基于能量信息的毛豆豆莢螟高光譜圖像檢測(cè)

馬亞楠，黃 敏，，李艷華，張 慜，步培銀（.江南大學(xué)輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，江蘇無錫4；.食品科學(xué)與技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，江蘇無錫4；.無錫出入境檢驗(yàn)檢疫局，江蘇無錫40）

基于能量信息的毛豆豆莢螟高光譜圖像檢測(cè)

馬亞楠1，黃 敏1，2，李艷華3，張 慜2，步培銀3
（1.江南大學(xué)輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，江蘇無錫214122；2.食品科學(xué)與技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，江蘇無錫214122；3.無錫出入境檢驗(yàn)檢疫局，江蘇無錫214101）

為了尋求快速有效的毛豆內(nèi)部豆莢螟的檢測(cè)方法，將高光譜圖像技術(shù)應(yīng)用于毛豆內(nèi)部的豆莢螟無損檢測(cè)。以225個(gè)樣本為研究對(duì)象，首先采用平均灰度值的方法自動(dòng)獲取毛豆感興趣區(qū)域，然后提取400～1000nm波長(zhǎng)范圍內(nèi)共94個(gè)波段的能量信息作為特征參數(shù)，最后結(jié)合支持向量數(shù)據(jù)描述分類器建立豆莢螟的分類檢測(cè)模型。研究結(jié)果顯示，在自動(dòng)提取的感興趣區(qū)域驗(yàn)證集中，正常樣本的分類精度為100%，有蟲樣本分類精度為75%，驗(yàn)證集的總體分類精度為95.6%，可有效識(shí)別出含豆莢螟的毛豆樣本。

毛豆，感興趣區(qū)域，能量，支持向量數(shù)據(jù)描述

毛豆，又稱菜用大豆，因其營(yíng)養(yǎng)豐富，口感好、風(fēng)味清香，富含蛋白質(zhì)、脂肪、礦物質(zhì)、碳水化合物和多種維生素等人體必需的營(yíng)養(yǎng)成分深受世界各地人民的喜愛。隨著人們生活水平的提高，毛豆的安全成為消費(fèi)者和生產(chǎn)廠家頗為關(guān)心的指標(biāo)。豆莢螟是豆類主要害蟲之一，幼時(shí)就存于毛豆內(nèi)部咬食豆仁，被啃食后的毛豆失去了食用價(jià)值，因此各國(guó)對(duì)豆類產(chǎn)品的豆莢螟數(shù)目有嚴(yán)格要求。傳統(tǒng)的害蟲檢測(cè)方法包括染色體法、比重法等檢測(cè)方法，不僅破環(huán)了樣本而且費(fèi)時(shí)費(fèi)力。近些年來，越來越多的學(xué)者將無損檢測(cè)技術(shù)應(yīng)用到農(nóng)業(yè)害蟲領(lǐng)域，包括聲音法[1]、微波雷達(dá)法[2]、X-射線法[3]、機(jī)器視覺技術(shù)[4]、近紅外光譜分析技術(shù)[5]。其中聲音法和微波雷達(dá)方法需要害蟲能夠運(yùn)動(dòng)；機(jī)器視覺技術(shù)基于可見光光源，只能檢測(cè)農(nóng)作物表面的害蟲；近紅外光譜分析技術(shù)只能提供一個(gè)小區(qū)域的檢測(cè)。這些檢測(cè)技術(shù)很難實(shí)現(xiàn)豆莢螟的準(zhǔn)確檢測(cè)。

高光譜圖像技術(shù)是一種集成光譜技術(shù)和圖像技術(shù)的無損檢測(cè)新方法，相比于單一的機(jī)器視覺技術(shù)或光譜分析技術(shù)，該技術(shù)提供了被測(cè)對(duì)象外在形態(tài)學(xué)特征、內(nèi)部結(jié)構(gòu)特征和化學(xué)成分特征的所有信息，為其在農(nóng)產(chǎn)品的內(nèi)部品質(zhì)預(yù)測(cè)和內(nèi)部質(zhì)量識(shí)別等領(lǐng)域的應(yīng)用提供了保障[6-11]。本課題組[12]利用高光譜圖像技術(shù)結(jié)合圖像感興趣區(qū)域的多維統(tǒng)計(jì)特征對(duì)毛豆豆莢螟無損檢測(cè)技術(shù)進(jìn)行了初步研究，取得了較高的檢測(cè)精度。但是在該研究中，毛豆的感興趣區(qū)域采用人工手動(dòng)提取方式，存在著對(duì)人員依賴性強(qiáng)、耗時(shí)耗力，難于實(shí)時(shí)在線應(yīng)用的缺點(diǎn)；同時(shí)，原有研究中利用的圖像統(tǒng)計(jì)特征參數(shù)較多，增加了算法的復(fù)雜性。為了解決上述問題，本研究提出一種基于平均灰度值的感興趣區(qū)域自動(dòng)提取方法，獲取豆粒位置的有效區(qū)域，結(jié)合能量信息特征參數(shù)建立毛豆豆莢螟的分類檢測(cè)模型，可有效識(shí)別出含豆莢螟的毛豆樣本。

1 材料與方法

1.1 實(shí)驗(yàn)材料

實(shí)驗(yàn)所用的毛豆樣本 2011年7月采摘于浙江省慈溪市海通食品有限公司的毛豆種植基地，經(jīng)過分揀、清洗、漂燙后儲(chǔ)藏在-18℃的環(huán)境下，每次實(shí)驗(yàn)前在室溫為24℃的條件下放置大約4h，在其完全解凍后，依次對(duì)實(shí)驗(yàn)樣本進(jìn)行編號(hào)，標(biāo)記。

1.2 等級(jí)的劃分

實(shí)驗(yàn)中正常樣本定義為表面完好內(nèi)部無蟲，豆粒完好，此時(shí)樣本設(shè)定為等級(jí)1。有蟲樣本定義為外部沒有蟲眼但是內(nèi)部有蟲，或者內(nèi)部有蟲的排泄物，此時(shí)樣本設(shè)定為等級(jí)-1。正常樣本和有蟲樣本如圖1所示。

為了做比較，本實(shí)驗(yàn)和文獻(xiàn)[12]中采用同一批樣本。實(shí)驗(yàn)中利用Kennard-Stone算法選取217個(gè)正常樣本中的180個(gè)樣本為校正集，剩下的37個(gè)樣本和8個(gè)有蟲樣本構(gòu)成預(yù)測(cè)集。

圖1 正常樣本（a）和有蟲樣本（b）Fig.1 Normal sample（a）and insect-damaged sample（b）

1.3 高光譜透射圖像采集

實(shí)驗(yàn)中毛豆高光譜透射圖像數(shù)據(jù)是利用如圖2所示的高光譜成像系統(tǒng)所采集。本實(shí)驗(yàn)中所用儀器是美國(guó)Headwall公司提供的高光譜圖像采集處理裝置，整個(gè)系統(tǒng)由高光譜成像單元、透射光源和樣品輸送平臺(tái)三部分組成[15]。其中，高光譜成像單元由CCD攝像頭（pixelfly QE IC×285AL，Cooke，USA）、光譜儀（1003A-10140 HyperspcTM VNIR C-Series，Headwall Photonics Inc.，USA）、變焦鏡頭（10004A-21226 Lens，F(xiàn)/1.4 FL23mm，Standard Barrel，C-Mount.，USA）USA）和一個(gè)控制圖像采集的計(jì)算機(jī)組成。光譜儀的狹縫是25μm，有效光譜的范圍400～1000nm，光譜分辨率1.29nm，波段間隔為0.64nm/pixel空間分辨率0.15mm/pixel。透射光源為150W的直流鹵素?zé)簦?250K，Techniquip，USA），為了保證透射光強(qiáng)的均勻性，光源上方安裝了一個(gè)3″厚的由石英玻璃制成的擴(kuò)散片。樣本輸送單元包括一個(gè)水平機(jī)動(dòng)平臺(tái)和一個(gè)帶有厚為2mm、面積為100mm×100mm、透射率為92%的鈉鈣硅酸鹽玻璃（ROCOES Electro-Optics CO.，LTD. Taiwan）。

圖2 高光譜透射圖像采集系統(tǒng)結(jié)構(gòu)圖Fig.2 Schematic of the hyperspectral transmittance imaging system

實(shí)驗(yàn)中，在保證圖像不失真的情況下儀器參數(shù)設(shè)置曝光時(shí)間為180ms，縱向掃描長(zhǎng)度為30mm，步長(zhǎng)為60μm，光譜壓縮倍數(shù)（binning）為10，即實(shí)際圖像的波段間隔是6.4nm。實(shí)驗(yàn)時(shí)首先把樣本放到機(jī)動(dòng)平臺(tái)上，水平機(jī)動(dòng)平臺(tái)在初始位置開始移動(dòng)，同時(shí)獲得高光譜圖像。在實(shí)驗(yàn)中，因?yàn)榇嬖诜植疾痪鶆虻墓庹諒?qiáng)度和暗電流的存在，會(huì)有較大的噪聲干擾，同時(shí)隨著實(shí)驗(yàn)時(shí)間的長(zhǎng)短，其會(huì)存在一定的變化，故每采集10次樣本圖像進(jìn)行一次玻璃圖像和全黑圖像標(biāo)定，以減弱噪聲的影響。每采完一個(gè)樣本圖像后，用手剝開毛豆，檢測(cè)是否有豆莢螟，并作記錄。

1.4 數(shù)據(jù)分析

1.4.1 高光譜圖像數(shù)據(jù)預(yù)處理 毛豆高光譜圖像通過式（1）獲得校正后的相對(duì)透射圖像：

其中，TA、TG、TD分別是豆莢的透射圖像、玻璃圖像和CCD檢測(cè)器的暗電流圖像，TR為校正后的相對(duì)透射圖像。后期所有豆莢螟蟲檢測(cè)分析都是基于校正后的相對(duì)透射圖像TR進(jìn)行。

1.4.2 感興趣區(qū)域的提取 毛豆含蟲部位的區(qū)域提取是豆莢螟檢測(cè)的關(guān)鍵因素，考慮到豆莢螟幼蟲時(shí)期主要啃食豆粒，所以提取豆粒為感興趣區(qū)域（Region of Interest，ROI）來研究組織結(jié)構(gòu)和化學(xué)成分的變化即可。文獻(xiàn)[12]中借助于ENVI V.4.3（Research System，Inc.，USA）軟件在豆粒位置手動(dòng)提取區(qū)域來作為ROI，因?yàn)榇藭r(shí)可以人為控制無需考慮毛豆的彎曲程度，所以選擇豆粒的最佳內(nèi)接方形區(qū)域來作為ROI，此區(qū)域大小為150pixel×150pixel。然后經(jīng)過一系列的格式轉(zhuǎn)換，最后提取區(qū)域特征參數(shù)。

手動(dòng)提取需要人為的來控制，對(duì)每個(gè)樣本的每個(gè)波段圖像都要進(jìn)行ROI提取，效率低，費(fèi)時(shí)費(fèi)力。所以ROI的自動(dòng)提取方法至關(guān)重要。

本文研究了基于平均灰度值的ROI自動(dòng)提取方法，效率高，省時(shí)省力。具體的提取方法步驟如下：

a.對(duì)所含豆粒個(gè)數(shù)不同的樣本分別做標(biāo)記。

b.對(duì)樣本的相對(duì)透射圖像進(jìn)行校正濾波等預(yù)處理。

c.計(jì)算每個(gè)樣本在每個(gè)波段下的橫坐標(biāo)上所有灰度的平均值。

d.利用前突變點(diǎn)差值運(yùn)算以及后突變點(diǎn)差值運(yùn)算的方法來確定每個(gè)豆粒在橫坐標(biāo)上的大概位置邊界（圖4中的波谷處），然后取兩個(gè)邊界的中心位置做豆?？v軸的中心坐標(biāo)。對(duì)每個(gè)豆粒都要進(jìn)行前突變點(diǎn)差值和后突變點(diǎn)差值運(yùn)算。

e.用毛豆輪廓的上下邊界之間的最大距離做整個(gè)毛豆的縱向?qū)挾?，以?）中求得的x軸坐標(biāo)為中心點(diǎn)，選擇大小為[x-60，x+60]的區(qū)域?yàn)闄M向?qū)挾?，然后?jì)算此區(qū)域上的平均灰度值，用此做豆粒的中心位置的橫坐標(biāo)。

f.以每個(gè)豆粒的中心坐標(biāo)為中心，向左向右向上向下各取四個(gè)值，也就是感興趣區(qū)域的左上頂點(diǎn)坐標(biāo)和右下頂點(diǎn)坐標(biāo)，最后以這兩點(diǎn)的坐標(biāo)為邊界選擇感興趣區(qū)域。因?yàn)榇藭r(shí)要考慮到毛豆的彎曲程度，如果選擇區(qū)域過大可能會(huì)提取到背景和輪廓，再者考慮到豆粒本身的形狀，此時(shí)選擇大小為120pixel× 100pixel的區(qū)域來作為豆粒的ROI，這樣既減少了數(shù)據(jù)的冗余性又加快了數(shù)據(jù)的計(jì)算速度。

圖3是含有兩豆粒的毛豆樣本在750nm波段下原始圖，圖4是樣本的平均灰度值曲線，從中可以看到橫向方向上豆粒的位置在整條曲線的波谷處，然后就可以提取到的豆粒上的感興趣區(qū)域。

1.4.3 圖像特征提取 考慮到毛豆物理結(jié)構(gòu)和化學(xué)成分會(huì)對(duì)光產(chǎn)生不同的現(xiàn)象，例如，吸收、反射、散射、透射等，使得不同波段下不同毛豆的高光譜圖像的光強(qiáng)不同，而且豆粒和含蟲部位的紋理粗細(xì)度存在很大的差異性。圖像的能量信息是度量圖像灰度分布均勻程度和紋理粗細(xì)度的良好指標(biāo)，因此本文利用不同波段下的圖像能量信息作為豆莢螟的識(shí)別特征。具體實(shí)現(xiàn)過程如下：

圖4 平均灰度值曲線Fig.4 The profile of mean gray

a.設(shè)波長(zhǎng)為λ的毛豆的高光譜透射圖像為f（λ，i，j），其中，λ=1，…，W，i=1，2，…I，j=1，2，…J。W為總波段數(shù)；I和J分別為圖像的寬度和高度。對(duì)f（λ，i，j）進(jìn)行自動(dòng)ROI提取，獲得p=1，2，…P（P為高光譜透射圖像中豆粒的個(gè)數(shù)）個(gè)ROI的區(qū)域圖像f（λ，m，n），此時(shí)的圖像f（λ，m，n）作為ROI是因?yàn)樗歉鶕?jù)灰度差異選擇出來的灰度值較小的區(qū)域，而豆粒位置的灰度值小于豆莢位置，把豆粒作為ROI來研究組織結(jié)構(gòu)和化學(xué)成分的變化，即研究此區(qū)域圖像的紋理特征差異即可；

b.按公式（2）計(jì)算每個(gè)波段下的第個(gè)ROI區(qū)域能量E（λ）：

其中，M和N分別為ROI區(qū)域圖像的寬度和高度，并且因?yàn)樘崛〉腞OI區(qū)域大小一樣，所以本實(shí)驗(yàn)中M=120和N=100。

1.4.4 SVDD基本原理 為了能有效的解決單分類的問題，Tax和Duin在SVM的基礎(chǔ)上提出了支持向量數(shù)據(jù)描述（support vector data description，SVDD）。它是通過核映射在高維空間建立涵蓋目標(biāo)樣本拒絕非目標(biāo)樣本的最小超球體的單類分類器。因?yàn)閷?shí)驗(yàn)中有蟲樣本較少，無蟲樣本較多，正常樣本和有蟲樣本數(shù)量上存在非平衡性，所以選擇SVDD算法來建立分類模型。該算法的主要原理可以描述為給定對(duì)象數(shù)據(jù)集X={xh，h=1，…ω}，尋找盡可能多的包含xh的球心a為半徑為R的最小超球體F（R，α）。為增加分類的魯棒性降低奇異樣本的影響，引入懲罰系數(shù)C和松弛變量ξi。超球面求解可定義為[13-15]：

其中，參數(shù)C為控制錯(cuò)分樣本的懲罰程度的常數(shù)。

首先將式（3）轉(zhuǎn)化為求解拉格朗日極值問題，求得最小值。然后引入高維映射函數(shù)將數(shù)據(jù)映射到高維空間，并引入核函數(shù)K，計(jì)算最小超球體的半徑R。最后判別新測(cè)試的樣本y與超球體的距離是否小于R，如果小于，則測(cè)試樣本與樣本數(shù)據(jù)集X同類，否則拒絕識(shí)別。其中核函數(shù)采用徑向基函數(shù)如公式（4）所示：

K（xh，y）=exp（-‖xh-y‖2/s2） 式（4）

其中s為控制邊界緊密程度的自由參數(shù)。

參數(shù)C和s的選擇對(duì)SVDD建模分類精度非常重要。實(shí)驗(yàn)用網(wǎng)格選優(yōu)法自動(dòng)選擇參數(shù)。參數(shù)C取值在0.1和1之間，步長(zhǎng)設(shè)置為0.1，s取值位于0.01和10之間，步長(zhǎng)設(shè)置為0.01。結(jié)合留一交叉驗(yàn)證方法，根據(jù)錯(cuò)誤分類率選擇的最優(yōu)參數(shù)值為C=0.2，s=0.01。

2 結(jié)果與討論

2.1 能量特征提取結(jié)果

圖5是4個(gè)正常樣本和4個(gè)有蟲樣本能量特征曲線。由于受光源功率及量子效率等綜合因素的影響，采集的光譜圖像的光譜數(shù)據(jù)噪音較大[16]，所以能量特征曲線在小于500nm波段下波動(dòng)較大。在700nm后，由于毛豆內(nèi)部的化學(xué)成分對(duì)光的透射和吸收作用增強(qiáng)，有蟲樣本和正常樣本曲線會(huì)有較大的差別。因?yàn)楸幌x啃食過的豆粒，其內(nèi)部的化學(xué)成分和紋理發(fā)生了變化，呈現(xiàn)不規(guī)則性。而正常樣本的化學(xué)成分和紋理比較均一，所以有蟲樣本的能量值小于正常樣本，這也與當(dāng)樣本能量特征矩陣中全部數(shù)值相差較大時(shí)紋理粗能量大、數(shù)值相差較小時(shí)紋理細(xì)能量小相符合。

圖5 四個(gè)正常樣本和四個(gè)有蟲樣本能量特征曲線Fig.5 The profile of power values for four normal samples and four insect-damaged samples

2.2 手動(dòng)提取ROI分類結(jié)果比較

在手動(dòng)方法中，用文獻(xiàn)[12]一樣的方法來提取大小為150pixel×150pixel的方形區(qū)域作為ROI。與文獻(xiàn)[12]的統(tǒng)計(jì)特征預(yù)測(cè)集分類精度相比較見表1所示。基于能量特征參數(shù)的分類中，正常和有蟲樣本分類精度同為100%，總精度為100%。而文獻(xiàn)[12]中四統(tǒng)計(jì)特征（最大，最小，平均，方差）分類精度中，正常樣本分類精度為97.3%，有蟲樣本分類精度為87.5%，總精度為95.6%?；谀芰刻卣鲄?shù)分類精度都好于四特征的分類精度。

表1 手動(dòng)提取ROI統(tǒng)計(jì)特征的預(yù)測(cè)集分類結(jié)果比較Table 1 Comparative analysis of prediction set of extracting manually characteristic parameters of ROI

2.3 自動(dòng)提取ROI分類結(jié)果比較

基于灰度平均值自動(dòng)提取ROI的統(tǒng)計(jì)特征預(yù)測(cè)集分類精度如表2所示，基于能量特征的正常樣本分類精度100%，有蟲樣本分類精度為75%，總精度為95.6%，為了便于比較，表2也給出了本文的自動(dòng)提取ROI方法并結(jié)合最大、最小、平均、方差四種統(tǒng)計(jì)特征的分類精度，正常樣本分類精度100%，有蟲樣本分類精度為62.5%，總精度為93.3%。盡管從總體分類精度來說區(qū)別不大，但是對(duì)有蟲樣本的分類正確率，基于能量特征的分類精度要大大高于基于4參數(shù)統(tǒng)計(jì)特征的分類精度?？赡艿脑蛟谟谶^多的統(tǒng)計(jì)參數(shù)，導(dǎo)致SVDD在構(gòu)建分類超平面時(shí)的過擬合，并最終產(chǎn)生對(duì)未知含蟲樣本的分類錯(cuò)誤。實(shí)驗(yàn)結(jié)果表明基于平均灰度值自動(dòng)提取ROI的方法是有效的，而且為樣本大批量處理和在線處理提供了很好的方法。

表2 自動(dòng)提取ROI統(tǒng)計(jì)特征的預(yù)測(cè)集分類結(jié)果比較Table 2 Comparative analysis of prediction set of extracting auto characteristic parameters of ROI

3 討論

基于平均灰度值的自動(dòng)提取ROI方法中的能量特征參數(shù)分類精度低于手動(dòng)提取ROI中能量特征參數(shù)的分類精度，這是因?yàn)槭謩?dòng)提取過程中，ROI區(qū)域的位置可以人為控制。而自動(dòng)提取ROI過程中，ROI的提取受到一些客觀因素的影響，例如如果毛豆彎曲程度特別大或者毛豆位置放置太過傾斜的話，ROI提取過程中就會(huì)提取到背景或者豆莢，或者ROI提取的豆粒不完整，所以自動(dòng)提取ROI的方法還需進(jìn)一步的研究。

盡管自動(dòng)提取ROI的方法，在分類精度上要低于人工手動(dòng)提取，但是自動(dòng)提取方法可較好克服對(duì)人員的依賴性，效率更高，便于在線運(yùn)用。就特征提取方法來說，本文提出的能量特征方法，由于采用了較少的分類特征參數(shù)，減少了SVDD分類超平面過擬合的風(fēng)險(xiǎn)，因此無論是結(jié)合自動(dòng)提取感興趣區(qū)域，還是手動(dòng)提取感興趣區(qū)域，其分類精度都要高于文獻(xiàn)[12]報(bào)道的四特征參數(shù)方法。

由于本次實(shí)驗(yàn)樣本來自于2011年7月浙江省慈溪市海通食品有限公司的毛豆種植基地，公司已經(jīng)過分揀、挑選、清洗和漂燙等處理，所以有蟲樣本較少，為了增加模型的可靠性，在后續(xù)研究中也需要提高有蟲害樣本的數(shù)目來進(jìn)行更加有效的驗(yàn)證。

4 結(jié)論

本文利用高光譜圖像技術(shù)既能反映圖像信息又能反映光譜信息的特點(diǎn)，應(yīng)用于毛豆內(nèi)部豆莢螟的無損檢測(cè)。結(jié)果表明：灰度平均值自動(dòng)提取方法可以有效提取豆莢的ROI，而且省時(shí)省力，效率高，這對(duì)于實(shí)現(xiàn)樣本的大批量處理和在線應(yīng)用提供了很好的方法。利用圖像能量信息作為樣本的識(shí)別特征，在一定程度上簡(jiǎn)化了特征提取的復(fù)雜性。采用能量特征結(jié)合SVDD分類算法，正常樣本分類精度為100%，有蟲含本分類精度為75%，總精度達(dá)到了95.6%，說明利用高光譜圖像技術(shù)對(duì)毛豆內(nèi)部的豆莢螟進(jìn)行無損檢測(cè)是可行的。

[1]Hagstrum D W，Vick K W，Webb J C.Acoustical monitoring of Rhyzopertha dominica（Coleoptera：Bostrichidae）populations in stored wheat[J].Journal of Economic Entomology，1990，83（2）：625-628.

[2]Mankin R W.Microwave radar detection of stored-product insects[J].Journal of Economic Entomology，2004，97（3）：1168-1173.

[3]Melvin S，Kanunakaran C，Javas D S，et al.Design and development of a grain kernel singulation device[J].Canadian Biosystems Engineering，2003，45（3）：1-3.

[4]張紅濤，毛罕平，邱道尹.儲(chǔ)糧害蟲圖像識(shí)別中的特征提取[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25（2）：126-130.

[5]陳浩梁，李金甫，邱國(guó)強(qiáng)，等.植物害蟲檢疫中的近紅外光譜檢測(cè)技術(shù)[J].植物檢疫，2008，22（4）：256-259.

[6]周竹，李小昱，陶海龍，等.基于高光譜成像技術(shù)的馬鈴薯外部缺陷檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（21）：221-228.

[7]薛龍，黎靜，劉木華.基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測(cè)實(shí)驗(yàn)研究[J].光學(xué)學(xué)報(bào)，2008，28（12）：2277-2280.

[8]李江波，饒秀勤，應(yīng)義斌，等.基于高光譜成像技術(shù)檢測(cè)臍橙潰瘍[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26（8）：222-228.

[9]馬本學(xué)，應(yīng)義斌，饒秀勤，等.高光譜成像在水果內(nèi)部品質(zhì)無損檢測(cè)中的研究進(jìn)展[J].光譜學(xué)與光譜分析，2009，29（6）：1611-1615.

[10]趙杰文，劉劍華，陳全勝，等.利用高光譜圖像技術(shù)檢測(cè)水果輕微損傷[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（1）：106-109.

[11]朱啟兵，馮朝麗，黃敏，等.基于圖像熵信息的玉米種子純度高光譜圖像識(shí)別[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（23）：271-276.

[12]HUANG Min，WAN Xiang-mei，ZHANG Min，et al.Detection of insect-damaged vegetable soybeans using hyperspectral transmittance image[J].Journal of Engineering，2013，116（1）：45-49.

[13]朱啟兵，馮朝麗，黃敏，等.基于高光譜圖像技術(shù)和SVDD的玉米種子識(shí)別[J].光譜學(xué)與光譜分析，2013，33（2）：517-521.

[14]楊振章，方景龍.基于SVDD的分類新方法[J].機(jī)電工程，2009，26（11）：48-50，97.

[15]Sakla W，Chan A，Ji J，et al.An SVDD-based algorithm for target detection in hyperspectral imagery[J].IEEE Geoscience and Remote Sensing Letters，2011，8（2）：384-388.

[16]張紅濤，毛罕平，韓綠化.近紅外高光譜成像技術(shù)檢測(cè)糧倉米象活蟲[J].農(nóng)業(yè)工程學(xué)報(bào)，2012，28（8）：263-268.

Detection of insect-damaged edamame based on image power using hyperspectral imaging technique

MA Ya-nan1，HUANG Min1，2，LI Yan-hua3，ZHANG Min2，BU Pei-yin3
（1.Key Laboratory of Advanced Process Control for Light Industry，Ministry of Education，Jiangnan University，Wuxi 214122，China；2.State Key Laboratory of Food Science and Technology，Jiangnan University，Wuxi 214122，China；3.Wuxi Entry-exit Inspection and Quarantine Bureau，Wuxi 214101，China）

In order to seek a quick and efficient detection method of edamame，hyperspectral imaging technique was applied to the nondestructive detection of insect-damaged edamame in this study.It was well known that the ROI of the vegetable soybean pods is the position of the beans，A ROI selection approach based on the mean gray values in the horizontal coordinate and vertical coordinate was proposed.In this experiment，hyperspectral transmission images were acquired from normal and insect-damaged vegetable soybeans（225 beans），These beans were used as the research samples.First，a region of interest（ROI）of edamame was extracted automatically using the mean gray value method from hyperspectral images.Then，the image power of ROI was extracted as classification feature，which the spectral region covered 400～1000nm and contained 94 wavelengths.At last，support vector data description（SVDD）was used to develop the classification models for the insect-damaged edamame.In the validation set，the results indicated the automatic extracting ROI method based on the mean gray value achieved 100%accuracy for the normal samples，75%accuracy for the insect-damaged samples，and 95.6%overall classification accuracy，which could discriminate insectdamaged edamame.

edamame；a region of interest；power；support vector data description

TS207.3

A

1002-0306（2014）14-0059-05

10.13386/j.issn1002-0306.2014.14.003

2013－10－10

馬亞楠（1989-），女，碩士研究生，研究方向：基于高光譜圖像技術(shù)的無損檢測(cè)。

國(guó)家自然科學(xué)基金項(xiàng)目（61271384，61275155）；國(guó)家質(zhì)檢總局科技計(jì)劃項(xiàng)目（2013KJ58）；江蘇省自然科學(xué)基金項(xiàng)目（BK2011148）；中國(guó)博士后基金項(xiàng)目（2011M500851）。