題目

基于高光譜成像技術的甘薯缺陷檢測與分析

應用關鍵詞

甘薯、高光譜技術、缺陷檢測、農業應用

背景

中國是世界上甘薯種植面積最大的國家。甘薯的凍傷、病害等缺陷會導致其逐漸氧化腐爛，感染其他健康紅薯，造成嚴重的經濟損失。紅薯質量分級是區分缺陷紅薯和健康紅薯，防止紅薯交叉侵染，提高紅薯產業利潤的有效手段。人工檢測是紅薯缺陷檢測的主要方法，但人工檢測耗時、費力且不準確。

高光譜成像作為一種新興的技術，可以同時獲取樣品的光譜信息和空間信息，已經成功取代了傳統的光譜分析和可見光圖像，成為一種快速的無損檢測和分類方法。利用高光譜成像技術識別水果損傷是可行的。然而，利用高光譜成像技術鑒定和分類缺陷紅薯的報道很少。

本研究以“龍薯9號”甘薯為研究對象，采用高光譜成像技術對缺陷甘薯進行鑒定，并采用偏最小二乘判別分析（PLS-DA）和線性判別分析（LDA）建立分類模型，為甘薯貯藏加工提供理論依據，有助于提高甘薯產業的經濟效益。

試驗設計

農業農村部南京農業機械化研究所胡志超研究員團隊利用江蘇雙利合譜公司的可見/近紅外高光譜成像系統Gaiafield-V10E，獲取了三種類型的紅薯樣本高光譜影像（圖1）。高光譜系統的波長范圍為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。高光譜系統采用推掃式成像技術，入射狹縫位于準直系統的前焦平面上。

將整個甘薯樣本作為感興趣區域（ROI），提取并計算每個ROI中所有像素的平均光譜。在對原始光譜進行標準正態變量（SNV）預處理后，采用基于聯合x-y距離（SPXY）算法的樣本集分割。本研究采用蒙特卡羅無信息變量消除法（MCUVE）、隨機蛙跳法（RF）和逐步投影法（SPA）進行波段選擇。采用偏最小二乘判別分析（PLS-DA）和線性判別分析（LDA）兩種分類器建立缺陷紅薯的分類模型。

圖1 三種類型的紅薯樣本：（A）健康紅薯，（B）凍傷紅薯，（C）患病紅薯

結論

SNV預處理后的光譜縱向聚集程度有所提高，有助于消除平移誤差（圖2）。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域。光譜吸收波段在980 nm左右，屬于水中O-H的二級吸收波段，由于甘薯含水量高，存在較大的吸收峰。健康甘薯與患病甘薯在600 - 1000 nm范圍內差異顯著。在650 - 850 nm范圍內，凍傷甘薯與健康甘薯差異明顯，凍傷甘薯與患病甘薯差異不大。

圖2 甘薯光譜曲線：（A）原始光譜，（B）SNV預處理后的光譜，（C）平均光譜

分別采用MCUVE、RF和SPA提取特征波段，用于后續構建分類模型。提取的特征波段分布如表1所示。MCUVE、RF和SPA分別提取了11、10和10個特征波段。

表1 通過MCUVE、RF和SPA方法選擇的特征波段

基于MCUVE、RF和SPA方法提取的特征波段建立了PLS-DA和LDA模型。使用MCUVE、RF和SPA方法的模型均獲得了滿意的結果（圖3）。RF-PLS-DA模型對健康、凍傷和病變樣本的分類準確率分別為97.14%、94.29%和87.14%，總體分類準確率為92.86%（圖4）。大多數誤判發生在患病的紅薯上，其被誤認為是凍傷的紅薯。

如圖5所示，MCUVE-LDA模型對三種甘薯樣品的分離不清楚，病害與凍傷樣品重疊嚴重。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，因為三種類型的甘薯樣本聚類顯著。為了進一步進行定量分析，生成LDA模型的混淆矩陣。如圖6所示，MCUVE-LDA模型將部分患病樣本誤判為凍傷樣本，患病甘薯的分類準確率較低，為90%，總體準確率為96.19%。RF-LDA模型和SPA-LDA模型幾乎沒有誤判，總體分類準確率均達到99.52%?？紤]到SPA-LDA高于RF-LDA模型訓練集98.73%的總體分類準確率，因此認定SPA-LDA是較優的分類模型。

結果表明，SPA-LDA是較優的分類模型，所建立的模型能夠有效地識別凍傷、患病和健康紅薯。本研究為高光譜成像技術在甘薯貯藏加工監測中的應用提供了理論依據和技術支持。

圖3 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4 PLS-DA的混淆矩陣：（A）MCUVE-PLS-DA模型，（B）RF-PLS-DA模型，（C）SPA-PLS-DA模型

圖5 LDA模型三維散點圖：（A）MCUVE-LDA模型，（B）RF-LDA模型，（C）SPA-LDA模型

圖6 LDA模型的混淆矩陣：（A）MCUVE-LDA模型，（B）RF-LDA模型，（C）SPA-LDA模型

作者信息

胡志超，博士，農業農村部南京農業機械化研究所研究員，博士生導師。

主要研究方向：綠色耕作與收獲機械化技術裝備。

參考文獻：

Shao, Y.Y., Liu, Y., Xuan, G.T., Shi, Y.K., Li, Q.K., & Hu, Z.C. (2022). Detection and analysis of sweet potato defects based on hyperspectral imaging technology. Infrared Physics & Technology, 127.

https://doi.org/10.1016/j.infrared.2022.104403