基于高光譜信息特征選擇的玉米霉變程度Fisher鑒別方法

戴松松DAI Song-song 殷 勇

(河南科技大學食品與生物工程學院，河南 洛陽 471023)

玉米極易被霉菌感染，發生霉變，人畜食用發霉的玉米，毒素會在體內蓄積，產生嚴重危害。目前，檢測霉變玉米的方法主要有感官評定[1]、高效液相色譜法(HPLC)[2]、聚合酶鏈式反應(PCR)[3]、氣質聯用法(GC-MS)[4]及DNA探針法[5]、酶聯免疫(ELISA)法[6-7]等，這些方法雖然比較準確，但缺點是存在主觀性強、結果可靠性差，而且破壞物料、操作復雜、成本高等，不能滿足玉米貯藏和運輸過程中快速檢測霉變的需要。相比之下，高光譜技術具有高效、無損、低成本和可重復等優勢[8]，已廣泛應用于煙葉[9]、干果[10-11]、水果[12-13]、油[14]、肉[15-16]等農副產品檢測中，并且取得了較好的分析結果。近年來，高光譜技術在玉米霉變檢測中也有報道。袁瑩等[17]利用傅里葉變換近紅外光譜對不同霉變程度的玉米顆粒進行檢測區分，以支持向量機作為判別模型，其分類模型得出的訓練集和預測集的預測準確率分別為93.3%，91.7%。張楠楠等[18]利用高光譜圖像技術對霉變玉米進行檢測，其正確檢出率為93.75%。

已有的研究成果表明，高光譜技術有能力對霉變玉米進行鑒別，但正確率不高，而且檢測時均需往新鮮玉米中注射不等量的真菌毒素，來培育不同等級的霉變玉米，不具有隨機性。本研究以5種發霉程度不同的玉米(霉變玉米是實驗室模擬毒素最適宜生長時的溫度和濕度來培育的霉變玉米，并由商丘市質量技術監督檢驗測試中心測出毒素值)為研究對象，利用高光譜圖像采集系統采集這些霉變玉米的高光譜圖像，提取各個樣本的平均光譜反射值，用標準正態變量變換和多元散射校正2種預處理方法對原始平均光譜進行預處理，再對預處理后的數據和未預處理的原始數據進行FDA判別，并比較三者的FDA結果；為了降低光譜維度，采用偏最小二乘回歸系數法選取特征波長，建立特征波長下的Fisher判別模型，并考察全波長與特征波長的判別效果，以期為高光譜成像技術應用于玉米霉變的在線分級提供參考。

1 材料與方法

1.1 試驗材料

玉米樣品：中單909，形狀和大小基本一致，購于洛陽市中原農貿城。由于玉米本身自帶芽孢和孢子，芽孢是細菌的休眠體，孢子由霉菌產生，它們在適宜的生長環境下可使玉米產生霉變[1]，在實際試驗中，發現玉米樣品的發霉程度隨著培養時間的延長而相應發生變化(表1)，因此采用不同的培養時間來表征玉米樣品的不同發霉等級。方法為：將新鮮玉米放入相對濕度為 90%，溫度為30 ℃的恒溫恒濕培養箱(LHS-HC-100型，上海資一儀器設備有限公司)中培育。采用不同培育天數的玉米來表征不同的霉變程度。試驗選用培育0，2，4，6，8 d的霉變玉米，每個等級的樣品各取50個樣本(35個訓練集，15個測試集)，每個樣本量為(60.0±0.5) g。這些霉變等級樣本委托商丘市質量技術監督檢驗測試中心測定(每個霉變等級測試5個平行樣本)，結果見表1。

表1 發霉玉米中3種霉菌測量結果Table 1 Moldy maize three kinds of mold measurement results

1.2 高光譜采集系統

高光譜圖像采集系統，是由成像光譜儀(IST 50-3810型，德國Inno-spec公司)、計算機、4個500 W的光纖鹵素燈(RK90000420108型，德國ESYLUX公司)和傳送裝置等組成。可采集到的反射光譜范圍為371.05～1 023.82 nm，光譜分辨率2.8 nm，共得到1 288個不同的波段。高光譜掃描設定范圍為Width760、Heigh550。得到的高光譜圖像分辨率為760×550。因此，最終得到的每個樣本大小為760×550×1 288的高光譜圖像。

1.3 高光譜數據采集與校正

采集樣本高光譜數據時，將樣本均勻地平鋪在規格為8 cm×8 cm的培養皿中，然后將盛有樣品的培養皿放在搭建的傳送帶上，由SICap-STVR V1.0.x軟件平臺驅動控制成像儀，采集樣本光譜大小在371.05～1 023.82 nm的反射光譜。然后對采集的高光譜圖像信息進行黑白校正，校正方法詳見文獻[19]。

針對所采集的高光譜圖像，用ENVI 4.8提取每個樣本的所有像素點在各波長下的平均反射值，以此得到250個樣本的平均反射光譜數據，然后通過MATLAB R2014a軟件對光譜數據進行處理。

1.4 光譜預處理

高光譜圖像采集時，受到電路噪聲以及隨機誤差等因素的影響，噪音是光譜信號探測時無法避免的現象[20]。因此，需對高光譜數據進行預處理；采用標準正態變量變換和多元散射校正2種預處理方法對原始光譜進行預處理，并將不預處理的原始數據與2種預處理后的數據作為Fisher判別模型的輸入，進行初步的判別。

1.4.1 標準正態變量變換處理 高光譜在采集圖像過程中，由于霉變玉米的顆粒度、表面散射等原因，會在采集過程中產生噪聲，因此，選用標準正態變量變換預處理方法來減弱這種噪聲。SNV的方程式為：

(1)

式中：

Xa——第a個樣本的光譜向量；

p——波長變量數。

1.4.2 多元散射校正處理 多元散射校正法可以增強與成分含量相關的光譜吸收信息，消除了光譜數據中散射帶來的影響。使用這種方法的前提是要先建立一個樣品的“理想光譜”，即樣品中待測成分的含量與光譜變化滿足直接線性關系，以該光譜為標準對其他樣品光譜通過基線平移和偏移校正進行修正，首先計算樣品高光譜的平均值，然后以平均值作為標準光譜，將樣品光譜與標準光譜進行一元線性回歸運算，最后進行多元散射校正[21]，公式如下：

(2)

(3)

(4)

式中：

A——n×p維光譜數據矩陣；

n——樣品數；

p——光譜采集所用的波長點數；

Ai——1×p維矩陣；

1.5 光譜特征波長提取

由于采集到的高光譜信息是高達1 288個波段的數據，再加上光譜數據中相鄰光譜值存在極高的相關性，含有大量的冗余信息，使得特征吸收峰不明顯。所以特征波長的提取對減少計算量、提高檢測精度至關重要。因此，通過偏最小二乘回歸系數法對1 288個波段上樣本的平均光譜反射值進行分析，借助于回歸系數的大小來提取特征波長。

由于表達式中每個波段的回歸系數表征了各波段的貢獻比重，系數絕對值越大對回歸模型的影響越大。因此，通過比較回歸系數絕對值的大小可以選取出光譜的特征波長。

1.6 Fisher判別分析

為了有效地鑒別發霉玉米的霉變程度，選用Fisher判別分析作為模式識別的工具，其基本的思想是投影，即將k組m元數據投影到某一方向，投影后組和組之間盡可能地區分開，借助方差分析思想來導出判別函數，這個判別函數可以是線性的，也可以是比較一般的函數。在實際應用中，因為線性判別函數是最為方便的，所以選用線性判別函數。為探究采用FDA分析全波長和特征波長下不同等級霉變玉米的有效性，采用本實驗室在MATLAB R2014a平臺上自行研制的FDA分析程序，分別對全波長和特征波長下的5種玉米訓練集及其對應的測試集進行分析。其FDA的相關應用參見文獻[1]。

2 結果與分析

2.1 霉變玉米的光譜特征

由圖1可知，培育0，2，4 d的發霉玉米，隨著培育時間的延長，平均光譜反射值逐漸降低；培育6，8 d時，平均光譜反射值沒有降低反而變的更高了，可能是與霉變玉米中的某些霉變產物有關。總體來看，不同等級霉變玉米的平均光譜曲線總體變化規律具有相似性和可分性，這為建立Fisher判別模型提供了一定的基礎。

2.2 原始光譜預處理

隨機選取175個玉米樣本為訓練集，75個樣本為測試集，把原始光譜數據和不同預處理后的光譜數據，分別作為建立Fisher判別模型的輸入，結果見表2。由表2可知，經過MSC預處理的光譜FDA判別模型的正確識別率最高，其訓練集和測試集的識別率分別為0.977 1，0.973 3；經MSC、SNV預處理后的訓練集和測試集識別率均高于原始光譜，因此，選用MSC為原始光譜預處理方法。

2.3 特征波長的選取

由圖2可知，可選出9個特征波長(538.5，583，624.5，649.6，699.1，767.3，759.2，842.7，932.6 nm)，這些特征波長能較好地體現出大部分原光譜信息。因此，在建立特征波長下的Fisher判別模型時，選擇這9個波長作為模型的輸入。

圖1 5種玉米樣本平均光譜反射值曲線Figure 1 The average spectral reflectance curve of five kinds of maize samples

表2 原始光譜與預處理光譜的FDA模型比較Table 2 Comparison of FDA model between raw and pretreated spectra

圖2 偏最小二乘回歸系數圖Figure 2 Coefficient map of partial least squares regression

2.4 玉米霉變等級FDA鑒別分析

2.4.1 全波長下的FDA分析 隨機選取175個玉米樣本為訓練集，75個樣本為測試集，以MSC預處理后的全波長光譜信息作為Fisher判別模型的輸入，其FDA鑒別結果見圖3，FDA的鑒別正確率見表3。由圖3(a)可知，全波長下的不同程度霉變玉米大部分能夠區分開來，但培育2，4 d與培育6，8 d的仍有小部分重疊，FDA測試結果比較分散。由表3可知，培育2 d的35個玉米樣本，有1個樣本錯分為培育4 d，判別準確率為97.14%；培育6 d的35個玉米樣本，有1個樣本錯分為培育8 d，判別準確率為97.14%；而培育8 d有2個樣本錯分為培育6 d，判別準確率為94.29%。由圖3(b)可知，不同程度霉變玉米大部分也能夠區分開來，培育2，4 d與培育6，8 d的也有小部分重疊。由表3可知，培育2 d的15個玉米樣本，有1個樣本錯分為培育4 d，判別準確率為93.33%，培育6 d的15個玉米樣本有1個樣本錯分為培育8 d，判別準確率為93.33%。全波長下的FDA判別模型訓練集和測試集的整體判別準確率分別為97.71%，97.33%，因此，在鑒別分析中運用全波長能較好地鑒別不同等級的霉變玉米。

2.4.2 特征波長下的FDA分析 為了減少計算量、提高檢測精度，從1 288個全波長中提取了9個特征波長(538.5，583，624.5，649.6，699.1，767.3，759.2，842.7，932.6 nm)作為Fisher判別模型的輸入，其FDA鑒別結果見圖4，FDA的鑒別正確率見表4。由圖4可知，特征波長下的不同程度霉變玉米都能夠區分開來，FDA測試結果中每個等級也比較聚集。從表4中的訓練集和測試集的總體判別結果分別為100.00%，98.67%。可以得出，建立的特征波長下的判別模型能夠有效地鑒別玉米的霉變程度，與全波長下的FDA鑒別結果相比，特征波長下的鑒別能力明顯提高，而且特征波長判別模型的變量降到9個，遠低于全波長下的1 288 個變量，提高了計算速度。

3 結論

為了提高高光譜鑒別玉米霉變程度的正確率，在提取特征波長的基礎上，分別研究了全波長和特征波長下的Fisher判別模型的判別效果。結果顯示，在全波長和特征波長下均能有效地鑒別玉米霉變程度，而特征波長的鑒別效果優于全波長的，鑒別正確率可以達到98.67%。表明基于特征選擇及Fisher判別的高光譜鑒別玉米霉變程度是可行、有效的；而且進行特征波長的提取也是必要的，可減少計算量、提高檢測精度及減少信息的冗余現象。該研究也為高光譜鑒別其他物品提供重要的理論依據。

圖3 基于全波長下的FDA結果Figure 3 FDA results based on the full wavelengths

表3 全波長下的Fisher判別模型判別準確率Table 3 accuracy of Fisher discriminant model under full wavelength

圖4 基于特征波長下的FDA結果Figure 4 FDA results based on the characteristic wavelengths

表4 特征波長下的Fisher判別模型判別準確率Table 4 The accuracy of Fisher discriminant model under characteristic wavelength

[1] 殷勇, 郝銀鳳, 于慧春. 基于多特征融合的電子鼻鑒別玉米霉變程度[J]. 農業工程學報, 2016, 32(12): 254-260.

[2] 高秀芬, 計融, 李燕俊, 等. 高效液相色譜法測定玉米中的黃曲霉毒素[J]. 中國食品衛生雜志, 2007, 19(2): 105-108.

[3] 黃海泉. 實時熒光定量PCR技術在植物檢疫中應用的研究進展[J]. 湖北農業學, 2012, 51(1): 5-8.

[4] 梁穎, 張春暉, 劉鄰渭. 液相色譜—質譜測定小麥中B類單端孢霉烯族毒素[J]. 中華預防醫學雜志, 2006, 40(4): 293-295.

[5] JONES J L. Application of DNA probes in the food industry[J]. Trends Food Science Technology, 1991, 2(6): 28-32.

[6] 王俊雙, 許定花, 孫秀蘭. 食品中脫氧雪腐鐮刀菌烯醇三種檢測方法的比較研究[J]. 食品工業科技, 2008(2): 287-290.

[7] 鄧舜洲, 何慶華, 章英, 等. 競爭間接ELISA檢測飼料中脫氧雪腐鐮刀菌烯醇和玉米赤霉烯酮[J]. 江西農業大學學報, 2006, 28(2): 289-292.

[8] 姜慶虎, 童芳, 余明珠, 等. 高光譜技術—生態學領域研究的新方法[J]. 植物科學學報, 2015, 33(5): 633-640.

[9] YIN Yong, XIAO Yu-juan, YU Hui-Chun. An image selection method for tobacco leave grading based on image information[J]. Engineering in Agriculture, Environment and Food, 2015, 8: 148-154.

[10] 于慧春, 王潤博, 殷勇, 等. 基于不同波段的枸杞多糖及總糖高光譜成像檢測[J]. 食品科學, 2017, 38(8): 191-197.

[11] 馬菁, 張學儉. 枸杞4大病蟲害的遙感近地高光譜特征[J]. 貴州農業科學, 2016, 44(3): 65-68.

[12] NAKARIYAKUL S, CASASENT D P. Classification of internally damaged almond nuts using hyperspectral imagery[J]. Journal of Food Engineering, 2011, 103(1): 62-67.

[13] LORENTE D, ALEIXOS N, GOMEZ-SANCHIS J, et al. Selection of optimal wavelength features for decay detection in citrus fruit using the ROC curve and neural networks[J]. Food Bioprocess Technol, 2013, 6(2): 530-541.

[14] 褚璇, 王偉, 趙昕, 等. 近紅外光譜和特征光譜的山茶油摻假鑒別方法研究[J]. 光譜學與光譜分析, 2017, 37(1): 75-79.

[15] KAMRUZZAMAN M, MAKINO Y, OSHITA S. Parsimoni-ous model development for real-time monitoring of moisture in red meat using hyperspectral imaging[J]. Food Chemistry, 2016, 196: 1 084-1 091.

[16] 田衛新, 何丹丹, 楊東, 等. 一種基于高光譜圖像的熟牛肉TVB-N含量預測方法[J]. 食品與機械, 2016, 32(12): 70-74.

[17] 袁瑩, 王偉, 褚璇, 等. 光譜特征波長的SPA選取和基于SVM的玉米顆粒霉變程度定性判別[J]. 光譜學與光譜分析, 2016, 36(1): 226-230.

[18] 張楠楠, 劉偉, 王偉, 等. 玉米霉變及黃曲霉毒素的圖像處理檢測方法[J]. 中國糧油學報, 2014, 29(2): 82-88.

[19] 張若宇. 番茄可溶性固形物和硬度的高光譜成像檢測[D]. 杭州: 浙江大學, 2014: 51-52.

[20] 季江, 高鵬飛, 賈南南, 等. 自適應多尺度窗口平均光譜平滑[J]. 光譜學與光譜分析, 2015, 35(5): 1 445-1 449.

[21] 謝安國. 冷凍冷藏過程中豬肉的光譜特性研究及其品質的快速檢測[D]. 廣州: 華南理工大學, 2016: 77-78.