基于高光谱成像技术的鲜枣裂纹的识别研究

第３４卷，第２期 光谱学与光谱分析Ｖｏｌ畅３４，Ｎｏ畅２，ｐｐ５３２‐５３７２０１４年２月 ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓＦｅｂｒｕａｒｙ，２０１４　
基于高光谱成像技术的鲜枣裂纹的识别研究
余克强１，赵艳茹１，李晓丽１，张淑娟２，何　勇１倡
１畅浙江大学生物系统工程与食品科学学院，浙江杭州　３１００５８２畅山西农业大学工学院，山西太谷　０３０８０１
摘　要　裂纹是衡量鲜枣品质的重要指标之一，果皮裂纹加速鲜枣的腐烂，导致鲜枣货架期的缩短，严重降低鲜枣的经济价值。

采用高光谱成像技术在３８０～１０３０ｎｍ波段范围内对鲜枣裂纹的位置及大小信息特征进行快速识别。

选用偏最小二乘回归（ＰＬＳＲ）、连续投影法（ＳＰＡ）和全波段图像主成分分析（ＰＣＡ），得到鲜枣裂纹相关的敏感波段。

然后利用选取的鲜枣裂纹的敏感波段对建模集的１３２个样本建立最小二乘支持向量机（ＬＳ‐ＳＶＭ）判别模型，并对预测集的４４个样本进行判别。

对ＰＬＳＲ‐ＬＳ‐ＳＶＭ，ＳＰＡ‐ＬＳ‐ＳＶＭ和ＰＣＡ‐ＬＳ‐ＳＶＭ判别模型采用ＲＯＣ曲线进行评判，得出ＰＬＳＲ‐ＬＳ‐ＳＶＭ模型对鲜枣裂纹定性判别的结果（ａｒｅａ＝１，ｓｔｄ＝０）最佳。

选取ＰＬＳＲ回归系数挑选出的５条鲜枣裂纹敏感波段（４６７，５４４，６３９，６７３和６８２ｎｍ）对应的单波段图像进行主成分分析，其中将主成分ＰＣ４的图像结合图像处理技术，最终识别出鲜枣裂纹的位置、大小信息。

结果表明，采用高光谱成像技术结合光谱图像处理可以实现鲜枣裂纹定性判别和定量识别的研究，为进一步开发相关仪器的研究提供理论方法和依据。

关键词　高光谱成像技术；鲜枣裂纹；定性判别；定量识别
中图分类号：Ｓ１２３；ＴＰ３９１畅４ 文献标识码：Ａ ＤＯＩ：１０畅３９６４／ｊ畅ｉｓｓｎ畅１０００‐０５９３（２０１４）０２‐０５３２‐０６
　收稿日期：２０１３‐０５‐０６，修订日期：２０１３‐０７‐１８
　基金项目：国家“十二五”科技支撑计划课题项目（２０１１ＢＡＤ２１Ｂ０４）和国家自然科学基金项目（３１０７１３３２）资助
　作者简介：余克强，１９８６年生，浙江大学生物系统工程与食品科学学院博士生 ｅ‐ｍａｉｌ：ｙｕｋｅ４０６３３６０２２＠ｇｍａｉｌ畅ｃｏｍ
倡通讯联系人 ｅ‐ｍａｉｌ：ｙｈｅ＠ｚｊｕ畅ｅｄｕ畅ｃｎ
引　言
鲜枣在成熟期由于降雨，果皮水溶性果胶的增加使得果皮生长应力降低，当果肉迅速膨胀，导致果皮出现裂纹［１］。

鲜枣的果皮开裂加速了鲜枣腐烂变质，降低果实的商用价值。

目前主要采用手工剔除裂枣，不仅费时费力，而且对人工挑选的要求较高。

因此，快速、准确地检测鲜枣裂纹对于提高水果品质具有重要的意义。

高光谱成像（ＨＳＩ）集光谱和数字图像信息于一体。

目前，该技术广泛在应用于农产品检测领域，不仅可以定量检测农产品内部品质（成熟度［２］、坚实度［３］、ＳＳＣ［４］等），还能对农产品的外部特征进行定性分析。

近些年，研究人员运用高光谱成像技术进行了大量的研究，Ｗａｎｇ等运用高光谱成像技术检测鲜枣的外部缺陷，利用少数敏感波段建立缺陷判别模型［５］；Ｃｈｏ等用高光谱荧光成像技术对樱桃西红柿的表皮损伤进行研究，取得较好的检测效果［６］。

本研究采用高光谱成像技术对鲜枣的裂纹进行定性和定量检测。

在获取鲜枣高光谱数据后，提取相关感兴趣区的平均光谱，并采用ＰＬＳＲ，ＳＰＡ和图像ＰＣＡ分析得到鲜枣裂纹敏感波段，建立鲜枣裂纹判别的ＬＳ‐ＳＶＭ模型以及用ＲＯＣ曲线对判别模型进行评判，最终选用最优模型下敏感波段对应的高光谱图像进行分析，以获取鲜枣裂纹的位置、大小信息特征。

１　实验部分
１畅１　鲜枣样本
实验所用的鲜枣（梨枣）采摘于山西太谷果园。

为避免实验中鲜枣表面距高光谱系统镜头的不同而造成的误差，本实验尽量选择大小和形状相近，裂纹特征比较明显的鲜枣作为样本，挑选１７６个鲜枣（８５个裂纹鲜枣和９１个正常鲜枣）进行表面去污处理后，进行高光谱数据获取。

１畅２　高光谱成像系统和图像的获取
高光谱成像系统（图１）主要部件包括相机、光谱仪（３８０～１０３０ｎｍ）、镜头、卤素灯线光源、步进电机控制的传送带、计算机、暗箱等。

为获得清晰、不失真的高光谱图像，需要对传送带的速度、镜头的曝光时间等参数进行调节，本研
究中传送带的移动速度为３畅５ｍｍ・ｓ－１，曝光时间为０畅１３ｓ，样本与镜头的距离为３３０ｍｍ。

Ｆｉｇ畅１　Ｓｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｍａｉｎｃｏｍｐｏｎｅｎｔｓ
ｏｆｔｈｅｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｓｙｓｔｅｍ
１畅３　高光谱图像的校正
由于镜头中存在的暗电流，光源的强度在各波段分布不均，使得高光谱图像在光源强度较弱的波段含有较大噪音，因此需要对高光谱原始图像进行黑白校正［７］。

在相同的图像采集环境下，扫描标准白色校正板（反射率接近９９畅９％）得到标定图像Ｒｗ，关闭光源（反射率接近０％）进行图像采集得到标定图像Ｒｄ，然后按照式（１）进行校正得到校正后图像（Ｉｃ）。

Ｉｃ＝Ｒｒ－Ｒｄ
Ｒｗ－Ｒｄ×ＤＮ（１）式中，Ｒｒ为原始的高光谱图像，ＤＮ为光照强度的最高值（本系统为４０９５）。

所有高光谱图像数据的获取都是基于Ｓｐｅｃ‐ｔｒａｌＣｕｂｅ软件平台，数据处理和分析是运用ＥＮＶＩ４畅６（ＩＴＴｖｉｓｕａｌｉｎｆｏｒｍａｔｉｏｎｓｏｌｕｔｉｏｎｓ，Ｂｏｕｌｄｅｒ，ＣＯ，ＵＳＡ），“ＴｈｅＵｎ‐ｓｃｒａｍｂｌｅｒＸ１０畅１”（ＣＡＭＯＰＲＯＣＥＳＳＡＳ，Ｏｓｌｏ，Ｎｏｒｗａｙ）和ＭａｔｌａｂＲ２００９ａ（ＴｈｅＭａｔｈＷｏｒｋｓ，Ｉｎｃ畅，Ｎａｔｉｃｋ，ＭＡ，ＵＳＡ）软件。

１畅４　鲜枣裂纹敏感波段的选择方法
鲜枣的高光谱图像是由３８０～１０３０ｎｍ内５１２条波段中图像线性组合而成，提取少量的、带有大量图像信息的敏感波段可以简化鲜枣裂纹的判别模型。

本研究选取敏感波段的方法有：（ａ）ＰＬＳＲ回归系数，挑选系数局部极值处的波段作为敏感波段；（ｂ）ＳＰＡ变量选取方法，它是利用向量的投影分析，寻找含有最低限度的冗余信息组，并使变量之间的共线性达到最小，同时能大大减少建模所用变量的个数，提高建模的速度和速率［７］；（ｃ）图像ＰＣＡ分析，该方法是多波段的一个线性变换，变换数据到一个新的坐标系统，以使数据的差异达到最大。

由于每个ＰＣ图像都是由原始数据中的各个波段在的图像经过线性组合而成，通过选取线性组合中的权重系数可以对最佳特征图像进行选择［８］。

１畅５　鲜枣裂纹判别模型的建立和评价
本研究选用的ＬＳ‐ＳＶＭ建模方法，它是对经典ＳＶＭ算法的一种改进，为求方程线性解而对经典ＳＶＭ内复杂的二次优化问题改进，不仅提升了计算速度，而且简化了问题的复杂性，并能利用ＲＢＦ核函数对输入变量的非线性和线性信息，实现鲜枣裂纹的判别。

ＬＳ‐ＳＶＭ算法的实现过程见参考文献［９］。

受试者工作特性曲线（ＲＯＣ）是反映敏感性和特异性连续变量的综合指标［１０］。

在ＲＯＣ曲线中，“ａｒｅａ”代表位于ＲＯＣ曲线下的面积，“ｓｔｄ”表示剩余残差的标准偏差，“１‐ｓｐｅｃｉｆｉｃｉ‐
ｔｙ”表示每一个阈值的１‐ｓｐｅｃｉｆｉｃｉｔｙ，“ｓｅｎｓｉｔｉｖｉｔｙ”表示每个阈值的敏感性。

假使“ａｒｅａ”值为１，则这个分类器对于进行分类判别是非常有效地，假如“ａｒｅａ”值为小于或等于０畅５，则这个分类器是失效的［１１］。

一个好的分类器对应的ＲＯＣ曲线应该尽量靠近单位方形的左上角［１０］。

１畅６　图像识别鲜枣裂纹
由于利用光谱分析只能对鲜枣裂纹进行定性判别，为了获取鲜枣裂纹定量信息，本文采用图像处理技术对鲜枣裂纹的位置、大小等信息进行识别。

２　结果与讨论
２畅１　鲜枣正常区与裂纹区的光谱特征
选取鲜枣裂纹和正常枣对应位置处感兴趣区（５×５像素点），并求得平均光谱（如图２）。

鲜枣裂纹的平均光谱在６８０ｎｍ处的吸收峰，其主要是由鲜枣果肉细胞中叶绿素对光谱吸收引起的［１２，１３］；９６０ｎｍ左右的吸收峰是由鲜枣所含水分对光谱吸收引起的
［１４］。

Ｆｉｇ畅２　Ｍｅａｎｓｐｅｃｔｒａｏｆｆｒｅｓｈｊｕｊｕｂｅｗｉｔｈ
ｓｏｕｎｄａｎｄｃｒａｃｋｓｕｒｆａｃｅ
２畅２　特征波段的提取
利用ＰＬＳＲ回归系数（如图３）中局部极值来选取特征波段，可得到５条特征波段（４６７，５４４，６３９，６７３和６８２ｎｍ）；采用ＳＰＡ方法得到３条特征波段（５７９，９７８和１０２３ｎｍ）。

另外，将全波段高光谱数据进行ＰＣＡ分析，前７个主成分的累积贡献率达９９畅４％。

图４是前７个主成分的单波段灰度图像，可以看出前６个主成分图像保留了原来图像主要信息，
３３５
第２期 光谱学与光谱分析
ＰＣ７图像开始为噪声。

而ＰＣ６图像中裂纹信息较清晰，比较适合裂纹的识别，故选用该图像的权重系数（图５）来挑选敏感波段，可以得出有关鲜枣裂纹的敏感波段（４１４，４４３，５５５，６８３和８９４
ｎｍ）。

Ｆｉｇ畅３
　ＲｅｇｒｅｓｓｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓｏｆＰＬＳＲｍｏｄｅｌ
Ｆｉｇ畅４　Ｓｉｎｇｌｅ‐ｂａｎｄｇｒａｙｉｍａｇｅｏｆ
ｆｉｒｓｔ
ｓｅｖｅｎｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓ
Ｆｉｇ畅５　ＷｅｉｇｈｔｅｄｃｏｅｆｆｉｃｉｅｎｔｓｏｆＰＣ６ｉｍａｇｅ
根据以上选取的鲜枣裂纹敏感波段，发现其大部分集中在叶绿素的敏感波段处［１５］，这为正常表皮（深红色）和裂纹（浅绿色）鲜枣的有效判别模型提供得力基础。

２畅３　ＬＳ‐ＳＶＭ判别模型的建立和ＲＯＣ曲线的判别
按照大约３∶１的比例，将所有鲜枣样本分为校正集（１３２个）和预测集（４４个），将得到的敏感波段采用ＬＳ‐ＳＶＭ建立鲜枣裂纹的判别模型，统计结果见表１。

从表１中可以得到，对于ＰＬＳＲ‐ＬＳ‐ＳＶＭ和ＳＰＡ‐ＬＳ‐ＳＶＭ鲜枣裂纹判别模型的错判个数为０，ＰＣＡ‐ＬＳ‐ＳＶＭ模型的错判数为１３。

利用ＲＯＣ曲线分别对ＰＬＳＲ‐ＬＳ‐ＳＶＭ，ＳＰＡ‐ＬＳ‐ＳＶＭ和ＰＣＡ‐ＬＳ‐ＳＶＭ模型进行评价以确定最佳鲜枣裂纹判别模型。

由图６评价模型的ＲＯＣ曲线可以得到ＰＬＳＲ‐ＬＳ‐ＳＶＭ鲜枣裂纹的判别模型（ａｒｅａ＝１，ｓｔｄ＝０）效果最好。

因此选用ＰＬＳＲ回归系数得到的敏感波段对图像进行鲜枣裂纹位置、大小信息的识别。

Ｔａｂｌｅ１　ＳｔａｔｉｓｔｉｃｓｒｅｓｕｌｔｓｏｆＬＳ‐ＳＶＭｄｉｓｃｒｉｍｉｎａｎｔｍｏｄｅｌｓｏｆｃｒａｃｋｓｆｒｅｓｈｊｕｊｕｂｅ
Ｍｏｄｅｌｓ
ＰＬＳＲ‐ＬＳ‐ＳＶＭ
ＳＰＡ‐ＬＳ‐ＳＶＭ
ＰＣＡ‐ＬＳ‐ＳＶＭ
Ｄｉｓｃｒｉｍｉｎａｎｔｎｕｍｂｅｒ
４４４４４４Ｍｉｓｊｕｄｇｍｅｎｔｎｕｍｂｅｒ
０
０
１３Ｆｉｇ畅６　ＲＯＣｃｕｒｖｅｏｆｔｈｒｅｅｄｉｓｃｒｉｍｉｎａｎｔｍｏｄｅｌｓ
（ａ）：ＲＯＣｃｕｒｖｅｏｆＰＬＳＲ‐ＬＳ‐ＳＶＭ；（ｂ）：ＲＯＣｃｕｒｖｅｏｆＳＰＡ‐ＬＳ‐ＳＶＭ；（ｃ）：ＲＯＣｃｕｒｖｅｏｆＰＣＡ‐ＬＳ‐ＳＶＭ
４３５光谱学与光谱分析 第３４卷
３　基于特征波段下鲜枣裂纹的识别过程
３畅１　鲜枣裂纹的识别方法
用光谱模型对鲜枣的裂纹判别只能达到定性的判别效果，采用图像处理的方法可以进一步识别出鲜枣裂纹的位置，大小信息特征。

由图７为ＰＬＳＲ提取敏感波段下的单波段灰度图像。

除了４６７ｎｍ波段下的图像以外，其余波段对应的图像可以看到裂纹，但由于裂纹比较细长不易识别，因此对这５条波段
对应的图像进一步ＰＣＡ分析。

前５个主成分的图像如图８所示，其累积贡献率为９９畅１％。

ＰＣ４图像下的鲜枣裂纹最明显，选用ＰＣ４图像来识别鲜枣裂纹的位置、大小等信息特征。

图９为鲜枣裂纹识别的图像过程，将ＰＣ４图像（１），经掩膜得到图（３），然后阈值分割（图３，图４）过程可以得出（４）图，但发现裂纹处有白色噪声，采用连通区域面积法消除白色噪声后得到了（５），计算裂纹在视觉平面内面积Ｓｃ（ｃｒａｃｋ）＝
７２７。

Ｆｉｇ畅７　Ｓｉｎｇｌｅ
‐ｂａｎｄｇｒａｙｉｍａｇｅｂａｓｅｄｏｎｓｅｎｓｉｔｉｖｅｂａｎｄｓｏｆＰＬＳＲｒｅｇｒｅｓｓｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓ
Ｆｉｇ畅８　Ｓｉｎｇｌｅ
‐ｂａｎｄｇｒａｙｉｍａｇｅｏｆｆｉｒｓｔｆｉｖｅｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓ
Ｆｉｇ畅９　Ｐｒｏｃｅｓｓｏｆｉｍａｇｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｃｒａｃｋｏｆｊｕｊｕｂｅ
对鲜枣掩膜后的图像采用“ｓｏｂｅｌ”算子进行边缘检测，可得到如图１０中的鲜枣轮廓图（１），也可得鲜枣在视觉平面内的面积Ｓｗ（ｗｈｏｌｅ）＝４６５３３，计算裂纹占整个鲜枣的面积比为λ＝Ｓｃ／Ｓｗ＝１畅５６％。

将鲜枣裂纹位置图（２）与鲜枣实物图（３）对比，
识别出裂纹位置与实物一致。

Ｆｉｇ畅１０　Ｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｃｒａｃｋ’ｓｌｏｃａｔｉｏｎａｎｄｅｓｔｉｍａｔｉｏｎａｒｅａ３畅２　鲜枣裂纹识别的验证
为了验证鲜枣裂纹识别方法的可靠性，用同样方法对８个裂纹鲜枣进行识别，识别的结果和面积统计分析如图１１和表２所示。

根据结果（图１１和表２）可以看出大部分的裂纹都能被准确检测，但是对于细小的裂纹（ｇ）和反光较强（ｈ）的样本，鲜枣裂纹位置和大小有一定误差。

由于鲜枣呈椭球状，对于实际的相关面积测量和验证需要进行进一步研究，本文初步实现了对鲜枣裂纹的位置识别，以及鲜枣裂纹大小的估算，为以后的鲜枣裂纹定量研究奠定了基础。

４　结　论
采用高光谱成像技术对鲜枣裂纹进行定性判别和定量检测。

运用ＰＬＳＲ回归系数、ＳＰＡ和图像ＰＣＡ来提取鲜枣裂纹敏感波段，采用ＬＳ‐ＳＶＭ建立鲜枣裂纹判别模型以及采用ＲＯＣ曲线评价判别模型，表明ＰＬＳＲ‐ＬＳ‐ＳＶＭ模型对鲜枣裂纹判别效果最佳。

运用该模型敏感波段下的图像进行ＰＣＡ
５
３５第２期 光谱学与光谱分析
Ｆｉｇ畅１１　ＣｒａｃｋｉｍａｇｅｉｎｆｏｒｍａｔｉｏｎｏｆｅｉｇｈｔｆｒｅｓｈｊｕｊｕｂｅｓＴａｂｌｅ２　Ｓｔａｔｉｓｔｉｃｓｒｅｓｕｌｔｓｏｆｃｒａｃｋｉｎｆｏｒｍａｔｉｏｎｏｆｅｉｇｈｔｆｒｅｓｈｊｕｊｕｂｅｓ
ＳａｍｐｌｅｓＳｃ（ｃｒａｃｋ）Ｓｗ（ｗｈｏｌｅ）ＰｅｒｃｅｎｔａｇｅＳａｍｐｌｅｓＳｃ（ｃｒａｃｋ）Ｓｗ（ｗｈｏｌｅ）Ｐｅｒｃｅｎｔａｇｅ（ａ１）２７１２９５６８０畅９２（ｅ１）３４３２５７４６１畅３３（ｂ１）
４２０３０８３４１畅３６（ｆ１）２９６３３６５２０畅８８（ｃ１）３４２３７６１１０畅９１（ｇ１）３９３２５３３７１畅５５（ｂ１）５９６
３０１８６
１畅９７
（ｈ１）
６４０
２２８６０
２畅８０
分析，对最能表现鲜枣裂纹特征的ＰＣ４图像进行裂纹信息的识别，定量地检测出裂纹在鲜枣的位置、大小信息特征，并将鲜枣裂纹识别模型及算法应用于另外８个样本，同样也得
到了较好的识别效果，这为鲜枣裂纹的检测仪器开发提供理论基础和依据。

Ｒｅｆｅｒｅｎｃｅｓ
［１］　ＬＩＵＧｕａｎｇ‐ｓｈｅｎｇ，ＬＩＵＹｕａｎ‐ｙｕａｎ，ＭＡＳｈｕ‐ｐｉｎｇ，ｅｔａｌ（刘光生，刘源源，马树平，等）．ＪｏｕｒｎａｌｏｆＳｈａｎｘｉＡｇｒｉｃｕｌｔｕｒｅＳｃｉｅｎｃｅｓ（山西农
业科学），２０１２，４０（２）：１５０．
［２］　ＲａｊｋｕｍａｒＰ，ＷａｎｇＮ，ＥｌｍａｓｒｙＧ，ｅｔａｌ．ＪｏｕｒｎａｌｏｆＦｏｏｄＥｎｇｉｎｅｅｒｉｎｇ，２０１２，１０８：１９４．［３］　ＧａｂｒｉｅｌＡ，ＬｅｉｖａＶ，ＬｕＲＦ，ｅｔａｌ．ＪｏｕｒｎａｌｏｆＦｏｏｄＥｎｇｉｎｅｅｒｉｎｇ，２０１３，１１５：９１．
［４］　ＭｅｎｄｏｚａＦ，ＬｕＲＦ，ＡｆｒｉａｎａＤＷ，ｅｔａｌ．ＰｏｓｔｈａｒｖｅｓｔＢｉｏｌｏｇｙａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１１，６２：１４９．［５］　ＷａｎｇＪ，ＮａｋａｎｏＫ，ＯｈａｓｈｉＳ，ｅｔａｌ．ＢｉｏｓｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇ，２０１１，１０８：３４５．
６３５光谱学与光谱分析 第３４卷
［６］　ＣｈｏＢＫ，ＫｉｍＭＳ，ｅｔａｌ．ＰｏｓｔｈａｒｖｅｓｔＢｉｏｌｏｇｙａｎｄＴｅｃｈｎｏｌｏｇｙ，２０１３，７６：４０．［７］　ＷｕＤ，ＳｈｉＨ，ＷａｎｇＳＪ，ｅｔａｌ．ＡｎａｌｙｔｉｃＣｈｉｍｉｃａＡｃｔａ，２０１２，７２６：５７．
［８］　ＬＩＪｉａｎｇ‐ｂｏ，ＲＡＯＸｉｕ‐ｑｉｎ，ＹＩＮＧＹｉｎ‐ｂｉｎ，ｅｔａｌ（李江波，饶秀勤，应义斌，等）．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｏｆＡｇｒｉｃｕｌｔｕｒａｌＥｎｇｉｎｅｅｒｉｎｇ（农业工程学报），２０１０，２６（８）：２２２．
［９］　ＷｕＤ，ＳｕｎＤＷ．Ｔａｌａｎｔａ，２０１３，１１１：３９．
［１０］　ＺＯＵＨｏｎｇ‐ｘｉａ，ＱＩＮＦｅｎｇ，ＣＨＥＮＧＺｅ‐ｋａｉ，ｅｔａｌ（邹洪侠，秦　锋，程泽凯，等）．ＣｏｍｐｕｔｅｒＴｅｃｈｎｏｌｏｇｙａｎｄＤｅｖｅｌｏｐｍｅｎｔ（计算机技术
与发展），２００９，１９（６）：１０９．
［１１］　ＬｉＸＬ，ＮｉｅＰＣ，ＱｉｕＺＪ，ｅｔａｌ．ＥｘｐｅｒｔＳｙｓｔｅｍｓｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ，２０１１，３８：１１１４９．
［１２］　ＨＵＡＮＧＷｅｎ‐ｑｉａｎ，ＣＨＥＮＬｉ‐ｐｉｎｇ，ＬＩＪｉａｎｇ‐ｂｏ，ｅｔａｌ（黄文倩，陈立平，李江波，等）．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣｈｉｎｅｓｅＳｏｃｉｅｔｙｏｆＡｇｒｉｃｕｌｔｕｒ‐ａｌＥｎｇｉｎｅｅｒｉｎｇ（农业工程学报），２０１３，２９（１）：２７２．［１３］　ＡｂｂｏｔｔＪＡ，ＬｕＲ，ＵｐｃｈｕｒｃｈＢＬ，ｅｔａｌ．ＨｏｒｔｉｃｕｌｔｕｒａｌＲｅｖｉｅｗ，１９９７，（２０）：１．
［１４］　ＥｌＭａｓｒｙＧ，ＷａｎｇＮ，ＶｉｇｎｅａｕｌｔＣ，ｅｔａｌ．ＬＷＴ‐ＦｏｏｄＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，２００８，４１：３３７．
［１５］　ＨｅＨＪ，ＷｕＤ，ＳｕｎＤＷ．ＩｎｎｏｖａｔｉｖｅＦｏｏｄＳｃｉｅｎｃｅａｎｄＥｍｅｒｇｉｎｇＴｅｃｈｎｏｌｏｇｉｅｓ，２０１３，ｈｔｔｐ：／／ｄｘ．ｄｏｉ．ｏｒｇ／１０．１０１６／ｊ．ｉｆｓｅｔ．２０１３．０２．
００９．
ＳｔｕｄｙｏｎＩｄｅｎｔｉｆｉｃａｔｉｏｎｔｈｅＣｒａｃｋＦｅａｔｕｒｅｏｆＦｒｅｓｈＪｕｊｕｂｅＵｓｉｎｇＨｙｐｅｒｓｐｅｃｔｒａｌＩｍａｇｉｎｇ
ＹＵＫｅ‐ｑｉａｎｇ１，ＺＨＡＯＹａｎ‐ｒｕ１，ＬＩＸｉａｏ‐ｌｉ１，ＺＨＡＮＧＳｈｕ‐ｊｕａｎ２，ＨＥＹｏｎｇ１倡
１．ＣｏｌｌｅｇｅｏｆＢｉｏｓｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＦｏｏｄＳｃｉｅｎｃｅ，ＺｈｅｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｈａｎｇｚｈｏｕ　３１００５８，Ｃｈｉｎａ２．ＣｏｌｌｅｇｅｏｆＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｘｉＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｔａｉｇｕ　０３０８０１，Ｃｈｉｎａ
Ａｂｓｔｒａｃｔ　Ｃｒａｃｋｉｓｏｎｅｏｆｔｈｅｍｏｓｔｉｍｐｏｒｔａｎｔｉｎｄｉｃａｔｏｒｓｔｏｅｖａｌｕａｔｅｔｈｅｑｕａｌｉｔｙｏｆｆｒｅｓｈｊｕｊｕｂｅ．Ｃｒａｃｋｎｏｔｏｎｌｙａｃｃｅｌｅｒａｔｅｓｔｈｅｄｅ‐ｃａｙｏｆｆｒｅｓｈｊｕｊｕｂｅ，ｂｕｔａｌｓｏｄｉｍｉｎｉｓｈｅｓｔｈｅｓｈｅｌｆｌｉｆｅａｎｄｒｅｄｕｃｅｓｔｈｅｅｃｏｎｏｍｉｃｖａｌｕｅｓｅｖｅｒｅｌｙ．Ｉｎｔｈｉｓｓｔｕｄｙ，ｔｈｅｐｏｔｅｎｔｉａｌｏｆｈｙ‐ｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｃｏｖｅｒｅｄｔｈｅｒａｎｇｅｏｆ３８０～１０３０ｎｍｗａｓｅｖａｌｕａｔｅｄｆｏｒｄｉｓｃｒｉｍｉｎａｔｉｏｎｃｒａｃｋｆｅａｔｕｒｅ（ｌｏｃａｔｉｏｎａｎｄａｒｅａ）ｏｆｆｒｅｓｈｊｕｊｕｂｅ．Ｒｅｇｒｅｓｓｉｏｎｃｏｅｆｆｉｃｉｅｎｔｓｏｆｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｒｅｇｒｅｓｓｉｏｎ（ＰＬＳＲ），ｓｕｃｃｅｓｓｉｖｅｐｒｏｊｅｃｔｉｏｎａｎａｌｙｓｉｓ（ＳＰＡ）ａｎｄｐｒｉｎｃｉ‐ｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＰＣＡ）ｂａｓｅｄｆｕｌｌ‐ｂａｎｄｓｉｍａｇｅｗｅｒｅａｄｏｐｔｅｄｔｏｅｘｔｒａｃｔｓｅｎｓｉｔｉｖｅｂａｎｄｓｏｆｃｒａｃｋｏｆｆｒｅｓｈｊｕｊｕｂｅ．Ｔｈｅｎｌｅａｓｔ‐ｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ（ＬＳ‐ＳＶＭ）ｄｉｓｃｒｉｍｉｎａｎｔｍｏｄｅｌｓｕｓｉｎｇｔｈｅｓｅｌｅｃｔｅｄｓｅｎｓｉｔｉｖｅｂａｎｄｓｆｏｒｃａｌｉｂｒａｔｉｏｎｓｅｔ（１３２ｓａｍｐｌｅｓ）ｗｅｒｅｅｓｔａｂｌｉｓｈｅｄｆｏｒｉｄｅｎｔｉｆｉｃａｔｉｏｎｔｈｅｐｒｅｄｉｃｔｉｏｎｓｅｔ（４４ｓａｍｐｌｅｓ）．ＲＯＣｃｕｒｖｅｗａｓｕｓｅｄｔｏｊｕｄｇｅｔｈｅｄｉｓｃｒｉｍｉｎａｎｔｍｏｄ‐ｅｌｓｏｆＰＬＳＲ‐ＬＳ‐ＳＶＭ，ＳＰＡ‐ＬＳ‐ＳＶＭａｎｄＰＣＡ‐ＬＳ‐ＳＶＭｗｈｉｃｈａｒｅｅｓｔａｂｌｉｓｈｅｄｂｙｓｅｎｓｉｔｉｖｅｂａｎｄｓｏｆｃｒａｃｋｏｆｆｒｅｓｈｊｕｊｕｂｅ．ＴｈｅｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｄｔｈａｔＰＬＳＲ‐ＬＳ‐ＳＶＭｍｏｄｅｌｈａｄａｎｏｐｔｉｍａｌｅｆｆｅｃｔ（ａｒｅａ＝１，ｓｔｄ＝０）ｔｏｄｉｓｃｒｉｍｉｎａｔｅｃｒａｃｋｆｅａｔｕｒｅｏｆｆｒｅｓｈｊｕｊｕｂｅ．Ｎｅｘｔ，ｉｍａｇｅｓｃｏｒｒｅｓｐｏｎｄｉｎｇｔｏｆｉｖｅｓｅｎｓｉｔｉｖｅｂａｎｄｓ（４６７，５４４，６３９，６７３ａｎｄ６８２ｎｍ）ｓｅｌｅｃｔｅｄｂｙＰＬＳＲｗｅｒｅｅｘｅｃｕｔｅｄｔｏＰＣＡ．Ｆｉｎａｌｌｙ，ｔｈｅｉｍａｇｅｏｆＰＣ４ｗａｓｅｍｐｌｏｙｅｄｔｏｉｄｅｎｔｉｆｙｔｈｅｌｏｃａｔｉｏｎａｎｄａｒｅａｏｆｃｒａｃｋｆｅａｔｕｒｅｔｈｒｏｕｇｈｉｍａｇｉｎｇｐｒｏｃｅｓｓｉｎｇ．Ｔｈｅｒｅｓｕｌｔｓｒｅｖｅａｌｅｄｔｈａｔｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇｔｅｃｈｎｉｑｕｅｃｏｍｂｉｎｅｄｗｉｔｈｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｃｏｕｌｄａｃｈｉｅｖｅｔｈｅｑｕａｌｉｔａｔｉｖｅｄｉｓｃｒｉｍｉｎａｔｉｏｎａｎｄｑｕａｎｔｉｔａｔｉｖｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｃｒａｃｋｆｅａｔｕｒｅｏｆｆｒｅｓｈｊｕｊｕｂｅ，ｗｈｉｃｈｐｒｏｖｉｄｅｄａｔｈｅｏｒｅｔｉｃａｌｒｅｆｅｒｅｎｃｅａｎｄｂａｓｉｓｆｏｒｄｅｖｅｌｏｐｉｎｓｔｒｕ‐ｍｅｎｔｏｆｄｉｓｃｒｉｍｉｎａｔｉｏｎｏｆｃｒａｃｋｏｆｊｕｊｕｂｅｉｎｆｕｒｔｈｅｒｗｏｒｋ．
Ｋｅｙｗｏｒｄｓ　Ｈｙｐｅｒｓｐｅｃｔｒａｌｉｍａｇｉｎｇ；Ｃｒａｃｋｓｏｆｆｒｅｓｈｊｕｊｕｂｅ；Ｑｕａｌｉｔａｔｉｖｅｄｉｓｃｒｉｍｉｎａｔｉｏｎ；Ｑｕａｎｔｉｔａｔｉｖｅｉｄｅｎｔｉｆｉｃａｔｉｏｎ
（ＲｅｃｅｉｖｅｄＭａｙ６，２０１３；ａｃｃｅｐｔｅｄＪｕｌ．１８，２０１３）
倡Ｃｏｒｒｅｓｐｏｎｄｉｎｇａｕｔｈｏｒ
７
３５第２期 光谱学与光谱分析
基于高光谱成像技术的鲜枣裂纹的识别研究
作者：余克强， 赵艳茹， 李晓丽， 张淑娟， 何勇， YU Ke-qiang， ZHAO Yan-ru， LI Xiao-li ， ZHANG Shu-juan， HE Yong
作者单位：余克强,赵艳茹,李晓丽,何勇,YU Ke-qiang,ZHAO Yan-ru,LI Xiao-li,HE Yong(浙江大学生物系统工程与食品科学学院,浙江 杭州,310058)， 张淑娟,ZHANG Shu-juan(山西农业大学工学
院,山西 太谷,030801)
刊名：
光谱学与光谱分析
英文刊名：Spectroscopy and Spectral Analysis
年，卷(期)：2014(2)
本文链接：/Periodical_gpxygpfx201402055.aspx。