紅薯瑕疵無處遁形！高光譜成像技術：品質檢測的“超級顯微鏡”
應用方向
hongshuquexiandekuaisufeipohuaixingjiancehefenleijishunenggoutongshihuoquyangpindeguangpuxinxihekongjianxinxi，weihongshudepinzhipinggutigongleyizhongyouxiaodegongju。tongguogaoguangpuchengxiangjishudeyingyong，keyishixianduihongshuzhongdejiankang、***和病變樣本的***鑒別，進而提高紅薯加工和儲存過程中的經濟效益。
背景
紅薯是全球及中國重要的糧食作物之一，其富含澱粉、多種維生素、膳食纖維、蛋白質以及鈣、磷、鐵等無機鹽，具備延緩衰老、***和***等健康效益。然而，紅薯的各類缺陷如***和he病bing害hai，長chang期qi以yi來lai一yi直zhi困kun擾rao著zhe種zhong植zhi業ye和he加jia工gong業ye。這zhe些xie缺que陷xian的de紅hong薯shu容rong易yi氧yang化hua腐fu爛lan，並bing可ke能neng感gan染ran其qi他ta健jian康kang紅hong薯shu，從cong而er造zao成cheng嚴yan重zhong的de經jing濟ji損sun失shi。目mu前qian，紅hong薯shu缺que陷xian的de檢jian測ce主zhu要yao依yi賴lai於yu人ren工gong方fang法fa，這zhe不bu僅jin耗hao時shi耗hao力li，而er且qie準zhun確que性xing不bu高gao。盡jin管guan基ji於yu可ke見jian光guang圖tu像xiang的de機ji器qi視shi覺jiao係xi統tong已yi廣guang泛fan應ying用yong於yu果guo蔬shu缺que陷xian檢jian測ce，但dan在zai可ke見jian光guang圖tu像xiang中zhong難nan以yi發fa現xian某mou些xie早zao期qi病bing害hai和he輕qing微wei損sun傷shang。此ci外wai，盡jin管guan非fei成cheng像xiang近jin紅hong外wai（NIR）guangpujishunengjiancedaozhexiexiweibianhua，danwufapingguzhenggeguoshidepinzhibianhua。gaoguangpuchengxiangjishuzuoweiyixiangxinxingjishu，nenggoutongshihuoquyangpindeguangpuxinxihekongjianxinxi，yichenggongtidaichuantongdeguangpufenxihekejianguangtuxiang，chengweikuaisuwusunjiancehefenleideyouxiaofangfa。yanjiuxuanyong‘龍薯9號’紅薯作為研究對象，運用高光譜成像技術來識別缺陷紅薯，並應用偏最小二乘判別分析（PLS-DA）與線性判別分析（LDA）構建分類模型，為紅薯的存儲與加工提供理論支持，提升紅薯行業的經濟效益。
實驗設計
1.1.材料與方法
（1）實驗材料
紅薯品種為“龍薯9號”，於2019年1月購自山東省泰安市“新綠蔬菜批發市場”，選取健康紅薯140個、***紅薯140個、病紅薯140個，共420份紅薯樣品進行試驗。如圖1所示為三種紅薯。患病紅薯又可分為裂紋、表皮損傷和表麵***sanzhongleixing。hongshushangdeliewenkenengshiyouyushouhuoshiturangyangfenbuzuhuoshuifenguoduozaochengde。biaopisunshangkenengshiyoucaishoushidejixiesunshanghuoyunshuguochengzhonghongshuzhijiandepengzhuangdaozhi，jinerfazhanchengbingqu。erbiaomian***是shi由you基ji因yin決jue定ding的de，不bu會hui影ying響xiang其qi內nei在zai的de食shi用yong品pin質zhi，但dan其qi外wai觀guan不bu理li想xiang會hui降jiang低di紅hong薯shu的de經jing濟ji價jia值zhi。試shi驗yan選xuan用yong的de紅hong薯shu樣yang品pin在zai重zhong量liang和he大da小xiao上shang是shi均jun勻yun的de。用yong清qing水shui清qing洗xi後hou，在zai中zhong國guo山shan東dong省sheng泰tai安an市shi山shan東dong農nong業ye大da學xue采cai後hou工gong程cheng實shi驗yan室shi20℃的黑暗環境中放置24 h。
圖1. 三種類型的紅薯樣本：(A) 健康紅薯，(B) ***紅薯，(C) 患病紅薯
（2）高光譜成像係統
本實驗使用“GaiaField”高光譜成像係統（GaiaField-V10E，江蘇雙利合譜光譜成像技術有限公司）采集樣品信息。如圖2所示，該係統主要包括高光譜成像儀、成像鏡頭、照明係統、標準白板、三腳架和一台裝有SpecView軟件的計算機。高光譜係統的波長範圍為400 - 1000 nm，光譜分辨率為2.8 nm，入射狹縫寬度為30 μm，相機分辨率為1392 × 1040 dpi。高光譜係統采用推掃成像技術。
圖2. 高光譜成像係統。
（3）高光譜數據的收集和校準
為了獲得清晰、不失真的圖像，將紅薯樣品置於低反射率黑板上，采用高光譜成像係統掃描，曝光時間為11.58 ms，鏡頭與樣品之間的距離為47.62 mm。由於光源的不均勻性、光敏元件本身的響應差異、andianliuhepianzhidengyinsudeyingxiang，gaoguangputuxiangdeshuchuqiangdukenengbujunyun，buliyuhouxutuxiangchulizhongmubiaotezhengdetiquheceliang。yinci，youbiyaoduigaoguangputuxiangjinxingheibaibiaoding。jiangbaibanfangzhizaicaijiquyu，saomiaodedaobaizhenshuju，guanbijingtougaijiangquanheituxiangjiluweianbeijing。yonganbeijingxiaozhunguangyuanqiangdubujunyundeyingxiang，yongbaizhenshujuxiaozhunxiangjizaoshengdeyingxiang。
（4）數據處理和建模方法
將整個紅薯樣本作為感興趣區域（ROI），使用ENVI 4.6軟件提取並計算每個ROI中所有像素的平均光譜。由於對每個紅薯樣品的正麵和背麵進行了成像，因此共獲得840幅光譜圖像。在對原始光譜進行標準正態變量（SNV）預處理後，采用基於聯合x - y距離（SPXY）算法按照3:1的比例劃分為訓練集和預測集。
在zai使shi用yong全quan光guang譜pu進jin行xing建jian模mo時shi，高gao光guang譜pu圖tu像xiang中zhong的de高gao維wei數shu據ju會hui受shou到dao某mou些xie波bo長chang間jian相xiang關guan性xing和he冗rong餘yu性xing的de影ying響xiang，這zhe會hui增zeng加jia計ji算suan量liang和he建jian模mo難nan度du。噪zao聲sheng和he無wu用yong信xin息xi也ye會hui影ying響xiang模mo型xing的de準zhun確que性xing和he魯lu棒bang性xing，不bu利li於yu研yan究jiu和he實shi際ji應ying用yong。因yin此ci，本ben研yan究jiu采cai用yong蒙meng特te卡ka羅luo無wu信xin息xi變bian量liang***法（MCUVE）、隨機森林（RF）和逐次投影法（SPA）三種波長選擇方法。采用偏最小二乘判別分析（PLS-DA）和線性判別分析（LDA）兩種分類器建立了缺陷紅薯的分類模型。在PLSDA模型中，將健康紅薯、***紅薯和患病紅薯分別賦值為1、2和3的虛擬變量。以1.5和2.5作為判別閾值，如果模型預測值小於閾值T1 = 1.5，則判定為健康樣本。如果大於閾值T1 = 1.5且小於T2 = 2.5，則判定為***樣本。如果大於閾值T2 = 2.5，則判定為疾病樣本。
1.2.結果與討論
（1）光譜特征分析與預處理
圖3為三種紅薯樣品的原始光譜、SNV預處理光譜和平均光譜。從圖3可以看出，SNV預處理後的光譜縱向聚集程度有所提高，有助於***平移誤差。在420 nm附近有較強的反射率下降，這是類胡蘿卜素的吸收區。光譜吸收波長在980 nm左右，屬於水中O-H的二級吸收波段，由於紅薯含水量高，存在較大的吸收峰。健康紅薯與患病紅薯在600 ~ 1000 nm範圍內差異顯著。***紅薯與健康紅薯在650 ~ 850 nm範圍內差異明顯，***紅薯與患病紅薯差異不大。這些光譜信息的變化是區分健康紅薯和缺陷紅薯的有力證據。
圖3. 紅薯光譜曲線：(A) 原始光譜，(B) SNV預處理後的光譜，(C) 平均光譜
（2）特征波長提取
分別采用MCUVE、RF和SPA提取特征波長，用於後續分類模型。提取的特征波長分布如圖4所示。MCUVE、RF和SPA分別提取了11、10和10個特征波長。所有特征波長列於表1。
圖4. 通過(A) MCUVE，(B) RF和(C) SPA算法提取特征波長
（3）基於PLS-DA和LDA模型的分類結果
基於MCUVE、RF和SPA方法提取的特征波長建立PLS-DA和LDA模型。PLS-DA模型預測結果的散點圖如圖5所示，使用MCUVE、RF和SPA提取的特征波長建立模型均獲得了滿意的結果。如圖6所示，RF-PLS-DA模型對健康、***和病變樣本的分類準確率分別為97.14%、94.29%和87.14%，總分類準確率為92.86%。大多數誤判都發生在病害紅薯上，這些紅薯被誤認為是***的紅薯。
圖5. PLS-DA模型的訓練和預測結果：(A) MCUVE-PLS-DA模型，(B) RF-PLS-DA模型，(C) SPA-PLS-DA模型
圖6. PLS-DA模型混淆矩陣：(A) MCUVE-PLS-DA模型，(B) RF-PLS-DA模型，(C) SPA-PLS-DA模型
LDA分類模型預測結果的二維和三維散點圖（圖7）。由於二維散點圖中樣本重疊，無法直觀顯示三種紅薯樣本的分類效果。因此創建了三維散點圖（圖8）。從圖8可以看出，MCUVE-LDA模型對三種紅薯樣品的分離仍然不清楚，表明性能較差，且病害與***樣品重疊嚴重。與MCUVE-LDA模型相比，RF-LDA和SPA-LDA模型具有更好的樣本分類性能，三種類型的紅薯樣本聚類顯著。為了進一步分析，生成LDA模型的混淆矩陣，如圖9所示。由圖9可以看出，MCUVE-LDA模型將部分患病紅薯樣本誤判為***紅薯樣本，患病紅薯的分類準確率較低，為90%，總準確率為96.19%。RF-LDA模型和SPA-LDA模型幾乎沒有誤判，總分類準確率均達到99.52%。考慮到SPA-LDA模型訓練集100%的總分類準確率高於RF-LDA模型訓練集98.73%的總分類準確率，因此，SPA-LDA是***的分類模型。
圖7. LDA模型二維散點圖：(A) MCUVE-LDA模型，(B) RF-LDA模型，(C) SPA-LDA模型
圖8. LDA模型三維散點圖：(A) MCUVE-LDA模型，(B) RF-LDA模型，(C) SPA-LDA模型
圖9. LDA模型的混淆矩陣：(A) MCUVE-LDA模型，(B) RF-LDA模型，(C) SPA-LDA模型
結論
紅薯缺陷的準確評價是紅薯自動分類分級係統的關鍵。在這項研究中，使用了高光譜成像技術來捕捉140個健康紅薯、140個***紅薯和140個病害紅薯的高光譜圖像。采用標準正態變量（SNV）變換對原始光譜數據進行預處理，***了大部分隨機誤差，使模型獲得較高的精度。為了降低樣品光譜信息的維數，利用MCUVE、RF和SPA分別提取了11、10和10個特征波長。然後，利用選擇的特征波長建立PLS-DA和LDA模型，對健康紅薯和缺陷紅薯進行分類。其中RF-LDA和SPA-LDA模型對預測集的總分類準確率達到99.52%。考慮到SPA-LDA模型訓練集100%的總分類準確率高於RF-LDA模型訓練集98.73%的總分類準確率，SPA-LDA是***的分類模型。結果表明，所建立的模型能夠有效地識別***紅薯、患病紅薯和健康紅薯。本研究為高光譜成像技術在紅薯貯藏加工監測中的應用提供了理論依據和技術支持。
推薦產品
作者簡介
通訊作者：玄冠濤，山東農業大學機械與電子工程學院，碩導
參考文獻
論文引用自三區文章：Yuanyuan Shao, Yi Liu, Guantao Xuan, Yukang Shi, Quankai Li, Zhichao Hu, Detection and analysis of sweet potato defects based on hyperspectral imaging technology, Infrared Physics & Technology, Volume 127, 2022, 104403, ISSN 1350-4495, https://doi.org/10.1016/j.infrared.2022.104403.
地址：無錫市梁溪區南湖大道飛宏路58-1-108.png)
電話：.png)
郵箱：
在線谘詢