基于高光譜成像技術(shù)的發(fā)芽小麥分類(lèi)研究

張玉榮，盧冠鏹，吳 瓊，張咚咚，潘運(yùn)宇，周顯青

河南工業(yè)大學(xué) 糧食和物資儲(chǔ)備學(xué)院，糧食儲(chǔ)藏與安全教育部工程研究中心，河南省糧食產(chǎn)后減損工程技術(shù)研究中心, 河南 鄭州 450001

我國(guó)人口眾多，糧食安全不僅是維持社會(huì)穩(wěn)定和發(fā)展的重要前提，也是實(shí)現(xiàn)國(guó)家安全的重要基礎(chǔ)[1]。小麥?zhǔn)斋@前遇到陰雨天或在水分含量高時(shí)儲(chǔ)藏均容易發(fā)芽，從而造成產(chǎn)量及品質(zhì)降低[2-3]。小麥穗發(fā)芽嚴(yán)重地區(qū)的小麥一般可減產(chǎn)6%～10%，而較為嚴(yán)重的年份產(chǎn)量損失則高達(dá)20%[4]，芽麥比例高于標(biāo)準(zhǔn)規(guī)定值也會(huì)導(dǎo)致小麥難以出售或低價(jià)出售而造成嚴(yán)重的經(jīng)濟(jì)失損。有學(xué)者認(rèn)為依據(jù)小麥品質(zhì)的變化可以將萌動(dòng)和發(fā)芽歸為一類(lèi)[5]，且發(fā)芽小麥含量不超過(guò)15%時(shí)，對(duì)其食用品質(zhì)無(wú)明顯影響[6]，而有的學(xué)者認(rèn)為發(fā)芽前后小麥的諸多營(yíng)養(yǎng)成分均發(fā)生較大變化，對(duì)小麥品質(zhì)的影響十分明顯[7]。

在實(shí)際檢驗(yàn)工作中依據(jù)GB 1350通過(guò)感官評(píng)價(jià)對(duì)小麥發(fā)芽進(jìn)行判斷，GB 1350中規(guī)定小麥發(fā)芽包括未突破種皮的萌動(dòng)和突破種皮的發(fā)芽。突破種皮的可以通過(guò)肉眼直接觀測(cè)挑選，而未突破種皮的萌動(dòng)粒由于特征不明顯，容易受到主觀因素的影響，造成很大誤差，目前為了更準(zhǔn)確地判斷小麥的階段需要通過(guò)核磁共光譜法、降落數(shù)值法、免疫層析法、α-淀粉酶法、X-射線檢測(cè)法等試驗(yàn)方法。由于生化實(shí)驗(yàn)測(cè)定以及分子實(shí)驗(yàn)測(cè)定操作煩瑣、耗時(shí)、成本較高，對(duì)樣品具有破壞性，因此探索一種快速無(wú)損檢測(cè)小麥發(fā)芽的方法勢(shì)在必行[8-9]。高光譜成像技術(shù)于20世紀(jì)80年代初期興起，是光譜和圖像相結(jié)合的快速無(wú)損檢測(cè)技術(shù)。對(duì)于高光譜成像技術(shù)在農(nóng)產(chǎn)品檢測(cè)領(lǐng)域中的研究主要集中在果蔬、肉類(lèi)以及種子相關(guān)品質(zhì)檢測(cè)等方面。目前高光譜成像技術(shù)在小麥籽粒檢測(cè)方面應(yīng)用比較廣泛，琚書(shū)存等[10]利用高光譜獲取健康小麥和感染赤霉病小麥的高光譜圖像，通過(guò)主成分分析提取光譜特征，F(xiàn)isher線性判別分析和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行識(shí)別，發(fā)現(xiàn)一階導(dǎo)數(shù)(1ST)-主成分分析(PCA)-BP神經(jīng)網(wǎng)絡(luò)的組合識(shí)別赤霉病粒的正確度可達(dá)91.67%。郝傳銘等[11]將高光譜圖像進(jìn)行波段選擇和數(shù)據(jù)降維并與高分辨率圖像融合識(shí)別小麥的不完善粒，對(duì)小麥發(fā)芽狀態(tài)的無(wú)損檢測(cè)提供了新思路。王新忠等[12]利用主成分分析結(jié)合支持向量機(jī)鑒別黃瓜種子的活力。Singh等[13]利用高光譜成像系統(tǒng)在1 000～1 600 nm范圍內(nèi)收集了正常小麥種子和發(fā)芽小麥的圖譜，建立分類(lèi)模型識(shí)別兩種小麥，分類(lèi)器的準(zhǔn)確度為98.3%。Chen等[14]通過(guò)近紅外高光譜成像系統(tǒng)收集不同時(shí)間發(fā)芽試驗(yàn)后的小麥高光譜數(shù)據(jù)，并將胚乳與胚分別處理，得出高光譜可以反映小麥發(fā)芽特性的結(jié)論。張婷婷等[15]利用多種預(yù)處理方法建立光譜與單籽粒小麥生活力模型，在比較不同特征提取方法后進(jìn)一步優(yōu)化模型，最終確定MC-UVE-CARS-SPA-PLS-DA模型對(duì)種子發(fā)芽率預(yù)測(cè)可以達(dá)到93.1%。

本文利用高光譜對(duì)不同發(fā)芽程度的小麥進(jìn)行掃描，對(duì)比4種預(yù)處理方法篩選出最優(yōu)的預(yù)處理方法。利用數(shù)據(jù)處理方法建立小麥發(fā)芽程度識(shí)別分類(lèi)的最佳模型，探索一種快速、無(wú)損檢測(cè)小麥發(fā)芽的方法，為精確地檢測(cè)小麥發(fā)芽提供理論依據(jù)。

1 材料與方法

1.1 試驗(yàn)材料

采用河南省周口市2019年新收獲的新麥26、百農(nóng)307以及蘭考198的小麥種子。在實(shí)驗(yàn)室清理后密封貯存在4 ℃的冰箱中。

1.2 芽麥制備

小麥發(fā)芽試驗(yàn)參考GB/T 5520，每2 h觀察1次，挑選出不同發(fā)芽狀態(tài)的小麥，包括鼓泡(小麥胚部吸水膨脹，但種皮還未破裂)、皮裂(小麥胚部種皮破裂且未分化芽尖)、露白(小麥胚部突破種皮且分化出2或3個(gè)芽尖)、芽0.5(芽長(zhǎng)度為籽粒長(zhǎng)度的1/2)、芽1(芽長(zhǎng)度等于小麥籽粒長(zhǎng)度)5類(lèi)，干燥后備用。小麥種子發(fā)芽狀態(tài)見(jiàn)圖1。

注：從左往右分別為原始小麥(未經(jīng)過(guò)任何處理的小麥)、鼓泡、皮裂、露白、芽0.5、芽1。圖1 小麥種子發(fā)芽狀態(tài)Fig.1 Images of germination status of wheat seeds

1.3 試驗(yàn)方法

1.3.1 高光譜圖像采集

近紅外增強(qiáng)型的高光譜成像系統(tǒng)如圖2所示，掃描光譜范圍為850～1 700 nm。核心部分包括光源、光譜相機(jī)、電控移動(dòng)平臺(tái)、計(jì)算機(jī)控制軟件等部分。為了使采集的圖像更加準(zhǔn)確地反映出樣品的實(shí)際形態(tài)，優(yōu)化后的采集參數(shù)設(shè)置：電機(jī)前進(jìn)速度4.8 mm/s，曝光時(shí)間15 ms，幀速5，物距12.5 cm。每次取小麥籽粒20粒左右，腹溝朝下隨機(jī)擺放于移動(dòng)平臺(tái)上，通過(guò)Spec View軟件控制進(jìn)行采集。采集前進(jìn)行黑白板校正，去除暗電流以及外界光線對(duì)圖像的影響。

圖2 高光譜成像系統(tǒng)Fig.2 Hyperspectral imaging system

1.3.2 高光譜圖像處理

黑白板校正后，采用二維中值濾波函數(shù)對(duì)原始圖像去噪，然后采用大津法(OTSU)計(jì)算背景與小麥籽粒的閾值，轉(zhuǎn)化為二值圖像,隨后利用開(kāi)閉運(yùn)算去除二維中值濾波處理，如圖3e所示。在MATLAB中采用八連通域和regionprops工具獲取小麥籽粒的像素點(diǎn)。根據(jù)質(zhì)心位置以最小外接矩形將小麥籽粒框起來(lái)并將其標(biāo)記排序，如圖3f所示。提取出的小麥的像素點(diǎn)上下左右各加5個(gè)像素點(diǎn)成為一個(gè)感興趣區(qū)域，如圖3g所示。然后對(duì)小麥進(jìn)行掩膜，結(jié)果見(jiàn)圖3h，整體流程如圖3所示。轉(zhuǎn)化后的二值圖像對(duì)去噪后原始圖像進(jìn)行遮擋，將背景完全去除，保留小麥籽粒的完整信息。對(duì)原始小麥進(jìn)行掩膜去除背景，在ENVI 5.1中選中整粒小麥作為感興趣區(qū)域，最終獲得3 302粒不同發(fā)芽狀態(tài)小麥的平均光譜數(shù)據(jù)。

注：a為原始圖像，b為灰度圖像，c為去噪后圖像，d為二值圖像；e為開(kāi)閉運(yùn)算處理結(jié)果，f為連通域獲取標(biāo)記，g為單籽粒小麥分割，h為掩膜結(jié)果。圖3 獲取感興趣區(qū)域流程Fig.3 Flow chart of ROI

1.3.3 樣本集與光譜預(yù)處理

高光譜的光譜數(shù)據(jù)集，可能有個(gè)別光譜數(shù)據(jù)偏離大量數(shù)據(jù)統(tǒng)計(jì)的情況發(fā)生[16]，參與后續(xù)計(jì)算會(huì)影響試驗(yàn)結(jié)果的準(zhǔn)確性，在一定程度上降低了淹沒(méi)現(xiàn)象[17]，故需對(duì)異常值進(jìn)行剔除。通過(guò)Kennard-Stone(K-S)法以4∶ 1劃分訓(xùn)練集2 631個(gè)、測(cè)試集658個(gè)。對(duì)小麥種子光譜曲線采取Savitzky-Golay(S-G)卷積平滑法、導(dǎo)數(shù)法、標(biāo)準(zhǔn)化等預(yù)處理。

Savitzky-Golay卷積平滑法[18]是目前應(yīng)用較為廣泛的去噪方法，移動(dòng)窗口寬度(常稱(chēng)平滑點(diǎn)數(shù))的影響明顯低于移動(dòng)平均平滑法。通過(guò)多項(xiàng)式對(duì)移動(dòng)窗口內(nèi)的數(shù)據(jù)進(jìn)行多項(xiàng)式最小二乘擬合，其實(shí)質(zhì)是一種加權(quán)平均法[19]。既能去噪提高分析信號(hào)的信噪比，又可較好地保留光譜中有用的信息。

導(dǎo)數(shù)法在光譜分析中十分常見(jiàn)。通過(guò)求導(dǎo)可以消除基線漂移或背景引起的誤差，可提高原始光譜的分辨率和靈敏度，分辨出重疊峰，但會(huì)放大光譜中高頻的噪聲信號(hào)[20]，根據(jù)采樣點(diǎn)數(shù)不同可分為直接求導(dǎo)法和Savitzky-Golay卷積求導(dǎo)法(1ST、2ND)[21-22]。

標(biāo)準(zhǔn)化(autoscaling)又稱(chēng)均值方差化，光譜標(biāo)準(zhǔn)化變換是將均值中心化處理后的光譜再除以校正集高光譜陣的標(biāo)準(zhǔn)偏差光譜[23]。標(biāo)準(zhǔn)正態(tài)變量變換(SNV)主要是用來(lái)消除固體顆粒大小、表面散射以及光程變化對(duì)NIR漫反射光譜的影響[24]。該算法是對(duì)一條光譜(基于光譜矩陣的行)進(jìn)行處理。

1.3.4 特征波長(zhǎng)提取

高光譜掃描得出的光譜波長(zhǎng)范圍較大，包含信息量較大，相似的化學(xué)信息可能會(huì)產(chǎn)生相同的光譜信息。通過(guò)對(duì)一些數(shù)據(jù)降維的方法可以篩選出具有代表性、相關(guān)性較高的特征波長(zhǎng)代替全波長(zhǎng)的光譜建立模型，在滿足模型性能的穩(wěn)定以及準(zhǔn)確度的情況下可以?xún)?yōu)化數(shù)據(jù)結(jié)構(gòu)，提高運(yùn)算速度[25]。選擇競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法(CARS)[26]，利用蒙特卡洛抽樣根據(jù)偏最小二乘的系數(shù)選擇特征波長(zhǎng)[27]。

1.3.5 建模方法

最小二乘支持向量機(jī)(Least squares-support vector machine，LS-SVM)是一種傳統(tǒng)的非線性監(jiān)督型建模分析、模式識(shí)別和函數(shù)估計(jì)算法，采用最小二乘線性系統(tǒng)作為損失函數(shù)，通過(guò)解一組線性方程組代替?zhèn)鹘y(tǒng)SVM采用的較復(fù)雜的二次規(guī)劃方法，從而降低回歸或分類(lèi)預(yù)測(cè)模型的計(jì)算負(fù)荷量，加快運(yùn)算速度和準(zhǔn)確度，核函數(shù)與正則化參數(shù)的取值會(huì)影響模型的泛化性能。

1.3.6 LS-SVM參數(shù)尋優(yōu)

核函數(shù)與正則化參數(shù)的確定對(duì)模型性能起到關(guān)鍵作用，通常按照經(jīng)驗(yàn)或試湊法，會(huì)影響模型精度[28]。PSO是一種進(jìn)化計(jì)算技術(shù)，從鳥(niǎo)群覓食的行為受到啟發(fā)，由Eberhart和Kennedy提出[29]。用無(wú)質(zhì)量的粒子模擬鳥(niǎo)群中的個(gè)體，有速度與方向兩種屬性，在空間中尋找最優(yōu)解，記錄個(gè)體的最優(yōu)解，并且與其他粒子交換信息。群體中的粒子根據(jù)個(gè)體當(dāng)前最優(yōu)解與群體當(dāng)前最優(yōu)解調(diào)整速度與方向，直到找到全局最優(yōu)解[30]。原理是隨機(jī)產(chǎn)生具有一定速度和方向、適應(yīng)度的粒子，在空間中尋找最優(yōu)解。

2 結(jié)果與分析

2.1 不同發(fā)芽狀態(tài)小麥籽粒的平均光譜

將1.3.2中處理過(guò)的高光譜小麥圖像在ENVI5.1中提取感興趣區(qū)域內(nèi)的平均光譜。由于光譜在850～870 nm以及1 650～1 700 nm處噪聲較大，因此剔除這兩部分光譜，取870～1 650 nm范圍內(nèi)光滑的波譜曲線進(jìn)行分析。由圖4可知，隨著小麥發(fā)芽程度的增加光譜曲線逐漸變高，其中露白、芽0.5、芽1 小麥的光譜曲線幾乎重合，與原樣產(chǎn)生較大差別。皮裂期的光譜也明顯高于原樣，接近另外3種發(fā)芽程度較深的小麥。鼓泡期光譜也有小幅度地升高。由于發(fā)芽過(guò)程中淀粉、蛋白質(zhì)等被大量消耗，很多C—H、O—H、N—H等化學(xué)鍵斷裂或振動(dòng)，致使出現(xiàn)了明顯的波峰與波谷[31-32]。不同發(fā)芽程度的小麥內(nèi)部化學(xué)信息的變化都十分明顯地反映在光譜曲線上。

圖4 6種發(fā)芽狀態(tài)小麥種子的平均光譜Fig.4 Average spectra of wheat seeds in six sprouted status

2.2 光譜預(yù)處理方法對(duì)分類(lèi)模型的影響

對(duì)小麥種子光譜曲線采取Savitzky-Golay卷積平滑法、導(dǎo)數(shù)法、標(biāo)準(zhǔn)化等預(yù)處理，結(jié)果如圖5所示。將4種預(yù)處理后的光譜信息分別建立LS-SVM分類(lèi)模型，識(shí)別結(jié)果見(jiàn)表1。與原始光譜模型相比，經(jīng)預(yù)處理后，對(duì)不同發(fā)芽狀態(tài)小麥的識(shí)別準(zhǔn)確率均有提高，其中SNV識(shí)別準(zhǔn)確率最高為91.70%，提升了2.44%，除芽0.5和皮裂外，各個(gè)發(fā)芽期小麥均在SNV時(shí)識(shí)別準(zhǔn)確率最高。S-G(5點(diǎn))處理結(jié)果不太理想，與原始光譜建立的模型基本相同，準(zhǔn)確度提升有限。其中導(dǎo)數(shù)處理準(zhǔn)確度提升不明顯的原因可能是在放大特征的同時(shí)噪聲信息也被放大。SNV預(yù)處理后準(zhǔn)確度最高，因此將其作為最優(yōu)的預(yù)處理方法。

注：a、b、c窗口寬度為5。圖5 小麥種子光譜曲線預(yù)處理結(jié)果Fig.5 Pretreatment results of spectra of wheat seeds

表1 基于不同光譜預(yù)處理方法建立LS-SVM的分類(lèi)結(jié)果Table 1 Classification results of LS-SVM based on different spectral preprocessing methods

2.3 基于粒子群法的LS-SVM參數(shù)尋優(yōu)

PSO參數(shù)設(shè)置：學(xué)習(xí)因子c1=1.5，c2=1.7，種群規(guī)模sizepop= 20，最大迭代次數(shù)200，慣性因子(w) 0.6，核函數(shù)選擇徑向基函數(shù)(RBF)，正則化參數(shù)(gam)最小值(popmin)0.01，最大值(popmax)1 000，迭代最大速度Vcmax=k×popcmax，迭代最小速度Vcmin=-Vcmax，核函數(shù)參數(shù)(sig2)最小值(popmin)0.01，最大值(popmax)100，迭代最大速度Vgmax=k×popgmax，迭代最小速度Vgmin=-Vgmax。適應(yīng)度函數(shù)為訓(xùn)練集的識(shí)別準(zhǔn)確率。研究前將所有變量做歸一化處理，作為訓(xùn)練集和測(cè)試集輸入函數(shù)。優(yōu)化SNV-LS-SVM模型的適應(yīng)度變化曲線見(jiàn)圖6，得到gam和sig2的最優(yōu)解分別為132.437 7和79.19，訓(xùn)練集的識(shí)別準(zhǔn)確度為100% 。

圖6 基于PSO算法優(yōu)化SNV-LS-SVM模型的適應(yīng)度曲線Fig.6 Adaptation curve of SNV-LS-SVM model optimized by PSO algorithm

將優(yōu)化后的參數(shù)代入發(fā)芽小麥分類(lèi)識(shí)別LS-SVM模型中對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，分類(lèi)準(zhǔn)確率見(jiàn)表2。由表2可知，gam和sig2經(jīng)PSO優(yōu)化過(guò)后建立的模型對(duì)各個(gè)發(fā)芽狀態(tài)的小麥識(shí)別率均有提高，其中對(duì)原樣、露白、芽0.5的小麥識(shí)別的準(zhǔn)確率提升比較大，分別為2.54%、2.54%、2.57%。與優(yōu)化前相比，部分芽1的小麥被識(shí)別成芽0.5狀態(tài)下的小麥，導(dǎo)致對(duì)芽1小麥的識(shí)別率下降；整體的識(shí)別率提升了1.57%，表明參數(shù)優(yōu)化起到了良好的效果。

表2 PSO優(yōu)化LS-SVM模型的分類(lèi)結(jié)果Table 2 Classification results of PSO optimized LS-SVM model

2.4 特征波長(zhǎng)提取與建模

利用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(CARS)對(duì)經(jīng)過(guò)SNV預(yù)處理的光譜進(jìn)行特征波長(zhǎng)的選取。衰減指數(shù)法(EDF)根據(jù)所占權(quán)重剔除相關(guān)性不大的波長(zhǎng)。由圖7a可知，在50次的采樣過(guò)程中，采樣的前期變量保留數(shù)快速下降，后期采樣保留數(shù)下降較為緩慢，充分說(shuō)明在篩選變量過(guò)程中的“粗選”和“慢選”兩個(gè)階段。圖7b是交叉驗(yàn)證的標(biāo)準(zhǔn)差的變化曲線，采用的是十折交叉驗(yàn)證。由圖7b可知，交叉驗(yàn)證標(biāo)準(zhǔn)差隨著采樣次數(shù)的增加，呈緩慢降低又急速升高后趨于穩(wěn)定。在第14次采樣時(shí)交叉驗(yàn)證標(biāo)準(zhǔn)差達(dá)到最小值，為0.778 7。說(shuō)明前14次采樣，光譜中大量的無(wú)關(guān)信息被去除，之后標(biāo)準(zhǔn)差增大說(shuō)明光譜的特征信息被逐漸去除，導(dǎo)致模型效果變差。由圖7c回歸系數(shù)路徑可知，標(biāo)準(zhǔn)差最小次數(shù)為14次。因此保留采樣14次后的波長(zhǎng)，共提取49個(gè)特征波長(zhǎng)在850～1 700 nm分布情況,如圖8所示。

注：“*”表示標(biāo)準(zhǔn)差最小的次數(shù)。圖7 CARS篩選小麥種子光譜特征波長(zhǎng)過(guò)程Fig.7 Spectral characteristic wavelength process of wheat seeds screened by CARS

圖8 特征波長(zhǎng)提取結(jié)果Fig.8 Extraction results of feature wavelength

篩選出來(lái)與小麥發(fā)芽狀態(tài)相關(guān)性最好的49個(gè)(全波段的19.14%)特征波長(zhǎng)，進(jìn)行SNV處理，將其作為自變量輸入到PSO優(yōu)化后的LS-SVM模型中，得到簡(jiǎn)化后的分類(lèi)識(shí)別模型，識(shí)別結(jié)果如表3所示，與全波段的小麥發(fā)芽狀態(tài)的識(shí)別模型(表2)進(jìn)行比較可知，原樣、鼓泡、皮裂以及芽1狀態(tài)下的小麥識(shí)別準(zhǔn)確率均有較大提升，分別提高了2.48%、3.80%、2.13%、4.05%，而露白與芽0.5狀態(tài)下的小麥準(zhǔn)確度均有不同程度的下降。其原因可能是特征波長(zhǎng)提取后僅保留了19.14%的光譜信息，剔除的光譜信息中有部分與這兩種發(fā)芽狀態(tài)相關(guān)性較好的信息被去除，參與訓(xùn)練信息減少致使模型的性能降低，而這部分信息對(duì)另外4種發(fā)芽狀態(tài)的小麥噪聲信息較多，剔除后提升了模型的性能。將256個(gè)波段減少至49個(gè)波段，并且整體識(shí)別準(zhǔn)確率為94.13%，提高了1.06%，說(shuō)明CARS算法來(lái)選擇特征波長(zhǎng)是合適的，對(duì)模型性能的提升有一定幫助。

表3 特征波長(zhǎng)下POS-SNV-LS-SVM分類(lèi)識(shí)別結(jié)果Table 3 Classification and recognition results of POS-SNV-LS-SVM under characteristic wavelengths

2.5 分類(lèi)結(jié)果可視化

為了將分類(lèi)結(jié)果更加直觀地表現(xiàn)出來(lái)，將獲得的小麥高光譜圖像由最優(yōu)模型識(shí)別，將不同發(fā)芽狀態(tài)的以偽彩色形式顯示出來(lái)，并統(tǒng)計(jì)個(gè)數(shù)，計(jì)算發(fā)芽小麥占比，結(jié)果如圖9所示。圖9中右側(cè)彩條的顏色從下向上分別代表原樣、鼓泡、皮裂、露白、芽0.5與芽1，共6類(lèi)。由于PSO-SNV-CARS-LS-SVM的整體準(zhǔn)確率為94.13%，因此仍保持原來(lái)6類(lèi)的輸出結(jié)果。其中將皮裂、露白、芽0.5、芽1小麥共有449粒小麥統(tǒng)一歸為發(fā)芽小麥，計(jì)算發(fā)芽占比。模型預(yù)測(cè)658粒中發(fā)芽小麥有448粒，發(fā)芽小麥實(shí)際占比為68.24%，預(yù)測(cè)值為68.08%，準(zhǔn)確率為99.78%。圖9中共有18粒小麥，其中，有1粒發(fā)芽小麥錯(cuò)分為鼓泡小麥，預(yù)測(cè)發(fā)芽小麥有12粒，占比為66.67%，因此，預(yù)測(cè)發(fā)芽小麥占比的準(zhǔn)確率為97.71%。

圖9 發(fā)芽小麥種子光譜分類(lèi)結(jié)果可視化Fig.9 Visualization of spectral classification results of germinated wheat seeds

3 結(jié)論

采集不同發(fā)芽狀態(tài)小麥的高光譜圖像并提取小麥籽粒的平均光譜，建立全波段的偏最小二乘回歸(PLSR)、LS-SVM的分類(lèi)模型，通過(guò)比較測(cè)試集的準(zhǔn)確率，選取準(zhǔn)確率更高的LS-SVM作為建模方法，同時(shí)使用4種方法對(duì)原始光譜進(jìn)行預(yù)處理，再次建立LS-SVM模型，比較發(fā)現(xiàn)SNV處理后的光譜建立的LS-SVM模型識(shí)別準(zhǔn)確率更高，再通過(guò)PSO對(duì)LS-SVM模型的正則化參數(shù)(gam)與核函數(shù)的參數(shù)(sig2)進(jìn)行尋優(yōu)，將結(jié)果代入模型中識(shí)別準(zhǔn)確度提升到93.14%。通過(guò)CARS算法選取了49個(gè)特征波長(zhǎng)，建立PSO-CARS-SNV-LS-SVM模型，準(zhǔn)確率為94.13%，與全波段相比稍有提升。最后將分類(lèi)結(jié)果可視化，將皮裂期及以后的3類(lèi)算作發(fā)芽小麥計(jì)算芽麥占比，對(duì)預(yù)測(cè)集658粒小麥的芽麥識(shí)別準(zhǔn)確率為99.78%。表明了利用高光譜成像技術(shù)，將化學(xué)計(jì)量學(xué)和圖像處理技術(shù)相結(jié)合，進(jìn)行鑒別不同發(fā)芽小麥種子是可行的。本研究為快速、無(wú)損、便捷檢測(cè)小麥種子發(fā)芽分類(lèi)研究建立了相關(guān)的分類(lèi)模型和對(duì)高光譜成像技術(shù)檢測(cè)小麥種子發(fā)芽程度提供了理論依據(jù)。