基于高光谱成像技术的青香蕉碰撞损伤检测

段洁利，张汉尧，付 函，赖力潜，袁浩天，何俊宇，杨 洲,3

•农业信息与电气技术•

基于高光谱成像技术的青香蕉碰撞损伤检测

段洁利1,2，张汉尧1，付 函1,2，赖力潜1，袁浩天1，何俊宇1，杨 洲1,2,3※

（1. 华南农业大学工程学院，广州 510642；2. 岭南现代农业科学与技术广东省实验室，广州 510600；3. 广东海洋大学机械工程学院，湛江 524088）

针对青香蕉早期轻微碰撞损伤无法用肉眼和RGB图像识别的问题，该研究利用光谱数据与图像信息，实现青香蕉早期轻微碰伤的检测和碰伤程度区分。通过高光谱成像仪获取碰撞损伤试验样品的光谱数据和图像信息，对原始光谱数据进行预处理和异常样本的剔除。通过特征波长提取，获取特征波长下的低维图像中创面区域像素点的分布数据，同时结合全像素点下的光谱反射率数据，将其作为BP神经网络模型的训练集和测试集，建立青香蕉碰撞损伤程度界定的无损检测模型。试验结果表明，利用高光谱技术可以识别肉眼不可见的轻微碰撞损伤，形成的BP神经网络检测模型的总体识别准确率为95.06%，并且可输出碰伤等级的可视化图像。研究为开发青香蕉碰伤快速无损检测系统提供理论依据。

图像处理；无损检测；青香蕉；高光谱成像；特征波长

0 引 言

香蕉是中国岭南特色水果之一，统计显示，2020年中国香蕉产量达到了1 151.3万t[1]。香蕉在采收和运送过程中往往处于绿硬期（青香蕉），在此过程中易受到各种碰撞损伤。不同类型碰伤均可加速香蕉果皮活性氧的积累进而导致香蕉果实的衰老腐败[2]；青香蕉受到碰撞损伤后，微生物容易侵染损伤部位，经过催熟过程中的乙烯释放和果实软化后，造成於伤腐烂或黑斑花脸，严重影响其色泽品质和销售价格[3]。因此，亟待寻找一种快速无损检测青香蕉碰撞损伤的方法。

传统的青香蕉碰撞损伤检测方法主要是人工肉眼识别和常规RGB图像识别[4-6]。然而人工识别受主观因素影响较大，常规RGB图像识别难以检测出碰撞初期的碰伤情况。鉴于传统检测方法的不足，利用高光谱技术开展无损检测的应用迅速发展。高光谱成像技术融合了传统的图像和光谱技术的优点，可以同时获取被检测物体的空间信息和光谱信息[7]，对其内外部的品质参数进行测定，并依据这些参数建立与青香蕉碰撞损伤之间的关系，进行碰伤程度区分，弥补了传统检测方法的不足。

目前利用高光谱技术开展青香蕉碰撞损伤早期无损检测的研究鲜有报道。ZHAO等[8]利用高光谱技术对香蕉样品的光谱图像进行颜色特征提取，根据这些数据建立人工神经网络模型，实现成熟度的检测且平均准确率为98.17%。CHU等[9]利用原始光谱，采用偏最小二乘判别分析方法，建立了准确率为91.53%的成熟度识别模型，有效区分了青香蕉6个成熟度等级。XIE等[10]对获取的光谱数据，采用双波长组合法进行有效波长的识别，并建立偏最小二乘模型检测青香蕉的颜色和硬度，实现较好的检测效果。MESA等[11]利用RGB图像，高光谱图像和深度学习相结合的技术，开发了一种区分香蕉质量和大小的无损分类系统，实现了对优质香蕉、普通香蕉和不良香蕉的分类，分类精度可达98.45%。UGARTE等[12]为了检测香蕉早期阶段的黑条叶斑病菌，使用了高光谱图像技术，开发了偏最小二乘法回归模型，模型预测准确率达到98%。

上述研究虽然证明了高光谱技术结合机器学习模型在香蕉品质检测方面的可行性，但以香蕉碰撞损伤为检测目标的成果较少。为探究有效检测青香蕉早期轻微碰撞损伤的方法，本文结合青香蕉的结构特点设计和搭建了摆动冲击试验台，利用高光谱技术找出青香蕉关于碰撞损伤特性的特征波长段，实现碰伤程度的区分与可视化。研究为开发青香蕉表面碰伤快速无损检测系统，提高香蕉经济效益具有重要意义。

1 材料与方法

1.1 试验材料和试验装置

试验采用广州本地种植的巴西蕉品种，断蕾4个月后采收并运回实验室，在室温条件下通风保存至整体温度稳定。选取青香蕉大小、形状和外观合适，无碰撞损伤区域，无病虫害的果指108根。其中81根青香蕉作为模拟碰伤的试验样品，另外27根青香蕉作为未碰伤健康试验样品以供对比验证。

果蔬碰撞损伤试验一般采用跌落或摆动冲击两种类型的试验装置，由于香蕉果指是条状，采用跌落方式难以精准控制其表面的碰撞位置，并且香蕉容易发生弯转，不便计算碰撞部位的冲击能量，为此设计搭建了基于摆动冲击的香蕉果指碰撞损伤试验台[13]，如图1所示。试验台由摆臂、木锤、角度传感器、样品支撑台和样品固定机构组成，整体框架选用铝合金材料搭建。试验台上的摆臂由长为0.6 m截面为20 mm×15 mm的实心铝合金杆组成；木锤为直径40 mm的木质半球；角度传感器精度为0.3%，量程为0°～360°；样品支撑台和样品固定机构内的触手均为3D打印机仿形打印。在进行香蕉模拟碰撞试验前，将香蕉样本固定于仿形部件，试验时，用手将摆臂拉起，定位在设置的水平，然后自由释放摆臂使木锤对试验设定的撞击区域进行冲击。

1.木锤 2.香蕉样品 3.样品支撑台 4.摆臂 5.角度传感器

1.Wooden bob 2.Banana sample 3.Sample support table 4.Pendulum arm 5.Angular transducer

注：为碰撞中心；为转动中心；1为碰撞中心到转动中心的距离，m；1为碰撞前的角速度，rad·s-1；2为碰撞后的角速度，rad·s-1；为摆臂长度，m；为碰撞中心K处的冲量，N·s；I为转动中心O处的冲量在水平方向的分量，N·s；I为转动中心O处的冲量在垂直方向的分量，N·s。

Note:is the collision center;is the center of rotation;1is the distance from the center of collision to the center of rotation, m;1is the angular velocity before collision,rad·s-1;2is the angular velocity after collision, rad·s-1;is the length of the swing arm, m;is the impulse at the collision center K, N·s;Iis the horizontal component of the impulse at the center of rotation O. Iis the vertical component of impulse at the center of rotation O.

图1 摆动冲击试验台示意图

Fig.1 Schematic of the pendulum impact test bench

为了在冲击时香蕉对木锤的反作用力不引起轴承处的冲击力变化，即冲击过程中无碰撞能量损耗，根据冲量定量计算摆臂的碰撞中心的位置，即木锤放置的位置。

设摆臂的转动惯量为，碰撞冲量为，则根据对点的冲量矩定理有：

1+2=1（1）

设摆臂质量为、摆臂长度为，则摆臂的转动惯量为

根据冲量定理，有

由于碰撞发生在碰撞中心，在转动中心处冲量为零，即l=0，将式（1）和式（2）代入式（3），得到碰撞中心到转动中心的距离1为

已知摆臂长为0.6 m，则碰撞中心K到转动中心距离1为0.4 m。

忽略摆锤（摆臂和木锤作为一个整体）铰链处的摩擦损耗、空气阻力和试验台振动损耗，根据能量守恒定律，香蕉果指的吸收能量Δ为摆锤冲击能量1与其反弹能量2之差，则香蕉果指在受冲击时吸收的能量为

Δ=1−2（5）

设摆锤的转动惯量为2、木锤质量为1、木锤球径为、摆锤长度为，则摆锤的转动惯量为

设为摆锤角速度，则钟摆的转动动能为

在进行冲击试验时，摆锤的角速度通过数据采集卡记录角度与时间微分的方式计算。截取碰撞前后角度随时间变化的数据片段进行拟合求解，碰撞前后角速度分别为1、2，则被撞部位吸收能量为

1.2 青香蕉碰撞损伤程度分类

青香蕉的品质分级标准[14]中，果身表面的机械类损伤面积是一个重要指标。标准规定，果身表面无碰压伤的青香蕉属于优等品；碰压伤面积小于1 cm2的属于一等品；碰压伤面积为1～2 cm2的属于二等品；碰压伤面积大于2 cm2，属于劣等品将不进入市场。为了选取合适的冲击能量，在预试验中对果指中部开展了10°、15°、20°、35°和50°多种摆角下的系列碰撞[13]，将碰伤的香蕉置于温度15 ℃、相对湿度88%的恒温恒湿环境中保存48 h取出切开，当摆角为10°和15°时可观察到小于1 cm2的不明显碰伤区域；当摆角为20°时可观察到1～2 cm2的较为明显的碰伤区域；当摆角为35°或50°时可观察到大于2 cm2的明显碰伤区域；根据预试验结果，并结合青香蕉品质分级标准，本文选择了10°、20°、35° 3种摆角，将样品均分为3组，分别为轻度碰撞损伤组、中度碰撞损伤组、重度碰撞损伤组，对应的释放角度，冲击能量和损伤面积如表1所示。

1.3 高光谱图像采集系统

试验采用北京卓立汉光公司的HyperSIS农产品高光谱成像仪，主要包括高光谱相机、光源、载物台、滑轨、计算机控制硬件和软件系统。光源采用仪器自带的卤素灯，光谱仪的光谱范围为367.25～977 nm，采样间隔为2.39 nm，将光谱范围分为256个频带范围。仪器扫描的具体参数设置：曝光时间20 ms，移动台前进速度1.4 cm/s，回退速度2 cm/s，镜头与样本距离42 cm。

表1 碰撞损伤分组对应的释放角度和冲击能量

1.4 图像数据获取与光谱信息提取

1.4.1 高光谱图像采集

使用高光谱成像仪进行拍摄前，首先打开光源和相机预热30 min，然后将系统配套的标准白板放置其中，拍摄获取标准全白图像的文件信息，再将镜头盖上，拍摄获取标准全黑图像的文件信息。

为了消除暗电流及光源分布不均匀对高光谱成像造成的影响，需要对样本图像进行黑白校正[15]。校正公式为

式中R为扫描白板采集的全白图像，R为盖上镜头盖采集到的全黑图像，R为原始高光谱图像，R为黑白校准后的高光谱图像。

1.4.2 光谱数据提取

碰撞损伤试验后48 h将样品从恒温恒湿箱中取出，将样品逐一置于高光谱成像仪中扫描，获取由Specview软件黑白校正与镜头校正处理后的高维光谱数据文件，然后将文件导入到ENVI Classic 5.3软件中，并对感兴趣区域提取光谱, 其中每个感兴趣区域中所有像素点的平均光谱作为该区域的原始光谱。

1.4.3 高光谱检测青香蕉碰撞损伤的机理分析

近红外波段的光谱特征主要与样品中有机分子含氢基团振动有关[16]。青香蕉的创面会和空气中的氧气发生化学反应，破坏果肉细胞的细胞壁和细胞膜，释放部分水分，造成光的散射减少，导致创面的含水量和光谱反射率数据与健康表面呈现不同。所以即使冲击能量较小，其碰伤创面在肉眼和RGB图像中无法识别的条件下，经过高光谱图像技术处理后，在光谱波段下的图像依然能清晰地看出其碰伤部位和碰伤程度，如图2a与图2b的对比所示，这说明了高光谱成像技术检测青香蕉早期轻微碰撞损伤的可行性。

本研究使用的光谱数据由256维图像组成。区别于三维的RGB图像，高光谱图像的数据信息高维且冗余，如果对每份样品的所有图像进行处理，不仅工作量庞大且后续的建模效果不佳。如图2所示是同一份样品在不同波段下（500、600、700、800 nm）的图像，对比可知：不同波段下的图像其呈现出的碰伤情况存在差异。因此探究青香蕉关于碰撞损伤的特征波段，利用特征波段下的图像提取碰伤部位的光谱数据，可为后续的检测模型提供可靠且精准的数据集。

图2 样品在RGB图像和不同波段下高光谱图像的区别

1.5 数据处理与建模方法

1.5.1 光谱数据的预处理

原始光谱曲线包含了无效且冗余的噪音，如波长反射率为1的饱和曲线，与整体光谱偏差较大的曲线等。噪音主要来源于试验现场不可避免的震动和波动的光照条件，为了消除这部分噪声的影响，在使用青香蕉健康表面和受到碰撞损伤表面的有效光谱数据前，需要进行预处理，防止其他因素降低所提出模型的准确度。本试验采用多项式平滑法（savitzky golay，SG）结合多元散射校正法（multiplicative scattering correction，MSC）对光谱进行预处理。

1.5.2 异常样本的剔除

在试验过程中，无论是人为操作不当还是周围环境因素等方面的影响，不免会出现偏离实际值的样品数据。为减少异常样本对整体数据真实性的破坏，采用了主成分分析结合马氏距离和蒙特卡罗两种方法剔除异常样本。

主成分分析的目的是数据降维，以消除众多信息共存中相互重叠的信息部分。主成分分析得到多个变量的主成分和得分，得分为压缩后的变量数据，使用得分数据代替原始数据计算马氏距离，不仅能反映全部数据信息，而且也能减少马氏距离的计算量[17]。马氏距离的计算步骤首先是将光谱数据进行标准化变换，然后使用主成分分析函数求解主成分分数和主成分分差，最后使用偏最小二乘法回归函数得到均方根误差。

蒙特卡罗法，也称统计模拟方法、随机抽样技术，是基于“随机数”、以概率统计理论为基础的一种数值计算方法[18]。采用蒙特卡罗采样方法随机选择一定量的样本，划分为建模集和预测集，以建立偏最小二乘法模型，多次运行后根据预测结果的统计信息，进行异常样本的筛选[19]。

1.5.3 样品分类分组准确率

为验证碰撞损伤程度分类的准确率，本试验提取了分类后样品的光谱反射率数据，按2∶1的方式将样品数据随机分为训练集72份，测试集36份。采用支持向量机（support vector machine，SVM）算法，最小二乘支持向量机（least squares support vector machine，LSSVM）算法，粒子群优化-最小二乘支持向量机（particle swarm optimization-least square support vector machine，PSO-LSSVM）算法来验证其准确率。

SVM算法是基于统计学习理论和结构风险最小原理，对有限的样本信息在模型的复杂性和学习能力之间寻求最佳的平衡，以求获得最好的推广泛化能力，适用于解决小样本、非线性及高维模式识别问题[20]。LSSVM是对SVM的改进，只需要对一个等式方程式求解对偶空间中的二次规划问题，从而提高计算效率，用于回归分析和判别分析[21]。PSO-LSSVM算法是一种基于群体智慧的全体最优算法，是一种高效的搜索算法，可以应用离散粒子群算法结合偏最小二乘法来选择信号，建立光谱数据的定量分析模型[22]。

1.5.4 特征波长的提取

高光谱图像包含高维数据，虽然可实现波长信息及图像信息的同步获取，但大量冗余的数据会降低模型的运算效率，且无法精准识别出碰伤创面，因此有必要对数据进行降维，实现青香蕉的特征波长选取。本研究采用连续投影法（successive projections algorithm，SPA）、竞争性自适应加权采样法（competitive adapative reweighted sampling，CARS）、区间组合优化算法（interval combination optimization，ICO）实现青香蕉碰伤创面的特征波长提取。

SPA算法是前向特征变量选择方法，利用向量的投影分析，通过将波长投影到其他波长上，比较投影向量大小，以投影向量最大的波长为待选波长，然后基于矫正模型选择最终的特征波长[23-24]。CARS算法是一种结合蒙特卡罗采样与偏最小二乘模型回归系数的特征变量选择法，模拟达尔文进化理论中的“适者生存”原则[25-26]。ICO算法是一种在模拟集群分析框架下开发的新型区间优化选择算法，具有软收缩特征[27]。

1.5.5 图像分割

图像分割是图像处理重要的步骤之一，本文主要通过图像分割获取特征波长图像的青香蕉碰伤区域，通过精准识别和提取其碰伤区域的轮廓数据，从而获取碰伤区域的像素点分布情况，进而结合全像素点光谱反射率数据，为后续检测模型提供学习样本。本文采用二值化处理、Canny边缘检测和图像分割处理，以达到获取碰伤区域像素点分布的目的。

1.5.6 检测模型

BP（back propagation）人工神经网络是前向神经网络算法，是由输入层、输出层和若干中间隐含层组成的多层无反馈的连接网络[28]，其主要特点是信号向前传递，误差反向传播。青香蕉的碰撞损伤检测是一个非线性映射问题，其中输入为青香蕉碰撞损伤特征，输出为是否存在碰撞损伤以及鉴定碰伤程度。通过将训练学习样本提供给神经网络模型，完成训练后即可根据青香蕉表面的光谱特征，检测出青香蕉是否存在碰撞损伤区域及碰伤程度。

1.5.7 可视化图像

高光谱图像能同时提供样本的光谱信息与空间信息，由于光谱信息与空间信息的对应关系，基于样本平均光谱建立的校正模型可用于样本每一个像素点的预测，而基于每一个像素点的理化性质值则可以形成样本的理化性质值分布图[29-30]。

2 结果与分析

2.1 原始光谱数据预处理结果

使用Matlab R2020b软件进行预处理，首先对原始光谱进行多项式平滑法处理，再采用多元散射校正法对光谱进行预处理，以降低极限漂移和散射效应。

对原始样本数据集如图3a先进行SG处理，将处理后的光谱曲线再进行多元散射校正法处理。处理后的效果如图3b所示。可以看出，预处理后的光谱曲线修正了部分反射率为1的数据，总体曲线更加归一且平滑，噪音点减少，曲线的凹凸处变少。说明该预处理方法效果较好，后续研究所用的光谱数据皆为经过SG和MSC方法预处理后的数据。

图3 预处理前后的光谱曲线

2.2 异常样本检测结果

在Matlab R2020b平台上进行主成分分析结合马氏距离法的求解，设定均匀分布的30个阈值调整权重系数进行循环，得到不同的均方根误差RMSE，以均方根误差最小时为判断依据得到最佳权重系数和阈值，对应到离群点序列号，剔除异常样本。最后，通过将输入的108份样品数据代入进行计算，得出原始光谱的马氏距离最佳阈值为2.85，其中第17份样品属于异常样品数据，应该进行剔除。

采用蒙特卡罗-偏最小二乘法检测青香蕉碰撞损伤异常样本的参数设置如下：首先将青香蕉数据样本集建立偏最小二乘模型，比例默认为0.75，预处理方法设置为center，抽样次数设置为1 000次，蒙特卡罗抽样所得校正集和测试集比例为3∶1，试验所得青香蕉碰撞损伤蒙特卡罗异常样本检测结果如图4所示。由图4可以看出，7、10、53、60、77号样本的误差均值大于样本预测误差均值阈值。由此可得，采用蒙特卡罗算法共检测出5个异常样本，应该剔除这5个异常样本。

注：图a虚线代表的是原始光谱的马氏距离为2.85；图b虚线代表的是以平均值为1.3，标准差为0.28为界限对样本进行异常样品区分；图b数字1～108代表的是样品序号。

2.3 样品分类准确率

经过2.1和2.2节的数据处理后，样本的光谱数据已经比较准确，有102份样本集，可以作为后续处理的数据集。为验证本试验碰伤程度划分和样品分类的准确率，本文采用SVM算法、LSSVM算法、PSO-LSSVM算法。

在使用SVM算法处理时，将样本的光谱数据导入后对数据集划分为训练集和测试集，进行分类和数据归一化、转置，获取最佳参数。最后进行模型训练、仿真测试和性能评价，得到此次分类模型训练集和测试集的准确率为94.66%和97.87%。

在使用LSSVM算法处理时，在参数设置上，核函数参数取10，惩戒参数为1.5，核函数设定为高斯核函数RBF（radial basis function），选择一对一编码模式。后通过编码，建立训练集和测试集模型，最后解码，进行性能评价。得到训练集和测试集的模型准确率为96.00%和96.90%。

在使用PSO-LSSVM算法处理时，参数设置为：粒子群个数为20，初始化学习因子为2，初始权重为0.95，终止权重为0.4，迭代次数为100，优化参数的核函数取值范围为0.01～300，惩戒参数取值范围为0.01～200，速度取值为25。采用矩阵定义微粒位置和速度，定义每个微粒的最好位置以及每个微粒的最优适应度，以及定义全局最优适应度，最后评价每个微粒的适应度，更新当前微粒的最好位置和全局的最好位置，调整微粒速度与位置的同时限定参数范围。对LSSVM参数进行如下设置：核函数设定为RBF_kernel，选择一对一编码，最后编码、建立、训练、预测模型，进行解码和性能评价，得到此次分类模型训练集和测试集的准确率为97.33%和93.75%，其结果如图5所示。

通过以上3种不同定性分类模型验证，平均训练集和测试集准确率都在95%以上，说明按照冲击能量大小梯度划分碰撞损伤程度的可行性。将分类后样品取光谱反射率均值求解，结果如图6所示。对比图6和表1数值可知：随着冲击能量的增大，青香蕉的损伤面积增大，且在500～650 nm和700～850 nm范围内的光谱反射率呈现明显的差距。这些数值的差距与青香蕉碰伤程度正相关，碰撞损伤程度越大，在一定的波段范围内其反射率数据越小。

图5 PSO-LSSVM的预测集和测试集结果

图6 不同碰撞损伤程度的青香蕉平均光谱反射率曲线

2.4 特征波长选择的结果

SPA算法的提取结果如图7a和7b所示，SPA算法设定了最大变量数值为24，将均方根误差大小作为选定变量个数的标准。当变量个数不断增加时，RMSE总体呈下降趋势，当变量个数从0增加到2时，RMSE下降速度快，斜率较大；2～6个变量时，RMSE轻微下降；变量个数从6到9，下降速度恢复之前的趋势。SPA算法最后计算的结果是选取了6个，此时RMSE为0.47，共得到6个特征波长点，特征波长的具体提取结果如表2所示。

CARS算法的筛选结果如图7c所示，7c在程序抽样运行96次时，均方根误差从最低大幅度上升，并且回归系数路径值正负变化，因此此时RMSE最低，选取的特征波长数为4，从而获取图7d所示。最终选定的四个变量，也就是特征波长段，具体提取结果如表2所示。

为验证上述两类算法结果的合理性，采用ICO算法进行验证。其提取结果如图7e所示。ICO算法结果是以粗选的方式，并以波段形式呈现，特征波长段的范围为四段，具体提取结果如表2所示。

前述两类算法提取的10个特征波长在这4个特征波长段范围的重合度为90%，不重合的波长为376.81nm，且其相应的图像特征模糊，不符合后续可视化显示用途，进行剔除，最后保留9个特征波长。

注：图a黑点代表本文所选取的变量个数为6个。

表2 通过SPA，CARS和ICO算法挑选的特征波长

2.5 特征波长下的图像分割

由2.4节可知青香蕉关于碰撞损伤程度的特征波长有9个，通过ENVI Classic软件获取102份样品在这9个特征波长下的图像，合计918张图像，提取每个样品在全像素点下的反射率数据，例如图像的第12行第13列的像素点，其波长反射率为0.359，表示为（12,13,0.359），以ASCII文件形式导出到Matlab中作为初始数据保存。特征波长下的图像能充分显示其因碰撞所呈现的表征，为利用此部分表征的数据信息，本文采用二值化处理、Canny边缘检测和图像分割算法，按如图8所示流程，获取了全部样品特征波长下图像的碰伤区域。

2.6　基于BP神经网络的检测模型和可视化碰伤等级图像

通过图像分割流程，将918张灰度图像进图像分割，提取香蕉碰伤部位的轮廓区域，同时利用图像全像素点下的反射率数据，用光谱反射率数据去表示碰伤轮廓区域的每个像素点所代表的信息。

图8 图像分割流程

采用BP神经网络模型检测特征波长下的碰伤区域和健康区域的提取性能，模型参数设置如下：激活函数为tansig，训练次数为1 000，训练学习率为0.1×10-3。随机按2∶1比例划分训练集（健康区域152份，轻度碰撞伤区域152份，中度碰撞伤区域152份，重度碰撞伤区域152份）；测试集（健康区域76份，轻度碰撞伤区域76份，中度碰撞伤区域76份，重度碰撞伤区域76份）。输入矢量是每份区域的每个像素点下所提取特征波长对应的光谱反射率。

最后的输出层采用二进制字符进行识别和输出，测试集的分类结果如表3所示，对健康样品、轻度碰撞伤样品、中度碰撞伤样品、重度碰撞伤样品的测试集的识别准确率分别为97.53%、92.59%、93.82%和96.29%，平均碰伤程度的判断准确率为95.06%。为了更好地展示分类结果，同时考虑检测的可视化，对每一个像素点用“00”代表健康，标记为黄色RGB(255，255，0)；“01”代表轻度碰撞伤，标记为蓝色RGB(67,142,219)；“10”代表中度碰撞伤，标记为紫色RGB(128,0,128)；“11”代表重度碰撞伤，标记为红色RGB(255,0,0)的方式进行最后的输出显示。其中区域的总体识别结果若有85%以上的相同数值和颜色，那么本区域都用此数值和颜色进行归一显示，最后的可视化图像如图9所示。

表3 基于特征波长的BP神经网络模型检测性能

注：图a的蓝色代表模型识别出此区域的损伤程度是轻度；图b的紫色代表模型识别出此区域的损伤程度是中度的；图c的红色代表模型识别出此区域的损伤程度是重度的。

3 结 论

本文以青香蕉为研究对象，设计搭建模拟碰伤装置，利用高光谱成像仪采集青香蕉健康表面和不同碰伤程度香蕉的光谱反射率数据和不同波段下的图像信息，结合特征变量筛选对青香蕉的碰撞损伤程度进行了研究，主要结论如下：

1）采用3种类型的支持向量机算法，开展了不同冲击能量下青香蕉碰伤程度的分类研究，平均准确率在95%以上。同时验证了青香蕉碰撞损伤的识别机理以及采用光谱数据和图像信息结合进行无损检测的合理性。

2）对通过预处理和异常样本剔除后的数据进行SPA、CARS、ICO算法的特征波长提取和验证，得到9段特征波长。

3）通过获取特征波长段下的图像，提取碰撞损伤区域的轮廓分布边界数据以及该区域的每个像素点对应的光谱反射率数据。将此数据作为BP神经网络的输入层进行训练，最后得到的模型对健康样品、轻度碰撞伤样品、中度碰撞伤样品、重度碰撞伤样品的测试集识别准确率为97.53%、92.59%、93.82%和96.29%。

[1] 中华人民共和国国家统计局.中国统计年鉴[M]. 北京：中国统计出版社，2021.

[2] 王敏，殷菲胧，梁园丽，等. 不同机械伤处理对香蕉果皮活性氧代谢的影响[J]. 农业工程学报，2022，38(16)：284-292.

WANG Min, YIN Feilong, LIANG Yuanli, et al. Effects of different mechanical injury treatments on the metabolism of reactive oxygen species in banana peel[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(16): 284-292. (in Chinese with English abstract)

[3] 王敏，关博洋，殷菲胧，等. 果蔬机械损伤的生理及分子机制研究进展[J]. 食品研究与开发，2022，43(9)：205-211.

WANG Min, GUAN Boyang, YIN Feilong, et al. Advances in research on physiological and molecular mechanisms of mechanical damage of fruits and vegetables[J]. Food Research and Development, 2022, 43(9): 205-211. (in Chinese with English abstract)

[4] LI L, YI P, HUANG F, et al. Effects of phospholipase dinhibitors treatment on membrane lipid metabolism of postharvest banana fruit in response to mechanical wounding stress[J]. Horticulturae, 2022, 8(10): 235-246.

[5] FERNANDO I, FEI J, STANLEY R. Measurement and analysis of vibration and mechanical damage to bananas during long-distance interstate transport by multi-trailer road trains[J]. Postharvest Biology and Technology, 2019, 158: 110-117.

[6] FERNANDO I, FEI J, STANLEY R, et al. Evaluating packaging performance for bananas under simulated vibration[J]. Food Packaging And Shelf Life, 2020, 23: 104-118.

[7] 赵茂程，宋瑞，汪希伟，等. 基于高光谱成像的肉品检测去条带噪声方法[J]. 农业工程学报，2022，38(8)：271-280.

ZHAOMaocheng, SONGRui,WANGXiwei,etal.Striping noise removal method in meat detection based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(8): 271-280.(in Chinese with English abstract)

[8] ZHAO W, YANG Z, CHEN Z, et al. Hyperspectral surface analysis for ripeness estimation and quick uv-c surface treatments for preservation of bananas[J]. Journal of Applied Spectroscopy, 2016,83(2):254-260.

[9] CHU X, MIAO P, ZHANG K, et al. Green banana maturity classification and quality evaluation using hyperspectral imaging[J]. Agriculture, 2022,12(4):53-61.

[10] XIE C,CHU B, HE Y.Prediction of banana color and firmness using a novel wavelengths selection method of hyperspectral imaging[J]. Food Chemistry, 2018,245:132-140.

[11] MESA, ARMACHESKA R,CHIANG J. Multi-input deep learning model with rgb and hyperspectral imaging for banana grading[J]. Agriculture, 2021,11(8):68-87.

[12] UGARTE FJ, BAYONA AO, CRIOLLO B R, et al. Early detection of black Sigatoka in banana leaves using hyperspectral images[J]. Applications in Plant Sciences, 2020,8(8):113-129.

[13] 付函，刘恩秀，杨洲，等. 基于摆动冲击试验的青香蕉碰撞损伤敏感性评估[J]. 华南农业大学学报，2021，42(6)：100-108.

FUHan,LIUEnxiu,YANGZhou,etal. Evaluation of impact bruise susceptibility for green banana based on pendulum impact test[J].Journal of South China Agricultural University, 2021, 42(6): 100-108.(in Chinese with English abstract)

[14] 中华人民共和国农业部.青香蕉：NY/T 517-2002[S]. 北京：中国标准出版社，2002.

[15] 兰玉彬，王天伟，郭雅琦，等. 柑橘黄龙病光谱特征波段选择及光谱检测仪研制[J]. 农业工程学报，2022，38(20)：119-128.

LANYubin, WANGTianwei, GUOYaqi , et al. Selection of spectral characteristic bands of HLB disease of citrus and spectrum detector development[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(20): 119-128.(in Chinese with English abstract)

[16] 白宗秀，朱荣光，王世昌，等. 高光谱图像结合特征变量筛选定量检测羊肉中狐狸肉掺假[J]. 农业工程学报，2021，37(17)：276-284.

BAIZongxiu, ZHURongguang,WANGShichang, et al.Quantitative detection of fox meat adulteration in mutton by hyper spectral imaging combined with characteristic variables screening[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(17): 276-284.(in Chinese withEnglish abstract)

[17] 张雪，葛武鹏，郗梦露，等. 基于主成分分析与马氏距离结合运用的婴幼儿配方奶粉营养综合评价[J].食品科学，2020，41(5)：166-172.

ZHANGXue,GEWupeng,XIMenglu,et al. Comprehensive nutrition evaluation of infant formula based on principal component analysis with mahalanobis distance[J].Food Science, 2020, 41(5): 166-172.(in Chinese with English abstract)

[18] 周甜.复杂环境下的非遍历反常动力模型分析及蒙特卡罗模拟算法[D]. 兰州：兰州大学，2022.

ZHOU Tian. Non-ergodic Abnormal Dynamic Model Analysis and Monte Carlo Simulation Algorithm in Complex Environment[D]. Lanzhou: Lanzhou University, 2022. (in Chinese with English abstract)

[19] VYNER C, NEMETH C, SHERLOCK C.SwISS: Ascalable Markovchain Monte Carlo divide-and-conquer strategy[J]. STAT, 2023,12(1): 189-202.

[20] 肖洪兵，郭培源，王瑜. 基于深度学习的高光谱腊肉营养安全分级[J]. 中国食品学报，2022，22(1)：275-281.

XIAOHongbing,GUOPeiyuan,WANGYu.Nutritional health risk grading of bacon hyper-spectrum based on deep learning[J]. Chinese Journal of Food Science, 2022, 22(1): 275-281.(in Chinese withEnglish abstract)

[21] VALAEEM,SOHRABIMR,Motiee F. Rapid simultaneous analysis of anti human immunodeficiency virus drugs in pharmaceutical formulation by smart spectrophotometrybasedonmultivariate calibration and least squares support vector machine methods[J]. Spectrochimica Acta Part A:MolecularandBiomolecularSpectroscopy,2023,290:12292.

[22] CAO H, WANG Y, YANG S, et al. A wavelength selection method based on random decision particle swarm optimization with attractor for near-infrared spectral quantitative analysis[J]. Journal of Chemometrics, 2015,29(5):289-299.

[23] YUAN R, LIU G, HE J, et al. Classification of Lingwu long jujube internal bruise over time based on visible near-infrared hyperspectral imaging combined with partial least squares-discriminant analysis[J]. Computers and Electronics in Agriculture, 2021,182:106043.

[24] QIAO S C, TIAN Y W, WANG Q H, et al. Nondestructive detection of decayed blueberry based on information fusion of hyperspectral imaging (HSI) and low-Field nuclear magnetic resonance (LF-NMR)[J]. Computers and Electronics in Agriculture, 2021,184:106100.

[25] SHAO Y, WANG Y, XUAN G. In-field and non-invasive determination of internal quality and ripeness stages of Feicheng peach using a portable hyperspectral imager[J]. Biosystems Engineering, 2021,212:115-125.

[26] TIAN Y,SUN J, ZHOU X, et al. Detection of soluble solid content in apples based on hyperspectral technology combined with deep learning algorithm[J]. Journal of Food Processing And Preservation, 2022,46(4): e16414.

[27] 宋相中. 近红外光谱定量分析中三种新型波长选择方法研究[D].北京：中国农业大学，2017.

SONGXiangzhong. Research on Three New wavelength selection Methods in Near Infrared Spectroscopy Quantitative Analysis[D]. Beijing: China Agricultural University, 2017.(in Chinese with English abstract)

[28] 王洪波，马哲，乌兰图雅，等. 采用BP神经网络和Burger模型的细观参数标定[J]. 农业工程学报，2022，38(23)：152-161.

WANGHongbo,MAZhe, WUlantuya,etal.Mesoscopic parameter calibration using BPneural network and Burger model[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2022, 38(23): 152-161. (in Chinese with English abstract)

[29] 代秋芳，廖臣龙，李震，等. 基于CARS-CNN的高光谱柑橘叶片含水率可视化研究[J]. 光谱学与光谱分析，2022，42(9)：2848-2854.

DAIQiufang,LIAOChenlong,LIZhen,etal. Hyperspectral visualizationof citrus leaf moisture content based on CARS-CNN[J]. Spectroscopy and Spectral Analysis, 2022, 42(9): 2848-2854.(in Chinese with English abstract)

[30] 金诚谦，郭榛，张静，等. 大豆水分含量的高光谱无损检测及可视化研究[J]. 光谱学与光谱分析，2022，42(10)：3052-3057.

JIN Chengqian, GUO Zhen, ZHANG Jing, et al. Non-destructive detection and visualization of soybean moisture content using hyperspectral technique[J]. Spectroscopy and Spectral Analysis, 2022, 42(10): 3052-3057. (in Chinese with English abstract)

Collision damage detection of green bananas using hyperspectral imaging

DUAN Jieli1,2, ZHANG Hanyao1, FU Han1,2, LAI Liqian1, YUAN Haotian1, HE Junyu1, YANG Zhou1,2,3※

(1.,,510642,; 2.,510600,; 3.,,524088,)

Mechanical damage is one of the most important factors to affect the banana quality and sales. The collision damage of green bananas can also be early identified by naked eye. However, manual sorting of green bananas cannot fully meet the large-scale production in recent years, due to the time-consuming, low efficiency and easy to produce the deviation. In this study, the nondestructive detection and classification of mechanical damage of green bananas were realized to utilize the spectral and image information using hyperspectral technique. Firstly, a simulation device of collision damage was built and designed, according to the structural characteristics of green bananas. The same batch of healthy green Brazilian bananas were subjected to group impact experiments with different impact energies during simulation of collision device. Secondly, the samples were placed in the hyperspectral imager within 48 h after the impact to scan and collect the sample data. The sample data after black/white and lens correction were imported into the software ENVI5.3. The region of interest (ROI) of the image was selected to obtain the average spectral reflectance data and image information on the surface of the healthy green banana and the wounds. Thirdly, savitzky golay (SG) and multiplicative scattering correction (MSC) were combined to preprocess the original spectral data, and then Monte Carlo algorithm and principal component analysis (PCA) combined with Mahalanlet distance were used to remove the abnormal samples. A series of experiments were carried out to verify the classification and grouping accuracy of samples with different damage degrees. Support vector machine (SVM), least square support vector machine (LSSVM), and particle swarm optimization-least square support vector machine (PSO-LSSVM) were utilized to process the spectral reflectance data after removing abnormal samples. The successive projections algorithm (SPA) and the competitive adaptive reweighted sampling (CARS) were used to extract the characteristic wavelengths of green bananas, whereas, the interval combination optimization algorithm (ICO) was used to verify the accuracy of the extracted characteristic wavelengths. Finally, the low-dimensional image was obtained under the characteristic wavelength. The wound area and the pixel distribution data were identified using the binarization processing, Canny edge detection and image segmentation. The training and test set data of BP neural network were used to combine with the spectral reflectance data under the full pixel points derived from ENVI5.3. A nondestructive testing model was established for the classification and grouping of mechanical damage degree of green bananas. The test results show that the invisible minor collision damage was identified by hyperspectral technology. The recognition accuracy of the BP neural network detection model was 97.53%,92.59%, 93.82%, and 96.29% for the test set of healthy, mild collision, moderate collision, and severe collision samples. The accuracy of judging the overall damage degree was 95.06%. The visual image of damage level was output for the later use. This finding can provide the theoretical support to arrange the shelf life of green banana, particularly for the instrument of hyperspectral technology to identify the damage of green banana in real time.

image processing; nondestructive testing; green banana; hyperspectral image; characteristic wavelength

2023-02-14

2023-03-24

“十四五”广东省农业科技创新十大主攻方向“揭榜挂帅”项目（2022SDZG03）；岭南现代农业实验室科研项目（NT2021009）；财政部和农业农村部：现代农业产业技术体系建设专项资金(CARS-31-11)；广东省现代农业产业技术体系创新团队建设专项资金(2023KJ109)

段洁利，博士，博士生导师，研究方向为智能农业装备。Email：duanjieli@scau.edu.cn

杨洲，博士，博士生导师，研究方向为水果生产机械化与信息化。Email：yangzhou@scau.edu.cn

10.11975/j.issn.1002-6819.202302080

S24; S668.1

A

1002-6819(2023)-07-0176-09

段洁利，张汉尧，付函，等. 基于高光谱成像技术的青香蕉碰撞损伤检测[J]. 农业工程学报，2023，39(7)：176-184. doi：10.11975/j.issn.1002-6819.202302080 http://www.tcsae.org

DUAN Jieli, ZHANG Hanyao, FU Han, et al. Collision damage detection of green bananas using hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2023, 39(7): 176-184. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.202302080 http://www.tcsae.org