摘要：針對傳統的果蔬品質檢測方法中樣本數量不足導致檢測誤差大的問題，提出了一種基于面光源下光子傳輸模擬的蘋果品質檢測的方法。以蘋果為研究對象，采用蒙特卡洛方法仿真光子在蘋果雙層平板模型的運動軌跡，快速得到20000幅蘋果組織表面光亮度分布圖，以光學參數作為標簽，輸入卷積神經網絡訓練，得到的模型進行微調遷移應用到少量實測蘋果光譜圖像的數據集上實現光學特性參數的反演。最終將該網絡模型全連接層的輸出結果與蘋果品質建立關聯，實現對蘋果糖度及硬度的無損檢測。最終結果為：果肉吸收系數μ反演準確率為93.24%、果肉散射系數μ反演準確率為92.54%;蘋果品質分類模型糖度和硬度的預測準確率與效果最好的傳統光學參數的方法相比提高了5.87和6.48個百分點，蘋果品質回歸模型糖度和硬度的相關系數與效果最好的傳統光學參數的方法相比提高了0.1397和0.088，與基于點光源的預訓練模型相比也達到了更好的效果。

　　關鍵詞：蘋果;品質檢測;光學參數;卷積神經網絡;遷移學習;蒙特卡洛模擬

　　引言

　　近年來，我國蘋果產業發展較為迅速，總產量穩步上升，但是進入國外市場的數量與產量卻不成正比，除了種植品質不合理等原因之外，還在于蘋果的品質檢測和分級技術較落后[13]。在這種背景下，實現蘋果品質的無損檢測對于提升我國蘋果出口的競爭力具有重要意義。水果組織的光學特性參數[45]包括吸收系數μ和散射系數μ，與水果所含成分密切相關。其中吸收系數主要反映組織內部化學信息，而散射系數與表面的組織結構或物理特性相關。

　　因此，測得的光學特性參數可用于水果品質的無損檢測。然而，用于研究果蔬組織光學特性參數的理論模型在表征果蔬組織異質性方面存在缺陷，每次測量只能得到一個像素點的光學特性參數[6]。而高光譜圖像技術結合了光譜檢測和二維圖像的優點[78]。目前，高光譜圖像技術在農產品品質分析領域具有較大的優勢。高光譜成像系統拍攝得到的高光譜圖像包含大量光譜信息和圖像信息，光譜信息反映水果的物理結構及化學成分圖像信息反映水果的外在特征[9]。因此采用高光譜成像技術與光學特性參數關聯是一種比較有效的檢測手段。

　　目前大多數研究在實際測量中存在樣本數量不足及耗費大量人力物力的問題，可以使用光子傳輸模擬的方法得到大量無噪聲的數據。蒙特卡洛模擬方法可以作為光子在水果組織模型傳輸模擬的標準算法，石舒寧[10]用蒙特卡洛方法模擬雙層蘋果模型在808nm波長下的光子傳輸過程。李細榮等[11]測量了蘋果、番茄和桃子幾種水果的組織光學特性參數，研究表明利用蒙特卡羅方法有助于更深層次地了解影響水果無損檢測精度的相關因素。

　　多年來學者們對光學特性參數的反演進行了研究，BARMAN等[12]利用最小二乘支持向量機算法建立了光學特性參數求解模型，能夠較好地預測光學特性參數的值。謝丹丹等[13]使用偏最小二乘法建立了基于光學參數的草莓糖度及含水率的預測模型，吸收系數和散射系數的平均相對誤差為8.23%和3.71%。

　　趙會娟等[14]利用蒙特卡洛模擬實現了單層和雙層的薄層組織光學參數的反演，單層組織的相對誤差為3%，兩層組織相對誤差為10%,由實驗結果可以看出當反演的組織模型層數超過層時，反演效果會下降。深度學習方法在光學參數反演任務中取得了較好的效果，但卷積神經網絡的訓練需要大量數據且時間長，訓練成本大，遷移學習可以很好地彌補深度學習的缺陷。許景輝等[15]、余小東等[16]和趙立新等[17]將遷移學習應用到農業領域，提高了模型的魯棒性。徐煥良等[18]建立了基于遷移學習方法的蘋果光學參數反演模型，反演結果高于其他算法。

　　但是仿真及實測數據都是基于點光源條件，而使用點光源實際采集數據時入射光強度較低導致探頭捕獲的信息并不充分，測量存在誤差，因此效果提升有限。本文以蘋果為研究對象，提出一種基于光子傳輸模擬的蘋果品質檢測方法。首先，使用高光譜成像系統采集面光源條件下的蘋果光譜圖像，同時構造雙層平板模型，利用蒙特卡洛方法仿真得到大量面光源條件下的蘋果表面光亮度分布圖。將仿真圖像輸入卷積神經網絡得到預訓練模型，再將模型遷移到蘋果實測數據上進行微調，最后建立品質預測模型實現無損檢測。

　　1材料與方法

　　1.試驗數據采集

　　1.1.1試驗材料

　　試驗選取的是產自山東省煙臺市的紅富士蘋果，樣本共118個，均為表面光滑、大小均勻、無明顯損壞的正常樣本。試驗前將其標號后在低溫環境下存儲。在進行數據采集前，先將蘋果樣本取出置于試驗環境下一段時間，使其達到室溫(20℃。測量過程中避免周圍環境的溫度及濕度發生變化。

　　1.2基于面光源下光子傳輸模擬的雙層生物組織模型

　　蒙特卡洛(MonteCarlo，MC)方法又稱隨機抽樣技巧或統計實驗方法，它的基本思想是通過產生一系列隨機數的方法，構造一個與實際物理過程一致的隨機概率模型，并根據實驗計算將其作為問題的解。蒙特卡洛方法[19]因其對生物組織的光源和邊界條件沒有限制、不需要解傳輸方程、對組織的光學特性參數要求沒有限制、計算簡單等優點，在生物組織的光傳輸領域被廣泛應用。

　　1.3基于卷積神經網絡的光學特性參數反演模型

　　卷積神經網絡是用來處理二維數據而設計的一種特殊的神經網絡，與其他的神經網絡相比，最大的不同點是卷積層和池化層的引入。卷積神經網絡包含輸入層、卷積層、池化層、全連接層和輸出層，卷積神經網絡具有更少的權值參數[2225]，因此降低了模型的復雜度。圖像可以直接作為網絡的輸入，減少了復雜的特征提取過程。

　　2結果與分析

　　2.1基于仿真數據的光學參數反演結果

　　由文獻[18]可知，當光學參數發生變化時，蘋果果肉比果皮表面逸出光子數變化更為明顯，表明果肉光學參數的變化對光子傳輸的影響更大，研究果肉的光學參數結果更有實際應用價值。故在本研究中只對μ和μ兩個指標進行反演。

　　農藝師論文投稿刊物：《中國果樹》是中文科技核心期刊 是中國農業科學院果樹研究所主辦的果樹技術類期刊，主要刊登果樹新品種、栽培新技術、新農藥和病蟲害防治新方法、果品貯藏加工等內容。

　　3結論

　　(1)采用蒙特卡洛模擬的方法快速得到大量蘋果仿真面光源的亮度分布圖像，彌補了實測數據量少且噪聲大的缺陷。與點光源條件相比，在面光源條件下進行測量能夠獲得更多圖像和光譜信息，減少了實驗誤差，更好地模擬了實際情況下光子的傳輸軌跡，提高了模型的普適性。

　　(2)基于模型的遷移學習能夠有效提高光學參數反演的精度，解決了實測數據不足而導致準確率無法提高的問題。

　　(3)使用卷積神經網絡提取的深度特征作為輸入，能夠較好地預測蘋果品質。結果優于通過高光譜信息和光學特性參數信息直接關聯蘋果品質的方法，且使用面光源的預訓練模型效果優于點光源，證明了基于面光源下光子傳輸模擬的光學參數反演方法在蘋果品質檢測領域的可行性和有效性。

　　參考文獻：

　　[1]程存剛趙德英新形勢下我國蘋果產業的發展定位與趨勢[J].中國果樹2019(1):17.CHENGCungang,ZHAODeying.Developmentorientationandtrendoftheappleindustryunderthenewsituation[J].ChinaFruits,2019(1):17.(inChinese)

　　[2]曹玉棟祁偉彥李嫻等蘋果無損檢測和品質分級技術研究進展及展望[J].智慧農業2019,1(3):2945.

　　作者：徐煥良孫云曉曹雪蓮季呈明陳龍王浩云