劇森　邱道尹　張紅濤　王季琴

【摘 要】近紅外光譜技術(shù)是一種新型的分析技術(shù)，它具有高效、快速、操作簡(jiǎn)單、穩(wěn)定性好、無(wú)污染等優(yōu)點(diǎn)，更重要的是它含有C-H、N-H、O-H等含氫基團(tuán)基頻和倍頻的吸收帶，可以用來(lái)檢測(cè)淀粉含H化合物含量的變化；米象和谷蠧的幼蟲(chóng)在麥粒內(nèi)部生長(zhǎng)，使麥粒內(nèi)部的淀粉和蛋白質(zhì)等含量發(fā)生了變化，而這些變化必然會(huì)引起近紅外反射光譜吸收率發(fā)生變化，因此，用近紅外光譜是可以檢測(cè)到麥粒內(nèi)部是否有害蟲(chóng)。

【關(guān)鍵詞】近紅外；檢測(cè)；麥粒

0.引言

我國(guó)不僅是世界上最大糧食生產(chǎn)國(guó)，也是是糧食儲(chǔ)藏大國(guó)，每年庫(kù)存量高達(dá)年產(chǎn)量的一半以上[1]，因此，做好糧食儲(chǔ)備具有非常重大的意義。米象、谷蠹等蛀食性害蟲(chóng)直接危害完整粒，成蟲(chóng)不僅蠶食麥粒，其幼蟲(chóng)在麥粒內(nèi)部侵蝕胚乳和胚，很難從外部可視化檢測(cè)，而且其排泄物、尸體、皮殼等還會(huì)對(duì)糧食產(chǎn)生嚴(yán)重的污染。由此可見(jiàn)，麥粒內(nèi)部害蟲(chóng)造成的危害是非常大的，并且，檢測(cè)比較困難的。

麥粒中含有蛋白質(zhì)、脂肪、糖、淀粉和纖維等有機(jī)成分，它們?cè)诮t外區(qū)域有豐富的吸收光譜，每種成分都有特定的吸收特征，這些吸收特征為近紅外光譜定量分析提供了依據(jù)。

1.材料和方法

1.1試驗(yàn)材料準(zhǔn)備

試驗(yàn)以米象和谷蠧為試驗(yàn)對(duì)象，試驗(yàn)所用小麥?zhǔn)切孪男←湥韵锤蓛艉蠓湃牒婵鞠淅锖娴胶?5%左右。把200頭健康的米象成蟲(chóng)與300克小麥混合，放在30攝氏度、濕度70%恒溫恒濕箱里培養(yǎng)15天，然后把成蟲(chóng)和小麥分離出來(lái)。從培養(yǎng)用的麥粒中每份挑選出300顆完整和300顆受害蟲(chóng)用于近紅外相機(jī)拍攝，其中每份樣品的80%用做試驗(yàn)，20%用做測(cè)試。

1.2試驗(yàn)方法

從一個(gè)樣品中隨機(jī)挑選出300粒麥粒，用近紅外相機(jī)進(jìn)行掃描。每五個(gè)麥粒為一組，擺放在黑色塑料板上，擺放的時(shí)候應(yīng)該注意小麥不能有疊加，以免在分析時(shí)產(chǎn)生干擾，然后把塑料板移到近紅外相機(jī)拍攝區(qū)域進(jìn)行掃描，掃描的波長(zhǎng)在1000～1600nm。

2.數(shù)據(jù)分析

由于傳感器的缺點(diǎn)，大部分相機(jī)都有幾個(gè)不敏感的像素點(diǎn)，可以導(dǎo)致獲取的高光譜圖像存在噪聲，但是采用1×5窗口的中值濾波可以予以去除。通過(guò)執(zhí)行MATLAB碼，查看原圖像。已掃描的高光譜圖像的數(shù)據(jù)的保存形式是矩陣形式，這時(shí)需要轉(zhuǎn)換成灰度圖像。使用MATLAB中的bwlabe函數(shù)功能，通過(guò)自動(dòng)設(shè)置臨界值，把每個(gè)圖像轉(zhuǎn)換成二值圖像。MATLAB內(nèi)部含有多元圖像分析系統(tǒng)，可以用來(lái)分析圖像中標(biāo)記的每個(gè)麥粒。多元圖像分析系統(tǒng)是基于主成分分析（PCA）。一個(gè)簡(jiǎn)單的多元圖像含有二個(gè)像素坐標(biāo)（寬和高）和一個(gè)變量坐標(biāo)（波形值），構(gòu)成一個(gè)三維數(shù)組（超立方體）。每隔60個(gè)波長(zhǎng)，把所有麥粒的按照像素強(qiáng)度（反射比）重新排列成一縱列，那么超立方體數(shù)據(jù)就被重構(gòu)成一個(gè)二維數(shù)組。這個(gè)二維數(shù)組可用一個(gè)k×60 表示，其中K是被標(biāo)記的麥粒的總的像素?cái)?shù)目。然后再用主成分分析法重構(gòu)每個(gè)麥粒的二維數(shù)據(jù)組。

最有效的波長(zhǎng)應(yīng)該與選擇的第一主成分和第二主成分的最高因子載荷相一致，用于特征提取。從圖像中提取的6個(gè)統(tǒng)計(jì)圖像特征（最大值，最小值，中值，平均值，標(biāo)準(zhǔn)方差，方差）應(yīng)與有效波形一致。從變換后的圖像中每個(gè)有效波長(zhǎng)提取10個(gè)直方圖特征，然后把這個(gè)特征均勻分成10組映射在0和1之間。這些特征可以作為不同判別分類器的輸入。運(yùn)用多種統(tǒng)計(jì)判別分析（線性，二次方程式，馬氏距離）來(lái)開(kāi)發(fā)不同的判別算法。

最有效的波長(zhǎng)應(yīng)該與選擇的第一主成分和第二主成分的最高因子載荷相一致，用于特征提取。從圖像中提取的6個(gè)統(tǒng)計(jì)圖像特征（最大值，最小值，中值，平均值，標(biāo)準(zhǔn)方差，方差）應(yīng)與有效波形一致。從變換后的圖像中每個(gè)有效波長(zhǎng)提取10個(gè)直方圖特征，然后把這個(gè)特征均勻分成10組映射在0和1之間。這些特征可以作為不同判別分類器的輸入。運(yùn)用多種統(tǒng)計(jì)判別分析（線性，二次方程式，馬氏距離）來(lái)開(kāi)發(fā)分類算法。線性判別分析（LDA）分類器是以貝葉斯標(biāo)準(zhǔn)合并協(xié)方差。在生物應(yīng)用方面，數(shù)據(jù)不可能總是服從正態(tài)分布，因此合并協(xié)方差并不能得到適當(dāng)?shù)姆诸?。二次方程判別（QDA）分類器應(yīng)用每類的協(xié)方差計(jì)算，而不是合并它們。如果每類的協(xié)方差相等，那么線性判別分析分類器和二次方程判別分析分類器很可能得到同樣的分類結(jié)果。馬爾科夫判別分析分類器是線性判別分析分類器的一個(gè)簡(jiǎn)化模型，并且假設(shè)已知組有相等的先驗(yàn)概率。如果數(shù)據(jù)呈橢圓分布并且未知樣品所在組具有最小馬爾科夫距離，那么馬爾科夫判別分析分類器是一個(gè)很好的分類器。

3.結(jié)果和討論

在高光譜處理時(shí)，第一主成分和第二主成分因子載荷的累積貢獻(xiàn)分別為94%和5%用于波形的提取。在1101，69和1305.05nm處的二個(gè)波長(zhǎng)與第一主成分的最高因子載荷相一致，在1447.46nm處的波長(zhǎng)與第二主成分的最高因子載荷相一致，可以作為特征波長(zhǎng)進(jìn)行特征抽取。在分類中，總共提取和使用48個(gè)特征（6個(gè)統(tǒng)計(jì)特征，每個(gè)波長(zhǎng)10個(gè)直方圖特征）。在1100～1300nm范圍內(nèi)的波長(zhǎng)吸收帶與C-H第一、第二倍頻和C-H化合帶相一致，因此這個(gè)范圍內(nèi)的波形可以被淀粉顆粒吸收。與完整麥粒相比，被糧蟲(chóng)侵食過(guò)的麥粒的淀粉含量減少了，這是由于糧蟲(chóng)在生長(zhǎng)的過(guò)程中消耗了淀粉。完整麥粒的胚芽區(qū)域呈暗黑色，但是大部分被侵害的麥粒的胚芽區(qū)域不明亮，較暗部位是被侵蝕區(qū)域，實(shí)際的灰度圖像是不能顯示出完整麥粒和被侵蝕麥粒之間的差別。

4.結(jié)論

在1000～1600nm波長(zhǎng)范圍內(nèi)，二個(gè)波長(zhǎng)（11101.69nm和1305.5nm）與第一主成分分析的最高因子載荷相一致，可以用來(lái)設(shè)計(jì)最佳分類器；第二個(gè)選擇的波長(zhǎng)與第二主成分分析的最高因子載荷相一致，但是不能明顯提高分類器的精確性。合并統(tǒng)計(jì)特征和直方圖特征可以最大程度的提高分類器的精確性，使用線性判別分析分類器和二次方程判別分析分類器可以很好的判別出麥粒是否受糧蟲(chóng)侵食，判別率可達(dá)85%～100%，麥粒的姿態(tài)對(duì)分類器設(shè)計(jì)的影響不大，因此，近紅外高光譜圖像可以從麥粒判別出麥粒是否受糧蟲(chóng)侵食。

【參考文獻(xiàn)】

[1]陸良怒.中國(guó)農(nóng)業(yè)新發(fā)展與食物安全[EB/OL].http：//www.sfncc.org.cn/.

[2]丁聲俊.十億饑餓人口的警示[N].人民日?qǐng)?bào)，2009-10-15.

[3]毛罕平，張紅濤.儲(chǔ)糧害蟲(chóng)圖像識(shí)別的研究進(jìn)展及展望[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2008，39（4）：175-179.

[4]Singh C B，Jayas D S，Paliwal J，et al.Detection of insect-damaged wheat kernels using near-infrared hyperspectral imaging[J].Journal of Stored Products Research.2009，45（3）：151-158.

[5]張紅濤，胡玉霞，毛罕平.基于SVM的儲(chǔ)糧害蟲(chóng)圖像識(shí)別分類研究[J].農(nóng)機(jī)化研究，2008，30（8）：36-38.

[6]張紅濤.儲(chǔ)糧害蟲(chóng)圖像識(shí)別中的特征提取研究[D].鄭州：鄭州大學(xué)電氣工程學(xué)院， 2002.