姜鳳利，沈殿昭，楊 磊，陳 毅，孫炳新

（1.沈陽(yáng)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，遼寧 沈陽(yáng) 110866；2.沈陽(yáng)農(nóng)業(yè)大學(xué)食品學(xué)院，遼寧 沈陽(yáng) 110866）

雙孢蘑菇（Agaricus bisporus），又名白蘑菇或紐扣蘑菇，是世界上栽培、產(chǎn)量及消費(fèi)最多的食用菌之一[1]。新鮮的雙孢蘑菇色澤潔白、質(zhì)地脆嫩而有彈性，具有豐富的營(yíng)養(yǎng)價(jià)值[2]。雙孢蘑菇屬于呼吸躍變型，采后極易變軟腐爛，通常采后常溫下雙孢蘑菇1～3 d就會(huì)出現(xiàn)失水、開(kāi)傘或者褐變，冷藏可貯藏5～10 d，因此其貨架期較短[3]。此外，雙孢蘑菇具有薄且多孔的表皮結(jié)構(gòu)同時(shí)又缺乏保護(hù)組織，屬于典型的機(jī)械損傷或瘀傷高敏感性作物[4]。在流通過(guò)程中要經(jīng)歷長(zhǎng)時(shí)間的振動(dòng)脅迫，導(dǎo)致雙孢蘑菇產(chǎn)生不同程度的機(jī)械損傷。嚴(yán)重的外部損傷可通過(guò)機(jī)器視覺(jué)技術(shù)等手段進(jìn)行檢測(cè)。姜鳳利等[5]基于機(jī)器視覺(jué)設(shè)計(jì)了雙孢蘑菇大小、殘缺以及褐變?cè)诰€分級(jí)系統(tǒng)，對(duì)200個(gè)蘑菇進(jìn)行分級(jí)，準(zhǔn)確率達(dá)到96.45%。然而輕微損傷難以在第一時(shí)間顯現(xiàn)，而是隨著時(shí)間通過(guò)酶促褐變的方式逐漸表現(xiàn)出來(lái)，然后瘀傷部位可能會(huì)發(fā)生組織惡化，并最終導(dǎo)致腐爛變質(zhì)等，進(jìn)而加速同批次正常蘑菇的腐爛進(jìn)程[6]，因此傳統(tǒng)的機(jī)器視覺(jué)技術(shù)無(wú)法檢測(cè)雙孢蘑菇內(nèi)部損傷。據(jù)報(bào)道，我國(guó)每年生產(chǎn)的果蔬從田間到餐桌的損失率高達(dá)30%以上，而一些發(fā)達(dá)國(guó)家只有17%左右[7-8]，相比于大多數(shù)具有保護(hù)層的果蔬，雙孢蘑菇損失率更高。因此，為了減低貯藏與貨架期間的損失，應(yīng)盡早的識(shí)別并剔除產(chǎn)生機(jī)械損傷的問(wèn)題蘑菇。

高光譜成像技術(shù)結(jié)合了傳統(tǒng)的成像和光譜學(xué)技術(shù)，可在一系列波長(zhǎng)上從被測(cè)對(duì)象中獲取空間和光譜信息，在果蔬內(nèi)部缺陷和微觀損傷檢測(cè)方面具有較好的靈敏度，如蘋(píng)果[9-10]、馬鈴薯[11]、桃子[12]、獼猴桃[13]、橙子[14]、藍(lán)莓[15]等均具有較高的檢測(cè)精度。Siedliska等[9]利用高光譜成像技術(shù)對(duì)瘀傷蘋(píng)果進(jìn)行識(shí)別，建立的瘀傷識(shí)別模型，預(yù)測(cè)精度可達(dá)95%以上。Ye Dandan等[11]提出了一種基于高光譜成像技術(shù)的馬鈴薯瘀傷檢測(cè)方法，采用優(yōu)化的模擬退火算法進(jìn)行光譜數(shù)據(jù)降維，最終對(duì)瘀傷馬鈴薯的檢測(cè)精度可達(dá)100%。Li Jiangbo等[12]發(fā)現(xiàn)短波近紅外成像模式對(duì)桃子的早期瘀傷檢測(cè)具有很好的效果，基于形態(tài)梯度重建和標(biāo)記提取對(duì)分水嶺分割算法進(jìn)行了改進(jìn)，并將其應(yīng)用于多光譜圖像，識(shí)別精度為96.5%。遲茜等[13]采用主成分分析優(yōu)選4個(gè)特征波長(zhǎng)，結(jié)合均值濾波、閾值分割和形態(tài)學(xué)等圖像處理方法對(duì)完好無(wú)損和隱性損傷1～3 h的獼猴桃進(jìn)行識(shí)別，平均正確識(shí)別率可達(dá)97.9%。Fan Shuxiang等[15]分別利用特征波段和波段比圖像結(jié)合最小二乘支持向量機(jī)對(duì)機(jī)械損傷后30 min、2 h、6 h和12 h的藍(lán)莓進(jìn)行識(shí)別，基于兩種方法的瘀傷藍(lán)莓總體識(shí)別率分別為98%和95.9%，表明藍(lán)莓損傷30 min后即可檢測(cè)，也顯示出波段比圖像在線檢測(cè)的巨大潛力。

本研究以雙孢蘑菇為研究對(duì)象，采集室溫條件下不同振動(dòng)脅迫時(shí)間的新鮮蘑菇高光譜信息，融合光譜和紋理特征，結(jié)合化學(xué)計(jì)量學(xué)方法，對(duì)雙孢蘑菇的早期機(jī)械損傷進(jìn)行快速預(yù)測(cè)和判別。

1 材料與方法

1.1 材料

雙孢蘑菇采購(gòu)自農(nóng)貿(mào)市場(chǎng)。將雙孢蘑菇進(jìn)行分揀，挑選菇體完整、顏色潔白、菇蓋未開(kāi)傘、子實(shí)體大小基本一致（直徑30～35 mm）、無(wú)病蟲(chóng)害和無(wú)機(jī)械傷的雙孢蘑菇進(jìn)行實(shí)驗(yàn)。將雙孢蘑菇分成3 組，其中2 組放在泡沫箱內(nèi)，并固定在模擬汽車(chē)運(yùn)輸振動(dòng)臺(tái)（昆山市順諾儀器有限公司），以300 rad/m速率進(jìn)行模擬振動(dòng)，時(shí)間分別持續(xù)60 s和120 s，以制備不同損傷程度樣本，未振動(dòng)組作為完好雙孢蘑菇樣本，其RGB圖像如圖1所示。振動(dòng)結(jié)束后，取雙孢蘑菇樣品180個(gè)，每組60個(gè)，6個(gè)/盒雙孢蘑菇放置于BOPP托盒中（223 mm×133 mm），用低密度聚乙烯膜完成封合，對(duì)樣本逐個(gè)編號(hào)，在室溫（20±2）℃條件下采集每個(gè)樣品的高光譜圖像。

圖1 雙孢蘑菇樣本Fig. 1 Intact and damaged samples of Agaricus bisporus

1.2 儀器與設(shè)備

高光譜成像系統(tǒng)如圖2所示，包括高光譜成像光譜儀（ImSpector V10E），面陣CCD相機(jī)（IGVB1410M），精密位移控制平臺(tái)（IRCP0076-1），暗箱（120 cm×50 cm×140 cm），兩個(gè)150 W的光纖鹵素?zé)簦?900-Illuminatior）和一臺(tái)計(jì)算機(jī)（DELL Vostro 5560D-1528）。高光譜相機(jī)的曝光率調(diào)整為17，鏡頭與樣本之間的距離為320 mm，高光譜成像系統(tǒng)的光譜采集波長(zhǎng)范圍為400～1 000 nm，光譜分辨率為1.27 nm，一共472個(gè)波段。

圖2 高光譜成像系統(tǒng)Fig. 2 Schematic of hyperspectral imaging system

1.3 方法

1.3.1 高光譜圖像采集和校正

雙孢蘑菇圖像采集前調(diào)整高光譜成像系統(tǒng)，調(diào)整鏡頭光圈確定合適焦距，將雙孢蘑菇樣本6個(gè)按照2 排3 列擺放在位移臺(tái)上。為確保圖像不失真，位移臺(tái)速率控制在1.2 mm/s。

采集高光譜圖像時(shí)，由于暗電流的存在會(huì)使光源強(qiáng)度不均勻從而導(dǎo)致高光譜圖像產(chǎn)生噪聲，因此需要對(duì)高光譜圖像進(jìn)行黑白板校正，首先掃描標(biāo)準(zhǔn)白色校正板（反射率接近100%）得到全白的標(biāo)定圖像RW；然后，關(guān)閉光源并蓋住鏡頭得到全黑的標(biāo)定圖像RB（反射率接近0%）；最后按照式（1）計(jì)算得到校正后的高光譜圖像RC以消除噪聲。

式中：R0為雙孢蘑菇原始高光譜圖像。

利用軟件ENVI 5.2（美國(guó)Exelis VIS公司）提取100像素×100像素感興趣區(qū)域（region of interest，ROI）高光譜數(shù)據(jù)，將ROI內(nèi)所有光譜信息的平均值作為對(duì)應(yīng)反射光譜值。

1.3.2 顏色測(cè)定

采用色差儀（CM-2300d 柯尼卡美能達(dá)）測(cè)得雙孢蘑菇菌蓋的L、a、b值。其中L值反映蘑菇的亮度；a值正值代表偏紅，負(fù)值代表偏綠；b值正值代表偏黃，負(fù)值代表偏藍(lán)[16]。在蘑菇菌蓋隨機(jī)取3個(gè)點(diǎn)進(jìn)行測(cè)定并取平均值。按照下式計(jì)算褐變程度[17]：

1.3.3 高光譜數(shù)據(jù)預(yù)處理

由于原始光譜中含有較多的背景噪聲信息，本研究采用SG（Savitzky-Golay）平滑、多元散射校正（multiplicative scatter correction，MSC）、標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate，SNV）對(duì)原始光譜信息進(jìn)行預(yù)處理。

1.3.4 特征波長(zhǎng)提取

由于全光譜含有472個(gè)波段，數(shù)據(jù)量龐大，波段之間相關(guān)性導(dǎo)致共線性和大量冗余信息的產(chǎn)生，從而影響后期數(shù)據(jù)處理。為減少計(jì)算量提高建模效率，采用連續(xù)投影算法（successive projections algorithm，SPA）和競(jìng)爭(zhēng)性自適應(yīng)權(quán)重采樣算法（competitive adaptive reweighted sampling，CARS）進(jìn)行特征波長(zhǎng)提取，實(shí)現(xiàn)數(shù)據(jù)降維。

SPA是一種使矢量空間共線性最小化的前向變量選擇算法，它的優(yōu)勢(shì)在于提取全波段的幾個(gè)特征波長(zhǎng)，從而消除原始光譜矩陣中冗余信息[18]。

CARS是一種基于蒙特卡洛采樣和PLS回歸系數(shù)的特征波長(zhǎng)選擇算法[19]，通過(guò)自適應(yīng)重加權(quán)采樣技術(shù)選擇出PLS模型中回歸系數(shù)絕對(duì)值大的波長(zhǎng)點(diǎn)，去掉權(quán)重小的波長(zhǎng)點(diǎn)，利用交互驗(yàn)證選出交叉驗(yàn)證均方根誤差（root mean square error of cross valibration，RMSECV）值最低的子集，從而有效尋找出最優(yōu)的變量組合。

1.3.5 紋理特征提取

通過(guò)灰度共生矩陣提取特征波段圖像紋理參數(shù)[20-21]。紋理特征反映了物體表面的固有特征，比如褶皺、病斑等。本研究選用能量、對(duì)比度、相關(guān)性、均勻度4個(gè)紋理特征在0°、45°、90°和135° 4個(gè)方向共16個(gè)特征值作為后續(xù)判別模型的輸入矢量。

1.3.6 建模方法

偏最小二乘判別分析（partial least squaresdiscriminant analysis，PLS-DA）是一種線性建模方法，結(jié)合了主成分分析和多元線性回歸分析的優(yōu)點(diǎn)，能夠在自變量存在嚴(yán)重多重相關(guān)性的條件下進(jìn)行回歸建模[22-23]。

BP（back propagation）神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層，具有出色的非線性映射能力，是應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[23-24]。

極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）是一種前向傳播的神經(jīng)網(wǎng)絡(luò)，具有學(xué)習(xí)速率快和訓(xùn)練誤差較小等優(yōu)點(diǎn)。與BP神經(jīng)網(wǎng)絡(luò)不同的是，它可以隨機(jī)產(chǎn)生連接權(quán)值和隱含層的偏置矩陣，因此學(xué)習(xí)速度更快[24]。

對(duì)于分類問(wèn)題，本研究采用正確率進(jìn)行評(píng)價(jià)，正確率為預(yù)測(cè)正確的結(jié)果占該類樣本總數(shù)的百分比。

2 結(jié)果與分析

2.1 雙孢蘑菇色澤分析

雙孢蘑菇顏色直接影響消費(fèi)者購(gòu)買(mǎi)意愿，是雙孢蘑菇在采后最直觀的品質(zhì)參數(shù)，其變化程度可由白度L值和褐變度反映[25]。L值越低表明蘑菇顏色越暗，褐變度值越大表明蘑菇褐變?cè)絿?yán)重。L值變化范圍從0～100，L=0為黑色，L=100為白色，L值大表示偏白，L值小表示偏黑；L值在86及以上為品質(zhì)好的蘑菇，L值在80～85之間為較好的蘑菇，L值在70～79之間為較差蘑菇，L值低于69的蘑菇則沒(méi)有食用價(jià)值[26]。

表1 振動(dòng)時(shí)間對(duì)雙孢蘑菇色澤的影響Table 1 Effect of vibration time on the color of A. bisporus

從表1可以看出，隨著振動(dòng)時(shí)間的延長(zhǎng)，蘑菇菌蓋的亮度L值逐漸下降，顏色值a、b愈加發(fā)黃、發(fā)紅，體現(xiàn)出雙孢蘑菇的顏色值隨著振動(dòng)時(shí)間的變化而變化。與蘑菇亮度L變化趨勢(shì)相反，褐變度持續(xù)升高，這可能是因?yàn)檎駝?dòng)處理加劇膜脂過(guò)氧化作用，細(xì)胞膜透性升高，導(dǎo)致細(xì)胞膜結(jié)構(gòu)破壞，使酚類物質(zhì)與褐變相關(guān)酶廣泛接觸并反應(yīng)，從而加劇了褐變的發(fā)生。綜上所述，說(shuō)明振動(dòng)脅迫會(huì)加速雙孢蘑菇白度值下降和褐變。

2.2 雙孢蘑菇光譜特征

圖3為不同振動(dòng)時(shí)間雙孢蘑菇平均光譜曲線，可以看出，原光譜數(shù)據(jù)在400～450 nm和900～1 000 nm波段范圍內(nèi)存在較大噪聲，為了保證后續(xù)模型的分類正確率，選擇450～900 nm范圍內(nèi)的光譜數(shù)據(jù)進(jìn)行后續(xù)研究。不同振動(dòng)時(shí)間蘑菇平均反射率光譜曲線顯著不同，振動(dòng)120 s的平均光譜反射率最低，完好無(wú)損的最高，表明光譜反射率與L值有關(guān)，L值越大，蘑菇表面越明亮，光譜反射率越大，即隨著褐變度的增加，雙孢蘑菇反射率下降明顯。進(jìn)一步分析，光譜在450～750 nm波段不同損傷程度的雙孢蘑菇反射率差異明顯。

圖3 雙孢蘑菇平均光譜反射率Fig. 3 Average spectral reflectance of Agaricus bisporus

2.3 光譜數(shù)據(jù)預(yù)處理

為了提高光譜數(shù)據(jù)的信噪比，分別采用SNV、SG以及MSC對(duì)原光譜進(jìn)行處理，原光譜曲線以及3種方法處理后光譜曲線（取3種樣本各10個(gè)光譜數(shù)據(jù)）如圖4所示。

圖4 不同預(yù)處理方法的光譜曲線Fig. 4 Spectral curves with different pretreatments

觀察不同預(yù)處理后光譜曲線可以發(fā)現(xiàn)，SG預(yù)處理后，將完好無(wú)損、振動(dòng)60 s和振動(dòng)120 s的光譜曲線值區(qū)分更為明顯，3種類型光譜曲線數(shù)值分別集中在（0.8, 1.0）、（0.4, 0.6）和（0.1, 0.3）范圍內(nèi)，因此SG方法對(duì)蘑菇光譜數(shù)據(jù)預(yù)處理效果較好。SNV預(yù)處理后光譜曲線數(shù)值集中在（-2, 1）范圍內(nèi)，光譜曲線雜亂不易區(qū)分，SNV預(yù)處理后光譜曲線數(shù)值在（0.4, 1.0）范圍內(nèi)，光譜曲線重疊嚴(yán)重，這將不利于后續(xù)雙孢蘑菇損傷類別建模。為進(jìn)一步驗(yàn)證上述結(jié)論，將原始光譜數(shù)據(jù)和3種預(yù)處理方法后的光譜數(shù)據(jù)分別作為PLS-DA模型的輸入，將完好無(wú)損、振動(dòng)60 s和振動(dòng)120 s的雙孢蘑菇樣本分別賦虛擬值0、1、2，作為模型的輸出。不同預(yù)處理方法的檢測(cè)結(jié)果如表2所示。

表2 不同預(yù)處理方法建模結(jié)果Table 2 Results of modeling with different pretreatment methods

從表2可以看出，經(jīng)過(guò)不同預(yù)處理方法后，分類模型的效果有很大差異，其中SG預(yù)處理后的建模效果最好，訓(xùn)練集和測(cè)試集分類正確率分別達(dá)到91.11%和84.44%，因此后續(xù)研究均采用SG平滑方法處理實(shí)驗(yàn)數(shù)據(jù)。

2.4 特征提取

2.4.1 特征波長(zhǎng)提取

為提高建模精度，提取共線性最小、冗余最少的波長(zhǎng)，分別采用SPA和CARS算法提取與雙孢蘑菇損傷程度相關(guān)性最大的特征波長(zhǎng)。采用SPA提取特征波長(zhǎng)個(gè)數(shù)與RMSECV對(duì)應(yīng)關(guān)系如圖5a所示，可見(jiàn)選擇的特征波長(zhǎng)個(gè)數(shù)為5時(shí)，RMSECV值最小為0.191。最終提取出的5個(gè)特征波長(zhǎng)依次為465、495、512、540、616 nm，如圖5b所示。特征波長(zhǎng)主要集中在500～650 nm之間，主要是由于該波段范圍對(duì)應(yīng)可見(jiàn)光譜的黃色及黃綠色[27]，振動(dòng)脅迫導(dǎo)致雙孢蘑菇表面顏色逐漸變黃，因此隨著褐變度增加光譜反射率呈下降趨勢(shì)。

圖5 SPA提取特征波長(zhǎng)分布Fig. 5 Distribution of characteristic wavelengths selected by SPA

圖6 CARS提取特征波長(zhǎng)分布Fig. 6 Distribution of characteristic wavelengths selected by CARS

從圖6可以看出，CARS在第59次采樣時(shí)，獲得的變量子集建立的PLS模型RMSECV最小，因此，該子集定為關(guān)鍵變量子集，共包含8個(gè)變量。提取的特征波長(zhǎng)依次為451、475、484、492、518、545、655、798 nm。與SPA相似，CARS提取的特征波長(zhǎng)主要集中在500～650 nm附近范圍內(nèi)，除此之外，798 nm波段主要與蘑菇水分含量有關(guān)[28]，由于蘑菇受振動(dòng)脅迫時(shí)間較短，因此水分變化并不明顯。

2.4.2 紋理特征提取

通過(guò)觀察發(fā)現(xiàn)，雙孢蘑菇表面受振動(dòng)脅迫后出現(xiàn)褐變、褶皺，與完好無(wú)損的紋理特征存在較大差異，所以采用灰度共生矩陣描述圖像紋理信息的有效特征，并進(jìn)行雙孢蘑菇損傷程度判別。進(jìn)一步通過(guò)觀察和分析全波段下的每個(gè)灰度圖，發(fā)現(xiàn)3種不同損傷程度蘑菇樣本在500 nm波段下的灰度圖的紋理特征差別最為明顯，如圖7所示，因此本研究采用500 nm波段下的灰度圖作為特征圖像進(jìn)行感興趣區(qū)域提取。從180個(gè)雙孢蘑菇樣本灰度圖中提取240×240大小感興趣區(qū)域圖像作為紋理圖像，根據(jù)紋理特征參數(shù)提取方法提取紋理特征值。

圖7 500 nm波長(zhǎng)處不同損傷程度雙孢蘑菇圖Fig. 7 Images of white button mushrooms with different damage degrees at 500 nm

2.5 損傷識(shí)別模型

2.5.1 基于光譜特征的判別模型

實(shí)驗(yàn)將3種不同損傷程度的每類60個(gè)樣本按照3∶1劃分訓(xùn)練集和測(cè)試集，即每類45個(gè)樣本作為訓(xùn)練集，15個(gè)樣本作為測(cè)試集。然后基于SPA、CARS特征集以及全波段光譜數(shù)據(jù)作為輸入，分別建立PLS-DA模型、BP神經(jīng)網(wǎng)絡(luò)和ELM模型，對(duì)不同損傷程度的雙孢蘑菇進(jìn)行分類識(shí)別。經(jīng)過(guò)多次測(cè)試與驗(yàn)證，BP神經(jīng)網(wǎng)絡(luò)算法設(shè)置神經(jīng)元個(gè)數(shù)為9，迭代次數(shù)為1 000，學(xué)習(xí)率為0.01，采用sigmoid作為激活函數(shù)；ELM模型設(shè)置隱含層節(jié)點(diǎn)個(gè)數(shù)為15，激活函數(shù)同樣采用sigmoid。

表3 雙孢蘑菇不同損傷程度檢測(cè)結(jié)果Table 3 Results of detection of white button mushrooms with different damage degrees

從表3可以看出，3種識(shí)別模型對(duì)完好無(wú)損、振動(dòng)60 s、振動(dòng)120 s的雙孢蘑菇識(shí)別效果存在較大差異。從3種模型的檢測(cè)結(jié)果看，在訓(xùn)練集和測(cè)試集中，SPA提取特征波長(zhǎng)效果均優(yōu)于CARS，可能是由于CARS特征提取算法選擇的波長(zhǎng)與雙孢蘑菇振動(dòng)損傷相關(guān)性較小，而SPA對(duì)于消除原始光譜中的冗余信息效果更為突出。此外，SPA-PLS-DA分類識(shí)別率最高，訓(xùn)練集和測(cè)試集的平均識(shí)別率分別為93.33%和91.11%，SPA-BP模型識(shí)別率次之，訓(xùn)練集和測(cè)試集平均識(shí)別率分別為91.11%和88.89%，可能是因?yàn)锽P神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)神經(jīng)元反向傳遞學(xué)習(xí)過(guò)程中，易陷入局部最優(yōu)解。ELM識(shí)別模型分類效果差于PLS-DA和BP，訓(xùn)練集和測(cè)試集平均識(shí)別率分別為82.96%和71.11%，原因可能是ELM模型權(quán)重和偏置在后續(xù)訓(xùn)練中不進(jìn)行更新，使其陷入局部最小值，無(wú)法獲得最優(yōu)解。

2.5.2 基于紋理特征的判別模型

對(duì)180個(gè)雙孢蘑菇提取紋理特征，訓(xùn)練集分別由完好無(wú)損、振動(dòng)60 s和振動(dòng)120 s的雙孢蘑菇各45個(gè)組成，測(cè)試集各15個(gè)組成。采用PLS-DA、BP和ELM模型對(duì)不同損傷程度的雙孢蘑菇進(jìn)行識(shí)別檢測(cè)，結(jié)果如表4所示。

表4 基于紋理特征的模型判別結(jié)果Table 4 Results of discrimination of models based on texture features

從表4可知，與光譜特征判別模型一致，基于紋理特征判別模型的準(zhǔn)確率高低依次為PLS-DA、BP和ELM。PLS-DA識(shí)別模型在訓(xùn)練集和測(cè)試集中，完好無(wú)損雙孢蘑菇識(shí)別正確率均在90%以上，振動(dòng)60 s類型、振動(dòng)120 s類型雙孢蘑菇識(shí)別正確率均低于90%；BP判別模型的分類效果不理想，訓(xùn)練集和測(cè)試集中，3 類雙孢蘑菇識(shí)別正確率均在90%以下，尤其是測(cè)試集中，振動(dòng)60 s雙孢蘑菇識(shí)別正確率為53.33%。ELM判別模型平均分類正確率最低，訓(xùn)練集和測(cè)試集中僅有振動(dòng)120 s類型雙孢蘑菇識(shí)別正確率在80%以上。以上建模結(jié)果表明單從外部紋理特征建模并不能準(zhǔn)確表達(dá)蘑菇的內(nèi)部信息，識(shí)別效果不理想。

2.5.3 基于光譜-紋理特征融合的判別模型

光譜特征能夠表征雙孢蘑菇的內(nèi)部品質(zhì)，紋理特征更多表現(xiàn)的是蘑菇的外部特征[29-30]，為更好地表征振動(dòng)脅迫對(duì)雙孢蘑菇品質(zhì)變化的影響，本研究將從高光譜圖像數(shù)據(jù)中提取的16個(gè)紋理特征變量與SPA算法提取的5個(gè)光譜特征變量信息融合在一起構(gòu)建PLS-DA判別模型，判別結(jié)果如表5所示。

表5 基于信息融合的PLS-DA模型判別結(jié)果Table 5 Results of discrimination of PLS-DA model based on information fusion %

從表5可以看出，訓(xùn)練集的3種不同損傷程度的雙孢蘑菇識(shí)別正確率均為97.78%，測(cè)試集的完好無(wú)損類型和振動(dòng)120 s類型的雙孢蘑菇識(shí)別正確率為100%，振動(dòng)60 s類型識(shí)別正確率為86.67%，總體識(shí)別率為95.56%。

圖8 混淆矩陣Fig. 8 Confusion matrix

從圖8可以看出，測(cè)試集的振動(dòng)60 s出現(xiàn)了識(shí)別錯(cuò)誤的情況，振動(dòng)60 s被識(shí)別成振動(dòng)120 s和完好無(wú)損類型各1個(gè)，識(shí)別錯(cuò)誤的原因可能是振動(dòng)60 s類型的部分樣本與之相鄰兩類樣本的紋理特征差異較小，且光譜特征區(qū)分不夠明顯，導(dǎo)致測(cè)試集發(fā)生誤判的情況。

通過(guò)3種特征集建模結(jié)果比較，光譜-紋理融合信息建模結(jié)果最優(yōu)，可能是不同振動(dòng)時(shí)間，在較短時(shí)間內(nèi)表征內(nèi)部特征的光譜信息變化不明顯，而表征外部特征信息的紋理特征變化更為顯著，因此結(jié)合內(nèi)外品質(zhì)信息能更好地反映雙孢蘑菇品質(zhì)變化[24-25]。

3 結(jié) 論

分析并比較SG、MSC和SNV作為高光譜數(shù)據(jù)預(yù)處理方法的建模效果，確定SG為預(yù)處理最佳方法。將處理后的數(shù)據(jù)采用SPA、CARS方法提取特征波長(zhǎng)?；谔卣鞑ㄩL(zhǎng)下的光譜數(shù)據(jù)以及全波段光譜數(shù)據(jù)建立PLS-DA、BP神經(jīng)網(wǎng)絡(luò)以及ELM分類模型，最終確定SPA-PLS-DA模型分類效果最好，訓(xùn)練集和測(cè)試集總體識(shí)別率分別為93.33%、91.11%。

利用灰度共生矩陣提取500 nm波段下雙孢蘑菇紋理特征參數(shù)16個(gè)，基于特征值建立雙孢蘑菇圖像信息的PLS-DA、BP神經(jīng)網(wǎng)絡(luò)以及ELM分類模型，通過(guò)分析實(shí)驗(yàn)結(jié)果，確定PLS-DA為最佳分類模型，其中訓(xùn)練集和測(cè)試集總體識(shí)別率分別為88.89%、86.67%。相比光譜建模效果稍差。

融合光譜特征和圖像特征，建立PLS-DA雙孢蘑菇分類模型，訓(xùn)練集和測(cè)試集總體識(shí)別率分別為97.78%和95.56%。預(yù)測(cè)效果優(yōu)于單一信息建立的判別模型。結(jié)果表明，采用光譜-圖像融合信息建模可以提高雙孢蘑菇損傷程度檢測(cè)精度。