黎 靜，伍臣鵬，劉木華，陳金印，鄭建鴻，張一帆，王 威，賴(lài)曲芳，薛 龍, 2*

1. 江西農(nóng)業(yè)大學(xué)工學(xué)院，江西 南昌 330045 2. 江西省現(xiàn)代農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，江西 南昌 330045 3. 江西省果蔬采后處理關(guān)鍵技術(shù)與質(zhì)量安全協(xié)同創(chuàng)新中心，江西 南昌 330045

引 言

中國(guó)是獼猴桃的原生中心，也是獼猴桃的最大生產(chǎn)國(guó)，果園面積與產(chǎn)量均居世界第一。作為江西盛產(chǎn)的“金魁”獼猴桃，有其獨(dú)特的天然優(yōu)勢(shì)，果實(shí)個(gè)頭大，耐貯性強(qiáng)，果肉品質(zhì)極佳，營(yíng)養(yǎng)價(jià)值高，深受廣大消費(fèi)者的喜愛(ài)[1]。但金魁獼猴桃存在一個(gè)普遍現(xiàn)象：畸形果居多?；喂囊话闾卣鳎汗麑?shí)有棱狀肋起、 斜肩、 側(cè)扁等多處發(fā)生形變。而正常果一般呈圓柱形，果形端正，且大小均勻、 整齊一致，果面較為完好。目前，獼猴桃產(chǎn)后分級(jí)處理主要采用人工分級(jí)，效率低且人為主觀因素大，導(dǎo)致分級(jí)效果不佳?；喂某霈F(xiàn)不僅加重產(chǎn)后分級(jí)處理的難度，也嚴(yán)重影響了果實(shí)的外觀和商品價(jià)值。因此，如何高效準(zhǔn)確對(duì)獼猴桃形狀分類(lèi)檢測(cè)研究具有重要意義和巨大的發(fā)展前景。

主要研究?jī)?nèi)容：

(1)利用主成分分析法提取特征波長(zhǎng)，融合成新的圖像；

(2)采用四叉樹(shù)分解算法對(duì)圖像分割，以保證獼猴桃邊界信息完整；

(3)提取12組獼猴桃形狀特征參數(shù)，利用可見(jiàn)-近紅外高光譜成像結(jié)合偏最小二乘線性判別分析、 反向傳播神經(jīng)網(wǎng)絡(luò)、 最小二乘支持向量機(jī)建立分類(lèi)模型，以驗(yàn)證模型的可行性，然后比較模型優(yōu)劣，選出最佳分類(lèi)模型。

1 實(shí)驗(yàn)部分

1.1 獼猴桃樣本

以“金魁”獼猴桃為研究對(duì)象，采購(gòu)于江西奉新某獼猴桃果園，剔除損傷、 被異物污染的樣品。獼猴桃畸形果和正常果的分類(lèi)由多位專(zhuān)業(yè)果形分析人員綜合評(píng)定，得到正常果107個(gè)，畸形果141個(gè)，共用樣品248個(gè)。實(shí)驗(yàn)前將樣品表面可能殘留雜物或者絨毛擦拭掉，對(duì)其分別編號(hào)，再進(jìn)行高光譜圖像的采集。圖1為采購(gòu)的兩種不同果形的獼猴桃樣品。

圖1 購(gòu)買(mǎi)的獼猴桃樣品(a)：正常果；(b)—(d)：畸形果Fig.1 Purchased kiwifruit samples(a)：Normal；(b)—(d)：Malformation

1.2 高光譜系統(tǒng)

高光譜圖像采集系統(tǒng)如圖2所示。該系統(tǒng)主要由1臺(tái)CMOS照相機(jī)(Photonfocus，Switzerland)，1臺(tái)行掃描光譜攝制儀(Spectrograph V10E)，2個(gè)250 W的光纖鹵素?zé)?ALPHA-1501，21 V/250 W Halogen Tugsten Lamp)和一套光學(xué)移動(dòng)平臺(tái)(由步進(jìn)電機(jī)控制的載物臺(tái))等部件組成。為防止采集的圖像受噪聲和雜散光的干擾，將其他硬件設(shè)備(除電腦外)全放置暗箱中。圖像采集范圍是400～1 000 nm，光譜分辨率約為1 nm，曝光時(shí)間40 ms。光譜采集軟件為Spectral Cube(Spectral Imaging Ltd. ，F(xiàn)inland)。

圖2 高光譜采集系統(tǒng)((a)：示意圖；(b)：實(shí)物圖(Fig.2 Hyperspectral acquisition system((a)：Schematic diagram；(b)：Actual picture

2 高光譜圖像處理及數(shù)據(jù)處理

2.1 高光譜圖像校正

采集高光譜圖像前，設(shè)定設(shè)備相關(guān)參數(shù)，然后將儀器預(yù)熱30 min。為了避免光線和強(qiáng)電流對(duì)圖像的影響，必須對(duì)圖像進(jìn)行校正。首先采集反射率為99.9%的白板得到白標(biāo)定圖像Iwhite，然后擰上相機(jī)鏡頭得到黑標(biāo)定圖像Iblack，然后對(duì)采集的原始圖像Ioriginal，利用校正式(1)處理得到校正圖像I。校正公式

(1)

式(1)中，I為校正后的高光譜圖像，作為后續(xù)處理時(shí)的原始圖像。

2.2 特征波長(zhǎng)選取

高光譜圖像由光譜信息和圖像信息合成，數(shù)據(jù)量大，信息冗余度高，直接處理不方便。采用ENVI4.3(Research System, Inc.，USA)軟件對(duì)高光譜圖像光譜區(qū)域進(jìn)行主成分分析(principal component analysis，PCA)，減少無(wú)關(guān)變量的輸出[7]。選取500～918 nm波段的圖像進(jìn)行PCA處理，大于918 nm和小于500 nm的波段受噪聲影響較大。每個(gè)PC圖像是原始光譜波段的線性組合，由相應(yīng)的光譜權(quán)重系數(shù)加權(quán)[8]。

圖3顯示了獼猴桃第一主成分(PC-1)圖像的光譜權(quán)重系數(shù)，根據(jù)波峰、 波谷等特征位置得到3個(gè)特征波長(zhǎng)(682，809和858 nm)，在圖上已標(biāo)明。利用3個(gè)特征波長(zhǎng)，對(duì)原始圖像進(jìn)行加權(quán)計(jì)算，融合成一個(gè)和PC-1很接近的圖像。圖4顯示了波長(zhǎng)為800 nm的原始圖像及由PC-1的融合圖像，對(duì)比可看出，融合圖像[圖4(b)]前景和背景差異性較大，獼猴桃區(qū)域亮度更高，邊界更清晰，便于處理。

圖3 獼猴桃PC-1圖像的光譜權(quán)重系數(shù)Fig.3 Spectral weight coefficient of kiwifruit PC-1 image

圖4 單波長(zhǎng)和特征波長(zhǎng)下灰度圖像的對(duì)比(a)：波長(zhǎng)為800 nm；(b)：特征波長(zhǎng)Fig.4 Contrast of grayscale images at single wavelength and characteristic wavelength(a)：Wavelength at 800 nm；(b)：Characteristic wavelength

2.3 掩膜圖像提取

由于獼猴桃表面覆蓋絨毛，果實(shí)邊緣像素值極低，采用基于區(qū)域的圖像分割技術(shù)難以將背景分離，或者不能保證圖像邊緣的完整性?；谒牟鏄?shù)的圖像分割法能夠有效解決這個(gè)問(wèn)題，保持圖像細(xì)節(jié)更優(yōu)越[9]，因此采用基于四叉樹(shù)分解方法對(duì)融合圖像進(jìn)行分割。

四叉樹(shù)分解過(guò)程：首先將圖像分成4個(gè)區(qū)域，把具有一致性的像素分到同一區(qū)域，若像素間不滿(mǎn)足一致性標(biāo)準(zhǔn)，則繼續(xù)分成4個(gè)區(qū)域，以此類(lèi)推，直到圖像中的所有區(qū)域都滿(mǎn)足一致性標(biāo)準(zhǔn)才停止。

圖5顯示了利用四叉樹(shù)分解對(duì)畸形果和正常果圖像分割過(guò)程。圖5(a)表示由3個(gè)特征波長(zhǎng)融合而成的新圖像(融合圖像)，然后利用四叉樹(shù)分解算法對(duì)融合圖像進(jìn)行分割，再進(jìn)行形態(tài)學(xué)腐蝕、 膨脹等處理得到掩膜圖像[圖5(b)]，從圖5(b)中可以看出，掩膜圖像的邊緣較為完整，細(xì)節(jié)部分提取較好。

圖5 基于四叉樹(shù)分解提取掩膜圖像的過(guò)程(a)：融合圖像；(b)：掩膜圖像Fig.5 The process of extracting mask images based on quadtree decomposition(a)：Fused image；(b)：Mask image

2.4 形狀特征參數(shù)測(cè)定

形狀特征是果實(shí)圖像比較直觀的外形特征，也是果形分類(lèi)研究最穩(wěn)定的特征，采用MatlabR2018a(Math Works，USA)對(duì)形狀特征參數(shù)進(jìn)行提取。形狀特征參數(shù)的定義及計(jì)算方法如下，

(1)面積(Area)

衡量獼猴桃大小的度量單位，定義為目標(biāo)區(qū)域的實(shí)際面積(像素個(gè)數(shù))，用V1表示。

(2)周長(zhǎng)(Perimeter)

表示包圍目標(biāo)區(qū)域的邊界輪廓長(zhǎng)度，用V2表示。

(3)離散度(Dispersion)

用于描述果實(shí)形狀復(fù)雜的指數(shù)，表示在果實(shí)區(qū)域內(nèi)，單位面積內(nèi)的周長(zhǎng)的大小。其計(jì)算公式如式(2)所示，

(2)

(4)圓形度(Circularity)

圓形度是獼猴桃與圓、 矩形的接近程度的參數(shù)，如該參數(shù)越接近1，說(shuō)明獼猴桃越接近圓形，參數(shù)接近0.79時(shí)，獼猴桃形狀接近矩形[4]。其計(jì)算公式如式(3)所示，

(3)

(5)離心率(Eccentricity)

與獼猴桃區(qū)域具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的離心率定義為獼猴桃離心率，表示橢圓兩焦點(diǎn)間的距離和長(zhǎng)軸長(zhǎng)度的比值[10]。其計(jì)算公式如式(4)所示，

(4)

式(4)中，focallength是與獼猴桃具有相同標(biāo)準(zhǔn)二階中心矩的橢圓的半焦距，longaxis是其長(zhǎng)半軸。

(6)質(zhì)心比(Centroid ratio)

質(zhì)心比表示目標(biāo)圖像的質(zhì)心到邊界距離的最大值和最小值(Rmax,Rmin)的比值，該值體現(xiàn)其形狀的復(fù)雜性，其計(jì)算公式如式(5)所示，

(5)

(7)橢圓率(Ellipticity)

將獼猴桃區(qū)域的最小外接矩形的長(zhǎng)和寬比值定義為橢圓率，用于表示目標(biāo)獼猴桃形狀與橢圓的相似程度。其計(jì)算公式如式(6)所示，

(6)

(8)矩形度(Rectangularity)

獼猴桃區(qū)域面積和獼猴桃區(qū)域的最小外接矩形的長(zhǎng)和寬的乘積比，其計(jì)算公式如式(7)所示，

(7)

(9)當(dāng)量直徑(Equivalent diameter)

當(dāng)量直徑表示與獼猴桃區(qū)域面積大小相等圓的直徑[4]，其計(jì)算公式如式(8)所示，

(8)

(10)緊湊度(Compactness)

將當(dāng)量直徑和最小外接矩形的長(zhǎng)之比定義為緊湊度[4]，其計(jì)算公式如式(9)所示，

(9)

(11)分形維數(shù)(Fractal dimension)

分形維數(shù)也稱(chēng)分維，主要用于描述復(fù)雜形體的不規(guī)則性[11]。分形維數(shù)的計(jì)算公式如式(10)所示，

(10)

式中，ε表示小立方體的長(zhǎng)度，N(ε)表示此小立方體覆蓋被測(cè)形體所得的數(shù)量。

(12)傅里葉描述子(Fourier descriptors)

為了定性描述獼猴桃形狀特征，提取傅里葉描述子進(jìn)行計(jì)算，首先計(jì)算目標(biāo)圖像中心坐標(biāo)，然后計(jì)算中心坐標(biāo)到邊界各點(diǎn)的半徑序列并歸一化，最后采用離散傅里葉變換得到傅里葉描述子，這里取離散傅里葉變換的前15項(xiàng)分量描述邊界信息[5]。其計(jì)算公式如式(11)所示，

(11)

式中，m是邊界點(diǎn)坐標(biāo)個(gè)數(shù)，rk表示歸一化后的半徑序列，exp是傅里葉變換函數(shù)，w是頻率。

2.5 數(shù)據(jù)預(yù)處理

為了消除形狀特征參數(shù)因個(gè)別數(shù)據(jù)差異性過(guò)大，或者由于單位量綱不同、 自身變異所引起的誤差，需要對(duì)數(shù)據(jù)進(jìn)行歸一化處理。歸一化可以把有量綱的表達(dá)式經(jīng)過(guò)變換變成無(wú)量綱的數(shù)，計(jì)算公式如式(12)所示，

(12)

其中，x表示需要處理的數(shù)據(jù)，xmax是數(shù)據(jù)中最大值，xmin是數(shù)據(jù)中最小值，x*表示已處理完成的數(shù)據(jù)。

水利工程大壩一旦出現(xiàn)失控，就會(huì)給人民的生命財(cái)產(chǎn)安全帶來(lái)巨大的威脅，在水利工程大壩防滲加固施工中引入帷幕灌漿技術(shù)，可以有效避免水利工程出現(xiàn)安全問(wèn)題，促進(jìn)水利工程安全運(yùn)行，全面提高水利工程的經(jīng)濟(jì)效益。高質(zhì)量完成帷幕灌漿技術(shù)，可以在水利工程大壩防滲加固中充分發(fā)揮作用。所以，對(duì)于帷幕灌漿技術(shù)的研究十分有必要。

2.6 樣本劃分

在建模前，一般將樣本集劃分為訓(xùn)練集和測(cè)試集，采用Kennard-Stone(KS)算法劃分選樣，該算法是從所有樣品中選擇預(yù)定數(shù)目的樣本作為訓(xùn)練集，剩余樣品本作為測(cè)試集。KS選樣過(guò)程：

(1)首先計(jì)算兩兩樣本間的歐幾里德距離，選擇距離最大兩個(gè)樣品；

(2)然后分別計(jì)算剩余的樣本與已選擇的兩個(gè)樣本之間的距離；

(3)對(duì)于剩余每個(gè)樣本而言，其與已選樣品間的最短距離被選擇，然后選擇這些最短距離中相對(duì)最長(zhǎng)的距離所對(duì)應(yīng)的樣本作為測(cè)試集；

(4)重復(fù)步驟(3)，直至所選的樣本數(shù)等于需要的數(shù)目為止[12]。

采用KS算法以2∶1的比例對(duì)獼猴桃樣本進(jìn)行劃分，結(jié)果如表1所示，訓(xùn)練集樣本數(shù)包含正常果、 畸形果共有166個(gè)，同樣測(cè)試集樣本包含正常果、 畸形果共有82個(gè)。訓(xùn)練集用于建立獼猴桃形狀特征的分類(lèi)模型，測(cè)試集則驗(yàn)證模型的分類(lèi)性能。

表1 獼猴桃樣品劃分統(tǒng)計(jì)結(jié)果Table 1 Statistical results of kiwifruit sample division

2.7 模型分類(lèi)方法

(1)偏最小二乘線性判別分析

線性判別分析(linear discriminant analysis，LDA)的目標(biāo)是從高維空間中找到最具分辨能力特征值，將同一類(lèi)別的樣本聚集在一起，從而達(dá)到模式分類(lèi)識(shí)別。但傳統(tǒng)的LDA在訓(xùn)練樣本沒(méi)有足夠多時(shí)不能保證類(lèi)內(nèi)離散度矩陣可逆，而偏最小二乘(partial least squares，PLS)最初為一種基于特征變量的回歸方法，為擬合變量集和反應(yīng)變量集之間的線性關(guān)系。

因而，偏最小二乘線性判別分析(partial least squares-linear discriminant analysis, PLS-LDA)的基本思路: 首先利用PLS算法將矩陣X和y進(jìn)行主成分分解，得到X矩陣的主成分T。然后利用T和各樣本的y值做線性判別分析，最終導(dǎo)出判別函數(shù)[13]。

(2)反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)

反向傳播神經(jīng)網(wǎng)絡(luò)，由Rumelhart和McClelland為首的科學(xué)家于1986年提出，是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，具有任意復(fù)雜的模式分類(lèi)能力和優(yōu)良的多維函數(shù)映射能力?；舅枷胧翘荻认陆捣?，利用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的誤差均方差為最小[14]。

(2)最小二乘支持向量機(jī)

支持向量機(jī)(support vector machines，SVM)是Corinna Cortes和Vapnik于1995年首先提出，在解決小樣本、 非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)。最小二乘支持向量機(jī)(least squares support vector machines，LSSVM)是SVM的一種擴(kuò)展，在利用結(jié)構(gòu)風(fēng)險(xiǎn)原則時(shí)選取不同的損失函數(shù)，對(duì)數(shù)據(jù)分析和模式識(shí)別有較大優(yōu)勢(shì)，可用于分類(lèi)和回歸分析[15]。

2.8 模型評(píng)價(jià)

模型的性能評(píng)價(jià)以訓(xùn)練集分類(lèi)準(zhǔn)確率、 測(cè)試集分類(lèi)準(zhǔn)確率及總體分類(lèi)準(zhǔn)確率作為評(píng)價(jià)指標(biāo)。

3 結(jié)果與討論

3.1 建模分析

以正常果(賦值1)、 畸形果(賦值0)的分類(lèi)形狀為指標(biāo)，利用12組形狀特征參數(shù)分別建立PLS-LDA，BPNN和LSSVM模型，然后進(jìn)行模型判別分析。

3.1.1 PLS-LDA建模分析

對(duì)于PLS-LDA模型的建立，首先是通過(guò)交叉驗(yàn)證得到最小錯(cuò)分率為0.162 7，最優(yōu)主成分?jǐn)?shù)為8，利用最優(yōu)主成分?jǐn)?shù)來(lái)建模，表2為PLS-LDA模型的分類(lèi)結(jié)果。從表中可知，利用PLS-LDA模型對(duì)正常果的分類(lèi)，其分類(lèi)準(zhǔn)確率較高，訓(xùn)練集中誤判個(gè)數(shù)為5個(gè)，而測(cè)試集的分類(lèi)準(zhǔn)確率達(dá)到100%，對(duì)畸形果的分類(lèi)效果較差，訓(xùn)練集和測(cè)試集的準(zhǔn)確率分別為69.15%和59.57%。

表2 PLS-LDA模型分類(lèi)結(jié)果Table 2 Classification result of PLS-LDA model

3.1.2 BPNN建模分析

利用BPNN建立模型，參數(shù)的合理選擇尤其重要。隱藏層數(shù)取2，節(jié)點(diǎn)數(shù)為7，學(xué)習(xí)速率為0.3，最大訓(xùn)練次數(shù)為1 000，最小均方誤差為1×10-8。表3表示不同果形的獼猴桃樣品結(jié)合BPNN判別結(jié)果。結(jié)果表明，利用BPNN分類(lèi)判別，訓(xùn)練集效果較好，正常果、 畸形果的誤判樣本數(shù)分別為1和2，總體準(zhǔn)確率為98.19%；測(cè)試集的分類(lèi)效果也較為理想，正常果沒(méi)有出現(xiàn)誤判，畸形果誤判個(gè)數(shù)為2，準(zhǔn)確率為95.74%，而總體準(zhǔn)確率也高達(dá)97.56%。

表3 BPNN判別結(jié)果Table 3 Discriminant result of BPNN

3.1.2 LSSVM建模分析

對(duì)于LSSVM模型，參數(shù)選擇也較為重要。先是采用7-折交叉驗(yàn)證得到最優(yōu)參數(shù)，其中正則化參數(shù)和內(nèi)核參數(shù)分別為816.486 9和11.175 4。利用最優(yōu)參數(shù)建模，然后對(duì)模型進(jìn)行訓(xùn)練、 仿真得出分類(lèi)結(jié)果，表4為獼猴桃的LSSVM模型分類(lèi)結(jié)果。結(jié)果表明，利用LSSVM建立模型，訓(xùn)練集畸形果有4個(gè)誤判，準(zhǔn)確率為95.74%，正常果零誤判，總體準(zhǔn)確率達(dá)到97.59%；測(cè)試集中4個(gè)誤判樣本均為畸形果，總體準(zhǔn)確率為95.12%。

表4 LSSVM模型分類(lèi)結(jié)果Table 4 Classification results of LSSVM model

3.2 結(jié)果分析

3.2.1 模型比較

結(jié)合PLS-LDA，BPNN和LSSVM建立的分類(lèi)模型，對(duì)于正常果的檢測(cè)，訓(xùn)練集的誤判樣本數(shù)：PLS-LDA，BPNN和LSSVM分別為4，1和0，對(duì)應(yīng)的其分類(lèi)準(zhǔn)確率均在94%以上，而三種模型測(cè)試集均未出現(xiàn)誤判，分類(lèi)準(zhǔn)確率為100%，模型總體分類(lèi)效果較好，模型性能依次是LSSVM最好、 BPNN其次、 PLS-LDA最差。對(duì)于畸形果的檢測(cè)，PLS-LDA，BPNN和LSSVM模型訓(xùn)練集的誤判樣本數(shù)分別為29，2和4，前者的分類(lèi)準(zhǔn)確率低于70%，后兩者在95%以上，三種模型測(cè)試集的誤判個(gè)數(shù)分別為19，2和4，分類(lèi)準(zhǔn)確率分別為59.57%，95.74%和91.49%，模型分類(lèi)效果：BPNN最優(yōu)、 LSSVM其次，PLS-LDA效果最差。

綜合比較獼猴桃形狀特征的PLS-LDA、 BPNN和LSSVM分類(lèi)模型，可以看出PLS-LDA模型的分類(lèi)效果最差，訓(xùn)練集和測(cè)試集的總體準(zhǔn)確率分別為80.12%和76.83%，BPNN和LSSVM模型效果較接近。BPNN模型對(duì)正常果的檢測(cè)，訓(xùn)練集中出現(xiàn)1個(gè)誤判，但是測(cè)試集誤判樣本數(shù)僅為L(zhǎng)SSVM模型的一半，同時(shí)在畸形果的檢測(cè)中，BPNN模型的分類(lèi)效果均優(yōu)于LSSVM，訓(xùn)練集和測(cè)試集的總體分類(lèi)準(zhǔn)確率均大于LSSVM，故認(rèn)為BPNN是最優(yōu)模型，具有最高的總體分類(lèi)準(zhǔn)確率(98.19%和97.56%)。

3.2.2 誤判樣本分析

在最優(yōu)模型BPNN模型中，共有5個(gè)樣品未能正確分類(lèi)，訓(xùn)練集中2個(gè)畸形、 1個(gè)正常樣品，測(cè)試集中2個(gè)畸形；出現(xiàn)誤判有多方面的原因。如圖6(a)所示，融合圖像(左邊)包含樣品表面缺陷、 邊界形狀雙重特征，由專(zhuān)業(yè)分析人員定義為畸形果，但僅根據(jù)該樣品的輪廓(右圖)進(jìn)行判別，模型容易出現(xiàn)錯(cuò)分。

圖6 BPNN模型的誤判樣本(a)：畸形果誤判；(b)：正常果誤判Fig.6 Misjudged samples of BPNN model(a)：Misjudged malformation；(b)：Misjudged normal

其次，影響正常樣品未正確分類(lèi)的另一個(gè)因素是果梗的存在，如圖6(b)所示，果梗的存在與否，將直接影響提取的形狀特征參數(shù)值，然后影響模型分類(lèi)能力，導(dǎo)致模型的準(zhǔn)確率不高。在今后的試驗(yàn)中，將改進(jìn)試驗(yàn)方法，盡量保證樣品特征的一致性(同種特征參與建模計(jì)算)，減少不同特征的差異性，以提高模型分類(lèi)準(zhǔn)確率。

4 結(jié) 論

基于獼猴桃形狀特征，利用高光譜成像結(jié)合多種建模方式對(duì)獼猴桃正常果、 畸形果進(jìn)行分類(lèi)判別具有如下結(jié)論：

(1)采用主成分分析法對(duì)光譜數(shù)據(jù)降維并提取特征波長(zhǎng)，對(duì)特征波長(zhǎng)進(jìn)行組合計(jì)算；利用四叉樹(shù)分解算法來(lái)分割背景，得到的掩膜圖像，沒(méi)有雜散光和噪聲影響，邊界信息保留較為完整。

(2)提取了12組獼猴桃形狀特征參數(shù)，結(jié)合PLS-LDA，BPNN和LSSVM建模分析。結(jié)果表明，BPNN和LSSVM模型的分類(lèi)效果較為理想，總體的準(zhǔn)確率均達(dá)到95%以上，表明了利用高光譜成像來(lái)檢測(cè)獼猴桃形狀是可行的。

(3)基于獼猴桃形狀特征參數(shù)建立的3種模型，其最佳分類(lèi)模型為BPNN模型，總體分類(lèi)準(zhǔn)確率分別為98.19%和97.56%。該技術(shù)為獼猴桃形狀分類(lèi)提供方法和理論依據(jù)，為農(nóng)產(chǎn)品外形無(wú)損檢測(cè)奠定了理論基礎(chǔ)。