基于高光譜成像技術和SVM神經網絡的馬鈴薯外部損傷識別

湯哲君+湯全武+張然+史崇升

摘要：探索利用高光譜成像技術識別馬鈴薯外部損傷的方法。對外部凍傷、機械損傷、摔傷和正常4類共162個馬鈴薯樣本進行高光譜成像試驗，對試驗得到的原始數據進行主成分分析以實現數據降維，從降維后的特征圖像中提取均值、標準差、平滑度、三階矩、一致性、熵6個描繪子組成特征向量，把特征向量分別輸入貝葉斯分類器、BP神經網絡和SVM神經網絡3個模型進行識別，結果貝葉斯分類器模型對凍傷和機械損傷兩類馬鈴薯相互誤判嚴重，BP神經網絡模型對機械損傷類馬鈴薯識別率低，而SVM神經網絡模型較前兩個模型的識別率有明顯提高，是最為適合的馬鈴薯外部損傷識別模型。

關鍵詞：高光譜成像技術；馬鈴薯外部損傷；主成分分析；貝葉斯分類器；神經網絡模型

中圖分類號：S532；TN911.73 文獻標識碼：A 文章編號：0439-8114（2014）15-3634-05

Identifying Potato External Damage Based on Hyperspectral Image System

and SVM Networks

TANG Zhe-jun1，TANG Quan-wu2，ZHANG Ran1，SHI Chong-sheng1

（1.School of Physics & Electrical Information， Ningxia University， Yinchuan 750021， China；

2.China Mobile Group Ningxia Company Limited， Yinchuan 750002， China）

Abstract： Identifying potato external damage using hyperspectral image system was explored. The experiment of hyperspectral image was carried out for external frostbite， mechanical damage， hurt and normal（a total of 162） potato. Principal component analysis was performed to realize data dimensionality reduction based on the original experimental data. The mean， standard deviation， smoothness， third moment， uniformity， entropy of 6 depicts extracted from the dimensionality reduction feature image were used to composite the sub-feature vector. The eigenvector was input separately to bayesian classifier， the BP neural network and SVM neural network model for identification. The results showed that bayesian classifier model seriously misjudged frostbite and mechanical damage potatoes. The recognition rate of BP neural network model was low for mechanical damage type of potato. The SVM neural network model obviously improved recognition rate among the first two models and was the most suitable model for identifying potato external damage.

Key words： hyperspectral image system；potato external damage；principal component analysis； bayesian classifiers；neural network model

收稿日期：2014-05-15

基金項目：國家自然科學基金資助項目（61261044）

作者簡介：湯哲君（1990-），女，甘肅民勤人，在讀碩士研究生，研究方向為信息處理，（電話）18595110182（電子信箱）362917459@qq.com；通訊

作者，湯全武，副教授，主要從事信息處理和農產品無損檢測研究，（電話）13909597790（電子信箱）tangqw@nxu.edu.cn。

無損檢測領域的常用技術是近紅外光譜技術[1]，可以檢測農產品的內外部品質，但近紅外光譜技術只提供對農產品一個小區域的檢測，由于馬鈴薯等農產品品質在空間上存在差異，所以該方法對馬鈴薯外部損傷檢測還存在一定的局限。高光譜成像技術是把二維成像技術和光譜技術有機結合的先進技術，以空間識別的方法獲取目標的光譜信息，包含兩維的空間信息和一維的光譜信息，具有連續多波段、光譜分辨率高（通常精度可達2～3 nm）等特點，是多信息融合檢測果品綜合品質的首選技術[2]。

目前，國內對高光譜成像技術的研究剛起步，在馬鈴薯品質預測模型建立方面的研究更為稀少，本文要識別的馬鈴薯外部損傷為凍傷、機械損傷和摔傷，首先對凍傷、機械損傷、摔傷和正常馬鈴薯進行高光譜成像試驗，接著對得到的原始高光譜圖像數據立方體進行主成分分析以達到降維的目的，最后分別建立貝葉斯分類器模型、BP神經網絡模型和SVM神經網絡模型對4種馬鈴薯進行識別，選出最優識別模型。endprint

1 馬鈴薯外部損傷的高光譜成像試驗與數據處理

1.1 試驗材料

試驗在寧夏大學農學院食品機械與工程實驗室進行。試驗樣品采自寧夏回族自治區銀川市同心路農貿市場。馬鈴薯品種為棵新10號，其中凍傷馬鈴薯樣本40個，機械損傷馬鈴薯樣本42個，摔傷馬鈴薯樣本40個，正常馬鈴薯樣本40個，共162個馬鈴薯樣本。

1.2 試驗設備及其參數設置

采用美國Headwall公司生產的（光譜范圍400～1 000 nm）高光譜成像儀進行圖像采集。光譜儀光譜范圍為400～1 000 nm，光譜分辨率2.8 nm。

根據測量物品性質，確定試驗參數為：物距約為270 mm，成像光譜儀的曝光時間為5 ms，掃描線實際長度為140 mm，樣本表面平均照度為27 333 lx，掃描時的電機步距為150 μm。數據采集時，線陣探測器在光學焦平面的垂直方向做橫向掃面，從而獲取所掃描空間中每個像素在整個光譜區域的光譜信息，與此同時樣本在輸送裝置的作用下做垂直于攝像機的縱向移動，最終完成整個馬鈴薯樣本圖像的采集。所采集到的圖像塊既包含有特定像素的光譜信息也具有特定波段下的圖像信息。

1.3 圖像采集與數據獲取

采用美國NI公司生產的CD-1079 LABVIEW型高光譜圖像采集軟件和Andor Luca相機軟件，高光譜圖像采集過程為：先把各種外部損傷馬鈴薯樣本做清潔處理。再為每個試驗馬鈴薯貼標簽，注明損傷類型與編號，并為每個馬鈴薯拍照。最后每個馬鈴薯依次進行高光譜成像試驗，得到高光譜圖像數據立方體和光譜數據。部分高光譜圖片如圖1至圖8所示。每個馬鈴薯樣本的試驗數據為一個文件類型數據文件和一個后綴為.hdr的文件。

1.4 圖像預處理

高光譜成像儀采集的馬鈴薯樣品原始圖像數據立方體數據量非常龐大，由于在高光譜成像儀全波段范圍內每隔2.8 nm取一幅圖像，在帶來全面精確的圖像信息的同時，也使得圖像間的信息相關性很高，信息冗余度很大。所以，原始高光譜圖像數據不適合直接代入模型進行判別，而要對其進行預處理。此次使用ENVI 4.7軟件中的主成分分析法[3，4]對每一個馬鈴薯樣本的高光譜圖像數據立方體作全波段（468～1 000 nm）的主成分分析，也即對圖像數據立方體降維，選出對感興趣區域特征明顯的主成分圖像。具體步驟與分析為：

在ENVI 4.7軟件下對每個馬鈴薯樣本的高光譜圖像數據立方體做全波段（468～1 000 nm）主成分分析，首先，發現原始高光譜圖像數據立方體中的背景占有相當比例的圖像面積（如圖1至圖8），而這些背景對分析處理沒有價值，所以在做主成分分析前先盡可能去掉周邊背景。

其次，發現所有馬鈴薯樣本原始高光譜圖像數據立方體中400～467 nm這段波長范圍的圖像噪聲比較大，這是實驗設備的固有品質造成的，所以舍棄這段波長，對所有馬鈴薯樣本原始高光譜圖像數據立方體從468～1 000 nm作主成分分析。

最后，經過主成分分析發現凍傷類、機械損傷類馬鈴薯樣本的第2主成分圖像在損傷區域特征明顯，正常類馬鈴薯樣本的第1主成分圖像在損傷區域特征明顯，摔傷類馬鈴薯樣本的第4主成分圖像在損傷區域特征明顯。

所以，最終選定凍傷類（圖9）、機械損傷類（圖10）馬鈴薯樣本的第2主成分圖像為該類的特征圖像，正常類馬鈴薯樣本的第1主成分圖像（圖11）為該類的特征圖像，摔傷類馬鈴薯樣本的第4主成分圖像（圖12）為該類的特征圖像。

2 模型建立

使用MATLAB 2011b軟件分別編程建立貝葉斯分類器模型、BP神經網絡模型和SVM神經網絡模型對4種馬鈴薯進行識別，輸入模型的特征圖像為8位無符號整形灰度圖像。

2.1 采用貝葉斯分類器建立模型

最優統計分類器中的貝葉斯分類器[5，6]有如下形式的決策函數：

dj（X）=P（X/ωj）P（ωj） j=1，2，…，W （1）

式中，p（X/ωj）是類ωj的模式向量的概率密度函數（PDF），P（ωj）是類ωj發生的概率。給定一個未知的模式向量Xi，其過程是計算全部W個決策函數，然后將該模式歸到決策函數最大的那一類中去。

此次設定概率密度函數為高斯概率密度函數。將高斯概率密度函數代入公式（1），得到如下形式的決策函數：

dj（X）=lnP（ωj）-lnCj-[（X-mj）TC（X-mj）] （2）

式中，j=1，2，…，W。可以看出，方括號內的項是Mahalanobis距離，此距離越小，dj（X）的值越大，說明模式Xi屬于第j類的可能性越大。

模型中用來識別分類馬鈴薯的模式向量X中的參量（描繪子）[7]分別為：均值、標準差、平滑度、三階矩、一致性、熵。

在Matlab軟件中建立bayesgauss函數，function d=bayesgauss（X， CA， MA， P），輸入參量X為k行n列的模式矩陣，k為要識別的樣本數，特征矩陣中的每一行為一個樣本的模式向量，所以n為模式向量中的描繪子數。CA為n×n×W的協方差矩陣，模式矩陣中的n列向量相互做協方差生成協方差矩陣，所以n為描繪子數，W為要識別的類別數。MA為n行W列的均值矩陣，對模式矩陣中的每一列求均值，生成均值行向量，轉置后把W類模式矩陣生成的均值向量按行排列，即為MA。P為每類樣本出現的概率，如果省略則默認為每類樣本出現的概率相等。輸出參量d為k行1列的向量，每行的值表示X中對應行的樣本屬于哪一類。

基于貝葉斯分類器模型的樣本特征圖像識別結果如表1所示。

2.2 采用BP神經網絡建立模型

BP-ANN是由輸入層、隱含層和輸出層組成的前饋神經網絡，它的特點是信號前向傳遞，誤差反向傳播[8，9]。BP-ANN的基本思想是：在信號前向傳遞中，輸入信號從輸入層輸入BP-ANN，經過隱含層逐層處理后進入輸出層；若輸出層輸出的結果不是期望的輸出結果，則由信號前向傳遞轉入誤差反向傳播，將輸出層誤差反向傳播回去并借以修正網絡權值和閾值，使BP-ANN預測輸出結果不斷逼近期望的輸出結果。BP-ANN的拓撲結構如圖13所示。endprint

在圖13中，X1，X2，…，Xn是BP-ANN輸入值；Y1，Y2，…，Ym是BP-ANN預測輸出值；和是BP-ANN權值。由圖13可看出，BP-ANN可以看成一個非線性函數，網絡輸入值和預測輸出值分別為該非線性函數的自變量和因變量。設BP-ANN的輸入層、隱含層和輸出層分別有n、k和m個節點，則BP-ANN結構為n-k-m。和上述模型一致，依舊選用均值、標準差、平滑度、三階矩、一致性、熵6個描繪子組成的向量來作為每個樣本的輸入數據。在MATLAB分析軟件中，實現BP-ANN主要用到newff、train和sim三個神經網絡函數，各函數調用格式如下：

1）newff（BP-ANN參數設置函數）功能是構建一個BP-ANN，其調用格式為：

net=newff（P，T，S，TF，BTF，BLF，PF，IPF，OPF，DDF）

式中，P為輸入數據，T為輸出數據，S為隱含層的節點數，TF為節點傳遞函數，BTF為訓練函數，BLF為網絡學習函數。在使用時，一般只設置前面6個參數，后面4個參數均使用系統的默認參數。

2）train（BP-ANN訓練函數）功能是用訓練數據來訓練BP-ANN，其調用格式為：

[net，tr]=train（NET，X，T，Pi，Ai）

式中，NET是待訓練的網絡，X是輸入數據，T是輸出數據，net是訓練好的BP-ANN，tr是訓練過程記錄。在使用時，一般只設置前面3個參數，后面兩個參數均使用系統的默認參數。

3）sim（BP-ANN預測函數）功能是用已經訓練好的BP-ANN預測函數輸出，其調用格式為：

y=sim（net，x）

式中，net是已經訓練好的網絡，x是輸入數據，y是BP-ANN預測數據。

基于BP神經網絡模型的樣本特征圖像識別結果如表2所示。

2.3 采用SVM神經網絡建立模型

支持向量機[10，11]（Support Vector Machine， 簡稱SVM）理論基礎是由Vapnik和Chemielewaski提出的，它可用于模式分類和非線性回歸。SVM是一種實現結構風險最小化原則的分類技術，它具有出色的小樣本學習性能和良好的泛化性能，與傳統人工神經網絡法相比，它具有在小樣本下高精度地逼近函數的能力，并且可以避免維數災難，具有一定的工程實用價值。支持向量機實現的是如下思想：它通過某種事先選擇非線性映射將輸入向量x映射到一個高維特征空間，在這個空間構造最優分類超平面，如圖14所示，Q（.）為非線性映射函數。SVM的體系結構如圖15所示。

在圖15中，K為核函數，其種類主要有：線性核函數、多項式核函數、徑向基核函數和兩層感知器核函數。和上述兩種模型一致，依舊選用均值、標準差、平滑度、三階矩、一致性、熵6個描繪子組成的向量作為每個樣本的屬性。

選取libsvm工具箱實現SVM神經網絡。libsvm工具箱主要函數是svmtrain和svmpredict，各函數調用格式如下：

1）svmtrain（訓練函數）功能是用于訓練一個SVM神經網絡，其調用格式為：

model=svmtrain（labels_train，input_train，cmd）

式中，labels_train為校正集的標簽；input_train為校正集的屬性；cmd為一些選項參數；model為訓練得到的SVM神經網絡（分類模型）。

2）svmpredict（預測函數）功能是用訓練好的SVM神經網絡預測輸出，其調用格式為：

[predict_label，accuracy]=svmpredict（labels_test，inputn_test，model，cmd）

式中，labels_test為預測集的標簽；i inputn_test為預測集的屬性；model為訓練得到的分類模型；cmd為一些選項參數；predict_label為預測得到的輸出值；accuracy為分類準確率。

馬鈴薯SVM外部損傷鑒別模型圖如圖16所示。

基于BP神經網絡模型的樣本特征圖像識別結果如表3所示。

3 小結

使用全方面、高精度表現被測樣本的高光譜成像技術，同時分別建立貝葉斯分類器模型、BP神經網絡模型和SVM神經網絡模型對馬鈴薯外部損傷進行識別。首先對每個樣本進行高光譜成像，接著對得到的原始高光譜圖像數據立方體進行主成分分析，即圖像數據降維，得到每個樣本的特征圖像，最后從每幅特征圖像中得到由均值、標準差、平滑度、三階矩、一致性、熵6個描繪子組成的特征向量， 把特征向量輸入模型， 得到相應的識別結果。試驗結果表明，貝葉斯分類器模型對凍傷類馬鈴薯識別率較低，僅為50%，另外50%樣本全部誤判為機械損傷類，而對機械損傷類識別時出現的3個誤判也全部誤判為凍傷類，可見本模型對這兩類外部損傷相互誤判嚴重。BP神經網絡模型較前述貝葉斯分類器模型對正常類馬鈴薯的識別率提高，但對機械損傷類馬鈴薯的識別率下降。SVM神經網絡模型較前兩個模型的識別率有明顯提高，表現出出色的小樣本學習性能和良好的泛化性能，可見SVM神經網絡模型的識別效果最好。

參考文獻：

[1] DOU Y， MI H， ZHAO L， et al. Radial basis function neural networks in non-destructive determination of compound aspirin tablets on NIR spectroscopy[J]. Spectrochimica Acta Part A： Molecular and Biomolecular Spectroscopy，2006，65：79-83.endprint

[2] 洪添勝，李 震，吳春胤，等.高光譜圖像技術在水果品質無損檢測中的應用[J].農業工程學報，2007，23（11）：280-285.

[3] 李江波，饒秀勤，應義斌，等.基于高光譜成像技術檢測臍橙潰瘍[J].農業工程學報，2010，26（8）：222-228.

[4] ARIANA D P，LU R. Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging[J].Journal of Food Engineering， 2010， 96（4）：583-590.

[5] 王利民，李雄飛，張海龍.基于廣義信息論的貝葉斯分類器動態建模[J].吉林大學學報（工學版），2009，39（3）：776-780.

[6] 董立巖，苑森淼，劉光遠，等.基于貝葉斯分類器的圖像分類[J].吉林大學學報（理學版），2007，45（2）：249-253.

[7] 張 然.基于高光譜成像技術的馬鈴薯外部損傷識別研究[D].銀川：寧夏大學，2013.

[8] 王遵義，邵詠妮.基于小波變換和神經網絡的可見-近紅外光譜對煙草品種的鑒別[J].浙江大學學報（農業與生命科學版），2009，35（6）：655-658.

[9] 毛 健，趙紅東，姚婧婧.人工神經網絡的發展及應用[J].電子設計工程，2011，19（24）：62-65.

[10] SUN T， LIN H J， XU H R， et al. Effect of fruit moving speed on predicting soluble solids content of‘Cuiguanpears （Pomaceae pyrifolia nakai cv. cuiguan） using PLS and LS-SVM regression[J].Postharvest Biology and Technology，2009， 51：86-90.

[11] 吳桂芳，何 勇.基于主成分分析和支持向量機的山羊絨原料品種鑒別分析[J].光譜學與光譜分析，2009，29（6）：1541-1544.endprint

[2] 洪添勝，李 震，吳春胤，等.高光譜圖像技術在水果品質無損檢測中的應用[J].農業工程學報，2007，23（11）：280-285.

[3] 李江波，饒秀勤，應義斌，等.基于高光譜成像技術檢測臍橙潰瘍[J].農業工程學報，2010，26（8）：222-228.

[4] ARIANA D P，LU R. Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging[J].Journal of Food Engineering， 2010， 96（4）：583-590.

[5] 王利民，李雄飛，張海龍.基于廣義信息論的貝葉斯分類器動態建模[J].吉林大學學報（工學版），2009，39（3）：776-780.

[6] 董立巖，苑森淼，劉光遠，等.基于貝葉斯分類器的圖像分類[J].吉林大學學報（理學版），2007，45（2）：249-253.

[7] 張 然.基于高光譜成像技術的馬鈴薯外部損傷識別研究[D].銀川：寧夏大學，2013.

[8] 王遵義，邵詠妮.基于小波變換和神經網絡的可見-近紅外光譜對煙草品種的鑒別[J].浙江大學學報（農業與生命科學版），2009，35（6）：655-658.

[9] 毛 健，趙紅東，姚婧婧.人工神經網絡的發展及應用[J].電子設計工程，2011，19（24）：62-65.

[10] SUN T， LIN H J， XU H R， et al. Effect of fruit moving speed on predicting soluble solids content of‘Cuiguanpears （Pomaceae pyrifolia nakai cv. cuiguan） using PLS and LS-SVM regression[J].Postharvest Biology and Technology，2009， 51：86-90.

[11] 吳桂芳，何 勇.基于主成分分析和支持向量機的山羊絨原料品種鑒別分析[J].光譜學與光譜分析，2009，29（6）：1541-1544.endprint

[2] 洪添勝，李 震，吳春胤，等.高光譜圖像技術在水果品質無損檢測中的應用[J].農業工程學報，2007，23（11）：280-285.

[3] 李江波，饒秀勤，應義斌，等.基于高光譜成像技術檢測臍橙潰瘍[J].農業工程學報，2010，26（8）：222-228.

[4] ARIANA D P，LU R. Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging[J].Journal of Food Engineering， 2010， 96（4）：583-590.

[5] 王利民，李雄飛，張海龍.基于廣義信息論的貝葉斯分類器動態建模[J].吉林大學學報（工學版），2009，39（3）：776-780.

[6] 董立巖，苑森淼，劉光遠，等.基于貝葉斯分類器的圖像分類[J].吉林大學學報（理學版），2007，45（2）：249-253.

[7] 張 然.基于高光譜成像技術的馬鈴薯外部損傷識別研究[D].銀川：寧夏大學，2013.

[8] 王遵義，邵詠妮.基于小波變換和神經網絡的可見-近紅外光譜對煙草品種的鑒別[J].浙江大學學報（農業與生命科學版），2009，35（6）：655-658.

[9] 毛 健，趙紅東，姚婧婧.人工神經網絡的發展及應用[J].電子設計工程，2011，19（24）：62-65.

[10] SUN T， LIN H J， XU H R， et al. Effect of fruit moving speed on predicting soluble solids content of‘Cuiguanpears （Pomaceae pyrifolia nakai cv. cuiguan） using PLS and LS-SVM regression[J].Postharvest Biology and Technology，2009， 51：86-90.

[11] 吳桂芳，何 勇.基于主成分分析和支持向量機的山羊絨原料品種鑒別分析[J].光譜學與光譜分析，2009，29（6）：1541-1544.endprint