高光譜成像技術(shù)在小麥不完善粒檢測(cè)中的應(yīng)用研究進(jìn)展

張巖

摘 要：本文主要介紹了高光譜成像技術(shù)及其在小麥不完善粒檢測(cè)中的應(yīng)用，指出了現(xiàn)階段在不完善粒檢測(cè)中存在的主要問(wèn)題，并對(duì)今后的研究方向進(jìn)行了展望，以期推動(dòng)高光譜成像技術(shù)在不完善粒檢測(cè)中的應(yīng)用發(fā)展。

關(guān)鍵詞：高光譜成像；小麥；不完善粒

小麥不完善粒實(shí)質(zhì)是籽粒受到機(jī)械損傷或者微生物侵害后胚或胚乳受到損傷，使籽粒品質(zhì)下降，是小麥品質(zhì)評(píng)價(jià)的重要因素，而在小麥流通過(guò)程中，它是增扣量的依據(jù)，因此，不完善粒檢測(cè)技術(shù)對(duì)準(zhǔn)確評(píng)價(jià)小麥質(zhì)量有重要意義。目前不完善粒檢測(cè)主要靠人工分揀，存在主觀性強(qiáng)、檢測(cè)時(shí)間長(zhǎng)、勞動(dòng)強(qiáng)度大、長(zhǎng)時(shí)間操作造成的視疲勞影響檢測(cè)的準(zhǔn)確度、重復(fù)性差、不同檢驗(yàn)員之間結(jié)果差異大等缺點(diǎn)，已不能滿足大規(guī)模麥粒快速、準(zhǔn)確檢測(cè)的需求，小麥不完善粒的自動(dòng)智能化識(shí)別已經(jīng)成為必然趨勢(shì)。

近年來(lái)國(guó)內(nèi)外專家提出了許多小麥不完善粒自動(dòng)識(shí)別方法，如基于聲學(xué)原理的檢測(cè)方法[1]、基于圖像特征的機(jī)器視覺技術(shù)[2]、近紅外光譜[3]等檢測(cè)方法。這些方法各有利弊，聲學(xué)原理的方法是由于麥克風(fēng)采集超聲信號(hào)，具有噪聲傳播、易受環(huán)境音和噪音干擾的缺點(diǎn)。傳統(tǒng)的機(jī)器視覺只能對(duì)外部特征進(jìn)行檢測(cè)，不能對(duì)內(nèi)部蟲害及外部差別比較小的樣品進(jìn)行識(shí)別，對(duì)蟲蝕粒小麥的檢測(cè)精度比較低。近紅外光譜通過(guò)樣品內(nèi)部含氫基團(tuán)振動(dòng)的倍頻和合頻吸收，可以獲取樣品內(nèi)部信息，但近紅外光譜分析容易受樣品均勻性和環(huán)境影響，對(duì)小麥粒這種非均勻、小顆粒物質(zhì)的應(yīng)用并不理想。因此高光譜成像技術(shù)因其圖譜合一的獨(dú)特優(yōu)勢(shì)得到了快速發(fā)展，該技術(shù)雖然還沒有實(shí)現(xiàn)大規(guī)模的工業(yè)應(yīng)用，但為小麥不完善粒的快速、智能自動(dòng)化識(shí)別提供了一種解決思路。

1 高光譜成像技術(shù)

高光譜成像技術(shù)是一種將計(jì)算機(jī)視覺和光譜學(xué)結(jié)合的多維度信息獲取技術(shù)，得到的數(shù)據(jù)是一個(gè)“三維數(shù)據(jù)塊”，具有較高的分辨率和圖譜合一的特性，既可以獲得樣品的物理性質(zhì)，又可以獲得樣品的化學(xué)組成。高光譜成像系統(tǒng)包括以下幾個(gè)部分：圖像單元、照明單元、電腦控制單元和樣品輸送單元。樣品輸送單元移動(dòng)樣品到指定位置，實(shí)現(xiàn)動(dòng)態(tài)掃描圖像，照明單元的漫反射光源將圖像分散，并投射在探測(cè)器陣列上，圖像單元采集圖像后，在電腦控制單元處理圖像數(shù)據(jù)和光譜數(shù)據(jù)，建立識(shí)別模型，并進(jìn)行判定分析。

1.1 圖像采集和數(shù)據(jù)預(yù)處理

將小麥粒置于背景板上，設(shè)置儀器條件并進(jìn)行圖像采集。圖像中的噪聲會(huì)影響特征提取，因此需對(duì)圖像進(jìn)行預(yù)處理。圖像預(yù)處理主要通過(guò)調(diào)整圖像灰度、對(duì)比度、降噪等來(lái)提高圖像質(zhì)量，改變感興趣區(qū)域位置等，以達(dá)到圖像增強(qiáng)的目的。為了提取有效的光譜信息，預(yù)處理光譜的主要方法有平滑、求導(dǎo)、多元散射校正和遺傳算法、標(biāo)準(zhǔn)正態(tài)變量變換等[4]。

1.2 圖像特征提取

圖像經(jīng)預(yù)處理后，提取形態(tài)、紋理、顏色等特征參數(shù)來(lái)表征小麥不完善粒間的差異。各類型不完善粒在形態(tài)、紋理和顏色方面不同，使用對(duì)小麥籽粒識(shí)別貢獻(xiàn)較大的特征參數(shù)有利于減小數(shù)據(jù)量，縮短數(shù)據(jù)處理時(shí)間，因此一般在建立識(shí)別模型前，要對(duì)特征參數(shù)進(jìn)行選擇或者優(yōu)化[5]。

1.3 光譜特征波段選擇

若直接用全波段數(shù)據(jù)進(jìn)行建模，則數(shù)據(jù)量過(guò)大，建模效率低，與不完善粒無(wú)關(guān)的數(shù)據(jù)可能會(huì)影響模型的精確性，因此需要選擇光譜特征波段，保留主要信息，減小數(shù)據(jù)量，簡(jiǎn)化模型，提高運(yùn)算速度。選擇特征波長(zhǎng)一般包括主成分分析法、遺傳算法、連續(xù)投影法和消除不需要變量等方法。基于特征波長(zhǎng)建立的高光譜系統(tǒng)，可以簡(jiǎn)化模型、提高運(yùn)算速度，結(jié)構(gòu)簡(jiǎn)單，降低成本，可以實(shí)現(xiàn)在線實(shí)時(shí)檢測(cè)[6]。

1.4 建立模型識(shí)別分析

在圖像、光譜數(shù)據(jù)處理基礎(chǔ)上，建立基于光譜、圖像特征的預(yù)測(cè)模型，目前常用的方法包括支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等，其中深度學(xué)習(xí)包括未經(jīng)監(jiān)督的預(yù)培訓(xùn)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等。目前，采用人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)方法來(lái)提取特征建模得到了廣泛應(yīng)用，人為提取圖像和光譜特征參數(shù)過(guò)程復(fù)雜，需通過(guò)實(shí)驗(yàn)不斷擇優(yōu)，而且麥粒品種混合、不完善粒間存在交錯(cuò)、圖像采集時(shí)光照不均等因素導(dǎo)致在實(shí)際應(yīng)用中難以找到準(zhǔn)確、穩(wěn)定的特征參數(shù)。人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)模型則不需要圖像預(yù)處理和特征提取等復(fù)雜操作，可直接輸入圖像數(shù)據(jù)，它具備自主特征學(xué)習(xí)、并且自我完善等優(yōu)點(diǎn)[7]。

2 在小麥不完善粒檢測(cè)中的應(yīng)用

高光譜反射光成像技術(shù)在目前谷物外觀品質(zhì)檢測(cè)中最常用，獲取圖像的光譜范圍通常在可見近紅外波段（400～1 000 nm）和近紅外波段（1 000～1 700 nm）[8]。小麥實(shí)際流通中，只需識(shí)別出不完善粒，因此文獻(xiàn)中通常對(duì)正常粒與異常粒進(jìn)行識(shí)別，提取和利用高光譜三維數(shù)據(jù)立方體中的光譜信息、圖像信息或者融合圖像特征和光譜特征進(jìn)行建模分析，文獻(xiàn)研究多集中在生芽粒、蟲蝕粒和病斑粒。Singh C B等利用短波近紅外-高光譜成像技術(shù)結(jié)合彩色成像技術(shù)在700～1 000 nm波長(zhǎng)范圍內(nèi)鑒別小麥蟲蝕粒和正常粒，從高光譜圖像中提取統(tǒng)計(jì)特征和直方圖特征，從彩色圖像中提取顏色、紋理和形態(tài)特征，用3個(gè)統(tǒng)計(jì)判別分類器進(jìn)行識(shí)別，其中二次判別分析分類器識(shí)別正確率最高，對(duì)蟲蝕粒和正常粒的準(zhǔn)確率達(dá)91.0%～100.0%和96.3%[9]。

通過(guò)選擇特定波段建立一個(gè)低成本成像系統(tǒng)，這對(duì)于后續(xù)工業(yè)應(yīng)用是非常有吸引力的。Barbedo J G A等采用近紅外高光譜成像技術(shù)對(duì)小麥生芽粒和正常粒進(jìn)行了判別，準(zhǔn)確率達(dá)100%，并通過(guò)實(shí)驗(yàn)選取最相關(guān)的兩個(gè)波段918 nm、1411 nm[10]進(jìn)行檢測(cè)。選取特定波段，可以減少數(shù)據(jù)冗余，簡(jiǎn)化模型，建立低成本的成像系統(tǒng)，降低后期工業(yè)應(yīng)用的硬件系統(tǒng)成本。劉爽在可見光到近紅外（470～1 100 nm）波段采集正常粒和赤霉病粒小麥的高光譜圖像，通過(guò)主成分分析和連續(xù)投影法提取了8個(gè)特征波長(zhǎng)：479.9、498.2、543.8、630.5、726.2、828.9、904.1 nm與920.1 nm，采用5種分類算法構(gòu)建多種識(shí)別模型，最佳識(shí)別率在90%左右，實(shí)現(xiàn)了小麥赤霉病粒的快速識(shí)別[11]。不同品種小麥的特征波長(zhǎng)可能有所不同，因此需要更多檢測(cè)數(shù)據(jù)來(lái)建立識(shí)別模型，以提高不完善粒的識(shí)別精度。

高光譜成像系統(tǒng)可以實(shí)現(xiàn)多種類不完善粒的高效率判別，結(jié)合圖像特征和光譜特征建立的識(shí)別模型對(duì)不完善粒的識(shí)別率更高，利用人工神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)與高光譜技術(shù)結(jié)合建立的識(shí)別模型，具有更高的識(shí)別效率。于重重等利用高光譜成像技術(shù)結(jié)合卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)小麥蟲蝕粒、破損粒、黑胚粒，結(jié)果表明樣本分類識(shí)別正確率分別達(dá)到了100%、100%、98.98%，而且卷積神經(jīng)網(wǎng)絡(luò)分類模型優(yōu)于支持向量機(jī)分類模型[12]。劉歡等利用光譜特征與圖像特征結(jié)合的方法建立小麥不完善粒鑒別模型，結(jié)合10個(gè)特征波段的形態(tài)信息、紋理信息和光譜信息進(jìn)行分析，實(shí)驗(yàn)結(jié)果表明，鑒別的平均識(shí)別精度達(dá)到94.2%，識(shí)別效果與利用全波段光譜數(shù)據(jù)的識(shí)別效果基本相當(dāng)，對(duì)小麥不完善粒檢測(cè)具有良好的效果，有效提高了運(yùn)算速度，又保證了系統(tǒng)的鑒別精確度，為后期開發(fā)小麥不完善粒檢測(cè)高光譜快檢設(shè)備提供了研究方向[13]。

3 存在問(wèn)題與發(fā)展方向

高光譜成像技術(shù)雖然已在許多領(lǐng)域廣泛應(yīng)用，但在小麥不完善粒檢測(cè)上還停留在實(shí)驗(yàn)室試驗(yàn)階段，距離實(shí)際應(yīng)用仍有許多問(wèn)題需要克服，主要包括以下方面：①高光譜成像系統(tǒng)硬件花費(fèi)高，動(dòng)態(tài)實(shí)時(shí)檢測(cè)設(shè)備受燈變異、圖像捕捉位置、背景復(fù)雜等因素的影響，后期數(shù)據(jù)處理較為復(fù)雜，且缺少自動(dòng)化智能設(shè)備；②高光譜成像技術(shù)檢測(cè)小麥不完善粒的數(shù)據(jù)較少，缺少數(shù)據(jù)庫(kù)，目前建立的模型并未完全覆蓋小麥不完善粒類型，不同品種的小麥的特征波長(zhǎng)可能有所不同，需大量的研究數(shù)據(jù)來(lái)建立可靠的識(shí)別模型。

將高光譜成像技術(shù)成功應(yīng)用于小麥不完善粒的現(xiàn)場(chǎng)快速檢測(cè)仍需做大量工作：首先，對(duì)各個(gè)波段進(jìn)行分析，尋找最能突出小麥不完善粒識(shí)別特征的最佳波段，利用特征波長(zhǎng)建立結(jié)構(gòu)簡(jiǎn)單的高光譜系統(tǒng)，降低成本；其次，建立多種類小麥不完善粒數(shù)據(jù)庫(kù)，并在實(shí)際應(yīng)用中不斷更新，使模型泛化，適用范圍更廣；最后，人工神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)技術(shù)結(jié)合高光譜檢測(cè)技術(shù)，降低數(shù)據(jù)處理的復(fù)雜性，開發(fā)自動(dòng)化智能設(shè)備，將其與農(nóng)業(yè)機(jī)械結(jié)合，簡(jiǎn)化操作，實(shí)現(xiàn)小麥不完善粒實(shí)時(shí)、動(dòng)態(tài)識(shí)別。

參考文獻(xiàn)

[1]魏琳，王愛民，楊紅衛(wèi).基于聲學(xué)原理的小麥蟲蝕粒檢測(cè)方法研究[J].農(nóng)機(jī)化研究，2013（6）：33-36.

[2]何小海，王周璞，吳小強(qiáng)，等.一種基于機(jī)器視覺的小麥不完善粒識(shí)別方法[P].中國(guó)：CN108875747A.2018-11-23.

[3]付玲.小麥質(zhì)量快速測(cè)定與評(píng)價(jià)技術(shù)的研究[D].鄭州：河南工業(yè)大學(xué)，2013.

[4]Pu Y Y， Feng Y Z， Sun D W. Recent progress of hyperspectral imaging on quality and safety inspection of fruits and vegetables： a review[J]. Comprehensive Reviews in Food Science and Food Safety， 2015，14（2）：176-188.

[5]張玉榮，陳賽賽，周顯青，等.基于圖像處理和神經(jīng)網(wǎng)絡(luò)的小麥不完善粒識(shí)別方法研究[J].糧油食品科技，2014，22（3）： 59-63.

[6]于宏威，王強(qiáng)，劉麗，等.糧油品質(zhì)安全高光譜成像檢測(cè)技術(shù)的研究進(jìn)展[J].光譜學(xué)與光譜分析，2016，36（11）： 3643-3650.

[7]曹婷翠，何小海，董德良，等.基于CNN深度模型的小麥不完善粒識(shí)別[J].現(xiàn)代計(jì)算機(jī)：上下旬，2017（24）：9-14.

[8]Wu D， Sun D W. Advanced applications of Hyperspectral Imaging Technology for Food Quality and Safety Analysis and Assessment： A Review—Part II： Applications[J]. Innovative Food Science & Emerging Technologies， 2013（19）：15-28.

[9]Singh C B， Jayas D S， Paliwal J， et al. Identification of InsectDamaged wheat Kernels using Shortwave Near-infrared Hyperspectral and Digital Colour Imaging[J]. Computers and Electronics in Agriculture， 2010，73（2）：118-125.

[10]Barbedo J G A， Guarienti E M， Tibola C S. Detection of Sprout damage in Wheat Kernels using NIR Hyperspectral Imaging[J]. Biosystems engineering，2018（175）：124-132.

[11]劉爽.小麥赤霉病高光譜信息多循環(huán)提取及組合式識(shí)別研究[D].北京：中國(guó)科學(xué)院大學(xué)，2019.

[12]于重重，周蘭，王鑫，等.基于CNN神經(jīng)網(wǎng)絡(luò)的小麥不完善粒高光譜檢測(cè)[J].食品科學(xué)，2017（24）：46.

[13]劉歡，王雅倩，王曉明，等.基于近紅外高光譜成像技術(shù)的小麥不完善粒檢測(cè)方法研究[J].光譜學(xué)與光譜分析，2019，39（1）：223.