王 偉 趙 昕 褚 璇 鹿 瑤 賈貝貝

(1.中國(guó)農(nóng)業(yè)大學(xué)工學(xué)院， 北京 100083; 2.河北大學(xué)質(zhì)量技術(shù)監(jiān)督學(xué)院， 保定 071002;3.仲愷農(nóng)業(yè)工程大學(xué)機(jī)電工程學(xué)院， 廣州 510225)

0 引言

八角茴香，又稱(chēng)“八角”，作為食品加工業(yè)及香料業(yè)中的原料被廣泛使用。有毒草藥“莽草”同樣為木蘭科八角屬植物[1-2]，與八角外形十分相似，莽草中含有莽草毒素[3]，少量誤食即會(huì)損害人呼吸中樞及血管運(yùn)動(dòng)中樞，嚴(yán)重時(shí)會(huì)對(duì)大腦造成損害[4-6]。國(guó)內(nèi)曾多次出現(xiàn)莽草引起食物中毒事件[7-10]。

八角價(jià)格是莽草的2～3倍，市場(chǎng)上有不良商家將莽草混在八角中以降低成本[11-12]。這些摻假的八角一旦食用將會(huì)引發(fā)食物中毒事件，存在巨大安全隱患。故將毒莽草從八角中無(wú)損、快速、精確地檢出具有重要意義[13]。

目前針對(duì)八角偽品的鑒別技術(shù)有性狀鑒別[14-15]、顯微鑒別[16]、氣相色譜-質(zhì)譜法[17]、紅外光譜法[18]、紫外光譜[19]等。但上述鑒別方法樣品準(zhǔn)備復(fù)雜，檢測(cè)速度慢，且需要專(zhuān)業(yè)人員鑒別。目前，國(guó)內(nèi)有學(xué)者利用電子鼻和傅里葉變換拉曼光譜較好地分辨了八角及其偽品[20-21]。然而，在拉曼光譜研究中，實(shí)驗(yàn)僅采集了樣品斷面的光譜數(shù)據(jù)，只大致分析了八角與其偽品的光譜特征差異，沒(méi)有進(jìn)行具體的分類(lèi)驗(yàn)證[22-23]。在電子鼻研究中，僅分析了研磨后的樣品粉末，且數(shù)據(jù)采集時(shí)，需要特殊的進(jìn)樣裝置，增加了便攜式和在線檢測(cè)儀器的開(kāi)發(fā)難度[24]。文獻(xiàn)[25]采用短波紅外(SWIR)高光譜成像技術(shù)(920～2 514 nm)鑒別八角和日本莽草(Illiciumanisatum)，實(shí)現(xiàn)了八角和日本莽草完整樣本粒的判別分析，外部驗(yàn)證集準(zhǔn)確率可達(dá)97%。然而SWIR高光譜成像儀因其探測(cè)器不易制作而導(dǎo)致成本過(guò)高，因此，有必要研究利用普通可見(jiàn)/近紅外波長(zhǎng)光譜范圍的高光譜技術(shù)對(duì)八角及其偽品進(jìn)行鑒別研究的可行性。

本文基于可見(jiàn)/近紅外高光譜成像技術(shù)研究八角及其偽品莽草的無(wú)損快速鑒別方法，并結(jié)合光譜與圖像分析方法、對(duì)比度增強(qiáng)線性拉伸和區(qū)域標(biāo)記，實(shí)現(xiàn)單粒樣本ROI平均光譜的自動(dòng)提取。采用連續(xù)投影算法選擇建模最優(yōu)波長(zhǎng)，建立多光譜偏最小二乘分類(lèi)判別模型，為八角與莽草便攜式在線檢測(cè)儀器的開(kāi)發(fā)提供技術(shù)支撐。

1 材料與方法

1.1 材料

實(shí)驗(yàn)所用八角及莽草樣本，產(chǎn)地均為云南省，收獲時(shí)間均為2018年。兩類(lèi)樣品分別從當(dāng)?shù)啬炒笮统信c正規(guī)中藥店購(gòu)買(mǎi)。隨機(jī)選取八角和莽草的完整樣本用于之后的高光譜數(shù)據(jù)，八角與偽品莽草如圖1所示。

圖1 八角與偽品莽草(用紅色圈圈出)Fig.1 Star anise and its fake shikimmi

1.2 高光譜數(shù)據(jù)采集

實(shí)驗(yàn)所用高光譜成像系統(tǒng)主要由Image-λ V10型高光譜相機(jī)(北京卓立漢光儀器有限公司)、FV-BSLE3200型鹵鎢燈(美國(guó)Photoflex公司)、WN500TA1000H型運(yùn)動(dòng)控制平臺(tái)(北京微納光科儀器(集團(tuán))有限公司)、計(jì)算機(jī)和采集控制軟件組成。成像儀光譜范圍為380～1 012 nm，分辨率1.90 nm。

16個(gè)八角樣本按照4行×4列背部朝上的方式放置在一個(gè)白色的亞克力板上。采集過(guò)程中亞克力板隨平移臺(tái)運(yùn)動(dòng)，高光譜相機(jī)連續(xù)線掃描，完成一幅高光譜圖像數(shù)據(jù)的采集(采集的高光譜數(shù)據(jù)偽彩色圖如圖2所示)。實(shí)驗(yàn)共采集了3幅八角高光譜數(shù)據(jù)和3幅莽草高光譜數(shù)據(jù)，即48粒八角樣本和48粒莽草樣本。八角和莽草中每類(lèi)隨機(jī)選擇32粒作為校正集(共64粒)用于分類(lèi)模型的建立， 每類(lèi)中剩余的16粒作為驗(yàn)證集(共32粒)。除此之外，還采集了八角和莽草摻雜在一起的3幅高光譜圖像數(shù)據(jù)，用作模型性能的外部驗(yàn)證數(shù)據(jù)。3幅摻雜的高光譜圖像中八角與莽草個(gè)數(shù)比分別為8∶8、12∶4和15∶1。摻雜樣本作為外部驗(yàn)證數(shù)據(jù)。

圖2 八角樣本高光譜數(shù)據(jù)偽彩色圖Fig.2 Pseudo-color image of octagonal hyperspectral

實(shí)驗(yàn)樣本高光譜數(shù)據(jù)采集前，通過(guò)采集參考白板和關(guān)閉高光譜相機(jī)鏡頭蓋獲得全白標(biāo)定數(shù)據(jù)Rw和全黑標(biāo)定數(shù)據(jù)Rd。對(duì)采集的樣本原始數(shù)據(jù)Ro作黑白校正，獲得反射率校正后數(shù)據(jù)Rc，計(jì)算公式為

1.3 單粒樣本ROI平均光譜自動(dòng)提取

在提取每粒八角和莽草樣本平均光譜數(shù)據(jù)時(shí)，為了節(jié)省手動(dòng)選擇感興趣區(qū)域(Region of interest，ROI)耗費(fèi)的時(shí)間與勞力，并為進(jìn)一步開(kāi)發(fā)在線或便攜式檢測(cè)設(shè)備提供方法基礎(chǔ)，結(jié)合被測(cè)樣本的光譜特征和圖像分析方法提出了一種單粒ROI平均光譜自動(dòng)獲取方法。具體步驟為：首先利用波段運(yùn)算中的波段差算法，使850 nm和450 nm下圖像做差，去除高光譜圖像中的大部分背景；利用圖像對(duì)比度增強(qiáng)方法中的線性拉伸再結(jié)合閾值法，消除圖像中由于樣本高度造成的陰影，利用mask方法獲得僅包含樣本像素點(diǎn)信息的掩膜高光譜數(shù)據(jù)；將掩膜數(shù)據(jù)導(dǎo)入Matlab中，選取某一波段下圖像數(shù)據(jù)，對(duì)該圖像分別作二值化變換和區(qū)域標(biāo)記；根據(jù)區(qū)域標(biāo)記結(jié)果，提取并計(jì)算每一個(gè)標(biāo)記樣本區(qū)域的所有像素點(diǎn)的平均光譜，從而實(shí)現(xiàn)每粒樣本平均光譜的快速自動(dòng)獲取。

1.4 多光譜模型建立

實(shí)驗(yàn)選用偏最小二乘判別(Partial least square discrimination analysis，PLSDA)方法建立分類(lèi)預(yù)測(cè)模型。將SPA方法挑選出的特征波長(zhǎng)下光譜值作為輸入數(shù)據(jù)建立線性判別模型。模型的分類(lèi)預(yù)測(cè)效果通過(guò)校正集、五折交叉驗(yàn)證和驗(yàn)證集效果綜合判定。

2 結(jié)果與分析

2.1 基于光譜和圖像特征的平均光譜提取

對(duì)黑白校正后的高光譜數(shù)據(jù)進(jìn)行觀察分析，可得850 nm和450 nm波長(zhǎng)下圖像中的樣本像素點(diǎn)灰度相差較大，但是背景以及由于樣本高度造成的陰影區(qū)域像素點(diǎn)的灰度相近。采用波段差算法，使850 nm下圖像減去450 nm下圖像，放大圖像中樣本像素點(diǎn)的灰度與背景像素點(diǎn)灰度之間差異，結(jié)果如圖3所示。但是樣本像素點(diǎn)灰度與陰影區(qū)域像素點(diǎn)的灰度仍相近，需進(jìn)一步放大樣本與陰影差異。

圖3 圖像背景信息去除Fig.3 Image background information removal

采用圖像增強(qiáng)方法中的線性拉伸將原始圖像的灰度范圍放大到所允許的整個(gè)灰度范圍內(nèi)，實(shí)現(xiàn)樣本像素點(diǎn)與陰影區(qū)域像素點(diǎn)之間灰度的差異放大。線性拉伸后結(jié)果如圖4所示，陰影干擾基本被消除。再結(jié)合閾值法，對(duì)圖像進(jìn)行掩膜，獲得僅包含樣本像素點(diǎn)灰度的高光譜數(shù)據(jù)。

圖4 線性拉伸結(jié)果Fig.4 Linear stretch result diagram

將掩膜后高光譜數(shù)據(jù)導(dǎo)入Matlab分析軟件中，隨機(jī)選取其中某一波段下圖像。對(duì)圖像作二值化處理后，采用bwlabel函數(shù)進(jìn)行區(qū)域標(biāo)記，并采用tabulate函數(shù)統(tǒng)計(jì)查看區(qū)域標(biāo)記結(jié)果。發(fā)現(xiàn)結(jié)果中標(biāo)記的區(qū)域個(gè)數(shù)大于圖像中的樣本個(gè)數(shù)(16個(gè))，觀察區(qū)域標(biāo)記結(jié)果圖像，發(fā)現(xiàn)圖像中樣本區(qū)域均標(biāo)記正確，且像素?cái)?shù)大于1 000；其余多標(biāo)記出的區(qū)域均為樣品區(qū)域外的離散點(diǎn)，且像素?cái)?shù)小于1 000。采用bwareaopen函數(shù)設(shè)定閾值為1 000，刪除二值化變換后結(jié)果圖中面積小于1 000的對(duì)象，并重新對(duì)處理后圖像區(qū)域標(biāo)記，結(jié)果如圖5所示。圖中每一個(gè)樣本都被標(biāo)記為一個(gè)單獨(dú)的區(qū)域，利用find函數(shù)結(jié)合for循環(huán)獲得每一個(gè)樣本區(qū)域中所有像素點(diǎn)的坐標(biāo)數(shù)據(jù)，提取坐標(biāo)下所有像素點(diǎn)的光譜數(shù)據(jù)，用mean函數(shù)求均值，可獲得每個(gè)樣本的平均光譜曲線。

圖5 區(qū)域標(biāo)記結(jié)果Fig.5 Result of area marking

2.2 光譜特征分析與光譜判別模型建立

2.2.1原始光譜特征分析

圖6所示為八角和莽草的原始光譜曲線。兩者的反射光譜曲線在整體波長(zhǎng)范圍內(nèi)呈增長(zhǎng)趨勢(shì)，均不存在較明顯的波峰或波谷特征。但400～660 nm范圍內(nèi)兩條曲線的增長(zhǎng)速度明顯低于660～960 nm內(nèi)的增長(zhǎng)速度，960 nm之后，光譜曲線趨于平緩，幅值幾乎保持不變。即八角和莽草的反射光譜在兩個(gè)增長(zhǎng)范圍內(nèi)(400～660 nm和660～960 nm)的增長(zhǎng)速率差別較明顯。

圖6 八角和莽草的平均原始光譜曲線Fig.6 Average original spectral curves of star anise and shikimi

2.2.2基于SPA最優(yōu)波長(zhǎng)的多光譜模型

實(shí)驗(yàn)首先應(yīng)用全波長(zhǎng)數(shù)據(jù)建立了PLSDA模型，模型對(duì)樣本的分類(lèi)結(jié)果為100%。盡管如此，該模型需要利用所有波長(zhǎng)下的光譜數(shù)據(jù)，因此計(jì)算量大、運(yùn)算時(shí)間長(zhǎng)，不適宜在線快速檢測(cè)應(yīng)用；同樣因變量即波長(zhǎng)個(gè)數(shù)過(guò)多，也不適宜構(gòu)建相應(yīng)的便攜式檢測(cè)儀器。因此，本文利用SPA方法挑選特征波長(zhǎng)，以便進(jìn)一步構(gòu)建相應(yīng)多光譜PLSDA分類(lèi)模型，以減少建模輸入變量，節(jié)約成本、盡最大可能地縮短計(jì)算時(shí)間，并可以依據(jù)所選波長(zhǎng)，通過(guò)選取相應(yīng)中心波長(zhǎng)的LED，結(jié)合相應(yīng)探測(cè)器件，使實(shí)用便攜或在線快速檢測(cè)應(yīng)用成為可能。

SPA方法選取的結(jié)果如圖7所示。選取的4個(gè)最優(yōu)波長(zhǎng)為533、617、665、807 nm，其中665 nm位于兩個(gè)增長(zhǎng)區(qū)間的分界點(diǎn)附近，533 nm和617 nm位于第1個(gè)增長(zhǎng)范圍內(nèi)，807 nm位于第2個(gè)增長(zhǎng)區(qū)間內(nèi)，且位于兩類(lèi)樣本平均光譜曲線的幅值之差最大處附近。不僅如此，所選取的4個(gè)波長(zhǎng)中3個(gè)均位于可見(jiàn)光范圍，對(duì)于相應(yīng)LED照明光源的易于獲得、降低成本和相應(yīng)儀器研制的可行性等方面，均具有重要意義。

圖7 SPA最優(yōu)波長(zhǎng)選擇結(jié)果Fig.7 SPA optimal wavelength selection results

利用所選的4個(gè)最優(yōu)波長(zhǎng)的光譜數(shù)據(jù)建立相應(yīng)的PLSDA多光譜分類(lèi)預(yù)測(cè)模型，模型預(yù)測(cè)結(jié)果的混淆矩陣如表1所示。其中五折交叉驗(yàn)證中僅有1個(gè)莽草樣本被模型錯(cuò)誤地判別為八角，對(duì)照原始樣本核實(shí)，該莽草樣本的角瓣數(shù)量、色澤與形態(tài)與八角非常相近。其他校正集和驗(yàn)證集的所有樣本均判別正確。交叉驗(yàn)證的總體判別準(zhǔn)確率為98.4%，可以滿足實(shí)際檢測(cè)需求。

表1 多光譜PLSDA模型對(duì)八角摻假分類(lèi)預(yù)測(cè)效果Tab.1 Prediction effect of multispectral PLSDA model on octagonal adulteration classification

2.3 外部驗(yàn)證集的可視化結(jié)果

為進(jìn)一步驗(yàn)證模型的預(yù)測(cè)性能，基于所構(gòu)建多光譜模型，重新采集3幅高光譜圖像用作模型的外部驗(yàn)證數(shù)據(jù)，預(yù)測(cè)結(jié)果的可視化圖如圖8所示。

圖8 外部驗(yàn)證集預(yù)測(cè)可視化結(jié)果Fig.8 Predicted visual results of external validation sets

可見(jiàn)，3幅摻雜的高光譜圖像中的2幅，即八角/莽草摻雜比例分別為15∶1(圖8a)和8∶8(圖8c)的所有樣本都被正確地識(shí)別出來(lái)，圖8b中僅有1粒莽草樣本被誤判為八角，如前述，被誤判為八角的莽草樣本與八角在顏色和形態(tài)上極其相似，除此以外，該樣本尚存在可見(jiàn)的背景噪聲，這也是導(dǎo)致誤判的可能原因之一?？傮w分類(lèi)準(zhǔn)確率為47/48×100%=97.9%。以上結(jié)果表明，所建立四波長(zhǎng)多光譜模型對(duì)八角和莽草具有良好的分類(lèi)識(shí)別結(jié)果，可在此基礎(chǔ)上開(kāi)發(fā)在線或便攜式檢測(cè)設(shè)備或儀器，具有一定的實(shí)際應(yīng)用價(jià)值與前景。

2.4 與常規(guī)圖像處理方法的比較

如前述，盡管莽草和八角的相似度能達(dá)到90%，但無(wú)論是從色澤還是外觀形態(tài)上，兩者有著肉眼可辨的差異，例如，真八角瓣看上去肥碩、圓鈍，有8個(gè)角，角尖平直；莽草比較瘦弱，有11～13個(gè)尖角，角尖彎曲。為此，追加了采用圖像處理的相關(guān)實(shí)驗(yàn)，對(duì)比兩種技術(shù)對(duì)圖8外部驗(yàn)證數(shù)據(jù)集的判別效果，并對(duì)比分析兩種技術(shù)的優(yōu)越性。

2.4.1八角中莽草辨識(shí)的圖像處理方法

與從高光譜圖像中提取目標(biāo)相似，對(duì)樣品的圖像數(shù)據(jù)，首先利用RGB三通道間的運(yùn)算，一定程度去除圖3所示陰影。經(jīng)二值化聯(lián)合開(kāi)、閉運(yùn)算后，圖像中噪聲可有效去除，實(shí)現(xiàn)各目標(biāo)的提取(目標(biāo)設(shè)定為白，背景為黑)，如圖9a所示。然后，通過(guò)bwlabel函數(shù)，將每個(gè)目標(biāo)標(biāo)記為單獨(dú)區(qū)域。進(jìn)一步計(jì)算每個(gè)標(biāo)記區(qū)域的最小外接矩形與形心，并以形心為圓心，外接矩形寬的0.5倍與寬的0.38倍為半徑畫(huà)一個(gè)圓環(huán)，圓環(huán)幾乎與目標(biāo)每個(gè)角瓣相交，如圖9b所示。將圓環(huán)和目標(biāo)每個(gè)角相交的區(qū)域保留，剩余部位標(biāo)記為黑，如圖9c所示。然后統(tǒng)計(jì)每個(gè)樣本標(biāo)記區(qū)域內(nèi)圓環(huán)與角瓣相交部分的像素，以及相交區(qū)域數(shù)量，獲得每個(gè)樣本標(biāo)記區(qū)域中相交區(qū)域的平均像素?cái)?shù)。

2.4.2圖像處理對(duì)外部驗(yàn)證集的判定結(jié)果

由于莽草的角多且細(xì)，求取像素?cái)?shù)均值后其數(shù)值相對(duì)較??；而八角角少且肥碩，其像素?cái)?shù)量會(huì)稍大，基于此，通過(guò)設(shè)定閾值來(lái)最終識(shí)別莽草和八角。本研究中，當(dāng)平均像素?cái)?shù)大于193時(shí)認(rèn)為是八角，小于193時(shí)認(rèn)為是莽草，用不同的顏色分別進(jìn)行標(biāo)記。

圖9 外部驗(yàn)證集預(yù)測(cè)圖像處理結(jié)果Fig.9 Predicted image processing results of external validation sets

圖10 圖像處理對(duì)外部驗(yàn)證集預(yù)測(cè)結(jié)果Fig.10 Predicted visual results of external validation sets

對(duì)圖8外部驗(yàn)證集原始圖像的識(shí)別結(jié)果分別如圖10所示?？梢?jiàn)莽草的識(shí)別率為100%，八角中有3個(gè)誤判為莽草，對(duì)照原圖觀察，誤判的八角均是角瓣小且細(xì)的，雖然角瓣數(shù)在8瓣左右，但是每個(gè)角都很細(xì)，與正常八角有較大差異，整體準(zhǔn)確率為93.75%。

2.4.3多光譜與圖像處理技術(shù)比較

(1)判定準(zhǔn)確率

對(duì)從八角中識(shí)別莽草的準(zhǔn)確率方面來(lái)看，常規(guī)圖像處理技術(shù)的識(shí)別結(jié)果(總體準(zhǔn)確率93.75%)，不如多光譜準(zhǔn)確率(總體準(zhǔn)確率98.4%)高。雖然，還有更好的方法或更多的步驟可以用來(lái)進(jìn)一步增強(qiáng)圖像處理的結(jié)果準(zhǔn)確率，例如，繼續(xù)采取相關(guān)圖像預(yù)處理算法以進(jìn)一步降低背景等噪聲，但步驟越繁瑣，越易導(dǎo)致方法的過(guò)擬合性，即導(dǎo)致其通用性降低。

(2)圖像或光譜信息的預(yù)處理

在利用常規(guī)圖像處理技術(shù)時(shí)，針對(duì)不同的應(yīng)用，考慮到光源、環(huán)境條件、獲取速度等多方面因素導(dǎo)致的噪聲，基本都需要背景去除、圖像增強(qiáng)等圖像預(yù)處理過(guò)程，以獲取純凈目標(biāo)圖像，而這通常是復(fù)雜繁瑣的過(guò)程。而所開(kāi)發(fā)的多光譜方法，除了需要獲取相應(yīng)光斑所反射的有限波長(zhǎng)處平均光譜信息，不再需要任何包括背景去除等類(lèi)似圖像處理的任何步驟。即一旦采用高光譜成像工具完成判別模型的建立，僅需將樣本光譜代入模型即可完成判別，不需再對(duì)高光譜數(shù)據(jù)進(jìn)行背景去除。對(duì)比高光譜數(shù)據(jù)的去背景、降噪操作，常規(guī)圖像預(yù)處理繁瑣復(fù)雜且效果相對(duì)不佳。本文所述面向多光譜應(yīng)用開(kāi)發(fā)，利用高光譜數(shù)據(jù)所提取的平均光譜曲線，以及同步獲得的單一波長(zhǎng)的圖像，通過(guò)圖譜交互分析實(shí)現(xiàn)圖像背景去除和光譜圖像增強(qiáng)，在方法簡(jiǎn)易的同時(shí)確保了純凈光譜信息的獲取。

(3)計(jì)算時(shí)間

利用常規(guī)圖像處理方法，在所有判定參數(shù)確定的條件下，對(duì)外部驗(yàn)證數(shù)據(jù)集進(jìn)行判別，判別程序的總運(yùn)行時(shí)間達(dá)20.66 s。這僅是靜態(tài)處理圖像，若進(jìn)行動(dòng)態(tài)判別應(yīng)用，需要對(duì)圖像視野范圍內(nèi)動(dòng)態(tài)所獲圖像執(zhí)行包括預(yù)處理在內(nèi)的每一個(gè)步驟，耗時(shí)更長(zhǎng)。

而對(duì)于多光譜檢測(cè)應(yīng)用而言，雖然方法建立所依托的高光譜成像基礎(chǔ)工具成本高，高光譜圖像獲取和圖譜分析過(guò)程略顯繁瑣，但一經(jīng)建立相應(yīng)多光譜模型，則在實(shí)際應(yīng)用中，不再需要高光譜工具，僅需要采用諸如相應(yīng)波長(zhǎng)的LED光源，加上相應(yīng)探測(cè)器例如光電管或CCD即可獲取相應(yīng)波長(zhǎng)的光譜數(shù)據(jù)，并代入多光譜判別模型公式，即可完成檢測(cè)，即僅需獲得光斑的多光譜反射信息所需的毫秒級(jí)曝光時(shí)間，以及數(shù)據(jù)讀取與處理時(shí)間，總計(jì)算時(shí)間最大也僅有百毫秒甚至更少。

3 結(jié)論

(1)基于高光譜成像技術(shù)開(kāi)發(fā)了一種鑒別八角及其含毒偽品莽草的快速檢測(cè)方法。利用樣本在400～1 000 nm范圍內(nèi)反射率逐漸遞增的光譜特征，采用850 nm和450 nm的波段差運(yùn)算去除了高光譜數(shù)據(jù)中的背景信息，利用線性拉伸方法去除了數(shù)據(jù)中由于樣本高度造成的陰影噪聲，最后利用區(qū)域標(biāo)記方法實(shí)現(xiàn)了高光譜數(shù)據(jù)中每一粒樣本平均光譜曲線的自動(dòng)提取。

(2)采用SPA變量?jī)?yōu)選方法選取4個(gè)最優(yōu)波長(zhǎng)(533、617、665、807 nm)，并基于4個(gè)波長(zhǎng)下原始光譜數(shù)據(jù)建立了PLSDA分類(lèi)模型，模型對(duì)交叉驗(yàn)證集的總體準(zhǔn)確率為98.4%，對(duì)校正集和驗(yàn)證集的總體準(zhǔn)確率為100%。模型對(duì)外部驗(yàn)證集樣本的總體分類(lèi)準(zhǔn)確率為97.9%，可視化結(jié)果較好。

(3)對(duì)驗(yàn)證數(shù)據(jù)集的3個(gè)樣本采用圖像處理技術(shù)進(jìn)行分析，并將其判別結(jié)果與本文方法進(jìn)行了比較和討論，結(jié)果表明，依托高光譜成像技術(shù)建立的八角和莽草辨識(shí)的多光譜分析方法，是一種簡(jiǎn)單、實(shí)用和便于實(shí)現(xiàn)動(dòng)態(tài)在線或便攜式檢測(cè)應(yīng)用的有效方法。