高光譜技術結合小波變換如何快速鎖定黴變花生仁
應用方向：
本研究結合高光譜成像技術和連續小波變換（CWT），jujiaoyumeibianhuashengdejingzhunshibie，tongguotiquguangpumingantezhengqufenjiankangyumeibianyangben。zheyifangfazhanshilegaoguangpujishuzaishipinzhiliangyuanquanjiancezhongdezhongyaoyingyongjiazhi，youqizaimeibianyuzhen*感染監測、農產品自動分選和在線監控等方麵具有廣泛潛力。相比傳統檢測方法，高光譜技術實現了非接觸、快速、綠色環保的檢測方式，為食品安全監管及智能農業提供了高*解決方案。
背景：
花生作為全球廣泛種植和消費的重要油料作物，具有很高的營養價值。然而，由於其特殊的組成成分，花生極易受到真*（如黃曲黴）的感染，進而產生強致癌性的黃曲黴毒素（AFB1）。這種毒素不僅對人類和牲畜健康構成嚴重威脅，還可能導致農民、加工商及分銷商的經濟損失。
現有的黃曲黴毒素檢測方法（如薄層色譜、高*液相色譜等）盡管準確，但存在耗時、操作複雜、依賴專*人員等局限性，不適用於自動化檢測場景。而近紅外光譜及高光譜成像技術因其非接觸性及高*性xing，逐zhu漸jian成cheng為wei食shi品pin質zhi量liang評ping估gu領ling域yu的de重zhong要yao工gong具ju。然ran而er，高gao光guang譜pu成cheng像xiang數shu據ju的de高gao維wei特te性xing給gei實shi時shi檢jian測ce係xi統tong帶dai來lai了le計ji算suan負fu擔dan，特te征zheng降jiang維wei成cheng為wei後hou續xu數shu據ju處chu理li的de必bi要yao步bu驟zhou。
連續小波變換（CWT）作為一種有效的特征提取方法，可在不同波長和尺度上分解光譜數據，從而識別出細微的光譜特征。盡管CWT在某些領域已顯示出其優越性，但其在穀物和油料作物真*感染檢測中的應用仍較少。本研究旨在結合CWT和高光譜成像技術，開發一種高*、可靠的黴變花生識別方法。具體的研究目標為：（1）探索黴變花生的光譜特性；（2）確定適用於黴變花生檢測的*佳CWT特征；（3）比較CWT提取的小波特征與傳統波段選擇方法的分類性能。
實驗設計
１.1材料與方法
（1）花生樣品製備
從市場上購買了三種花生品種：花育（HY）、四粒紅（SLH）和小白沙（XBS）。手工挑選出完好無損的健康花生，並將其分成兩部分：一部分妥善保存作為健康樣本，另一部分用於獲取黴變花生樣本。為了獲得黴變花生樣本，將花生放入容器中，並置於37°C的恒溫箱中，相對濕度設定在85~90%，持續10天以促進曲黴菌屬的快速繁殖。從第11天起，溫度調整至30°C，相對濕度保持不變。分別在第20天和第30天取出花生作為不同黴變階段的黴變樣本。然後，對於HY品種的花生，隨機選取8個健康、黴變20天和黴變30天的樣本，並使用黃曲黴毒素B1（AFB1）快速檢測試紙進行評估。對於另外兩種花生品種，每種隨機選取10個健康、黴變20天和黴變30天的樣本，並使用AFB1快速檢測試紙進行評估。AFB1快速檢測試紙最低檢測限為5 ppb。該產品采用競爭性抑製金免疫層析法原理。當樣本溶液中的 AFB1 濃度超過檢測限時，檢測線不會顯現顏色反應，結果判定為陽性；當樣本溶液中的 AFB1 濃度低於檢測限時，檢測線呈現紫色反應，結果判定為陰性。在實驗過程中，健康花生樣本經 AFB1 快速檢測試紙檢測，其 AFB1 含量均低於 5 ppb，據此假設所有健康花生樣本均為健康。相反，黴變花生樣本經檢測發現 AFB1 含量均超過 5 ppb，因此假設所有黴變花生均為黴變。為排除水分含量對實驗結果的幹擾，健康與黴變的花生仁分別在 60°C 的幹燥箱中幹燥 24 小時。
對於每種花生品種，我們獲取了七張高光譜圖像（三張用於訓練，四張用於測試）。圖1展示了用於獲取這七張高光譜圖像的花生樣本（HY）的照片。前三張圖像顯示了用作訓練數據的花生樣本，*一張展示了健康的花生樣本，第二張展示了第20天獲得的黴變花生樣本，最後一張展示了第30天獲得的黴變花生樣本。後四張圖像展示了用作測試數據的花生樣本；其中前兩張是健康花生和第20天獲得的黴變花生的混合物，另外兩張是健康花生和第30天獲得的黴變花生的混合物。最終，共成像了547個花生樣本（HY：154個，XBS：175個，SLH：218個），包括252個健康花生樣本和295個黴變花生樣本。在這些樣本中，232個花生樣本，包括79個健康樣本和153個黴變樣本，被用作訓練數據；315個花生樣本，包括173個健康樣本和142個黴變樣本，被用作測試數據。
圖1.用於獲取七張高光譜圖像的花生樣本（HY）照片：頂部三張圖像用於訓練數據集，底部四張圖像用於測試數據集
（2）高光譜成像係統與圖像采集
高光譜圖像采集使用的是GaiaSorter（江蘇雙利合譜科技有限公司）設備。它由四個部分組成：一個光譜成像係統、一個照明係統、一個傳送台和一個計算機。光譜成像係統由一個高光譜相機（Image-λ-N25E-HS）組成，其光譜範圍為920至2530納米，該相機連接到一個標準的C口變焦鏡頭（F/2, f = 22.5 mm, HSIA-OLES22）。照明係統由四個200瓦的溴鎢燈（HSIALS-T-200W）組成。傳送台由一個樣品台和集成的電動精密傳送台（HSIAT500）構成。計算機安裝了SpecVIEW係統控製軟件。
花生樣本被放置在一個10厘米×10厘米的黑色托盤中以獲取高光譜圖像，如圖1所示。所獲得的圖像共有288個波段，光譜分辨率為5.6納米。此外，為了校正所采集的高光譜圖像，我們收集了一張白參考圖像，並通過完全關閉相機光圈記錄了一張黑參考圖像。
（3）高光譜圖像預處理與光譜提取
圖tu像xiang采cai集ji完wan成cheng後hou，將jiang所suo得de到dao的de高gao光guang譜pu圖tu像xiang使shi用yong黑hei參can考kao圖tu像xiang和he白bai參can考kao圖tu像xiang進jin行xing校xiao正zheng。另ling外wai，在zai捕bu獲huo高gao光guang譜pu圖tu像xiang時shi，隨sui機ji噪zao聲sheng是shi不bu可ke避bi免mian的de，因yin此ci在zai進jin行xing進jin一yi步bu數shu據ju處chu理li之zhi前qian需xu要yao對dui數shu據ju進jin行xing了le濾lv波bo。在zai本ben研yan究jiu中zhong，采cai用yong了le五wu點dian平ping滑hua濾lv波bo器qi來lai處chu理li高gao光guang譜pu數shu據ju。
非fei花hua生sheng像xiang素su不bu僅jin在zai後hou續xu數shu據ju處chu理li中zhong無wu用yong，甚shen至zhi可ke能neng對dui分fen析xi結jie果guo產chan生sheng幹gan擾rao，因yin此ci被bei標biao記ji為wei背bei景jing並bing賦fu予yu零ling值zhi。為wei了le提ti取qu緊jin密mi相xiang連lian且qie無wu法fa通tong過guo簡jian單dan閾yu值zhi分fen割ge的de花hua生sheng區qu域yu，采cai用yong了le標biao記ji控kong製zhi的de水shui洗xi算suan法fa生sheng成cheng掩yan模mo圖tu像xiang。隨sui後hou，利li用yong該gai掩yan模mo圖tu像xiang有you效xiao去qu除chu背bei景jing信xin息xi。在zai此ci基ji礎chu上shang，進jin一yi步bu進jin行xing了le預yu處chu理li操cao作zuo，包bao括kuo圖tu像xiang裁cai剪jian以yi及ji低di信xin噪zao比bi波bo段duan的de移yi除chu。最zui終zhong，篩shai選xuan出chu波bo長chang範fan圍wei為wei1000-2486nm的 265個波段用於分析
zaituxiangkongjianfengeshang，caiyonglequyushengchangsuanfa，qibenzhishijiangjuyouxiangsishuxingdexiangsuzuhezaiyiqi。duiyumeigequyu，zhidingyigezhongzidianzuoweishengchangdeqidian；然(ran)後(hou)，比(bi)較(jiao)周(zhou)圍(wei)的(de)像(xiang)素(su)點(dian)以(yi)確(que)定(ding)它(ta)們(men)是(shi)否(fou)包(bao)含(han)在(zai)區(qu)域(yu)內(nei)。在(zai)本(ben)研(yan)究(jiu)中(zhong)，應(ying)用(yong)了(le)四(si)鄰(lin)域(yu)區(qu)域(yu)生(sheng)長(chang)算(suan)法(fa)到(dao)掩(yan)模(mo)圖(tu)像(xiang)上(shang)，以(yi)連(lian)接(jie)同(tong)一(yi)核(he)區(qu)域(yu)內(nei)的(de)像(xiang)素(su)，並(bing)為(wei)它(ta)們(men)分(fen)配(pei)一(yi)個(ge)序(xu)列(lie)號(hao)。然(ran)後(hou)，每(mei)個(ge)花(hua)生(sheng)仁(ren)都(dou)可(ke)以(yi)通(tong)過(guo)序(xu)列(lie)號(hao)輕(qing)鬆(song)追(zhui)蹤(zong)，這(zhe)有(you)利(li)於(yu)實(shi)現(xian)花(hua)生(sheng)分(fen)選(xuan)的(de)工(gong)業(ye)自(zi)動(dong)化(hua)。
對於健康的花生樣本，我們從每種花生的訓練圖像中隨機選取了100個像素。對於發黴的花生，首先從訓練圖像中手動選擇發黴的像素作為感興趣區域（ROI）；然後，從每種花生的ROI中隨機選取50個像素。因此，共計獲得了600個花生像素樣本，其中包括300個健康花生像素和300個不同程度真*感染的發黴花生像素。所選取的花生像素樣本如圖2所示。
圖2.選定花生像素樣本的分布情況
（4）方法
特征波長提取：
連續小波變換（CWT）是一種強大的方法，用於在不同尺度和分辨率下檢測和分析高光譜數據中的微弱信號。本質上，CWT是(shi)一(yi)種(zhong)線(xian)性(xing)操(cao)作(zuo)，通(tong)過(guo)使(shi)用(yong)母(mu)小(xiao)波(bo)函(han)數(shu)在(zai)不(bu)同(tong)的(de)波(bo)長(chang)和(he)尺(chi)度(du)上(shang)，可(ke)以(yi)將(jiang)高(gao)光(guang)譜(pu)反(fan)射(she)光(guang)譜(pu)轉(zhuan)換(huan)為(wei)一(yi)係(xi)列(lie)係(xi)數(shu)。在(zai)本(ben)研(yan)究(jiu)中(zhong)，由(you)於(yu)吸(xi)收(shou)特(te)征(zheng)的(de)形(xing)狀(zhuang)類(lei)似(si)於(yu)準(zhun)高(gao)斯(si)函(han)數(shu)，因(yin)此(ci)選(xuan)擇(ze)了(le)墨(mo)西(xi)哥(ge)帽(mao)作(zuo)為(wei)母(mu)小(xiao)波(bo)基(ji)。為(wei)了(le)減(jian)輕(qing)計(ji)算(suan)負(fu)擔(dan)，僅(jin)保(bao)留(liu)了(le)二(er)進(jin)製(zhi)尺(chi)度(du)（21, 22, 23, …, 和 27）上的小波功率；因為總波段數為267，所以大於27 = 128的尺度上的分解分量不再攜帶有意義的光譜信息。
傑弗裏斯-馬圖西塔（J-M）距離是一種靈活直觀的特征可分性指數，用於衡量兩個不同類別之間的特征，並廣泛用於指導特征選擇。傑弗裏斯-馬圖西塔距離（J-M距離）的範圍是0到2，它提供了兩個類別之間可分性的一般度量。J-M距離越大，意味著兩個類別之間分離的概率越高，反之亦然。在本研究中，J-M距離被用來評估不同尺度和波長下的小波係數，以進行小波特征（WF）的選擇。
為了識別發黴花生仁，需要一種特征選擇方法來識別最重要的特征，因為許多WFs由於連續分解是冗餘的，因此要選擇有意義的小波特征。首先，使用Mexican Hat作為母小波，通過CWT對每個花生仁的原始高光譜反射數據進行分解，分解尺度為21、22、23，……，27。這樣，原始光譜就被轉換成了在不同波長和尺度上的一組小波係數。其次，通過計算健康和發黴花生樣本之間的J-M距離，構建了J-M距離尺度圖。最後，根據J-M距離降序排列特征，並應用一個閾值J-M距離來劃分前1%的特征。由閾值劃分的特征在J-Mjulichidutushangxingchengleyigefensandetezhengquyu。lilunshang，suoyouzaitezhengquyuneidetezhengdoushibeixuanzedexiaobotezheng。raner，tamenxiedailerongyudeguangpuxinxi，yinweitongyiquyuneidetezhengshizailianxudebochangweizhihechidushangchanshengde。yinci，duiyumeigetezhengquyu，shiyongjuyou*大J-M距離的特征來代表該特征區域捕獲的光譜信息。
SPAshiyizhongqianxiangbianliangxuanzesuanfa，tongchangyongyujianshaomoxingzhongdebianliangshuliang，tigaojianmodesuduhexiaolv。tacongdanyibochangkaishi，ranhouzaimeicidiedaizhongjiaruyigexindebochang，zhidaodadaozhidingdebochangshuliang。xinxuanzedebianliangshizaizhiqianxuanzedebianliangzhengjiaozikongjianshangjuyou*大投影值的變量。因此，SPA提取的有用變量子集具有最小的共線性。*優的變量數量通過均方根誤差（RMSE）來確定。在我們的研究中，SPA被用來選擇*優的波段以與WFs進行比較。
分類模型：
我們將健康花生標記為1，發黴花生標記為2。為了評估WFs以及SPA選擇的*優波段的性能，我們使用了兩種分類模型：偏最小二乘判別分析（PLS-DA）和支持向量機（SVM）。通過計算健康花生和發黴花生的整體分類準確率來評估WFs的性能。在PLSR中，由於預測響應很少直接產生等於1和2的二元結果，而是接近1或2的結果，因此使用了1.5作為分類的閾值。此外，PLS-DA模型中理想的潛在變量數量是通過五折交叉驗證下RMSE的值來確定的。在SVM中，徑向基函數（RBF）核被用作SVM分類框架的核。在評估方法中，通過計算靈敏度、特異性和總體準確性（OA）來評估分類模型的性能。
為了更清晰地說明圖像處理步驟，圖3展示了一個流程圖。虛線框中的部分專門針對訓練數據，用於確定*佳波段和特征權重。驗證圖像則跳過此部分，直接使用與訓練圖像相同的*佳波段和特征權重。
圖3.圖像處理流程圖
１.2.結果與討論
（1）花生的光譜反射率
圖4展zhan示shi了le健jian康kang和he黴mei變bian花hua生sheng的de反fan射she光guang譜pu，這zhe些xie光guang譜pu是shi通tong過guo計ji算suan不bu同tong類lei別bie樣yang本ben光guang譜pu的de平ping均jun值zhi得de出chu的de。在zai健jian康kang花hua生sheng的de反fan射she光guang譜pu中zhong可ke以yi看kan到dao六liu個ge顯xian著zhu的de吸xi收shou峰feng，分fen別bie位wei於yu大da約yue1208納米、1472納米、1747納米、1938納米、2145納米和2329納米（用黑點標記），主要可以歸因於與花生中的水分、蛋白質和油脂成分相關的CH、NH和OH的吸收。在1000-1500納米的波長範圍內，健康和黴變花生的光譜曲線形狀明顯不同。當花生*生黴變時，1118納米處的反射率降低，導致吸收峰減弱。在1365-2486納米的波長區域，黴變花生的反射值高於健康花生，這可能歸因於真*汙染引起的散射和吸收特性。真*deqinrukeyishihuashengrenpeirubiandeduokong，zhekenengdaozhimeibianhuashengbijiankanghuashengsanshegengduodeguangxian，zhezhongsanshehuidaozhizaifanshemoshixiaxishougengshaodejinhongwaifushe。
圖4.健康與黴變花生的光譜響應：黑點表示健康花生的吸收峰，垂直虛線表示由SPA選擇的*佳波長變量。
（2）用於識別黴變花生的波長特征（WFs）
在不同波長和尺度下，計算了每個樣本光譜的小波係數，圖 5 展示了健康與黴變花生樣本的平均光譜結果。隨後，通過計算不同類別小波係數之間的 J-M 距離，生成了一張指示WFs光譜敏感性和區分能力的尺度圖（圖 6）。在本研究中，頂部 1% 元素的閾值 J-M 值為 1.70，基於該閾值篩選出五個對黴變花生高度敏感的小波特征區域（圖 6 中的橙色區域）。如圖 6 所示，這些敏感特征區域主要集中在 1000–1500 納米的波長範圍內。該波長區域的光譜曲線形狀在健康與黴變花生之間表現出顯著差異（圖 4）。在每個特征區域中，選取 J-M 距離*大的點，最終選擇了五個用於區分黴變與健康花生的小波特征。它們的具體波長和尺度見表 1 。
1005納米、1045納米和1410納米的波段分別與花生中的纖維素、油脂和水分有關，這些是花生的主要組成部分。在其他波段中，1422納米和1518納米與1430納米和1510納米相似，與總真*感染有關。1430納米波段可以歸因於蔗糖/澱粉的O−H伸縮*一泛音，而1510納米對應於O−H變形羥基和C−O伸縮的第三泛音，這可以歸因於角質層和β-葡聚糖。
圖5.不同尺度下健康與黴變花生平均光譜的小波係數
圖6.用於提取WFs的連續小波分析的J-M距離尺度圖
（3）通過SPA進行*佳波段選擇
每個類別的樣本按照2:1的比例被隨機分為校準和驗證數據，並根據RMSE選擇*佳波段的數量。校準和驗證數據的隨機分割導致了在不同實現中選擇的波長有所變化；因此，為了選擇*佳波段，樣本分割和SPA程序被重複執行。在進行了五次樣本分割和SPA程序後，比較了產生的五組波長，並選擇了至少有3組共同認同的波長。最終，確定了七個波長（1005納米、1208納米、1450納米、1927納米、2078納米、2190納米和2251納米）作為識別黴變花生的*佳波段，如圖4所示。我們可以看到，在*佳波段和WFs之間隻有一個共同的波段（1005納米）。這主要是由於兩種方法的選擇標準不同，CWT主要捕捉光譜形狀的差異，而SPA主要選擇具有最小共線性的波段。在其他波段中，1208納米對應於澱粉分子吸收相關的C−H*一泛音和第二泛音以及C−H組合；1450納米波段可以歸因於花生中的蛋白質含量；1927納米波段，與1930納米相似，可能歸因於澱粉的O−H伸縮/HOH變形組合；2078納米波段，與2090納米相似，與總真*感染有關。其他波段，2190納米和2251納米，更接近2200納米和2270納米，可能分別歸因於−CHO的C–H伸縮/C=O伸縮組合和纖維素的O−H伸縮/C−O伸縮組合。
（4）WFs性能評估
使用五個WFs和七個*佳波段作為輸入變量，結合PLS-DA和SVM建立了分類模型。對於WFs和*佳波段，PLS-DA的理想LVs數量分別為3和6。對於SVM參數（C，σ），采用了基於網格的方法和五折交叉驗證進行優化，WFs和*佳波段的*優SVM模型對應的（C，σ）分別為（1，0.5）和（100，0.5）。然後，對花生仁中的每個像素進行了分類，使用SVM對HY（健康與黴變）的分類結果可見於圖7。
圖7.使用SVM對訓練數據集進行逐像素分類的結果，其中(a)使用*佳波段，(b)使用WFs；對測試數據集進行逐像素分類的結果，其中(c)使用*佳波段，(d)使用WFs
在逐像素分類後，使用受真*汙染的像素數量與總花生像素數量的比率來確定花生仁是否受到汙染。比率低於0.05、0.1和0.15的閾值分別被認為是健康花生。圖8顯示了β=0.15和SVM時HY的核尺度分類結果，定量結果如表2所示。從圖8中我們可以看到，對於訓練數據，無論使用WFs還是*佳波段，兩種分類器和閾值都能正確識別健康和黴變花生。相比之下，對於測試數據，如表2所示，WFs在使用兩種分類器的三個閾值上的整體準確度上都優於*佳波段。此外，使用WFs的靈敏度和特異性高於或等於使用*佳波段，表明WFs在健康和黴變花生分類中的性能更佳。CWT能夠在不同尺度上分離吸收特征，將狹窄和寬的吸收特征分別分離到低尺度和高尺度。這種特性的好處是可以實現對WFs的全*調查，從而能夠選擇*佳的光譜特征。
圖8.使用SVM對訓練數據集進行核尺度分類的結果，其中(a)使用*佳波段，(b)使用WFs；對測試數據集進行核尺度分類的結果，其中(c)使用*佳波段，(d)使用WFs。白色圓圈表示被誤分類的花生仁
在(zai)此(ci)，我(wo)們(men)使(shi)用(yong)了(le)一(yi)個(ge)閾(yu)值(zhi)來(lai)確(que)定(ding)花(hua)生(sheng)仁(ren)是(shi)否(fou)黴(mei)變(bian)。理(li)論(lun)上(shang)，較(jiao)小(xiao)的(de)閾(yu)值(zhi)更(geng)好(hao)，因(yin)為(wei)它(ta)可(ke)以(yi)避(bi)免(mian)將(jiang)黴(mei)變(bian)的(de)花(hua)生(sheng)誤(wu)判(pan)為(wei)健(jian)康(kang)的(de)花(hua)生(sheng)。相(xiang)反(fan)，較(jiao)小(xiao)的(de)閾(yu)值(zhi)可(ke)能(neng)會(hui)增(zeng)加(jia)將(jiang)健(jian)康(kang)花(hua)生(sheng)仁(ren)誤(wu)判(pan)為(wei)黴(mei)變(bian)的(de)風(feng)險(xian)，這(zhe)可(ke)能(neng)會(hui)導(dao)致(zhi)因(yin)錯(cuo)誤(wu)丟(diu)棄(qi)而(er)造(zao)成(cheng)的(de)經(jing)濟(ji)損(sun)失(shi)。因(yin)此(ci)，確(que)定(ding)閾(yu)值(zhi)至(zhi)關(guan)重(zhong)要(yao)。考(kao)慮(lv)到(dao)使(shi)用(yong)0.05、0.1和0.15的不同分類器的整體分類結果，本文推薦使用0.1作為折中的閾值。但是，未來應該探索一種可靠的閾值確定方法。此外，盡管本研究表明，通過結合CWT和he高gao光guang譜pu成cheng像xiang技ji術shu，有you可ke能neng以yi相xiang對dui較jiao高gao的de準zhun確que度du識shi別bie黴mei變bian花hua生sheng，但dan本ben研yan究jiu得de到dao的de特te征zheng和he模mo型xing可ke能neng仍reng不bu適shi合he實shi際ji應ying用yong於yu多duo樣yang化hua的de花hua生sheng。不bu過guo，本ben研yan究jiu中zhong描miao述shu的de特te征zheng提ti取qu和he建jian模mo方fang法fa可ke以yi作zuo為wei開kai發fa核he心xin算suan法fa的de參can考kao。
結論
健康和黴變的花生在對短波紅外光的光譜響應上表現出顯著差異。在本研究中， CWT被應用於高光譜分類框架中，以提取特征來識別黴變花生。確定了五個WFs用於將花生分類為健康或黴變。本文展示的結果表明，WFs結合PLS-DA或SVM有希望識別出花生仁上的黴變——測試數據的準確度至少為96.19%。這比使用由SPA獲得的*佳(jia)波(bo)段(duan)進(jin)行(xing)分(fen)類(lei)的(de)性(xing)能(neng)更(geng)好(hao)。未(wei)來(lai)的(de)研(yan)究(jiu)應(ying)包(bao)括(kuo)更(geng)多(duo)樣(yang)化(hua)和(he)不(bu)同(tong)種(zhong)類(lei)的(de)花(hua)生(sheng)樣(yang)本(ben)，建(jian)立(li)黴(mei)變(bian)嚴(yan)重(zhong)程(cheng)度(du)評(ping)估(gu)方(fang)法(fa)，對(dui)不(bu)同(tong)黴(mei)菌(jun)的(de)黴(mei)變(bian)花(hua)生(sheng)進(jin)行(xing)分(fen)類(lei)，並(bing)建(jian)立(li)更(geng)可(ke)靠(kao)的(de)閾(yu)值(zhi)確(que)定(ding)方(fang)法(fa)。這(zhe)些(xie)改(gai)進(jin)可(ke)以(yi)增(zeng)強(qiang)所(suo)選(xuan)WFs的魯棒性。
推薦產品
作者簡介（人名+單位+博導/碩導）
通訊作者：蔣金豹，中國礦業大學，博士生導師
參考文獻
論文引用自二區文章：Xiaotong Qi, Jinbao Jiang, Ximin Cui, Deshuai Yuan (2019). Moldy Peanut Kernel Identification Using Wavelet Spectral Features Extracted from Hyperspectral Images. Food Analytical Methods. https://doi.org/10.1007/s12161-019-01670-w
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