多源異構大米品質等級非線性高光譜信息耦合識別模型研究

林 萍， 蔣善超， 陳永明， 輔小榮， 顧春雷

(鹽城工學院電氣工程學院，江蘇鹽城 224051)

大米是世界上最重要的糧食作物之一，我國大米總產量為世界大米產量之首，約占全球大米總產量的30%。大米的品質直接決定其市場銷售價格，因此對大米品質進行研究具有重要的意義[1]。大米品質受多種因素影響，靠某單一手段或某一指標很難從整體上實現對大米綜合品質的準確評價。常規大米品質檢測方法主要是基于可見光與近紅外光譜技術的大米內部理化品質檢測技術和基于感官視覺或機器視覺的大米外觀品質檢測技術。基于可見光與近紅外光譜技術的大米品質檢測技術，缺乏同步獲取大米外部感官品質信息的能力。為了適應國際市場上對大米品質快速無損檢測的需求，國內外一些學者嘗試用可見光與近紅外光譜技術對大米品質進行快速檢測[2-3]，例如利用近紅外光譜技術建立不同類型和粒度的大米樣品蛋白質含量預測模型；結合近紅外光譜技術和化學計量學方法建立大米脂肪酸值的近紅外分析模型并對模型進行預測準確性評價；使用偏最小二乘法建立近紅外光譜和水稻糙米直鏈淀粉含量的數學模型，用于糙米直鏈淀粉含量的預測。以上利用可見光譜和近紅外光譜技術建立的大米理化品質參數的預測模型表明，光譜反射率與蛋白質含量、脂肪酸值、直鏈淀粉含量、氨基酸含量指標間有較好的相關性，但建立的可見近紅外光譜預測模型無法定量分析大米外部感官品質參數，即模型無法關聯大米的物理參數，品質評價手段單一，因此品質評價結果存在片面性。另外傳統的感官檢測方法主要是由人工對大米的碎米率、完整率、黃粒米、堊白率、互混率等進行評價，對檢驗人員能力要求較高，同時存在主觀性和片面性，并且檢測結果難以量化[4-5]。傳統的感官檢測或實驗室理化分析方法無法滿足快速、定量檢測要求。利用新技術研究大米內部理化和外部感官綜合品質指標信息的快速、無損、同步獲取方法并對獲取的異構品質指標進行有效融合，可以有效避免單一指標檢測的片面性，必然有助于解決大米綜合品質的快速準確檢測問題，是實現貯藏、流通過程中大米綜合品質動態評估、等級標注和實時監控的基礎和關鍵，對于大米綜合品質快速、無損檢測具有較強的理論和現實意義。

本研究利用高光譜圖譜合一技術結合多源異構信息融合技術，探索由大米內部理化指標和外部感官參數構成的綜合品質快速無損準確檢測新方法。本研究立足于當前大米質量檢測技術發展的總體趨勢，將信息科學與食品科學相結合，采用高光譜成像技術開展大米綜合品質的快速、無損、準確檢測研究，這對大米產品質量的快速無損檢測具有較強的理論和現實意義。通過提出的理論模型，可以進一步開發出基于高光譜成像技術的大米綜合品質專用檢測儀器，直接應用于大米產品質量檢測實踐，具有廣闊的應用前景。

1 理論和算法

1.1 高光譜影像特征提取算法

在最優分辨率配置下利用多尺度濾波器提取大米高光譜影像多分辨率特征；其中，濾波函數采用余弦函數調制的二維的帶通Gabor函數[6]，見公式(1)。

(1)

式中：變量x、y表示像素的橫、縱坐標值；σx、σy為高斯函數核寬；u0為調制頻率。將上述函數變換到Fourier空間，為公式(2)。

(2)

式中：u、v為空間頻率變量；σu=1/2πσx、λ=2πσxσy；u0為調制頻率。二維的帶通Gabor濾波函數無法實現正交分解，因此，基于二維的帶通Gabor濾波函數變換后的圖像中會有頻帶交疊的重復信息。

本研究在空頻域中構建“菊花狀”的最優多分辨率二維的帶通Gabor濾波函數，該帶通Gabor濾波函數呈現近似正交的形狀，即濾波器在空間頻率域的上半峰幅值接觸但不出現重疊，這樣使得多分辨率下的二維的帶通Gabor濾波函數的輸出重復信息量最小[7]。把函數g(x,y)作為母函數，通過適當的尺度和旋轉變換建立自相仿濾波函數：

(3)

式中：x′=τm(xcosθ+ysinθ)，y′=τm(-xsinθ+ycosθ)，θ=nπ/K，n∈[0,1,…,N]，N為旋轉的方向總數；m∈[0,1,…,M]，M為在同一旋轉方向上的變換尺度總數。尺度因子τ可通過公式(4)獲得。

(4)

式中：Umax、Umin分別為最大、最小徑向中心頻率。變換后的頻率函數為(u′,v′)=(ucosθ+vsinθ,-usinθ+vcosθ)。方程中Fourier域中的尺度參數σu|m和σv|m可以按公式(5)計算。

(5)

式中：a為尺度因子。

將大米圖像以4×4的網格劃分為16塊，計算每一塊圖像在不同尺度和方向上濾波函數輸出的均值并統計概率值，其中濾波旋轉方向數為N=8個，尺度數為M=4個，最終獲得表述大米外觀品質信息的自然度、粗糙度、膨脹度等512維語義特征向量。

1.2 異構高光譜特征無綱量化算法

(6)

(7)

式中：J為輸入樣本總數。

1.3 非線性異構信息耦合算法

在投影的Hilbert空間中估計耦合特征的協方差矩陣[8]：

(8)

建立其特征方程：

Aυ=λυ。

(9)

(10)

在特征空間根據樣本之間的度量方法推斷大米品質等級信息[9]，首先要最小化模型樣本xi與對應的目標近鄰樣本平均度量：

(11)

式中：Ω是半正定矩陣；Ni為模型樣本xi目標鄰近索引集合。

其次是讓模型樣本xi到其目標近鄰樣本的度量與其到入侵近鄰的距離保持單位間隔[10]：

(12)

式中：l為入侵近鄰樣本索引；yl和yi為類別標簽集。

該求解問題可被重新表達為

(13)

最后，由輸入大米樣本附近的目標之間的度量來確定大米的品質等級。

2 試驗與分析

2.1 試驗數據獲取

本研究所用高光譜成像系統構件主要包括美國Dolan Jenner Industries有限公司研發的Fiber-Lite DC950線性光源，芬蘭光譜成像有限公司研發安裝的C-mount成像高精密級鏡頭OLES22的N17E-QE高光譜成像儀，中國臺灣Isuzu光學有限公司開發的型號為IRCP0076的電控移位載物臺平臺，這些設備被安裝在密閉暗室固定支架上，設定物鏡垂直高度參數為278 mm，設置高光譜相機曝光時間為 2 550 μs，調整電控移位載物臺平臺運動速度為30 mm/s，設定高光譜圖像分辨率大小為310×260像素點，光譜分辨率為 5 nm。本高光譜儀成像系統試驗平臺搭建于農業部光譜學重點實驗室，大米高光譜試驗數據采集時間為2017年年初。構建的高光譜儀成像系統用于獲取陳米與新米2種大米的特征高光譜圖，其原理如圖1所示。

2.2 光譜數據預處理

在獲得的大米樣本高光譜圖像數據中心區域選取 110×

110像素點面積區域作為感興趣區域，計算每一波段圖像上感興趣區域中全部像素點上的光譜反射率均值，作為該樣例的特征光譜曲線。高光譜分析軟件ENVI被用于校正獲得的大米高光譜圖像：

∑=(ηo-ηd)/(ηw-ηd)。

(2)

式中：ηo表示使用高光譜原始圖像反射率強度值；ηd表示高光譜圖像黑色吸光板校正后反射率強度值；ηw為高光譜圖像白色反光板校正后反射率強度值；∑為使用黑色吸光板和白色反光板聯合校正的高光譜圖像反射率強度值。在使用高光譜儀掃描大米樣本試驗過程中得到的漫反射大米光譜曲線一般都會夾雜一定程度的噪聲信號，本試驗使用多元光譜散射矯正法預處理大米高光譜反射數據，可消除隨機噪聲、光散射、雜散光、基線漂移等多重因素的影響[11-12]。

2.3 算法性能

將2種不同品質等級大米(陳米與新米)的高光譜特征圖作為輸入特征來驗證提出的模型。測試大米的樣本總數為200個，其中不同等級的大米測試樣本各100個，從同一等級的大米樣本中隨機抽取80個樣本用于建模，其余20個大米樣本用于驗證。使用高光譜影像特征信息提取算法抽取給定最優分辨率配置下多尺度濾波器輸出的大米高光譜影像特征和提取特征波段高光譜影像上選擇區域中全部像素點上大米的光譜反射特征值；通過異構特征無綱量化函數將無綱量化異質最優分辨率配置下多尺度濾波器輸出大米高光譜影像特征和特征波段高光譜影像上選擇區域中全部像素點上的光譜反射特征作為非線性信息耦合模型的輸入，將耦合特征映射到高維Hilbert空間中，消除由于非線性異質特征異構維度表達引起的影響，使得異質數據在高維線性同構空間中可以進行語義相似度度量，最后實現在高維特征空間中劃分大米品質等級的語義歸屬。建模數據集的模型預測精度使用N-fold交叉驗證法[13]來估計，獲得的單模態與多源異構模態大米品質信息等級建模集和預測集精度計算結果如表1所示。最終，可以根據返回的預測精度來了解大米品質等級的置信度。

表1 單模態與多源異構模態大米品質等級信息建模和預測精度

3 結論與討論

本研究創新之處在于提出了通過構建有效耦合多源異構高光譜波譜信息和影像信息模型來精確定性和定量劃分大米品質等級。試驗提取大米高光譜感興趣區域中全部像素點上的光譜反射率特征和最優分辨率配置下多尺度濾波器輸出的大米高光譜影像特征，通過異構特征無綱量化函數消除異質波譜特征和影像特征量綱的影響，在高維Hilbert空間中構建有效耦合機制，消除大米非線性高光譜多源品質等級信息異構特性的影響，在高維耦合空間中根據樣本之間的度量對多源異構大米高光譜非線性特征品質等級信息進行分類。本研究異構模態獲得84.5%的訓練精度和82.2%的測試精度，測試集和訓練集精度比傳統的基于單模態方法的平均識別精度分別提升了 4.10、4.65百分點，說明本研究提出的多源異構大米品質等級非線性高光譜信息耦合識別模型優于傳統的僅基于單源特征信息分類的模型。根據構建的理論模型，可以進一步開發出基于高光譜成像技術的大米綜合品質專用檢測儀器，直接應用于大米產品品質質量檢測，具有廣闊的應用前景。