基于暗室系统特征灰度系列苹果糖度预测

马晟童 黎俊汶 欧阳浩艺 谭穗妍 杨初平

(华南农业大学电子工程学院〔人工智能学院〕，广东 广州 510642)

水果糖度的无损测量近年来已成为中国农业生产中的重要技术之一、是保证商品质量的重要举措。基于可见光—近红外光谱分析技术的糖度快速无损检测近年来被广泛应用于苹果[1-5]、猕猴桃[6]、哈密瓜[7]、水蜜桃[8]、柑橘[9]、红提[10]等多种水果中。乔鑫等[1]设计了手机联用的基于可见—近红外光谱技术的多特征波长的苹果糖度便携式检测装置，预测相关系数可达0.882 2；刘昊辰[3]开展了苹果缺陷和糖度的近红外光谱技术动态在线检测研究，实时预测准确率可保持在66.67%以上；彭发等[4]基于傅里叶变换近红外光谱、偏最小二乘法和深度学习技术,建立了不同苹果糖度预测模型，最高预测相关系数可达0.933 3；乔正明等[5]将近红外光谱与SSA-ELM结合用于苹果糖度无损检测，测试集相关系数可达0.945 7。在上述苹果糖度测量方法中，采用多个特征波长进行糖度预测模型拟合是常用的手段，多特征波长拟合有利于提高预测的准确性，但也增加了测量装置的复杂性，如果实现单一波长的检测将能够大大简化装置。对于苹果糖度预测，苹果在可见—近红外反射光谱中有几个明显的强吸收波长如675，760，835 nm[1]，能否采用苹果某个单一强吸收波长的反射光特征进行苹果糖度预测是一个值得探索的问题，而有关该方面的研究尚未见报道。

研究拟以苹果吸收峰值波长670 nm的反射光为试验手段，提出基于暗室系统苹果反射光斑图像特征灰度系列预测苹果糖度的测量方案。暗室系统以手机应用程序为平台，使用手机的图像拍照功能、积分球和670 nm激光光源，采集样品的反射光斑图像特征灰度系列，并通过偏最小二乘法[11]进行建模分析，以实现苹果的无损糖度测量，为苹果糖度无损预测提供一种更简便的新研究思路和可能的技术手段。

1 测量原理

1.1 试验材料

挑选直径为80～85 mm的红富士(山西运城)、糖心(新疆阿克苏)及黄元帅苹果(山东烟台)共150个，其中训练集90个，验证集60个。按种类对苹果样品依次进行测量编号，其中红富士、糖心、黄元帅的种类编号分别为样品A、B、C，为在糖度测量的取样区域汲取足够的果肉用于糖度仪的检测，同时获得更多更精确的数据，每个苹果划出3个直径为6 cm的黑圈范围为测量区域，同时这些区域也作为光谱测量的检测区域。

1.2 苹果反射光谱测量

为了测量苹果的反射光谱，搭建的光谱采集平台包括：FLAME-S微型光纤光谱仪(响应波长范围200～1 100 nm) 、ISP-30-6-R积分球、处理光谱数据软件Spectra Suite。对于每个样品，在不同测量面特征下采集3个测量区域的光谱值，以其平均值作为样品反射光谱的最终值。同种类不同苹果的反射光谱如图1所示，波长介于650～700 nm的波段有一个明显的吸收峰，吸收峰位于670～675 nm的阴影区域，其中中心波长为670 nm。

图1 苹果反射光谱Figure 1 Reflection spectrum of apple

吸收峰深度表征苹果中对应物质含量的多少。吸收强度越大，说明对应样品在被照射区域的对应化合物含量越高。据此，可以通过对碳水化合物，即糖分对应的吸收峰所处波段的特征进行分析，找出吸收强度与样品糖度的关系，进一步对样品糖度进行分析和预测。

1.3 反射光斑图像采集

设计一个暗室测量系统用于无损糖度检测，暗室系统光路图与外设系统模型图见图2。其中，暗室框架内部即为搭建的暗室系统，外设系统是方便手机采集和处理数据、减小误差而设计的。

图2 暗室测量系统Figure 2 Darkroom measurement system

系统工作原理：积分球有3个端口，分别是照明端口、样品端口和测量端口，激光束(CPS670F激光二极管，功率4.5 MW、波长670 nm)从照明端口入射，将苹果样品的测量面置于样品端口，激光被样品吸收后，反射光经过积分球的漫反射后一部分光从测量端口出射，照射到毛玻璃上，形成一个从中心到边缘光强逐渐减弱的圆形光斑，使用手机对光斑进行图像采集。

在上述激光器功率照射下，经多次试验，确定合适的反射光图像手机采集参数:感光度(ISO)1 000,曝光时间0.2 s，镜头放大倍数1.8×。

由图3可知，不同条件下采集到的图像中光斑大小和灰度分布会发生变化，苹果样品的反射光斑图像不同于激光器产生的背景光斑图像(即测量激光器产生的背景光斑图像时，积分球样品端口处无任何反射物体)，也不同于在样品端口处放置光谱仪白板下产生的反射光斑图像。背景光斑图像中的光斑直径最小，苹果样品的其次，光谱仪白板的最大。

图3 测量端口不同样品的光斑图像Figure 3 Spot images of different samples

1.4 特征灰度系列与建模

光斑中心区域的亮度过高，是光斑图像过饱和的结果，而阴暗部分受其他因素干扰(如环境中的光噪声)，因此确定反射光斑图像数据的采集和分析范围是光斑图像外环区域灰度范围从90～110的各个灰度的像素数，称这个范围的灰度值分布为特征灰度系列，如图4所示。由图3可知，提取的特征灰度系列与苹果糖度有较好的相关关系；若偏离这些采集参数，提取的特征灰度系列与苹果糖度的相关关系将变差；灰度值范围在此基础上变大或者变小均会导致相关关系变差。在此基础上采用偏最小二乘法(PLS)算法对反射光斑图像特征灰度系列数据与对应样品糖度进行拟合。根据相关系数、预测结果散点图等对所建模型进行评价分析。

图4 光斑灰度处理Figure 4 Grayscale processing of light spot

(1)

则图像P的特征灰度系列直方图表示为：

H(P)=[h(x1),h(x2),…,h(x21)]。

(2)

由于反射光斑形成的图像本身就携带苹果样品糖度成分的信息，所以可以利用图像的特征灰度系列对苹果样品糖度进行分析，以期找出苹果糖度T与特征灰度系列的函数关系,即

(3)

式中：

b0——模型修正系数；

bi(i=0,1,2，…，21)——特征系数(通过偏最小二乘法拟合得到)。

2 结果与讨论

2.1 3种苹果的糖度理化值

分别使用3组训练集和验证集建立了针对红富士(样品A)、糖心(样品B)和黄元帅(样品C)的糖度预测模型并对模型的预测效果进行分析，依据国家标准使用糖度计测得苹果样品的糖度理化值见表1。

由表1可知，验证集中的苹果样品糖度数据范围大体上覆盖了训练集中样品的糖度数据范围，对构建糖度的预测模型是有利的。

表1 3种苹果的糖度Table 1 Sugar content among three kinds of apple samples

2.2 训练集预测模型

获取苹果样品的反射光斑外环区灰度信息后，采用Origin 2018软件对训练集中90个样品的90～110灰度数据和相应的糖度数据进行偏最小二乘回归模型构建，预测模型散点图分别如图5～图7所示。

图5 样品A预测模型散点图Figure 5 Scatter plot of predict model of sample A

图6 样品B预测模型散点图Figure 6 Scatter plot of predict model of sample B

图7 样品C预测模型散点图Figure 7 Scatter plot of predict model of sample C

使用的红富士、糖心、黄元帅样本数分别为30，25，35，拟合结果相关系数R2分别为0.89，0.84，0.94。训练集中3种类型苹果的糖度预测值靠近参考线，说明预测值与实际测量值很接近，预测值离散程度比较小，样品A、B、C的预测均方根误差分别为1.10，1.00，0.93。因此，以图像中灰度值为90～110的像素的出现频数作为糖度预测模型的特征向量具有良好的建模效果。

2.3 验证集糖度预测

在预测模型基础上，另取3个种类共60个苹果进行糖度预测，结果如图8～图10所示。

由图8～图10可知，预测糖度值靠近参考线，但比训练集离散度大，每个预测模型的相关系数R2均在0.7以上。图8使用了20个样本，预测结果R2值为0.70，实际糖度值与预测糖度值的均方根误差为0.9。图9使用了10个样本，预测结果R2值为0.73，实际糖度值与预测糖度值的均方根误差为1.44。图10使用了30个样本，预测结果R2值为0.76，实际糖度值与预测糖度值的均方根误差为1.33。综合来看，样品A(红富士)模型预测效果最好，其次是样品C(黄元帅)和样品B(糖心)。

图8 样品A预测结果散点图Figure 8 Scatter plot of predict result of sample A

图9 样品B预测结果散点图Figure 9 Scatter plot of predict result of sample B

图10 样品C预测结果散点图Figure 10 Scatter plot of predict result of sample C

3 结论

在苹果反射光谱基础上，提出了一种基于暗室系统反射光斑图像特征灰度系列的苹果糖度预测方法。结果表明，该方法建立中心波长为670 nm激光光源的暗室系统，手机采集图像、处理图像即可实现无损糖度测量。对于训练集，3种不同苹果各自预测模型的相关系数均在0.8 以上；对于验证集，每个预测模型的相关系数均在0.7以上，其中红富士苹果糖度预测均方根最小，预测效果最好。

未来需进一步研究糖度与特征灰度系列的相关关系，期望可以减少用于糖度预测的特征灰度系列的灰度范围。由于采用单一强吸收波长，苹果糖度的预测效果总体要略低于多波长的效果，但是苹果反射光谱的采集比多波长要更加简单，装置更加轻便。