食品行业
在苹果的生长进程中，极易遭受各类食心虫的侵害，致使苹果表面产生虫子蛀蚀的孔洞，由此使其失去了食用价值，降低了苹果的质量与商业价值。所以，苹果是否存在虫伤是评判苹果质量等级的关键指标之一。然而，在实际的苹果品质检测与分级系统里，主要依据苹果的大小、颜色等指标来分级，而对于虫伤缺陷的检测仍然依赖人工目测，这种方式工作效率低下，准确性欠佳，很难确保分级的一致性。成像技术和光谱分析是两项在检测果品品质信息方面极具价值的技术，具有快速、无损、可靠的优点。成像技术早已成功应用于依据苹果的大小、颜色、形状等方面对苹果进行分级的研究，也能够检测苹果表面的部分缺陷。高光谱成像技术结合了图像处理和光谱分析的长处，可以迅速、无损地检测研究对象的内外部特性，近些年来在水果品质无损检测技术中得到了广泛运用。
一、材料与方法
1.1 试验样本
此次试验所选取的研究对象为红富士苹果，从苹果种植示范园采集了 160 个苹果。这些果实的果型直径范围在 68.5 至 88 毫米之间，质量范围在 128 至 211 克之间。其中 80 个为存在虫伤的苹果，这类虫伤苹果被食心虫蛀蚀，留下了蛀孔，蛀孔以及周围溃烂区域约为 7 至 50 毫米；另外 80 个为正常的苹果，果梗/花萼区域约为 50 至 120 毫米。从虫伤苹果和正常苹果中各自随机选取 50 个，用于构建识别苹果虫伤与果梗/花萼的算法，其余样本用于算法的验证。
1.2 高光谱图像采集系统
本研究应用了400-1000nm的高光谱相机，可采用杭州彩谱科技有限公司产品FS13进行相关研究。光谱范围在400-1000nm，波长分辨率优于2.5nm，可达1200个光谱通道。采集速度全谱段可达128FPS，波段选择后最高3300Hz（支持多区域波段选择）。
二、结果与分析
2.1 相对反射率光谱曲线剖析
对 80 个苹果虫伤样本和 80 个正常苹果样本中提取的感兴趣区域（虫伤区域、果梗区域、花萼区域及正常区域）的反射率光谱曲线进行分析。同一类型的样本平均相对反射率光谱曲线大致相同，这些反射光谱曲线的形状和规律与样本数量的关联不大，如图 2 所示为 160 个样本各区域 400 至 1000 纳米的平均相对反射率光谱曲线。
从图 2 能够看出，苹果虫伤部位与果梗区域、花萼区域及正常区域的反射光谱曲线存在一定差别。在 500 至 1000 纳米的波长范围内，正常区域的相对反射率均高于虫伤部位与果梗区域、花萼区域的相对反射率。在 680 纳米处，正常区域的光谱反射率存在吸收峰，主要是由于水果表面的叶绿素吸收所导致的，反映了水果的表面颜色信息。苹果受到虫子侵入后，在苹果表面形成蛀孔，此处的叶绿素缺失，其颜色与正常表面有显著差异，所以 680 纳米处虫伤区域的反射率相比正常区域大幅降低；同时，果梗区域、花萼区域的叶绿素含量也较少，因此果梗区域、花萼区域的反射率也相对较低。在 500 至 700 纳米之间，虫伤区域的平均相对反射率低于果梗区域、花萼区域的光谱相对反射率。而在 750 至 900 纳米之间，虫伤区域的平均相对反射率处于果梗/花萼区域的光谱相对反射率之间，大部分样本中虫伤区域的相对反射率小于花萼区域的光谱相对反射率，大于果梗区域的光谱相对反射率。
2.2 感兴趣区域的划分
由图 2 可见，在 800 至 980 纳米的波长范围内，虫害区域与果梗/花萼区域的相对反射率在 900 纳米处差异最大，但虫害区域与正常区域的光谱在 824 纳米处差值最大，与果梗/花萼区域的相对反射率差异也较大，并且该波段下的图像中虫害区域、果梗/花萼区域与正常区域的对比度较强，所以选取 824 纳米作为特征波长，该波长下的图像即为特征图像，如图 3a、3b、3c 所示，分别为虫害苹果特征图像、苹果花萼部分特征图像、苹果果梗部分特征图像。
从图 3 可以看出，苹果区域的灰度值较高，而背景区域较低，因此可以运用阈值分割方法获取苹果二值化图像。并且对分割后的二值化图像进行膨胀与腐蚀运算，从而得到最终的苹果二值化图像，如图 3d、图 3e 和图 3f 所示。接着运用此二值化图像对高光谱图像进行掩膜，以消除背景噪声，并对掩模后的高光谱图像开展主成分分析。
从图 2 中能够发现苹果表面 400 至 500 米和 980 至 1000 纳米范围内的噪声较大，另外，在 500 至 620 和 950 至 980 纳米区间，虫害区域的光谱相对反射率与果梗区域、花萼区域、正常区域的反射率差别不大，所以选取 620 至 950 纳米之间的波段进行主成分分析。由前面的分析可知，在 750 至 950 纳米之间的波段，虫伤区域的相对反射率与果梗/花萼区域的数据存在重叠，所以采用有限波段无法实现虫伤区域的分割，只有选取对比度明显的主成分图像进行分割。图 3g、图 3h 和图 3i 分别为虫伤苹果 PC1 图像、苹果花萼部分 PC1 图像、苹果果梗部分 PC1 图像。从图中能够看出，各 PC1 图像中虫伤区域、果梗区域及花萼区域的灰度值较低，与周边的界限较为清晰，所以选择 PC1 图作为后续处理的主成分图像。采用最大熵阈值分割方法确定苹果虫伤部位、果梗部位及花萼部位。图 3i、图 3k、图 31 分别为虫伤部位、果梗部位及花营部位分割后的图像。
2.3 特征向量的提取
倘若 PC1 图像分割出的感兴趣区域存在像素点，该像素点可能是虫伤部位或者果梗部位或者花萼部位，那么根据感兴趣区域像素点的位置，提取其周边图像像素 160x120 的感兴趣区域图像。倘若 PC1 图像分割出的感兴趣区域没有像素点，可能是正常苹果，则提取 PC1 图像中苹果中间部分 160x120 像素大小的感兴趣区域图像。在本研究中，对 160 个苹果样本进行上述一系列处理，获得 320 幅感兴趣区域图像，对这些感兴趣区域图像提取能量、熵、惯性矩和相关性 4 个纹理特征，并对其进行纹理特征分析。表 1 为各感兴趣区域图像的各纹理特征数据的统计值。
由表 1 可知，苹果虫伤区域的能量均值高于苹果正常区域、果梗/花萼区域的能量均值，但是苹果虫伤区域的能量值与正常区域、果梗/花萼区域的能量值存在重叠。依据变异系数，各能量值数据较为稳定，只是苹果虫伤区域的数据波动较大，不过显著性检验 P 值较小，所以苹果虫伤区域的能量均值与正常区域、果梗/区域的能量均值具有显著差异。同时，苹果果梗/区域的熵、惯性矩均值高于正常区域、虫伤部位的均值，并且各区域间的熵、惯性矩值存在重叠。从变异系数来看，各区域熵、惯性矩值数据比较稳定，只是虫伤区域、果梗/花萼区域的惯性矩值数据波动较大，但显著性检验 P 值比较小，所以各区域的熵、惯性矩均值具有显著差异。而苹果果梗/花萼区域的相关性均值低于正常区域、虫伤部位的均值，并且各区域间的相关性值存在重叠。从变异系数来看，各相关性值数据比较稳定，并且显著性检验 P 值小于 0.05，所以各区域的相关性均值具有显著差异。
三、 结论
本文借助高光谱成像技术对苹果虫伤与果梗/花萼的快速、无损、自动识别问题展开了研究，研究结果表明：
1)在 600 至 1000 纳米的波长范围内，苹果的虫伤区域和正常区域、果梗/花萼的反射光谱曲线存在一定差别。
2)通过对特征图像的分割处理、高光谱图像的掩膜处理与主成分分析，以及 PC1 图像的最大阈值分割，能够有效地分割出虫伤区域、果梗区域和花萼区域。
3)融合纹理特征和光谱特征，运用支持向量机对苹果虫伤进行识别。试验结果显示，选取 160x120 像素大小的感兴趣区域图像、采用径向基核函数对电伤果的识别效果最佳，总体识别率为 97.8%。
