关键词:
猕猴桃
X射线CT
内部缺陷
无损检测
货架期特性
摘要:
猕猴桃富含维生素,风味好,备受消费者的青睐,已成为全球最重要的商品水果之一。猕猴桃采后在低温条件下储藏可实现延长商业供货期。然而,猕猴桃的低温储藏会导致冷害以及冷害引起的木质化(Chilling injury-induced lignification,CIIL),会大大降低猕猴桃的可食性。此外,猕猴桃在储藏和运输过程中会不可避免地出现碰伤,冷害和碰伤都会对猕猴桃的货架期特性产生不利影响。当前,对CIIL猕猴桃的检测主要采取抽样,切开进行目测。因此,行业需求开发一种简单、快速、非破坏性的技术来识别猕猴桃中的缺陷,尤其是冷害木质化。本文利用X射线计算机断层扫描(Computed tomography,CT)技术结合机器学习的猕猴桃内部缺陷无损检测与货架期特性进行研究,主要内容如下:
1.X射线CT二维(two-dimensional,2D)切片图像结合图像处理技术实施猕猴桃内部缺陷检测以及冷害分级。通过对切面原始图像和边缘检测图像进行灰度共生矩阵计算并提取特征值,用于构建线性判别分析(Linear discriminant analysis,LDA)、支持向量机(Support vector machine,SVM)和随机森林(Random forest,RF)分类判别模型,对于健康、碰伤和CIIL猕猴桃进行缺陷分类。根据特征排序优化分类效果,得到最优的受试者操作特征曲线(Receiver operating curve,ROC)下平均面积(Area under the ROC curve,AUC)分数高达0.96;同样地,对于猕猴桃的CIIL指数进行分级,获得AUC得分最高为0.85。该方法具有操作简单、检测速度快的优势,但对于缺陷分布均匀的猕猴桃具有较好的检测效果,但对于分布不均的猕猴桃,获得的假阴性率较高,因此需要寻找一种更精确、可靠的方法。
2.X射线CT三维(three-dimensional,3D)图像结合机器学习方法构建猕猴桃内部缺陷判别模型和CIIL定量分级模型。从CT图像中提取缺陷数量、配位数、球形度、长宽比和缺陷平均体积等特征参数,识别猕猴桃内部缺陷,构建LDA、SVM和RF分类模型,AUC分别为0.91、0.93和0.94。与CIIL指数相关的特征参数通过皮尔逊相关系数结合热图进行排列。利用前五个高度相关的参数,即体平均灰度值、D值、缺陷体积占比、缺陷体积和形状因子,RF模型得到了最佳AUC分数为0.93,而利用前四个参数得到的LDA和SVM模型的最佳AUC分数分别为0.91和0.95。相对于2D切面分析,三维图像检测具有较高的AUC,但分析时间长,图像处理方法复杂。
3.根据猕猴桃X射线CT图像计算内部缺陷特征缺陷体积占比和缺陷形态学参数,以此研究猕猴桃内部缺陷(碰伤和CIIL)货架期特征。碰伤猕猴桃缺陷发展速度快,相比于CIIL猕猴桃更不耐储藏。CIIL指数较高的猕猴桃更不耐储藏,在货架期期间持续恶化,完全丧失其商业价值(即不可食用)。然而,轻度CIIL的猕猴桃的缺陷体积占比没有明显变化,仍可食用,这意味着它们可以正常销售。对中度CIIL的猕猴桃的检测表明,木质化组织在货架期期间没有明显增加。此外,虽然缺陷组织的体积相对较大,但仍可食用。