高光譜成像的圖譜特征與卷積神經(jīng)網(wǎng)絡(luò)的名優(yōu)大米無損鑒別

翁士狀, 唐佩佩, 張雪艷， 徐 超， 鄭 玲， 黃林生， 趙晉陵

安徽大學(xué)， 國家農(nóng)業(yè)生態(tài)大數(shù)據(jù)分析與應(yīng)用工程研究中心， 安徽 合肥 230601

引 言

中國是世界上最大的大米生產(chǎn)國， 年產(chǎn)量連續(xù)多年名列前茅[1]。 2018到2019年度， 中國大米產(chǎn)量預(yù)計(jì)占全球產(chǎn)量的28.90%。 中國地大物博， 土壤氣候差異較大， 孕育出多種優(yōu)質(zhì)大米。 不同品種的大米所含水分， 蛋白質(zhì)， 脂肪等成分不盡相同， 優(yōu)質(zhì)大米中所含的營養(yǎng)成分較多[2]。 一些商家為賺取更多利益， 開始在優(yōu)質(zhì)大米中摻劣質(zhì)大米， 甚至以次充好。 為保護(hù)消費(fèi)者的消費(fèi)權(quán)益， 生產(chǎn)者的積極性， 實(shí)現(xiàn)對大米的品種鑒定是非常必要的。

大米的外觀微小且相近， 很難通過人為觀察去準(zhǔn)確的辨認(rèn)出種類， 需結(jié)合圖像、 光譜等方法實(shí)現(xiàn)大米的準(zhǔn)確鑒別。 機(jī)器視覺和紅外光譜已被廣泛應(yīng)用在食品檢測中。 機(jī)器視覺可獲得形態(tài)、 紋理、 顏色等圖像信息而被廣泛應(yīng)用于損傷檢測、 實(shí)時(shí)分級以及質(zhì)量評估[3]等。 但機(jī)器視覺的方法只能獲取大米的外觀信息， 缺少對食品內(nèi)在成分的分析。 近紅外光譜可獲取物質(zhì)的內(nèi)部成分的光譜信息， 利用物質(zhì)的內(nèi)在成分實(shí)現(xiàn)無損檢測、 摻雜分析和食品分類[4]等。 但近紅外光譜缺少可見光波段光譜信息且無法提供樣本的外在特征。

高光譜成像則整合了機(jī)器視覺和紅外光譜可同時(shí)獲取樣本的光譜和空間圖像信息[5]， 具有快速、 高效、 準(zhǔn)確和無損的特點(diǎn)， 廣泛應(yīng)用于農(nóng)藥殘留檢測、 食品內(nèi)在成分含量分析和食品種類的鑒別等。 楊小玲等采用400～1 000 nm波段范圍的高光譜成像技術(shù)研究成熟和未成熟玉米種子， 選用主成分分析法提取特征波長， 采用偏最小二乘法和波段比運(yùn)算結(jié)合KW檢驗(yàn)分析平均光譜[6]。 吳靜珠等通過偏最小二乘算法選取特征變量建立多個(gè)籽粒的小麥粗蛋白平均模型， 再提取其高光譜圖像應(yīng)用于平均模型預(yù)測單個(gè)籽粒小麥每個(gè)像素點(diǎn)的粗蛋白, 取其平均值作為小麥的最終粗蛋白含量[7]。 王璐等通過高光譜圖像獲取大米的光譜和圖像信息， 圖像信息選取了堊白度和形狀特征(“長軸長”、 “短軸長”“長寬比”、 “周長”和“偏心度”)， 數(shù)據(jù)融合結(jié)合BPNN模型實(shí)現(xiàn)對大米的品種和品質(zhì)的鑒別[8]。 在前人的研究基礎(chǔ)上， 本研究探究一種融合圖像和光譜特征的名優(yōu)大米無損鑒別方法， 大米的圖像信息不僅選取多種形態(tài)特征， 還嘗試了大米的其他圖像信息的融合， 實(shí)現(xiàn)對多種名優(yōu)大米的精準(zhǔn)鑒別。

近年來， 深度學(xué)習(xí)網(wǎng)絡(luò)如卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)、 循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network)和深度置信網(wǎng)絡(luò)(deep belief networks)在語音識別、 圖像識別和信息檢索等方面的表現(xiàn)優(yōu)越[9]。 最近， 深度學(xué)習(xí)開始應(yīng)用在高光譜對物質(zhì)的分析。 謝忠紅等利用菠菜的高光譜圖像建立光譜和圖像的樣本庫， 再基于CNN建立識別模型， 發(fā)現(xiàn)基于圖像識別的效果最佳， 對菠菜新鮮度的識別正確率達(dá)到了80.99%[10]。 桂江生等提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)模型的大豆花葉病害的診斷識別方法， 最終模型訓(xùn)練集識別率達(dá)到94.79%， 預(yù)測集識別率達(dá)到92.08%[11]。 在深度學(xué)習(xí)網(wǎng)絡(luò)中， CNN是具有多層感知機(jī)的分類模型， 以局部鏈接方式， 實(shí)現(xiàn)權(quán)值共享， 減少權(quán)值數(shù)量， 提高數(shù)據(jù)處理速度， 而且可以減小模型的過擬合問題。 與傳統(tǒng)的方法相比， CNN的容錯(cuò)性更高， 提取數(shù)據(jù)特征信息更準(zhǔn)確， 從而極大地提升了模型性能。 因此， 本研究選用CNN融合圖譜特征對大米進(jìn)行分類。

選用七種名優(yōu)大米為對象， 利用高光譜成像和CNN結(jié)合圖譜特征實(shí)現(xiàn)大米種類的鑒別。 首先， 測量了七種名優(yōu)大米的400～1 000 nm高光譜圖像， 并從圖像中提取了每種大米的光譜、 紋理與形態(tài)特征。 同時(shí)， 使用連續(xù)投影算法(successive projections algorithm, SPA)、 競爭自適應(yīng)重加權(quán)算法(competitive adaptive reweighting algorithm, CARS)以及兩者級聯(lián)方法(CARS-SPA)選取多元散射校正(multiplicative scatter correction， MSC)處理后光譜特征的重要波長。 SPA用于確定形狀與紋理特征中的重要變量。 最后， CNN融合不同特征構(gòu)建分類模型對大米種類進(jìn)行識別。 此外， K-近鄰(K nearest neighbor, KNN)和隨機(jī)森林(random forest, RF)被用來進(jìn)行對比分析。

1 實(shí)驗(yàn)部分

1.1 樣本

選擇來自全國各地的七種名優(yōu)大米作為研究對象， 包括： 京和橋米(湖北京山)、 梅河大米(吉林梅河口)、 寧夏珍珠米(寧夏青銅峽)、 盤錦大米(遼寧盤錦)、 上林大米(廣西上林)、 絲苗米(廣東增城)、 五常大米(黑龍江五常)。 不同種類大米均從其生產(chǎn)地購買， 為保證樣本的普遍性， 每種大米購買三批， 每批采集96粒大米。 七種大米共2016個(gè)樣本被采集。

1.2 高光譜圖像采集與標(biāo)定

大米樣本的高光譜圖像使用可見-近紅外反射高光譜成像系統(tǒng)采集。 該高光譜成像系統(tǒng)(圖1)由實(shí)驗(yàn)暗箱、 成像光譜儀以及數(shù)據(jù)收集處理單元組成。 實(shí)驗(yàn)暗箱包含可放置樣本的移動升降臺和兩個(gè)150瓦的鹵素?zé)簦?高光譜成像儀為(SOC710VP, USA)； 數(shù)據(jù)收集處理單元包括： 帶有光譜數(shù)據(jù)采集軟件的計(jì)算機(jī)(用于設(shè)置曝光時(shí)間， 修改圖像分辨率以及對樣本光譜的分析)。

圖1 高光譜成像系統(tǒng)裝置原理圖

測量之前， 打開儀器30 min使光照穩(wěn)定。 在黑板上每次放置48粒大米， 將大米按照6行8列排列放置在置物臺上。 調(diào)節(jié)樣本與鏡頭距離為35 cm并使鏡頭焦距對焦， 保證高光譜圖像中只有大米矩陣， 以便更好采集大米的實(shí)際形態(tài)。 本實(shí)驗(yàn)設(shè)置的圖像分辨率相對較高為1 392×1 392， 曝光時(shí)間設(shè)置也相對增加為200 ms。 使用線性掃描的方式獲取大米的三維(x，y，λ，x和y為空間維度，λ為光譜維度)高光譜圖像。 每種大米的每個(gè)批次采集兩張高光譜圖像， 7種大米共采集42張高光譜圖像。

為減少CCD相機(jī)長期使用而產(chǎn)生的暗電流， 噪聲以及光照不穩(wěn)定等因素影響， 需要對高光譜圖像進(jìn)行黑白板校正。 如式(1)所示

(1)

式(1)中，I為校正后大米圖像；I0為原始圖像；B為黑板圖像；W為白板圖像。

1.3 圖譜特征的獲取

1.3.1 光譜特征

光譜特征是對高光譜圖像中的每粒大米進(jìn)行感興趣區(qū)域的提取與計(jì)算所得。 感興趣區(qū)域提取與計(jì)算的流程為： 對高光譜圖像去除噪聲和背景， 再進(jìn)行閾值化分割轉(zhuǎn)變?yōu)槎祱D像， 對大米矩陣中的每粒大米提取感興趣區(qū)域， 再計(jì)算每粒大米像素的平均反射率， 以此作為光譜特征。 為提高大米種類鑒別的準(zhǔn)確性， 使用了MSC對光譜進(jìn)行預(yù)處理。 MSC是常用于修正光譜間的相對基線平移和偏移校正的一種數(shù)據(jù)處理方法， 經(jīng)過散射校正后的光譜可以有效的地消除散射影響， 增強(qiáng)有用的光譜吸收信息。

1.3.2 圖像特征

針對大米的特點(diǎn)， 圖像特征選用紋理和形態(tài)兩種特征。 使用灰度梯度共生矩陣(GLGCM)來提取大米的紋理特征。 GLGCM是綜合了灰度和梯度信息來提取紋理特征。 在灰度共生矩陣中加入圖像的梯度信息， 使共生矩陣更能包含圖像的紋理基元和排列信息。 主要有15個(gè)特征值： 小梯度優(yōu)勢(2)， 大梯度優(yōu)勢(3)， 灰度分布的不均勻性(4)， 梯度分布的不均勻性(5)， 能量(6)， 灰度平均(7)， 梯度平均(8)， 灰度均方差(9)， 梯度均方差(10)， 相關(guān)性(11)， 灰度熵(12)， 梯度熵(13)， 混合熵(14)， 慣性(15)， 逆差矩(16)。

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

(13)

(14)

(15)

(16)

對只有大米區(qū)域的二值圖像使用輪廓追蹤方法獲取每粒大米的外邊界， 再進(jìn)行8聯(lián)通處理后標(biāo)注， 最后提取大米的形態(tài)特征。 基于前人的研究選取了以下11種大米的形態(tài)參數(shù)： 長度(大米最小外接矩形的長)； 寬度(大米最小外接矩形的寬)； 周長(大米邊緣上所有像素?cái)?shù)之和)； 面積(大米區(qū)域內(nèi)所有像素和)； 長軸長(與大米區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的長軸長度(像素意義下))； 短軸長(與大米區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的短軸長度(像素意義下))； 離心率(與區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的離心率)； 緊密度(大米面積與大米最小外接矩形面積的比值)； 長短軸比(大米長軸長與短軸長的比值)； 外觀比(大米最小外接矩形的長寬比值)； 最小外接矩形面積(大米最小外接矩形的面積=長度×寬度)。 由于紋理和形態(tài)的特征參數(shù)的數(shù)值差異性較大， 采用歸一化處理將所有圖像特征的數(shù)值換算到同一個(gè)量級內(nèi)， 從而達(dá)到消除各特征值之間的差異。

1.4 特征變量選擇方法

選用SPA和CARS以及CARS-SPA三種高效的變量選擇方法選取大米的重要波長。 同時(shí)， 選擇了最簡便的SPA選取紋理和形態(tài)特征的重要變量。 SPA是一種前向變量選擇算法， 可使矢量空間共線性最小化， 對于光譜特征可提取最優(yōu)的特征波長， 對于圖像特征可挑選出重要的特征參數(shù)， 消除原始特征矩陣中冗余的信息， 被廣泛用于特征的篩選。 CARS是建立在模仿達(dá)爾文進(jìn)化理論中“適者生存”的原則基礎(chǔ)上提出的變量選擇方法， 該算法在消除無信息變量的同時(shí)可以對共線性信息進(jìn)行去除。 還使用了CARS和SPA的級聯(lián)方法， 先利用CARS篩出部分無信息和冗余特征， 再用SPA對特征變量進(jìn)行選擇。

1.5 分類建模方法與評估

CNN， KNN和RF被用于構(gòu)建分類模型， 實(shí)現(xiàn)對大米種類的鑒別。 CNN是一種常用的神經(jīng)網(wǎng)絡(luò)模型， 它的神經(jīng)元間的連接是非全連接的， 并且同一層中某些神經(jīng)元之間的連接的權(quán)重是共享的(即相同的)。

CNN的結(jié)構(gòu)包括卷積層、 池化層、 規(guī)范層(batch normalization， BN)以及全連接層。 卷積層主要是用來提取輸入的不同特征， BN層的作用是防止過擬合。 池化層將卷積層得到的高維度特征切分成幾個(gè)區(qū)域， 取其最大值或平均值， 得到新的并且維度較小的特征。 全連接層則是將所有局部特征結(jié)合變成全局特征， 用來計(jì)算最后每一類的得分。 本工作所用的CNN算法結(jié)構(gòu)為： 三層卷積層， 兩層規(guī)范層， 兩層池化層以及兩層全連接層， 兩層的規(guī)范層與前兩層卷積層融合(圖2)。 同時(shí)在全連接層添加了起加速運(yùn)算和防止過擬合作用的Dropout(Dropout是指神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中將神經(jīng)網(wǎng)絡(luò)單元按照一定的概率從網(wǎng)絡(luò)中暫時(shí)丟棄)。 其中， CNN的輸入是將一維特征數(shù)據(jù)轉(zhuǎn)化為3x1的二維向量。 CNN的參數(shù)包括learning_rate， batch_size， n_epochs， nkerns和poolsize。

KNN是一種簡單的分類算法， 核心思想是如果一個(gè)樣本在特征空間中的k個(gè)最相鄰的樣本中的大多數(shù)屬于某一個(gè)類別， 則該樣本也屬于這個(gè)類別， 并具有這個(gè)類別上樣本的特性。 這種方法在確定分類決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來決定待分樣本所屬的類別。 其模型參數(shù)包括： n_neighbors(KNN中的K值)、 weights(確定每個(gè)樣本的最近鄰樣本的權(quán)重， 默認(rèn)為“uniform”即所有最近鄰樣本有相同的權(quán)值)。

RF是一種基于Bagging算法的重要的集成學(xué)習(xí)方法， 可以用來做分類、 回歸等問題。 隨機(jī)森林算法具有很多優(yōu)點(diǎn)： 能夠處理很高維度的數(shù)據(jù)， 不需要做特征選擇， 對數(shù)據(jù)集的適應(yīng)能力強(qiáng)： 能處理多種類型的數(shù)據(jù)， 數(shù)據(jù)集無需規(guī)范化； 訓(xùn)練速度快， 可以得到變量重要性排序； 不容易陷入過擬合。 其模型參數(shù)包括： n_estimators(隨機(jī)森林中決策樹的數(shù)目)、 max_features(隨機(jī)森林分區(qū)的最大特征數(shù))、 max_depth(決策樹的最大深度)。

圖2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖

每類大米數(shù)據(jù)按照3∶2被劃分成訓(xùn)練集與預(yù)測集。 每種大米288個(gè)樣本， 173個(gè)樣本數(shù)據(jù)被選為訓(xùn)練集， 115個(gè)樣本數(shù)據(jù)作為預(yù)測集， 七種大米共2 016個(gè)樣本。 分類模型的優(yōu)劣是基于分類準(zhǔn)確度(accuracy， ACC)進(jìn)行評估[12]。 ACCT和ACCP分別表征訓(xùn)練集和預(yù)測集的分類準(zhǔn)確度。 圖譜特征的提取， 光譜的預(yù)處理以及特征的變量選擇均是基于MATLAB(R2017b)實(shí)現(xiàn)。 三種分類算法則是基于Python語言的Scikit-learn框架實(shí)現(xiàn)。

2 結(jié)果與討論

2.1 大米反射率光譜特性

為提高大米種類鑒別的準(zhǔn)確度， 選用MSC對400～1 000 nm范圍內(nèi)的大米光譜進(jìn)行預(yù)處理。 圖3(a)和(b)可明顯看出預(yù)處理后的一種大米的光譜相較于原始光譜更加集中， 消除了光譜的散射， 增大七種大米光譜反射率的區(qū)別。 因?yàn)镸SC是用于修正光譜間的相對基線平移和偏移校正的一種數(shù)據(jù)處理方法， 經(jīng)過散射校正后的光譜可以有效的地消除散射影響， 增強(qiáng)有用的光譜吸收信息。 圖3(c)可見七種大米的光譜曲線整體趨勢相同， 在可見光波段(400～680 nm)大米的反射率較低， 曲線平滑。 隨后光譜曲線突增， 在近紅外波段(720～1 000 nm)大米的反射率維持在0.35～0.5之間， 在883, 889和896 nm有三個(gè)窄帶吸收峰， 其出現(xiàn)的原因是大米中與水分有關(guān)的O—H官能團(tuán)的第三次泛音拉伸[13]。 大米的光譜提供了大米主要成分的化學(xué)信息， 如蛋白質(zhì)、 淀粉和水分， 這些成分與C—H (910 nm)， O—H (750～900 nm)和N—H (962～1 000 nm)泛音的拉伸有關(guān)[14]。 同時(shí)， 在近紅外波段可明顯觀察到七種大米具有不同的反射率曲線， 光譜特征大體可實(shí)現(xiàn)大米種類的區(qū)分， 但有些大米曲線相近， 可能無法準(zhǔn)確鑒別， 如五常大米和絲苗米， 上林大米和盤錦大米， 需補(bǔ)充大米其他特征信息來提升大米的鑒別度。

圖3 一種大米的原始反射率光譜(a)、 MSC預(yù)處理光譜(b)以及七種大米的平均反射率光譜(c)

2.2 光譜特征的重要波長選擇

利用SPA， CARS以及CARS-SPA對大米的光譜特征進(jìn)行重要波長的選擇， 減少光譜特征的冗余信息， 為后期數(shù)據(jù)分析提高計(jì)算速率。 SPA通過設(shè)置最小波長點(diǎn)個(gè)數(shù)來確定特征波長數(shù)， 最終獲取15個(gè)光譜重要波長。 CARS是通過自適應(yīng)重加權(quán)采樣技術(shù)選擇出模型中回歸系數(shù)絕對值大的波長點(diǎn)， 去掉權(quán)重小的波長點(diǎn)， 再利用交互驗(yàn)證選出RMSECV值最低的子集， 可有效的找到最優(yōu)波長組合。 經(jīng)過多次試驗(yàn)得出均方根誤差RMSECV的最小值為1.69， 從而得到12個(gè)光譜重要波長。 對于CARS-SPA級聯(lián)方法， 先使用CARS對大米光譜特征進(jìn)行降維后再使用SPA選取最終特征， 經(jīng)過多次嘗試挑選出14個(gè)光譜重要波長(表1)。 SPA和CARS-SPA選取的波長大多數(shù)在近紅外端， 而CARS選取的波長在可見端和近紅外端分布均勻。

表1 不同特征選擇算法選取的光譜重要波長

表2 使用光譜特征的大米種類鑒別結(jié)果(%)

2.3 基于光譜特征的大米種類識別

對260維的全光譜特征和光譜重要波長使用KNN， RF和CNN構(gòu)建模型， 結(jié)果在表2中顯示。 對于全光譜特征， KNN建模效果最差， RF的效果較好， CNN網(wǎng)絡(luò)的模型性能最優(yōu)， ACCT和ACCP分別為92.96%和89.71%。 對SPA和CARS-SPA選擇的重要波長構(gòu)建分類模型， RF模型的效果較好， KNN次之， CNN模型則相差較多， 對大米種類鑒別準(zhǔn)確度都低于70%。 對CARS方法選擇的重要波長建模分析， CNN網(wǎng)絡(luò)較差A(yù)CCT為62.37%， ACCP為60.22%； KNN模型的預(yù)測集準(zhǔn)確度為69%； RF分類結(jié)果最佳， ACCT和ACCP分別為99.99%和74.97%。 優(yōu)于其他兩種變量選擇方法。 但光譜的重要波長相較于全光譜特征的分類準(zhǔn)確度相差較多， 原因可能是光譜整體差異不大， 選擇出來的光譜變量不能表達(dá)出全光譜信息。 此外， 為了更準(zhǔn)確區(qū)分多種大米的種類， 全光譜的分類準(zhǔn)確度有待提高， 需要融入更多信息。

2.4 大米紋理與形態(tài)特征分析

為了融入更多大米的特征信息， 取了大米的紋理和形態(tài)特征。 選用GLGCM方法選取了15個(gè)紋理特征， 形態(tài)特征則選取了11個(gè)常用的大米形態(tài)特征。 為減少紋理和形態(tài)特征的信息冗余， 挑選出與大米種類相關(guān)性較高的重要變量。 考慮到簡便、 快速等特點(diǎn)， SPA被用于對形態(tài)、 紋理特征的篩選。 對紋理特征選取了8個(gè)紋理特征變量， 分別為小梯度優(yōu)勢、 能量、 梯度平均、 灰度均方差、 相關(guān)性、 灰度熵、 梯度熵和慣性。 對形態(tài)特征選取面積， 長軸長， 長短軸比三個(gè)特征變量。 為了更直觀地了解選擇后的紋理、 形態(tài)特征重要變量的整體情況， 我們計(jì)算它們的均值和標(biāo)準(zhǔn)差(表3、 圖4)。

表3 經(jīng)過SPA挑選的八個(gè)紋理特征的均值與標(biāo)準(zhǔn)差(Mean為參數(shù)的均值， Std為參數(shù)的標(biāo)準(zhǔn)差)(像素)

圖4 經(jīng)過SPA挑選的三個(gè)形態(tài)特征(面積， 長軸長， 長短軸比)的均值(a)和標(biāo)準(zhǔn)差(b)

表3可以看出七種大米的紋理特征參數(shù)的均值都有所不同， 但均值差異較小且各個(gè)紋理變量的標(biāo)準(zhǔn)差大都相近， 可用于大米種類區(qū)分但分類效果有待繼續(xù)探究。 圖4中不同種類大米的形態(tài)特征重要變量的均值和標(biāo)準(zhǔn)差的數(shù)值相差不同， 有些差異較大， 有些則相近。 同時(shí)， 相較于所選的紋理參數(shù)， 形態(tài)參數(shù)的差異較大， 對大米鑒別的貢獻(xiàn)能力可能更大。 綜上， 不同種類大米的紋理、 形態(tài)特征存在一定的區(qū)別， 可作為大米種類鑒別的輔助信息。

2.5 譜圖特征融合的大米種類鑒別

為準(zhǔn)確識別七種名優(yōu)大米， 對光譜與紋理、 形態(tài)融合特征構(gòu)建模型(表4)。 KNN模型的分類精度非常差， 光譜與紋理融合的預(yù)測集精度只有45%左右， 光譜與形態(tài)結(jié)合的預(yù)測集準(zhǔn)確度67%左右。 說明KNN模型不適用于多元信息結(jié)合的數(shù)據(jù)。 RF模型的ACCP都在80%以上， 光譜與紋理融合的準(zhǔn)確度在81%左右， 而光譜與形態(tài)融合的準(zhǔn)確度在89%左右。 最優(yōu)結(jié)果來自光譜與形態(tài)特征重要變量的融合， ACCT和ACCP為 99.98%和89.10%。 RF分類準(zhǔn)確度較高的原因是RF里的每一個(gè)決策樹都需要預(yù)測出一個(gè)結(jié)果， 然后綜合考慮所有結(jié)果給出最終的預(yù)測， 對于數(shù)據(jù)集表現(xiàn)良好， 因此精確度比較高。

表4 融合光譜、 紋理與形態(tài)的大米種類鑒別結(jié)果(%)

對于CNN模型， 光譜與紋理結(jié)合的ACCP為82%以上， 而光譜與形態(tài)結(jié)合的ACCP達(dá)到93%以上， 優(yōu)于RF模型。 光譜與形態(tài)特征重要變量融合的分類效果最佳(ACCT=97.19%， ACCP=94.55%)， 具體分類結(jié)果顯示在圖5， 可直觀的看出每類樣本的具體錯(cuò)分情況。 其中， 第一類錯(cuò)分成第七類的樣本較多， 第五類錯(cuò)分成第一類和第七類的樣本較多， 第七類錯(cuò)分成第一類的較多。 說明第一類(京和橋米)、 第五類(上林大米)和第七類大米(五常大米)的相似度較高， 是影響大米種類鑒別準(zhǔn)確度的主要因素。

圖5 光譜與形態(tài)重要變量融合的分類散點(diǎn)圖

綜上所述， 對于圖譜特征的融合， 光譜與形態(tài)特征重要變量融合的特征最優(yōu)。 光譜與紋理融合的建模差于僅用光譜建模， 說明紋理特征弱化了分類結(jié)果， 因?yàn)椴煌N類大米的差異較小， 紋理信息作用不明顯， 因此建模效果差。 對于模型性能來說， CNN模型的性能明顯優(yōu)于其他兩種機(jī)器學(xué)習(xí)方法， 可以提供更好的分類效果。

3 結(jié) 論

發(fā)展一種高光譜成像的圖譜特征與深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)合的名優(yōu)大米無損鑒別方法。 對高光譜圖像提取每種大米的光譜、 紋理與形態(tài)特征， 并選取各類特征中的重要變量。 緊接著， KNN， RF和CNN融合上述特征構(gòu)建大米種類識別模型。 結(jié)果表明， 使用CNN模型對全光譜特征建模分析， 其ACCT和ACCP分別為92.96%和89.71%。 光譜特征重要波長的最優(yōu)結(jié)果ACCP僅為74.97%， 明顯差于使用全光譜的分類準(zhǔn)確度。 對于圖譜特征的融合， 紋理特征的融入弱化了分類性能， 而光譜與形態(tài)特征的融合則提升了分類準(zhǔn)確度。 其中， 光譜與形態(tài)特征變量的融合的效果較好， 且CNN對大米識別的準(zhǔn)確度最高， ACCT和ACCP分別為97.19%和94.55%。 綜上， 基于CNN融合光譜、 形態(tài)特征重要變量可實(shí)現(xiàn)對大米種類的準(zhǔn)確鑒別， 當(dāng)然也可應(yīng)用于其他農(nóng)產(chǎn)品的鑒別和品質(zhì)分析。 然而， 成像光譜儀時(shí)間與經(jīng)濟(jì)成本較高， 構(gòu)建簡易、 低成本的大米種類分析將具有更高的應(yīng)用價(jià)值。 本研究結(jié)果還為基于非成像光譜儀、 數(shù)字圖像設(shè)備搭建大米種類鑒別的便攜式裝置積累相關(guān)經(jīng)驗(yàn)， 為大米種類的在線分析提供了技術(shù)參考。