Ekspertyza
advertisement
Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego AGROINŻYNIERIA GOSPODARCE Ekspertyza Aktualny stan prac badawczych w zakresie zastosowania komputerowej analizy obrazu oraz analizy spektralnej w rolnictwie i przetwórstwie Dr hab. Artur Zdunek prof. nadzw. Instytut Agrofizyki im. B. Dobrzańskiego PAN Lublin 2011 Publikacja dostępna w serwisie: www.agengpol.pl Spis literatury 1. Wstęp ............................................................................................................................ 3 2. Zarys i cel analizy obrazu ................................................................................................. 3 3. Analizy spektralne ...........................................................................................................11 3.1. Analizy spektralne w rolnictwie .................................................................................13 3.2. Nowe optyczne metody niedestrukcyjne ..................................................................18 3.2.1. Spektroskopia fali odbitej analizowanej w funkcji czasu – trs ..............................18 3.2.2. Rozproszenie wsteczne (light backscattering) ....................................................20 3.2.3. Biospeckle ..........................................................................................................21 4. Podsumowanie ...............................................................................................................23 5. Literatura.........................................................................................................................24 6. Strony internetowe ..........................................................................................................26 2 1. Wstęp Wymagania stawiane współczesnemu rolnictwu dotyczące zrównoważonej produkcji wraz zapewnieniem wysokiej jakości i zdrowej żywności powodują, że dziedziny te na równi z innymi korzystają z nowoczesnych metod badawczych. Wraz z rozwojem w ostatnich latach elektroniki i technologii informatycznych wymyślono wiele skomputeryzowanych metod, systemów i czujników mających zastosowanie w szeroko rozumianym rolnictwie. Techniki te to na przykład: czujniki elektryczne, spektroradiometry, widzenie maszynowe, multispektralne i hiperspektralne obrazowanie, obrazowanie satelitarne, obrazowanie termiczne i inne. Niniejsze opracowanie będzie dotyczyło dwóch wybranych obszarów badawczych, które są prawdopodobnie najczęściej wykorzystywane w innowacyjnych rozwiązaniach zarówno w rolnictwie precyzyjnym jak i w kontroli cech jakościowych zbioru. Będą to analiza obrazu i analiza spektralna. Te dwa obszary badawczo-rozwojowe są ze sobą związane, ponieważ przestrzenne analizy danych (w tym analizy spektralne) wymagają najczęściej obróbki i analizy obrazu w celu uzyskania liczbowej lub logicznej informacji potrzebnej do podjęcia konkretnej decyzji w opracowywanej aplikacji. 2. Zarys i cel analizy obrazu Analiza obrazu nie jest narzędziem nowym; jej historia sięga połowy ubiegłego wieku. W odpowiedzi na zapytanie „image analysis” + „agriculture” w przeglądarce Google wyświetla się ponad 1 000 000 haseł !. Inna specjalistyczna przeglądarka ScienceDirect na hasło „image analysis” w sekcji nauki rolnicze wyświetla ponad 52 000 naukowych artykułów opublikowanych po roku 2001 !. Jednak dopiero dziś analiz obrazu stała się jednym z podstawowych narzędzi używanych w rozpoznawaniu, sterowaniu, kontroli różnych systemów przemysłowych i w urządzeniach codziennego użytku. Rozwój analizy obrazu należy niewątpliwie łączyć z powszechnością kamer cyfrowych. Dziś trudno sobie wyobrazić analizę obrazu z kliszy fotograficznej. W tej chwili każdy z nas posiada aparat cyfrowy, nawet wbudowany w osobisty telefon i wielu użytkowników swobodnie porusza się w świecie cyfrowym wykorzystując narzędzia obróbki lub analizy obrazu. Na wstępie należy zdefiniować podstawowe pojęcia (Konstankiewicz i Zdunek, 2005 – Rozdział 3, autor Leszek Wojnar): • Obraz jest projekcją obiektu za pomocą promieniowania, zazwyczaj za pośrednictwem soczewek i luster (ASTM E7-99). Definicja ta mówi, że obrazem poddawanym analizie może być projekcja wykonana przy pomocy kamery, mikroskopu, promieniowania X, ultradźwiękowego, termicznego, itp.; czyli obejmuje wszystkie sposoby obrazowania różnych właściwości przestrzennych obiektów w 2D i 3D. • Obróbka obrazu (image processing) jest procesem zmian obrazu wejściowego, w wyniku którego powstaje obraz lub seria obrazów zmienionych. Przykładami taki procesów obróbki obrazu jest filtrowanie, poprawa kontrastu, redukcja szumu, kadrowanie, zmiana rozdzielczości, itp. • Analiza obrazu (image analysis) jest procesem, w którym danymi wejściowymi jest obraz lub seria obrazów, a danymi wyjściowymi nie jest obraz. Tym wynikiem analizy obrazu może być liczba lub wektor liczb, tekst lub zmienna logiczna lub wreszcie ich kombinacja. Celem analizy obrazów jest między innymi: • wydobycie cech opisujących obraz, • rozpoznanie obrazu, • interpretacja jakościowa i ilościowa. Analiza obrazu jest zwykle poprzedzona uzyskaniem zdjęcia w określony przez użytkownika sposób i w wybranym formacie oraz obróbką obrazu. Obróbka jest niezbędna w celu zmniejszenia błędu analizy końcowej. Niezależnie od typu urządzenia użytego do uzyskania obrazu, obraz cyfrowy może być zapisany w kilku formatach, jednak zawsze ma 3 on postać matrycy (lub zestawu matryc), gdzie kodowana jest intensywność przestrzenna w postaci liczb o wartościach zależnych od przyjętego standardu. Najczęściej używanym sposobem kodowania (choć nie jedynym) jest zapis 8 bitowy znany jako zapis obrazu w odcieniach szarości, gdzie piksel obrazu może przyjąć jedną z wartości od 0 (czarny) do 255 (biały). Rysunek 1 przedstawia trzy najczęściej używane formaty zapisu obrazu. Format RGB 24bit koduje obraz w trzech 8- bitowych kanałach: czerwonym, zielonym i niebieskim. Najłatwiej jest przeprowadzać analizę obrazu dysponując obrazem 2 bitowym, czyli dwustanowym. Rys. 1. Komputerowa reprezentacja obrazu: kolorowy (24bit), szary (8bit) i binarny (2bit). Cyfrowa reprezentacja obrazu umożliwia łatwą obróbkę komputerową, która jest operacjami na pikselach. W zależności od celu, operacje te wykonuje się stosując sekwencje ściśle zdefiniowanych przekształceń (operatorów) obrazu. Przekształcenia obrazu można podzielić na (Wojnar, 1994): • Przekształcenia geometryczne: przesunięcia, obroty, odbicia oraz zniekształcenia. • Przekształcenia punktowe (rys. 2a): poszczególne punkty obrazu są modyfikowane niezależnie od tego jakich mają sąsiadów za pomocą między innymi operacji arytmetycznych i logicznych. Na rys. 2a przedstawiono dwa przykłady przekształceń punktowych: binaryzacji z progiem górno-przepustowym o wartości 100 oraz przykład obliczania negatywu obrazu. • Filtry (rys. 2b): przekształcenia których wynik zleży od modyfikowanego punktu i jego otoczenia, a modyfikacja jest wykonywana zawsze. Przekształcenie to ma zdefiniowany element strukturalny i działanie. Na rys. 3b przedstawiono dwa wybrane przykłady zastosowania filtru medianowego oraz maksimum. W tym przypadku element strukturalny o wybranej wielkości jest przykładany do każdego piksela obrazu, który jest modyfikowany według definicji filtra. • Przekształcenia morfologiczne (rys. 2c): przekształcenia których wynik zależy od modyfikowanego punktu i jego otoczenia, a modyfikacja wykonywana jest po spełnieniu konkretnego warunku. Przekształcenie to ma zdefiniowany element strukturalny i warunek. Na rys. 3c przedstawiono dwa najpopularniejsze przekształcenia morfologiczne: erozję i dylację wraz warunkami przekształcenia. Kroki w przekształceniach morfologicznych to: 1) przyłożenie punktu centralnego do wszystkich punktów obrazu 2) sprawdzenie czy lokalna konfiguracja punktów odpowiada układowi zapisanemu w elemencie strukturalnym, 3) wykonanie, w przypadku zgodności konfiguracji punktów, operacji określonej dla danego przekształcenia. 4 a) b) c) 5 d) Rys. 2. Przykładowe przekształcenia stosowane w obróbce obrazów: a) punktowe-arytmetyczne, b) filtry, c) morfologiczne, d) przykład przekształcenia morfologicznego tkanki marchwi „watershead - detekcja działów wodnych” w celu segmentacji obrazu. Rys. 2d przedstawia jeden z końcowych etapów przekształcenia obrazów, w którym interesujące nas obiekty (w tym przypadku komórki tkanki marchwi) są znacznikowane (ang. labelled) dzięki operatorowi detekcji działów wodnych (ang. watershead). Dokładność tego typu znacznikowania zależy od wielu czynników, włączając w to: cechy obrazu wejściowego, oraz przyjętą procedurę i parametry przekształceń obrazu. Można stwierdzić ogólnie, że nie ma jednego przyjętego schematu postępowania. rys. 3 przedstawia przykład, w którym część obrazu była przekształcana przy pomocy elementu strukturalnego (jednego z parametrów przekształceń morfologicznych) o wielkości 3x3 piksele oraz 4x4 piksele. Widoczne jest, że w tym przypadku wielkość tego parametru należy dobrać do wielkości obiektów na obrazie by otrzymać poprawę rekonstrukcji (linie czerwone na obrazach). Przykład na rys. 3 pokazuje graficzną rekonstrukcję przy pomocy komputera: obraz został podzielony na obiekty. By uzyskać informację ilościową (czyli wykonać analizę obrazu) należy obliczyć wielkości geometryczne tych obiektów. Analiza obrazu wypracowała szereg parametrów geometrycznych używanych do klasyfikacji i rozpoznawania obiektów na obrazie. Podstawowe wielkości zaprezentowano na rys. 4. . Rys. 3. Przykład rekonstrukcji (linie czerwone) struktury komórkowej marchwi przy użyciu dwóch wielkości elementu strukturalnego: 4x4 piksele (lewa część obrazu), i 3x3 piksele (prawa część obrazu). Procedura analizy opisana została w pracy Zdunek i inni (2004). 6 Rys. 4. Przykładowe parametry geometryczne obiektów używanych w analizie obrazu. W ten sposób uzyskane dane ilościowe z obrazu mogą służyć bądź do szukania korelacji z innymi cechami, na przykład jakościowymi, badanego materiału lub obiektu, albo do klasyfikowania obiektów poprzez dopasowanie do wzorca. Przykładem pierwszego zastosowania jest korelacja wielkości komórek uzyskanej po analizie obrazów mikroskopowych z wytrzymałością tkanki ziemniaka i marchwi (rys. 5). W badaniach podstawowych właściwości materiałów rolniczych jak i w większości aplikacji w rolnictwie precyzyjnym najważniejszą funkcją analizy obrazów jest klasyfikacja obiektów. W tym celu konieczne jest stosowanie metod statystycznych, najczęściej wielowymiarowych ze względu na dużą liczbę zmiennych uzyskiwanych z obrazów. Przykładem takiej zaawansowanej klasyfikacji jest rozpoznanie poszczególnych typów tkanek w korzeniu buraka na 6a, gdzie zastosowano klasyfikację k-średnich wraz ze statystyczną analizą wielowymiarową (Guillemin i inni, 2004). W podobny sposób można automatycznie rozróżnić komórki od przestworów międzykomórkowych w tkance jabłka (rys. 6b). 7 Rys. 5. Zależność wytrzymałości na ściskanie tkanki (failure stress) od średniej wielkości komórek (mean cell face area) dla ziemniaka i marchwi (Zdunek i Umeda, 2005). Kombinacja analizy obrazu i analizy statystyczna wraz z algorytmami klasyfikacji znacznie skraca czas potrzebny na analizę i podjęcie decyzji. Można stwierdzić, że największą zaletą analizy obrazu jest możliwość automatycznej i obiektywnej (bez ingerencji człowieka) analizy dużej ilości danych w bardzo krótkim czasie. Jako przykład może posłużyć automatyczna procedura odczytu wzoru skrobiowego jabłek (rys. 7), która tradycyjnie odbywa się poprzez indywidualne porównanie uzyskanego wzoru z odpowiednimi tablicami, natomiast w komputerze po odpowiednim skalibrowaniu zajmuje to kilka minut i jest w pełni obiektywne. Dzięki temu w wielu przypadkach możliwie jest stosowanie analizy obrazu na liniach do sortowania czy też w różnych systemach polowych. Każda z tych aplikacji wymaga indywidualnego podejścia odnośnie analizy obrazu. Zazwyczaj zależy ona od cech obrazu i od celu do osiągnięcia. Doświadczenie pokazuje, że szansa na sukces metody zwiększa się, gdy cały system od detektora do analizatora obrazu traktuje się jako całość. Zazwyczaj wzajemne dopasowanie, tzn. wybór sposobu obrazowania (łącznie z formatem, rozdzielczością i ekspozycją i warunkami zewnętrznymi) z algorytmem obróbki (poprawa kontrastu, kadrowanie, wyrównywanie tła, filtrowanie, itp.) czyni analizę obrazu znacznie efektywniejszą. a) 8 b) Rys. 6. a) Rozpoznanie różnych typów tkanek w korzeniu buraka po zastosowaniu analizy obrazu i wielowymiarowej klasyfikacji danych (Guillemin i inni, 2004) b) klasyfikacja obiektów na komórki (czerwone) i przestwory międzykomórkowe (niebieskie) przy wykorzystaniu wielowymiarowej analizy dyskryminacyjnej. Rys. 7. Automatyczne wyznaczenie indeksu skrobiowego przy pomocy analizy obrazu. W niektórych przypadkach segmentacja przedstawiona na powyższych przykładach jest niemożliwa ze względu na zbyt słaba rozdzielczość, niedoskonałości obrazu lub na sam jego charakter. Wówczas pewne ilościowe informacje o obiektach na obrazie może dostarczyć analiza tekstury obrazu. Każdy obraz cyfrowy posiada charakterystyczne cechy związane z występowaniem kolorów, kontrastem, powtarzającymi sie motywami tekstury, ich wielkością i kształtem. Istnieją metody analizy obrazów pozwalające opisać te cechy za pomocą miar statystycznych. Miary te mogą być obliczane na podstawie charakterystyk wyznaczanych bezpośrednio z obrazu lub z macierzy opisujących relacje miedzy pikselami o poszczególnych poziomach szarości (Rudnicki, 2002). Bezpośrednio z obrazu można wyznaczyć takie cechy tekstualne jak odchylenie standardowe czy wariancje: są to statystyki pierwszego rzędu. Bardziej złożone miary są obliczane na podstawie tzw. macierzy zdarzeń (ang. Grey-Level Co-Occurrence Matrix - GLCM lub Co-Occurence Matrix - COM), opisującej jak często różne kombinacje poziomów szarości pikseli występują na obrazie cyfrowym: są to statystyki drugiego rzędu. Macierz zdarzeń jest macierzą kwadratowa a jej rozmiar określony jest ilością poziomów szarości obrazu, np. 256 x 256 pikseli. Wartości macierzy określają ile razy piksel o danej jasności sąsiaduje z pikselem o innej jasności. Związek ten 9 analizowany jest dla określonego kierunku (0°, 45°, 90°, 135°) oraz odległo ści miedzy nimi. Macierz zdarzeń pozwala na wyznaczenie kilku wielkości liczbowych opisujących analizowany obraz, niektóre z nich pokazano w Tabeli 1. Tabela 1. Statystyki wyznaczane z macierzy zdarzeń (GLCM), gdzie i oraz j są odpowiednio numerem wiersz i numerem kolumny, p(i,j) jest wartością macierzy GLCM, σ- odchylenie standardowe. (Matlab R2010r Help) Odmiennym sposobem analizy tekstury obrazów jest metoda o nazwie Wizualna Analiza Tekstury (ang. Visual Texture Analysis - VTA). W metodzie VTA stosuje się serię przekształceń przy pomocy operatora morfologicznego zamknięcia lub otwarcia (Devaux i inni, 2005) i rejestrowany jest poziom szarości po każdym przekształceniu. W ogólności, VTA zawiera następujące etapy: 1. Wczytanie obrazu i wyznaczenie średniego poziomu szarości obrazu wejściowego G(0). 2. Wybór kształtu elementu strukturalnego: kwadratowy, liniowy poziomy, pionowy lub ukośny. 3. Kolejne stosowanie operatora zamknięcia lub otwarcia, w zależności od charakteru analizowanego obrazu, z użyciem wybranego elementu strukturalnego o wymiarach i x i, gdzie i = 1, 2, 3, ….n. 4. Pomiar po każdym kroku (3) poziomu szarości G(i). 5. Wyznaczenie funkcji g(i) : g (i) = G(i) − G(i − 1) G(0) Powyższe kroki stosuje się do momentu gdy g(i) = 0. Rys. 8 przedstawia przykład analizy VTA struktury komórkowej jabłka przy pomocy trzech różnych elementów strukturalnych: SQR - kwadratowy, HL - poziomy liniowy, VL - pionowy liniowy. Na podstawie przesuniętego maksimum funkcji g(i) dla HL można stwierdzić, że komórki są wydłużone kierunku poziomym. 10 Rys. 8. Analiza VTA struktury komórkowej jabłka przy pomocy trzech różnych elementów strukturalnych SQR - kwadratowy, HL - poziomy liniowy, VL - pionowy liniowy. W tle analizowany obraz tkanki jabłka. 3. Analizy spektralne Rozwój nauki i techniki, a w szczególności technologii informacyjnej, przyczynił się do wprowadzenia wielu metod teledetekcji w rolnictwie precyzyjnym oraz niedestrukcyjnych optycznych technik analizy materiałów, które mogą być stosowane w odniesieniu do materiałów biologicznych. Rolnictwo precyzyjne wymaga dokładnej przestrzennej informacji zbieranej z pewnej odległości, natomiast przemysł owocowo-warzywniczy potrzebuje metod, które mogłyby być użyte bezpośrednio na liniach sortujących, umożliwiając szybkie sklasyfikowanie i/lub określenie jakości danego surowca. Takie zalety posiadają przede wszystkim systemy pomiarowe bazujące na zastosowaniu metod optycznych, w tym metod spektroskopowych. Zastosowanie metod spektroskopowych opiera się na wykorzystaniu i interpretacji zjawisk, obserwowanych podczas oddziaływania światła z materią. Tkanka biologiczna jest optycznie niejednorodnym, absorbującym medium o współczynniku załamania światła większym niż powietrza. Z tego powodu światło jest w pewnym stopniu odbijane od powierzchni takiego materiału podczas, gdy pozostała część promieniowania (nawet do 96%) wnika do obiektu. W rezultacie wiązka zostaje osłabiona i poszerzona (Tuchin, 1993). Padające światło na obiekt biologiczny może zostać zaabsorbowane, wypromieniowane, odbite lub rozproszone przez próbkę. Każdy z tych procesów, które schematycznie przedstawiono na rys. 9, dostarcza informacji o mikro- i makrostrukturze oświetlanego obiektu, budowie biochemicznej oraz ruchu i kształtach poszczególnych jego składników. Cechy charakterystyczne poszczególnych sposobów oddziaływania, pokazane na rys. 9, są używane w metodach spektroskopowych do analizy właściwości materiału, np. zawartości barwników w tym chlorofilu, substancji odżywczych, uszkodzeń i porażeń chorobowych, uwodnienia, struktury itp.. Analizie poddawane są widma, gdzie na osi x odkłada się długość fali, natomiast na osi y intensywność widma absorpcji (rys. 10), odbicia, lub fluorescencji 11 Rys. 9. Oddziaływanie światła z materią (Tuchlin, 1993). Fig. 10. Przykład widma absorpcji dla powierzchni kilku różnych jabłek odmiany ‘Pinova’ wykonane przy pomocy spektrometru ręcznego Pigment Analyzer (Zdunek i Herppich, 2011-w druku). Powyższy rysunek prezentuje „klasyczną” spektroskopię, gdzie informacja (w tym przypadku absorpcja) jest pobierana z objętości badanego materiału. W ostatnich latach bardzo intensywnie rozwijają się metody multispektralne i hiperspektralne, które polegają na pozyskiwaniu przestrzennych map intensywności w wybranych lub pełnych zakresach widm spektralnych. Dzięki temu możliwe stało się pozyskanie bogatej przestrzennej informacji tak niezbędnej dla rolnictwa precyzyjnego. • Metoda multi-spektralnego obrazowania (mulitspectral imaging) polega na uzyskaniu obrazu z danego obszaru w wybranym paśmie optycznym, lub w kilku wybranych bardzo wąskich pasmach (np. w trzech kanałach RGB), zwykle wycinanych przy pomocy filtrów lub zapisywanych przez wyspecjalizowane detektory. • Metoda hiper-spektralnego obrazowania (hiperspectral imaging) polega na uzyskaniu obrazu z danego obszaru, gdzie każdy piksel jest reprezentowany przez pełne widmo lub wybrany zakres widma. 12 W zależności od badanego obiektu używa się różnych zakresów długości fali promieniowania elektromagnetycznego: • Niebieskie, 450-515..520 nm, używane do obrazowania atmosfery i wody. • Zielone, 515..520-590..600 nm, używane do obrazowania roślin i wody. • Czerwone, 600..630-680..690 nm, używane do obrazowania obiektów stworzonych przez człowieka, wody, gleby i roślin. • Bliska podczerwień (near infrared), 750-900 nm, używane do obrazowania głównie roślin. • Średnia podczerwień (mid-infrared), 1550-1750 nm, używane do obrazowania roślin, wilgotności gleby i niektórych drzew w lasach. • Średnia podczerwień (mid-infrared), 2080-2350 nm, używane do obrazowania gleby, wilgotności gleby, struktur geologicznych, krzemów, glin, itp. • Thermal infrared, 10400-12500 nm, używane do obrazowania struktur geologicznych, wody i badań nocnych. 3.1. Analizy spektralne w rolnictwie Wielkość plonu jest najprawdopodobniej najważniejszą informacją w rolnictwie, w tym w rolnictwie precyzyjnym. Jest ona związana z przestrzennym rozkładem takich cech jak właściwości gleby, topografia powierzchni, rodzaj uprawy, nawodnienia, itp.. Informacja o rozkładzie przestrzennym plonu ma znaczenie nie tylko podczas posezonowej analizy i opracowania strategii na kolejny sezon, ale również może służyć do korekty zabiegów podczas danego sezonu. Rozkłady przestrzenne różnych zmiennych związanych z plonem uzyskiwane są przy pomocy metod obrazowania, w tym metod spektralnych, określanych wspólnym sformułowaniem teledetekcja (ang. remote sensing). Szczególnie teledetekcja dużych upraw wymaga użycia wysokorozdzielczych technik satelitarnych lub lotniczych, z czego te drugie w tej chwili są najchętniej wykorzystywane. Multispektralne zdjęcia lotnicze dostarczają obecnie obrazów o dużej rozdzielczości w wąskich przedziałach widm z możliwością obrazowania w czasie rzeczywistym (video). W licznych badaniach stwierdzono dużą korelację informacji z lotniczych zdjęć spektralnych z monitoringiem naziemnym (Lee i inni, 2010). Optyczne właściwości roślin charakteryzowane są przez emisyjność, absorpcję, odbicie i przepuszczalność, które zależą od długości padającej fali świetlnej. Teledetekcyjne wskaźniki roślinności łączą dane teledetekcyjne z charakterystykami biofizycznymi, np. morfologią, anatomią i fizjologią (Jensen, 1983; Hall i in., 1995). Znalazły one zastosowanie do analiz produkcji biomasy i przewidywania produktywności oraz prognozy plonów, w tym w rolnictwie precyzyjnym. Właściwości spektralne roślin zależą od wielu czynników, np.: wielkości liści, stopnia rozwoju roślin, procentowego pokrycia terenu przez rośliny, własności optycznych liścia i jego położenia, praktyk agronomicznych, warunków stresowych, geometrii układu źródło światła-obiekt-detektor, zawartości wody. Do analiz roślinności najczęściej wykorzystuje się pasmo widzialne oraz bliską i średnią podczerwień, (350 do 2500 nm). W tym zakresie czynnikami roślinnymi decydującymi o wielkości odbicia są barwniki w liściach, mikrostruktura komórkowa, uwodnienie oraz zawartość składników odżywczych. Najczęściej na krzywych absorpcji widoczny jest pik dla chlorofilu a i b, czyli najważniejszych barwników roślin. Chlorofil a jest absorbowany w zakresie 430 i 660 nm, a chlorofil b w zakresie 450 i 650 nm. Gdy na przykład pojawia się czynnik stresowy, maleje ilość chlorofilu a co powoduje wzrost odbicia w paśmie niebieskim i czerwonym, ponieważ pochłaniana jest mniejsza ilość promieniowania przez ten barwnik. Zmniejsza się wtedy odbicie w paśmie zielonym i w wyniku rośliny stają się żółte. Widmo spektralne w przedziale 740-1100 nm związane jest ze strukturą komórkową liści, szczególnie w paśmie 800–1000 nm (Jensen, 1983; Hall i in., 1995). Na wysokość odbicia w tym paśmie wpływa zawartość wakuol i parenchymy, w tym sposób ułożenia i ilość przestrzeni międzykomórkowych. Odbicie jest większe w komórkach zawierających miękisz gąbczasty, a mniejsze dla komórek z miękiszem palisadowym. W zakresie podczerwonym zdrowe rośliny mają odbicie dochodzące do 50% i wysoką przepuszczalność 13 promieniowania. Wzrost odbicia zaczyna się w okolicy 700 nm. Optymalnym kanałem do badania ilości biomasy zawartej w roślinach jest zakres 740–900 nm. Zakres 1100-2500 nm może być także wykorzystywany do badania innych elementów struktury roślin; celulozy, karotenoidów, ligniny. W zakresie od 1300 do 2500 nm możliwe jest badanie zawartości wody w roślinach. Bardzo duża absorpcja przez wodę występuje w okolicach trzech wartości promieniowania: 1400, 1900 i 2700 nm. Aby z dużej ilości danych spektralnych użyć uproszczonych wartości do charakterystyki pokrywy roślinnej wprowadzono tzw. teledetekcyjne wskaźniki roślinności. Wskaźniki te wykorzystują wybrane przedziały widma. Większość z nich wykorzystuje przynajmniej jeden kanał z pasma podczerwonego (700–900 nm) i jeden kanał z czerwonego zakresu (600–700 nm). Istnieje wiele indeksów wegetacji. Oto niektóre z nich (Jarocińska i Zagajewski, 2008): • Simple Ratio Index – Vegetation Index (RVI)– wskaźnik kondycji roślin, mierzony jest za pomocą stosunku odbicia w dwóch kanałach – podczerwonym i czerwonym: RVI = NIR / RED. • Normalized Difference Vegetation Index (NDVI)– wskaźnik kondycji roślin, proces fotosyntezy, prognozuje plony itd. Obliczany jest za pomocą stosunku różnicy odbicia w kanale podczerwonym i czerwonym do sumy odbicia w tych kanałach: NDVI = (NIRRED) / (NIR+RED). NDVI ma skalę wartości od -1 do 1. • Atmospherically Resistant Vegetation Index– wskaźnik jest modyfikacją NDVI, która bierze pod uwagę odbicie w paśmie niebieskim i częściowo redukuje wpływ atmosfery. • Red Edge Position Index– wskaźnik jest wrażliwy na zmiany w zawartości chlorofilu, mierzy odbicie w zakresie promieniowania od 690 do 740 nm. • Structure Insensitive Pigment Index– wskaźnik stworzony do maksymalizowania wrażliwości na karotenoidy i chlorofil, mały wpływ na jego wartość ma struktura komórkowa. • Water Band Index – wskaźnik przeznaczony do analizowania zawartości wody w roślinach określany jest przez stosunek odbicia promieniowania w dwóch kanałach, których zakres jest w okolicach 900–1000 nm. Obrazowanie hiperspektralne niesie znacznie więcej informacji w porównaniu do technik multispektralnych. Przewiduje się, że widmo ciągłe w każdym punkcie obrazu może lepsze rozróżnienie cech biofizycznych. Wraz z pojawieniem się sensorów hiperspektralnych zaczęto konstruować podobne wskaźniki jak w przypadku metod multispektralnych , które wzajemnie porównywano (Lee i inni, 2010). Wykazano, że wskaźniki opracowane z danych hiperspektralnych również nadają się do charakteryzowania roślin jak na przykład do wykrywania specyficznych substancji, typu proteiny lub ligniny. Wskaźniki te dają także nadzieję na rozwiązanie problemu saturacji przy szacowaniu biomasy. Jednak stwierdzono również, że np. szerokopasmowe NDVI i jemu podobne wskaźniki nie sprawdzają się dobrze na obszarach o gęstej pokrywie roślinnej, jak również nie są zbyt dokładne w ocenie biomasy w pełni sezonu wegetacyjnego. Dlatego można stwierdzić, że zastosowania danych hiperspektralnych są w fazie testów (Lee i inni, 2010). Teledetekcja jest stosowana do wielu różnych upraw, jednak tylko w ograniczonym stopniu do owoców i warzyw. Koller i Upadhayaya (2005a i b) wykorzystując indeks powierzchni liści (leaf area index LAI) i współczynnik NDVI przewidzieli plon pomidora, jednak uzyskana korelacja nie była wysoka. Podobnie próba przewidzenia plonu cytrusów na podstawie hiperspektralnych zdjęć lotniczych skończyła się niepowodzeniem, gdy jako model zastosowano regresję linową. Dopiero zastosowanie metody partial least square (PLS) umożliwiło predykcje z wartością R~0.51-0.90 (Ye i inni, 2008). Należy podkreślić, że metody statystyczne wymagają wieloletnich danych, a predykcja zazwyczaj jest skuteczna dla obszarów o zbliżonej charakterystyce, tj. uprawianych roślin wraz z odmianą, etapów wzrostu, sposobów uprawy, nawadniania, itp. Jeżeli któryś z tych czynników jest inny może prowadzić to do znaczących błędów predykcji modelu. 14 Widzenie maszynowe (machine vision) to zastosowanie do określonego celu wizji komputerowej (computer vision), która jest skupiona głównie na przetwarzaniu obrazu na poziomie sprzętowym. Widzenie maszynowe jest wielodyscyplinarną dziedziną, wykorzystującą technologie zaczerpnięte z optyki, elektroniki, mechaniki, informatyki oraz badań nad sztuczną inteligencją, analizą obrazu po to by zastąpić ludzkie zmysły. W ogólności zastosowania widzenia maszynowego, w tym w rolnictwie i przetwórstwie mogą być sklasyfikowane na wiele sposobów: • rozpoznawanie kodu – oznacza identyfikację obiektów na podstawie oznaczeń na nich; • rozpoznawanie obiektów – oznacza identyfikację obiektów na podstawie cech charakterystycznych takich jak: kształt (geometria), wymiary, kolor, struktura (topologia), tekstura, • rozpoznawanie pozycji – oznacza określanie pozycji oraz orientacji obiektu, • sprawdzenie kompletności – oznacza podział (klasyfikację) elementów, • sprawdzenie kształtu i wymiarów – oznacza określenie geometrycznych, • inspekcja (kontrola) powierzchni – może być podzielona na ilościową mającą na celu określenie cech topograficznych takich jak chropowatość, lub jakościową skupiającą się na rozpoznawaniu defektów powierzchni takich jak wgniecenia, zadrapania, zanieczyszczenia, czy odchylenia od pożądanych właściwości powierzchni (kolor, tekstura itp.). Typowy system wizyjny składa się z kamery CCD lub CMOS, interfejsu kamery do digitalizacji obrazu (ang. frame grabber), komputera lub procesora wbudowanego, interfejsów komunikacyjnych do przesyłania raportów z wynikami pracy systemu, dobranego dla systemu odpowiedniego oświetlenia oraz oprogramowania służącego do przetwarzania i obróbki otrzymanych obrazów. Przykładowy schemat systemu wizyjnego zaprezentowany jest na rys. 11. Rys. 11. Architektura typowego systemu widzenia maszynowego (Vernon D., 1991). W rolnictwie najbardziej użyteczne są kamery CCD lub CMOS wyposażone w matryce w trzech kanałach spektralnych: czerwony (~600nm), zielony (~550 nm) oraz niebieski (~450 nm). Niekiedy w specjalnych przypadkach, w celu poprawy kontrastu stosuje się inne specyficzne kanały spektralne. Kolorowe widzenie maszynowe znalazło dotychczas szerokie zastosowanie w rolnictwie precyzyjnym, w tym do: wykrywania chwastów (rys. 12), detekcji międzyrzędzi, inteligentnego dawkowania nawozów (rys. 13), nawigacji automatycznej, do wykrywania owoców w celu automatycznego zbioru (rys. 14a), do kontroli jakości owoców (rys. 14b). Systemy te wykrywają i klasyfikują obiekty na podstawie parametrów kształtu w tym ich rozkładów oraz właściwości spektralnych. Najczęściej spotykanymi krokami w tych systemach jest wybór kanału do analizy (lub użycie kilku pasm spektralnych), progowanie (binaryzacja), segmentacja i analiza powierzchni, kształtu, orientacji obiektów. Niestety są 15 one bardzo wyspecjalizowane do danego zastosowania. Najczęściej spotykanym problemem jest oświetlenie badanego pola, co w przypadku prac w warunkach zewnętrznych jest bardzo kłopotliwe. W takich warunkach binaryzacja powoduje duże błędy. Rozwiązaniem może być analiza różnych kanałów spektralnych (analiza stosunku poszczególnych kanałów) lub, jeżeli to możliwie, uwzględnienie nachylenia płaszczyzny detektora w stosunku do obserwowanej powierzchni i oświetlenia (również z uwzględnieniem poszczególnych kanałów spektralnych). Rys. 12. Proponowany inteligentny system wykrywania chwastów (www.alliedvisiontec.com) Rys. 13. Proponowany inteligentny system kontroli spryskiwaczy (www.agronomyday.cropsci.illinois.edu) Rys. 12 i 13 przedstawiają koncepcje systemów do wykrywania chwastów i związanej z tym lokalnej aplikacji herbicydów. Ten obszar widzenia maszynowego dotyczy zarówno samego wykrywania obecności chwastów i odróżnienia ich od uprawy właściwiej jak i identyfikacji rodzaju chwastu w celu aplikacji określonej dawki i rodzaju oprysku. Odróżnienie chwastów od roślin uprawnych może się odbywać na wiele sposobów. Jednym z nich jest potraktowanie chwastów jako niejednorodności w jednorodnej uprawie polowej (Lee i inni 1999). Wówczas system opryskowy omija jednorodną część uprawy. Stopień jednorodności może być określany na podstawie jasności obrazu (van der Weide i inni 2008) lub na podstawie parametrów będących kombinacją koloru i kształtu (Tillett i inni, 2008). Alternatywnie, można zastosować dokładne mapowanie GPS miejsc nasadzenia roślin uprawnych i stosowanie oprysków w tych samych miejscach. Kolor ma duże znaczenie i jest często wystarczający do odróżnienia materiału roślinnego od gleby lub od chwastów. Jednak efektywność klasyfikacji poprawia się gdy rozpoznanie maszynowe rodzaju chwastu jest wykonywane na podstawi analizy zarówno koloru jak i właściwości geometrycznych, a następnie zastosuje się analizy statystyczne do rozpoznania (Van Evert i inni, 2006). W kontrolowanych warunkach laboratoryjnych stosowano również analizy spektralne światła odbitego, gdzie wykazano wysoką zdolność klasyfikacji chwastów i rośliny uprawianej. 16 Jednak w warunkach polowych wyniki były o wiele gorsze, w zasadzie możliwe było tylko odróżnić miejsca porośnięte chwastem od tych wolnych od roślin obcych (Goel i inni, 2002). W przypadkach gdy segmentacja obrazu w celu wyznaczenia parametrów geometrycznych jest niewykonalna lub wprowadza duże błędy, możliwie jest zastosowanie techniki opartej na analizie tekstury obrazu. Stosując opisaną powyżej metodę tworzenia macierzy zdarzeń możliwe było rozpoznanie rodzaju chwastu z dokładnością aż 97% (Burks i inni, 2002, 2005). a) b) Rys. 14. Przykład detekcji b) kontroli uszkodzeń owoców cytrusowych www.foodtech.gatech.edu . a) owoców wiśni (www.imveurope.com Rys. 14a przedstawia przykład segmentacji zdjęcia celem rozpoznania owocu na drzewie. Rolnictwo precyzyjne rozważa drzewa jako indywidualne jednostki produkcji. Przy takim założeniu istnieje konieczność uzyskania informacji o składnikach odżywczych, nawodnieniu, owocowaniu każdego drzewa z osobna. W przypadku ostatniego parametru zadanie jest względnie proste gdy owoc ma wyraźnie odmienny kolor niż korona drzewa. Wysoki kontrast zapewnia efektywną klasyfikację. W przypadku owoców zielonych lub zbliżonych kolorem do liści, jak niedojrzałe pomarańcze, zielone jabłka, pomocne mogą być techniki multi i hiperspektralne, gdzie analizowanych jest więcej długości fali. Na przykład Safren i inni (2007) z sukcesem wykryli zielone jabłka w koronie drzew na podstawie analizy zdjęć hiperspektralnych wraz z zaawansowaną analizą obrazu z użyciem przekształceń morfologicznych. Ten sam autor podkreśla użyteczność innych przekształceń w analizie obrazu, łącznie z operatorem działów wodnych (ang. watershead) (rys. 2) do rozwiązywania podobnych skomplikowanych problemów w widzeniu maszynowym. Wykrywanie kształtów na obrazie jest chyba najbardziej klasycznym problemem analizy obrazów. W rolnictwie precyzyjnym wykrywanie kształtów jest wykorzystywane np. do detekcji rzędów lub wyznaczenia trajektorii pojazdów na podstawie widzenia maszynowego (rys. 15). Jednym z najprostszych i zarazem najbardziej użytecznych kształtów do wykrycia są linie proste, które w łatwy sposób można wyznaczyć używając transformaty Hougha. Transformacja Hougha dla prostych jest metodą detekcji współliniowych punktów. Każda prosta może być jednoznacznie przedstawiona za pomocą dwóch parametrów. Przestrzeń tych parametrów to przestrzeń Hougha. Najczęściej wykorzystywanymi parametrami są współczynniki σ, θ opisujące równanie prostej w postaci normalnej: σ =x⋅cos (θ)+ y⋅sin (θ) gdzie: σ - promień wodzący, θ - kąt tworzony przez z σ osią OX. 17 Własności transformaty Hougha: • prostej w przestrzeni kartezjańskiej odpowiada punkt w przestrzeni Hougha, • punktowi w przestrzeni kartezjańskiej odpowiada krzywa sinusoidalna w przestrzeni Hougha, • punkty leżące na tej samej prostej (w przestrzeni kartezjańskiej) korespondują z sinusoidami przechodzącymi przez wspólny punkt w przestrzeni Hougha. Metoda wyliczania transformaty Hougha składa się z następujących kroków: • przez każdy badany (różny od zera) punkt obrazu prowadzony jest pęk prostych, przechodzących przez ten punkt, • każda z tych prostych transformowana jest do przestrzeni Hougha i tworzy tam punk o współrzędnych σ, θ w ten sposób, każdy punkt obrazu pierwotnego (pęk prostych) jest odwzorowany w sinusoidalną krzywą w przestrzeni Hougha. Rys. 15. Przykład wyznaczenia trajektorii na podstawie analizy obrazu (rysunek prawy). Przed zastosowaniem transformacji Hough (rysunek lewy) zastosowano analizę obrazu wraz z binaryzacją i detekcją krawędzi. Szczegóły w pracy Torres-Sospedra i Nebot (2011 Inną metodą analizy obrazu, która jest używana do detekcji rzędów jest metoda k-średnich należącą do grupy metod statystycznych nazywanych analizą skupień. Metoda k-średnich klasyfikacji polega na podziale na z góry zaplanowaną liczbę grup (klas) na podstawie zminimalizowanej wariancji. Przykładem aplikacji tej metody jest automatyczne wyznaczenie progów binaryzacji z obrazów. Han i inni (2004) zastosował tę metodę do automatycznego odnalezienia progów binaryzacji potrzebnej do dalszych wyznaczenia rzędów. 3.2. Nowe optyczne metody niedestrukcyjne Obecnie trwają badania naukowe nad metodami oceny różnych cech materiału biologicznego w sposób niedestrukcyjny. Celem jest z jednej strony dokładna charakterystyka materiału, a z drugiej potencjalne zastosowanie na linii sortującej. W ostatnich latach rozwijają się intensywnie techniki wykorzystujące światło laserowe: spektroskopia fali odbitej analizowanej w funkcji czasu –TRS (time-resolved reflectance spectroscopy), rozpraszania wstecznego (light backscattering) i biospeckle, które zostaną w tej części pokrótce opisane. 3.2.1. Spektroskopia fali odbitej analizowanej w funkcji czasu – TRS Spektroskopia fali odbitej analizowanej w funkcji czasu (time resolved spectroscopy TRS) polega na oświetleniu badanego obiektu bardzo krótkim monochromatycznym impulsem i analizie kształtu oraz przesunięcia w czasie tego impulsu po przejściu przez badany materiał. W przypadku owoców, nadajnik (końcówka światłowodu) jest umieszczona do skórki, a odbiornik znajduje się odległości ok. 1 cm od nadajnika (rys. 16). Światło wchodzące do materiału biologicznego ulega biochemicznej absorpcji oraz fizycznemu rozpraszaniu wewnątrz materiału, co powoduje, że impuls wychodzący jest zmieniony w 18 stosunku do wchodzącego: ulega poszerzeniu (rys. 17). Uważa się, że w wyniku oddziaływań światła na poszczególnych elementach struktury tkanki metoda TRS dostarcza informacji o absorpcji i odbiciu z obszaru o charakterystycznym kształcie banana („banana shape”) (rys. 17). Na podstawie teorii dyfuzji w jednorodnym medium można opisać profil impulsu przedstawionego na rys. 17 według poniższego równania: gdzie: ρ jest odległością źródło-detektor (rys. 17), µa jest współczynnikiem absorpcji, ν jest prędkością propagacji światła w materiale, D=(3 µs’)-1 , z0=( µs’)-1 , zp=z0+2ze, ze jest ekstrapolowaną droga propagacji światła w materiale, µs’ jest współczynnikiem rozproszenia. Krzywa teoretyczna R(ρ,t) jest normalizowana do rozkładu uzyskanego eksperymentalnie i poprzez dopasowanie tych dwóch przebiegów (minimalizując funkcję Chi-kwadrat) można wyznaczyć interesujące nas wartości µa i µs’. Współczynnik absorpcji µa interpretuje się jako jako prawdopodobieństwo absorpcji fotonu na jednostkę długości. Natomiast µs prawdopodobieństwo rozproszenia fotonu na jednostkę długości i w przypadku anizotropowej propagacji światła zredukowany współczynnik rozproszenia µs’ = (1-g)µs , gdzie g jest parametrem anizotropii. Rys. 16. Schemat aparatury TRS (Torricielli i inni, 2008). Rys. 17. Typowy impuls w metodzie TRS (punkty czarne). Linia szara przedstawia impuls generowany przez urządzenie. Linia czarna ciągła przedstawia najlepiej dopasowaną funkcję dyfuzji (Torricielli i inni, 2008). 19 Współczynnik absorpcji wiąże się ze składem chemicznym próbki podczas gdy współczynnik rozpraszania powiązany jest ze strukturą tkanki i rozmieszczeniem powietrza i wody. Dlatego TRS zyskuje w ostatnim czasie coraz większe zastosowanie do charakterystyki owoców. Stosując źródła światła o różnej długości fali można uzyskać charakterystykę TRS podobną do widmowej (rys. 18), czyli przedstawić zależność współczynników absorpcji i rozpraszania od długości fali. Na korzyść tej metody przemawia fakt, że na pomiary nie maja wpływu kolor i inne cechy powierzchni, ponieważ badana jest objętość na głębokości ok. 1-2 cm. Ostatnie doświadczenia z zastosowaniem tej metody na owocach pokazują (Zerbini, 2006), że np. u gruszek możliwe jest wykrywanie zbrązowień wewnętrznych (wykorzystując µa przy 720 nm) i uszkodzeń mechanicznych (µs’ przy 720 nm), które nie są widoczne na zewnątrz. W jabłkach, współczynnik rozpraszania związany był ze składem pektyn i jędrnością owoców po przechowywaniu. U nektaryn, biorąc pod uwagę µa przy 670 nm, wybrano owoce bardzo aromatyczne i o słabym aromacie oraz przewidziano mięknięcie miąższu w temperaturze pokojowej. Analiza absorpcji przy długości fali około 670 nm, w pobliżu piku charakterystycznego dla chlorofilu, jest również przydatna do określania dojrzałości jabłek i gruszek. Rys. 18. Współczynnik absorpcji i rozpraszania przy różnych długościach fali dla owoców brzoskwini (Nikolai i inni, 2008) 3.2.2. Rozproszenie wsteczne (light backscattering) Od kilku lat rozwijana jest technika podobna do powyższej, wykorzystująca ciągłe monochromatyczne światło laserowe. Analizowany jest przestrzenny rozkład światła rozproszonego od obiektu (spektroskopia fali odbitej analizowanej w przestrzeni, ang. spatially-resolved spectroscopy). Często w literaturze używa się pojęcia rozpraszania wstecznego (light backscattering). W metodzie tej wąska wiązka laserowa pada na badany obiekt tworząc charakterystyczny dla danego materiału obszar rozpraszania (rys. 19a i b). Rys. 19. a) Schemat rozpraszania wstecznego wiązki światła laserowego w metodzie light backscattering (Lu, 2008), b) widok z góry rozproszenia promienia laserowego na jabłku 20 Stosuje się dwa sposoby analizy tego rozpraszania. W pierwszym wzdłuż promienia r umieszcza się spektrometry uzyskując w ten sposób widma spektralne w zależności od odległości od miejsca padania wiązki lasera. Jest to metoda zbliżona do analizy hiperspektralnej - zamiast kilku detektorów możliwe jest użycie kamery hiperspektralnej. W drugim sposobie analizowana jest tylko średnica pierścienia rozpraszania. Drugi sposób, o wiele prostszy, wykorzystuje zazwyczaj kamery CCD, a do analizy powierzchni plamy stosowane są proste metody analizy obrazu z korektą uwzględniającą krzywiznę badanego obiektu. Wykazano między innymi, że wyznaczenie powierzchni rozproszenia jest wystarczające do pomiaru zawartości cukrów w jabłkach i ich jędrności (Qing i inni, 2007, 2008). 3.2.3. Biospeckle Jeżeli powierzchnia chropowatego obiektu zostanie oświetlona koherentnym (stałym w czasie i przestrzeni) światłem laserowym (rys. 20), w wyniku interferencji promieni odbitych, na płaszczyźnie obrazowania (kamera CCD lub klisza fotograficzna) powstanie pewien wzór jasnych i ciemnych punktów nazywany obrazem plamkowym (speckle pattern) (rys. 21). Gdy badany materiał jest przezroczysty dla światła laserowego, obraz plamek będzie wynikiem interferencji z powierzchni i z warstw wewnętrznych materiału. Jeżeli natomiast materiał wykazuje jakiekolwiek zmiany w czasie, zarówno na powierzchni jak wewnątrz, obraz plamkowy dodatkowo będzie się zmieniał w czasie. Na zarejestrowanym filmie (lub sekwencji kolejnych klatek) widoczny jest wówczas ruch plamek (www.mam.ipan.lublin.pl/innovations.html). W komórkach roślinnych następuje ciągły ruch organelli i cząstek wywołany z jednej strony ruchami Browna, a z drugiej cyklicznym ruchem cytoplazmy, a wraz z nią organelli komórkowych. Skutkiem tego ruchu jest zmiana w czasie i przestrzeni obrazu plamkowego. Charakterystyczne jest to, że dla materiałów biologicznych ruch plamek może być bardzo dynamiczny. Stąd zjawisko to, dla tych szczególnych materiałów, zostało określone jako biospeckle. Rys. 20. Schemat systemu do pomiaru metodą biospeckli (Zdunek i Cybulska, 2011). Podstawowymi elementami systemu do pomiaru biospeckli są: źródło światła laserowego, kamera CCD z oprogramowaniem do zapisu zdjęć oraz oprogramowanie do analizy obrazów, jak również pasywne elementy optyczne polepszające warunki pomiaru (rys. 20). W uproszczeniu, pomiar polega na oświetleniu badanego obiektu rozszerzoną wiązką laserową i zarejestrowaniu sekwencji klatek z danego obszaru ze stałym krokiem czasowym. Analizie poddawana jest zmiana rozkładu odcieni szarości poszczególnych pikseli w czasie (na poszczególnych zdjęciach, podobnych do przykładu na rys. 21). 21 Rys. 21. Obraz plamkowy powierzchni tkanki jabłka. Obraz ten dla materiału biologicznego zmienia się bardzo dynamicznie w czasie www.mam.ipan.lublin.pl/innovations.html, a zjawisko to nosi nazwę biospeckli. Istnieje kilka sposobów wyznaczania aktywności biospeckli. Jednym z najprostszych jest wyznaczenie współczynnika korelacji C między macierzami pierwszej klatki i kolejnych. Uzyskana dekorelacja obrazu ma postać jak na rys. 22. Widoczne jest, że dla różnych materiałów o różnej jakości związanej z przechowywaniem zmiana wartość C jest różna. Stąd można przyjąć, że wartość ∆C=1-C jest miarą aktywności biospeckli, która może być użyta do oceny stanu badanego materiału. W przypadku pokazanym na rys. 22 jabłka świeże (1 day) wykazywały największą aktywność, która malała wraz z przechowywaniem w warunkach shelf life. Rys. 22. Dekorelacja obrazów biospeckli dla jabłek przechowywanych w warunkach shlelf life (Zdunek i inni, 2007). Stabilny w czasie obraz speckli, np. dla płytki metalowej, daje stałą w czasie wartość C=1. Biospeckle są zjawiskiem wykorzystywanym w badaniach obiektów biologicznych od około 15 lat (Xu i inni 1995), a obecnie obserwuje się zwiększenie zainteresowania tym zjawiskiem dzięki rozwojowi cyfrowych metod rejestracji obrazów. Zjawisko biospeckli jest wykorzystywane w wielu dziedzinach, w tym do określenia stanu owoców i warzyw. Jedną z pierwszych prac w tym zakresie opublikowali Xu i inni, którzy wykazali przydatność metody do badań stanu różnych owoców i warzyw (Xu i inni 1995). Do podobnych wniosków doszli Zhao i inni (1997). W obu pracach przyjęto hipotezę, że ruch plamek jest spowodowany 22 mobilnością cząstek, w tym organelli w komórkach. Na przykład uwodnienie, zmieniając mobilność cząstek, wpływa na dynamikę zmian obrazów plamkowych. Stwierdzono również, że ze względu na przezroczystość tkanki dla promieni świetlnych w przypadku owoców i warzyw, informacja jaką niosą obrazy plamkowe charakteryzuje również obszary pod skórką. W związku z powyższym biospeckle nadają się do wczesnego wykrywania ciemnienia miąższu wynikającego z uszkodzeń mechanicznych (Pajuelo i inni, 2003). Również zmiany tkanki wynikające z chorób grzybowych mogą być wykrywane przy pomocy biospeckli (Braga i inni 2005). Wykazano poza tym możliwość monitorowania żywotności nasion w celu określenia ich zdolności do kiełkowania przy pomocy omawianej metody (Braga i inni 2003). Jednym z ważniejszych zastosowań metody biospeckli jest niedestrukcyjne monitorowanie zmian cech owoców i warzyw po zbiorze, podczas przechowywania. Wykazano, że dynamika plamek maleje wraz z przechowywaniem jabłek (Zdunek i inni 2007b) (rys. 23a) oraz, że wyniki uzyskane przy pomocy tej metody korelują z wynikami destrukcyjnych testów jędrności (Zdunek i inni 2008) (rys. 23b). Natomiast Romero i inni (2009) wykazali, że przy pomocy biospeckli można określić kolejne fazy dojrzewania pomidora specyficzne dla poszczególnych genotypów. Zmiany dynamiki biospeckli owoców i warzyw podczas przechowywania wiążą się z utratą wody, a co za tym idzie ze zmniejszeniem mobilności cząstek i organelli wewnątrz komórek oraz z rozkładem chlorofilu, który zanikając podczas dojrzewania umożliwia głębszą penetrację światła laserowego (Romero i inni 2009). Ostatnio wykazano, ze aktywność biospeckli zależy od zawartości skrobi w jabłkach (Zdunek i Cybulska, 2011) co świadczy o tym, że metoda jest czuła na zawartość cząstek, które mogą być centrami rozpraszającymi światło laserowe. a) b) Rys. 23. a) Zmiany współczynnika aktywności biospeckli C w czasie przechowywania jabłek w warunkach shelf life, b) związek współczynnika aktywności biospeckli C z jędrnością jabłek (Zdunek i inni, 2007, 2007). 4. Podsumowanie Analiza stanu badan naukowych i prac rozwojowych na temat zastosowania metod spektralnych i analizy obrazu pokazuje przede wszystkim ogromy innowacyjny potencjał tych metod. Już dziś wiele z metod doczekało się komercyjnego zastosowania, jednak wiele jest jeszcze w fazie rozwojowej. Nie należy też zapominać o rozwoju wiedzy podstawowej o oddziaływaniu fal elektromagnetycznych z materiałem biologicznym. Podstawy biofizyczne są niezbędne do właściwiej interpretacji uzyskanych wyników i przyczyniają się to do przyspieszenia prac aplikacyjnych. Podstawową trudnością w stosowaniu omawianych metod jest słaba uniwersalność. Jednak wynika to przede wszystkim z charakteru badanych obiektów. Różnorodność biologiczna i różnorodność warunków zewnętrznych powoduje, że najczęściej opracowana metoda albo nie może być stosowana na innym materiale lub wymaga odrębnej kalibracji. Drugim problemem jest duża ilość informacji jakie niosą ze sobą metody spektroskopowe i analiza obrazu. Duża liczba zmiennych wymaga stosowania wielowymiarowych metod analizy i klasyfikacji. Te metody statystyczne są jeszcze ciągle rzadko stosowane, poza tym 23 interpretacja wyników jest często trudno zrozumiała dla „zwykłego” użytkownika. Należy jednak podkreślić, że wielowymiarowa kalibracja lub klasyfikacja przynosi zazwyczaj bardzo pozytywne rezultaty. Metody oparte na analizie oddziaływania światła z próbką są metodami niedestrukcyjnymi. Ich stosowanie ma nie tylko znaczenie praktyczne w produkcji rolniczej, ogrodniczej i przetwórstwie (obniżenie strat związanych w próba), ale również naukowe. Niedestrukcyjna metod umożliwia użycie próbki do innych oznaczeń. Jest to niezwykle cenna cecha zwarzywszy, że mamy do czynienia z materiałem biologicznym, zmiennym w czasie i niejednorodnym. Dlatego to metody niedestrukcyjne będą się rozwijać najintensywniej w najbliższej przyszłości. Trzy nowe metody zaprezentowane w tym opracowaniu są tego najlepszym przykładem. 5. Literatura Braga R.A., Dal Fabbro I.M., Borem F.M., Rabelo G., Arizaga R., Rabal H.J., Trivi M. 2003. Assessment of Seed Viability by Laser Speckle Techniques. Biosystems Engineering, 86, 3, 287-294. Braga R.A., Rabelo G.F., Granato L.R., Santos E.F., Machado J.C., Arizaga R., Rabal H.J., Trivi M. 2005. Detection of fungi in beans by the laser biospeckle technique. Biosystems Engineering, 91, 4, 465-469. Burks, T.F., Shearer, S.A., Green, J.D., Heath, J.R., 2002. Influence of weed maturity levels on species classification using machine vision. Weed Sci. 50, 802–811. Burks, T.F., Shearer, S.A., Heath, J.R., Donohue, K.D., 2005. Evaluation of neuralnetwork classifiers for weed species discrimination. Biosyst. Eng. 91, 293–304. Devaux M-F., Barakat A., Robert P., Bouchet B., Guillon F., Navez B., and Lahaye M., 2005. Mechanical breakdown and cell wall structure of mealy tomato pericarp tissue. Postharvest Biol. Tec., 37(3), 209-221. Goel, P.K., Prasher, S.O., Landry, J.A., Patel, R.M., Viau, A., Miller, J.R., 2003. Estimation of crop biophysical parameters through airborne and field hyperspectral remote sensing. Trans. ASAE 46 (4), 1235–1246. Guillemin F., Devaux M.-F, Guillon F., 2004. Evaluation of plant histology by automatic clustering based on individual cell morphological features. Image Analysis and Stereology, 23, 13-22. Hall F. G., Shimabukuro Y. E., Huemmrich K. F., 1995. Remote sensing of forest biophysical structure using mixture decomposition and geometric reflectance models. Ecological Applications, 5, 4, 993-1013. Han S., Zhang Q., Ni B., Reid J.F.vA guidance directrix approach to vision-based vehicle guidance systems Computers and Electronics in Agriculture 43 (2004) 179–195. Jarocińska, A. Zagajewski B. 2008. Korelacje naziemnych i lotniczych teledetekcyjnych wskaźników roślinności dla zlewni Bystrzanki. Teledetekcja Środowiska, 40, 100-124. Jensen J. R., 1983. Biophysical Remote sensing – Review Article. Annals of the Associations of American Geographers, 73, 1, 111-132. Koller, M., Upadhyaya, S.K., 2005a. Prediction of processing tomato yield using a crop growth model and remotely sensed aerial images. Trans. ASABE 48 (6), 2335–2341. Koller, M., Upadhyaya, S.K., 2005b. Relationship between modified normalized difference vegetation index and leaf area index for processing tomatoes. Appl. Eng. Agric. 21 (5), 927–933. Konstankiewicz K., Zdunek A., 2005. Micro-structure analysis of plant tissue. Centre of Excellence AGROPHYSICS, Lublin 2005. Lee W.S., Alchanatis V., Yang C., Hirafuji M., Moshoue D., Lif C. 2010. Sensing technologies for precision specialty crop production. Computers and Electronics in Agriculture 74 (2010) 2–33. Lee, W.S., David, C., Slaughter, D.K., Giles, 1999. Robotic weed control system for tomatoes. Precision Agric. 1 (1), 95–113. 24 Lu R., 2008. Computer Vision Technology for Food Quality Evaluation, Elsevier Inc. ISBN: 978-0-12-373642-0. Nicola¨ı B.M., Verlinden B.E., Desmet M., Saevels S., Saeys W., Theron K., Cubeddub R., Pifferi A., Torricelli A., 2008. Time-resolved and continuous wave NIR reflectance spectroscopy to predict soluble solids content and firmness of pear. Postharvest Biology and Technology 47, 68–74. Pajuelo M., Baldwin G., Rabal H., Cap N., Arizaga R., Trivi M. 2003. Bio-speckle assessment of bruising in fruits. Optics and Laser Engineering, 40, 13-24. Qing Z., Ji B., Zude M., 2007. Predicting soluble solid content and firmness in apple fruit by means of laser light backscattering image analysis. Journal of Food Engineering 82, 58–67. Qing z., Ji B., Zude M.,2008. Non-destructive analyses of apple quality parameters by means of laser-induced light backscattering imaging. Postharvest Biology and Technology 48, 215–222. Romero G.G., Martinez C.C., Alanis E.E., Salazar G.A., Broglia V.G., Alvarez L. 2009. Biospeckle activity applied to the assessment of tomato. Biosystems Engineering, 103, 116-119. Rudnicki Z., 2002. Wybrane metody przetwarzania i analizy cech obrazów tekturowych. Informatyka w Technologii Materiałów, Nr 1, Tom 2, s. 1-18. Safren, O., Alchanatis, V., Ostrovsky, V., Levi, O., 2007. Detection of green apples in hyperspectral images of apple-tree foliage using machine vision. Trans. ASABE 50, 2303–2313. Tillett, N.D., Hague, T., Grundy, A.C., Dedousis, A.P., 2008. Mechanical within-row weed control for transplanted crops using computer vision. Biosyst. Eng. 99, 171–178. Torres-Sospedra J., Nebot P , 2011. A New Approach to Visual-Based Sensory System for Navigation into Orange Groves Sensors 2011, 11(4), 4086-4103; doi: 10.3390/s110404086. Torricelli A., Spinelli L., Contini D., Vanoli M., Rizzolo A., Zerbini P.E. 2008. Time-resolved reflectance spectroscopy for non-destructive assessment of food quality, Sens. & Instrumen. Food Qual. 2:82–89. Tuchin V.V., 1993. Laser and Fiber Optics in Biomedicine. Laser Physics, 3(4). van der Weide, R.Y., Bleeker, P.O., Achten, V., Lotz, L.A.P., Fogelberg, F., Melander, B., 2008. Innovation in mechanical weed control in crop rows. Weed Res. 48, 215–224. Van Evert, F.K., Van Der Heijden, G., Lotz, L.A.P., Polder, G., Lamaker, A., De Jong, A., Kuyper, M.C., Groendijk, E.J.K., Neeteson, J.J., Van der Zalm, T., 2006. A mobile field robot with vision-based detection of volunteer potato plants in a corn crop. Weed Technol. 20, 853–861. Vernon D., Machine Vision, Automated Visual Inspection and Robot Vision, Cambridge 1991, Wydawnictwo Prentice Hall International. Wojnar L., Kurzydłowski K.J., Szala J. 2002. Praktyka analizy obrazu, PTS, Kraków. Wojnar L., Majorek M., 1994. Komputerowa analiza obrazu. Fotobit-Design. Xu Z., Joenathan C., Khorana B. M. 1995. Temporal and spatial properties of the timevarying speckles of bbotanical specimens. Optical Engineering, 34, 5, 1487-1501. Ye, X., Sakai, K., Asada, S., Sasao, A., 2008. Inter-relationships between canopy features and fruit yield in citrus as detected by airborne multispectral imagery. Trans. ASABE 51 (2), 739–751. Zdunek, A., Cybulska, J. 2011. Relation of Biospeckle Activity with Quality Attributes of Apples. Sensors, 11, 6317-6327. Zdunek A., Frankevych L., Konstankiewicz K., Ranachowski Z., 2008. Comparison of puncture test, acoustic emission and spatial-temporal speckle correlation technique as the methods for apple quality evaluation. Acta Agrophysica, 11(1), 303-315. Zdunek A., Konskyy R., Cybulska J., Konstankiewicz K., Umeda M., 2007a. Visual texture analysis for cell size measurements from confocal images. Int. Agrophysics 21, 409414. 25 Zdunek A., Muravsky L., Frankevych L., Konstankiewicz K., 2007b. New nondestructive method based on spatial-temporal speckle correlation technique for evaluation of apples quality during shelf-life. Int. Agrophysics. 21, 3. Zdunek A., Umeda M., (2005). Influence of cell size and cell wall volume fraction on failure properties of potato and carrot tissue Journal of Texture Studies, 36(1), 25–43. Zdunek A., Umeda M., 2006. Extension and Fracture of Cell Walls after Parenchyma Tissue Deformation. Biosystems Engineering. 93 (3), 269–278. Zdunek A., Umeda M., Konstankiewicz K., 2004. Method of parenchyma cells parameterization using fluorescence images obtained by confocal scanning laser microscope. EJPAU 7(1),#01. Zerbini P.E., 2006. Emerging technologies for nondestructive quality evaluation of fruit. Journal of Fruit and Ornamental Plant Research, Vol. 14, Suppl. 2, 14-23. Zhao Y., Wang J., Wu X., Williams F., Schmidt R.J. 1997. Point-wise and whole-field laser speckle intensity fluctuation measurements applied to botanical specimens. Optics and Lasers in Engineering, 28, 443-456. 6. Strony internetowe www.alliedvisiontec.com www.agronomyday.cropsci.illinois.edu www.imveurope.com www.foodtech.gatech.edu http://www.mam.ipan.lublin.pl/innovations.html Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego AGROINŻYNIERIA GOSPODARCE 26
