为30 μm。

图2 高光谱图像采集系统示意图Fig.2 Schematic of hyperspectral imaging system1.计算机 2.CCD相机 3.光谱仪 4.镜头 5.光源 6.暗箱7.光源控制器 8.电动机 9.电控移动载物台

1.1.3 软件

高光谱图像采集由Spectral SENS-V17E软件(英国Gilden Photonics Ltd.公司)完成，后续的图像数据处理采用ENVI 4.7软件(美国Research System公司)，光谱数据分析软件为Matlab 7.4(美国MathWorks公司)。

1.2 试验方法

1.2.1 高光谱图像的采集

在高光谱图像数据采集前需要对镜头焦距进行调整，保证平台移动速度、相机曝光时间和光源相互匹配以确保采集图像清晰不失真[18]。经过多次调整及参数优化，最终确定高光谱摄像机的各参数为：平台移动速度20 mm/s，相机的曝光时间10 ms，物距200 mm，采集到的高光谱图像块尺寸为320×256×255(像素×波段数，即每个样品采集255个波段下像素为320×256的二维图像)。采集光谱时，每次将1个苹果样本放于载物台上，保持果柄-花萼轴与载物台垂直，使载物台中心对准相机。当平台移动时，近红外高光谱仪从上往下扫描样本，每次扫描得到1行图像的光谱信息，平台带动样本运动的过程中，获取其他位置直至整个样本的光谱信息。为了消除果实果柄面和果顶面形状差异对光谱采集的影响，对每个苹果样品均进行2次光谱采集，第1次采集果柄面，第2次采集果顶面，将2次光谱反射平均值作为该样品的光谱数据。以同样的方法依次采集90个苹果样品的近红外高光谱图像。这样，就得到了每个果实的物理和化学因素综合影响下的高光谱谱图(相当于各品种的高光谱指纹图谱)。

1.2.2 光谱校正

为了消除因苹果形状差异、光源强度在各波段下分布不均以及摄像头中暗电流存在而产生的噪声影响，需对获得的高光谱图像进行黑白标定[19]。首先对反射率为99%的标准白色校正板进行图像采集，得到全白的标定图像W，然后关闭光源拧上镜头盖，采集全黑标定图像D。图像校正公式为

(1)

式中R0——原始的高光谱图像R——校正后的图像

1.2.3 感兴趣区域的选取

利用ENVI 4.7软件，对图像经过滤波和形态学算法处理后，选取苹果的果柄面和果顶面分别作为感兴趣区域(Range of interest，ROI)，如图3所示，并求ROI的反射光谱曲线。将两面的反射光谱曲线进行数据收集并取反射光谱平均值作为数据集合。

图3 苹果果实ROI的选取Fig.3 ROI region selection of apple fruit

1.2.4 苹果理化特征的测定

(1)果实硬度

采用GY-3型果蔬硬度计(意大利)。各果实沿赤道线选取2个等分点，各点削去约1.5 cm2的果皮，匀速插入直径0.8 cm的端头至刻度线(1 cm)，记录最大穿透力，2个点的值取平均后记为每个果的硬度。

(2)可溶性固形物

采用WY032T型折光仪测量待测样液的折光率，在折光仪上直接读出可溶性固形物质量分数并重复3次。

(3)可滴定酸质量分数

称取100 g果肉榨成苹果汁并测量体积，每次取5 mL的苹果汁，定容至100 mL容量瓶中，取25 mL滤液加入酚酞指示剂，用0.1 mol/L NaOH溶液滴定至溶液颜色呈淡红色，且维持1 min不褪色，记录消耗的NaOH溶液体积。可滴定酸质量分数计算公式为

式中N——NaOH溶液浓度，mol/LW——样品鲜质量，gV——样品液制成总体积，mLV1——吸取样品滤液体积，mLV2——滴定时消耗NaOH溶液用量，mLA——与1.00 mL NaOH标准溶液相当的试样主体酸质量，g

1.2.5 不同品种的区分方法

K近邻(K-nearest neighbor,KNN)算法的基本思想很直观，即对若干类样本，按照高维空间的距离度量，搜索出最相似的K个近邻，然后对近邻样本所属的类别标签进行分析，判断待测样本的类别[20]。由于不需要先验训练用于区分任意2个类别间的判别子分类器，并且支持增量学习等优良特性，KNN算法具有很强的适应性。在采样数据较为充分的情况下，KNN算法能够取得优秀的分类性能，具体表现在分类结果取决于近邻样本的类别标签，因此不会受到少量噪声的干扰，这大大提高了算法对噪声的鲁棒性和抗变换性。

在已知待测样本K个近邻的类别时，待测样本的类别有不同的判断方法。最直观的方法是找出这K个近邻中出现次数最多的类别来作为待测样本的类别。更完善的方法是将近邻与待测样本间的距离作为权重来计算这K个近邻所属类别的重要程度，加权统计得到最重要的类别来作为待测样本的类别。

样本在特征空间中的相似程度由距离度量的定义来决定，着重点在特征空间中距离时，可以选用欧氏距离和城市街区距离等；着重于矢量的夹角时，则选用余弦相似度量更为合理。对于苹果光谱这样内部作用机理复杂的信号而言，难以先验地获知哪一种距离度量更为合理，常见的做法是对于可能的距离度量方案通过实证进行筛选，以获取能够与模型最吻合的距离度量。对于n维空间中的2个样本X(X1,X2,…,Xn)和Y(Y1,Y2,…,Yn)，本文采用Matlab函数中内置的10种距离度量方法，其计算方法如下：

城市街区距离

(2)

切比雪夫距离

dChebychev(X,Y)=max|Xi-Yi|

(3)

相关距离

(4)

式中COV——协方差VAR——方差

余弦相似度

(5)

欧几里得距离

(6)

汉明距离

(7)

式中,#代表将点转换为二进制数据，下同。

Jaccard相似系数

(8)

明可夫斯基距离

(9)

由于式(9)代表对多个距离度量公式的概括，故p为某一个变量。

标准化欧氏距离

(10)

斯皮尔曼距离(Spearman distance)

dSpearman(X,Y)=1-

(11)

因为KNN算法采用了待测样本与其近邻间的距离来衡量二者间的相似度，所以该算法对数据的数值范围比较敏感，如果对特征值进行距离计算，则取值范围较大的特征值将对结果产生绝对的影响，而较小的特征值几乎没有作用，这是不合理的。因此需要先对样本数据进行归一化后再进行距离的计算和判断。在实际应用中，如果某种特征的确比其他特征对分类起到更重要作用，则可以根据实际情况增大其数值范围。

虽然KNN算法不需要消耗时间来对训练样本进行训练，而是直接拿训练样本来对测试样本进行类别判断，但是该算法仍然需要花费较长时间。因为该算法需要计算每个待测样本和全部训练样本间的距离，这在样本个数较多时或者样本维度较高时是很耗时的工作。因此有必要再探讨其他分类方法对苹果品种识别的可行性。

1.2.6 基于径向基核函数的支持向量机算法

支持向量机(Support vector machine,SVM)算法的基本思想是求出2个类别的决策面的表达式，进而可以对2个类别进行分类，多类别分类需要在二分类的基础上采取一对一或者一对多策略进行计算。

在分类过程中当2个类别线性不可分时，需要借助核函数将2个类别的数据映射到可分的高维空间中，再计算决策面的表达式。应用较多的核函数有线性核、多项式核、径向基核、Sigmoid核4种，而无论是低维、高维、小样本、大样本等情况径向基核函数均适用，具有较宽的收敛域，是较为理想的分类依据函数[21]。本实验采取了C支持向量分类(C-support vector classification)的方法和径向基核函数 (Radial basis function，RBF)。利用 SVM 进行模式分类时需要确定2个参数：惩罚因子C和RBF核函数中的半径参数γ，参数C理解为调节优化方向中2个指标(间隔、分类准确度)偏好的权重。对于一个基于RBF的SVM, 其性能由参数(C,γ)决定, 选取不同的C和γ就会得到不同的SVM。其中C选择的越大，表示对错误率惩罚程度越大，C较小时推广错误率的估计值比较高，C较大时急剧降低, 即性能得到迅速的提高。通过对参数(C,γ)的变化, 可选取最优参数组合来得到最优值,即此时的错误率最低[21]。所以本文中采用不同的C值和γ值进行交叉验证来计算分类结果的正确率。

径向基核函数公式为

K(X,Y)=φ(X)Tφ(Y)=e-γ‖X-Y‖2(γ>0)

(12)

式中，K表示特征空间距离，φ(X)表示通过将输入空间内线性不可分的数据映射到一个高维的特征空间内使得数据在特征空间内是可分的。其中，虽然每个样本X被函数φ(X)映射到无限维空间，但核是很容易计算的，从而可以方便地计算决策面的表达式。

1.2.7 交叉验证

交叉验证是指在给定的建模样本中，取大多数样本进行建模，留一小部分样本对刚建立的模型进行预测，并计算出这小部分样本的预测误差，记录它们的平方和。一直重复进行这个过程，直到所有的样本都被预测了一次而且仅被预报一次。j折交叉验证是指在机器学习中，将数据集A分为训练集B和测试集C，在样本量不充足的情况下，为了充分利用数据集对算法效果进行测试，将数据集A随机分为j个包，每次将其中1个包作为测试集，剩余j-1个包作为训练集进行训练。这个方法能够同时重复运用同一批样本进行训练和验证，每次的结果验证一次，增加了验证的可信度，本文中采用了5折交叉检验的方法对2种分类模型进行预测。

2 结果与分析

2.1 光谱信息的提取与分析

根据苹果果实和背景不同的光谱特征，选择1 069 nm和1 446 nm的图像进行波段比处理，发现苹果果实区域的波段比大于2，而背景噪声的值小于1，故将阈值选为2，进行降噪处理，然后将降噪后的二值图像进行滤波和形态学算法处理后作为掩膜来提取高光谱图像中苹果果实区域作为感兴趣区域，然后计算出ROI的平均光谱。

由于高光谱曲线在865.11～941.46 nm以及1 602.15～1 711.71 nm范围中有很大的噪声,导致该部分高光谱图像信息十分模糊,所以截取了3种苹果的近红外高光谱图像在波长为941～1 602 nm之间共200个波段的数据，即每个样本的维度为200，即KNN算法中的各种距离公式中n=200，分别对应200个波段取值。各品种随机取10个果实为例，其200个波段内部分波长下反射强度及其随波长的变化趋势如图4所示。由图4可见，各个品种在选定波长范围内各个波长下的反射强度非常一致，“乔纳金”、“富士”、“秦冠”苹果各30个果实的观测值变异系数均低于5%，依次为3.2%、3.4%、4.9%。各波长下“乔纳金”苹果的取值与另外2种苹果有明显的分离；“富士”与“秦冠”苹果的取值有所交叉，显示了“富士”与“秦冠”苹果果实在各波长下的反射强度取值的相似性和难以区分性。故还需要借助谱图中数据信息，采用分类器计算后来确定二者区分的可能性。

图4 3个品种苹果感兴趣区域的部分波长下反射强度Fig.4 Reflection intensity of three varieties of apples at part wavelengths in ROI region

2.2 建立KNN模型计算苹果品种的识别正确率

KNN方法在类别决策时，只与极少量的相邻样本有关。由于KNN方法主要靠周围有限的邻近样本，而不是靠判别类域的方法来确定所属类别，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。

在KNN算法中利用不同的距离方法，在不同的K取值条件下，将各个品种的平均反射强度分为训练样本和校正样本并进行计算，苹果品种识别正确率如表1所示(K取值分别为1、3、5、7、9)。通过表1可知，K选取1、3、5时，正确识别率普遍大于K取7、9的结果。这是因为当K值选取过大时，在特征空间中覆盖的局部区域过大，会降低分类器的拟合性能。对不同距离度量的实证中可以发现，K取1、3、5时，基于空间中点之间度量的5种距离(城市街区距离、切比雪夫距离、欧几里得距离、明可夫斯基距离、标准欧氏距离)，其识别正确率最高，均达到98%以上；基于余弦相似度、相关距离和斯皮尔曼距离的识别正确率其次，为92%～99%；基于集合运算的汉明距离和Jaccard相似系数度量性能不佳，识别正确率均低于40%。说明基于点距离的度量方案可以更好地在光谱特征空间中表征数据样本，刻画出更为精确的苹果类别边界，这是因为苹果果实的高光谱信号值域较大，因此以浮点数来呈现数值时，仅当2个浮点数完全一样时才能够在求交集时获得非零值，出于测量误差的缘故，微小的噪声都会造成样本相似度量的失效，因此基于集合运算的汉明距离和Jaccard 相似系数不适用于苹果品种KNN判别分类。选取K值为3和5时，能够在拟合和泛化性能间获得较好的均衡， 距离度量选取切比雪夫距离、欧几里得距离和明可夫斯基距离都达到了正确率100%的优异分类性能。

KNN分类器在判别时采用近邻样本进行分析，因此是原生的多类别分类器，在分析其性能时，通常不再研讨两两类别之间的区分和混叠性能，而是考量多类别总体分类性能。而且在参数寻优后，获得了100%的品种判别性能，表明品种之间均具有优异的可分性。

表1 不同K取值与各种距离的识别正确率

2.3 建立支持向量机模型计算苹果品种的识别正确率

支持向量机基于核函数机制，能够将非线性的数据映射至高维线性可分的空间中，由于无法根据数据样本先验获得核函数的参数，通常在训练支持向量机中对可能选取的参数空间进行采样，遍历实证，选取最优的参数组合。本试验中选取拟合性能优越的径向基核函数，对惩罚因子C和径向基半径γ这2个参数进行实证寻优，苹果品种识别正确率如表2 所示。在γ取值为2-8～1的条件下，在交叉验证中均可以取得92%以上的正确率，而随着γ取值的增加，拟合性能下降，在交叉验证中的识别正确率降低，故不必再增加γ取值来做验证。而其中当γ取2-5，C取16和32时，在交叉验证中的品种识别正确率最高，可以达到96.67%，表明该间隔取值适当。

表2 SVM模型下不同C和γ值下的识别正确率

对于支持向量机分类器，训练时考量的是结构代价函数和分类误差代价函数，因此未能对特定类别之间的区分性能进行呈现和分析，而且由于支持向量机分类性能不及KNN分类器，对于实际系统中建议选用KNN分类器。既然高光谱判别苹果品种类别实验方案的可行性得以肯定，此处不再对支持向量机中的特定类别间的分类性能进行研讨。

由于近红外图像是由测定目标与背景间的红外线强度差形成的，目标的形状和理化性质均对图像或反射光谱有影响。通过前人的研究，“乔纳金”苹果果形指数为0.83[22],“富士”苹果为0.82[23],“秦冠”苹果为0.84[24]；3种苹果果形指数均在0.83左右，表明它们的外观差异并不明显，不是造成三者间近红外反射光谱差异的主要因素。3个品种的果实硬度(表3)从小到大虽然依次为“富士”苹果、“乔纳金”苹果、“秦冠”苹果,但是只有“秦冠”苹果与前二者的差异显著，与近红外高光谱中“乔纳金”苹果的反射强度与另外2个品种明显可分的差异性也不一致，因此，以硬度反映的果实质地和密度特性也不是影响近红外反射强度的唯一因素。

化合物分子中的含氢基团(OH、NH、CH)在近红外光谱区具有振动合频以及各级倍频的吸收[25]，故碳水化合物、酚类物质对近红外光有吸收。3个品种果实的可溶性固形物和可滴定酸均为“富士”苹果显著高于其他2个品种(表3)，与3个品种果实的近红外高光谱所表现的“富士”苹果与“秦冠”苹果交叉，“乔纳金”苹果明显较低的规律也不一致。丁秀玲[26]研究了13个品种苹果的理化特征。其中“乔纳金”、“富士”、“秦冠”苹果果实总酚含量(质量比)依次为68.63、112.92、40.98 mg/(100 g)，3个品种果实总酚含量与它在各波长的近红外反射强度的顺序也不同。由以上结果可以推测，本研究测定之外的化学组分也参与了近红外吸收而导致了近红外高光谱反射强度的品种间差异，利用反射强度差异建立的分类模型能够对不同品种成功识别所依据的是能够综合反映其理化特性的各品种近红外高光谱图，即分类数据来源充分体现了品种特异性，故该分类方法更加灵敏和实用。

表3 各品种果实理化品质比较

注：观测值为平均值±标准差,同列中不同字母表示差异显著(p≤0.05)。

3 讨论

不同种类苹果在高光谱信号特征空间中具有稳定和紧凑的局部性，并呈现非线性的表征，因此基于已有数据样本近邻度量的KNN分类器能够获得优异的分类性能，而且由于高光谱的数据描述为动态区间较大的浮点数，描述点之间关系的距离度量切比雪夫距离、欧几里得距离和明可夫斯基距离取得了更好的性能，而描述集合关系的距离度量汉明距离和Jaccard相似系数则性能欠佳。支持向量机分类器的试验表明，参数寻优后，分类正确率能够达到96.67%,但是径向基参数γ取值(2-4和2-5)相对较小，训练所获得的模型可能存在过拟合的风险，未来的研究还需要采集更充分的数据加以验证，这也表明不同品种的苹果在高光谱数据的特征空间中，存在着复杂的非线性穿插，使用径向基核函数映射后也无法完全实现线性可分，此时基于先验样本分布的KNN分类器由于不依赖模型假设，即使不同类别的苹果在高光谱特征空间中呈现为复杂的非线性分布，依然获得稳健、优越的分类性能。

本试验并没有使用单纯的化学计量算法进行分类，而是使用了高光谱无损测定结合机器学习的方法，可以利用更少的数据量得到更加准确的结果，使过程更加简便，结果更加准确。

以上结果表明生产上可以利用近红外高光谱成像技术在865～1 711 nm波段下的吸收值结合KNN机器学习的方法来设计检测机器来快速准确地鉴别苹果的品种，并有望建立用于苹果品种鉴别的高光谱指纹图谱。

4 结束语

采用近红外高光谱成像技术，通过一系列的图像处理，得到3个品种苹果果实在近红外200个波段的平均反射光谱，然后通过Matlab软件训练了KNN算法和SVM(径向基核函数)的2个分类器。其中当K取值3和5时，KNN分类器中切比雪夫距离、欧几里得距离和明可夫斯基距离3种距离算法的识别正确率均达到100%的优异性能，可以选定为最简单和高效的分析方法。SVM-RBF核函数模型中当径向基参数γ取2-5，惩罚因子C取16和32时，品种识别正确率虽然高达96.67%，可是其训练模型中存在过拟合风险，需要进一步论证。

1 闫润, 王新忠, 邱白晶，等. 基于特征光谱的草莓品种快速鉴别[J/OL]. 农业机械学报, 2013,44(9):182-186. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130932&flag=1.DOI：10.6041/j.issn.1000-1298.2013.09.032. YAN Run, WANG Xinzhong, QIU Baijing，et al． Discrimination of strawberries varieties based on characteristic spectrum[J/OL]. Transactions of the Chinese Society for Agricultural Machinery，2013, 44(9):182-186.(in Chinese)

2 曹芳, 吴迪, 何勇，等. 基于可见-近红外反射光谱技术的葡萄品种鉴别方法的研究[J]. 光学学报, 2009, 29(2):537-540. CAO Fang，WU Di，HE Yong，et al． Variety discrimination of grapes based on visible-near reflection infrared spectroscopy[J]． Acta Optica Sinica，2009，29(2):537-540. (in Chinese)

3 李江波, 赵春江, 陈立平，等. 基于可见/近红外光谱谱区有效波长的梨品种鉴别[J/OL]. 农业机械学报, 2013, 44(3):153-157. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130328&flag=1.DOI：10.6041/j.issn.1000-1298.2013.03.028. LI Jiangbo,ZHAO Chunjiang, CHEN Liping,et al. Variety identification of pears based on effective wavelengths in visible/near infrared region[J/OL]. Transactions of the Chinese Society for Agricultural Machinery，2013, 44(3):153-157.(in Chinese)

4 HE Y, LI X, SHAO Y. Quantitative analysis of the varieties of apple using near infrared spectroscopy by principal component analysis and BP model[C]∥AI 2005: Advances in Artificial Intelligence, 2005:1053-1056.

6 胡耀华, 刘聪, 何勇. 近红外光谱鉴别鲜枣品种及裂果研究[J]. 光谱学与光谱分析, 2013,33(12):3231-3234. HU Yaohua, LIU Cong,HE Yong. Discrimination of the fresh jujube varieties and dehiscent fruit by NIR spectroscopy[J]. Spectroscopy and Spectral Analysis，2013,33(12):3231-3234. (in Chinese)

7 何勇, 李晓丽. 用近红外光谱鉴别杨梅品种的研究[J]. 红外与毫米波学报, 2006, 25(3):192-194. HE Yong,LI Xiaoli. Didcriminating varieties of waxberry using near infrared spectra[J]. Journal of Infrared and Millimeter Waves, 2006, 25(3):192-194. (in Chinese)

8 李晓丽, 唐月明, 何勇，等. 基于可见/近红外光谱的水稻品种快速鉴别研究[J]. 光谱学与光谱分析, 2008, 28(3):578-581. LI Xiaoli, TANG Yueming, HE Yong, et al. Discrimination of varieties of paddy based on Vis/NIR spectroscopy combined with chemometrics[J]. Spectroscopy and Spectral Analysis，2008, 28(3):578-581.(in Chinese)

9 邬文锦, 王红武, 陈绍江，等. 基于近红外光谱的商品玉米品种快速鉴别方法[J]. 光谱学与光谱分析, 2010, 30(5):1248-1251. WU Wenjin, WANG Hongwu, CHEN Shaojiang, et al. Fast discrimination of commerical corn varieties based on near infrared spectra[J]. Spectroscopy and Spectral Analysis, 2010, 30(5):1248-1251.(in Chinese)

10 卢洋, 梁先扬, 李卫军，等. 基于近红外光谱短波段的玉米品种鉴别研究[J]. 河南大学学报：自然科学版, 2012, 42(3):239-243. LU Yang, LIANG Xianyang, LI Weijun, et al. Study on corn varieties discrimination based on short wave band of NIR spectra[J]. Journal of Henan University：Natural Science, 2012, 42(3):239-243.(in Chinese)

11 赵花荣, 王晓燕, 陈冠华，等. 利用傅里叶变换红外光谱法鉴定小麦品种[J]. 光谱学与光谱分析, 2004, 24(11):1338-1341. ZHAO Huarong, WANG Xiaoyan, CHEN Guanhua, et al. Identification of wheat varieties by FTIR spectrum [J].Spectroscopy and Spectral Analysis, 2004, 24(11):1338-1341.(in Chinese)

12 周竹，李小昱，陶海龙，等. 基于高光谱成像技术的马铃薯外部缺陷检测[J]. 农业工程学报，2012, 28(21)：221-228. ZHOU Zhu, LI Xiaoyu,TAO Hailong, et al. Detection of potato external defects based on hyperspectral imaging technology[J].Transactions of the CSAE，2012, 28(21)：221-228.(in Chinese)

13 HUANG M, WAN X M, ZHANG M，et al. Detection of insect-damaged vegetable soybeans using hyperspectral transmittance image[J]. Journal of Food Engineering, 2013, 116(1): 45-49.

14 张初, 刘飞, 孔汶汶，等. 利用近红外高光谱图像技术快速鉴别西瓜种子品种[J]. 农业工程学报, 2013, 29(20):270-277. ZHANG Chu, LIU Fei, KONG Wenwen, et al. Fast identification of watermelon seed variety using near infrared hyperspectral imaging technology[J]. Transactions of the CSAE，2013, 29(20):270-277. (in Chinese)

15 WANG L, LIU D, PU H, et al. Use of hyperspectral imaging to discriminate the variety and quality of rice[J]. Food Analytical Methods, 2014, 8(2):515-523.

16 LIU D, WANG L, SUN D, et al. Lychee variety discrimination by hyperspectral imaging coupled with multivariate classification[J]. Food Analytical Methods, 2014, 7(9):1848-1857.

17 孙俊, 路心资, 张晓东,等. 基于高光谱图像的红豆品种GA-PNN神经网络鉴别[J/OL]. 农业机械学报, 2016, 47(6):215-221.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160628&flag=1.DOI：10.6041/j.issn.1000-1298.2016.06.028. SUN Jun, LU Xinzi, ZHANG Xiaodong, et al. Identification of red bean varity with probabilistic GA-PNN based on hyperspectral imaging[J/OL]. Transactions of the Chinese Society for Agricultural Machinery，2016, 47(6):215-221. (in Chinese)

18 王思玲, 蔡骋, 马惠玲,等. 基于高光谱成像的苹果水心病无损检测[J]. 北方园艺, 2015(8):124-130.

19 邹小波,陈正伟,石吉勇,等.基于近红外高光谱图像的黄瓜叶片色素含量快速检测[J/OL].农业机械学报,2012,43(5):152-156. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20120526&flag=1.DOI：10.6041/j.issn.1000-1298.2012.05.026. ZOU Xiaobo,CHEN Zhengwei, SHI Jiyong, et al. Rapid detection of cucumber leaves pigments based on near infrared hyper-spectral image technology[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2012,43(5):152-156.(in Chinese)

20 CHANG C C, LIN C J. LIBSVM: a library for support vector machines[J]. ACM Transactions on Intelligent Systems & Technology, 2011,2(3): Article No.27.

21 林升梁, 刘志. 基于RBF核函数的支持向量机参数选择[J]. 浙江工业大学学报, 2007, 35(2):163-167. LIN Shengliang,LIU Zhi.Parameter selection in SVM with RBF kernel function[J]. Journal of Zhejiang University of Technology, 2007, 35(2):163-167.(in Chinese)

22 姜林. 苹果新品种“红乔纳金”的引种观察[J]. 落叶果树, 1995(2): 31.

23 贾希友, 马贵印, 王立刚,等. 高桩素可显著提高红富士苹果的果形指数[J]. 山西果树, 2000(1):7-9.

24 王田利, 李强, 曹红霞,等. 苹果新品种——粉红秦冠[J]. 山西果树, 2010(2):44-45.

25 李慧，曾铭，要磊，等．近红外光谱技术在食品检测中的应用研究进展[J]．食品工业，2012(12)：85-88.

26 丁秀玲. 不同品种苹果理化特性研究及其在曲奇饼干中的应用[D]. 杨凌：西北农林科技大学, 2011. DING Xiuling. Physicochemical properties of different cultivars of apples and the use in cookies[D]. Yangling：Northwest A&F University, 2011.(in Chinese)

Rapid Identification of Apple Varieties Based on Hyperspectral Imaging

MA Huiling1WANG Ruolin1CAI Cheng2WANG Dong1

(1.CollegeofLifeScience,NorthwestA&FUniversity,Yangling,Shaanxi712100,China2.CollegeofInformationEngineering,NorthwestA&FUniversity,Yangling,Shaanxi712100,China)

In order to achieve rapid non-destructive identification of apple varieties, the methodology of near-infrared hyperspectral imaging on identification of apple varieties was investigated. Near infrared hyperspectral images with wavelength from 865～1 711 nm of total 90 sample fruits were collected from three different varieties (“Jonagold”, “Fuji” and “Qinguan” apples), and hyperspectral image area of the apple was selected as a region of interest (ROI). Reflection intensity data of the average reflex spectrum were extracted with resolution rate of 2.8 nm, then they were calculated with K-nearest neighbor (KNN) and the support vector machine (SVM) methods, respectively, which were checked with 5-fold cross-validation method. The results showed that the hyperspectral images of three varieties of apples all became clear within wavelength of 941～1 602 nm. Among ten distance-types’ judgment of KNN with average reflection intensity at 200 wavelength-points, the identification accuracy of Chebychev, Euclidean and Minkowski reached the highest of 100% when the parameterKwas set at 3 or 5. While using the support vector machine-radial basis function (SVM-RBF) model, the accuracy rate reached above 92% when the value ofγfell within 2-8～1. The highest recognition rate of this model reached 96.67% whenγwas set at 2-5andCtook the value of 16 amd 32 at the same time. The results demonstrated that near-infrared hyperspectral imaging in combination with KNN was excellent and reliable for the rapid identification of apple varieties. This method could provide reference for identifying apple varieties in production.

apple; variety identification; hyperspectral image; K-nearest neighbor method; support vector machine

10.6041/j.issn.1000-1298.2017.04.040

2016-08-12

2016-09-21

陕西省农业科技创新与攻关项目(2015NY023)和农业部现代苹果产业技术体系项目(CARS-28)

马惠玲(1965—)，女，教授，博士生导师，主要从事果实采后生理与技术研究，E-mail: ma_huiling65@hotmail.com

S661.1

A

1000-1298(2017)04-0305-08