袁偉東, 鞠 皓, 姜洪喆, 李興鵬, 周宏平*, 孫夢(mèng)夢(mèng)

1. 南京林業(yè)大學(xué)林業(yè)資源高效加工利用協(xié)同創(chuàng)新中心, 江蘇 南京 210037

2. 南京林業(yè)大學(xué)機(jī)械電子工程學(xué)院, 江蘇 南京 210037

引 言

油茶(CamelliaoleiferaAbel.)是我國(guó)特有的木本油料樹(shù)種, 茶油是油茶的主要產(chǎn)品, 被譽(yù)為“東方橄欖油”[1]。 茶油具有豐富的營(yíng)養(yǎng)物質(zhì), 可以提高人體免疫力、 養(yǎng)生保健等功效。 每年的9月—10月是有機(jī)物和油脂累積的高峰期, 在果實(shí)過(guò)熟前油茶果的含油率隨著采摘時(shí)間推移而遞增[2]。 過(guò)早的采摘油茶果將降低茶油的產(chǎn)量, 且茶油的品質(zhì)較差, 而當(dāng)油茶果過(guò)熟時(shí)會(huì)發(fā)生開(kāi)裂、 果仁散落難以收集, 會(huì)對(duì)茶農(nóng)造成一定的經(jīng)濟(jì)損失。 因此迫切需要一種方法能夠準(zhǔn)確鑒別油茶果成熟度以便正確把握采摘時(shí)機(jī), 這不僅與民生息息相關(guān), 也與國(guó)家大力支持油茶產(chǎn)業(yè)化的政策保持一致[3]。

國(guó)內(nèi)外研究人員利用農(nóng)產(chǎn)品的聲學(xué)特性和高效液相色譜法測(cè)定主要化學(xué)物質(zhì)含量等傳統(tǒng)的檢測(cè)方法來(lái)鑒別其成熟度, 這些方法操作繁瑣、 費(fèi)時(shí)費(fèi)力且對(duì)樣品有破壞性。 高光譜成像是圖像與光譜相結(jié)合, 具有無(wú)損、 快速、 準(zhǔn)確等特點(diǎn), 近年來(lái)已廣泛用于農(nóng)產(chǎn)品成熟度鑒別[4-5], 表明用于無(wú)損檢測(cè)農(nóng)產(chǎn)品成熟度具有較大的潛力。 孫靜濤等[6]利用高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法判別哈密瓜成熟度, 基于全光譜建立的SNV-SVM模型準(zhǔn)確率達(dá)94.0%, 并采用主成分分析(principal component analysis, PCA)對(duì)CARS(competitive adaptive reweighted sampling, CARS)篩選哈密瓜的可溶性固形物和硬度的特征波長(zhǎng)進(jìn)行處理, 建立CARS-PCA-SVM模型測(cè)試集準(zhǔn)確率達(dá)94.0%。 Zhang等[7]使用PCA篩選最佳波長(zhǎng)(光譜范圍441.1～1 013.97 nm)結(jié)合紋理特征建立SVM(support vector machine, SVM)草莓成熟度鑒別模型, 取得較好的分類效果, 準(zhǔn)確率達(dá)95.0%。 胡逸磊等[2]采用曲率校正對(duì)光譜圖像進(jìn)行預(yù)處理, 通過(guò)顏色直方圖提取油茶果圖像中的顏色特征, 光譜信息融合顏色特征建立的SVM模型最佳測(cè)試集正確率為93%。 這些研究結(jié)果為高光譜技術(shù)檢測(cè)油茶果成熟度提供了重要的科學(xué)依據(jù)。

以油茶果為研究對(duì)象, 利用不同預(yù)處理的全光譜數(shù)據(jù)建立PLS-DA(partial least squares regression discriminant analysis, PLS-DA)和PSO-SVM(particle swarm optimization, PSO)模型。 基于最優(yōu)預(yù)處理利用SPA(succesive projections algorithm, SPA)和CARS進(jìn)行特征波長(zhǎng)篩選; 基于特征波長(zhǎng)、 特征波長(zhǎng)融合顏色特征建立定性分析模型并對(duì)比結(jié)果。 最終的研究目的是通過(guò)高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法實(shí)現(xiàn)對(duì)油茶果成熟度的快速、 無(wú)損檢測(cè), 為處于不同成熟階段油茶果的在線判別提供有效的科學(xué)依據(jù)。

1 實(shí)驗(yàn)部分

1.1 樣品

油茶果樣本采集自江蘇省南京市江寧區(qū)金航油茶專業(yè)合作社, 采集的油茶果品種均屬于霜降籽, 果實(shí)成熟期在霜降節(jié)前后。 本課題組于2020年10月13日—2020年11月10日期間共采摘5批油茶果, 用于高光譜檢測(cè)油茶果成熟度的樣本[2]。 為將研究進(jìn)一步深入, 于2021年9月30日—2021年11月10日期間共采摘5批不同成熟度的油茶果(油茶果采摘期為10月份; 11月14號(hào)油茶樹(shù)上已幾乎沒(méi)有完整的油茶果, 基本采摘完畢, 因?yàn)楣麑?shí)過(guò)熟導(dǎo)致果殼開(kāi)裂、 果仁脫落), 每批采摘的油茶果均形狀大小相似, 且無(wú)病蟲(chóng)害等缺陷。 樣品采摘后立即封裝運(yùn)回實(shí)驗(yàn)室。 5批采摘油茶果個(gè)數(shù)依次為100、 100、 100、 100和80, 共計(jì)480個(gè)樣本。 按照不同采摘的時(shí)間將油茶果的成熟度分為5類, 使用Kennard Stone對(duì)不同類別油茶果樣本按照3∶1劃分為訓(xùn)練集和測(cè)試集, 訓(xùn)練集和測(cè)試集數(shù)據(jù)分布如表1所示。

表1 不同成熟度油茶果樣本的劃分情況

1.2 高光譜圖像采集與校正

采用南京林業(yè)大學(xué)生物質(zhì)包裝無(wú)損檢測(cè)實(shí)驗(yàn)室搭建的高光譜成像無(wú)損檢測(cè)平臺(tái), 如圖1所示, 主要包括成像光譜儀(GaiaField-V10E-AZ4, 400～1 000 nm)、 sCMOS相機(jī)、 載物臺(tái)系統(tǒng)、 鹵素?zé)簟?計(jì)算機(jī)和電機(jī)等。 其中成像光譜儀的光譜分辨率為5 nm, 被測(cè)樣本置于傳送帶(依靠電機(jī)驅(qū)動(dòng))的載物臺(tái)上。 高光譜圖像數(shù)據(jù)采集軟件為Specview。 在采集油茶果光譜圖像之前將高光譜儀器預(yù)熱30 min。 為避免采集到的光譜圖像失真, 在采集數(shù)據(jù)時(shí)需要對(duì)設(shè)備參數(shù)進(jìn)行調(diào)試, 經(jīng)過(guò)多次預(yù)實(shí)驗(yàn)確定最佳設(shè)備參數(shù)如下: 光譜儀(400～1 000 nm)曝光物距為300 mm, 曝光時(shí)間為1.4 ms, 位移掃描速度為6 mm·s-1。

圖1 高光譜成像系統(tǒng)

由于高光譜圖像采集過(guò)程中存在相機(jī)的暗電流和環(huán)境因素影響, 需要對(duì)原始圖像進(jìn)行黑白校正[8], 校正公式如式(1)

(1)

式(1)中,Iraw為原始樣本的漫反射光譜圖像數(shù)據(jù);R為校正后的漫反射光譜圖像數(shù)據(jù);Idark為暗圖像數(shù)據(jù);Iwhite為白板的漫反射圖像數(shù)據(jù)。

1.3 感興趣區(qū)域選擇

原始高光譜圖像包含油茶果和背景信息, 因此需要去除背景提取純油茶果的光譜信息。 利用ENVI Vision5.3軟件(Research Systems Inc., Boulder, CO, USA)通過(guò)閾值分割將整個(gè)油茶果樣本作為感興趣區(qū)域(region of interest, ROI)。 如圖2所示, ROI的提取步驟如下:

圖2 光譜信息提取過(guò)程

(1) 對(duì)比發(fā)現(xiàn)在815.8 nm波長(zhǎng)處圖像中的油茶果樣本和背景反射率差異最大;

(2) 對(duì)圖像進(jìn)行閾值分割獲得灰度圖像;

(3) 以反射值0.2作為分割圖像中油茶果樣本與背景的最小閾值;

(4) 提取150個(gè)波長(zhǎng)的光譜信息, 取平均反射率作為樣本的原始光譜, 即可得到波長(zhǎng)反射率曲線;

(5) 提取出480條高光譜圖像曲線。

1.4 光譜數(shù)據(jù)預(yù)處理

光譜儀在采集光譜信息過(guò)程中易產(chǎn)生大量的噪聲和干擾信息, 因此需要將噪聲和干擾信息剔除進(jìn)一步提高光譜信息的魯棒性和準(zhǔn)確性[9]。 使用五種常見(jiàn)有效的預(yù)處理方法對(duì)原始光譜信息進(jìn)行處理, 即標(biāo)準(zhǔn)正態(tài)變量變換法(standard normal variate transformation, SNV)、 SNV結(jié)合去趨勢(shì)(detrending)、 SG卷積平滑法(savitzky-golay smoothing, SG)、 一階導(dǎo)(窗口寬度為3)和二階導(dǎo)(窗口寬度為3)。

1.5 特征變量選取方法

高光譜數(shù)據(jù)中包含大量的冗余信息, 需要提取出最小冗余新變量來(lái)消除數(shù)據(jù)間的共線性和重疊問(wèn)題[10]。 采用兩種不同的變量選擇方法:

(1) 連續(xù)投影算法是一種為特征變量選擇而設(shè)計(jì)的前向迭代選擇方法, 利用投影分析法將變量投影到其他變量上, 通過(guò)比較投影向量的大小, 選取投影向量最大的變量并結(jié)合校正模型的最小均方根誤差(root mean square error, RMSE)選取特征變量[11]。

(2) 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣算法是一種結(jié)合蒙特卡洛采樣與偏最小二乘回歸(PLSR)絕對(duì)系數(shù)(RC)的特征變量選擇方法。 CARS的原理是通過(guò)自適應(yīng)重加權(quán)采樣方法和指數(shù)衰減函數(shù)去除掉偏最小二乘回歸系數(shù)中絕對(duì)值權(quán)重較小的波長(zhǎng), 經(jīng)多次計(jì)算選擇PLSR模型中交叉驗(yàn)證RMSE最小的變量子集作為特征變量[12]。

1.6 判別模型建立與評(píng)價(jià)

偏最小二乘判別分析是基于PLSR提出的一種判別分析方法, 在頻譜建模中表現(xiàn)出良好的分類性能[13]。 在PLS-DA中Y值為預(yù)測(cè)每個(gè)樣本的類別, 類別標(biāo)簽采用二進(jìn)制編碼, 需設(shè)定閾值與模型實(shí)際值和預(yù)測(cè)值之差對(duì)比判別分類。 PLS-DA模型采用10折交叉驗(yàn)證得到最小預(yù)測(cè)誤差確定最優(yōu)潛在變量(latent variable, LV)的數(shù)量。

支持向量機(jī)是機(jī)器學(xué)習(xí)中經(jīng)典的監(jiān)督學(xué)習(xí)算法, 適用于解決樣本量小、 非線性和高維模式識(shí)別問(wèn)題[11]。 核函數(shù)的選擇是SVM的關(guān)鍵, 徑向基函數(shù)(RBF)被廣泛用作譜分析中的核函數(shù), 具有很強(qiáng)的處理非線性問(wèn)題能力。 粒子群優(yōu)化算法是一種進(jìn)化算法, 采用PSO迭代優(yōu)化SVM的懲罰因子(c)和核參數(shù)(g), 在PSO-SVM模型中, 采用10折交叉驗(yàn)證, 種群規(guī)模設(shè)置為20, 迭代次數(shù)為100, 學(xué)習(xí)因子C1和C2分別為1.5和1.7[14]。

考察模型的性能效果采用分類準(zhǔn)確率(correct classification rate, CCR)、 靈敏度(sensitivity)、 特異性(specificity)和Kappa系數(shù)來(lái)評(píng)估, 各數(shù)值越高表明模型性能越好, 其計(jì)算公式如式(2)—式(4)

(2)

(3)

(4)

式中:TP、TN、FN和FP是混淆矩陣劃分的四個(gè)指標(biāo),TP(真陽(yáng)性)為陽(yáng)性油茶果被識(shí)別為陽(yáng)性的數(shù)量;TN(真陰性)為陰性油茶果被識(shí)別為陰性的數(shù)量;FN(假陰性)為陰性油茶果被誤分為陽(yáng)性油茶果的數(shù)量;FP(假陽(yáng)性)為陽(yáng)性油茶果被誤分類陰性油茶果的數(shù)量, 這里的陽(yáng)性油茶果表示某一類油茶果, 剩余類別的油茶果皆為陰性。

1.7 提取顏色特征值

果實(shí)的外部顏色是人們判別其成熟度的重要標(biāo)準(zhǔn)之一, 處于不同成熟度等級(jí)的果實(shí)在顏色上具有一定的差異。 薛建新等[5]基于RGB模型提取了沙金杏的顏色特征值, 使用光譜融合顏色特征建立的ELM(extreme learning machine, ELM)模型優(yōu)于純光譜模型, 準(zhǔn)確率達(dá)93.3%。 由此可見(jiàn), 光譜信息融合顏色特征增強(qiáng)了模型的判別效果。 故而亦基于RGB模型, 采用顏色矩方法提取油茶果樣本圖像的顏色特征值, 由于顏色信息主要作為低階矩分布, 因此一階矩、 二階矩和三階矩足以表達(dá)圖像的顏色分布[15]。 其中, 一階矩表示顏色分量的平均強(qiáng)度, 二階矩表示待測(cè)區(qū)域的顏色方差, 三階矩表示顏色分量的偏斜度。 其計(jì)算公式如式(5)—式(7)

(5)

(6)

(7)

式中,μi、σi、si分別為圖像的一階矩、 二階矩和三階矩,Pij為圖像中第j個(gè)像素點(diǎn)的第i個(gè)顏色分量,N為像素點(diǎn)數(shù)。

基于RGB顏色空間將圖像R、 G、 B三個(gè)分量的一階矩、 二階矩和三階矩組成一個(gè)9維的顏色特征向量, 該顏色特征值為[μR,μG,μB,σR,σG,σB,sR,sG,sB]。

2 結(jié)果與討論

2.1 不同成熟度油茶果光譜特征分析

去除首尾噪聲波段, 對(duì)416.6～994.9 nm內(nèi)115個(gè)波段進(jìn)行光譜特征分析。 480個(gè)油茶果樣本的原始光譜曲線如圖3(a)所示, 圖3(b)為不同成熟度油茶果帶有標(biāo)準(zhǔn)差的平均光譜圖, 兩幅圖變化趨勢(shì)基本一致。 光譜中的主要吸收帶歸因于強(qiáng)泛音和含氫基團(tuán)的組合吸收, 如O—H(來(lái)自于水中)、 C—H(來(lái)自于脂肪和油)[16]。 430.89 nm附近的吸收峰主要與邵氏帶有關(guān)[17], 672 nm附近的吸收峰與樣本外殼葉綠素和“紅邊”效應(yīng)有關(guān)[18], 957.5 nm附近的吸收峰主要與油茶果內(nèi)部水分的O—H拉伸態(tài)和彎曲態(tài)的二階泛音有關(guān)[18]。

2.2 基于全光譜判別模型

將5種不同成熟度的油茶果樣本賦予1、 2、 3、 4、 5類別標(biāo)簽, 基于全光譜(416.6～994.9 nm)和預(yù)處理后的全光譜建立了PLS-DA和PSO-SVM判別模型。 共采用5種不同的預(yù)處理方法, 包括SNV、 SNV-detrend、 SG、 一階導(dǎo)和二階導(dǎo), 通過(guò)參數(shù)尋優(yōu)基于最優(yōu)參數(shù)下建立定性分析模型, 其判別結(jié)果和最優(yōu)參數(shù)如表2所示。 結(jié)果表明, 預(yù)處理后模型的分類準(zhǔn)確率普遍優(yōu)于未預(yù)處理模型, 因?yàn)轭A(yù)處理可以減少散射效應(yīng)或背景噪聲從而提高模型的魯棒性。 對(duì)比發(fā)現(xiàn)經(jīng)一階導(dǎo)預(yù)處理后模型性能最優(yōu), PLS-DA和PSO-SVM最優(yōu)模型訓(xùn)練集、 交叉驗(yàn)證集和測(cè)試集的準(zhǔn)確率分別為96.6%、 93.8%、 92.2%和97.2%、 94.2%、 90.0%。 因此, 選取一階導(dǎo)預(yù)處理的全光譜做進(jìn)一步分析。

表2 不同預(yù)處理方式全光譜PLS-DA和PSO-SVM模型性能比較

2.3 基于特征波長(zhǎng)判別模型

為了保證建模的準(zhǔn)確性, 提高模型的計(jì)算速度, 經(jīng)預(yù)處理后的全光譜仍存在大量的冗余信息, 可能會(huì)帶來(lái)過(guò)擬合、 噪聲和非線性的風(fēng)險(xiǎn), 且大都數(shù)情況下全光譜范圍內(nèi)僅有少數(shù)波長(zhǎng)與待測(cè)物質(zhì)有關(guān)。 因此, 使用SPA和CARS對(duì)一階導(dǎo)預(yù)處理后的全光譜(416.6～994.9 nm, 115個(gè)波長(zhǎng))進(jìn)行特征波長(zhǎng)篩選。 根據(jù)經(jīng)驗(yàn)將SPA特征波長(zhǎng)分析最佳特征變量數(shù)范圍定為5～30[13]。 如圖4(a)所示RMSE值最小時(shí)對(duì)應(yīng)26個(gè)特征波長(zhǎng), 圖4(b)為26個(gè)特征波長(zhǎng)在全波長(zhǎng)中的分布情況。 在CARS分析中, 將蒙特卡洛采樣次數(shù)設(shè)置為1 000,設(shè)置每次運(yùn)行選擇的訓(xùn)練集和測(cè)試集樣本為3∶1, 對(duì)于RMSECV采用10折交叉驗(yàn)證, 蒙特卡洛采樣運(yùn)行次數(shù)為50, 參數(shù)設(shè)置均憑以往經(jīng)驗(yàn)[19]。 如圖4(c)第一個(gè)子圖所示, 隨著蒙特卡洛采樣次數(shù)的增加, 特征變量的數(shù)量呈指數(shù)下降; 在第二個(gè)子圖中, 使用交叉驗(yàn)證中的RMSECV值作為采樣運(yùn)行次數(shù)的評(píng)估指標(biāo), 基于最小RMSECV值篩選出28個(gè)特征波長(zhǎng), 分布情況如圖4(d)所示。 具體波長(zhǎng)信息如表3所示。

圖4 應(yīng)用SPA和CARS算法選擇特征波長(zhǎng)

表3 基于一階導(dǎo)預(yù)處理光譜SPA和CARS選取波長(zhǎng)

表4列出了基于全光譜判別模型以及SPA和CARS簡(jiǎn)化模型的分類結(jié)果, 簡(jiǎn)化后的模型性能略低于全光譜模型, 但仍取得較好的分類效果, 且建模效率大大提升。 研究結(jié)果顯示, 采用CARS選定波長(zhǎng)建模測(cè)試集準(zhǔn)確率均高于SPA模型測(cè)試集準(zhǔn)確率, CARS-PLS-DA和CARS-PSO-SVM模型預(yù)測(cè)集準(zhǔn)確率分別為92.5%和89.2%。 為了進(jìn)一步比較模型的分類情況, 表5匯總了CARS-PLS-DA和CARS-PSO-SVM模型預(yù)測(cè)集的混淆矩陣、 靈敏度和特異性以及Kappa系數(shù)計(jì)算結(jié)果, Kappa系數(shù)用于評(píng)估分類效果具有較好的一致性和可信度, 系數(shù)越高, 分類模型越可靠[20]。 CARS-PLS-DA和CARS-PSO-SVM模型對(duì)成熟度Ⅲ、 Ⅳ、 Ⅴ靈敏度值相對(duì)較低, 主要原因是此時(shí)油茶果樣本皆已成熟, 已進(jìn)入采摘期, 光譜差異性相對(duì)較小, 但兩個(gè)定性分析模型的特異性值均超過(guò)0.91, Kappa系數(shù)均超過(guò)0.86, 具有極高的一致性, 對(duì)于分類識(shí)別任務(wù)具有優(yōu)異的性能。 CARS-PLS-DA模型的Kappa系數(shù)值和預(yù)測(cè)集分類準(zhǔn)確率均高于CARS-PSO-SVM模型, 綜合來(lái)看CARS-PLS-DA模型識(shí)別油茶果成熟度性能更加優(yōu)越。

表4 基于不同方法選定波長(zhǎng)PLS-DA和PSO-SVM模型性能比較

表5 最優(yōu)簡(jiǎn)化模型預(yù)測(cè)集混淆矩陣

2.4 基于特征波長(zhǎng)融合顏色特征判別模型

融合油茶果高光譜圖像第64(641.8 nm, R)、 46(522.3 nm, G)、 27(459.8 nm, B)三個(gè)通道生成RGB圖像, 然后與掩膜圖像相乘得到油茶果樣本的RGB圖像, 具體流程如圖2所示。 使用顏色矩的方法提取RGB圖像在R、 G、 B三個(gè)分量上的均值、 方差和偏斜度, 并組成一個(gè)9維的顏色特征向量作為圖像的顏色特征, 樣本平均顏色特征值如表6所示。 可以看出顏色特征值量級(jí)較小, 但不同成熟度之間有一定差異, 因此使用歸一化(Normalization)將顏色特征值轉(zhuǎn)化為[-1, 1]之間, 增強(qiáng)數(shù)據(jù)之間的差異性, 提高模型的可比性。 將顏色特征值融入特征波長(zhǎng)分別建立PLS-DA和PSO-SVM組合模型, 如表7所示使用SPA+顏色和CARS+顏色特征建立的PLS-DA模型測(cè)試集準(zhǔn)確率依次為91.2%、 94.2%, 使用SPA+顏色和CARS+顏色特征建立的PSO-SVM模型測(cè)試集準(zhǔn)確率依次為92.7%、 93.3%。 進(jìn)一步發(fā)現(xiàn)在PLS-DA和PSO-SVM模型中SPA+顏色特征建模比單一SPA特征建模分類準(zhǔn)確率分別提高了0.4%、 4.4%, 使用CARS+顏色特征建模比單一CARS特征建模分類準(zhǔn)確率分別提高了1.7%、 4.1%。 基于CARS+顏色特征建立的PLS-DA和PSO-SVM組合模型測(cè)試集準(zhǔn)確率分別為94.2%、 93.3%, 綜合研究顯示CARS+顏色特征建模比SPA+顏色特征建模效果優(yōu)異, 體現(xiàn)了模型性能最優(yōu)化。

表6 RGB模型提取得到的樣本平均顏色特征值

表7 光譜特征融合顏色特征PLS-DA和PSO-SVM模型性能比較

為了進(jìn)一步評(píng)估模型的性能, 表8匯總了光譜特征融合顏色特征最優(yōu)模型預(yù)測(cè)集混淆矩陣, 研究結(jié)果顯示成熟度Ⅴ更容易發(fā)生誤判, 主要原因是成熟度Ⅴ早已經(jīng)成熟, 且在成熟后與成熟度Ⅲ、 Ⅳ光譜信息和顏色特征變化差異降低。 在CARS+顏色-PLS-DA模型中將2個(gè)成熟度Ⅴ的油茶果樣本誤判給了成熟度Ⅳ; 在CARS+顏色-PSO-SVM模型中將1個(gè)成熟度Ⅴ的油茶果樣本誤判給了成熟度Ⅲ, 3個(gè)成熟度Ⅴ的油茶果樣本誤判給了成熟度Ⅳ。 特征波長(zhǎng)融合顏色特征后Kappa系數(shù)比單一特征波長(zhǎng)分別提高了0.016 9、 0.052 4, 且CARS+顏色-PLS-DA模型Kappa系數(shù)最高, 為0.923 1, 預(yù)測(cè)集分類準(zhǔn)確率高達(dá)94.2%, 該模型為本研究中最優(yōu)模型。

表8 光譜特征融合顏色特征最優(yōu)模型預(yù)測(cè)集混淆矩陣

綜上說(shuō)明顏色特征對(duì)光譜信息分類模型起到了增益作用, 將油茶果樣本生長(zhǎng)過(guò)程中的顏色差異性融入模型中, 使得定性分析模型更加全面、 穩(wěn)健。 CARS+顏色-PLS-DA模型在識(shí)別油茶果成熟度分類無(wú)損檢測(cè)技術(shù)方面具有巨大的潛力。

3 結(jié) 論

基于高光譜成像技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)光譜信息、 圖像顏色特征融合光譜信息進(jìn)行處理, 從而對(duì)油茶果成熟度進(jìn)行鑒別, 主要的研究結(jié)論如下:

(1) 使用SNV、 SNV-detrend、 SG、 一階導(dǎo)和二階導(dǎo)5種不同預(yù)處理方法對(duì)原始光譜處理, 并建立PLS-DA和PSO-SVM模型, 一階導(dǎo)+PLS-DA測(cè)試集分類準(zhǔn)確率最高, 達(dá)到92.2%。

(2) 基于一階導(dǎo)預(yù)處理光譜利用SPA和CARS進(jìn)行特征波長(zhǎng)篩選, 篩選出的波長(zhǎng)數(shù)量分別為26、 28, 并建立SPA-PLS-DA、 CARS-PLS-DA、 SPA-PSO-SVM和CARS-PSO-SVM定性分析模型, 其測(cè)試集分類準(zhǔn)確率依次為90.8%、 92.5%、 88.3%和89.2%。 結(jié)合混淆矩陣對(duì)簡(jiǎn)化最優(yōu)模型進(jìn)行了深入分析, CARS-PLS-DA和CARS-PSO-SVM模型的Kappa系數(shù)均超過(guò)0.86。

(3) 基于高光譜圖像采用顏色矩的方法提取圖像中顏色特征值, 光譜特征波長(zhǎng)融合顏色特征值建立定性分析模型, 充分利用了高光譜成像技術(shù)“圖譜合一”的特點(diǎn), 4個(gè)模型測(cè)試集分類準(zhǔn)確率均高于91%, CARS+顏色-PLS-DA模型性能最佳測(cè)試集分類準(zhǔn)確率為94.2%, Kappa系數(shù)為0.923 1, 一致性分類效果極好。

為油茶果成熟度鑒別提供了一種快速無(wú)損的光譜檢測(cè)方法, 在未來(lái)的工作中仍需進(jìn)一步提升簡(jiǎn)化模型的準(zhǔn)確性和應(yīng)用性, 比如結(jié)合深度學(xué)習(xí)使用自動(dòng)編碼器提取特征變量建立卷積神經(jīng)網(wǎng)絡(luò)模型等, 為更好地維護(hù)木本糧油安全提供強(qiáng)有力的保障。