農(nóng)產(chǎn)品品質(zhì)光譜成像的空間預(yù)測(cè)規(guī)律

楊君榮， 汪希偉， 趙茂程,2*， 陳一鳴, 姚鳳瑩

(1. 南京林業(yè)大學(xué) 機(jī)械電子工程學(xué)院， 江蘇 南京 210037；2. 泰州學(xué)院， 江蘇 秦州 225300； 3. 南京航空航天大學(xué) 機(jī)電學(xué)院， 江蘇 南京 210016)

1 引 言

光譜成像技術(shù)是基于非常多窄波段的影像數(shù)據(jù)技術(shù)，能同時(shí)記錄一幅圖像包含的空間信息和光譜信息[1-2]，即“譜像合一”。從20世紀(jì)80年代開始，該技術(shù)憑借其間接、快速、無(wú)損的優(yōu)點(diǎn)得到了世界各國(guó)的重視，逐漸發(fā)展為檢測(cè)分類的有力工具，已被廣泛應(yīng)用于眾多領(lǐng)域[3-4]。軍用方面主要利用高光譜圖像識(shí)別偽裝和障礙[5]；民用方面包括地質(zhì)調(diào)查、植被遙感[6]、農(nóng)業(yè)監(jiān)測(cè)及農(nóng)畜產(chǎn)品質(zhì)量檢測(cè)等[7-8]。在食品質(zhì)量檢測(cè)方面也有很大突破，成功實(shí)現(xiàn)了對(duì)各化學(xué)指標(biāo)的空間分布情況預(yù)測(cè)[9]，相比于區(qū)域單一化學(xué)指標(biāo)值，增加了空間維度，從此人們可以不僅討論樣本某個(gè)指標(biāo)的平均值，還可以“看見”局部檢測(cè)值出現(xiàn)在樣本表面的位置及覆蓋面積。

但目前對(duì)于各種樣本和不同指標(biāo)的空間品質(zhì)預(yù)測(cè)，都是基于區(qū)域光譜和區(qū)域指標(biāo)建立的預(yù)測(cè)模型，即在預(yù)測(cè)模型對(duì)區(qū)域指標(biāo)準(zhǔn)確預(yù)測(cè)的前提下，應(yīng)用到對(duì)象的空間指標(biāo)分布上[10-16]，這種方法未曾考慮系統(tǒng)噪聲對(duì)小尺度目標(biāo)空間造成的不良影響，得到的空間預(yù)測(cè)結(jié)果是否正確反映對(duì)象指標(biāo)值的實(shí)際空間分布情況不得而知。現(xiàn)實(shí)中，理化檢測(cè)得到的是區(qū)域內(nèi)的一個(gè)化學(xué)平均指標(biāo)值，各像素點(diǎn)上的指標(biāo)值無(wú)法獲得，因此對(duì)象實(shí)際化學(xué)指標(biāo)的空間分布情況無(wú)法獲得，預(yù)測(cè)模型得到的空間化學(xué)指標(biāo)分布無(wú)法直接驗(yàn)證準(zhǔn)確性。筆者也未見有相關(guān)文獻(xiàn)對(duì)其進(jìn)行研究證明。

本文的研究目的是針對(duì)“應(yīng)用光譜成像技術(shù)對(duì)農(nóng)產(chǎn)品品質(zhì)指標(biāo)的‘空間’分布情況進(jìn)行預(yù)測(cè)”技術(shù)，探究品質(zhì)指標(biāo)空間分布檢測(cè)規(guī)律，建立預(yù)測(cè)準(zhǔn)確度理論模型。雖然研究對(duì)象與指標(biāo)千差萬(wàn)別，但農(nóng)業(yè)產(chǎn)品品質(zhì)光譜成像的空間檢測(cè)技術(shù)框架的共性本質(zhì)可以抽象為“根據(jù)區(qū)域光譜的特征(均值)曲線對(duì)像素光譜進(jìn)行(空間)預(yù)測(cè)。綜合考慮實(shí)際化學(xué)指標(biāo)測(cè)量誤差、光譜數(shù)據(jù)采集誤差和相機(jī)量子轉(zhuǎn)化效率等因素，分析這些誤差在光譜成像預(yù)測(cè)模型中傳遞的基本規(guī)律，及其對(duì)空間預(yù)測(cè)精度的影響規(guī)律，研究出一種可間接評(píng)價(jià)空間品質(zhì)預(yù)測(cè)準(zhǔn)確度的新方法，為評(píng)判空間預(yù)測(cè)結(jié)果的可靠性提供依據(jù)。

2 數(shù)據(jù)與方法

2.1 樣本生成及處理

本文在輸入數(shù)據(jù)的選擇方面，沒有采用某種對(duì)象的具體指標(biāo)，而是為體現(xiàn)一般性，采用一組公開數(shù)據(jù)，即Matlab2012a中spectra光譜數(shù)據(jù)的60個(gè)octane辛烷值和60條401個(gè)通道的NIR光譜曲線作為數(shù)據(jù)來(lái)源，開展對(duì)基于光譜成像的農(nóng)業(yè)產(chǎn)品品質(zhì)空間檢測(cè)這一技術(shù)框架普遍規(guī)律的探索。其中octane辛烷值與NIR光譜曲線被認(rèn)為噪聲幾乎為0，利用60個(gè)辛烷值數(shù)據(jù)隨機(jī)填充生成200個(gè)20×20像素大小的區(qū)域來(lái)模擬已知空間化學(xué)指標(biāo)分布的樣本；利用NIR光譜曲線生成與每個(gè)樣本對(duì)應(yīng)的401張光譜圖像，作為預(yù)測(cè)模型的光譜輸入數(shù)據(jù)。

本文的區(qū)域光譜是檢測(cè)區(qū)域在光譜建模時(shí)所體現(xiàn)的代表光譜，采用光譜圖像中檢測(cè)區(qū)域內(nèi)所有像素位置處光譜的均值作為該檢測(cè)區(qū)域的區(qū)域光譜。區(qū)域指標(biāo)是樣本在光譜建模時(shí)所體現(xiàn)的代表指標(biāo)值，采用樣本檢測(cè)區(qū)域內(nèi)所有像素位置處化學(xué)指標(biāo)值的均值作為該樣本的區(qū)域指標(biāo)。本文技術(shù)路線如圖1所示。

圖1 技術(shù)路線

2.2 數(shù)據(jù)采集系統(tǒng)分析

數(shù)據(jù)采集系統(tǒng)包括光譜采集系統(tǒng)和理化檢測(cè)儀器，分析光譜采集系統(tǒng)中各光譜波段信噪比和理化檢測(cè)儀器中的誤差波動(dòng)規(guī)律，可以實(shí)現(xiàn)系統(tǒng)誤差的評(píng)定和量化。

理化檢測(cè)儀器誤差的隨機(jī)性較大，我們認(rèn)為其誤差服從隨機(jī)分布；光譜采集系統(tǒng)誤差需要逐波段分析，本文利用多塊不同灰度等級(jí)反射率標(biāo)準(zhǔn)板進(jìn)行分析。實(shí)驗(yàn)中不同灰度等級(jí)反射率標(biāo)準(zhǔn)板的光譜圖像，均采用文獻(xiàn)[17]所示基于AOTF的高光譜圖像采集系統(tǒng)采集。在550～1 000 nm波段，1 nm步長(zhǎng)，分別在固定曝光(時(shí)間0.1 s、增益255)和變曝光下采集99%、75%、50%、20%反射率標(biāo)準(zhǔn)板的光譜圖像和蓋上鏡頭蓋的暗噪光譜圖像，對(duì)75%、50%、20%的光譜數(shù)據(jù)進(jìn)行反射率校正。變曝光是指對(duì)99%反射率標(biāo)準(zhǔn)板保證每一個(gè)通道在不過(guò)曝前提下反射率達(dá)到最大的曝光時(shí)間[18]。

反射率校正是為了消除光源不均勻及相機(jī)暗噪等對(duì)光譜圖像的影響[19-20]，對(duì)當(dāng)日采集的樣本光譜，采用當(dāng)日系統(tǒng)暗噪光譜及99%的標(biāo)準(zhǔn)反射率標(biāo)定板光譜進(jìn)行相對(duì)反射率校正，相對(duì)反射率校正計(jì)算公式為：

(1)

式中R是反射率校正后的光譜；C是待校正樣本的光譜；Rw是99%反射率標(biāo)準(zhǔn)板的光譜，Rd是蓋上鏡頭蓋采集的暗噪光譜。

2.3 預(yù)測(cè)方法與評(píng)價(jià)

為了使研究具有一定的適應(yīng)性和魯棒性，本文采用基于光譜成像技術(shù)對(duì)農(nóng)產(chǎn)品品質(zhì)指標(biāo)空間分布研究中典型的兩種方法：全波段建模和特征波長(zhǎng)建模[21-23]。利用遺傳算法(Genetic algorithm，GA)作為特征波長(zhǎng)挑選算法，通過(guò)各項(xiàng)參數(shù)的選擇，從任意初始群體出發(fā)，不斷進(jìn)行隨機(jī)選擇、交叉和變異操作，最終收斂到一群最適應(yīng)環(huán)境的個(gè)體，即最佳波長(zhǎng)組。一般認(rèn)為特征波長(zhǎng)個(gè)數(shù)在10以內(nèi)為最佳，本文挑選10個(gè)特征波長(zhǎng)作為最佳波長(zhǎng)組。以偏最小二乘(Partial least squares，PLS)作為預(yù)測(cè)工具，構(gòu)建全波段偏最小二乘(ALL-PLS)和遺傳偏最小二乘(GA-PLS)預(yù)測(cè)函數(shù)，研究不同誤差下對(duì)預(yù)測(cè)集樣本空間像素指標(biāo)的預(yù)測(cè)精度。

用預(yù)測(cè)集的樣本預(yù)測(cè)值和實(shí)際值的均方根誤差和確定系數(shù)評(píng)價(jià)模型預(yù)測(cè)能力[24-26]。均方根

3 結(jié)果與討論

3.1 訓(xùn)練集和預(yù)測(cè)集

生成200個(gè)樣本作為訓(xùn)練集，所有樣本按化學(xué)指標(biāo)值進(jìn)行等概率抽取55個(gè)樣本作為預(yù)測(cè)集，即預(yù)測(cè)集樣本包含在訓(xùn)練集之中。區(qū)域集樣本的變化范圍以各個(gè)樣本均值為指標(biāo)；空間集樣本的變化范圍以樣本中的各個(gè)像素值為指標(biāo)。訓(xùn)練集和預(yù)測(cè)集實(shí)際化學(xué)指標(biāo)值的變化范圍、平均值及標(biāo)準(zhǔn)偏差如表1所示。

表1 未添加噪聲樣本化學(xué)指標(biāo)值結(jié)果

3.2 系統(tǒng)誤差模擬

光譜成像系統(tǒng)中，樣本的光譜特征通過(guò)相機(jī)各像元輸出電信號(hào)的強(qiáng)度來(lái)衡量，因此相機(jī)各像元輸出電信號(hào)強(qiáng)度與入射光強(qiáng)一致性越高，則相機(jī)信噪比越高，通常使用多塊不同灰度等級(jí)反射率標(biāo)準(zhǔn)板來(lái)驗(yàn)證。利用基于AOTF的高光譜圖像采集系統(tǒng)分別在變曝光和固定曝光下采集不同反射率標(biāo)定板，進(jìn)行反射率校正和計(jì)算各波段的標(biāo)準(zhǔn)差，可以分析得到兩種采集模式下的光譜誤差，如圖2所示，藍(lán)色為實(shí)際反射率值，紅色為正負(fù)標(biāo)準(zhǔn)差，綠色為理想反射率值。

圖2(a)、(b)和(c)是固定曝光下75%、50%和20%的反射率校正結(jié)果，發(fā)現(xiàn)系統(tǒng)誤差在630～920 nm之間波動(dòng)幅度不大；在550～630 nm和920～1 000 nm之間波動(dòng)劇烈。圖2(d)、(e)和(f)是變曝光下75%、50%和20%的反射率校正結(jié)果。對(duì)比固定曝光可知，變曝光下系統(tǒng)誤差波動(dòng)更為平穩(wěn)，有效改善了系統(tǒng)兩側(cè)波段的誤差情況。表明自動(dòng)控制相機(jī)曝光時(shí)間的方式能夠有效提高各波段光譜圖像的信噪比。

為使光譜系統(tǒng)誤差模擬更為真實(shí)，添加光譜誤差時(shí)需分段考慮。單個(gè)樣本包含401張高光譜圖像，本文將光譜圖像分成前1～80張、中81～320張和后321～401張3部分，分別對(duì)這3部分添加服從正態(tài)分布的不同均值μ和標(biāo)準(zhǔn)差σ的二維高斯噪聲以模擬實(shí)際光譜圖像采集系統(tǒng)誤差。通常認(rèn)為理化檢測(cè)儀器的誤差具有隨機(jī)性，單個(gè)樣本空間化學(xué)指標(biāo)值上添加服從均勻分布的均值為0和[0,b]之間的二維隨機(jī)噪聲以模擬測(cè)量化學(xué)指標(biāo)時(shí)出現(xiàn)的隨機(jī)誤差。

圖2 不同標(biāo)準(zhǔn)板光譜反射率校正

3.3 空間預(yù)測(cè)分析

空間預(yù)測(cè)中，通常用樣本光譜圖像每個(gè)像素點(diǎn)得到的化學(xué)指標(biāo)值取代每個(gè)像素點(diǎn)的光強(qiáng)值，由此得到一幅由化學(xué)指標(biāo)值構(gòu)成的偽色彩圖。本文利用計(jì)算機(jī)模擬的樣本空間指標(biāo)分布包含了“空間擴(kuò)散”、“整體衰減”和“隨機(jī)差異”3種模式，分別模擬由兩種材質(zhì)構(gòu)成的興趣區(qū)域及其品質(zhì)差異和全局出現(xiàn)隨機(jī)品質(zhì)差異的情況。其中預(yù)測(cè)集55個(gè)樣本無(wú)儀器誤差時(shí)的實(shí)際空間指標(biāo)分布如圖3(a)所示。

分析得到系統(tǒng)變曝光下的光譜誤差大約在前段(0.03,0.03)、中段(0.02,0.02)、后段(0.03,0.03)，系統(tǒng)固定曝光下的光譜誤差大約在前段(0.03,0.15)、中段(0.03,0.05)、后段(0.04,0.12)，將兩種模式下的光譜誤差分別添加到數(shù)據(jù)集對(duì)應(yīng)的光譜圖像上。綜合考慮樣本指標(biāo)變化范圍，定義儀器誤差為0.2較為符合實(shí)際，將儀器誤差添加到數(shù)據(jù)集樣本的空間指標(biāo)分布上。ALL-PLS和GA-PLS區(qū)域預(yù)測(cè)函數(shù)中,全波段基于10個(gè)主成分、特征波長(zhǎng)基于9個(gè)主成分。圖3(d)和(g)為圖2(a)加上儀器誤差后得到。

在未添加誤差情況下，圖3(a)為預(yù)測(cè)集樣本指標(biāo)分布實(shí)際圖，圖3(b)和(c)是樣本指標(biāo)分布預(yù)測(cè)圖；在添加變曝光誤差情況下，圖3(d)為預(yù)測(cè)集樣本指標(biāo)分布實(shí)際圖，圖3(e)和(f)是樣本指標(biāo)分布預(yù)測(cè)圖；在添加固定曝光誤差情況下，圖3(g)為預(yù)測(cè)集樣本指標(biāo)分布實(shí)際圖，圖3(e)和(f)是樣本指標(biāo)分布預(yù)測(cè)圖。

為進(jìn)一步探索空間分布結(jié)果圖的數(shù)據(jù)可靠性的變化規(guī)律，逐漸增加光譜成像系統(tǒng)中的噪聲和理化檢測(cè)儀器中的噪聲。其中誤差形式如表2所示，不同(μ,σ)形成光譜誤差；不同b形成儀器誤差。

圖3 預(yù)測(cè)集樣本空間品質(zhì)分布實(shí)際值與預(yù)測(cè)值對(duì)比

光譜誤差(0．00，0．00)(0．00，0．00)(0．00，0．00)(0．02，0．02)(0．01，0．01)(0．02，0．02)(0．03，0．03)?(0．02，0．02)(0．03，0．03)(0．03，0．05)(0．02，0．02)(0．03，0．05)(0．03，0．1)(0．02，0．02)(0．03，0．1)(0．03，0．1)(0．03，0．03)(0．03，0．1)(0．03，0．1)(0．03，0．05)(0．03，0．1)(0．03，0．15)??(0．03，0．05)(0．04，0．12)儀器誤差00．030．060．090．120．150．180．21

注：*表示變曝光模式下的光譜誤差，**表示固定曝光模式下的光譜誤差。

不同儀器和光譜誤差下，分別對(duì)預(yù)測(cè)集進(jìn)行化學(xué)指標(biāo)的區(qū)域預(yù)測(cè)和空間預(yù)測(cè)，計(jì)算兩種模型的預(yù)測(cè)精度，研究?jī)煞N模型下誤差程度與空間預(yù)測(cè)精度之間的定量關(guān)系。將表2中的光譜誤差按噪聲程度劃分為11個(gè)等級(jí)體現(xiàn)在圖4光譜誤差軸上。

圖4中箭頭指向點(diǎn)分別表示變曝光和固定曝光模式下空間預(yù)測(cè)精度。從圖4可知，兩種函數(shù)對(duì)預(yù)測(cè)集的區(qū)域指標(biāo)能夠準(zhǔn)確預(yù)測(cè)，應(yīng)用到空間指標(biāo)預(yù)測(cè)上都易受到誤差干擾而降低準(zhǔn)確度，光譜誤差為主要影響因素；兩種預(yù)測(cè)函數(shù)空間可視化預(yù)測(cè)精度的惡化趨勢(shì)相一致，誤差對(duì)ALL-PLS和GA-PLS在空間預(yù)測(cè)上的影響方式相似。光譜誤差前期兩種函數(shù)空間預(yù)測(cè)精度隨著誤差增大而緩慢降低；中期隨著誤差增加，兩種函數(shù)空間預(yù)測(cè)精度都出現(xiàn)了逆向回升，可以認(rèn)為是一定程度的噪聲對(duì)特征信息出現(xiàn)了互補(bǔ)，實(shí)現(xiàn)了誤差補(bǔ)償；誤差增加后期，兩種函數(shù)空間預(yù)測(cè)精度快速惡化。GA-PLS空間預(yù)測(cè)精度與ALL-PLS相比，變化趨勢(shì)更為明顯，可以認(rèn)為是基于少數(shù)特征波長(zhǎng)的預(yù)測(cè)函數(shù)在空間預(yù)測(cè)上對(duì)噪聲更加敏感。

圖4 兩種函數(shù)的空間預(yù)測(cè)與區(qū)域預(yù)測(cè)精度對(duì)比(下層是區(qū)域預(yù)測(cè)，上層是空間預(yù)測(cè))。(a) ALL-PLS預(yù)測(cè);(b) GA-PLS預(yù)測(cè)。

Fig.4 Accuracy comparison between spatial prediction and regional prediction. (a)Prediction of ALL-PLS. (b)Prediction of GA-PLS.

在實(shí)際檢測(cè)系統(tǒng)中，不可避免地受到成像系統(tǒng)噪聲的影響。當(dāng)系統(tǒng)噪聲增大時(shí)，上述技術(shù)框架所得的空間檢測(cè)結(jié)果是否依然可信？受檢測(cè)技術(shù)限制，采集的像素光譜噪聲水平明顯高于區(qū)域光譜數(shù)據(jù)。本文在對(duì)系統(tǒng)噪聲研究中，通過(guò)構(gòu)建“理想光譜圖像中的各像素位置的光譜”，獲得接近無(wú)噪聲理想條件下開展光譜成像空間分布檢測(cè)的數(shù)據(jù)基準(zhǔn)。在此基礎(chǔ)上通過(guò)逐漸增加光譜成像系統(tǒng)中的光譜噪聲，逼近真實(shí)光譜成像系統(tǒng)檢測(cè)情況，以此探索所得空間分布結(jié)果圖的數(shù)據(jù)可靠性變化規(guī)律。發(fā)現(xiàn)通過(guò)對(duì)光譜噪聲的衡量與控制，能夠間接實(shí)現(xiàn)對(duì)基于光譜圖像的農(nóng)產(chǎn)品品質(zhì)空間預(yù)測(cè)準(zhǔn)確度的評(píng)定及改善。

4 結(jié) 論

本文對(duì)基于“利用光譜成像檢測(cè)方法對(duì)農(nóng)產(chǎn)品品質(zhì)空間分布檢測(cè)”這一技術(shù)框架的共性本質(zhì)，即“根據(jù)區(qū)域光譜的特征(均值)曲線對(duì)像素光譜進(jìn)行(空間)預(yù)測(cè)”結(jié)果隨系統(tǒng)噪聲變化時(shí)指標(biāo)空間分布預(yù)測(cè)結(jié)果的數(shù)據(jù)可靠性規(guī)律進(jìn)行了探索。不受具體理化檢測(cè)手段與檢測(cè)對(duì)象種類限制，只要滿足兩個(gè)條件：一、其光譜成像預(yù)測(cè)建模數(shù)據(jù)所用的理化指標(biāo)數(shù)據(jù)是針對(duì)“區(qū)域”的；二、預(yù)測(cè)結(jié)果的空間分辨率是面積小于理化檢測(cè)時(shí)的數(shù)據(jù)采樣區(qū)域的“像素”指標(biāo)， 即適用本文的研究所得的空間可靠性規(guī)律。

研究結(jié)果表明：采用自動(dòng)控制相機(jī)曝光的方式逐波段進(jìn)行光譜采集系統(tǒng)的靈敏度校正，能夠有效提高光譜圖像信噪比，對(duì)波段兩側(cè)極限處尤為明顯；基于區(qū)域品質(zhì)數(shù)據(jù)得到的預(yù)測(cè)函數(shù)應(yīng)用到空間品質(zhì)指標(biāo)預(yù)測(cè)，預(yù)測(cè)準(zhǔn)確度受光譜圖像采集噪聲影響較大——即使區(qū)域預(yù)測(cè)準(zhǔn)確，空間預(yù)測(cè)可能已完全失真。通過(guò)對(duì)數(shù)據(jù)采集系統(tǒng)誤差的衡量，能夠間接實(shí)現(xiàn)對(duì)基于光譜圖像的農(nóng)產(chǎn)品品質(zhì)空間預(yù)測(cè)準(zhǔn)確度的評(píng)價(jià)，為后續(xù)進(jìn)一步研究提供了參考依據(jù)。

參考文獻(xiàn)：

[1] 彭彥昆, 張雷蕾. 農(nóng)畜產(chǎn)品品質(zhì)安全高光譜無(wú)損檢測(cè)技術(shù)進(jìn)展和趨勢(shì) [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2013, 44(4): 137-145.

PENG Y K, ZHANG L L. Hyperspectral nondestructive testing technology progress and trends of the quality safety of agricultural and livestock products [J].J.Agricult.Machin., 2013, 44(4):137-145. (in Chinese)

[2] 謝傳奇, 王佳悅, 馮雷, 等. 應(yīng)用高光譜圖像光譜和紋理特征的番茄早疫病早期檢測(cè)研究 [J]. 光譜學(xué)與光譜分析, 2013, 33(6):1603-1607.

XIE C Q, WANG J Y, FENG L,etal.. Study on early detection of tomato early blight with spectral and texture features of hyperspectral images [J].Spectrosc.Spect.Anal., 2013, 33(6):1603-1607. (in Chinese)

[3] 何勇, 彭繼宇, 劉飛, 等. 基于光譜和成像技術(shù)的作物養(yǎng)分生理信息快速檢測(cè)研究進(jìn)展 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(3):174-189.

HE Y, PENG J Y, LIU F,etal.. Research progress on rapid detection of nutrient physiological information of crops based on spectroscopy and imaging technology [J].Agricult.Eng.J., 2015, 31(3):174-189. (in Chinese)

[4] 丁希斌, 劉飛, 張初, 等. 基于高光譜成像技術(shù)的油菜葉片SPAD值檢測(cè) [J]. 光譜學(xué)與光譜分析, 2015, 35(2):486-491.

DING X B, LIU F, ZHANG C,etal.. Detection of SPAD values of rape leaves based on hyperspectral imaging [J].Spectrosc.Spect.Anal., 2015, 35(2):486-491. (in Chinese)

[5] 曹佃生, 石振華, 林冠宇. 機(jī)載海洋改進(jìn)型Dyson高光譜成像儀的研制 [J]. 光學(xué) 精密工程, 2017, 25(6):1403-1409.

CAO D S, SHI Z H, LIN G Y. Development of airborne ocean modified Dyson hyperspectral imager [J].Opt.PrecisionEng., 2017, 25(6):1403-1409. (in Chinese)

[6] 張成業(yè), 秦其明, 陳理, 等. 高光譜遙感巖礦識(shí)別的研究進(jìn)展 [J]. 光學(xué) 精密工程, 2015, 23(8):2407-2418. ZHANG C Y, QIN Q , CHEN L,etal.. Research and development of mineral identification utilizing hyperspectral remote sensing [J].Opt.PrecisionEng., 2015, 23(8):2407-2418. (in Chinese)

[7] 王耀鵬, 顧志榮, 孫宇靖, 等. 近紅外光譜快速定量技術(shù)在中藥分析中的最新應(yīng)用進(jìn)展 [J]. 中國(guó)實(shí)驗(yàn)方劑學(xué)雜志, 2015, 21(9):223-226.

WANG Y P, GU Z R, SUN Y J,etal.. The latest progress in the application of fast quantitative near infrared spectroscopy in the analysis of Chinese medicine [J].Chin.Experiment.Prescript.J., 2015, 21(9):223-226. (in Chinese)

[8] 張凱華, 臧明伍, 王守偉, 等. 基于光譜技術(shù)的畜禽肉新鮮度評(píng)價(jià)方法研究進(jìn)展 [J]. 肉類研究, 2016, 30(1):30-35.

ZHANG K H, ZANG M W, WANG S W,etal.. Research progress on evaluation method of meat freshness based on spectral technology [J].MeatRes., 2016, 30(1):30-35. (in Chinese)

[9] QIAO J, NGADI M O, WANG N,etal.. Pork quality and marbling level assessment using a hyperspectral imaging system [J].J.FoodEng., 2007, 83(1):10-16.

[10] 蔡健榮, 萬(wàn)新民, 陳全勝. 近紅外光譜法快速檢測(cè)豬肉中揮發(fā)性鹽基氮的含量 [J]. 光學(xué)學(xué)報(bào), 2009, 29(10):2808-2812.

CAI J R, WAN X M, CHEN Q S. Fast detection of the content of volatile basic nitrogen in pork by near infrared spectroscopy [J].ActaOpt.Sinica, 2009, 29(10):2808-2812. (in Chinese)

[11] JACKMAN P. Prediction of beef palatability from colour, marbling and surface texture features of longissimus Dorsi [J].J.FoodEng., 2010, 96(1):151-165.

[12] 朱啟兵, 肖盼, 黃敏, 等. 基于特征融合的豬肉新鮮度高光譜圖像檢測(cè) [J]. 食品與生物技術(shù)學(xué)報(bào), 2015, 34(3):246-252.

ZHU Q B, XIAO P, HUANG M,etal.. Detection of hyperspectral image of pork freshness based on feature fusion [J].J.FoodBiotechnol., 2015, 34(3):246-252. (in Chinese)

[13] WANG X, ZHAO M, JU R,etal.. Visualizing quantitatively the freshness of intact fresh pork using acousto-optical tunable filter-based visible/near-infrared spectral imagery [J].Comput.Electron.Agricult., 2013, 99(7):41-53.

[14] ELMASRY G, SUN D W, ALLEN P. Near-infrared hyperspectral imaging for predicting colour, pH and tenderness of fresh beef [J].J.FoodEng., 2012, 110(1):127-140.

[15] 王志新. MATLAB程序設(shè)計(jì)及其數(shù)學(xué)建模應(yīng)用 [M]. 北京：科學(xué)出版社, 2013.

WANG Z X.MATLABProgramDesignandApplicationofMathematicalModeling[M]. Beijing: Science Press, 2013. (in Chinese)

[16] 趙杰文. 食品、農(nóng)產(chǎn)品檢測(cè)中的數(shù)據(jù)處理和分析方法 [M]. 北京：科學(xué)出版社, 2012.

ZHAO J W.MethodofDataProcessingandAnalysisinFoodandAgriculturalProductsDetection[M]. Beijing: Science Press, 2012. (in Chinese)

[17] 汪希偉. 基于光譜成像的豬肉新鮮度檢測(cè)方法 [D]. 南京：南京林業(yè)大學(xué), 2014. (in Chinese)

WANG X W.NewApproachtoDetectFreshnessofPorkUsingSpectralImaging[D]. Nanjing: Najing Forestry University, 2014. (in Chinese)

[18] 高志帆, 張紅平, 吳瓊水, 等. AOTF高光譜成像系統(tǒng)的標(biāo)定及性能測(cè)試 [J]. 光子學(xué)報(bào), 2015, 44(7):125-131.

GAO Z F, ZHANG H P, WU Q S,etal.. Calibration and performance test of AOTF hyperspectral imaging system [J].ActaPhoton.Sinica, 2015, 44(7):125-131. (in Chinese)

[19] 姜奕雯. 基于高光譜圖像的豬肉新鮮度預(yù)測(cè)模型建立方法 [D]. 南京：南京林業(yè)大學(xué), 2015.

JIANG Y W.BuildingMethodofPorkFreshnessPredictionModelBasedonHyperspectralImage[D]. Nanjing: Nanjing Forestry University, 2015. (in Chinese)

[20] FENG Y Z, SUN D W. Determination of total viable count (TVC) in chicken breast fillets by near-infrared hyperspectral imaging and spectroscopic transforms [J].Talanta, 2013, 105(4):244-249.

[21] ELMASRY G, IQBAL A, SUN D W,etal.. Quality classification of cooked, sliced turkey hams using NIR hyperspectral imaging system [J].J.FoodEng., 2011, 103(3):333-344.

[22] SOLFRIZZI V, NARDO G A, PANZA F,etal.. Detection of adulterations with different grains in wheat products based on the hyperspectral image technique: the specific cases of flour and bread [J].Arch.Gerontol.Geriat., 2015(S1):69-72.

[23] 呂程序, 姜訓(xùn)鵬, 張銀橋, 等. 基于變量選擇的小麥粗蛋白含量近紅外光譜檢測(cè) [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(s1):340-346.

LYU C X, JIANG X P, ZHANG Y Q,etal.. Detection of wheat crude protein content by near infrared spectroscopy based on variable selection [J].J.Agricult.Machin., 2016, 47(s1):340-346. (in Chinese)

[24] 林志丹, 汪玉冰, 王儒敬, 等. 波長(zhǎng)優(yōu)選對(duì)土壤有機(jī)質(zhì)含量可見光/近紅外光譜模型的優(yōu)化 [J]. 發(fā)光學(xué)報(bào), 2016, 37(11):1428-1435.

LIN Z D, WANG Y B, WANG R J,etal.. Improvements of Vis-NIRS model in the prediction of soil organic matter content using wavelength optimization [J].Chin.J.Lumin., 2016, 37(11):1428-1435. (in English)

[25] QIAO Y, ZHANG S. Near-infrared spectroscopy technology for soil nutrients detection based on LS-SVM [J].IFIPAdv.Inform.Commun.Technol., 2016, 368:325-335.

[26] 劉永平, 王霞, 李帥帥, 等. 基于紅外技術(shù)的氣體濃度檢測(cè)方法研究 [J]. 光子學(xué)報(bào), 2015, 44(1):0112002.

LIU Y P, WANG X, LI S S,etal.. Gas concentration detection method based on infrared absorption spectroscopy technology [J].ActaPhoton.Sinica, 2015, 44(1):0112002. (in Chinese)

楊君榮(1993-)，男，江蘇鹽城人，碩士研究生，2015年于常熟理工學(xué)院獲得學(xué)士學(xué)位，主要從事農(nóng)產(chǎn)品無(wú)損檢測(cè)、圖像處理方面的研究。

E-mail： muyijames@126.com趙茂程(1966-)，男，江蘇揚(yáng)州人，教授，博士生導(dǎo)師，2003年于南京林業(yè)大學(xué)獲得博士學(xué)位，主要從事無(wú)損檢測(cè)與圖像處理等方面的研究。

E-mail: mczhao@njfu.edu.cn