基于光子传输模拟的苹果品质检测研究

　　摘要：针对传统的果蔬品质检测方法中样本数量不足导致检测误差大的问题，提出了一种基于面光源下光子传输模拟的苹果品质检测的方法。以苹果为研究对象，采用蒙特卡洛方法仿真光子在苹果双层平板模型的运动轨迹，快速得到20000幅苹果组织表面光亮度分布图，以光学参数作为标签，输入卷积神经网络训练，得到的模型进行微调迁移应用到少量实测苹果光谱图像的数据集上实现光学特性参数的反演。最终将该网络模型全连接层的输出结果与苹果品质建立关联，实现对苹果糖度及硬度的无损检测。最终结果为：果肉吸收系数μ反演准确率为93.24%、果肉散射系数μ反演准确率为92.54%;苹果品质分类模型糖度和硬度的预测准确率与效果最好的传统光学参数的方法相比提高了5.87和6.48个百分点，苹果品质回归模型糖度和硬度的相关系数与效果最好的传统光学参数的方法相比提高了0.1397和0.088，与基于点光源的预训练模型相比也达到了更好的效果。

　　关键词：苹果;品质检测;光学参数;卷积神经网络;迁移学习;蒙特卡洛模拟

　　引言

　　近年来，我国苹果产业发展较为迅速，总产量稳步上升，但是进入国外市场的数量与产量却不成正比，除了种植品质不合理等原因之外，还在于苹果的品质检测和分级技术较落后[13]。在这种背景下，实现苹果品质的无损检测对于提升我国苹果出口的竞争力具有重要意义。水果组织的光学特性参数[45]包括吸收系数μ和散射系数μ，与水果所含成分密切相关。其中吸收系数主要反映组织内部化学信息，而散射系数与表面的组织结构或物理特性相关。

　　因此，测得的光学特性参数可用于水果品质的无损检测。然而，用于研究果蔬组织光学特性参数的理论模型在表征果蔬组织异质性方面存在缺陷，每次测量只能得到一个像素点的光学特性参数[6]。而高光谱图像技术结合了光谱检测和二维图像的优点[78]。目前，高光谱图像技术在农产品品质分析领域具有较大的优势。高光谱成像系统拍摄得到的高光谱图像包含大量光谱信息和图像信息，光谱信息反映水果的物理结构及化学成分图像信息反映水果的外在特征[9]。因此采用高光谱成像技术与光学特性参数关联是一种比较有效的检测手段。

　　目前大多数研究在实际测量中存在样本数量不足及耗费大量人力物力的问题，可以使用光子传输模拟的方法得到大量无噪声的数据。蒙特卡洛模拟方法可以作为光子在水果组织模型传输模拟的标准算法，石舒宁[10]用蒙特卡洛方法模拟双层苹果模型在808nm波长下的光子传输过程。李细荣等[11]测量了苹果、番茄和桃子几种水果的组织光学特性参数，研究表明利用蒙特卡罗方法有助于更深层次地了解影响水果无损检测精度的相关因素。

　　多年来学者们对光学特性参数的反演进行了研究，BARMAN等[12]利用最小二乘支持向量机算法建立了光学特性参数求解模型，能够较好地预测光学特性参数的值。谢丹丹等[13]使用偏最小二乘法建立了基于光学参数的草莓糖度及含水率的预测模型，吸收系数和散射系数的平均相对误差为8.23%和3.71%。

　　赵会娟等[14]利用蒙特卡洛模拟实现了单层和双层的薄层组织光学参数的反演，单层组织的相对误差为3%，两层组织相对误差为10%,由实验结果可以看出当反演的组织模型层数超过层时，反演效果会下降。深度学习方法在光学参数反演任务中取得了较好的效果，但卷积神经网络的训练需要大量数据且时间长，训练成本大，迁移学习可以很好地弥补深度学习的缺陷。许景辉等[15]、余小东等[16]和赵立新等[17]将迁移学习应用到农业领域，提高了模型的鲁棒性。徐焕良等[18]建立了基于迁移学习方法的苹果光学参数反演模型，反演结果高于其他算法。

　　但是仿真及实测数据都是基于点光源条件，而使用点光源实际采集数据时入射光强度较低导致探头捕获的信息并不充分，测量存在误差，因此效果提升有限。本文以苹果为研究对象，提出一种基于光子传输模拟的苹果品质检测方法。首先，使用高光谱成像系统采集面光源条件下的苹果光谱图像，同时构造双层平板模型，利用蒙特卡洛方法仿真得到大量面光源条件下的苹果表面光亮度分布图。将仿真图像输入卷积神经网络得到预训练模型，再将模型迁移到苹果实测数据上进行微调，最后建立品质预测模型实现无损检测。

　　1材料与方法

　　1.试验数据采集

　　1.1.1试验材料

　　试验选取的是产自山东省烟台市的红富士苹果，样本共118个，均为表面光滑、大小均匀、无明显损坏的正常样本。试验前将其标号后在低温环境下存储。在进行数据采集前，先将苹果样本取出置于试验环境下一段时间，使其达到室温(20℃。测量过程中避免周围环境的温度及湿度发生变化。

　　1.2基于面光源下光子传输模拟的双层生物组织模型

　　蒙特卡洛(MonteCarlo，MC)方法又称随机抽样技巧或统计实验方法，它的基本思想是通过产生一系列随机数的方法，构造一个与实际物理过程一致的随机概率模型，并根据实验计算将其作为问题的解。蒙特卡洛方法[19]因其对生物组织的光源和边界条件没有限制、不需要解传输方程、对组织的光学特性参数要求没有限制、计算简单等优点，在生物组织的光传输领域被广泛应用。

　　1.3基于卷积神经网络的光学特性参数反演模型

　　卷积神经网络是用来处理二维数据而设计的一种特殊的神经网络，与其他的神经网络相比，最大的不同点是卷积层和池化层的引入。卷积神经网络包含输入层、卷积层、池化层、全连接层和输出层，卷积神经网络具有更少的权值参数[2225]，因此降低了模型的复杂度。图像可以直接作为网络的输入，减少了复杂的特征提取过程。

　　2结果与分析

　　2.1基于仿真数据的光学参数反演结果

　　由文献[18]可知，当光学参数发生变化时，苹果果肉比果皮表面逸出光子数变化更为明显，表明果肉光学参数的变化对光子传输的影响更大，研究果肉的光学参数结果更有实际应用价值。故在本研究中只对μ和μ两个指标进行反演。

　　农艺师论文投稿刊物：《中国果树》是中文科技核心期刊 是中国农业科学院果树研究所主办的果树技术类期刊，主要刊登果树新品种、栽培新技术、新农药和病虫害防治新方法、果品贮藏加工等内容。

　　3结论

　　(1)采用蒙特卡洛模拟的方法快速得到大量苹果仿真面光源的亮度分布图像，弥补了实测数据量少且噪声大的缺陷。与点光源条件相比，在面光源条件下进行测量能够获得更多图像和光谱信息，减少了实验误差，更好地模拟了实际情况下光子的传输轨迹，提高了模型的普适性。

　　(2)基于模型的迁移学习能够有效提高光学参数反演的精度，解决了实测数据不足而导致准确率无法提高的问题。

　　(3)使用卷积神经网络提取的深度特征作为输入，能够较好地预测苹果品质。结果优于通过高光谱信息和光学特性参数信息直接关联苹果品质的方法，且使用面光源的预训练模型效果优于点光源，证明了基于面光源下光子传输模拟的光学参数反演方法在苹果品质检测领域的可行性和有效性。

　　参考文献：

　　[1]程存刚赵德英新形势下我国苹果产业的发展定位与趋势[J].中国果树2019(1):17.CHENGCungang,ZHAODeying.Developmentorientationandtrendoftheappleindustryunderthenewsituation[J].ChinaFruits,2019(1):17.(inChinese)

　　[2]曹玉栋祁伟彦李娴等苹果无损检测和品质分级技术研究进展及展望[J].智慧农业2019,1(3):2945.

　　作者：徐焕良孙云晓曹雪莲季呈明陈龙王浩云