柴玉華，畢文佳，譚克竹，張春雷，劉春濤（東北農(nóng)業(yè)大學電氣與信息學院，哈爾濱　150030）

?

基于高光譜圖像技術的大豆品種無損鑒別

柴玉華，畢文佳，譚克竹，張春雷，劉春濤
（東北農(nóng)業(yè)大學電氣與信息學院，哈爾濱150030）

摘要：為解決傳統(tǒng)大豆品種檢測方法存在的效率低和精度差等問題，應用高光譜圖像分析技術展開大豆品種甄別研究。采集10個品種（每品種100粒，共1 000粒）大豆樣本400.92～999.53 nm的高光譜反射圖像，分別進行中值平滑、多元散射校正和數(shù)據(jù)標準歸一化預處理去噪，提取樣本圖像中心30×30 pixels感興趣區(qū)域的平均光譜曲線和標準差曲線。分別以樣本平均光譜值主成分得分、標準差光譜值主成分得分及兩者結(jié)合作為模型輸入，基于T-S模糊神經(jīng)網(wǎng)絡和隨機森林思想組合分類器構(gòu)建鑒別模型。經(jīng)中值平滑的光譜平均值和標準差作輸入，結(jié)合隨機森林思想的組合分類模型鑒別效果最佳，訓練集、測試集的平均鑒別率分別達99.6%和97.6%。結(jié)果表明，采用高光譜圖像技術可實現(xiàn)大豆品種高精度無損鑒別。

關鍵詞：大豆；高光譜圖像；品種甄別；T-S模糊神經(jīng)網(wǎng)絡；隨機森林思想組合分類器

柴玉華,畢文佳,譚克竹,等.基于高光譜圖像技術的大豆品種無損鑒別[J].東北農(nóng)業(yè)大學學報,2016,47(3):86-93.

Chai Yuhua,Bi Wenjia,Tan Kezhu,et al.Nondestructive identification of soybean seed varieties based on hyperspectral image technology[J].Journal of Northeast Agricultural University,2016,47(3):86-93.(in Chinese with English abstract)

random forest classifier

不同種類大豆品質(zhì)良莠不齊，油量、蛋白含量、生長周期及抗病蟲害能力不同。我國大豆種類繁雜，混種混收現(xiàn)象嚴重[1-2]。近年來，高光譜圖像技術在農(nóng)產(chǎn)品檢測應用上發(fā)展迅速，主要運用在玉米、小麥、黑豆、油菜籽及西瓜籽等種類鑒別方面[3-7]。大豆種類間的活性成分含量不同能引起高光譜圖像的光譜特征改變[8]，譚克竹等提取高光譜特征波段，結(jié)合BP神經(jīng)網(wǎng)絡實現(xiàn)對大豆品種分類[9]。本文以高光譜數(shù)據(jù)作模型輸入量，利用TS模糊神經(jīng)網(wǎng)絡和基于隨機森林思想的組合分類模型方法無損鑒別10種大豆品種樣本，研究其可行性和準確率。

1　試驗概況

1.1材料

本試驗選取東北農(nóng)業(yè)大學選育的10個典型品種大豆進行品種甄別，分別為東農(nóng)61，東農(nóng)56，東農(nóng)54，東農(nóng)53，東農(nóng)52，東農(nóng)51，東農(nóng)47，東農(nóng)43，東農(nóng)42和東農(nóng)41，每品種精選100粒豆體勻稱，完整無損豆粒作試驗樣本。試驗樣本由東北農(nóng)業(yè)大學大豆研究所提供。

1.2儀器設備

高光譜采集系統(tǒng)硬件包括成像鏡頭CCD （1 392×1 024），成像光譜儀（HyperSpec VNIR），可調(diào)節(jié)高光譜升降臺，100 mm或250 mm運動距離精準直流伺服線性控制器，照明寬度50 mm或200 mm可調(diào)節(jié)導光管作為線光源（根據(jù)試驗需要運動距離選定100 mm，光源照明寬度選擇200 mm），計算機，標準反射白板和暗箱。Hyperspec軟件采集高光譜圖像。成像光譜儀光譜范圍為400.92～999.53 nm，共203個波段，光譜分辨率2～3 nm，圖像分辨率為1 024×1 024。

利用ENVI5.1（ITT Visual Information Solution，USA）開展高光譜圖像處理，采用Matlab2011b （The Math Works，USA）和IBM SPSS進行數(shù)據(jù)分析。

1.3高光譜圖像采集

為提高試驗數(shù)據(jù)的準確性，分別將每個品種的100粒大豆樣本均勻平放在（20 cm×15 cm）黑色背景板上。結(jié)合以往圖像采集經(jīng)驗以及多次反復調(diào)節(jié)高光譜系統(tǒng)參數(shù)，設置曝光時間為300 ms，鏡頭到白板距離為45 cm，步長100 mm，輸送裝置速度定為35 mm·s-1，確保高光譜圖像清晰。

圖1　采集系統(tǒng)實物Fig.1 Picture of acquisition system

在不同波段下，光譜圖像中包含大量由于系統(tǒng)光源強度分布不均勻造成的噪音及攝像頭中暗電流噪音。先對高光譜圖像黑白標定[10]，采集標定白板反射光譜及暗電流反射光譜，代入標定方程中：R=Ri-Rd/Rw-Rd

式中，R-標定后圖像，Ri-樣本圖像，Rd-全黑標定圖像，Rw-全白標定圖像。大豆樣本（東農(nóng)41）原始圖像見圖2。高光譜波長495.749 nm下大豆樣本（東農(nóng)41）相對圖像見圖3。

圖2　東農(nóng)41原始圖像Fig.2 Original image of Dongnong 41

2　結(jié)果與分析

2.1光譜數(shù)據(jù)預處理

為提高光譜信噪比，分別對10種大豆標定后高光譜圖像進行5×5中值濾波平滑、多元散射校正（MSC）和標準歸一化（SNV）處理。在每粒大豆樣本中心部位選取30 pixel×30 pixel區(qū)域，以其所有像素的光譜平均值作為該樣本平均光譜，以其光譜標準差值作為該樣本標準差光譜。東農(nóng)42大豆100粒樣本反射平均值光譜和反射標準差光譜如圖4、5所示。

5×5中值濾波平滑是通過用某點的前后5點值擬合出該點值，使數(shù)據(jù)平滑，減弱試驗過程中疊加在原始光譜數(shù)據(jù)上的眾多隨機誤差，如基線漂移等[11]。多元散射校正可較好削弱樣品大小及水分等造成的散射影響；因該算法假設光譜波長變化不影響散射，對樣品間性質(zhì)差別較小的區(qū)分處理作用明顯[12]。數(shù)據(jù)標準歸一化使樣本數(shù)據(jù)向量方差為單位1，可減少冗余信息，化繁為簡，使樣本間不同突顯化[13]。

圖3　東農(nóng)41在高光譜495.749 nm波長下相對圖像Fig.3 Corrected image of Dongnong41 for 495.749 nm wavelength

圖4　東農(nóng)42反射光譜均值圖像Fig.4 Average reflectance spectra of Dongnong42

2.2樣本的主成分定性分析

對于待測10種大豆品種樣本各100粒，根據(jù)Kennard-Stone算法按3?1比例分成訓練集和測試集[14]。在光譜圖像中，沒有明顯的噪聲波段，訓練集樣本在400.918～999.530 nm全光譜波長范圍內(nèi)進行主成分分析，10類大豆樣本的反射光譜平均值降維得到前3個主成分的累計方差貢獻率均達到98%以上；反射光譜標準差值降維得到前3個主成分的累計方差貢獻率均達99%。反射光譜平均值結(jié)合反射光譜標準差值降維，得到前4個主成分累計方差貢獻率均達99%[15-16]。反射光譜平均值的前3個主成分PC1、PC2和PC3得分分布情況如圖6、7所示。反射光譜標準差的前三個主成分PC1、PC2和PC3得分分布情況如圖8、9所示。網(wǎng)絡模型輸入量維數(shù)過少，造成模型輸出結(jié)果準確率較低。因此，分別在平均光譜和標準差光譜第一主成分系數(shù)中，選擇5個最大數(shù)值對應的波段作為特征波段。試驗以3組8維數(shù)據(jù)作為模型輸入信息，一組為大豆樣本平均光譜的3個主成分得分和5個特征波段上的光譜數(shù)據(jù)，一組為大豆樣本標準差光譜的3個主成分得分和5個特征波段上的光譜數(shù)據(jù)，另一組是大豆樣本平均光譜3個主成分得分、標準差光譜3個主成分以及各自1個特征波段光譜數(shù)據(jù)。

圖5　東農(nóng)42反射光譜標準差值圖像Fig.5 Standard deviation reflectance spectra of Dongnong42

圖6　反射光譜均值主成分PC1和PC2得分分布Fig.6 Scores scatter plot of PC1 and PC2

圖7　反射光譜均值主成分PC1和PC3得分分布Fig.7 Scores scatter plot of PC1 and PC3

圖8　反射光譜標準差值主成分PC1和PC2得分分布Fig.8 Scores scatter plot of PC1 and PC2

圖9　反射光譜標準差值主成分PC1和PC3得分分布Fig.9 Scores scatter plot of PC1 and PC3

2.3判別模型的建立和結(jié)果討論

2.3.1基于T-S模糊神經(jīng)網(wǎng)絡判別模型的建立

T-S模糊系統(tǒng)[17-18]自適應能力強，能自動更新，自行修正隸屬函數(shù)。遵從“if-then”規(guī)則如式（1）所示。

Aji是模糊集；yi是模糊系統(tǒng)輸出的模糊值；pji（j=1，2，…，k）是模糊系統(tǒng)參數(shù)。模糊系統(tǒng)是根據(jù)已知輸出，通過不斷更新改動隸屬函數(shù)，調(diào)整隸屬度，獲得與之呈線性關系模糊輸入。當給定輸入變量X=[x1，x2，…，xk]，運用式（2）求取xj變量的隸屬度：

μ是指模糊隸屬度值；bji是指隸屬度函數(shù)寬度；cji是指隸屬度函數(shù)中心；其中模糊子集有n個，輸入?yún)?shù)有k個。運用連乘模糊算子如式（3）所示對隸屬度計算：

最后算得模糊輸出如式（4）所示的yi：

T-S模糊神經(jīng)網(wǎng)絡模型輸入數(shù)據(jù)維數(shù)都為8，輸出維數(shù)均為1，設定隸屬度函數(shù)都為16個，網(wǎng)絡訓練重復200次，網(wǎng)絡結(jié)構(gòu)均為8-16-1。經(jīng)過三種不同預處理為輸入量在該模型下的判別情況（見表1～3）。

2.3.2基于隨機森林思想組合分類判別模型建立

對于大豆樣本集，隨機森林思想[19-20]是基于Bootstrap法重復隨機抽取樣本，構(gòu)成多個訓練集S1，S2，...，Sk，再對應生成決策樹C1，C2，...Ck。通過隨機選取部分分裂屬性集，再選取出其中最好的分裂方式分裂。最后，通過投票方式從這k個決策樹選出分類最多的（見表4～6）。

由于本試驗是品種鑒別，類別數(shù)固定，所以建模過程中不斷調(diào)試隨機森林中決策樹個數(shù)，針對三種試驗數(shù)據(jù)，本試驗最終設定為100個、150個和100個，保證鑒別精度。試驗共1 000組數(shù)據(jù)，訓練集隨機選750組，其余為測試集。三種不同預處理的三種輸入量判別情況（見表4～6）。

2.3.3結(jié)果與討論

分別分析比較表1～3或表4～6，無論是以光譜平均值、光譜標準差值還是兩者結(jié)合，代入T-S模糊神經(jīng)網(wǎng)絡模型或是基于隨機森林思想的組合分類模型中均取得較為理想識別效果，訓練集識別率94%，測試集識別率最低達84%。

同模型同輸入變量情況下，數(shù)據(jù)預處理方式不同對鑒別結(jié)果存在一定影響。三種預處理方式中，中值濾波平滑效果最適于本試驗選定的模型輸入和構(gòu)建的模型種類，多元散射校正次之，鑒別效果可接受，基本強于數(shù)據(jù)標準歸一處理。但以光譜標準差作輸入隨機森林思想組合分類模型時，多元散射校正處理和歸一化處理對于鑒別效果影響不顯著，只是前者比后者在測試集鑒別效果上略高且表現(xiàn)穩(wěn)定。綜合比較，5×5中值濾波平滑效果最優(yōu)。

表1　反射光譜均值作模型輸入時判別結(jié)果Table 1 Discriminant results of average spectral as inputs

表2　反射光譜標準差值作模型輸入時判別結(jié)果Table 2 Discriminant results of standard deviation spectral as inputs

表3　反射光譜均值結(jié)合標準差值作模型輸入時判別結(jié)果Table 3 Discriminant results of average spectral and standard deviation spectral as inputs

表4　反射光譜均值作模型輸入時判別結(jié)果Table 4 Discriminant results of average spectral as inputs

同種模型同種數(shù)據(jù)預處理方法情況下，以光譜平均值作為輸入變量要微高于以光譜標準差為輸入變量的識別率，兩者識別效果較穩(wěn)定，光譜平均值和標準差輸入結(jié)合后比單獨一方作為輸入變量時訓練集和測試集識別率均高出2%，達到最高水平，模型鑒別結(jié)果最佳。當相同預處理方法獲得的同種光譜反射數(shù)據(jù)作模型輸入時，兩種模型鑒別效果存在差異，表1、4，表2、5，表3、6相對對比，隨機森林組合分類模型的鑒別結(jié)果不低于基于T-S模糊神經(jīng)網(wǎng)絡模型，前者鑒別能力高于后者。兩種模型對試驗樣本鑒別能力均較好，性能穩(wěn)健，操作簡易快捷。

表5　反射光譜準差值作模型輸入時判別結(jié)果Table 5 Discriminant results of standard deviation spectral as inputs

表6　反射光譜均值結(jié)合標準差值作模型輸入時判別結(jié)果Table 6 Discriminant results of average spectral standard deviation spectral as inputs

3　結(jié)　論

本試驗以高光譜平均值數(shù)據(jù)和高光譜標準差數(shù)據(jù)作為模型輸入，對比選用三種數(shù)據(jù)預處理方法，構(gòu)建兩種鑒別模型實現(xiàn)10種大豆種類鑒別，獲得良好結(jié)果。表明本試驗提出預處理方法及鑒別模型適用于大豆品種甄別，較傳統(tǒng)鑒別方法更快速、準確。分析對比鑒別結(jié)果發(fā)現(xiàn)，以經(jīng)過5×5中值濾波平滑處理后光譜平均值和標準差作為輸入變量，結(jié)合隨機森林思想的組合分類鑒別模型使大豆種類鑒別效果達到最佳，鑒別性能穩(wěn)定，操作簡易快捷。

[參考文獻]

[1]程浩,金杭霞,蓋鈞鎰,等.轉(zhuǎn)基因技術與大豆品質(zhì)改良[J].遺傳,2011(5):431-437.

[2]王恩慧.中國大豆消費現(xiàn)狀與展望[J].農(nóng)業(yè)展望,2010,6(5):33-36.

[3]馮朝麗,朱啟兵,朱曉,等.基于光譜特征的玉米品種高光譜圖像識別[J].江南大學學報:自科學版,2012,11(2):149-153.

[4]吳靜珠,吳勝男,劉翠玲,等.近紅外和高光譜技術用于小麥籽粒蛋白含量預測探索[J].傳感器與微系統(tǒng),2013,32(2):60-62.

[5]張初,劉飛,張海亮,等.近地高光譜成像技術對黑豆產(chǎn)品無損鑒別[J].光譜學與光譜分析,2014,34(3):746-750.

[6]鄒偉,方慧,劉飛,等.基于高光譜圖像技術的油菜籽品種鑒別方法研究[J].東北農(nóng)業(yè)大學學報,2011,37(2):175-180.

[7]張初,劉飛,孔汶汶,等.利用近紅外高光譜圖像技術快速鑒別西瓜種子品種[J].農(nóng)業(yè)工程學報,2013,29(20):270-277.

[8]譚克竹,柴玉華,宋偉先,等.基于高光譜圖像處理的大豆品種識別[J].農(nóng)業(yè)工程學報,2014,30(5):235-242.

[9]賈仕強,劉哲,李紹明.基于高光譜圖像技術的玉米雜交種純度鑒定方法探究[J].光譜學與光譜分析,2013,33(10):2847-2852.

[10]Tan K Z,Chai Y H,Song W X,et al.Identification of diseases for soybean seeds by computure vision applying Bpneural network[J].IJABE,2014,7(3):43-50.

[11]Barbin D F,ElMasry G,Sun D W,et al.Predicting quality and sensory attributes of pork using near- infrared hyperspectral imaging[J].Anal Chim Acta,2012,719:30-42.

[12]Bauriegel E,Giebel A,Geyer M,et al.Early detection of fusarium infection in wheat using hyper- spectral imaging[J].Computers and Electronics in Agriculture,2011,75(2):304-312.

[13]高海龍,李小昱,徐森淼,等.透射和反射高光譜成像的馬鈴薯損傷檢測比較研究[J].光譜學與光譜分析,2013,12(12):3366-3372.

[14]侯升飛,柴玉華,彭長祿.基于高光譜圖像技術的大豆分級識別方法的研究[J].東北農(nóng)業(yè)大學學報,2014,45(4):1-6.

[15]赫敏,麻碩士,郝小冬.基于Zernike矩的馬鈴薯薯形檢測[J].農(nóng)業(yè)工程學報,2010,26(2):347-350.

[16]金蘋,朱粉霞,譚曉斌.基于主成分分析的茶葉預防肺癌藥效物質(zhì)研究[J].中藥材,2013,36(6):948-952.

[17]張宇,盧文喜,陳杜明,等.基于T-S模糊神經(jīng)網(wǎng)絡的地下水水質(zhì)評價[J].節(jié)水灌溉,2012(7):35-39.

[18]柯喻寅,謝鑌,吳卿.基于T-S模糊神經(jīng)網(wǎng)絡的汽車故障診斷的研究[J].杭州電子科技大學學報,2012,4(2):41-45.

[19]過東峰,胡海洲,汪季濤,等.基于隨機森林的烤煙香型分類研究[J].中國農(nóng)學通報,2015,6(6):241-247.

[20]鄢仁武,葉輕舟,周理.基于隨機森林的電力電子電路故障診斷技術[J].武漢大學學報,2013,12(6):742-747.

Nondestructive identification of soybean seed varieties based on hyperspectral image technology

CHAI Yuhua,BI Wenjia,TAN Kezhu,ZHANG Chun lei,LIU Chuntao(School of Electrical and Information,Northeast Agricultural University,Northeast Agricultural University,Harbin 150030,China)

Abstract:In order to improve the efficiency and accuracy of identification,hyperspectral image technology was employed to determine the varieties of soybean seed.In this study,10 soybean seed varieties with 1 000 grains were selected as inspection samples.Hyperspectral reflectance data of soybean samples were collected in spectral region of wave length of 400.92-999.53 nm,followed by the image denoised by median smoothing,correction of multiplicative scatter and normalization to extract the regions of interesting average spectral curves and standard deviation curves.Scores of average spectral data from PCs,scores of standard deviation spectral data from PCs and both of them together were used as inputs respectively.The combined classification model was developed based on T-S fuzzy neural network or random forest classifier.Taken the combination of median smoothed average and standard deviation as inputs,the random forest model presented the highest identification with 99.6% in training and 97.6% in testing.Hyperspectral image technology is feasible for nondestructive identification of soybean seed varieties.

Key words:soybean seed; hyperspectral image; variety identification; T-S fuzzy neural network;

作者簡介：柴玉華（1965-2015），女，教授，博士生導師，研究方向為模式識別與智能控制。E-mail:yhchai@163.com

基金項目：國家自然科學基金（31271911）；黑龍江省自然科學基金（ZD201303）

收稿日期：2015-08-04

中圖分類號：TP391.4

文獻標志碼：A

文章編號：1005-9369（2016）03-0086-08