CN107543801A - 基于高光谱的芒果冲击损伤后硬度预测方法 - Google Patents

Abstract

本发明公开了一种基于高光谱的芒果冲击损伤后硬度预测方法，步骤是：首先，将芒果样品分为对照组(未受损)和实验组(受损)，将实验组的样品分别放置在跌落试验机的三个不同高度使其自由跌落产生冲击损伤；然后采用高光谱成像***采集样品的光谱图像，同时采用物性分析仪测量分析样品果肉硬度值；最后结合光谱预处理方法、特征波长提取方法及统计学方法，建立果肉硬度预测模型，应用于芒果冲击损伤后硬度的预测。本发明基于高光谱成像技术和数学建模技术有效地检测了受冲击损伤后芒果硬度值的变化，具有无损、快速、准确等优点，可为揭示果实的损伤机理以及无损评估果实的机械损伤提供重要手段。

Description

基于高光谱的芒果冲击损伤后硬度预测方法

技术领域

本发明涉及一种基于高光谱的芒果果肉硬度值预测方法，具体涉及一种基于高光谱的芒果冲击损伤后硬度预测方法。

背景技术

基于重要经济价值，芒果的产量在热带地区和亚热带地区占据重要地位，但存在很多因素影响芒果的产后质量。机械损伤就是其中一个不可忽略的因素。在收获、运输、包装等过程中芒果非常容易产生机械损伤，比如冲击、磨损、穿刺等，导致其产后质量会相应地下降。研究表明，水果一旦受到损伤，其生理变化显著，表现在乙烯的产生以及呼吸、蒸腾作用等方面，从而在果实存放期间会加速其成熟。果肉的硬度是评估芒果成熟度的重要参数之一。因此，快速、准确地评估芒果机械损伤对其硬度指标的影响很有必要。

在各种形式机械损伤中，冲击损伤最严重且最容易发生。目前很多研究把果实的硬度值与冲击参数(比如冲击能量和最大接触力)结合建立相应预测模型。然而这些研究中模型的精度及稳定性有待提高，预测效果不理想。近些年，高光谱成像技术已经被广泛应用于评估水果的质量参数，但这些研究主要集中在借助于果实的理化指标对其成熟度进行分类，没有研究把芒果质量参数的变化与损伤联系起来。再者，已有研究表明了近红外光谱成像技术无损检测芒果质量参数的潜力，而借助于高光谱成像的研究却未见公开报道。因此，建立基于近红外高光谱的芒果受冲击损伤后硬度预测方法，可以为评估果实的机械损伤提供一种新的重要手段，具有重要的意义。

发明内容

本发明的目的在于提供一种基于高光谱的检测芒果冲击损伤后硬度预测方法，旨在实现无损、快速、准确地检测芒果受冲击损伤后硬度值。

本发明是这样实现的，基于高光谱的芒果冲击损伤后硬度预测方法，步骤如下：

将未损伤芒果样品分成对照组和实验组，实验组分成多个子组后分别从多个不同高度进行跌落实验，形成实验组受损与对照组未受损两类样品；

用近红外高光谱成像***扫描受损与未受损样品，采集样品高光谱图像；

用物性分析仪并配备不锈钢针形标准探头进行穿刺实验，测定受损与未受损样品的硬度值；

选取实验组样品受损伤区域和对照组样品任意区域作为感兴趣区，从样品高光谱图像中提取平均光谱，获得原始光谱；

使用标准正态变量变换对所述原始光谱预处理后，采用竞争性自适应重加权算法提取原始光谱的特征波长，形成特征光谱；

利用偏最小二乘算法分析特征光谱矩阵与硬度值矩阵，建立特征光谱矩阵与硬度值矩阵的线性回归模型，然后对该线性回归模型校正并预测评估，建立预测模型；

采集待测受损伤芒果样品高光谱图像，提取特征光谱，将特征光谱矩阵输入预测模型，得到样品果肉的硬度值。

其中，所述线性回归模型的建立方式如下：

利用偏最小二乘算法将因子分析和回归分析相结合，对特征光谱矩阵X和硬度值矩阵Y同时进行主成分分解，求取潜在变量，并采用留一法交叉验证计算预测残差平方和，再根据潜在变量的累积贡献率和预测残差平方和，寻找所需潜在变量个数，将特征光谱矩阵X和硬度值矩阵Y关联，建立两者的线性回归模型。

其中，对该线性回归模型校正并预测评估，最终建立预测模型的步骤如下：

先选取3/4样品的特征光谱值与硬度值数据输入线性回归模型进行模型校正；然后把剩下样品的特征光谱值与硬度值数据输入校正后模型，进行预测，根据预测结果评估模型，最终建立预测模型。预测结果(R²，RMSEP)用于评估模型的好坏。

本发明预测模型的预测结果R²(coefficient of determination)最高可达0.84，对应的RMSEP(root mean square error of the predicted)为3.16N。

优选的，所述近红外高光谱成像***扫描时，光谱范围为900-1700nm，相关参数设置如下：光谱分辨率为3nm，曝光时间为20ms，移动台前进速度为1.4cm/s，镜头与样本距离为42cm；

所述不锈钢针形标准探头直径Φ＝2mm，不锈钢针形标准探头下降与返回速度为2mm/s，测试过程中不锈钢针形标准探头的速度为1mm/s，压缩深度为10mm，以压缩过程2-3s内的平均力作为硬度值，单位为牛顿(N)。

优选的，采用竞争性自适应重加权算法提取原始光谱的特征波长共22个，分别为1047，1070，1090，1110，1296，1373，1380，1383，1386，1393，1396，1416，1463，1470，1476，1520，1540，1583，1586，1636，1689，1696；单位为nm。

其中，采用竞争性自适应重加权算法提取原始光谱的特征波长的方法的步骤如下：

(1)蒙特卡罗采样，每次波长采样需从建模样本集随机抽取80％-90％的样本，建立偏最小二乘回归模型；

(2)基于指数衰减函数去除不符合要求的变量；

(3)基于自适应重加权采样算法对保留的波长变量进行竞争性筛选；

(4)N次蒙特卡罗采样后得到N个变量子集，比较每次蒙特卡罗采样产生的变量子集的交叉验证均方根误差，误差值最小的变量子集为最优波长变量子集。

其中，建立线性回归模型的步骤如下：

(1)将特征光谱矩阵X和硬度值矩阵Y按下式(1)、(2)同时分解：

X＝TP+E (1)

Y＝UQ+F (2)式中，T和P分别为特征光谱矩阵X的得分矩阵和载荷矩阵，U和Q分别为硬度值矩阵Y的得分矩阵和载荷矩阵，E和F为模型拟合X和Y时引进的误差矩阵；

(2)利用下式(3)，T和U建立线性回归关系：

U＝TB (3)

式中，B是回归系数矩阵；

(3)利用下式(4)，对待测样本X_un的待测硬度值Y_un预测：

Y_un＝T_unBQ+F (4)

式中，T_un为待测样本X_un的得分矩阵，即先根据P矩阵求出待测样本X_un的得分矩阵T_un，然后由公式(4)计算出待测硬度值Y_un。

以上步骤中，光谱数据的提取在ENVI 5.1软件上操作，光谱数据的预处理及回归模型的建立、预测在Unscrambler 9.7软件上操作，特征波长的提取在Matlab 2010b软件上操作。具体的操作过程可以参考软件的联机帮助或者公开出版的工具书。

本发明提供的基于高光谱的检测芒果冲击损伤后硬度值预测方法，通过近红外高光谱成像***采集芒果样品的高光谱图像并提取原始光谱，利用物性分析仪测定样品果肉的硬度值，结合光谱预处理方法，提取特征光谱，最后通过建立偏最小二乘回归模型实现对待测样品硬度值的预测。

本发明提供的光谱预处理方法有效地降低了噪声信号的干扰，有利于对原始数据进行深度挖掘。

本发明建模前通过采用竞争性自适应重加权(CARS)方法提取特征波长，有效地减低了数据的维度，极大地提高了模型的运算效率，而且一定程度上提高了预测模型的准确度。

本发明避免了传统的破坏式检测果实硬度的方法，可实现无损、快速、准确地检测评估。

附图说明

图1为本发明基于高光谱的芒果冲击损伤后硬度预测方法流程图；

图2为本发明实际测得的芒果果肉硬度统计图；

图3为本发明经过反射率校正的芒果样品高光谱图像的原始光谱曲线图；

图4为本发明经过标准正态变量变换预处理后的平均光谱曲线图；

图5为本发明利用竞争性自适应重加权算法提取特征光谱的运行结果图；

图6为本发明基于偏最小二乘回归模型得出的实际测得硬度值与预测硬度值的散点示意图。

具体实施方式

下面，结合具体实施实例对本发明作进一步描述，以下所述的仅是本发明的具体实施实例，但本发明的保护范围并不仅限于此。

如图1-6所示，基于高光谱的芒果冲击损伤后硬度预测方法，步骤如下：

1)样品冲击损伤的产生

将240个硬度、颜色、大小基本一致且未受到任何损伤的芒果随机分类成对照组(60个)和实验组(180个)，实验组样品分成3组(每组60个)分别用于三天的观测，每组样品再接着分成3个子组(每组20个)分别用于从3个不同的跌落高度(0.5m，1.0m，1.5m)自由跌落产生冲击损伤，利用跌落试验机进行跌落试验，形成受损伤的样品与对照组的未损伤样品两类样品。

2)样品高光谱图像的采集

将所有样品避光保存5天，每隔1天采用高光谱成像***采集待测样品的高光谱图像，将芒果样品分为受损(实验组)和未受损(对照组)两类，采用近红外高光谱成像***进行扫描，光谱范围为900-1700nm，具体参数设置如下：曝光时间为20ms，移动台前进速度为1.4cm/s,回退速度为2cm/s，镜头与样本距离为42cm。

3)样品果肉硬度的测定

采用物性分析仪并配备Φ＝2mm直径不锈钢针形标准探头进行穿刺实验来测定样品的硬度值，设备的相关参数设置如下：探头下降与返回速度为2mm/s，测试过程中探头的速度为1mm/s，压缩深度为10mm。最后以压缩过程2-3s内的平均力作为硬度值，单位为牛顿(N)。

从图2可以看出，相对于对照组，实验组样品的硬度值降低。说明冲击损伤降低了芒果果肉的硬度，而且损伤越严重(跌落高度越高)，果肉的硬度值越低。

4)样品光谱数据的分析

采集所有的芒果样品的高光谱图像后，选取实验组样品的受损伤区域和对照组样品的任意区域作为感兴趣区(ROI)提取平均光谱，获得原始光谱；为了降低噪声信号的干扰，使用标准正态变量变换(SNV)对所有样品的原始光谱进行预处理。

从图3可以看出芒果光谱的典型吸收峰在波长970nm，1050nm，1250nm，1450nm附近；

从图4可以看出SNV预处理方法明显降低了噪音的干扰，提高了信噪比。

为了提高模型的分析效率同时保持较高的稳定性，采用竞争性自适应重加权(Competitive adaptive reweighted sampling，CARS)算法提取光谱的特征波长。竞争性自适应重加权算法具体步骤主要包括：

(1)蒙特卡罗采样，每次波长采样需从建模样本集随机抽取80％-90％的样本，建立偏最小二乘回归模型；

(2)基于指数衰减函数去除波长变量，使大量不重要的波长变量逐步且有效地被去除；

(3)基于自适应重加权采样技术进一步对波长变量进行竞争性筛选；

(4)N次采样后得到N个变量子集，比较每次采样产生的变量子集的交叉验证均方根误差，误差值最小的变量子集为最优波长变量子集。

经竞争性自适应重加权算法50次采样后，共获得50个变量子集。从图5可以看出，当采样29次时，变量子集的交叉验证均方根误差最小，其对应的最优特征波长共22个，分别为1047，1070，1090，1110，1296，1373，1380，1383，1386，1393，1396，1416，1463，1470，1476，1520，1540，1583，1586，1636，1689，1696(单位：nm)。

5)预测模型的建立

将因子分析和回归分析相结合，对原始光谱矩阵X和硬度值矩阵Y同时进行主成分分解，求取潜在变量，并采用留一法交叉验证计算预测残差平方和，再根据潜在变量的累积贡献率和预测残差平方和，寻找最佳的潜在变量个数将X和Y关联，建立两者的线性回归模型。建立模型的步骤如下：

(1)原始光谱矩阵X和硬度值矩阵Y同时被分解：

X＝TP+E (1)

Y＝UQ+F (2)

式中，T和P分别为X的得分矩阵和载荷矩阵，U和Q分别为Y的得分矩阵和载荷矩阵，E和F为模型拟合X和Y时引进的误差矩阵。

(2)T和U建立线性回归关系：

U＝TB (3)

式中，B是回归系数矩阵。

(3)对未知待侧样本的待测硬度值参数进行预测：

Y_un＝T_unBQ+F (4)

即先根据P矩阵求出未知待侧样本X_un的得分矩阵T_un，然后由公式计算出待测硬度值参数Y_un。

为减少数据维度且提高模型的计算效率，建立提取的特征波长与实测硬度值的预测模型。首先选取3/4样品的光谱值与硬度值数据输入模型，即校正过程；然后把剩下样品的数据输入模型进行预测，预测结果(R²，RMSEP)用来评估模型的好坏。本实例的预测结果R²(coefficient of determination)达0.84，对应的RMSEP(root mean square error ofthe predicted)为3.16N。

6)果肉硬度的无损快速测定

采集待测芒果样品的高光谱数据，将待测芒果样品的特征光谱输入预测模型即可得到样品果肉的硬度值。从图6可以看出模型的预测效果较好，说明本发明可以有效地测出芒果果肉的硬度值变化。

光谱数据的提取在ENVI 5.1软件上操作，光谱数据的预处理及回归模型的建立、预测在Unscrambler 9.7软件上操作，特征波长的提取在Matlab 2010b软件上操作。

最后，本发明的上述实施方案只能认为是对本发明的说明而不能限制本发明。权利要求书指明了本发明的保护范围，因此，在与本发明的权利要求书相当的含义和范围内的任何改变，都应认为是包括在权利要求书的范围内。

Claims (7)

1.基于高光谱的芒果冲击损伤后硬度预测方法，其特征在于，步骤如下：

将未损伤芒果样品分成对照组和实验组，实验组分成多个子组后分别从多个不同高度进行跌落实验，形成实验组受损与对照组未受损两类样品；

用近红外高光谱成像***扫描受损与未受损样品，采集样品高光谱图像；

用物性分析仪并配备不锈钢针形标准探头进行穿刺实验，测定受损与未受损样品的硬度值；

选取实验组样品受损伤区域和对照组样品任意区域作为感兴趣区，从样品高光谱图像中提取平均光谱，获得原始光谱；

使用标准正态变量变换对所述原始光谱预处理后，采用竞争性自适应重加权算法提取原始光谱的特征波长，形成特征光谱；

利用偏最小二乘算法分析特征光谱矩阵与硬度值矩阵，建立特征光谱矩阵与硬度值矩阵的线性回归模型，然后对该线性回归模型校正并预测评估，最终建立预测模型；

采集待测受损伤芒果样品高光谱图像，提取特征光谱，将特征光谱矩阵输入预测模型，得到样品果肉的硬度值。

2.根据权利要求1所述基于高光谱的芒果冲击损伤后硬度预测方法，其特征在于，所述线性回归模型的建立方式如下：

利用偏最小二乘算法将因子分析和回归分析相结合，对特征光谱矩阵X和硬度值矩阵Y同时进行主成分分解，求取潜在变量，并采用留一法交叉验证计算预测残差平方和，再根据潜在变量的累积贡献率和预测残差平方和，寻找所需潜在变量个数，将特征光谱矩阵X和硬度值矩阵Y关联，建立两者的线性回归模型。

3.根据权利要求1所述基于高光谱的芒果冲击损伤后硬度预测方法，其特征在于，对该线性回归模型校正并预测评估，最终建立预测模型的步骤如下：

先选取3/4样品的特征光谱值与硬度值数据输入线性回归模型进行模型校正；然后把剩下样品的特征光谱值与硬度值数据输入校正后模型，进行预测，根据预测结果评估模型，最终建立预测模型。

4.根据权利要求1所述基于高光谱的芒果冲击损伤后硬度预测方法，其特征在于，所述近红外高光谱成像***扫描时，光谱范围为900-1700nm，相关参数设置如下：光谱分辨率为3nm，曝光时间为20ms，移动台前进速度为1.4cm/s，镜头与样本距离为42cm；

所述不锈钢针形标准探头直径Φ＝2mm，不锈钢针形标准探头下降与返回速度为2mm/s，测试过程中不锈钢针形标准探头的速度为1mm/s，压缩深度为10mm，以压缩过程2-3s内的平均力作为硬度值，单位为牛顿N。

5.根据权利要求1所述基于高光谱的芒果冲击损伤后硬度预测方法，其特征在于，采用竞争性自适应重加权算法提取原始光谱的特征波长共22个，分别为1047，1070，1090，1110，1296，1373，1380，1383，1386，1393，1396，1416，1463，1470，1476，1520，1540，1583，1586，1636，1689，1696；单位为nm。

6.根据权利要求1所述基于高光谱的芒果冲击损伤后硬度预测方法，其特征在于，采用竞争性自适应重加权算法提取原始光谱的特征波长的方法的步骤如下：

(1)蒙特卡罗采样，每次波长变量采样从建模样本集随机抽取80％-90％的样本，建立偏最小二乘回归模型；

(2)基于指数衰减函数去除不符合要求的波长变量；

(3)基于自适应重加权采样算法对保留的波长变量进行竞争性筛选；

(4)N次蒙特卡罗采样后得到N个波长变量子集，比较每次蒙特卡罗采样产生的波长变量子集的交叉验证均方根误差，误差值最小的变量子集为最优波长变量子集。

7.根据权利要求1所述基于高光谱的芒果冲击损伤后硬度预测方法，其特征在于，建立线性回归模型的步骤如下：

(1)将特征光谱矩阵X和硬度值矩阵Y按下式(1)、(2)同时分解：

X＝TP+E (1)

Y＝UQ+F (2)

式中，T和P分别为特征光谱矩阵X的得分矩阵和载荷矩阵，U和Q分别为硬度值矩阵Y的得分矩阵和载荷矩阵，E和F为模型拟合特征光谱矩阵X和硬度值矩阵Y时引进的误差矩阵；

(2)利用下式(3)，建立T和U的线性回归关系：

U＝TB (3)

式中，B是回归系数矩阵；

(3)利用下式(4)，对待测样本X_un的待测硬度值Y_un预测：

Y_un＝T_unBQ+F (4)

式中，T_un为待测样本X_un的得分矩阵。