高光譜反射、透射和反透射成像模式的皮棉雜質檢測方法研究

劉巍 史勇 田海清 郭俊先 李雪蓮 黃華 石砦

摘 要：建立了3種高光譜反射、透射和反透射模式成像系統用于分析皮棉雜質，對比不同成像模式下皮棉和雜質區域的光譜類型識別率。反射、透射和反透射的高光譜圖像均采用固定閾值分割和形態學膨脹填充方法，確定皮棉和雜質的區域，提取該區域的平均光譜。光譜經預處理，然后進行主成分分析，利用支持向量機模型識別方法建立皮棉和雜質區域光譜類型識別模型，驗證不同預處理方法對識別效果影響;同時，預處理后的光譜進行波長篩選，篩選后的波長建立判別分析模型。結果表明，反射、透射和反透射成像模式下皮棉和雜質區域光譜識別率分別為90.63%、95.78%和88.47%，其中，透射成像模式光譜類型識別率最高。

關鍵詞：高光譜圖像;棉花;識別;光譜;波長篩選

中圖分類號：S526

文獻標志碼：A

文章編號：1009-265X（2019）05-0044-06

Abstract：3 imaging systems including hyperspectral reflection， transmission and reflection-transmission modes were established to analyze ginned cotton impurities and compare spectrum type recognition rate of ginned cotton and impurity area under different imaging modes. For the hyperspectral images of reflection， transmission and reflection-transmission， fixed threshold segmentation and morphological expansion filling method were used to confirm the region of ginned cotton and impurities， and extract the average spectrum of the region. The spectra were pre-treated， and principal component analysis was conducted for the pre-treated spectra. The support vector machine model recognition method was utilized to establish spectrum type recognition model of ginned cotton and impurity region， and verify the influence of different pretreatment methods on the recognition effect. Meanwhile， wave length screening was performed on pre-treated spectra， and the discrimination analysis model was established for the screened wave length. The results showed that the spectrum recognition rates of ginned cotton and impurity region under reflection， transmission and reflection-transmission imaging modes were 90.63%， 95.78% and 88.47% respectively， of which the transmission imaging pattern had the highest recognition rate.

Key words：hyperspectral imaging; cotton; recognition; spectrum; wavelength screening

棉花是世界上最主要的農作物之一，是重要的經濟作物，也是紡織行業的主要原料[1]。棉花雜質對棉花的質量和價格有著直接影響，對于提高棉花價格和加工質量非常關鍵[2]。馮顯英等[3]開展了機器視覺的異性纖維檢測。Pai等[4]基于模糊邏輯方法分析微斷層X光原棉圖像。Bhmer等[5]建立線掃描CCD照相機檢測棉花中聚丙烯和聚乙烯雜質。Hogan[6]應用熒光光譜進行棉花雜質分類。郟東耀等[7]利用多波段光譜信息融合成像檢測技術，對棉花中異性纖維雜質能夠有效識別。郭俊先等[8]采用近紅外光譜對皮棉雜質含量預測和分類。Zhao等[9]采用數字圖像處理技術對原棉進行雜質和缺陷檢測。采用以上這些技術只能夠有效檢測棉花中顏色較淺、面積較大以及含有熒光物質的雜質，對于表面面積較小、顏色較淺、透明、白色以及棉花內部的雜質不能有效檢測[10]。

高光譜技術是遙感技術中一部分，后被應用于農業和生態環境等方面的檢測[11]。高光譜具有高分辨率、波段信息豐富、波長覆蓋范圍寬等優點，能夠有效應用于農畜產品品質檢測。高光譜成像模式多種，其中高光譜反射成像模式的設備結構簡單其應用最為廣泛[12]，另外，透射和反透射模式也開始得到廣泛應用[13]。由于高光譜反透射模式設備結構較為復雜，和其他模式相比應用較少，但是反透射能夠攜帶待測樣本更多的內部信息[14]。郭俊先等[15]采集梳棉內部多種雜質高光譜圖像，確定雜質檢測過程中的關鍵波長。張航等[16]對混入棉花中地膜應用高光譜技術進行檢測。魏新華等[17]采用高光譜技術和最小噪聲分離分析方法對籽棉表層多類難撿異性纖維的圖像進行研究，結果表明識別率達到91%。高光譜技術可以有效針對棉花表面和內部的雜質進行檢測。

針對棉花中難檢雜質，本研究構建高光譜反射、透射和反透射（反射和透射交互作用）成像系統對皮棉中存在的雜質進行檢測、識別和分析。對反射、透射和反透射成像模式下皮棉和雜質區域的光譜數據進行提取并預處理，通過支持向量機方法選擇最佳的預處理，基于相關系數法對預處理后的光譜數據進行特征波長篩選，然后利用判別分析識別該區域是雜質或棉花，并比較反射、透射和反透射成像模式下雜質識別效果。

1 材料與方法

1.1 試驗材料

1.1.1 皮棉的梳棉處理

皮棉采自新疆自治區沙灣縣商戶地鄉蘑菇湖村和石河子市143團棉花廠。利用棉花開松機（新疆農業大學機電工程學院農業工程重點實驗室）對皮棉充分開松，開松棉網制成210 mm×297 mm、厚度為6～8 mm的樣本，開松前剔除棉網中的異性纖維，只保留普通植物性雜質。高光譜圖像采集時，一部分樣本不放置異性纖維，一部分樣本將異性纖維切斷成不同大小和長度隨機撒落在梳棉表面和內部。

1.1.2 雜質樣本制備

棉花雜質共分為普通雜質（NCT，natural cotton trash）包括葉子、莖桿、鈴殼、棉籽殼等，異性纖維包括淺灰色（GPP，gray PP fibers）、白色（WPP，white PP fibers）和透明丙綸絲（TPP，transparent PP fibers），黑色人發（BHH，black human hair），黑色（BPH，black pig hair）和白色豬毛（WPH，white pig hair）及透明聚乙烯地膜碎片（TPM，transparent PE mulching film）。將普通雜質和一些異性纖維按照細分類隨機放置在梳棉樣本表面。制備高光譜反射、透射和反透射的采集樣本各65個，其中高光譜反射圖像分割后獲得子圖像113個、透射獲得子圖像207個、反透射獲得子圖像121個。隨機3∶1劃分為校正集和驗證集。

1.1.3 高光譜像反射、透射和反透射成像系統

搭建的高光譜反射、透射和反透射成像系統見圖1。該系統采用內蒙古農業大學機電工程學院的高光譜成像系統，該系統包括Specim公司的Hyper-Spectral Camera光譜相機，光譜相機imspector成像光譜儀modelV1OE、配套相機（Imperx：IGV-B1620，分辨率1 600×1 200）、鏡頭（Specim： OLE23，焦距：23 mm，C接口鏡頭）、電動位移平臺、鹵素燈光源、數據獲取平臺、計算機和暗箱。

1.2 高光譜圖像采集和采集參數設置

高光譜圖像采集時將樣本放置于位移平臺玻璃載體上，調節載物臺移動速度和成像系統曝光時間等參數，數據采集之前預熱相機，摘下鏡頭預熱30 min以上，增強光源強度穩定性和減少溫度對實驗影響，從而獲得高質量的高光譜圖像。高光譜反射、透射和反透射成像模式參數設置如表1所示。

1.3 數據處理

1.3.1 數據處理軟件

高光譜圖像和光譜數據處理采用ENVI51（The Environment for Visualizing Images）、Matlab2014a（Version 8.3.0， the Math-Works， Natick， MA）軟件。

1.3.2 光譜提取

由于原始高光譜圖像數據冗余，采用ENVI51軟件裁剪原始高光譜圖像，減少冗余的數據容量，剔除多余的背景信息。裁剪后反射、反透射的光譜范圍和波段數分別為935.51～2 539.17 nm和256，透射的光譜范圍和波段數分別為382.24～2 539.17 nm和428。對提取的棉花波段圖像進行閾值分割、噪點剔除和區域填充，對比幾種典型閾值分割和填充方法，初步確定固定選擇閾值分割和形態學膨脹填充方法，得到雜質的實際區域二值圖像。根據雜質和棉花的實際區域二值圖像，基于已存儲的波段信息提取棉花和雜質的光譜信息。如圖2所示為采集得到的皮棉樣本高光譜3D立方體示意圖，圖2中橫縱坐標x和y表示圖像像素信息，λ表示波長信息。高光譜圖像既可以對皮棉樣本表面雜質進行光譜分析，又可以對空間一部分感興趣區域進行光譜分析，實現皮棉雜質的空間可視化檢測。

1.3.3 光譜預處理

因為高光譜圖像采集和光譜信息提取過程中受系統噪聲、背景信息等原因的影響，提取的光譜數據含有大量的無關信息和噪聲，通過預處理減少光譜曲線中存在的部分噪聲干擾[18]。對獲得的反射、透射和反透射光譜分別進行標準正態變量交化SNV、多元散射校正MSC、移動窗口平滑、歸一化預處理光譜數據。

高光譜圖像獲取的光譜數據量巨大和共性問題，導致計算困難和信息冗余大，因此對提取的光譜數據進行降維非常必要[19]。高光譜圖像中降低冗余度最常用的方法是主成分分析[20]，對預處理后的光譜數據進行主成分分析，用于建立不同預處理的識別模型。

支持向量機主要目的是找到將兩類樣本進行正確分類并且使得具有最大分類間隔的最優超平面，是一種基于統計學習理論的識別方法[21]。光譜經光譜預處理和主成分分析后，利用支持向量機模式識別的方法對棉花光譜提取的不同主成分模型建立雜質識別模型，確定3種采集模式下提取的光譜最佳的預處理方法。

1.3.4 特征光譜波長篩選

高光譜圖像的數據因為巨大和共性問題，所以必須對數據進行降維，找到包含大部分信息的特征波長[22]。篩選特征波長可以簡化校正模型、減少建模時間，增強模型的預測能力和穩健性[23]。相關系數法是將棉花樣本光譜陣中每一條波長吸光度向量x與分類識別模型參數y進行相關性計算，得到波長-相關系數R圖。其中R絕對值越大對應的波長所含信息越多。因此，可給定閾值，選取相關系數絕對會大于此閾值的波長參與模型建立。相關系數R計算如式（2）：

R=∑ni=1（xi-）（yi-）∑ni=1（xi-）2∑ni=1（yi-）2（2）式中：=（∑ni=1xi）/n，=（∑ni=1yi）/n，n為校正集的樣品數。

2 結果與分析

2.1 光譜預處理

為了驗證不同預處理方法，對棉花雜質識別效果的影響，分別建立不同預處理方法的識別模型。棉花雜質識別模型建立中，需要對提取的特征信息進行歸一化處理，經過不同預處理方法和主成分選擇，建立良好的雜質識別模型，提取不同主成分作為模型輸入特征，利用支持向量機模式識別方法建立棉花雜質的識別模型，通過對識別率高低判斷，用于對棉花雜質識別效果優劣進行評價。如圖3為皮棉樣本的雜質原始反射平均光譜及光譜各種預處理后的結果。從圖3（a）可以看出，原始光譜不光滑，存在噪音;由圖3（b）可知，移動窗口去噪后光譜曲線整體平滑。由圖3（c）可知，歸一化后可以有效消除冗余信息變量，放大光譜特征信息。由圖3（d）可知，抑制了基線的漂移，提高了光譜信噪比。由圖3（e）可知，提高了原始光譜的集中性。

對梳棉樣本提取的棉花和雜質的光譜進行預處理后，并經過主成分分析，隨著主成分數不斷增加，累計貢獻率也不斷增加。當主成分數為9時，高光譜反射、透射和反透射模式下提取的棉花和雜質的光譜數據經主成分分析后的累計貢獻率均達到95%以上。說明這9個主成分因子已經能很好的反應光譜的總體信息。因此，可以由這9個主成分因子建立模型。如表2所示為不同光譜預處理方法對應的主成分累計貢獻率。

支持向量機建立識別模型優先解決的問題是核函數的選擇，用徑向基作為支持向量機的核函數。如表3所示為光譜經預處理后，反射、透射和反透射光譜的雜質識別率。反射、透射和反透射光譜經幾種不同光譜預處理后，借助主成分分析，通過支持向量機得到不同主成分因子數對應的雜質識別率。對比確定皮棉樣本反射、透射和反透射光譜經多元散射校正預處理后，雜質識別率最好，對應雜質識別率分別為89.57%、95.32%和88.34%。

2.2 特征波長的預測模型

皮棉樣本光譜預處理后，利用相關系數法對預處理后的光譜進行波長篩選，表4為相關系數法篩 選的雜質特征波長，利用相關系數波長篩方法選篩選出的波長用于建立反射、透射和反透射成像模式下皮棉樣本光譜的判別分析識別模型，選擇皮棉樣本中雜質識別率最高的成像模式作為最終結果。表5為反射、透射和反透射成像采集模式下的棉花樣本光譜雜質判別分析結果。

由表5可知高光譜反射、透射和反透射模式下的棉花和雜質光譜數據經光譜預處理和波長篩選后，建立判別分析模型，其中，透射成像模式下提取的光譜數據雜質識別率達到最高，透射光譜相比其他兩種光譜包含更多的棉花雜質信息，這可能是因為部分雜質分布在皮棉樣本內層原因，透射光譜可以較好地反應皮棉樣本內層特征。由于反射光譜不能夠有效反應皮棉內部信息，導致反射光譜雜質識別率不如透射光譜。反透射光譜可能受到反射光的干擾，導致攜帶的內部信息不如透射光譜。

3 結 語

構建了高光譜反射、透射和反透射成像分析系統，提取高光譜反射、透射和反透射模式下皮棉樣本中雜質和棉花區域的光譜數據，對光譜數據進行預處理，借助主成分分析，建立支持向量機模式識別區域的棉花或雜質屬性，確定反射、透射和反透射成像模式下提取的光譜數據對應最佳預處理方法。對反射、透射和反透射光譜預處理后，采用相關系數法篩選波長，篩選出3種成像模式下各7個特征波長。利用篩選的波長建立區域光譜的判別分析類型，結果顯示反射、透射和反透射成像模式雜質區域識別率分別為90.63%、95.78%和88.47%，透射成像模式雜質區域的識別率最高。

參考文獻：

[1] 郭俊先.基于高光譜成像技術的棉花雜質檢測方法的研究[D].杭州：浙江大學，2011.

[2] 郭俊先，李雪蓮，黃華，等.基于可見短波近紅外高光譜圖像的梳棉雜質關鍵波長的優選[J].新疆農業科學，2016，53（2）：352-358.

[3] 馮顯英，任長志，黃燕云.基于機器視覺的異性纖維檢測系統[J].山東大學學報（工學版），2006，36（4）：5-08.

[4] PAI A， SARIS H， HEQUET E F. Recognition of cotton contaminants via X-ray microtomographic image analysis[C]// Industry applications Conference， 2002. Ias Meeting. Conference Record of the. IEEE Xplore， 2002，1：312-319.

[5] BHMER S， BUDZIER H， KRAUSE V， et al. Two channels NIR camera system to detect foreign matter in raw cotton[C]//Proceedings of 8th Quantitative InfraRed Thermography（QIRT）， Padova， Italy， 2007：53-59.

[6] HOGAN H. Spectroscopy focus： tracking cotton trash via fluorescence[J]. Photonics Spectra， 2007，41（8）：98-99.

[7] 郟東耀，丁天懷.棉花中異性纖維的多光譜檢測[J].清華大學學報（自然科學版），2005，45（2）：193-196.

[8] 郭俊先，饒秀勤，成芳，等.近紅外光譜用于皮棉雜質含量預測和分類的研究[J].光譜學與光譜分析，2010，30（3）：649-653.

[9] ZHAO X N， DENG Z M. Research and application of defects and impurities detection method of raw cotton[J]. Progress in Textile Science & Technology，2013，59（6）：26-28.

[10] 郭俊先，應義斌，成芳，等.皮棉表面多類異性纖維的高光譜圖像檢測[J].農業工程學報，2010，26（10）：355-360.

[11] 滕安國，高峰，夏新成，等.高光譜技術在農業中的應用研究進展[J].江蘇農業科學，2009，2009（3）：8-11.

[12] YANG Y C， SUN D W， PU H， et al. Rapid detection of anthocyanin content in lychee pericarp during storage using hyperspectral imaging coupled with model fusion[J]. Postharvest Biology & Technology， 2015，103：55-65.

[13] 胡孟晗，董慶利，劉寶林.基于高光譜反射、透射和交互作用成像模式的藍莓硬度和彈性模量預測的比較[J].光譜學與光譜分析，2016，36（11）：3651-3656.

[14] OFARRELL M， WOLD J， HY M， et al. On-line fat content classification of inhomogeneous pork trimmings using multispectral near infrared interactance imaging[J]. Journal of Near Infrared Spectroscopy， 2014，18（2）：868-76.

[15] 郭俊先，應義斌，李俊偉，等.梳棉內部雜質高光譜圖像檢測中波長選擇的初探[C]//2012中國農業機械學會國際學術年會.2012.

[16] 張航，喬曦，李振波，等.皮棉中地膜的高光譜圖像分割方法[J].農業工程學報，2016，32（13）：161-167.

[17] 魏新華，吳姝，徐來齊，等.基于最小噪聲分離的籽棉異性纖維高光譜圖像識別（英文）[J].農業工程學報，2014，30（9）：243-248.

[18] 庫靜.不同高光譜成像方式的馬鈴薯內外部品質檢測方法研究[D].武漢：華中農業大學，2016.

[19] WOLD J P， JAKOBSEN T， KRANE L. Atlantic salmon average fat content estimated by near-infrared transmittance spectroscopy[J].Journal of Food Science， 1996，61（1）：74-77.

[20] MANOLAKIS D G. Dimensionality reduction of hyperspectral imaging data using local principal components transforms[J]. Proceedings of SPIE-The International Society for Optical Engineering， 2004，5425：393-401.

[21] 譚琨，杜培軍.基于支持向量機的高光譜遙感圖像分類[J].紅外與毫米波學報，2008，27（2）：123-128.

[22] 張航，喬曦，李振波，李道亮.皮棉中地膜的高光譜圖像分割方法[J].農業工程學報，2016，32（13）：161-167.

[23] 褚小立，袁洪福，陸婉珍.近紅外分析中光譜預處理及波長選擇方法進展與應用[J].化學進展，2004（4）：528-542.