基于高光譜的馬鈴薯微型種薯分類檢測(cè)

李鴻強(qiáng)，孫 紅，李民贊*

(1.河北建筑工程學(xué)院 數(shù)理系，河北 張家口 075000；2.中國(guó)農(nóng)業(yè)大學(xué) 現(xiàn)代精細(xì)農(nóng)業(yè)系統(tǒng)集成研究教育部重點(diǎn)實(shí)驗(yàn)室，北京 100083)

馬鈴薯是繼小麥、稻谷和玉米之后全球第四大重要的糧食作物。目前，利用光譜技術(shù)對(duì)馬鈴薯塊莖品質(zhì)檢測(cè)主要集中于馬鈴薯的缺陷[1-5]及內(nèi)部品質(zhì)[6-7]，鮮見應(yīng)用于馬鈴薯微型種薯品種檢測(cè)的報(bào)道。馬鈴薯微型種薯(又稱原原種)是用脫毒的試管苗移栽或扦插最初產(chǎn)生的種薯，質(zhì)量約1～20 g，其經(jīng)濟(jì)價(jià)值高，經(jīng)過(guò)多年發(fā)展已有較多品種，為保證品種的純度，開展馬鈴薯微型種薯種類無(wú)損鑒別研究，有助于馬鈴薯生產(chǎn)的良性發(fā)展。

模式識(shí)別是最常用的一種借助于數(shù)學(xué)方法進(jìn)行光譜模式區(qū)分和識(shí)別的綜合方法。光譜定性分析的模式識(shí)別方法有判別分析(DA)[8]、BP神經(jīng)網(wǎng)絡(luò)[9]、支持向量機(jī)(SVM)[10-13]。DA是一種線性分類器,其原理是將帶上標(biāo)簽的數(shù)據(jù)點(diǎn)通過(guò)投影方法，投影到維度更低的空間中，使得投影后的點(diǎn)會(huì)形成按類別區(qū)分為一簇一簇的情況，相同類別的點(diǎn)將會(huì)在投影后的空間中更接近。對(duì)于K個(gè)類別的分類問(wèn)題，每個(gè)類別對(duì)應(yīng)一個(gè)分類公式，將待識(shí)別對(duì)象代入分類公式，得到K個(gè)分類值，其最大值決定待識(shí)別對(duì)象的類別。BP神經(jīng)網(wǎng)絡(luò)是一種多層的前向型神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)中信號(hào)為前向傳播，誤差的調(diào)整過(guò)程從最后的輸出層依次向之前各層逐漸進(jìn)行，標(biāo)準(zhǔn)的BP網(wǎng)絡(luò)采用梯度下降算法，網(wǎng)絡(luò)權(quán)值沿著性能函數(shù)的梯度反向調(diào)整，該網(wǎng)絡(luò)模式識(shí)別是一種有監(jiān)督的模式識(shí)別方法，通常具有一個(gè)或多個(gè)Sigmoid隱含層和線性輸出層。SVM是Vapnik等[14]于1992年首先提出的機(jī)器學(xué)習(xí)方法，可用作模式識(shí)別，其理論基礎(chǔ)是結(jié)構(gòu)風(fēng)險(xiǎn)最小化的近似實(shí)現(xiàn)，能較好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問(wèn)題?；诖?，本研究采用高光譜分析技術(shù)和模式識(shí)別方法，對(duì)大西洋等8種馬鈴薯微型種薯的分類檢測(cè)方法進(jìn)行研究。

1 實(shí)驗(yàn)部分

1.1 儀器與樣品

“蓋亞(Gaia Sorter)”高光譜分選儀，配卓立漢光公司Image-λ“譜像”系列高光譜相機(jī)[15-16]；Gaia Sorter高光譜成像系統(tǒng)由鏡頭(OL23)、面陣CCD偵測(cè)器(LT365)、光譜儀(V17E)、均勻光源(2套溴鎢燈)、電控移動(dòng)平臺(tái)、計(jì)算機(jī)及控制軟件等部件組成；攝像頭分辨率為320×256 pix，光譜范圍為860～1 745 nm，光譜分辨率為5 nm，光譜采樣點(diǎn)為6.3 nm，光譜通道數(shù)為256。

實(shí)驗(yàn)所用馬鈴薯微型種薯為大西洋(24個(gè))、荷蘭-14(28個(gè))、荷蘭十五041(50個(gè))、荷蘭十五Q8(60個(gè))、冀張薯12號(hào)(24個(gè))、冀張薯8號(hào)(31個(gè))、興佳2號(hào)(24個(gè))和Y2(36個(gè)) 8個(gè)品種總計(jì)276個(gè)樣本。其中大西洋馬鈴薯還原糖含量低，主要用作油炸馬鈴薯片，中熟品種；荷蘭-14為紅皮黃肉，鮮食中熟品種；荷蘭十五041為黃皮黃肉，鮮食早熟品種；荷蘭十五Q8為黃皮黃肉，鮮食中熟品種；冀張薯12號(hào)為白皮白肉，鮮食高產(chǎn)中熟品種；冀張薯8號(hào)為白皮白肉，鮮食晚熟品種；興佳2號(hào)為黃皮黃肉，鮮食中熟品種；Y2為黃皮黃肉，晚熟品種。8種種薯，生長(zhǎng)周期和內(nèi)在品質(zhì)各有特點(diǎn)。

1.2 光譜采集

高光譜圖像數(shù)據(jù)采集前，先預(yù)熱系統(tǒng)，以消除基線漂移的影響。對(duì)高光譜成像儀進(jìn)行調(diào)焦，設(shè)定曝光時(shí)間，調(diào)整輸送裝置速度，調(diào)整鏡頭高度，保證得到清晰的圖像。供試樣品去除表面雜質(zhì)，常溫靜置24 h，采集光譜數(shù)據(jù)，調(diào)試后的采集參量為：鏡頭高度26.5 cm，前進(jìn)速度0.75 cm/s，回退速度3 cm/s，曝光時(shí)間25 ms。利用系統(tǒng)自帶Spec View軟件進(jìn)行采集控制，每個(gè)樣本對(duì)應(yīng)一個(gè)包含影像信息和光譜信息的三維數(shù)據(jù)立方體，由于1 700～1 745 nm波長(zhǎng)范圍的光譜重疊嚴(yán)重，因此選擇860～1 700 nm的數(shù)據(jù)進(jìn)行分析，共256個(gè)波長(zhǎng)。

1.3 數(shù)據(jù)提取及處理方法

利用光譜采集系統(tǒng)自帶的Spec View軟件進(jìn)行黑白校正，使用ENVI 5.1軟件從校正后的圖像中獲取5～6個(gè)10像素×10像素的感興趣區(qū)域(Region of interest,ROI)，獲得原始光譜數(shù)據(jù)。數(shù)據(jù)處理均在MATLAB R2013b環(huán)境中進(jìn)行。

1.4 光譜預(yù)處理與模型性能評(píng)價(jià)方法

1.4.1 光譜預(yù)處理光譜預(yù)處理[17]采用Z-Score標(biāo)準(zhǔn)化、Savitzky-Golay卷積平滑、一階導(dǎo)數(shù)。Z-Score標(biāo)準(zhǔn)化是基于原始數(shù)據(jù)的均值和標(biāo)準(zhǔn)差進(jìn)行數(shù)據(jù)的標(biāo)準(zhǔn)化方法，其計(jì)算采用原始數(shù)據(jù)減去原始數(shù)據(jù)的均值，得到的差再除以原始數(shù)據(jù)的標(biāo)準(zhǔn)差。Savitzky-Golay卷積平滑通過(guò)移動(dòng)窗口，利用最小二乘法進(jìn)行最佳擬合，以最小二乘擬合系數(shù)為數(shù)字濾波響應(yīng)函數(shù)進(jìn)行原光譜的卷積平滑處理。本研究采用11點(diǎn)Savitzky-Golay卷積平滑，將Savitzky-Golay系數(shù)W=[-36,9,44,69,84,89,84,69,44,9,-36]代入公式(1)求解：

(1)

一階導(dǎo)數(shù)可消除基線漂移或平緩背景干擾的影響，本研究使用4點(diǎn)差分公式計(jì)算一階微分光譜：

(2)

式中，xi表示波長(zhǎng)i處的原始光譜反射率數(shù)據(jù)；f′(xi)表示波長(zhǎng)i處的微分光譜反射率；h表示差分時(shí)的步長(zhǎng)(本研究取h=2)。

1.4.2 分類模型性能評(píng)價(jià)方法模型鑒定效果的評(píng)價(jià)指標(biāo)為正確識(shí)別率和錯(cuò)誤識(shí)別率。

正確識(shí)別率=(正確接收的樣品個(gè)數(shù)/測(cè)試樣品個(gè)數(shù))×100%

錯(cuò)誤識(shí)別率=(錯(cuò)誤接收的樣品個(gè)數(shù)/測(cè)試樣品個(gè)數(shù))×100%

圖1 8個(gè)品種種薯的原始光譜圖Fig.1 Raw spectra of eight seed potatos

2 結(jié)果與討論

2.1 原始光譜特點(diǎn)分析

8個(gè)品種種薯的平均原始光譜見圖1，其光譜反射率總體變化趨勢(shì)一致，均在960～1 100、1 160～1 200、1 410～1 510 nm之間表現(xiàn)出不同程度的深吸收；在880～920、1 060～1 100、1 260～1 300 nm范圍內(nèi)表現(xiàn)為不同程度的局部強(qiáng)反射，在915 nm處的光譜反射率出現(xiàn)尖峰，在915～956 nm和1 122～1 149 nm范圍內(nèi)的光譜反射率出現(xiàn)急速下降。大西洋品種在885～1 130 nm之間的反射率在8個(gè)品種種薯樣品中最低，而在1 370～1 660 nm之間的反射率最高。荷蘭-14在920～1 400 nm之間的反射率最高。荷蘭十五041和荷蘭十五Q8在整個(gè)波段反射率處于中等水平，荷蘭十五Q8在1 100～1 370 nm時(shí)的反射率整體高于荷蘭十五041，而在1 370～1 635 nm的反射率又整體低于荷蘭十五041。冀張薯12號(hào)在860～930 nm的反射率在8個(gè)品種種薯中最高。冀張薯8號(hào)與冀張薯12號(hào)的反射率變化規(guī)律相似，但在整個(gè)波段中的反射率低于冀張薯12號(hào)。Y2品種在1 400～1 510 nm的反射率在8個(gè)品種種薯中最低，之后反射率平穩(wěn)上升。興佳2號(hào)與Y2品種的反射率變化規(guī)律較相似，但在1 510 nm之前各點(diǎn)反射率比Y2高，而在1 510 nm后反射率回升速度低于Y2。

由此可見，8個(gè)品種種薯樣本的光譜反射率總體變化趨勢(shì)一致，但彼此間存在一定差異，為后續(xù)依據(jù)光譜反射率建立微型種薯分類模型奠定了基礎(chǔ)。

2.2 數(shù)據(jù)處理

對(duì)原始光譜進(jìn)行標(biāo)準(zhǔn)化、Savitzky-Golay平滑和一階導(dǎo)數(shù)光譜預(yù)處理，以預(yù)處理后的數(shù)據(jù)所建SVM模型的測(cè)試性能作為預(yù)處理方法的選擇依據(jù)，最終確定標(biāo)準(zhǔn)化、11點(diǎn)Savitzky-Golay平滑和步長(zhǎng)為2的一階差分導(dǎo)數(shù)的組合光譜預(yù)處理為本實(shí)驗(yàn)的最佳預(yù)處理方法。對(duì)處理后的光譜數(shù)據(jù)進(jìn)行主成分分析，得前3個(gè)主成分的累積貢獻(xiàn)率為95.12%，表明前3個(gè)主成分基本包含了原始光譜的大部分信息。

2.3 探索分類

以前3個(gè)主成分為分類參數(shù)，研究8種馬鈴薯微型種薯的分類方法[18]?？紤]到種類較多，首先，選用泛化能力強(qiáng)的支持向量機(jī)進(jìn)行探索分類。所建支持向量機(jī)分類模型的測(cè)試結(jié)果如下：大西洋測(cè)試正確率50.00%，荷蘭-14測(cè)試正確率75.00%，荷蘭十五041測(cè)試正確率96.67%，荷蘭十五Q8測(cè)試正確率51.28%，冀張薯8號(hào)測(cè)試正確率100%，冀張薯12號(hào)測(cè)試正確率25.00%，興佳2號(hào)測(cè)試正確率50.00%，Y2測(cè)試正確率為31.25%?？倻y(cè)試正確率為49.14%，測(cè)試錯(cuò)誤率為50.86%，由此可見，8個(gè)品種用一個(gè)模型分類判別的效果較差，需分組、分步驟建立檢測(cè)模型。

圖2 樣本得分圖Fig.2 Sample score chart

圖2為樣本1,3主成分得分圖。由圖可見，3類樣本類間重疊較少，存在明顯的界限，類內(nèi)又具有聚集性。其它5個(gè)品種分布在大西洋、荷蘭-14、荷蘭十五041之間。因此，首先將大西洋、荷蘭-14、荷蘭十五041和其它5個(gè)品種看成4個(gè)類別建立模型。再對(duì)其它5個(gè)品種分組探索分類模型。以此類推，分組、分步驟建立8個(gè)品種的分類檢測(cè)模型。

2.4 分組、分步驟建模

2.4.1 大西洋、荷蘭-14、荷蘭十五041和其它品種的線性判別分類模型將大西洋、荷蘭-14、荷蘭十五041和其它品種分為4組，設(shè)置類別標(biāo)簽依次為“1,2,3,4”，以1,3主成分得分作為分類變量，建立以上4個(gè)類別種薯的線性判別分類模型。訓(xùn)練集160個(gè)樣本，測(cè)試集116個(gè)樣本。

測(cè)試集測(cè)試混淆結(jié)果如表1所示。大西洋(4個(gè))測(cè)試正確率75.00%，荷蘭-14(8個(gè))測(cè)試正確率87.50%，荷蘭十五041(30個(gè))，測(cè)試正確率92.86%，其它品種(74個(gè))測(cè)試正確率87.84%。大西洋、荷蘭-14、荷蘭十五041測(cè)試錯(cuò)誤樣本均被測(cè)試為其它品種，其它品種樣本被錯(cuò)誤測(cè)試為大西洋和荷蘭-14樣本有8個(gè)，占錯(cuò)誤測(cè)試樣本的87.50%。由此可見，大西洋、荷蘭-14、荷蘭十五041三者之間線性分類界限分明。線性判別模型的平均正確識(shí)別率為88.79%，可作為大西洋、荷蘭-14、荷蘭十五041和其它品種的分類模型。

表1 大西洋、荷蘭-14、荷蘭十五041和其它品種的線性分類測(cè)試結(jié)果Table 1 Classification test results of Daxiyang，Holland-14，Holland fifteen 041 and other

2.4.2 荷蘭十五Q8、冀張薯8號(hào)、冀張薯12號(hào)、興佳2號(hào)與Y2的分類模型對(duì)“2.4.1”中其它品種種薯應(yīng)用BP神經(jīng)網(wǎng)絡(luò)分類建模，測(cè)試集測(cè)試混淆結(jié)果見表2。由表2數(shù)據(jù)計(jì)算得：荷蘭十五Q8測(cè)試正確率41.03%，冀張薯8號(hào)測(cè)試正確率54.55%，冀張薯12號(hào)測(cè)試正確率50.00%，興佳2號(hào)測(cè)試正確率50.00%，Y2測(cè)試正確率93.75%。Y2樣本的測(cè)試準(zhǔn)確率較高，冀張薯8號(hào)的測(cè)試準(zhǔn)確率也高于其它品種，Y2樣本被錯(cuò)誤識(shí)別的1個(gè)樣本被測(cè)試為興佳2號(hào)，冀張薯8號(hào)的5個(gè)樣本被錯(cuò)誤識(shí)別為Y2。冀張薯8號(hào)和Y2對(duì)其它品種非線性判別分析界限較明顯，但此二者間的分類界限模糊。

表2 荷蘭十五Q8、冀張薯8號(hào)、冀張薯12號(hào)、興佳2號(hào)和Y2的BP網(wǎng)絡(luò)分類測(cè)試結(jié)果Table 2 Classification test results of BP neural network for Holland fifteen Q8,Jizhangshu 8,Jizhangshu 12,Xingjia 2 and Y2

2.4.3 荷蘭十五Q8、冀張薯12號(hào)、興佳2號(hào)與冀張薯8號(hào)、Y2分類模型由“2.4.2”分類模型的測(cè)試結(jié)果可知，冀張薯8號(hào)和Y2分類特性較相似，兩者不易區(qū)分，荷蘭十五Q8、冀張薯12號(hào)和興佳2號(hào)相互之間均有誤判。因此，將冀張薯8號(hào)和Y2合并作為一類，荷蘭十五Q8、冀張薯12號(hào)和興佳2號(hào)合并作為另一類，分別進(jìn)行2分類建模。

應(yīng)用BP神經(jīng)網(wǎng)絡(luò)分類建模，測(cè)試集測(cè)試混淆結(jié)果顯示第一類(荷蘭十五Q8、冀張薯12號(hào)、興佳2號(hào))47個(gè)測(cè)試樣本的測(cè)試正確率為91.49%，4個(gè)測(cè)試為第二類(冀張薯8號(hào)和Y2)，測(cè)試錯(cuò)誤率8.51%。第二類(冀張薯8號(hào)和Y2)27個(gè)測(cè)試樣本的測(cè)試正確率為96.30%，測(cè)試錯(cuò)誤率為3.70%。由此可見，兩類分類模型均有很高的分類精度，測(cè)試集正確識(shí)別率均在90%以上，平均正確識(shí)別率為93.24%。

2.4.4 荷蘭十五Q8、冀張薯12號(hào)、興佳2號(hào)分類模型應(yīng)用支持向量機(jī)對(duì)荷蘭十五Q8、冀張薯12號(hào)、興佳2號(hào)進(jìn)行分類建模。結(jié)果顯示：荷蘭十五Q8的測(cè)試正確率為89.74%，4個(gè)錯(cuò)誤測(cè)試為興佳2號(hào)，測(cè)試錯(cuò)誤率10.26%。冀張薯12號(hào)的測(cè)試正確率75.00%，1個(gè)錯(cuò)誤測(cè)試為荷蘭十五Q8，測(cè)試錯(cuò)誤率25.00%。興佳2號(hào)的測(cè)試正確率為75.00%，1個(gè)錯(cuò)誤測(cè)試為荷蘭十五Q8，測(cè)試錯(cuò)誤率25.00%。平均正確識(shí)別率為87.23%。

2.4.5 冀張薯8號(hào)、Y2分類模型應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)冀張薯8號(hào)、Y2建立分類模型，結(jié)果顯示：冀張薯8號(hào)的測(cè)試正確率為72.73%，3個(gè)測(cè)試為Y2品種，測(cè)試錯(cuò)誤率27.27%。Y2的測(cè)試正確率為81.25%，3個(gè)測(cè)試為冀張薯8號(hào)，測(cè)試錯(cuò)誤率18.75%。平均正確識(shí)別率為77.78%。

3 結(jié) 論

以第1和第3主成分作為分類變量，應(yīng)用判別分析、BP神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)對(duì)大西洋、荷蘭-14、荷蘭十五041、荷蘭十五Q8、冀張薯12號(hào)、冀張薯8號(hào)、興佳2號(hào)和Y2高光譜分類檢測(cè)方法進(jìn)行了研究。由于類別較多，且類間特征差別較小，難以建立8個(gè)馬鈴薯微型種薯的統(tǒng)一分類模型，即使是泛化能力最好的SVM模型，平均測(cè)試正確率也僅49.14%，因此需分步驟、分組建模。最終建立了3層的分組、分層檢測(cè)策略：第1層采用線性判別分析模型將待測(cè)樣本判別為大西洋、荷蘭-14、荷蘭十五041或其它品種，平均正確識(shí)別率達(dá)88.79%。第2層采用BP神經(jīng)網(wǎng)絡(luò)模型將其它品種樣本判別為2類，一類冀張薯8號(hào)和Y2，另一類為荷蘭十五Q8、冀張薯12號(hào)和興佳2號(hào)，平均正確識(shí)別率達(dá)93.24%。第3層利用支持向量機(jī)分類模型荷蘭十五Q8、冀張薯12號(hào)和興佳2號(hào)3個(gè)品種，平均正確識(shí)別率達(dá)87.23%，利用BP神經(jīng)網(wǎng)絡(luò)分類模型區(qū)分冀張薯8號(hào)和Y2品種，平均正確識(shí)別率達(dá)77.78%。表明高光譜分析技術(shù)可用于馬鈴薯微型種薯的類別檢測(cè)。