基于高光譜成像技術(shù)的金銀花與山銀花快速鑒別

馮 潔 劉云宏,2 王慶慶 于慧春,2 石曉微

(1. 河南科技大學(xué)食品與生物工程學(xué)院，河南 洛陽 471023；2. 河南省食品原料工程技術(shù)研究中心，河南 洛陽 471023)

金銀花(LoniceraeJaponicaeFlos)是中國傳統(tǒng)藥食同源中藥材和食材[1-2]，有抗菌抗炎、清熱解毒等功效，具有極高的營養(yǎng)價值[3-5]。近年來，隨著人們對金銀花營養(yǎng)功效的深入了解，金銀花不但在中藥領(lǐng)域的需求越來越大，在食品行業(yè)(如涼茶、飲料、沖劑等)中的應(yīng)用也日趨廣泛，導(dǎo)致金銀花市場供不應(yīng)求，其價格連年持續(xù)飆升。由于山銀花(LoniceraeFlos)與金銀花的形狀以及特征等方面極其相似，且產(chǎn)量大、價格便宜，部分不法商販為謀取個人利益，將山銀花摻雜甚至冒充金銀花出售。上述摻假行為不但擾亂了正常的金銀花市場，對金銀花為原料的食品和藥品消費市場也造成巨大危害。因此，如何建立快速、有效、實用的金銀花與山銀花識別方法，是保證金銀花及其產(chǎn)品品質(zhì)、健康發(fā)展金銀花產(chǎn)業(yè)亟待解決的問題。

目前，對于金銀花的鑒別主要根據(jù)外觀性狀進行鑒別(如花蕾尺寸、表面色澤、毛被情況等)[6]以及利用化學(xué)方法(如高效液相色譜鑒定法[7-8]、液-質(zhì)聯(lián)用[9]、標識成分含量測定[10]等)檢測內(nèi)部品質(zhì)指標。然而，外觀性狀鑒別方法具有較強的主觀性，鑒別誤差較大；而理化鑒別方法具有破壞性，且耗時費力、成本較高，均無法做到對金銀花快速、無損、準確的檢測，難以滿足實際鑒別工作的需要。

高光譜成像技術(shù)是融合了成像技術(shù)和光譜技術(shù)優(yōu)點的一種新興檢測技術(shù)，可以同時獲得研究對象內(nèi)、外部品質(zhì)特征的光譜信息與空間信息[11-13]，在農(nóng)作物的鑒別及品質(zhì)檢測方面已廣泛應(yīng)用[14-16]。董高等[17]采用PLS-DA和LS-SVM方法對強筋、中筋、弱筋小麥種子進行近紅外高光譜圖像判別分析，實現(xiàn)了基于高光譜成像技術(shù)的小麥品種快速識別。Xie等[18]利用高光譜成像技術(shù)分別建立了LS-SVM、PLSR、PCR和MLR 4種不同干燥時期茶葉的判別模型。蔡健榮等[19]采用漫反射式高光譜技術(shù)結(jié)合支持向量機(SVM)建立碧螺春茶葉真?zhèn)舞b別模型，其訓(xùn)練集和預(yù)測集識別率分別為100%，96.25%。可見，高光譜成像技術(shù)在農(nóng)產(chǎn)品真?zhèn)舞b別與品質(zhì)鑒定方面可以實現(xiàn)較高的精度。然而，利用高光譜成像技術(shù)對金銀花與山銀花進行快速、有效鑒別的研究未見報道。

本研究利用高光譜成像技術(shù)來探索金銀花與山銀花的快速鑒別方法，并結(jié)合化學(xué)計量學(xué)方法建立有效、準確的鑒別模型。使用Savitzky-Golay卷積平滑(SG)、標準正態(tài)變量變換(Standard Normal Variate Transformation，SNV)和多元散射校正(Multiple Scatter Correct，MSC)3種預(yù)處理方法建立全光譜PLS模型，選擇最佳預(yù)處理方法。并將預(yù)處理后的光譜信息應(yīng)用RC和SPA提取特征波長，分別建立ELM和LS-SVM判別分析模型。最終實現(xiàn)對金銀花和山銀花的有效鑒別，以期為高光譜成像技術(shù)在金銀花等農(nóng)產(chǎn)品的摻偽鑒別及品質(zhì)鑒定中的應(yīng)用提供參考。

1 材料與方法

1.1 材料與設(shè)備

金銀花、山銀花：產(chǎn)地河南省封丘市，其中山銀花為灰氈毛忍冬，購自河南省洛陽市同仁堂大藥房，隨機選取180個樣本用于高光譜掃描，其中金銀花、山銀花各90個樣本；

高光譜攝像儀：Inno-Spec IST50-3810型，包括高光譜攝像機、成像光譜儀、鏡頭三部分，光譜采集范圍為371～1 024 nm，在光譜范圍內(nèi)共1 288個波段，光譜分辨率為2.8 nm，德國Inno-Spec GmbH公司；

光纖鹵素?zé)簦?0000420108型，德國ESYLUX公司；

控制箱：SC100型，北京光學(xué)儀器廠；

電控位移臺：SC100型，北京光學(xué)儀器廠。

1.2 方法

1.2.1 高光譜圖像采集 在圖像采集前，為了保證圖像的清晰度及避免失真，首先應(yīng)確定物鏡距離、高光譜攝像機的曝光時間和輸送裝置的移動速度[20-21]。經(jīng)過反復(fù)調(diào)整，最終確定物鏡高度為250 mm，CCD相機的曝光時間為90 ms，輸送裝置的移動速度為1.20 mm/s。光源前后兩邊各2個，以保證花蕾表面形成足夠的光照強度，防止由于光照不足或不均勻而產(chǎn)生的噪音。

1.2.2 圖像黑白校正 在進行光譜處理前，需要進行黑白校正以清除由于傳感器的暗電流等原因?qū)е聢D像信息中含有較大噪音。因此，在同一樣本采集系統(tǒng)條件下，掃描標準白色校正板(99%反射率)與關(guān)閉攝像頭快門進行圖像采集，分別得到全白和全黑的標定圖像，根據(jù)式(1)進行圖像標定[22-23]。

(1)

式中：

I——原始的高光譜圖像；

B——全黑的標定圖像；

W——全白的標定圖像；

R——標定后的高光譜圖像。

圖像校正后，采用ENVI 5.1軟件選取整株金銀花花蕾為感興趣區(qū)域(Region of Interest, ROI)，將ROI內(nèi)所有光譜信息的平均值作為對應(yīng)樣本的光譜值進行數(shù)據(jù)分析。

1.3 化學(xué)計量學(xué)方法

利用MATLAB R2014a (The Math Works, Natick, USA)軟件，將采集到的樣本數(shù)據(jù)使用SG卷積平滑、MSC和SNV 3種方法進行預(yù)處理[24-26]。利用回歸系數(shù)法(RC)和連續(xù)投影系數(shù)法(SPA)選擇經(jīng)預(yù)處理光譜的特征波段，并使用所提取的特征波段分別建立極限學(xué)習(xí)機(ELM)和偏最小二乘支持向量機(LS-SVM)判別分析模型。采用識別率來評價判別分析模型的精度。經(jīng)反復(fù)調(diào)試，本試驗所選算法ELM所用隱含層神經(jīng)元的個數(shù)為2(N-1)，其中N為特征波段數(shù)。LS-SVM選用的核函數(shù)為RBF算法，懲罰因子設(shè)置γ為20，RBF核函數(shù)參數(shù)σ2為230。其作為非線性函數(shù)能夠減少訓(xùn)練過程中的計算復(fù)雜度。

2 結(jié)果與分析

2.1 金銀花與山銀花的原始光譜曲線

由于光譜數(shù)據(jù)前端和后端數(shù)據(jù)波動較大，噪聲影響明顯，因此研究時去掉前端和后端中具有明顯噪聲的波段，本試驗采用第141～1 160波段，共計1 020個，即對波長范圍在442.65～960.48 nm的光譜進行分析[27]。圖1為金銀花和山銀花180個樣本的原始光譜曲線圖，其光譜曲線的趨勢相似，并無異常樣本存在，因此無需剔除異常樣本，可直接進行光譜分析。

本試驗使用Kennard-Stone(KS)算法將去除前后噪聲的金銀花和山銀花光譜信息按照2∶1的比例隨機劃分為建模集和預(yù)測集。劃分結(jié)果見表1，其中建模集為120個樣本，預(yù)測集為60個樣本，并賦值山銀花為1，金銀花為2。

圖1 金銀花與山銀花原始光譜圖

Figure 1 Average spectral of modelingLoniceraeJaponicaeFlosandLoniceraeFlos

表1山銀花與金銀花類別賦值與建模集和預(yù)測集樣本劃分

Table 1 Class assignment and division of calibration set and prediction set ofLoniceraeJaponicaeFlosandLoniceraeFlos

來源山銀花金銀花類別賦值12建模集 6060預(yù)測集 3030

2.2 光譜預(yù)處理

表2為全光譜波段下SG、SNV和MSC 3種預(yù)處理方法的PLS判別分析結(jié)果，通過不同預(yù)處理方法建立PLS模型的決定系數(shù)基本都在0.96以上，其中SNV預(yù)處理方法與SG、MSC相比較，其預(yù)測集的R2最大，為0.982 0，RMSE最小，為0.067 1，運行時間最短，為0.075 1 s ，表明SNV預(yù)處理方法可通過增加樣本光譜差異來提高模型穩(wěn)健性和預(yù)測性能。因此，經(jīng)SNV算法預(yù)處理后的光譜信息建模效果更好。

表2 基于全波段的PLS判別分析結(jié)果Table 2 Discriminant results of PLS-DA models

2.3 基于主成分的聚類分析

將經(jīng)過SNV預(yù)處理的光譜數(shù)據(jù)進行主成分分析(PCA)，得到PCA前5個主成分的貢獻率分別為83.2%，5.1%，3.1%，1.4%，1.2%，累計貢獻率為94%，能夠解釋大部分的變量。并且建模集的識別率為100%，預(yù)測集有8個樣本錯分類別，識別率為86.67%，具有較差的識別率。由圖2可以看出，利用PCA很難區(qū)分金銀花與山銀花。說明全光譜具有較差的可分性，需要進一步處理與分析樣品的光譜信息。

2.4 特征波長的選取

為解決由于高光譜圖像的原始數(shù)據(jù)量龐大及冗余信息過多導(dǎo)致識別率不高的問題，需要剔除無信息波長及信噪比差的波長，挑選蘊含豐富信息且信噪比較高的波長，以此對全波段進行降維處理。本試驗使用RC和SPA 2種方法，篩選出幾個重要特征波長。

圖2 PCA判別結(jié)果Figure 2 PCA discrimination result

圖3是RC算法于PLS第3主成分上波峰波谷(吸光度與濃度值之間的線性關(guān)系最大點)位置所選擇的結(jié)果，提取的波段數(shù)為12，分別為536.4，593.3，607.6，643.9，671.5，690.4，746.5，765.8，799.8，810.4，832.1，852.4 nm處，即第141，294，322，393，447，484，594，632，699，720，763，804波段。

圖3 RC算法特征波段選擇結(jié)果Figure 3 RC algorithm feature bands selection results

連續(xù)投影算法(SPA)可以最大限度地消除變量中存在的共線性信息。經(jīng)反復(fù)調(diào)試得到，當SPA提取特征波長范圍設(shè)定為5～20個時，提取的特征波長建模效果較好，當波段數(shù)為8時，如圖4(a)所示，RMSE的值較小，為0.045 6。圖4(b)為特征波長所對應(yīng)的波段數(shù)的位置，分別為第1，173，380，663，730，767，920，1 019波段。

圖4 SPA 算法特征波段選擇結(jié)果Figure 4 SPA algorithm feature bands selection results

2.5 基于特征波長選擇的ELM與LS-SVM判別模型

表3為使用RC和SPA提取的特征波長所建立的判別模型的結(jié)果。由表3可知，經(jīng)過特征波長提取的預(yù)處理光譜，所建立的ELM和LS-SVM判別分析模型建模集識別率均達到了100.00%，預(yù)測集的識別率亦在95.00%以上，說明2種提取特征波長方法與2種判別模型均能很好地鑒別金銀花和山銀花。建模結(jié)果由次到優(yōu)依次為RC-ELM、SPA-ELM、RC-LSSVM、SPA-LSSVM。同一判別模型算法，LS-SVM判別識別率要優(yōu)于ELM的。而在同一特征提取方式下，經(jīng)RC所建立的模型，其結(jié)果要低于經(jīng)SPA所建立的。由此可知，光譜經(jīng)SNV預(yù)處理后，使用SPA提取特征波長并建立LS-SVM判別分析模型為金銀花和山銀花最優(yōu)判別模型。與PCA算法只能提取線性特征相比，ELM和LS-SVM能反映和處理變量間的非線性關(guān)系，能夠?qū)崿F(xiàn)較好的分類效果。而相較于ELM，LS-SVM算法的執(zhí)行效率更好。

表3 基于特征波長的ELM和LS-SVM判別分析結(jié)果Table 3 Discriminant results of ELM and LS-SVM models

3 結(jié)論

本試驗以金銀花和山銀花為研究對象，采用高光譜成像技術(shù)獲取金銀花與山銀花的光譜信息，使用SG、SNV和MSC 3種預(yù)處理方法，利用全波段光譜信息建立PLS判別模型，得到SNV預(yù)處理的效果最佳。將經(jīng)SNV預(yù)處理后得到的光譜使用RC和SPA 2種算法進行降維處理，并分別選取了12個波段和8個波段作為特征波段。分別建立了ELM和LS-SVM判別分析模型，其判別模型結(jié)果均在95.00%以上。綜合分析判別分析模型結(jié)果，得到SPA優(yōu)于RC，LS-SVM優(yōu)于ELM。因此，光譜經(jīng)SNV預(yù)處理后，使用SPA提取特征波長并建立LS-SVM判別分析模型為金銀花和山銀花最優(yōu)判別模型，其建模集與預(yù)測集的識別率均達到了100.00%。說明高光譜成像技術(shù)能夠?qū)崿F(xiàn)金銀花與山銀花的快速、無損、有效識別，從而解決了常規(guī)性狀鑒別精度不高、主觀性強和理化檢測鑒別費時費力、具有破壞性的問題，為金銀花和山銀花的快速、無損、準確鑒別提供了一種新方法。