引用本文
肖男, 李翰林, 翁定康, 胡栋, 孙通, 熊永森. 不同光照模式信息融合的苹果霉心病近红外快速识别[J]. 光谱学与光谱分析, 2024,44(8): 2388-2394.
XIAO Nan, LI Han-lin, WENG Ding-kang, HU Dong, SUN Tong, XIONG Yong-sen. Rapid Identification of Apple Moldy Core Disease by Near Infrared Spectroscopy With Information Fusion of Different Illumination Patterns[J]. Spectroscopy and Spectral Analysis, 2024,44(8): 2388-2394.
Doi:10.3964/j.issn.1000-0593(2024)08-2388-07  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
不同光照模式信息融合的苹果霉心病近红外快速识别
肖男1, 李翰林1, 翁定康1, 胡栋1, 孙通1,*, 熊永森2
1.浙江农林大学光机电工程学院, 浙江 杭州 311300
2.浙江省农作物收获装备技术重点实验室, 浙江 金华 321016
*通讯作者 e-mail: suntong980@163.com

作者简介: 肖 男, 1997年生, 浙江农林大学光机电工程学院硕士研究生 e-mail: 15957102821@163.com

收稿日期: 2023-04-10 修回日期: 2023-10-22
基金: 国家自然科学基金项目(32001414), 浙江省属高校基本科研业务费专项资金项目(2021TD002), 浙江农林大学科研发展基金项目(2019FR033)资助
摘要

苹果清脆甘甜, 物美价廉, 在我国具有极高的经济价值, 是苹果产区乡村振兴的特色支柱产业。 霉心病是苹果主要的内部缺陷之一, 极大影响苹果的品质, 若未能及时剔除将不利于苹果品牌建设, 严重影响苹果产业发展。 利用近红外光谱技术获取苹果在不同摆放姿态和光照模式下的光谱, 去趋势(Detrend)、 基线校正(Baseline)、 二阶导数(SD)方法对原始光谱进行预处理, 应用支持向量机(SVM)方法建立苹果霉心病判别模型, 分析不同摆放姿态下光照模式对霉心病检测影响, 并探索不同光照模式光谱信息融合的苹果霉心病检测方法。 结果表明, 在单光照模式下, 180°光照模式对正常苹果有较高的判别正确率, 而135°光照模式对霉心病苹果有较好的识别正确率; 对于单光照模式, 在果梗向右姿态和135°光照模式下获得最优的SVM模型, 其模型校正集的敏感性、 特异性及正确率分别为1、 0.978 2和0.986 3, 预测集的敏感性、 特异性及正确率分别为0.888 8、 0.956 5和0.937 5。 对于不同光照模式的信息融合, 大部分光照模式的信息融合能一定程度上提高苹果霉心病判别模型的性能; 在果梗向右姿态下180°与135°光照模式信息融合中获得最优的SVM模型, 其模型校正集的敏感性、 特异性及正确率均为1, 预测集的敏感性、 特异性及正确率分别为0.888 8、 1和0.968 7, 与单光照模式的最优模型相比, 模型性能有所提高。 该研究提供了一种基于近红外光谱和不同光照模式信息融合的苹果霉心病无损识别的新思路, 也可为其他水果的内部品质无损检测提供参考。

关键词: 近红外光谱; 光照模式; 信息融合; 霉心病; 苹果
中图分类号:TS227 文献标志码:A
Rapid Identification of Apple Moldy Core Disease by Near Infrared Spectroscopy With Information Fusion of Different Illumination Patterns
XIAO Nan1, LI Han-lin1, WENG Ding-kang1, HU Dong1, SUN Tong1,*, XIONG Yong-sen2
1. College of Optical, Mechanical and Electrical Engineering, Zhejiang A&F University, Hangzhou 311300, China
2. Key Laboratory of Crop Harvesting Equipment Technology of Zhejiang Province, Jinhua 321016, China
*Corresponding author
Abstract

Apples are crisp, sweet, and inexpensive. They have great economic value in China and are a characteristic pillar industry for rural revitalization in apple-producing areas. Moldy core disease is one of the main internal defects of apples, greatly affecting their quality. Failure to remove it promptly will be detrimental to apple branding and seriously affect the development of the apple industry. In this study, near-infrared spectroscopy was used to obtain the spectra of apples in different poses and illumination modes. Pretreatment methods such as detrending, baseline correction, and second derivative (SD) were used to pre-process the original spectra, and then a support vector machine (SVM) was used to establish a moldy core disease discrimination model for apples. Also, the effect of the illumination modes on mold core disease detection in different poses was analyzed, and the apple mold core disease detection method, by fusing the spectral information of different illumination modes, was investigated. The results indicate that in the single-illumination mode, the 180°illumination mode has a higher correct discrimination rate for regular apples, while the 135°illumination mode has a better correct identification rate for moldy core disease apples; for the single-illumination mode, the optimal SVM model is obtained in the rightward stance of the fruit pedicel and the 135° illumination mode. The model's sensitivity, specificity, and correctness in the calibration set are 1, 0.978 2, and 0.986 3, and the sensitivity, specificity, and correctness of the prediction set are 0.888 8, 0.956 5, and 0.937 5, respectively. For the information fusion of different illumination modes, most of the information fusion of the illumination mode can improve the performance of the apple mildew discrimination model to some extent; the optimal SVM model is obtained in the information fusion of 180° and 135°illumination modes in the rightward stance of the fruit pedicel, the sensitivity, specificity, and correctness of the model in calibration set are all 1. The prediction set's sensitivity, specificity, and correctness are 0.888 8, 1, and 0.968 7, respectively. Compared with the optimal model of single illumination mode, the model's performance is improved. This paper provides a new idea of rapid, nondestructive identification of apple moldy core disease by near-infrared spectra with the information fusion of different illumination modes, and the method can also provide a reference for nondestructive detection of the internal quality of other fruits.

Keyword: Near infrared spectroscopy; Information fusion; Illumination patterns; Moldy core disease; Apple
引言

苹果具有极高的经济价值, 在我国陕西、 山东、 河北等省份广泛种植, 其果肉致密细脆, 富含矿物质和维生素, 深受人民群众喜爱。 据国家统计局数据显示, 我国2021年苹果产量高达4 597.34万吨, 创造经济价值14.297 6亿美元, 但出口数量仅有108万吨。 目前, 苹果产业发展规模虽然巨大, 但高品质苹果在出口市场占有率较低, 出口规模与我国苹果年度产量规模不匹配[1]。 如何将巨大的产业规模充分释放并转换为产业发展的动力, 提高出口市场占有率, 促进高品质苹果大量出口, 需要将提高苹果内外部品质摆在重要位置。

霉心病是影响苹果内部品质的最主要因素之一。 霉心病又称心腐病、 果腐病, 由多种真菌侵染引起, 其症状从苹果心室开始, 逐渐向外扩展霉烂, 严重影响果实内部品质和耐贮性, 更会导致病果不能食用, 降低苹果商品率和丧失商品价值, 造成种植户经济损失[2, 3]。 由于苹果霉心病发病症状从内到外, 果农和消费者从外表难以察觉, 不及时发现将会对果农的声誉造成不良影响, 打击消费者信心和减少消费需求, 不利于苹果品牌建设严重影响苹果产业发展。 因此, 亟需建立苹果霉心病的快速无损检测, 将霉心病苹果与正常果分类分级管理迫在眉睫。

近年来, 近红外光谱技术发展十分迅猛, 其具有不破坏样品、 操作简单、 检测速度快、 效率高等特点, 因而被广泛应用于各个领域[4]。 近红外光是一种介于可见光和中红外光之间的电磁波, 其波长范围为700~2 500 nm, 该谱区主要为含氢基团(OH, CH, NH, SH, PH)的倍频和合频吸收[5]。 大部分有机化合物的近红外光谱是其各基团振动的倍频和合频的综合吸收表现, 反映了有机物的主要结构和组成信息[6]。 由于不同基团在不同化学环境下产生的吸收峰不同, 并且吸收峰的特征性强, 信息量丰富, 因此近红外光谱不仅反映有机物的组成和结构等化学信息, 而且也能反映有机物的密度等物理信息[7]。

目前, 近红外光谱技术已被广泛应用于水果品质的无损检测。 在苹果霉心病检测方面, 许多学者进行了大量的研究, 取得了一定的进展。 Zhou等[8]探明了苹果霉心病检测的主要影响因素, 并确定了透射光谱的较佳采集参数, 其模型预测正确率达97.33%。 张海辉等[9]提出了一种修正果实直径对透射影响的方法且研制检测装置, 利用该方法和装置进行透射光谱的修正。 结果表明, 修正后的光谱建立的模型比原始光谱模型的正确率提高了7.84个百分点。 秦楷等[10]研究了苹果在线输送时4种摆放姿态下的霉心病判别效果, 认为摆放姿态为竖放柄朝上的效果最好, 其预测集正确率达93.75%, 且对霉心病果的判别效果最佳。 Tian等[11]提出了基于直径变换和光谱变换的方法来修正果实大小对透射光谱的影响, 并采用融合不同摆放方向光谱信息的方法建立支持向量机(support vector machine, SVM)模型, 以消除苹果霉心病在线检测中果品摆放方向的影响。 目前国内外对于苹果霉心病检测, 大多数学者主要侧重于研究融合苹果物理信息、 不同苹果摆放姿态和果实大小修正等方面对霉心病判别的影响, 并取得了一定的研究成果; 但在多种苹果摆放姿态下不同光照模式对苹果霉心病的判别影响研究不够深入。

本研究以陕西红富士苹果为研究对象, 利用近红外光谱技术获取苹果在不同光照模式和摆放姿态下的光谱, 采用不同的预处理方法进行光谱预处理, 并应用SVM方法建立苹果霉心病判别模型。 分析不同摆放姿态下光照模式对苹果霉心病检测的影响, 并探究基于不同光照模式光谱信息融合的苹果霉心病检测方法, 以提高苹果霉心病的判别正确率。

1 实验部分
1.1 试验材料

苹果样本采购于陕西延安, 品种为红富士, 由有经验的果农挑选可能患有霉心病的苹果和正常苹果。 随机选择色泽红润、 大小均匀、 外表光滑的104个实验样本, 将其置于4~8 ℃的冷库中保存。 实验时, 应先将苹果样本从冷库中取出, 并将其置于室温下12 h, 使其温度与室温保持一致。 然后, 依次对苹果样本进行标号, 并测量其横径、 纵径和质量。 光谱采集后, 将苹果样本切开, 判断其是否有霉心病并进行拍照, 将患有霉心病的苹果样本记为类别A, 正常苹果样本记为类别B。

采用kennard-stone法将104个苹果样本按照2: 1的比例划分为校正集和预测集, 校正集样本有72个, 其中46个正常苹果样本, 26个霉心病苹果样本, 用于建立苹果霉心病判别模型; 预测集样本有32个, 其中23个正常苹果样本, 9个霉心病苹果样本, 用于验证苹果霉心病判别模型。

1.2 试验装置与光谱采集

近红外光谱采集装置如图1所示。 光谱仪采用荷兰Avantes公司研制的AvaSpec-HS1024× 122TEC型光纤光谱仪, 其波长范围为200~1 160 nm, 信噪比为1 000∶ 1, 探测器结构为热电制冷、 薄型背照式CCD, 温度控制器具备高稳定性, 可冷却到-10 ℃。 光源采用多个卤素灯, 可实现三种光照模式; 其中, 光照模式1采用位于苹果样本左右两侧的两盏卤素灯进行照射, 卤素灯-苹果-光纤的角度为90° , 每盏卤素灯功率为50 W, 记为90° 光照模式; 光照模式2采用位于苹果样本斜上方的两盏卤素灯进行照射, 卤素灯-苹果-光纤的角度为135° , 每盏卤素灯功率为50 W, 记为135° 光照模式; 光照模式3采用位于苹果样本正上方的一盏卤素灯进行照射, 卤素灯-苹果-光纤的角度为180° , 卤素灯功率为100 W, 记为180° 光照模式。

图1 苹果近红外光谱检测装置示意图
1: 计算机; 2: 光谱仪; 3: 光纤; 4: 卤素灯; 5: 180° 光照模式; 6: 135° 光照模式; 7: 90° 光照模式; 8: 透镜; 9: 果托Fig.1 Schematic diagram of NIR spectral detection device for apples
1: Computer; 2: Spectrometer; 3: Optical fiber; 4: Halogen lampls; 5: 180° lighting pattern; 6: 135° lighting pattern; 7: 90° lighting pattern; 8: Lens; 9: Tray

在每种光照模式下, 分别利用近红外光谱采集装置获取苹果样本三种摆放姿态下的光谱, 以探索不同摆放姿态下光照模式对苹果霉心病检测的影响。 苹果样本的三种摆放姿态如图2所示, 分别为果梗向上、 果梗向前、 果梗向右。 为了保持苹果光谱的稳定姓和一致性, 避免不必要的干扰, 光谱采集前需将近红外光谱仪预热30 min。 当选择90° 光照模式进行光谱采集时, 仅打开位于苹果样本左右两侧的两盏卤素灯, 而将其他卤素灯关闭, 然后将苹果样本分别按照果梗向上、 果梗向前、 果梗向右的摆放姿态放置在果托上, 分别采集三种摆放姿态下苹果样本的光谱; 当选择135° 或180° 光照模式进行光谱采集时, 同样仅打开对应的卤素灯, 而将其他卤素灯关闭, 然后分别采集苹果样本在三种不同摆放姿态下的光谱。 通过AvaSoft8软件实现对苹果样本的光谱采集, 其光谱采集参数设置如下: 扫描次数为1次, 积分时间为800 ms。

图2 苹果样本的三种摆放姿态示意图
(a): 果梗向上; (b): 果梗向前; (c): 果梗向右Fig.2 Schematic diagram of three poses of apple samples
(a): Fruit stem upwards; (b): Fruit stem forward; (c): Fruit stem toward right

1.3 光谱预处理方法

采集的样本近红外光谱, 由于实验环境、 实验仪器、 杂散光等因素影响, 不可避免地包含噪声、 基线漂移等干扰信息[12]。 合适的预处理方法不仅可以有效消除背景噪音和各种外界干扰因素, 并且可以提高光谱与待测样品的化学成分之间的相关性[13]。 采用去趋势(detrend)、 基线校正(baseline)、 二阶导数(second derivative, SD)方法对原始光谱进行预处理。 去趋势通过消除数据中的线性趋势, 使分析集中在趋势数据的波段[14]。 基线校正主要消除仪器背景、 样品粒度等因素导致近红外光谱中出现基线漂移和倾斜的影响[15]。 二阶导数主要作用是减少谱带重叠、 强化光谱携带特征信息, 消除基线漂移[16]。

1.4 判别模型建立与评价

支持向量机适用于解决模式分类与非线性映射问题, 以基于统计学习的VC理论和结构风险最小化归纳原则为基础, 在有限的样本信息下, 根据模型的复杂性和学习能力之间寻找最优解, 从而获得最好的推广能力[17]。 采用SVM方法, 对不同摆放姿态的苹果分别建立在不同光照模式下正常苹果与霉心病苹果的判别模型。 判别模型的评价指标有敏感性、 特异性和正确率, 其定义公式如式(1)— 式(3)

$\text{Sensitivity}=\frac{\text{TP}}{\ \ \ \ \ \text{TP}+\text{FN}\ \ \ \ \ }$(1)

$\text{Specificity}=\frac{\text{TN}}{\ \ \ \ \ \text{TN}+\text{FP}\ \ \ \ \ }$(2)

$\text{Accuracy}=\frac{\text{TP}+\text{TN}}{\ \ \ \ \ \text{TP}+\text{FN}+\text{TN}+\text{FP}\ \ \ \ \ }$(3)

式中, Sensitivity、 Specificity 和Accuracy分别表示敏感性、 特异性和正确率; TP表示真阳性, 指被模型预测为阳性的阳性样本; FN表示假阴性, 指被模型预测为阴性的阳性样本; TN指真阴性, 指被模型预测为阴性的阴性样本; FP表示假阳性, 指被预测为阳性的阴性样本。 实验中规定阳性指代霉心病苹果, 阴性指代正常苹果。

2 结果与讨论
2.1 近红外光谱分析

根据近红外光谱技术检测原理, 能否有效判别霉心病和正常苹果, 其主要依据是病变和腐烂引起果核化学成分的变化是否使苹果的近红外光谱产生相应的变化。 图3是90° 光照模式下果梗向上的苹果近红外原始光谱。 由图3可知, 苹果样本的近红外光谱在640、 710和800 nm均有明显的波峰, 而在680和740 nm存在波谷。 在640、 710和800 nm波长处, 绝大部分正常苹果的近红外光谱强度高于霉心病苹果, 尤其在710 nm附近正常苹果的光谱强度与霉心病苹果差异更加明显。 在500~900 nm波段内, 霉心病苹果的光谱曲线几乎都低于正常果光谱曲线, 可能是由于霉心病果的内部发生了化学改变, 从而吸收了大部分近红外光线。 在0~500和900~1 160 nm波段范围内, 苹果样本的光谱强度几乎为零, 因此后续采用550~900 nm波段进行建模和分析。

图3 果梗向上姿态与90° 光照模式下的正常与霉心病苹果的近红外原始光谱Fig.3 NIR raw spectra of normal and moldy-core infected apples under 90° lighting pattern with fruit stalks upwards

2.2 基于单光照模式的判别模型

在三种不同光照模式下, 分别采集三种摆放姿态的苹果近红外光谱, 然后采用去趋势、 基线校正、 二阶导数预处理方法进行光谱预处理, 再应用SVM方法建立苹果霉心病的判别模型, 并利用预测集样本验证判别模型的精度和稳定性, 其结果如表1、 表2、 表3所示。

表1 果梗向上姿态下不同光照模式的苹果霉心病SVM判别模型结果 Table 1 SVM discriminant modelling results of moldy-core infected apples under different illumination patterns with the fruit stem upward pose
表2 果梗向前姿态下不同光照模式的苹果霉心病SVM判别模型结果 Table 2 SVM discriminant modelling results of moldy-core infected apples under different illumination patterns with the fruit stem forward pose
表3 果梗向右姿态下不同光照模式的苹果霉心病SVM判别模型结果 Table 3 SVM discriminant modelling results of moldy-core infected apples under different illumination patterns with the pose of the fruit stem toward right

由表1可知, 果梗向上姿态下, 180° 光照模式的SVM判别模型的预测集敏感性均为0.777 7, 特异性为0.869 5~0.956 5, 表明霉心病苹果的判别正确率较低, 而正常苹果的判别正确率较高; 135° 光照模式的SVM判别模型的预测集敏感性为0.777 7~0.888 8, 特异性为0.913 0~0.956 5, 与180° 光照模式的SVM模型相比, 其模型的敏感性和特异性均有所升高, 表明霉心病和正常苹果的判别正确率均上升; 对于90° 光照模式, 其SVM判别模型的预测集敏感性为0.666 6~0.777 7, 特异性为0.869 5~0.913 0, 与180° 光照模式的SVM模型相比, 其模型的敏感性和特异性略有下降。 由上述分析可知, 在果梗向上姿态下, 135° 光照模式对霉心病和正常苹果的预测正确率最高, 180° 光照模式次之, 而90° 光照模式最差。

由表2可知, 在果梗向前姿态下, 180° 光照模式的SVM判别模型的预测集敏感性为0.777 7, 特异性为1; 135° 光照模式的SVM判别模型的预测集敏感性为0.777 7~0.888 8, 特异性为0.826 0~0.869 5; 90° 光照模式的SVM判别模型的预测集敏感性均为0.888 8, 特异性为0.913 0。 因此, 在果梗向前姿态下, 90° 光照模式和135° 光照模式对霉心病苹果的预测正确率较高, 180° 光照模式对正常苹果的预测正确率最高, 而135° 光照模式对正常苹果的预测正确率最差。

由表3可知, 在果梗向右姿态下, 180° 光照模式的SVM判别模型的预测集敏感性均为0.777 7, 特异性为0.956 5~1; 135° 光照模式的SVM判别模型的预测集敏感性均为0.888 8, 特异性均为0.956 5; 90° 光照模式的SVM判别模型的预测集敏感性为0.777 7~0.888 8, 特异性为0.869 5~0.913 0。 因此, 在果梗向右姿态下, 180° 光照模式对正常苹果的预测正确率高于135° 和90° 光照模式, 而135° 光照模式对霉心病苹果的预测正确率最高。

对比表1、 表2及表3结果可知, 在果梗向右姿态和135° 光照模式下, 经SD预处理后建立的SVM模型有最优的性能, 预测集的敏感性、 特异性及正确率分别为0.888 8、 0.956 5和0.937 5。 在单光照模式下, 我们发现大部分SVM判别模型对轻度霉心病果识别会产生两种情况, 一是轻度霉心病苹果识别效果不佳, 而正常苹果判别正确率相对较高; 如180° 光照模式, 在果梗向前及果梗向右姿态下, 其SVM判别模型的特异性均较高, 而敏感性相对较低。 二是轻度霉心病苹果识别效果好, 但正常苹果容易误判为轻度霉心病苹果; 如135° 光照模式, 在三种苹果摆放姿态下, 其预测集的敏感性均提升到0.888 8, 但特异性有不同程度地下降。 对于90° 光照模式, 其SVM判别模型的总体性能比180° 和135° 光照模式的模型性能差。 综合分析和比较不同光照模式下的SVM模型, 发现180° 光照模式较适合于正常苹果的判别, 而135° 光照模式较适合于霉心病苹果的判别, 90° 光照模式在果梗向前姿态下对霉心病苹果的判别正确率较高。 由此可见, 不同光照模式各有优缺点, 因此尝试将不同光照模式的光谱信息进行融合后建立苹果霉心病的SVM判别模型, 以提升苹果霉心病判别模型的性能。

2.3 基于不同光照模式信息融合的判别模型

在三种苹果摆放姿态下, 选择较优的预处理方式, 将不同光照模式的光谱信息两两融合, 并应用SVM方法建立苹果霉心病的判别模型, 其结果见表4、 表5和表6。

表4 果梗向上姿态下不同光照模式信息融合的苹果霉心病的SVM判别模型结果 Table 4 SVM discriminant modelling results by using information fusion for moldy-core infected apples different illumination pattens with the pose of the fruit stem upward
表5 果梗向前姿态下不同光照模式信息融合的苹果霉心病的SVM判别模型结果 Table 5 SVM discriminant modelling results by using information fusion for moldy-core infected apples under different illumination patterns with the pose of the fruit stem forward
表6 果梗向右姿态下不同光照模式信息融合的苹果霉心病的SVM判别模型结果 Table 6 SVM discriminant modelling results by using information fusion for moldy-core infected apples under different illumination patterns with the pose of the fruit stem toward right

由表4可知, 180° 与90° 光照模式信息融合后, 其模型预测集的特异性为0.956 5~1, 高于180° 或90° 单光照模式的模型特异性, 表明光谱信息融合后模型性能有所提升。 而对于180° 与135° 光照模式信息融合、 以及135° 与90° 光照模式信息融合, 融合后的模型性能未能得到有效提升。

由表5可知, 180° 与90° 光照模式信息融合后, 其模型预测集的敏感性均为0.888 8, 特异性为0.913 0~1; 与90° 光照模式相比, 其预测集的敏感性相同, 而特异性有所提升; 与180° 光照模式相比, 其预测集的敏感性有所提高, 但特异性略有下降; 总体而言, 光谱信息融合后, 其模型性能略有提升。 对于135° 与90° 光照模式信息融合, 其模型预测集的敏感性均为0.888 8, 特异性为0.956 5~1, 其敏感性与135° 或90° 单光照模式的模型持平, 但特异性高于135° 或90° 单光照模式的模型, 模型性能有所提升。 对于180° 与135° 光照模式信息融合, 融合后的模型性能未能得到有效提升。

由表6可知, 对于180° 与135° 光照模式信息融合, 其模型预测集的敏感性为0.777 7~0.888 8, 特异性均为1; 与180° 光照模式相比, 其预测集的敏感性和特异性均略有提高, 与135° 光照模式相比, 其敏感性略有下降, 而特异性有所上升。 对于180° 与90° 光照模式信息融合, 其模型预测集的敏感性均为0.888 8, 特异性为0.913 0~0.956 5; 其敏感性高于180° 或90° 光照模式, 而特异性高于90° 光照模式, 低于180° 光照模式, 总体上模型性能有所提升。 对于135° 与90° 光照模式信息融合, 融合后的模型性能未能得到有效提升。

综上分析, 在三种苹果摆放姿态下, 某些光照模式的信息融合能一定程度上提高苹果霉心病判别模型的性能, 如果梗向上姿态下180° 与90° 光照模式信息融合、 果梗向前姿态下180° 与90° 及135° 与90° 光照模式信息融合、 果梗向右姿态下180° 与135° 及180° 与90° 光照模式信息融合。 在后续研究中, 可以在组合光照模式下探索苹果霉心病的近红外光谱检测。 此外, 在上述SVM模型中, 果梗向右姿态下180° 与135° 光照模式信息融合中, 经SD预处理的SVM模型最优, 其校正集的敏感性、 特异性及正确率均为1, 预测集的敏感性、 特异性及正确率分别为0.888 8、 1和0.968 7。

3 结论

利用近红外光谱技术在不同摆放姿态和光照模式下研究苹果霉心病的快速无损识别, 分析光照模式对苹果霉心病快速无损识别的影响, 并探索不同光照模式的信息融合以提升苹果霉心病的判别正确率。 研究结果表明, 在单光照模式下, 180° 光照模式对正常苹果有较高的判别正确率, 而135° 光照模式对霉心病苹果有较好的识别正确率; 在果梗向右姿态和135° 光照模式下, 经SD预处理后的SVM判别模型在单光照模式的模型中最优, 预测集的敏感性、 特异性及正确率分别为0.888 8、 0.956 5和0.937 5。 对于不同光照模式的信息融合, 大部分光照模式的信息融合能一定程度上提高苹果霉心病判别模型的性能; 果梗向右姿态下180° 与135° 光照模式信息融合中, 经SD预处理的SVM模型最优, 其校正集的敏感性、 特异性及正确率均为1, 预测集的敏感性、 特异性及正确率分别为0.888 8、 1和0.968 7。

参考文献
[1] RAO Li-bo, CHEN Xiao-yan, PANG Tao(饶利波, 陈晓燕, 庞涛). Chinese Journal of Luminescence(发光学报), 2019, 40(3): 389. [本文引用:1]
[2] Xia Y, Huang W, Fan S, et al. Infrared Physics & Technology, 2019, 97: 467. [本文引用:1]
[3] ZHAO Juan, SHEN Mao-sheng, PU Yu-ge, et al(赵娟, 沈懋生, 浦育歌, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2023, 54(2): 386. [本文引用:1]
[4] ZHANG Xin-xin, LI Pao, YU Mei, et al(张欣欣, 李跑, 余梅, 等). Food Science(食品科学), 2022, 43(1): 260. [本文引用:1]
[5] CHU Gang-hui, WANG Kun, YIN Xue-bo(楚刚辉, 王坤, 尹学博). Chinese Journal of Analytical Chemistry(分析化学), 2020, 48(4): 536. [本文引用:1]
[6] WU Lin-xia, ZHAI Wen-lei, WEI Di-zhe, et al(武琳霞, 翟文磊, 韦迪哲, 等). Food Science(食品科学), 2020, 41(21): 248. [本文引用:1]
[7] WU Xiao-lin, SUN Rong, ZHU Peng-li, et al(吴晓琳, 孙蓉, 朱朋莉, 等). Acta Physico-Chimica Sinica(物理化学学报), 2011, 27(5): 1039. [本文引用:1]
[8] Zhou Z Y, Lei Y, Su D, et al. International Journal of Agricultural and Biological Engineering, 2016, 9(6): 8. [本文引用:1]
[9] ZHANG Hai-hui, TIAN Shi-jie, MA Min-juan, et al(张海辉, 田世杰, 马敏娟, 等). Transactions of the Chinese Society for Agricultural Machinery(农业机械学报), 2019, 50(1): 313. [本文引用:1]
[10] QIN Kai, CHEN Gang, ZHANG Jian-yi, et al(秦楷, 陈刚, 张剑一, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2021, 41(11): 3405. [本文引用:1]
[11] Tian S, Zhang J, Zhang Z, et al. Infrared Physics & Technology, 2019, 100: 117. [本文引用:1]
[12] ZHANG Jin, HU Yun, ZHOU Luo-xiong, et al(张进, 胡芸, 周罗雄, 等). Journal of Instrumental Analysis(分析测试学报), 2020, 39(10): 1196. [本文引用:1]
[13] Agelet L E, Hurburgh Jr C R. Critical Reviews in Analytical Chemistry, 2010, 40(4): 246. [本文引用:1]
[14] CHEN Yan-yu, CAO Zhen-zhen, ZHANG Bin-jia, et al(陈燕雨, 曹珍珍, 张宾佳, 等). Journal of Chinese Institute of Food Science and Technology(中国食品学报), 2021, 21(11): 261. [本文引用:1]
[15] YU Mei, LI Shang-ke, YANG Fei, et al(余梅, 李尚科, 杨菲, 等). Journal of Instrumental Analysis(分析测试学报), 2021, 40(1): 65. [本文引用:1]
[16] ZHAO Feng, LIN He-tong, YANG Jiang-fan, et al(赵峰, 林河通, 杨江帆, 等). Transactions of the Chinese Society of Agricultural Engineering(农业工程学报), 2014, 30(2): 269. [本文引用:1]
[17] JIN Hang-feng, HUANG Ling-xia, WU Di, et al(金航峰, 黄凌霞, 吴迪, 等). Journal of Infrared and Millimeter Waves(红外与毫米波学报), 2010, 29(3): 216. [本文引用:1]