基于高光譜成像的馬鈴薯環(huán)腐病無(wú)損檢測(cè)

郭紅艷，劉貴珊,*，吳龍國(guó)，王松磊,，康寧波，陳亞斌，何建國(guó),，賀曉光（.寧夏大學(xué)農(nóng)學(xué)院，寧夏 銀川　7500；.寧夏大學(xué)土木水利工程學(xué)院，寧夏 銀川　7500）

?

基于高光譜成像的馬鈴薯環(huán)腐病無(wú)損檢測(cè)

郭紅艷1，劉貴珊1,*，吳龍國(guó)2，王松磊1,2，康寧波2，陳亞斌1，何建國(guó)1,2，賀曉光1
（1.寧夏大學(xué)農(nóng)學(xué)院，寧夏 銀川750021；2.寧夏大學(xué)土木水利工程學(xué)院，寧夏 銀川750021）

摘 要：為探討高光譜成像技術(shù)無(wú)損檢測(cè)馬鈴薯環(huán)腐病的可行性，采用反射高光譜（980～1 650 nm）成像技術(shù)，以120 個(gè)馬鈴薯樣本（合格60 個(gè)，環(huán)腐60 個(gè)）為研究對(duì)象，對(duì)比多元散射校正、標(biāo)準(zhǔn)正態(tài)變換、卷積＋一階導(dǎo)數(shù)等對(duì)建模的影響，優(yōu)選出多元散射校正的光譜預(yù)處理方法；然后基于偏最小二乘回歸系數(shù)法提取9 個(gè)特征波長(zhǎng)（993、1 005、1 009、1 031、1 112、1 162、1 165、1 225、1 636 nm），建立特征波長(zhǎng)下馬鈴薯環(huán)腐病的2 類線性判別分析（linear discriminant analysis，LDA）模型和4 類支持向量機(jī)（support vector machine，SVM）模型，即Fisher-LDA、馬氏距離-LDA、線性核SVM、徑向基核SVM、多項(xiàng)式核SVM和S型核SVM。結(jié)果表明，LDA模型中馬氏距離法最優(yōu)，SVM模型中S型核SVM最優(yōu)，LDA模型整體優(yōu)于SVM模型，最終確定基于馬氏距離LDA的馬鈴薯環(huán)腐病判別模型為最佳模型，校正集、驗(yàn)證集識(shí)別率分別為100%和93.33%。實(shí)驗(yàn)結(jié)果表明高光譜無(wú)損檢測(cè)馬鈴薯環(huán)腐病具有可行性。

關(guān)鍵詞：高光譜成像技術(shù)；馬鈴薯；環(huán)腐??；無(wú)損檢測(cè)

引文格式：

郭紅艷, 劉貴珊, 吳龍國(guó), 等. 基于高光譜成像的馬鈴薯環(huán)腐病無(wú)損檢測(cè)[J]. 食品科學(xué), 2016, 37(12): 203-207. DOI:10.7506/spkx1002-6630-201612036. http://www.spkx.net.cn

GUO Hongyan, LIU Guishan, WU Longguo, et al. Hyper-spectral imaging technology for nondestructive detection of potato ring rot[J]. Food Science, 2016, 37(12): 203-207. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201612036. http://www.spkx.net.cn

我國(guó)已成為世界上馬鈴薯生產(chǎn)和消費(fèi)的第一大國(guó)。2015年，第一代馬鈴薯饅頭在北京成功上市，馬鈴薯主食產(chǎn)業(yè)化的不斷推進(jìn)使馬鈴薯有望成為與三大主糧協(xié)調(diào)發(fā)展的第四大主糧，其產(chǎn)業(yè)發(fā)展前景良好，經(jīng)濟(jì)效益、營(yíng)養(yǎng)效益、生態(tài)效益、社會(huì)效益可觀，對(duì)保障國(guó)家糧食安全、加快農(nóng)業(yè)發(fā)展方式轉(zhuǎn)變具有重要支撐作用，馬鈴薯的產(chǎn)業(yè)發(fā)展也受到世界各國(guó)的高度關(guān)注[1]。

馬鈴薯環(huán)腐病是馬鈴薯生產(chǎn)上一種重要的細(xì)菌性病害，具有高度的傳染性，常造成馬鈴薯的爛種、死苗和死株，一般減產(chǎn)10%，嚴(yán)重者減產(chǎn)達(dá)60%以上[2]。目前的檢測(cè)方法為人工目測(cè)癥狀檢測(cè)或?qū)嶒?yàn)室生化檢測(cè)，或效率低，或操作復(fù)雜，因此對(duì)馬鈴薯環(huán)腐病進(jìn)行快速無(wú)損檢測(cè)進(jìn)行研究具有重要意義。

高光譜成像技術(shù)融合了傳統(tǒng)的數(shù)字成像技術(shù)和光譜分析技術(shù)，不僅可以獲取被測(cè)物的空間圖像信息，還能獲取每個(gè)像素的光譜信息[3]。在農(nóng)產(chǎn)品研究領(lǐng)域，高光譜可以進(jìn)行定性分析或定量檢測(cè)，目前國(guó)內(nèi)外學(xué)者的研究報(bào)道涵蓋了對(duì)尺寸、表面缺陷損傷、排泄物污染、農(nóng)藥殘留等外部指標(biāo)的分析，也包括對(duì)糖度、水分、固形物、硬度等內(nèi)部指標(biāo)的檢測(cè)。蘇文浩等[4]運(yùn)用高光譜成像技術(shù)檢測(cè)了馬鈴薯的機(jī)械損傷、孔洞、瘡痂、表面碰傷等問(wèn)題；周竹[5]、韓廣濤[6]等運(yùn)用高光譜成像技術(shù)研究了馬鈴薯黑心??；Polder等[7]運(yùn)用高光譜成像技判別分析了西紅柿的成熟度；Sun Dawen等[8]運(yùn)用高光譜反射成像技術(shù)檢測(cè)了鱸魚的新鮮度（6 d內(nèi)）；有研究[9-17]分別利用高光譜圖像技術(shù)檢測(cè)柑橘果銹、臍橙潰瘍、水果硬度、牛肉嫩度、茶葉質(zhì)量等級(jí)、柑橘果銹、咖啡豆品種及臍橙糖度。然而，目前利用高光譜成像技術(shù)檢測(cè)馬鈴薯環(huán)腐病的研究鮮見報(bào)道。

針對(duì)馬鈴薯環(huán)腐病的高光譜無(wú)損檢測(cè)研究尚少的現(xiàn)狀，利用近紅外高光譜成像系統(tǒng)（900～1 700 nm）采集馬鈴薯內(nèi)部環(huán)腐病與正常馬鈴薯的高光譜圖像，選擇感興趣區(qū)域，提取取平均光譜，優(yōu)化光譜預(yù)處理方法，采用偏最小二乘回歸系數(shù)（partial least squares regression，PLSR）法提取特征波長(zhǎng)，對(duì)比分析特征波長(zhǎng)下建立的線性判別分析（linear discriminant analysis，LDA）模型和支持向量機(jī)（support vector machine，SVM）模型，優(yōu)選模型，實(shí)現(xiàn)馬鈴薯內(nèi)部環(huán)腐病的無(wú)損檢測(cè)，以期為高光譜成像技術(shù)應(yīng)用于馬鈴薯品質(zhì)的在線分級(jí)分選提供參考。

1　材料與方法

1.1材料

實(shí)驗(yàn)所用馬鈴薯樣本為寧薯六號(hào)，產(chǎn)于寧夏吳忠市紅寺堡區(qū)。按馬鈴薯等級(jí)規(guī)格選取120 個(gè)馬鈴薯作為樣本，所有樣本購(gòu)回后做簡(jiǎn)單清理，室溫條件下放置24 h，使其自身溫度與室溫相同。切開得到60 個(gè)環(huán)腐馬鈴薯，其余60 個(gè)正常馬鈴薯作為對(duì)照組，如圖1所示。

圖1　各類馬鈴薯樣本Fig. 1　Different potato samples

1.2儀器與設(shè)備

N17E-NIR近紅外高光譜成像系統(tǒng)、4 個(gè)35 W的HSIA-LS-TDIF鹵鎢燈線光源、PSA200-11-X推掃式輸送裝置北京卓立漢光儀器有限公司；Imspector N17E近紅外成像光譜儀芬蘭奧盧光譜成像有限公司；Zelos-285GV系列CCD相機(jī)德國(guó)Kappa Opto-electronics GmbH公司；采集暗箱和高性能的計(jì)算機(jī)聯(lián)想集團(tuán)有限公司。

高光譜成像系統(tǒng)（圖2）可采集的波長(zhǎng)范圍為900～1 700 nm，光譜分辨率為5 nm，共有256 個(gè)波長(zhǎng)，像素為320×300。

圖2　高光譜成像系統(tǒng)Fig. 2　Hyper-spectral imaging system

1.3方法

1.3.1成像系統(tǒng)采集參數(shù)的確定

為避免環(huán)境光線和噪音的干擾，整個(gè)圖像的掃描過(guò)程在采集暗箱中進(jìn)行。預(yù)先根據(jù)光源的照度設(shè)定好攝像頭曝光時(shí)間，以保證圖像清晰；并調(diào)整好輸送裝置的速度，以避免圖像空間分辨率失真。采集圖像時(shí)，線陣探測(cè)器作垂直于光學(xué)焦平面的橫向移動(dòng)，從而獲取所掃描空間中每個(gè)像素在整個(gè)光譜區(qū)域的圖像信息；同時(shí)，樣本在輸送裝置的作用下作垂直于攝像機(jī)的縱向移動(dòng)，最終完成整個(gè)樣本圖像的采集。預(yù)實(shí)驗(yàn)進(jìn)行參數(shù)的調(diào)整和優(yōu)化，確定曝光時(shí)間為10 ms，圖像采集速率為13 mm/s，物距為2 cm。

采集樣本圖像前，為了減弱或消除CCD相機(jī)暗電流和光源不均勻亮度的產(chǎn)生的影響，需要進(jìn)行黑白校正[18]，校準(zhǔn)圖像（T）的計(jì)算如公式（1）所示：

式中：T0為樣本的原始漫反射高光譜圖像；Td為全黑圖像；Tw為白板圖像；T為校正后的漫反射高光譜圖像。

1.3.2高光譜圖像數(shù)據(jù)的采集

將黑色背景板置于載物臺(tái)上，每次取1 個(gè)馬鈴薯樣本規(guī)整放于該板上，采集樣本的高光譜圖像。為減少背景圖像中多余信息的影響，以馬鈴薯樣本的實(shí)際尺寸為參照，把各個(gè)樣本圖像的像素尺寸由320×300調(diào)整到200×160。然后，利用ENVI 4.6軟件選擇合適的感興趣區(qū)域，提取平均光譜值。

1.3.3數(shù)據(jù)處理方法

PLSR融合了多種多元統(tǒng)計(jì)數(shù)據(jù)分析方法的優(yōu)點(diǎn)，是一種新型的分析方法，有效地解決了變量相關(guān)度高的問(wèn)題，并且比較適用于處理變量多而樣本數(shù)少的問(wèn)題[19]。

SVM[20]通過(guò)引入核函數(shù)把基于內(nèi)積運(yùn)算的線性算法非線性化，即將樣本非線性映射到新的高維空間，在高維空間中進(jìn)行相應(yīng)的線性操作[21]。根據(jù)核函數(shù)類型可以分為：線性核函數(shù)（linear kernel，LK）、多項(xiàng)式核函數(shù)（ploynomial kernel，PK）、徑向基核函數(shù)（radial basis function，RBF）、S型核函數(shù)（sigmoid kernel，S）等[22]。

LDA通過(guò)特征提取把同類樣本聚集在一起，不同類樣本分開[23]。按照判別函數(shù)的判別準(zhǔn)則，LDA分為Fisher判別分析、距離判別分析、Bayes判別分析[24]等。經(jīng)典LDA使用的是Fisher LDA[25]，而馬氏距離是距離判別分析中常用的一種判別函數(shù)[25]。

實(shí)驗(yàn)中應(yīng)用到的數(shù)據(jù)軟件為ENVI 4.6（Research System Inc.，Boulder，Colo，USA）、MATLABR2011a （The Mathworks Inc.，Natick，MA，USA）以及Unscrambler X 10.2（CAMO Software AS，OSLO，Norway）。

1.3.4模型評(píng)價(jià)指標(biāo)

識(shí)別率是評(píng)價(jià)模型的指標(biāo)，正確識(shí)別率越高，表示該模型性能越好，識(shí)別馬鈴薯環(huán)腐病的能力越強(qiáng)。環(huán)腐病馬鈴薯的正確識(shí)別率的計(jì)算如公式（2）所示：

式中：a為環(huán)腐樣本的正確識(shí)別率/%；b為正確識(shí)別環(huán)腐樣本的數(shù)目；c為被識(shí)別樣本的總數(shù)目。

2　結(jié)果與分析

2.1光譜預(yù)處理

為了使樣本的光譜曲線更具代表性，分別計(jì)算120個(gè)馬鈴薯樣本表面10×10個(gè)像素點(diǎn)下的平均光譜值，作為相應(yīng)樣本的原始光譜。由于原始光譜數(shù)據(jù)受樣品表面不均勻性、形態(tài)多樣性、儀器噪音和暗電流等因素的影響，使光譜曲線產(chǎn)生不重復(fù)和基線漂移的現(xiàn)象，因此必須對(duì)原始光譜進(jìn)行預(yù)處理。本實(shí)驗(yàn)選用多元散射校正（multiplicative scatter correction，MSC）、標(biāo)準(zhǔn)正態(tài)變換（standard normal variate，SNV）、卷積＋一階導(dǎo)數(shù)（savitzky-golay＋first derivative，S-G＋FD）等預(yù)處理方法處理原始光譜，原始光譜和不同預(yù)處理方法的處理效果，如圖3所示。

圖3　原始光譜和預(yù)處理后的光譜曲線圖Fig. 3　Original and pretreated spectra

從圖3可以看出，980 nm以下和1 650 nm以上的波長(zhǎng)部分噪聲明顯，使該波長(zhǎng)的數(shù)據(jù)失去分析的價(jià)值。因此，選取980～1 650 nm的光譜區(qū)域進(jìn)行后續(xù)分析。

在980～1 650 nm波長(zhǎng)范圍內(nèi)，以2/3樣本為校正集、1/3樣本為驗(yàn)證集，對(duì)原始光譜和不同預(yù)處理光譜，分別建立基于馬氏距離的馬鈴薯環(huán)腐病LDA判別模型，結(jié)果如表1所示。

表1　原始光譜與預(yù)處理光譜的LDA模型比較Table 1 Comparison of the LDA models established with original and pretreated spectra

不同預(yù)處理光譜在同一建模方法下建模，模型的正確識(shí)別率越高，則證明光譜預(yù)處理方法越好，對(duì)環(huán)腐病馬鈴薯的判別越準(zhǔn)確。由表1可知，基于MSC的LDA模型對(duì)樣本校正集、驗(yàn)證集的正確識(shí)別最高，分別達(dá)到97.78%和95.36%，判別效果最好；與原始光譜相比較，基于S-G＋FD的LDA模型性能反而下降，校正集和驗(yàn)證集的正確識(shí)別率均降低，這可能是由于在卷積求導(dǎo)的過(guò)程中噪音等無(wú)用信息無(wú)形中被放大的結(jié)果。因此，選取MSC法為光譜預(yù)處理方法。

2.2特征波長(zhǎng)的提取

對(duì)980～1 650 nm有效波長(zhǎng)內(nèi)的全部高光譜數(shù)據(jù)進(jìn)行分析處理不僅耗時(shí)，而且計(jì)算量大[26]。此外，這些數(shù)據(jù)本身具有一定的冗余性，部分信噪比低、噪音大的波長(zhǎng)會(huì)對(duì)模型的識(shí)別性能產(chǎn)生影響，因此，必須對(duì)光譜數(shù)據(jù)進(jìn)行降維。實(shí)驗(yàn)對(duì)MSC預(yù)處理的光譜進(jìn)行PLS回歸，基于局部最大值和最小值的原則，在980～1 650 nm波長(zhǎng)范圍內(nèi)選取了9 個(gè)理想可用特征波長(zhǎng)，分別為993、1 005、1 009、1 031、1 112、1 162、1 165、1 225、1 636 nm。

2.3模型的建立與分析

將MSC預(yù)處理的9 個(gè)特征波長(zhǎng)分別輸入SVM 和LDA，建立馬鈴薯環(huán)腐病的Fisher-LDA、馬氏距離-LDA、LK-SVM、PK-SVM、RBF-SVM和S-SVM共6 類判別模型，結(jié)果如表2所示。

SVM的主要優(yōu)勢(shì)在于解決線性不可分問(wèn)題。構(gòu)造出性能良好的SVM，核函數(shù)的選擇是關(guān)鍵，這主要包括核函數(shù)類型的選擇和后續(xù)后相關(guān)參數(shù)的選擇兩部分工作。實(shí)驗(yàn)采用Cross-Validation方法，分別試用不同的核函數(shù)，所得誤差最小的核函數(shù)，即為最好的核函數(shù)。采用S函數(shù)時(shí)，SVM實(shí)現(xiàn)的是一種多層感知器神經(jīng)網(wǎng)絡(luò)，SVM的理論基礎(chǔ)決定它最終求得的是全局最優(yōu)值，也保證了它對(duì)于未知樣本的良好泛化能力。表2顯示，在相同數(shù)據(jù)條件下識(shí)別環(huán)腐馬鈴薯時(shí)，采用S型核函數(shù)的SVM要比采用其他核函數(shù)的SVM誤差小，其驗(yàn)證集正確識(shí)別率最高，為91.33%。

表 2 SVM與LDA模型識(shí)別結(jié)果比較Table 2 Comparison of recognition results between SVM and LDA models

LDA適合于模式識(shí)別問(wèn)題，傳統(tǒng)的LDA最大的缺點(diǎn)是難以找到足夠多的訓(xùn)練樣本以保證類內(nèi)離散度矩陣可逆[25]。馬氏距離算法簡(jiǎn)單，具有平移不變性、旋轉(zhuǎn)不變形和仿射不變性[27]，較好地解決了小樣本問(wèn)題。表2顯示，LDA模型識(shí)別馬鈴薯環(huán)腐病的效果良好，其中基于馬氏距離的LDA算法識(shí)別率最高，驗(yàn)證集正確識(shí)別率為93.33%。

綜合分析，基于LDA法的馬鈴薯環(huán)腐病判別模型的正確識(shí)別率整體優(yōu)于SVM法，分析SVM模型識(shí)別效果差的原因可能是受樣本數(shù)量少的影響。因此，6種模型中，采用馬氏距離-LDA法建立的馬鈴薯環(huán)腐病判別模型為最佳模型，其校正集正確識(shí)別率為100%，驗(yàn)證集正確識(shí)別率為93.33%。

3　結(jié) 論

采用高光譜成像技術(shù)在900～1 700 nm波長(zhǎng)范圍內(nèi)，對(duì)寧夏馬鈴薯環(huán)腐病進(jìn)行了無(wú)損檢測(cè)。全波長(zhǎng)內(nèi)，MSC、SNV、S-G＋FD和原始光譜相比較，優(yōu)選出MSC的光譜預(yù)處理法，預(yù)測(cè)集正確識(shí)別率為95.36%；PLSR可從有效波長(zhǎng)中優(yōu)選出9 個(gè)特征波長(zhǎng)（993、1 005、1 009、1 031、1 112、1 162、1 165、1 225、1 636 nm），簡(jiǎn)化運(yùn)算，提高模型性能；整體上，特征波長(zhǎng)下的LDA馬鈴薯環(huán)腐病判別模型較SVM馬鈴薯環(huán)腐病判別模型的識(shí)別性能更好；LDA的2 類模型中，馬氏距離-LDA模型最優(yōu)；SVM的4 類模型中，S-SVM模型最優(yōu)。最佳模型為基于馬氏距離的LDA馬鈴薯環(huán)腐病判別模型，其校正集識(shí)別率為100%，驗(yàn)證集識(shí)別率為93.33%。反射高光譜成像技術(shù)作為一種快速、高效的無(wú)損檢測(cè)技術(shù)對(duì)馬鈴薯環(huán)腐病進(jìn)行檢測(cè)具有可行性。

參考文獻(xiàn)：

[1] 周康才, 林玉清, 檀時(shí)龍, 等. 馬鈴薯發(fā)展前景分析及其優(yōu)勢(shì)利用[J]. 安徽農(nóng)學(xué)通報(bào), 2011, 17(17): 67-68. DOI:10.3969/ j.issn.1007-7731.2011.17.033.

[2] 韓學(xué)儉. 馬鈴薯環(huán)腐病的危害及其防治[J]. 蔬菜, 2003(2): 22-23. DOI:10.3969/j.issn.1001-8336.2003.02.018.

[3] 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(wú)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. DOI:10.3964/j.issn.1000-0593(2009)06-1611-05.

[4] 蘇文浩, 劉貴珊, 何建國(guó), 等. 近紅外高光譜圖像技術(shù)在馬鈴薯外部缺陷中的應(yīng)用[J]. 食品與機(jī)械, 2013(5): 128-134.

[5] 周竹, 李小昱, 高海龍, 等. 漫反射和投射光譜檢測(cè)馬鈴薯黑心病的比較[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(11): 237-242.

[6] 韓廣濤, 楊志輝, 朱杰華, 等. 雙重PCR技術(shù)檢測(cè)馬鈴薯環(huán)腐病菌和黑脛病菌的方法建立[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2011, 44(20): 4199-4206.

[7] POLDER G, van der HEIJDEN G, YOUNG I T. Spectral image analysis for measuring ripeness of tomatoes[J]. Trans of ASAE, 2002, 45(4): 1155-1162.

[8] SUN Dawen. Hyperspectral imaging for food quality analysis and control[M]. Elsevier: Academic Press of Elsevier, 2010.

[9] 蔡鍵榮, 王建黑, 黃星奕, 等. 高光譜圖像技術(shù)檢測(cè)柑橘果銹[J]. 光電工程, 2009, 36(6): 26-30. DOI:1003-501X(2009)06-0026-05.

[10] 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. DOI:10.3969/ j.issn.1002-6819.2010.08.038.

[11] JIAN Weiqin, THOMAS F B, MARK A R, et al. Detection of citrus canker using hyperspectral reflectance imaging with spectral information divergence[J]. Journal of Food Engineering, 2009, 93(2): 183-191.

[12] LU R F, PENG Y K. Hyperspectral scattering for assessing peach fruit firmness[J]. Biosystems Engineering, 2006, 93(2): 161-171.

[13] XIA J J, WEAVER A, GERRARD D E, et al. Heating induced optical property changes in beef muscle[J]. Journal of Food Engineering, 2008, 84(1): 75-81. DOI:10.1016/j.jfoodeng.2007.04.023.

[14] 陳全勝, 趙杰文, 蔡健榮, 等. 利用高光譜圖像技術(shù)評(píng)判茶葉的質(zhì)量等級(jí)[J]. 光學(xué)學(xué)報(bào), 2008, 28(4): 669-674. DOI:10.3321/ j.issn:0253-2239.2008.04.011.

[15] 蔡健榮, 王建黑, 陳全勝, 等. 波段比算法結(jié)合高光譜圖像技術(shù)檢測(cè)柑橘果銹[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2009, 25(1): 127-131.

[16] IVANIRA M, IEDA S S. Chemometric discrimination of genetically modified coffea arabica cultivars using spectroscopic and chromatographic fingerprints[J]. Talanta, 2013, 107: 416-422.

[17] 郭恩有, 劉木華, 趙杰文, 等. 臍橙糖度的高光譜圖像無(wú)損檢測(cè)技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào), 2008, 39(5): 91-93.

[18] 吳龍國(guó), 何建國(guó), 劉貴珊, 等. 基于NIR高光譜成像技術(shù)的長(zhǎng)棗蟲眼無(wú)損檢測(cè)[J]. 發(fā)光學(xué)報(bào), 2013, 34(11): 1527-1532.

[19] XIAOBO Z, JIEWEN Z, POVEY M J W, et al. Variables selection methods in near-infrared spectroscopy[J]. Analytica Chimica Acta, 2010, 667(1): 14-32. DOI:10.1016/j.aca.2010.03.048.

[20] 許祿. 化學(xué)計(jì)量學(xué)方法[M]. 北京: 科學(xué)出版社, 1995: 58-64.

[21] 楊國(guó)鵬, 余旭初, 劉偉, 等. 基于支持向量機(jī)的高光譜影像分類研究[J].計(jì)算機(jī)工程與設(shè)計(jì), 2008, 29(8): 2029-2032.

[22] 吳龍國(guó). 基于高光譜成像技術(shù)的靈武長(zhǎng)棗常見缺陷無(wú)損檢測(cè)研究[D].銀川: 寧夏大學(xué), 2014.

[23] ZHANG Xiaoxun, JIA Yunde. A linear discriminant analysis framework based on random subspace for face recognition[J]. Pattern Recognition, 2007, 40(9): 2585-2591. DOI:10.1016/ j.patcog.2006.12.002.

[24] 李玉榕, 項(xiàng)國(guó)波. 一種基于馬氏距離的線性判別分析分類算法[J]. 計(jì)算機(jī)仿真, 2006, 23(8): 86-88. DOI:10.3969/ j.issn.1006-9348.2006.08.025.

[25] 劉忠寶, 王士同. 一種改進(jìn)的線性判別分析算法MLDA[J]. 計(jì)算機(jī)科學(xué), 2010, 11(11): 239-242. DOI:10.3969/j.issn.1002-137X.2010.11.057.

[26] WANG Nannan, YANG Yichao, SUN Dawen. Self-life prediction of ?Gros Michel? bananas with different browning levels using hyperspectral reflectance imaging[J]. Food Analytical Methods, 2014(7): 1381-1386. DOI:10.1007/s12161-013-9760-z.

[27] 陳昕, 向健勇. 不變形理論用于空中目標(biāo)的識(shí)別[J]. 紅外與毫米波學(xué)報(bào), 1997, 16(1): 39-44.

Hyper-Spectral Imaging Technology for Nondestructive Detection of Potato Ring Rot

GUO Hongyan1, LIU Guishan1,*, WU Longguo2, WANG Songlei1,2, KANG Ningbo2, CHEN Yabin1, HE Jianguo1,2, HE Xiaoguang1
(1. School of Agriculture, Ningxia University, Yinchuan750021, China; 2. School of Civil Engineering and Water Conservancy, Ningxia University, Yinchuan750021, China)

Abstract:To investigate the feasibility of using hyper-spectral imaging technique to detect potato ring rot, hyperspectral imaging operated in reflectance mode in the wav elength range of 980–1 650 nm was applied to 120 potato samples (60 qualified and 60 ring rot). The effects of multiple scattering correction, standard normal transformation and savitzky-golay +first derivative on model performance were compared. Multiple scattering correction was chosen as the best spectral preprocessing method. Then, 9 characteristic wavelengths (993, 1 005, 1 009, 1 031, 1 112, 1 162, 1 165, 1 225, and 1 636 nm) were extracted based on the partial least squares method. Two linear discriminant analysis (LDA) models, Fisher-LDA and Mahalanobis distance-LDA, and four support vector machine (SVM) models, linear kernel SVMs, SVM with radial basis kernel, polynomial kernel SVM and SVM with Sigmoid kernel, were built for ring rot potato at characteristic wavelengths. The results showed that Mahalanobis distance-LDA was better than Fisher-LDA while Sigmoid kernel performed best among all the SVM models. The LDA models were overall better than the SVM models. Thus, the LDA model of potato ring rot based on Mahalanobis distance was the best model. Its recognition rate was 100% for calibration set and 93.33% for validation set. This study indicated that hyper-spectral imaging technology can be used to identify potato ring rot.

Key words:hyper-spectral imaging; potato; ring rot; non-destructive detection

收稿日期：2015-09-29

基金項(xiàng)目：2013年度寧夏自然科學(xué)基金項(xiàng)目（NZ13005）

作者簡(jiǎn)介：郭紅艷（1991—），女，碩士研究生，研究方向?yàn)檗r(nóng)產(chǎn)品無(wú)損檢測(cè)。E-mail：1525490213@qq.com

*通信作者：劉貴珊（1979—），男，副教授，博士，研究方向?yàn)檗r(nóng)產(chǎn)品無(wú)損檢測(cè)和肉制品加工。E-mail：liugs@nxu. edu.cn

DOI:10.7506/spkx1002-6630-201612036

中圖分類號(hào)：S532；TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-6630（2016）12-0203-05