基于高光譜圖像的玉米種子產地與年份鑒別

王慶國， 黃 敏*， 朱啟兵， 孫 群

（1.江南大學 輕工過程先進控制教育部重點實驗室，江蘇 無錫214122；2.中國農業大學 農學與生物技術學院，北京 100193）

玉米（Zea mays L.）是世界總產量最高的糧食作物和主要的畜牧業飼料來源，也是糧食作物中用途最廣、可開發產品最多和用量最大的工業原料，因此確保玉米的質量安全顯得尤為重要[1]。在玉米等農產品的質量與安全監督方面，包括中國在內的許多國家和國際組織要求對進口的玉米等農產品必須標明原產地，并相繼間建立了完整的質量追溯體系及相關立法。例如，歐盟自1997的瘋牛病事件起便開始建立食品質量安全追溯體系，世界衛生組織與聯合國糧食及農業組織在2004年合作建立了國際食品安全當局網絡，美國也要求所有與食品生產有關的企業在2006年必須建立食品質量安全可追溯制度[2-3]，以便在發生食品安全事故時迅速確定事故源頭并及時進行召回。因此，對農產品源產地的鑒別研究具有重要的實際意義。同時，為了保障糧食消費需求、維護糧食市場穩定以及應對重大自然災害等突發事件，世界各國也都制定了健全的糧食儲備計劃。我國要求每年按儲備規模的1/3進行輪換，即市場上流通的糧食是來自于不同年份的，因此，對農產品年份的鑒別研究也具有重要的意義。

在產地鑒別領域中，礦物元素分析和同位素指紋圖譜技術是兩種比較傳統的技術[4-5]，它們在鑒別過程需要結合化學計量學方法，準確性和靈敏度較高，但費用高且鑒別速度慢；近紅外光譜技術是近幾年發展起來的一種快速、無損、應用廣泛的鑒別技術[6-8]，但用來進行產地鑒別研究時，其鑒別結果易受樣本狀態和測定條件的影響，靈敏度較低。高光譜圖像技術融合了圖像技術和光譜技術的優勢，能夠同時獲取反映待測樣本外部特征、內部物理結構及化學成分的圖像信息和光譜信息，已經被廣泛應用到農產品無損檢測領域，在農藥殘留檢測[9]、內外部品質預測[10-13]、農產品信息診斷[14]等應用領域涌現了大量研究成果，但利用高光譜圖像技術對農產品進行產地及年份鑒別的研究卻鮮有報道。作者以玉米種子為研究對象，利用高光譜圖像技術結合偏最小二乘判別分析，采用不同的光譜特征及預處理方式建立了玉米種子的產地與年份鑒別模型，探究了高光譜圖像技術在產地鑒別中可行性，為農產品產地鑒別提供了一種新的技術參考。

1 材料與方法

1.1 實驗材料

玉米種子樣本：由中國農業大學農學與生物技術學院植物遺傳育種學系提供，分別來自3個不同產地和年份，包括先玉335甘肅2010年（XYGS2010）、先玉 335 甘肅 2011 年（XYGS2011）、先玉335海南2012年（XYHN2012）、鄭單958北京2011年 （ZDBJ2011）、 鄭 單 958北 京 2012年（ZDBJ2012）、 鄭單 958 甘肅 2010 年（ZDGS2010）、鄭單958甘肅2011年 （ZDGS2011）。其中每類80粒，共560粒玉米種子樣本。

1.2 高光譜成像系統

實驗所用高光譜成像系統由硬件和軟件兩部分組成。硬件部分由光源模塊、樣本輸送平臺、圖像采集模塊和計算機構成，系統結構見圖1。其中光源模塊包括150 W可調功率光纖鹵素燈 （150 W EKE，3250K（#20094145），Techniquip，USA）、光纖和線光裝置；圖像采集模塊包括鏡頭（10004A-21226 Lens，F/1.4 FL23mm，Standard Barrel，C -Mount，USA）、光譜儀（1003A-10140 HyperspcTM VNIR CSeries，Headwall Photonics Inc.，USA）、CCD 相 機（pixelfly qe IC*285AL，Cooke，USA）和 CCD 控制器，其中光譜儀的狹縫寬度為25 um，光譜范圍為400～1 000 nm，光譜分辨率為1.29 nm，采樣波段間隔為0.64 nm/pixel，空間分辨率為0.15mm。圖像采集軟件為Hyperspectral Scanning and Image Rendering Software，Rev A.2.1.3 （Headwall Photonics Inc.，USA），曝光時間、掃描步長、掃描寬帶和光譜壓縮倍數（binning）由采集軟件控制。

圖1 高光譜成像系統Fig.1 Hyperspectral imaging system

1.3 高光譜圖像采集與校正

為了在圖像不失真的前提下獲得最佳的圖像采集效果，在圖像采集之前需要對高光譜成像系統進行校正和調試，確定出最佳系統參數如下：曝光時間250 ms，物距25 cm，線掃描步長80 um，掃描寬度30 mm，binning設置為4，即實際波段間隔為2.56 nm，在400～1 000 nm波長范圍內共獲得233個波段。采集結束時得到大小為375×1 392×233的圖像立方體。圖像采集時將玉米樣本放置在黑色載物板上，整個采集過程在密閉黑箱中進行以減弱外部光源的干擾。為降低光源變化及系統噪聲的影響，每隔4幅圖像采集一次標準白板和全黑標定圖像對原始圖像進行校正，校正公式為

式中，Rc為校正圖像；Rs為原始圖像；Rw和Rb分別為標準白板和黑板圖像。后續圖像處理與分析均在Rc上進行。

1.4 圖像分割與特征提取

高光譜圖像中包含了二維的空間信息（x×y）和一維的光譜信息（λ），通常包含數百個波段的光譜信息，直接對如此龐大的數據進行處理是非常繁瑣和費時的，因此作者通過特征提取的方式來降低數據維度及處理復雜度。首先利用主動輪廓模型（Active Contour Model，ACM）對高光譜圖像進行分割，確定玉米種子目標區域，然后對目標區域進行特征提取。

1.4.1 ACM圖像分割 ACM是Kass等提出的一種經典圖像分割算法，Caselles等將水平集方法應用到主動輪廓描述和模型求解中[15-17]。結合水平集方法的ACM圖像分割算法，具有較強的抗噪性能，對弱邊界條件下的多目標輪廓提取效果顯著[18-19]，該模型的能量泛函為：

式中，c1和c2分別為輪廓線C內部區域和外部區域的平均灰度；μ，v≥0，λ1、λ2為正的權重因子。長度項Length（C）用于控制輪廓線的光滑度，面積項Area（C）用于控制輪廓線的規則度。

對玉米種子高光譜圖像進行輪廓提取時，首先在待分割玉米種子圖像上定義初始演化曲線，通過最小化能量泛函的方式，驅動演化曲線不斷向玉米種子輪廓邊緣逼近，直到演化曲線收斂到玉米種子輪廓邊緣或者達到預先設定的迭代次數，并以最終演化曲線內部區域為玉米種子目標區域。圖2為對XYGS2011在707 nm波段下的分割結果，演化曲線最終精確的收斂到玉米種子輪廓邊緣上。

圖2 XYGS2011在707 nm波段下的分割結果Fig.2 Results of XYGS2011 in wavelength 707 nm

1.4.2 特征提取 在農產品無損檢測和品質預測中，特征的選擇是影響最終檢測或預測結果的關鍵因素之一[20-21]。基于統計學的均值和標準差是對原始光譜信息的最直觀反映，在變化趨勢上與原始信息具有較好的一致性。基于灰度直方圖的熵和能量特征主要反映了被測目標的紋理變化，與顏色和大小特征相比，紋理特征中關于被測物體的化學和物理屬性信息更為豐富[20]。熵E和能量P的定義分別為：

式中，M、N分別為玉米種子在水平和垂直方向上的像素數目。在400～1 000 nm波長范圍內共233個波段下，共提取了玉米種子目標區域的均值、標準差、熵和能量4個特征，對不同特征在產地和年份的鑒別能力上做了比較研究，并從實際應用的角度出發，選出了更適合實際應用的特征用于最優模型的建立。

1.5 光譜預處理

光譜預處理的目的是降低原始光譜中基線漂移、光線散射及樣本不均勻等環境和儀器噪聲的影響，以增強模型的預測能力，在用于對農產品和食品化學成分含量及品質預測的偏最小二乘回歸（Partial Least Squares Regression，PLSR）、 多元線性回歸（Multiple Linear Regression，MLR）、偏最小二乘支持向量機 （Partial Least Squares Support Vector Machine，LSSVM）中應用廣泛[22-23]。探究了不同的預處理方式對偏最小二乘判別分析 （Partial Least Squares Discriminant Analysis，PLSDA）模型的影響，分別使用了基線補償（Baseline Offset，BOS）、去趨勢（Detrending，DET）、 多 元 散 射 校 正 （Multiplicative Scatter Correction，MSC）、標準正態變量（Standard Normal Variate，SNV）、SG 導 數 （Savitzky-Golay Derivative，SG Der）對光譜數據進行預處理。

1.6 PLSDA

PLSDA是一種基于PLSR的多變量鑒別分析方法，在光譜數據的分類和判別問題中有廣泛的應用。作為一種有監督分類方法，PLSDA利用PLSR建立自變量（樣本光譜特征）和因變量（類別屬性）間的關系模型，通過比較預測值的大小來確定樣本的所屬類別。在先前的多類別分類研究中，PLSDA模型表現出了優異的鑒別性能[18-19]。在建立PLSDA模型之前，使用四選一隨機劃分方式將所有樣本分為訓練集和測試集兩部分，其中全部樣本的3/4為訓練集樣本，剩余的1/4為測試集樣本。為了降低樣本集劃分對鑒別結果的影響，分別使用4次不同的四選一樣本劃分集建立模型，并取4次結果的平均值作為最終鑒別結果。

2 結果與分析

2.1 不同特征下的產地與年份鑒別

由圖3可以看出，經過ACM圖像分割之后，每一粒玉米種子被精確的從背景中分離出來，相比手動選取感興趣區域的方式，很大程度上避免了人為因素對實驗結果的影響。在分割出的玉米種子目標區域上分別提取均值、標準差、熵和能量特征，不同產地和年份的玉米種子在各特征下的類內均值曲線見圖3a～d所示。可以看出，熵特征的類間離散度最為明顯，即熵特征能更好的表征玉米種子的產地和年份差異。而均值、標準差和能量特征曲線中，個別幾類的分布較為集中，從視覺上無法直接看出它們對玉米種子表達能力的不同，因此，需要通過進一步的建模分析來確定不同特征鑒別能力的差別。

圖3 光譜特征曲線Fig.3 Spectral characteristic curves

分別將4個特征做為模型的輸入建立PLSDA模型，鑒別結果見表1。分析表1可知，不同特征對玉米籽粒的描述能力存在差異性。在本研究中，基于均值和熵特征的模型精度要高于能量特征，方差模型的鑒別精度最低（90.36%）。熵模型的訓練精度最高（99.82%），但對未知樣本的預測能力卻低于均值模型。原因可能在于熵特征反映的是玉米種子紋理的變化，而紋理變化是玉米種子內部物理化學成分變化的間接體現，與對原始光譜信息的直接統計平均相比，在對不同類別間玉米種子物理化學差異的敏感性上熵要低于均值特征[20]。綜合以上分析，同時考慮到在實際應用中的計算復雜度，作者選取均值為最佳鑒別特征。

表1 不同特征的PLSDA模型精度Table 1 PLSDA model accuracy of different features

2.2 預處理方法對模型的影響

圖 4（a）～（f）為從預測集中隨機選取的 20 粒玉米種子的原始光譜（RAW）和不同預處理方式下的光譜曲線。可以看出，DET、MSC、SG導數和SNV有效減弱了散射的影響，同時，經過MSC和SNV處理后的數據與RAW在變化趨勢上保持了較好的一致性，而經過非線性趨勢消除（DET）和二階SG導數處理后的光譜與RAW差異性較大。基線補償是對樣本光譜值做減去最小值處理，因此，這種預處理方式的光譜在曲線變化趨勢及分布上都與原始光譜較為接近。為了探究不同預處理方式對模型的影響，利用不同預處理后的光譜數據，分別建立PLSDA模型，最終結果見表2。

圖4 原始光譜與不同預處理方式的光譜曲線Fig.4 Curve for RAW and different preprocessing methods

從表2可以看出，對于不同的特征，不同的預處理方式對模型的影響也存在差異。在最佳鑒別特征均值模型中，除了基線補償外，其他預處理方式的模型精度都等于或高于未做預處理的模型，但只有基于SNV模型的預測能力有所提高。在其他特征模型中，只有基于SNV處理的熵特征模型和基線補償處理的能量特征模型的預測能力高于原始特征模型。原因可能是不同的預處理方式對不同的特征在消除隨機噪聲和儀器影響的同時，一部分有用信息也被濾除了[22]。因此綜合考慮將SNV做為最佳預處理方式。

表2 不同預處理方式的模型精度Table 2 Model accuracy of different preprocessing method

2.3 最優模型建立

將經過SNV處理的最佳鑒別特征作為PLSDA模型的輸入，建立產地與年份鑒別模型，訓練集和測試集精度分別達到了99.11%和98.39%，各類的判別結果見表3。其中ZDBJ2012等5類的鑒別精度接近或達到了100%，只有XYGS2010和XYGS2011的精度相對較低。通過對表3的進一步分析發現，錯誤判別集中出現在XYGS2010和XYGS2011兩類之間。這兩類只有在年份上存在差異，造成誤判的主要原因可能是同一產地的土壤和氣候條件相同，不同年份間的光照、積溫及降水等條件較為接近，反映到玉米種子高光譜圖像中的特征差異性較小，在鑒別過程中兩者相互干擾從而發生誤判[24]。這說明年份信息在一定程度上會對總體鑒別結果產生干擾，為了探究年份信息對模型的影響，作者又對在不考慮年份特征下的玉米種子產地鑒別做了研究。

表3 產地與年份鑒別模型判別結果Table 3 Discriminant result for geographical origin and years identification

2.4 產地鑒別

首先將相同產地不同年份的同種玉米種子歸為一類，即XYGS2010和XYGS2011、ZDGS2010和ZDGS2011、ZDBJ2011和 ZDBJ2012組合為一類，XYHN2012看作一類，同樣利用經過SNV預處理的最佳特征建立PLSDA模型。結果顯示，訓練集和測試集精度分別達到了100.00%和99.64%，高于產地與年份鑒別模型。因此，忽略年份特征時，在一定程度上有助于提高產地鑒別的模型精度。

3 結語

不同生態區的玉米種子因土壤、地形、光照和積溫等條件的不同，其內部有機組成和礦質元素含量等存在一定的差異性。作者利用這種差異性特征信息，結合高光譜圖像技術建立了玉米種子的產地和年份鑒別模型，并對不同的特征和光譜預處理方式做了研究。結果表明，產地和年份鑒別的訓練集和測試集精度分別達到了99.11%和98.39%，在忽略年份信息時鑒別效果更佳。但限于樣本種類及數量，模型的有效性和穩健性還有待驗證。同時為了適應工業化應用需求，在特征提取方法、數據處理與分析及波段選擇等方面還需要做進一步的研究。

[1]樊智翔，郭玉宏，安偉，等.玉米綜合利用的現狀及發展前景[J].山西農業大學學報：自然科學版，2003，23（2）：182-184.FAN Zhixiang，GUO Yuhong，AN Wei，et al.The current situation and development prospect of utilizing maize comprehensively[J].Journal of Shanxi Agricultural University，2003，23（2）：182-184.（in Chinese）

[2]吳迪，魯成銀，成浩.食品質量安全追溯系統研究進展及在茶葉行業應用展望[J].中國農學通報，2009，25（1）：251-255.WU Di，LU Chengyin，CHENG Hao，et al.Recent developments of food safety traceability system and its perspective on tea[J].Chinese Agricultural Science Bulletin，2009，25（1）：251-255.（in Chinese）

[3]Opara L U.Traceability in agriculture and food supply chain：A review of basic concepts，technological implications，and future prospects[J].Journal of Food Agriculture and Environment，2003，1（1）：101-106.（in Chinese）

[4]Gonzálvez A，Armenta S，de la Guardia M.Geographical traceability of “Arròs de Valencia” rice grain based on mineral element composition[J].Food Chemistry，2011，126（3）：1254-1260.

[5]Suzzki Y，Chikaraishi Y，ogawa N O，et al.Geographical origin of polished rice based on multiple element and stable isotope analyses[J].Food Chemistry，2008，109（2）：470-475.

[6]Liu L，Cozzolino D，Cynkar W U，et al.Geographic classification of Spanish and Australian tempranillo red wines by visible and near-infrared spectroscopy combined with multivariate analysis[J].Journal of Agricultural and Food Chemistry，2006，54（18）：6754-6759.

[7]Zhao H Y，Guo B Li，Wei Y M，et al.Near infrared reflectance spectroscopy for determination of the geographical origin of wheat[J].Food Chemistry，2013，138（2-3）：1902-1907.

[8]Wang W B，Paliwal J.Near-infrared spectroscopy and imaging in food quality and safety[J].Sensing and Instrumentation for Food Quality and Safety，2007，1（4）：193-207.

[9]陳菁菁，彭彥昆，李永玉，等.基于高光譜熒光技術的葉菜農藥殘留快速檢測[J].農業工程學報，2010，26（S2）：1-4.CHENG Jingjing，PENG Yankun，LI Yongyu，et al.Rapid detection of vegetable pesticide residue based on hyperspectral fluorescence imaging technology[J].Transactions of the CSAE，2010，26（S2）：1-4.（in Chinese）

[10]Rajkumar P，Wang N，EImasry G，et al.Studies on banana fruit quality and maturity stages using hyperspectral imaging[J].Journal of Food Engineering，2012，108（1）：194-200.

[11]Del Fiore A，Reverberi M，Ricelli A，et al.Early detection of toxigenic fungi on maize by hyperspectral imaging analysis[J].International Journal of Food Microbiology，2010，144（1）：64-71.

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

[13]Gowen A A，O'Donnell C P，Cullen P J，et al.Hyperspectral imaging-an emerging process analytical tool for food quality and safety control[J].Trends in Food Science and Technology，2007，18（12）：590-598.

[14]Delalieux S，Aardt J van，Keulemans W，et al.Detection of biotic stress （Venturia inaequalis） in apple trees using hyperspectral data_Non-parametric statistical approaches and physiological implications[J].European Journal of Agronomy，2007，27（1）：130-143.

[15]Chan T F，Vese L A.Active contours without edges[J].IEEE Transactions on Image Processing，2001，10（2）：266-277.

[16]Zhang K H，Zhang L，Song H H，et al.Active contours with selective local or global segmentation：A new formulation and level set method[J].Image and Vision Computing，2010，28（4）：668-676.

[17]Li C M，Xu C Y，Gui C F，et al.Level set evolution without re-initialization：a new variational formulation[A].IEEE Computer Society Conference on Computer Vision and Pattern Recognition[C].California：San Diego，2005，1：430-436.

[18]黃敏，朱曉，朱啟兵，等.基于高光譜圖像的玉米種子特征提取與識別[J].光子學報，2012，41（7）：868-873.HUANG Min，ZHU Xiao，ZHU Qibing，et al.Morphological characteristics of maize seed extraction and identification based on the hyperspectral image[J].Acta Photonica Sinica，2012，41（7）：868-873.（in Chinese）

[19]黃敏，朱曉，朱啟兵，等.基于主動輪廓模型的玉米種子高光譜圖像分類[J].數據采集與處理，2013，28（3）：289-293.HUANG Min，ZHU Xiao，ZHU Qibing，et al.Hyperspectral image classification of maize seeds based on active contour model[J].Journal of Data Acquisition and Processing，2013，28（3）：289-293.（in Chinese）

[20]Zheng C X，Sun D W，Zheng L Y.Recent developments and applications of image features for food quality evaluation and inspection-a review[J].Trends in Food Science and Technology，2006，17（12）：642-655.

[21]Wu D，Yang H Q，Chen X J，et al.Application of image texture for the sorting of tea categories using multi-spectral imagin g technique and support vector machine[J].Journal of Food Engineering，2008，88（4）：474-483.

[22]Feng Y Z，Sun D W.Near-infrared hyperspectral imaging in tandem with partial least squares regression and genetic algorithm for non-destructive determination and visualization of Pseudomonas loads in chicken fillets[J].Talanta，2013，109：74-83.

[23]黃敏，萬相梅，朱啟兵，等.基于高光譜圖像技術的菜用大豆厚度檢測[J].食品與生物技術學報，2012，31（11）：1142-1147.HUANG Min，WAN Xiangmei，ZHU Qibing，et al.Thickness measurement of green soybean using hyperspectral imaging technology[J].Journal of Food Science and Biotechnology，2012，31（11）：1142-1147.（in Chinese）

[24]崔麗娜，張新，高榮岐，等.不同生態區玉米種子品質的比較研究[J].玉米科學，2012，20（4）：26-31.CUI Lina，ZHANG Xin，GAO Rongqi，et al.Effects of different ecological areas on maize seed quality[J].Journal of Maize Sciences，2012，20（4）：26-31.（in Chinese）