基于高光譜圖像技術(shù)的大豆品種無損鑒別

柴玉華，畢文佳，譚克竹，張春雷，劉春濤（東北農(nóng)業(yè)大學(xué)電氣與信息學(xué)院，哈爾濱　150030）

?

基于高光譜圖像技術(shù)的大豆品種無損鑒別

柴玉華，畢文佳，譚克竹，張春雷，劉春濤
（東北農(nóng)業(yè)大學(xué)電氣與信息學(xué)院，哈爾濱150030）

摘要：為解決傳統(tǒng)大豆品種檢測方法存在的效率低和精度差等問題，應(yīng)用高光譜圖像分析技術(shù)展開大豆品種甄別研究。采集10個(gè)品種（每品種100粒，共1 000粒）大豆樣本400.92～999.53 nm的高光譜反射圖像，分別進(jìn)行中值平滑、多元散射校正和數(shù)據(jù)標(biāo)準(zhǔn)歸一化預(yù)處理去噪，提取樣本圖像中心30×30 pixels感興趣區(qū)域的平均光譜曲線和標(biāo)準(zhǔn)差曲線。分別以樣本平均光譜值主成分得分、標(biāo)準(zhǔn)差光譜值主成分得分及兩者結(jié)合作為模型輸入，基于T-S模糊神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林思想組合分類器構(gòu)建鑒別模型。經(jīng)中值平滑的光譜平均值和標(biāo)準(zhǔn)差作輸入，結(jié)合隨機(jī)森林思想的組合分類模型鑒別效果最佳，訓(xùn)練集、測試集的平均鑒別率分別達(dá)99.6%和97.6%。結(jié)果表明，采用高光譜圖像技術(shù)可實(shí)現(xiàn)大豆品種高精度無損鑒別。

關(guān)鍵詞：大豆；高光譜圖像；品種甄別；T-S模糊神經(jīng)網(wǎng)絡(luò)；隨機(jī)森林思想組合分類器

柴玉華,畢文佳,譚克竹,等.基于高光譜圖像技術(shù)的大豆品種無損鑒別[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2016,47(3):86-93.

Chai Yuhua,Bi Wenjia,Tan Kezhu,et al.Nondestructive identification of soybean seed varieties based on hyperspectral image technology[J].Journal of Northeast Agricultural University,2016,47(3):86-93.(in Chinese with English abstract)

random forest classifier

不同種類大豆品質(zhì)良莠不齊，油量、蛋白含量、生長周期及抗病蟲害能力不同。我國大豆種類繁雜，混種混收現(xiàn)象嚴(yán)重[1-2]。近年來，高光譜圖像技術(shù)在農(nóng)產(chǎn)品檢測應(yīng)用上發(fā)展迅速，主要運(yùn)用在玉米、小麥、黑豆、油菜籽及西瓜籽等種類鑒別方面[3-7]。大豆種類間的活性成分含量不同能引起高光譜圖像的光譜特征改變[8]，譚克竹等提取高光譜特征波段，結(jié)合BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對大豆品種分類[9]。本文以高光譜數(shù)據(jù)作模型輸入量，利用TS模糊神經(jīng)網(wǎng)絡(luò)和基于隨機(jī)森林思想的組合分類模型方法無損鑒別10種大豆品種樣本，研究其可行性和準(zhǔn)確率。

1　試驗(yàn)概況

1.1材料

本試驗(yàn)選取東北農(nóng)業(yè)大學(xué)選育的10個(gè)典型品種大豆進(jìn)行品種甄別，分別為東農(nóng)61，東農(nóng)56，東農(nóng)54，東農(nóng)53，東農(nóng)52，東農(nóng)51，東農(nóng)47，東農(nóng)43，東農(nóng)42和東農(nóng)41，每品種精選100粒豆體勻稱，完整無損豆粒作試驗(yàn)樣本。試驗(yàn)樣本由東北農(nóng)業(yè)大學(xué)大豆研究所提供。

1.2儀器設(shè)備

高光譜采集系統(tǒng)硬件包括成像鏡頭CCD （1 392×1 024），成像光譜儀（HyperSpec VNIR），可調(diào)節(jié)高光譜升降臺，100 mm或250 mm運(yùn)動(dòng)距離精準(zhǔn)直流伺服線性控制器，照明寬度50 mm或200 mm可調(diào)節(jié)導(dǎo)光管作為線光源（根據(jù)試驗(yàn)需要運(yùn)動(dòng)距離選定100 mm，光源照明寬度選擇200 mm），計(jì)算機(jī)，標(biāo)準(zhǔn)反射白板和暗箱。Hyperspec軟件采集高光譜圖像。成像光譜儀光譜范圍為400.92～999.53 nm，共203個(gè)波段，光譜分辨率2～3 nm，圖像分辨率為1 024×1 024。

利用ENVI5.1（ITT Visual Information Solution，USA）開展高光譜圖像處理，采用Matlab2011b （The Math Works，USA）和IBM SPSS進(jìn)行數(shù)據(jù)分析。

1.3高光譜圖像采集

為提高試驗(yàn)數(shù)據(jù)的準(zhǔn)確性，分別將每個(gè)品種的100粒大豆樣本均勻平放在（20 cm×15 cm）黑色背景板上。結(jié)合以往圖像采集經(jīng)驗(yàn)以及多次反復(fù)調(diào)節(jié)高光譜系統(tǒng)參數(shù)，設(shè)置曝光時(shí)間為300 ms，鏡頭到白板距離為45 cm，步長100 mm，輸送裝置速度定為35 mm·s-1，確保高光譜圖像清晰。

圖1　采集系統(tǒng)實(shí)物Fig.1 Picture of acquisition system

在不同波段下，光譜圖像中包含大量由于系統(tǒng)光源強(qiáng)度分布不均勻造成的噪音及攝像頭中暗電流噪音。先對高光譜圖像黑白標(biāo)定[10]，采集標(biāo)定白板反射光譜及暗電流反射光譜，代入標(biāo)定方程中：R=Ri-Rd/Rw-Rd

式中，R-標(biāo)定后圖像，Ri-樣本圖像，Rd-全黑標(biāo)定圖像，Rw-全白標(biāo)定圖像。大豆樣本（東農(nóng)41）原始圖像見圖2。高光譜波長495.749 nm下大豆樣本（東農(nóng)41）相對圖像見圖3。

圖2　東農(nóng)41原始圖像Fig.2 Original image of Dongnong 41

2　結(jié)果與分析

2.1光譜數(shù)據(jù)預(yù)處理

為提高光譜信噪比，分別對10種大豆標(biāo)定后高光譜圖像進(jìn)行5×5中值濾波平滑、多元散射校正（MSC）和標(biāo)準(zhǔn)歸一化（SNV）處理。在每粒大豆樣本中心部位選取30 pixel×30 pixel區(qū)域，以其所有像素的光譜平均值作為該樣本平均光譜，以其光譜標(biāo)準(zhǔn)差值作為該樣本標(biāo)準(zhǔn)差光譜。東農(nóng)42大豆100粒樣本反射平均值光譜和反射標(biāo)準(zhǔn)差光譜如圖4、5所示。

5×5中值濾波平滑是通過用某點(diǎn)的前后5點(diǎn)值擬合出該點(diǎn)值，使數(shù)據(jù)平滑，減弱試驗(yàn)過程中疊加在原始光譜數(shù)據(jù)上的眾多隨機(jī)誤差，如基線漂移等[11]。多元散射校正可較好削弱樣品大小及水分等造成的散射影響；因該算法假設(shè)光譜波長變化不影響散射，對樣品間性質(zhì)差別較小的區(qū)分處理作用明顯[12]。數(shù)據(jù)標(biāo)準(zhǔn)歸一化使樣本數(shù)據(jù)向量方差為單位1，可減少冗余信息，化繁為簡，使樣本間不同突顯化[13]。

圖3　東農(nóng)41在高光譜495.749 nm波長下相對圖像Fig.3 Corrected image of Dongnong41 for 495.749 nm wavelength

圖4　東農(nóng)42反射光譜均值圖像Fig.4 Average reflectance spectra of Dongnong42

2.2樣本的主成分定性分析

對于待測10種大豆品種樣本各100粒，根據(jù)Kennard-Stone算法按3?1比例分成訓(xùn)練集和測試集[14]。在光譜圖像中，沒有明顯的噪聲波段，訓(xùn)練集樣本在400.918～999.530 nm全光譜波長范圍內(nèi)進(jìn)行主成分分析，10類大豆樣本的反射光譜平均值降維得到前3個(gè)主成分的累計(jì)方差貢獻(xiàn)率均達(dá)到98%以上；反射光譜標(biāo)準(zhǔn)差值降維得到前3個(gè)主成分的累計(jì)方差貢獻(xiàn)率均達(dá)99%。反射光譜平均值結(jié)合反射光譜標(biāo)準(zhǔn)差值降維，得到前4個(gè)主成分累計(jì)方差貢獻(xiàn)率均達(dá)99%[15-16]。反射光譜平均值的前3個(gè)主成分PC1、PC2和PC3得分分布情況如圖6、7所示。反射光譜標(biāo)準(zhǔn)差的前三個(gè)主成分PC1、PC2和PC3得分分布情況如圖8、9所示。網(wǎng)絡(luò)模型輸入量維數(shù)過少，造成模型輸出結(jié)果準(zhǔn)確率較低。因此，分別在平均光譜和標(biāo)準(zhǔn)差光譜第一主成分系數(shù)中，選擇5個(gè)最大數(shù)值對應(yīng)的波段作為特征波段。試驗(yàn)以3組8維數(shù)據(jù)作為模型輸入信息，一組為大豆樣本平均光譜的3個(gè)主成分得分和5個(gè)特征波段上的光譜數(shù)據(jù)，一組為大豆樣本標(biāo)準(zhǔn)差光譜的3個(gè)主成分得分和5個(gè)特征波段上的光譜數(shù)據(jù)，另一組是大豆樣本平均光譜3個(gè)主成分得分、標(biāo)準(zhǔn)差光譜3個(gè)主成分以及各自1個(gè)特征波段光譜數(shù)據(jù)。

圖5　東農(nóng)42反射光譜標(biāo)準(zhǔn)差值圖像Fig.5 Standard deviation reflectance spectra of Dongnong42

圖6　反射光譜均值主成分PC1和PC2得分分布Fig.6 Scores scatter plot of PC1 and PC2

圖7　反射光譜均值主成分PC1和PC3得分分布Fig.7 Scores scatter plot of PC1 and PC3

圖8　反射光譜標(biāo)準(zhǔn)差值主成分PC1和PC2得分分布Fig.8 Scores scatter plot of PC1 and PC2

圖9　反射光譜標(biāo)準(zhǔn)差值主成分PC1和PC3得分分布Fig.9 Scores scatter plot of PC1 and PC3

2.3判別模型的建立和結(jié)果討論

2.3.1基于T-S模糊神經(jīng)網(wǎng)絡(luò)判別模型的建立

T-S模糊系統(tǒng)[17-18]自適應(yīng)能力強(qiáng)，能自動(dòng)更新，自行修正隸屬函數(shù)。遵從“if-then”規(guī)則如式（1）所示。

Aji是模糊集；yi是模糊系統(tǒng)輸出的模糊值；pji（j=1，2，…，k）是模糊系統(tǒng)參數(shù)。模糊系統(tǒng)是根據(jù)已知輸出，通過不斷更新改動(dòng)隸屬函數(shù)，調(diào)整隸屬度，獲得與之呈線性關(guān)系模糊輸入。當(dāng)給定輸入變量X=[x1，x2，…，xk]，運(yùn)用式（2）求取xj變量的隸屬度：

μ是指模糊隸屬度值；bji是指隸屬度函數(shù)寬度；cji是指隸屬度函數(shù)中心；其中模糊子集有n個(gè)，輸入?yún)?shù)有k個(gè)。運(yùn)用連乘模糊算子如式（3）所示對隸屬度計(jì)算：

最后算得模糊輸出如式（4）所示的yi：

T-S模糊神經(jīng)網(wǎng)絡(luò)模型輸入數(shù)據(jù)維數(shù)都為8，輸出維數(shù)均為1，設(shè)定隸屬度函數(shù)都為16個(gè)，網(wǎng)絡(luò)訓(xùn)練重復(fù)200次，網(wǎng)絡(luò)結(jié)構(gòu)均為8-16-1。經(jīng)過三種不同預(yù)處理為輸入量在該模型下的判別情況（見表1～3）。

2.3.2基于隨機(jī)森林思想組合分類判別模型建立

對于大豆樣本集，隨機(jī)森林思想[19-20]是基于Bootstrap法重復(fù)隨機(jī)抽取樣本，構(gòu)成多個(gè)訓(xùn)練集S1，S2，...，Sk，再對應(yīng)生成決策樹C1，C2，...Ck。通過隨機(jī)選取部分分裂屬性集，再選取出其中最好的分裂方式分裂。最后，通過投票方式從這k個(gè)決策樹選出分類最多的（見表4～6）。

由于本試驗(yàn)是品種鑒別，類別數(shù)固定，所以建模過程中不斷調(diào)試隨機(jī)森林中決策樹個(gè)數(shù)，針對三種試驗(yàn)數(shù)據(jù)，本試驗(yàn)最終設(shè)定為100個(gè)、150個(gè)和100個(gè)，保證鑒別精度。試驗(yàn)共1 000組數(shù)據(jù)，訓(xùn)練集隨機(jī)選750組，其余為測試集。三種不同預(yù)處理的三種輸入量判別情況（見表4～6）。

2.3.3結(jié)果與討論

分別分析比較表1～3或表4～6，無論是以光譜平均值、光譜標(biāo)準(zhǔn)差值還是兩者結(jié)合，代入T-S模糊神經(jīng)網(wǎng)絡(luò)模型或是基于隨機(jī)森林思想的組合分類模型中均取得較為理想識別效果，訓(xùn)練集識別率94%，測試集識別率最低達(dá)84%。

同模型同輸入變量情況下，數(shù)據(jù)預(yù)處理方式不同對鑒別結(jié)果存在一定影響。三種預(yù)處理方式中，中值濾波平滑效果最適于本試驗(yàn)選定的模型輸入和構(gòu)建的模型種類，多元散射校正次之，鑒別效果可接受，基本強(qiáng)于數(shù)據(jù)標(biāo)準(zhǔn)歸一處理。但以光譜標(biāo)準(zhǔn)差作輸入隨機(jī)森林思想組合分類模型時(shí)，多元散射校正處理和歸一化處理對于鑒別效果影響不顯著，只是前者比后者在測試集鑒別效果上略高且表現(xiàn)穩(wěn)定。綜合比較，5×5中值濾波平滑效果最優(yōu)。

表1　反射光譜均值作模型輸入時(shí)判別結(jié)果Table 1 Discriminant results of average spectral as inputs

表2　反射光譜標(biāo)準(zhǔn)差值作模型輸入時(shí)判別結(jié)果Table 2 Discriminant results of standard deviation spectral as inputs

表3　反射光譜均值結(jié)合標(biāo)準(zhǔn)差值作模型輸入時(shí)判別結(jié)果Table 3 Discriminant results of average spectral and standard deviation spectral as inputs

表4　反射光譜均值作模型輸入時(shí)判別結(jié)果Table 4 Discriminant results of average spectral as inputs

同種模型同種數(shù)據(jù)預(yù)處理方法情況下，以光譜平均值作為輸入變量要微高于以光譜標(biāo)準(zhǔn)差為輸入變量的識別率，兩者識別效果較穩(wěn)定，光譜平均值和標(biāo)準(zhǔn)差輸入結(jié)合后比單獨(dú)一方作為輸入變量時(shí)訓(xùn)練集和測試集識別率均高出2%，達(dá)到最高水平，模型鑒別結(jié)果最佳。當(dāng)相同預(yù)處理方法獲得的同種光譜反射數(shù)據(jù)作模型輸入時(shí)，兩種模型鑒別效果存在差異，表1、4，表2、5，表3、6相對對比，隨機(jī)森林組合分類模型的鑒別結(jié)果不低于基于T-S模糊神經(jīng)網(wǎng)絡(luò)模型，前者鑒別能力高于后者。兩種模型對試驗(yàn)樣本鑒別能力均較好，性能穩(wěn)健，操作簡易快捷。

表5　反射光譜準(zhǔn)差值作模型輸入時(shí)判別結(jié)果Table 5 Discriminant results of standard deviation spectral as inputs

表6　反射光譜均值結(jié)合標(biāo)準(zhǔn)差值作模型輸入時(shí)判別結(jié)果Table 6 Discriminant results of average spectral standard deviation spectral as inputs

3　結(jié)　論

本試驗(yàn)以高光譜平均值數(shù)據(jù)和高光譜標(biāo)準(zhǔn)差數(shù)據(jù)作為模型輸入，對比選用三種數(shù)據(jù)預(yù)處理方法，構(gòu)建兩種鑒別模型實(shí)現(xiàn)10種大豆種類鑒別，獲得良好結(jié)果。表明本試驗(yàn)提出預(yù)處理方法及鑒別模型適用于大豆品種甄別，較傳統(tǒng)鑒別方法更快速、準(zhǔn)確。分析對比鑒別結(jié)果發(fā)現(xiàn)，以經(jīng)過5×5中值濾波平滑處理后光譜平均值和標(biāo)準(zhǔn)差作為輸入變量，結(jié)合隨機(jī)森林思想的組合分類鑒別模型使大豆種類鑒別效果達(dá)到最佳，鑒別性能穩(wěn)定，操作簡易快捷。

[參考文獻(xiàn)]

[1]程浩,金杭霞,蓋鈞鎰,等.轉(zhuǎn)基因技術(shù)與大豆品質(zhì)改良[J].遺傳,2011(5):431-437.

[2]王恩慧.中國大豆消費(fèi)現(xiàn)狀與展望[J].農(nóng)業(yè)展望,2010,6(5):33-36.

[3]馮朝麗,朱啟兵,朱曉,等.基于光譜特征的玉米品種高光譜圖像識別[J].江南大學(xué)學(xué)報(bào):自科學(xué)版,2012,11(2):149-153.

[4]吳靜珠,吳勝男,劉翠玲,等.近紅外和高光譜技術(shù)用于小麥籽粒蛋白含量預(yù)測探索[J].傳感器與微系統(tǒng),2013,32(2):60-62.

[5]張初,劉飛,張海亮,等.近地高光譜成像技術(shù)對黑豆產(chǎn)品無損鑒別[J].光譜學(xué)與光譜分析,2014,34(3):746-750.

[6]鄒偉,方慧,劉飛,等.基于高光譜圖像技術(shù)的油菜籽品種鑒別方法研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2011,37(2):175-180.

[7]張初,劉飛,孔汶汶,等.利用近紅外高光譜圖像技術(shù)快速鑒別西瓜種子品種[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(20):270-277.

[8]譚克竹,柴玉華,宋偉先,等.基于高光譜圖像處理的大豆品種識別[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(5):235-242.

[9]賈仕強(qiáng),劉哲,李紹明.基于高光譜圖像技術(shù)的玉米雜交種純度鑒定方法探究[J].光譜學(xué)與光譜分析,2013,33(10):2847-2852.

[10]Tan K Z,Chai Y H,Song W X,et al.Identification of diseases for soybean seeds by computure vision applying Bpneural network[J].IJABE,2014,7(3):43-50.

[11]Barbin D F,ElMasry G,Sun D W,et al.Predicting quality and sensory attributes of pork using near- infrared hyperspectral imaging[J].Anal Chim Acta,2012,719:30-42.

[12]Bauriegel E,Giebel A,Geyer M,et al.Early detection of fusarium infection in wheat using hyper- spectral imaging[J].Computers and Electronics in Agriculture,2011,75(2):304-312.

[13]高海龍,李小昱,徐森淼,等.透射和反射高光譜成像的馬鈴薯損傷檢測比較研究[J].光譜學(xué)與光譜分析,2013,12(12):3366-3372.

[14]侯升飛,柴玉華,彭長祿.基于高光譜圖像技術(shù)的大豆分級識別方法的研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2014,45(4):1-6.

[15]赫敏,麻碩士,郝小冬.基于Zernike矩的馬鈴薯薯形檢測[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26(2):347-350.

[16]金蘋,朱粉霞,譚曉斌.基于主成分分析的茶葉預(yù)防肺癌藥效物質(zhì)研究[J].中藥材,2013,36(6):948-952.

[17]張宇,盧文喜,陳杜明,等.基于T-S模糊神經(jīng)網(wǎng)絡(luò)的地下水水質(zhì)評價(jià)[J].節(jié)水灌溉,2012(7):35-39.

[18]柯喻寅,謝鑌,吳卿.基于T-S模糊神經(jīng)網(wǎng)絡(luò)的汽車故障診斷的研究[J].杭州電子科技大學(xué)學(xué)報(bào),2012,4(2):41-45.

[19]過東峰,胡海洲,汪季濤,等.基于隨機(jī)森林的烤煙香型分類研究[J].中國農(nóng)學(xué)通報(bào),2015,6(6):241-247.

[20]鄢仁武,葉輕舟,周理.基于隨機(jī)森林的電力電子電路故障診斷技術(shù)[J].武漢大學(xué)學(xué)報(bào),2013,12(6):742-747.

Nondestructive identification of soybean seed varieties based on hyperspectral image technology

CHAI Yuhua,BI Wenjia,TAN Kezhu,ZHANG Chun lei,LIU Chuntao(School of Electrical and Information,Northeast Agricultural University,Northeast Agricultural University,Harbin 150030,China)

Abstract:In order to improve the efficiency and accuracy of identification,hyperspectral image technology was employed to determine the varieties of soybean seed.In this study,10 soybean seed varieties with 1 000 grains were selected as inspection samples.Hyperspectral reflectance data of soybean samples were collected in spectral region of wave length of 400.92-999.53 nm,followed by the image denoised by median smoothing,correction of multiplicative scatter and normalization to extract the regions of interesting average spectral curves and standard deviation curves.Scores of average spectral data from PCs,scores of standard deviation spectral data from PCs and both of them together were used as inputs respectively.The combined classification model was developed based on T-S fuzzy neural network or random forest classifier.Taken the combination of median smoothed average and standard deviation as inputs,the random forest model presented the highest identification with 99.6% in training and 97.6% in testing.Hyperspectral image technology is feasible for nondestructive identification of soybean seed varieties.

Key words:soybean seed; hyperspectral image; variety identification; T-S fuzzy neural network;

作者簡介：柴玉華（1965-2015），女，教授，博士生導(dǎo)師，研究方向?yàn)槟Ｊ阶R別與智能控制。E-mail:yhchai@163.com

基金項(xiàng)目：國家自然科學(xué)基金（31271911）；黑龍江省自然科學(xué)基金（ZD201303）

收稿日期：2015-08-04

中圖分類號：TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號：1005-9369（2016）03-0086-08