高光譜成像技術在小麥不完善粒檢測中的應用研究進展

張巖

摘 要：本文主要介紹了高光譜成像技術及其在小麥不完善粒檢測中的應用，指出了現(xiàn)階段在不完善粒檢測中存在的主要問題，并對今后的研究方向進行了展望，以期推動高光譜成像技術在不完善粒檢測中的應用發(fā)展。

關鍵詞：高光譜成像；小麥；不完善粒

小麥不完善粒實質(zhì)是籽粒受到機械損傷或者微生物侵害后胚或胚乳受到損傷，使籽粒品質(zhì)下降，是小麥品質(zhì)評價的重要因素，而在小麥流通過程中，它是增扣量的依據(jù)，因此，不完善粒檢測技術對準確評價小麥質(zhì)量有重要意義。目前不完善粒檢測主要靠人工分揀，存在主觀性強、檢測時間長、勞動強度大、長時間操作造成的視疲勞影響檢測的準確度、重復性差、不同檢驗員之間結果差異大等缺點，已不能滿足大規(guī)模麥粒快速、準確檢測的需求，小麥不完善粒的自動智能化識別已經(jīng)成為必然趨勢。

近年來國內(nèi)外專家提出了許多小麥不完善粒自動識別方法，如基于聲學原理的檢測方法[1]、基于圖像特征的機器視覺技術[2]、近紅外光譜[3]等檢測方法。這些方法各有利弊，聲學原理的方法是由于麥克風采集超聲信號，具有噪聲傳播、易受環(huán)境音和噪音干擾的缺點。傳統(tǒng)的機器視覺只能對外部特征進行檢測，不能對內(nèi)部蟲害及外部差別比較小的樣品進行識別，對蟲蝕粒小麥的檢測精度比較低。近紅外光譜通過樣品內(nèi)部含氫基團振動的倍頻和合頻吸收，可以獲取樣品內(nèi)部信息，但近紅外光譜分析容易受樣品均勻性和環(huán)境影響，對小麥粒這種非均勻、小顆粒物質(zhì)的應用并不理想。因此高光譜成像技術因其圖譜合一的獨特優(yōu)勢得到了快速發(fā)展，該技術雖然還沒有實現(xiàn)大規(guī)模的工業(yè)應用，但為小麥不完善粒的快速、智能自動化識別提供了一種解決思路。

1 高光譜成像技術

高光譜成像技術是一種將計算機視覺和光譜學結合的多維度信息獲取技術，得到的數(shù)據(jù)是一個“三維數(shù)據(jù)塊”，具有較高的分辨率和圖譜合一的特性，既可以獲得樣品的物理性質(zhì)，又可以獲得樣品的化學組成。高光譜成像系統(tǒng)包括以下幾個部分：圖像單元、照明單元、電腦控制單元和樣品輸送單元。樣品輸送單元移動樣品到指定位置，實現(xiàn)動態(tài)掃描圖像，照明單元的漫反射光源將圖像分散，并投射在探測器陣列上，圖像單元采集圖像后，在電腦控制單元處理圖像數(shù)據(jù)和光譜數(shù)據(jù)，建立識別模型，并進行判定分析。

1.1 圖像采集和數(shù)據(jù)預處理

將小麥粒置于背景板上，設置儀器條件并進行圖像采集。圖像中的噪聲會影響特征提取，因此需對圖像進行預處理。圖像預處理主要通過調(diào)整圖像灰度、對比度、降噪等來提高圖像質(zhì)量，改變感興趣區(qū)域位置等，以達到圖像增強的目的。為了提取有效的光譜信息，預處理光譜的主要方法有平滑、求導、多元散射校正和遺傳算法、標準正態(tài)變量變換等[4]。

1.2 圖像特征提取

圖像經(jīng)預處理后，提取形態(tài)、紋理、顏色等特征參數(shù)來表征小麥不完善粒間的差異。各類型不完善粒在形態(tài)、紋理和顏色方面不同，使用對小麥籽粒識別貢獻較大的特征參數(shù)有利于減小數(shù)據(jù)量，縮短數(shù)據(jù)處理時間，因此一般在建立識別模型前，要對特征參數(shù)進行選擇或者優(yōu)化[5]。

1.3 光譜特征波段選擇

若直接用全波段數(shù)據(jù)進行建模，則數(shù)據(jù)量過大，建模效率低，與不完善粒無關的數(shù)據(jù)可能會影響模型的精確性，因此需要選擇光譜特征波段，保留主要信息，減小數(shù)據(jù)量，簡化模型，提高運算速度。選擇特征波長一般包括主成分分析法、遺傳算法、連續(xù)投影法和消除不需要變量等方法。基于特征波長建立的高光譜系統(tǒng)，可以簡化模型、提高運算速度，結構簡單，降低成本，可以實現(xiàn)在線實時檢測[6]。

1.4 建立模型識別分析

在圖像、光譜數(shù)據(jù)處理基礎上，建立基于光譜、圖像特征的預測模型，目前常用的方法包括支持向量機、人工神經(jīng)網(wǎng)絡、深度學習等，其中深度學習包括未經(jīng)監(jiān)督的預培訓網(wǎng)絡、卷積神經(jīng)網(wǎng)絡、遞歸神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡等。目前，采用人工神經(jīng)網(wǎng)絡和深度學習方法來提取特征建模得到了廣泛應用，人為提取圖像和光譜特征參數(shù)過程復雜，需通過實驗不斷擇優(yōu)，而且麥粒品種混合、不完善粒間存在交錯、圖像采集時光照不均等因素導致在實際應用中難以找到準確、穩(wěn)定的特征參數(shù)。人工神經(jīng)網(wǎng)絡和深度學習模型則不需要圖像預處理和特征提取等復雜操作，可直接輸入圖像數(shù)據(jù)，它具備自主特征學習、并且自我完善等優(yōu)點[7]。

2 在小麥不完善粒檢測中的應用

高光譜反射光成像技術在目前谷物外觀品質(zhì)檢測中最常用，獲取圖像的光譜范圍通常在可見近紅外波段（400～1 000 nm）和近紅外波段（1 000～1 700 nm）[8]。小麥實際流通中，只需識別出不完善粒，因此文獻中通常對正常粒與異常粒進行識別，提取和利用高光譜三維數(shù)據(jù)立方體中的光譜信息、圖像信息或者融合圖像特征和光譜特征進行建模分析，文獻研究多集中在生芽粒、蟲蝕粒和病斑粒。Singh C B等利用短波近紅外-高光譜成像技術結合彩色成像技術在700～1 000 nm波長范圍內(nèi)鑒別小麥蟲蝕粒和正常粒，從高光譜圖像中提取統(tǒng)計特征和直方圖特征，從彩色圖像中提取顏色、紋理和形態(tài)特征，用3個統(tǒng)計判別分類器進行識別，其中二次判別分析分類器識別正確率最高，對蟲蝕粒和正常粒的準確率達91.0%～100.0%和96.3%[9]。

通過選擇特定波段建立一個低成本成像系統(tǒng)，這對于后續(xù)工業(yè)應用是非常有吸引力的。Barbedo J G A等采用近紅外高光譜成像技術對小麥生芽粒和正常粒進行了判別，準確率達100%，并通過實驗選取最相關的兩個波段918 nm、1411 nm[10]進行檢測。選取特定波段，可以減少數(shù)據(jù)冗余，簡化模型，建立低成本的成像系統(tǒng)，降低后期工業(yè)應用的硬件系統(tǒng)成本。劉爽在可見光到近紅外（470～1 100 nm）波段采集正常粒和赤霉病粒小麥的高光譜圖像，通過主成分分析和連續(xù)投影法提取了8個特征波長：479.9、498.2、543.8、630.5、726.2、828.9、904.1 nm與920.1 nm，采用5種分類算法構建多種識別模型，最佳識別率在90%左右，實現(xiàn)了小麥赤霉病粒的快速識別[11]。不同品種小麥的特征波長可能有所不同，因此需要更多檢測數(shù)據(jù)來建立識別模型，以提高不完善粒的識別精度。

高光譜成像系統(tǒng)可以實現(xiàn)多種類不完善粒的高效率判別，結合圖像特征和光譜特征建立的識別模型對不完善粒的識別率更高，利用人工神經(jīng)網(wǎng)絡、機器學習與高光譜技術結合建立的識別模型，具有更高的識別效率。于重重等利用高光譜成像技術結合卷積神經(jīng)網(wǎng)絡檢測小麥蟲蝕粒、破損粒、黑胚粒，結果表明樣本分類識別正確率分別達到了100%、100%、98.98%，而且卷積神經(jīng)網(wǎng)絡分類模型優(yōu)于支持向量機分類模型[12]。劉歡等利用光譜特征與圖像特征結合的方法建立小麥不完善粒鑒別模型，結合10個特征波段的形態(tài)信息、紋理信息和光譜信息進行分析，實驗結果表明，鑒別的平均識別精度達到94.2%，識別效果與利用全波段光譜數(shù)據(jù)的識別效果基本相當，對小麥不完善粒檢測具有良好的效果，有效提高了運算速度，又保證了系統(tǒng)的鑒別精確度，為后期開發(fā)小麥不完善粒檢測高光譜快檢設備提供了研究方向[13]。

3 存在問題與發(fā)展方向

高光譜成像技術雖然已在許多領域廣泛應用，但在小麥不完善粒檢測上還停留在實驗室試驗階段，距離實際應用仍有許多問題需要克服，主要包括以下方面：①高光譜成像系統(tǒng)硬件花費高，動態(tài)實時檢測設備受燈變異、圖像捕捉位置、背景復雜等因素的影響，后期數(shù)據(jù)處理較為復雜，且缺少自動化智能設備；②高光譜成像技術檢測小麥不完善粒的數(shù)據(jù)較少，缺少數(shù)據(jù)庫，目前建立的模型并未完全覆蓋小麥不完善粒類型，不同品種的小麥的特征波長可能有所不同，需大量的研究數(shù)據(jù)來建立可靠的識別模型。

將高光譜成像技術成功應用于小麥不完善粒的現(xiàn)場快速檢測仍需做大量工作：首先，對各個波段進行分析，尋找最能突出小麥不完善粒識別特征的最佳波段，利用特征波長建立結構簡單的高光譜系統(tǒng)，降低成本；其次，建立多種類小麥不完善粒數(shù)據(jù)庫，并在實際應用中不斷更新，使模型泛化，適用范圍更廣；最后，人工神經(jīng)網(wǎng)絡、深度學習技術結合高光譜檢測技術，降低數(shù)據(jù)處理的復雜性，開發(fā)自動化智能設備，將其與農(nóng)業(yè)機械結合，簡化操作，實現(xiàn)小麥不完善粒實時、動態(tài)識別。

參考文獻

[1]魏琳，王愛民，楊紅衛(wèi).基于聲學原理的小麥蟲蝕粒檢測方法研究[J].農(nóng)機化研究，2013（6）：33-36.

[2]何小海，王周璞，吳小強，等.一種基于機器視覺的小麥不完善粒識別方法[P].中國：CN108875747A.2018-11-23.

[3]付玲.小麥質(zhì)量快速測定與評價技術的研究[D].鄭州：河南工業(yè)大學，2013.

[4]Pu Y Y， Feng Y Z， Sun D W. Recent progress of hyperspectral imaging on quality and safety inspection of fruits and vegetables： a review[J]. Comprehensive Reviews in Food Science and Food Safety， 2015，14（2）：176-188.

[5]張玉榮，陳賽賽，周顯青，等.基于圖像處理和神經(jīng)網(wǎng)絡的小麥不完善粒識別方法研究[J].糧油食品科技，2014，22（3）： 59-63.

[6]于宏威，王強，劉麗，等.糧油品質(zhì)安全高光譜成像檢測技術的研究進展[J].光譜學與光譜分析，2016，36（11）： 3643-3650.

[7]曹婷翠，何小海，董德良，等.基于CNN深度模型的小麥不完善粒識別[J].現(xiàn)代計算機：上下旬，2017（24）：9-14.

[8]Wu D， Sun D W. Advanced applications of Hyperspectral Imaging Technology for Food Quality and Safety Analysis and Assessment： A Review—Part II： Applications[J]. Innovative Food Science & Emerging Technologies， 2013（19）：15-28.

[9]Singh C B， Jayas D S， Paliwal J， et al. Identification of InsectDamaged wheat Kernels using Shortwave Near-infrared Hyperspectral and Digital Colour Imaging[J]. Computers and Electronics in Agriculture， 2010，73（2）：118-125.

[10]Barbedo J G A， Guarienti E M， Tibola C S. Detection of Sprout damage in Wheat Kernels using NIR Hyperspectral Imaging[J]. Biosystems engineering，2018（175）：124-132.

[11]劉爽.小麥赤霉病高光譜信息多循環(huán)提取及組合式識別研究[D].北京：中國科學院大學，2019.

[12]于重重，周蘭，王鑫，等.基于CNN神經(jīng)網(wǎng)絡的小麥不完善粒高光譜檢測[J].食品科學，2017（24）：46.

[13]劉歡，王雅倩，王曉明，等.基于近紅外高光譜成像技術的小麥不完善粒檢測方法研究[J].光譜學與光譜分析，2019，39（1）：223.