Fruit van onberispelijke kwaliteit met hyperspectrale beeldverwerking

Detectie van oppervlaktedefecten is de meest verspreide applicatie van beeldverwerking bij de inspectie van groenten en fruit. Hyperspectrale camera’s combineren spectroscopie en hoge resolutie beeldverwerking en introduceren zo nieuwe mogelijkheden voor on-line kwaliteitsmonitoring in de voedingsindustrie. Recent onderzoek toont aan dat hyperspectrale beeldverwerking uitermate geschikt is voor de detectie van schilbeschadigingen bij sinaasappelen.

Automatische detectie oppervlakte defecten

De fruitindustrie streeft reeds lang naar een volledig automatische fruitsortering om de productiekosten omlaag te halen en de kwaliteit te verhogen. Vers fruit wordt gesorteerd in kwaliteitscategorieën op basis van grootte, kleur, vorm en externe defecten [1]. Automatisch sorteren op basis van grootte en kleur wordt al frequent toegepast. Automatische detectie van defecten stelt echter grotere uitdagingen. De huidige inspectiesystemen werken met lage resolutie beelden om hoge processnelheden te kunnen bereiken. De lage resolutie van de beelden reduceert echter de accuraatheid van het detectiesysteem. Via hyperspectrale beeldvorming is het mogelijk informatie te verkrijgen met betrekking tot individuele componenten of defecten die enkel bij specifieke golflengten kunnen waargenomen worden of die bij visuele inspectie van grote hoeveelheden producten niet altijd gedetecteerd worden.

Oppervlaktedefecten bij sinaasappelen

Bij sinaasappelen worden verschillende oppervlaktedefecten onderscheiden die elk gekenmerkt worden door specifieke symptomen. Windschade is het gevolg van takken en bladeren die tegen de vruchten wrijven en is doorgaans te herkennen aan grijs littekenweefsel [2]. Andere oppervlakte defecten worden veroorzaakt door schildluizen (insectenbeten), tripsen (bruine vlekken) en ander insecten (grijze vlekken), maar ook door bacteriën (citrus kanker, duidelijke zwarte vlekken). Deze en andere defecten worden voorgesteld in Figuur 1.


Figuur 1: Verschillende schil-types: (a) schade door insecten, (b) windschade, (c) schade door tripsen, (d) infestatie door schildluizen, (e) kanker vlek, (f) brandsporen door langdurige blootstelling aan de zon, (g) heterochromatische streep (niet-homogene kleur oppervlak), (h) phytotoxiciteit door residu van pesticide, (i) gezonde sinaasappelschil met takaanhechting [3]

Detectie via hyperspectrale beeldvorming

Hyperspectrale reflectiebeelden van beschadigde en niet-beschadigde sinaasappelen werden geëvalueerd door middel van principale componenten analyse (PCA) met als doel enkele karakteristieke golflengten te selecteren die dan gebruikt kunnen worden in een online multispectraal visualisatiesysteem. Figuur 2 toont aan hoe via beeldverwerking van de hyperspectrale beelden de oppervlaktedefecten kunnen opgespoord worden. In de eerste rij zijn de klassieke RGB-beelden te zien waarop manueel de geïnfecteerde zones aangeduid zijn. De tweede rij toont de verhouding van de reflectie bij twee specifieke golflengten (875nm/691nm). De PC-2 beelden gebaseerd op twee reflecties in het VIS-gebied (691nm en 769nm) worden weergegeven in de derde rij en de PC-3 beelden gebaseerd op zes specifieke reflecties (630nm, 691nm, 769nm, 786nm, 810nm, 875nm) in het gehele geobserveerde golflengtegebied.


Figuur 2: Voorbeelden van detectie van: (a) schade door insecten, (b) schade door wind, (c) schade door tripsen, (d) infestatie door schildluizen, (e) kanker vlek, (f) brandsporen, (g) phytotoxiciteit, (h) heterochromatische streep, (i) takaanhechting [3] 

Via beeldverwerking van de beelden op de tweede en de derde rij en de tweede en de vierde rij worden respectievelijk de binaire beelden op de vierde en de vijfde rij bekomen. In de binaire beelden zijn de niet-geïnfecteerde sinaasappeloppervlaktes en de takaanhechting geconverteerd naar nul (=zwart) zodat de geïnfecteerde zones wit oplichten. Vergelijking van deze binaire beelden met de klassieke RGB-opnames (eerste rij) toont aan dat via hyperspectrale beeldverwerking de geïnfecteerde zones op het sinaasappeloppervlak duidelijk geïdentificeerd kunnen worden. 

Het nadeel van de huidige beeldverwerkingsmethode is dat nog geen onderscheid kan gemaakt worden tussen de verschillende types oppervlaktedefecten. Verder onderzoek zal zich richten op het specifiëren van het type oppervlaktedefect en deze hyperspectrale beeldverwerkingsmethodiek uit te breiden naar andere types citrusvruchten. 

Referenties

[1] Leemans, V. & Destain, M.F., A real-time grading method of apples based on features extracted from defects, Journal of Food Engineering, 2004, 61 (1), 83-89

[2] Qin, J.W., Burks, T.F., Ritentour, M.A. & Bonn, W.G., Detection of citrus cancer using hyperspectral reflectance imaging with spectral information divergence, Journal of Food Engineering, 2009, 93 (2), 183-191

[3] Li, J., Rao, X. & Ying, Y., Detection of common defects on oranges using hyperspectral reflectance imaging, Computers and Electronics in Agriculture, 2011, 78, 38-48