以螢光高光譜影像智慧檢測蘋果褐變之研究

Abstract

內部成分中含有酚類化合物之水果在採收後若沒有適當的保存或是遭受外力撞擊，會因內部成分發生化學變化而降低品質。酵素型褐變是因內部產生不可逆的化學變化使果皮或果肉的顏色轉變為黑褐色，因此若能在銷售前將已產生褐變的水果篩選出來，便能保障消費者權益並提升商品品質。本研究以螢光光譜資訊結合影像利用深度學習之分析方法對螢光影像進行分類，與傳統機器學習演算法之分析結果進行比較，並且利用智慧影像偵測之模型對樣本之彩色影像進行褐變位置之偵測，以達到非破壞且即時的檢測效果。 本研究所用的實驗樣本為美國青蘋果(Granny Smith)，使用螢光光譜儀量測青蘋果褐變前後之螢光強度變化，並分析找出特徵激發光與放射光波長，用來建置高光譜螢光影像系統，探討出使用365 nm之激發光源可以在560 nm與670 nm有相關螢光反應。使用高光譜螢光影像系統拍攝在特徵波長下青蘋果褐變前後之螢光影像，並以CNN分類模型進行分類及預測，比較兩種特徵波長在有沒有暗處理下之影像分類結果，最終以混淆矩陣比較CNN模型之驗證準確率，以560 nm螢光影像之準確率高於670 nm螢光影像。 使用高光譜螢光影像系統拍攝青蘋果樣本褐變前後之全波段(450 nm ~ 700 nm)螢光影像，利用自行開發之影像處理程式取得樣本褐變前後在不同波長下相對應之平均螢光強度值，使用PCA分析將原始26維度之資訊降維至前五個主成分累積變異數達到99.3%，再以KNN模型對降維後之數據進行分類及預測，達到驗證準確率92.11%。 使用自製打光室與影像擷取系統，拍攝撞擊後之青蘋果彩色影像，並建立RCNN與YOLOv4兩套物件偵測模型對彩色影像進行褐變位置之偵測，統計偵測結果並建立該模型之混淆矩陣，藉由模型指標F1-Score來判斷該模型之準確率與精準度。RCNN模型之F1-Score值為24.3%，而YOLOv4模型之F1-Score值為97.1%，最終青蘋果影像以YOLOv4模型對褐變位置之偵測結果最好。綜合三項實驗結果在酵素型褐變之螢光變化特性在CNN分類模型上可以得到比葉綠素螢光影像更好的結果，使用螢光影像訓練深度學習模型可以較傳統機器學習演算法有更完整的特徵提取以達到好的分類效果，另外使用彩色影像進行褐變位置偵測也能獲得不錯的驗證準確率。