李 偉 趙雪晴 劉 強

(1. 淮安市職業(yè)教育教學研究室，江蘇 淮安 223001；2. 江蘇科技大學，江蘇 鎮(zhèn)江 212100；3. 蘇州大學，江蘇 蘇州 510632)

傳統(tǒng)的玉米籽粒霉變識別方法有感官評價和理化成分檢測[1]。感官評價簡單、省時、成本低，但評價結果容易受到外界環(huán)境和視察員主觀情緒的干擾，且有毒物質也會對視察員的健康構成威脅[2]。理化成分的測定一般采用高效液相色譜、聚合酶鏈反應、酶聯(lián)免疫吸附試驗等檢測方法[3]。雖然這些方法可對霉變玉米籽粒實現(xiàn)更精確的測量和定性分析，但需要昂貴的測試設備和專業(yè)的技術人員，且測試過程復雜和耗時[4]。

近年來，電子鼻、機器視覺、近紅外、高光譜成像等無損檢測技術已被成功應用于霉變玉米籽粒的識別[5-7]。電子鼻技術主要利用特定的傳感器，根據(jù)揮發(fā)性有機化合物信息的變化來識別玉米籽粒的霉變程度[8]；但在流動狀態(tài)下，氣體濃度會發(fā)生變化，影響其對霉變玉米籽粒的識別精度[9]。在易于使用和低成本的替代方法中，可見—近紅外(Visible-Near infrared，Vis-NIR)光譜技術和機器視覺因具有快速、簡單和在線圖像分析的能力近年來吸引了越來越多的關注[10]。模擬人類視覺系統(tǒng)的機器視覺可以根據(jù)顏色、大小、表面紋理等外部屬性有效評價玉米籽粒質量[11]；但玉米籽粒只有輕微霉變且無明顯癥狀時，機器學習對霉變玉米籽粒的識別準確率較低[12]。Vis-NIR光譜技術可將光譜信息與物質內部成分含量聯(lián)系起來，利用光譜曲線分析對象內部成分的變化[13]；但近紅外光譜的點掃描方式在很大程度上限制了其對霉斑分布不均勻樣品的檢測[14]。

高光譜圖像技術是一種將傳統(tǒng)圖像處理技術和光譜技術相結合的技術，可以同時克服機器視覺對玉米籽粒識別的不足(對出現(xiàn)輕微霉變但無明顯癥狀的玉米籽粒識別效果差)和光譜技術的局限性(對霉斑分布不均勻玉米籽粒樣品的檢測效果差)，實現(xiàn)霉變玉米籽粒的快速、無污染、無損檢測[15-16]。Ma等[17]基于從Vis-SWNIR高光譜圖像中提取的光譜和紋理信息，開發(fā)了鮮肉和凍肉的分類模型，該分類模型優(yōu)于光譜和紋理單獨的分類模型。為了快速、無損檢測出貯藏玉米籽粒不同霉變狀況，提升玉米收貯環(huán)節(jié)質檢效率，楊東等[18]利用高光譜成像技術結合顏色矩陣構建玉米籽粒霉變等級分類模型，該分類模型對訓練集和測試集中玉米籽粒的分類準確率分別為94.21%，93.86%。因此，將不同高光譜圖像系統(tǒng)的光譜和圖像特征信息進行融合，可為構建不同霉變程度玉米籽粒的精確識別模型提供一種重要的研究思路。

高光譜圖像技術雖具備了一定的圖像處理功能，但對霉變玉米籽粒圖像等復雜圖像的處理能力有限[19]，為進一步提高對霉變玉米籽粒的識別準確率，研究擬將高光譜圖像技術與其他圖像處理技術結合，提出基于高光譜圖像光譜變量和顏色特征分析的霉變玉米籽粒識別新方法。

1 玉米籽粒高光譜圖像獲取和校正

1.1 玉米籽粒圖像獲取

利用如圖1所示的可視—短波近紅外(Visible short wave near infrared，Vis-SWNIR)和長波近紅外(Long wave near infrared， LWNIR)高光譜反射率成像系統(tǒng)，分別獲取波長范圍為600～1 000，1 000～1 600 nm的霉變玉米籽粒樣品的高光譜圖像[20]。

Vis-SWNIR高光譜成像系統(tǒng)包括一臺成像光譜儀(ImSpector V10EQE)、一臺分辨率為502像素×500像素的電子多重電荷耦合器(Electron multi-plying charge-coupled device，EMCCD)相機(Andor Luca EMCCD DL-604 M)、一個相機鏡頭(OLE23-f/2.4)、一個控制移動平臺操作和一個用于高光譜圖像采集的五鈴光學光譜立方數(shù)據(jù)采集軟件。LWNIR高光譜成像系統(tǒng)包括一個成像光譜儀(ImSpector N25E)、一個分辨率為320像素×256像素的電荷耦合裝置(Charge-coupled device，CCD)相機(Xeva2.5-320)、一個相機鏡頭(HSIA-OLE22)和五鈴光學光譜立方數(shù)據(jù)采集軟件。這兩個高光譜采集系統(tǒng)共用2個300 W的鹵素燈，通過大約45°的角度調整以提供穩(wěn)定的光源；共用一個電動位移臺(EZHR17EN)，用于樣品放置；共用一臺裝入2種高光譜采集軟件的計算機(Lenovo，Intel (R) CPU E3-1231 v3 @ 3.40 GHz)。

為了采集到高質量的不飽和、不失真的圖像，采用直線掃描法采集樣品的高光譜圖像，設置Vis-SWNIR高光譜系統(tǒng)鏡頭到移動平臺的距離、曝光時間和移動平臺速度分別為430 mm、3 ms、2.6 mm/s，LWNIR高光譜系統(tǒng)鏡頭到移動平臺的距離、曝光時間和移動平臺速度分別為310 mm、5 ms、40 mm/s。

選擇“蘇玉20”作為試驗玉米樣品，建立一個玉米籽粒圖像數(shù)據(jù)庫。將玉米籽粒按照霉變程度分為33個組，如表1所示。為避免或降低樣品擺放方式對數(shù)據(jù)采集效果的影響，每種霉變程度的玉米樣品被分為10組，每組樣品100 g，堆疊裝在圓口、平底容器內。每組樣品的組成取決于玉米霉變百分比，例如，若玉米樣品的霉變百分比為2%，則稱重98 g的無霉變玉米籽粒和2 g的霉變玉米籽粒構成該樣品并混合均勻。在采集每組樣品的高光譜圖像時，每采集一次，將玉米籽粒翻動重新混合一次，每組樣品采集10張高光譜圖像。對于每個類別，捕獲了100張玉米籽粒樣品圖像，總計3 300張圖像。

圖1 高光譜圖像采集系統(tǒng)

表1 玉米籽粒類別及其霉變百分比

根據(jù)《中華人民共和國標準化法》[21]和《關于執(zhí)行糧油質量國家標準有關問題的規(guī)定》[22]，將玉米籽粒分為3個超類：① 霉變程度在可接受的范圍，霉變玉米籽粒百分比≤2%，此類玉米籽粒在買入或售出時的價格與無霉變玉米籽粒的價格相同(超類0)；② 霉變玉米籽粒百分比超過2%但≤8%，霉變程度在可接受的范圍，但此類玉米在買入或售出時的價格需在無霉變玉米籽粒價格基礎上打一定折扣，扣價在6%以上(超類1)；③ 霉變玉米籽粒百分比>8%，霉變程度在不可接受的范圍，歸為不可接收或出售玉米籽粒(超類2)。

1.2 高光譜圖像校正

對原始高光譜圖像進行校正，以消除光源和相機暗電流變化的影響[23]。在與樣品相同的采樣環(huán)境下，使用白色特氟龍板(99%反射率)獲得標準白色參考圖像。關閉光源并蓋上鏡頭以獲得黑色參考圖像(0%反射率)。利用黑白參考圖像通過式(1)計算校正后的圖像。

(1)

式中：

qO——原始高光譜圖像；

qW——白色參考圖像；

qB——黑色參考圖像；

qC——校正后的高光譜圖像。

2 基于高光譜圖像光譜變量和顏色特征的霉變玉米籽粒識別方法

2.1 圖像分割和光譜變量提取

為提取感興趣區(qū)域(Region of interest，ROI)信息，采用掩模方法對校正后的高光譜圖像進行目標與背景的分割。由于Vis-SWNIR和LWNIR高光譜圖像在849，1 098 nm 處的灰度圖像與玉米籽粒的光譜強度差異最大，因此使用849，1 098 nm處的灰度圖像通過設置適當?shù)拈撝祦順嫿ǘ笛诖a。將對應的高光譜圖像乘以濾波后的掩模，去除背景信息。在ROI區(qū)域提取樣品的光譜信息，前期的圖像分割和光譜信息提取在ENVI 4.8軟件中完成，后續(xù)的圖像處理工作和分類模型的建立等過程均通過MATLAB 2019b完成。

由于提取的光譜數(shù)據(jù)包含大量的信息，需要選擇最優(yōu)波長來提高分類精度，這將大大提高后續(xù)的數(shù)據(jù)處理速度。采用連續(xù)投影算法(Successive projections algorithm，SPA)來選擇最優(yōu)波長。為了克服原始數(shù)據(jù)的不穩(wěn)定性、線性相關性和奇異性，采用SPA保留光譜數(shù)據(jù)的有用信息，去除多余的光譜，減少變量數(shù)量，從而選擇出最優(yōu)波長。無霉變和4種典型不同霉變程度玉米籽粒的光譜圖像實例如圖2所示。

圖2 無霉變和4種典型不同霉變程度玉米籽粒的

2.2 玉米籽粒圖像顏色和紋理特征提取

圖像可以由一組數(shù)據(jù)表示，也稱為特征向量，特征向量的每個元素代表從圖像中提取的一個數(shù)據(jù)屬性。圖像數(shù)據(jù)的內在特征可通過顏色和紋理等圖像描述符獲得。

(1) 顏色描述符：通過顏色描述符提取數(shù)字圖像特征的過程魯棒性很好，因為這些屬性很少依賴于圖像的大小、方向和視角。為量化圖像的顏色特征，定義一個RGB顏色空間[23]。RGB顏色空間模型的優(yōu)點主要包括計算復雜度低和對幾何變化的魯棒性。此外，它是一個可以緊湊表示的模型[24]。

RGB空間模型由3種不同的顏色通道(R為紅，G為綠，B為藍)組成，是圖像處理和計算機視覺中最常用的模型之一[25]。RGB空間模型中的每個像素元素可有256個色調，其值為0～255。因此，每個圖像像素都可用8位二進制數(shù)字表示。顏色直方圖是表示顏色特征最直接、最有效的方法之一[24]。在24位深度的RGB空間中(每種顏色占8位)，顏色直方圖可以用具有768個屬性的向量表示(每個RGB波段有256個屬性)。每個屬性的出現(xiàn)次數(shù)組成直方圖的x軸，y軸表示這些元素的頻率分布(或密度)。因此，直方圖構建過程旨在根據(jù)在每個像素中找到的相應色調值來不斷調整直方圖波形。

(2) 紋理描述符：通過紋理對圖像數(shù)據(jù)進行表示是描述圖像區(qū)域特征的一種常用方法。直觀地說，這些紋理元素描述了圖像的平滑、粗糙度和規(guī)則性方面的屬性。紋理提取和表示的常用方法是局部二進制模式(Local binary pattern，LBP)方法。LBP方法的目標是根據(jù)像素的鄰域元素，計算圖像中每個像素的局部二值模式；根據(jù)該模式的出現(xiàn)次數(shù)，構建紋理直方圖，描述圖像中數(shù)據(jù)的紋理屬性。因此，通過LBP方法構建的紋理直方圖可作為圖像中數(shù)據(jù)屬性提取的描述符。對于圖像中出現(xiàn)的每個像素，紋理描述符通過比較圖像像素和以其為中心的半徑為R的圓形區(qū)域內相鄰元素之間的強度(灰度)差異提取圖像紋理特征。像素qp的LBP參數(shù)LLBP,qp計算公式：

(2)

式中：

x——相鄰像素qp與中心像素qc的強度差；

P——分析的相鄰像素數(shù)。

函數(shù)s(x)的計算：

(3)

圖3給出了根據(jù)式(2)計算給定像素qp的LBP參數(shù)LLBP,qp的示例。通過LLBP,qc生成的輸出矩陣，可以構建基于特征添加的紋理直方圖。

圖3 給定像素qp的LBP參數(shù)示例

2.3 光譜變量和圖像顏色、紋理特征的組合

數(shù)據(jù)組合的目的是將多個試驗指標的不同數(shù)據(jù)通過各種方法進行組合，得到一個混合數(shù)據(jù)庫，提高數(shù)據(jù)處理的有效性。多傳感器圖像的數(shù)據(jù)組合通常分為像素級、特征級和決策級3個操作層次。像素級組合是最低的處理，它直接將初始超立方體數(shù)據(jù)合并到大量數(shù)據(jù)源中，需要大量的數(shù)據(jù)計算；特征級組合使用統(tǒng)計方法結合從超立方體中提取的幾個特征，如紋理、灰度梯度和邊界特征，以及形狀；在決策級組合中，需要從輸入超立方體中獲取增值數(shù)據(jù)，對這些數(shù)據(jù)進行逐條處理，利用決策規(guī)則對信息進行組合，提取信息。所提方法將SPA得到的光譜特征和顏色直方圖的顏色特征或紋理直方圖的紋理特征在特征層面進行組合，以整合超立方體的光譜和顏色或紋理信息，加強數(shù)據(jù)處理，提高霉變玉米籽粒識別準確率。

2.4 玉米籽粒分類

2.4.1 分類原理 對象分類是機器學習的一個重要應用領域，它依賴于監(jiān)督分類算法來評估未來的對象實例。監(jiān)督分類以圖像集(xi,yi)為基礎，圖像集中xi∈XM表示由M個特征組成的實例，yi表示xi所屬的真實類k。監(jiān)督分類過程首先根據(jù)圖像集中對象的特征建立類分布模型；然后，當出現(xiàn)新的測試實例(xi特征已知，yi類未知)時，監(jiān)督算法通過基于圖像集構建的分布模型來評估實例所屬的類k。

每一類對象都由基于圖像集元素的原型特征向量表示。監(jiān)督分類算法采用基于最小距離方法的距離分類器，該分類器使用距離函數(shù)來建立原型向量和未知模式的新元素之間的接近標準。根據(jù)該標準，將未知模式新元素劃歸到與之距離最近的原型向量所對應的類。

通過將每一類對象的原型建立為元素之間的平均向量，每一類對象的質心(以及原型向量)的計算：

(4)

式中：

r——類的標簽；

Nr——類r的特征向量的數(shù)量；

xn——第n個特征向量；

R——標準對象類的數(shù)量。

通過距離函數(shù)，可以計算出特征向量與每個vr原型的接近程度。因此，如果距離值是所有類中最小的，x將被分配給標簽類r。常用于計算兩對象之間距離的函數(shù)包括曼哈頓距離(L1距離)函數(shù)、布雷—柯蒂斯距離(BC距離)函數(shù)和庫爾貝克—萊布勒距離(KL距離)函數(shù)等。L1距離由赫爾曼·閔可夫斯基在19世紀末提出，可以用方程(5)表示。

(5)

BC距離函數(shù)，又稱歸一化方法，在植物學、生態(tài)學和環(huán)境科學領域被廣泛應用。BC距離函數(shù)返回0和1之間的距離值，數(shù)值越接近于零，所分析元素之間的相似性就越大；如果得到的距離越接近1，兩個元素之間的相似程度就越低。

(6)

KL距離用于計算兩個對象概率密度函數(shù)之間的距離，常用于模式識別、圖像處理、分類和異常檢測等問題。KL距離也稱為相對熵，是計算兩個對象概率密度函數(shù)p(x)和q(x)之間距離的不對稱度量，如方程(7)所示。KL距離的值越小，p(x)和q(x)就越相似。

(7)

2.4.2 玉米籽粒分類流程 根據(jù)提取的高光譜圖像特征，對霉變玉米籽粒進行識別，并對識別準確性進行評估。

霉變玉米籽粒識別流程：① 利用圖1結構獲取的圖像建立一個玉米籽粒圖像數(shù)據(jù)庫；② 對每幅玉米籽粒圖形進行圖像分割和光譜變量提?。虎?提取玉米籽粒圖像的顏色并生成顏色直方圖；④ 光譜變量和圖像顏色直方圖特征組合，形成特征集合；⑤ 通過距離函數(shù)對特征集合中的特征分析，確定圖像中玉米籽粒所屬類別；⑥ 計算對每種玉米籽粒類別的平均識別準確率和平均識別偏差。

3 仿真結果與分析

當霉變玉米籽粒識別方法對測試圖像中玉米籽粒的識別類屬于圖像中玉米籽粒所在的實際超類時，分類結果被認為是正確的。例如，如果一個玉米籽粒屬于第3類(真實類)，而玉米籽粒識別方法將該玉米籽粒分類為第5類(評估類)，則認為該分類結果是正確的，因為第3類和第5類同屬于超類1。為定量描述實際和評估類之間的差異，計算玉米籽粒類識別準確率和類評估偏差。

玉米籽粒類識別準確率rclass和類識別偏差Δclass分別通過式(8)和式(9)計算。

(8)

Δclass=cevaluate-creal，

(9)

式中：

np——對玉米籽粒類準確評估的次數(shù)；

ns——對玉米籽粒類評估的總次數(shù)；

cevaluate——玉米籽粒類評估所得的類序號；

creal——玉米籽粒實際類序號。

例如，如果實際類為第3類，評估類為第5類，則類偏差Δclass=2。

所提方法對玉米籽粒類和超類的識別效果分別如表2和表3所示；當將所提方法中的特征集合替換為光譜變量和圖像紋理直方圖特征組成的特征集合時，調整后的方法對玉米籽粒類和超類的識別效果分別如表4和表5所示。

表2 所提方法對玉米籽粒類的識別效果

表3 所提方法對玉米籽粒超類的識別效果

表4 選用光譜變量和圖像紋理直方圖特征組成的特征集合的方法對玉米籽粒類的識別效果

表5 選用光譜變量和圖像紋理直方圖特征組成的特征集合的方法對玉米籽粒超類的識別效果

由表2可知，以類間距離表示的最大平均識別偏差為1.12(使用L1距離)，最佳平均識別準確率為97.59%(使用BC距離)。因此，在絕大多數(shù)情況下，所提方法可對霉變玉米籽粒種類進行正確識別。

由表3可知，所提方法獲得的霉變玉米籽粒超類平均識別準確率超過96%。觀察每個距離函數(shù)值發(fā)現(xiàn)，對玉米籽粒超類的識別準確率和識別偏差的最佳平均值與玉米籽粒圖像所屬的超類直接相關。例如，使用BC距離時超類0的平均識別準確率最高(97.61%)，而超類1和超類2的平均識別準確率分別出現(xiàn)在使用L1距離(94.68%)和KL距離(99.76%)。因此，最適合所提方法的距離函數(shù)將取決于玉米籽粒圖像所屬的超類。

玉米籽粒圖像的平均顏色直方圖和該圖像的實際類的平均顏色直方圖以及兩者之差如圖4所示。由圖4可知，玉米籽粒類型評估偏差始終在0值附近波動，這是所提方法能夠準確識別玉米籽粒圖像中霉變玉米籽粒種類的重要原因。

圖4 玉米籽粒圖像的顏色直方圖

由表4可知，選用光譜變量和圖像紋理直方圖特征組成的特征集合時，以類間距離表示的最大平均偏差值為3.29(使用L1距離和KL距離)、最佳平均識別準確率為80.19%(使用BC距離)。因此，在多數(shù)情況下，選用光譜變量和圖像紋理直方圖特征組成的特征集合的方法可對玉米籽粒的種類進行正確識別，但識別效果不如所提方法。

由表5可知，選用光譜變量和圖像紋理直方圖特征組成的特征集合的方法對超類0的最佳平均準確度值為95.26%(使用L1距離)、最小類識別偏差為1.22(使用L1距離)。對于超類1，選用KL距離時獲得最高準確率，62.11%；與超類0獲得的準確率相比，存在33.15%的差異，這是因為超類1有兩個邊界類(類3和類8)。對于超類2，選用BC距離時獲得最高準確率(84.52%)，該準確率受到超類2的邊界類(類9)的影響。

如圖5所示，應用LBP方法生成的不同玉米籽粒類的紋理直方圖非常相似，因此，通過直方圖之間的距離來識別真實的霉變玉米籽粒類變得困難。直觀地說明了所提方法比選用光譜變量和圖像紋理直方圖特征組成的特征集合的方法獲得了更準確的玉米籽粒類別識別準確率和最小識別偏差的原因。

圖5 玉米籽粒圖像的紋理直方圖

當選用光譜變量和圖像紋理直方圖特征組成的特征集合時，由于邊界類3和8的平均直方圖分別與類2(超類0)和類9(超類2)的直方圖非常相似，導致選用光譜變量和圖像紋理直方圖特征組成的特征集合的方法對超類0的識別準確率受到邊界類2的影響、對超類1的識別準確率受到邊界類3和8的影響、對超類2的識別準確率受到邊界類9的影響。相比之下，選用光譜變量和圖像顏色直方圖特征組成的特征集合的所提方法對超類0、1、2的識別準確率受邊界類的影響較小，從而可獲得更高的平均識別準確率和最小的識別偏差值。此外，最適合所提方法的距離函數(shù)將取決于玉米籽粒所屬的超類。

為進一步驗證所提方法的有效性，將所提方法與文獻[18]中基于高光譜圖像+隨機蛙跳+極限學習機的方法(HSI+RF+ELM)、文獻[26]中基于高光譜圖像+稀疏自動編碼器+卷積神經(jīng)網(wǎng)絡的方法和文獻[27]中基于高光譜圖像+蟻群優(yōu)化+BP神經(jīng)網(wǎng)絡的方法對玉米籽粒超類的識別效果進行對比，結果如表6所示。

表6 所提方法與文獻[18]、[26]和[27]中方法對玉米籽粒超類的識別準確率

由表6可知，所提方法對于超類0玉米籽粒的識別準確率比文獻[18]、[26]和[27]中的方法分別高1.12%～3.58%，0.30%～2.76%，1.61%～4.07%；對于超類1玉米籽粒的識別準確率比文獻[18]、[26]和[27]中的方法分別高2.08%～2.52%，1.36%～1.80%，2.27%～2.71%；對于超類2玉米籽粒的識別準確率比文獻[18]、[26]和[27]中的方法分別高2.90%～3.74%，2.99%～3.83%，3.51%～4.35%；對于霉變玉米籽粒的平均識別準確率比文獻[18]、[26]和[27]中的方法分別高2.31%～2.99%，1.83%～2.51%，2.74%～3.42%。所提方法與文獻[18]、[26]和[27]中的方法均能以較高的準確率識別玉米籽粒所屬超類，但所提方法的識別準確率更高。

為進一步提升試驗結果的可信度，重新取一批樣品來組建測試組：每種霉變程度的玉米樣品被分為5組，每組樣品100 g，每組樣品的組成取決于玉米霉變百分比。在采集每組樣品的高光譜圖像時，每采集一次，將玉米籽粒翻動重新混合一次，每組樣品采集10張高光譜圖像。對于每個類別，捕獲了50張玉米籽粒樣品圖像，總計1 650張圖像。

將所提方法與文獻[18]中基于高光譜圖像+隨機蛙跳+極限學習機的方法(HSI+RF+ELM)、文獻[26]中基于高光譜圖像+稀疏自動編碼器+卷積神經(jīng)網(wǎng)絡的方法和文獻[27]中基于高光譜圖像+蟻群優(yōu)化+BP神經(jīng)網(wǎng)絡的方法對測試組玉米籽粒超類的識別效果進行對比，結果如表7所示。

由表7可知，對測試組中霉變玉米籽粒的識別和對比結果表明，盡管樣本數(shù)量減少了50%，但所提方法對霉變玉米籽粒所屬超類的識別準確率仍然明顯高于文獻[18]、[26]和[27]中所提出的方法。

表7 所提方法與文獻[18]、[26]和[27]中方法對測試組玉米籽粒超類的識別準確率

4 結論

研究提出一種基于高光譜圖像光譜變量和顏色特征的霉變玉米籽粒識別方法。該方法先對每幅玉米籽粒圖形進行圖像分割和光譜變量、顏色特征提取，并基于顏色特征生成顏色直方圖；將光譜變量和圖像顏色直方圖特征組合，形成特征集合；通過距離函數(shù)對特征集合中特征的分析確定圖像中玉米籽粒所屬類別。為驗證所提方法的有效性，將所提方法與文獻[18]、[26]和[27]中的方法對玉米籽粒識別效果進行了對比。對比結果表明，所提方法與文獻[18]、[26]和[27]中方法均能以較高的準確率識別玉米籽粒所屬超類，但所提方法的識別準確率更高。對測試組中霉變玉米籽粒的檢測和對比結果表明，盡管樣本數(shù)量減少了50%，但所提方法對霉變玉米籽粒所屬超類的識別準確率仍然明顯高于文獻[18]、[26]和[27]中所提出的方法。該方法可實現(xiàn)被測玉米籽粒樣品是否霉變以及霉變程度的準確判斷，有望為玉米霉變籽粒高光譜現(xiàn)場識別設備研發(fā)提供技術支持。由于對霉變玉米籽粒的識別準確率與距離函數(shù)密切相關，后期將通過進一步的理論分析、研究和試驗驗證，確定距離函數(shù)的選擇依據(jù)和方式。