基于高光譜圖像的小麥種子純度/含水量檢測系統(tǒng)

朱潘雨，方雯昕，黃 敏，趙 鑫，陳艷萍

(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.江蘇省農(nóng)業(yè)科學院糧食作物研究所，南京 210014)

0 引言

種子是一切農(nóng)業(yè)生產(chǎn)的基礎。小麥種子的純度和含水量是反映小麥種子質(zhì)量的兩個重要指標。隨著雜交技術(shù)的廣泛使用，各種新品種的小麥種子不斷涌現(xiàn)，為改善作物產(chǎn)量和品質(zhì)，提高農(nóng)業(yè)經(jīng)濟效益提供了條件。但是育種過程中的去雄不徹底，育種區(qū)域內(nèi)其它品種的污染，都會導致小麥種子純度的降低，并最終影響到作物的產(chǎn)量和品質(zhì)[1]。小麥種子的含水量對小麥種子的壽命有著重要的影響。當小麥種子含水量過高時，會使小麥種子呼吸作用過于旺盛，并使微生物大量繁殖，從而使貯藏小麥種子的壽命大大縮短；而當小麥種子含水量過低時，則會使小麥種子失水死亡[2]。因此，小麥種子的純度、水分是我國《農(nóng)作物種子檢驗規(guī)程》規(guī)定的小麥種子檢驗的必檢項目。

傳統(tǒng)的小麥種子純度檢測主要包括形態(tài)鑒定、田間種植、生化方法和分子標記技術(shù)；而含水量檢測主要采用烘干減重法、甲苯蒸餾法和卡爾費休法等。上述方法存在實時性差、難以滿足小麥種子企業(yè)在收儲環(huán)節(jié)對小麥種子逐批次檢測的需要。近年來，具有快速、無損檢測優(yōu)點的高光譜圖像技術(shù)被引入到小麥種子的純度和含水量檢測領(lǐng)域，涌現(xiàn)了大量的研究報道[3-8]。然而，現(xiàn)有的研究都是基于實驗室條件，當面向收儲環(huán)節(jié)的現(xiàn)場應用時，需要解決下列問題：1)利用高光譜圖像進行小麥種子純度和水分檢測時，涉及到系統(tǒng)校準、圖像采集和后續(xù)的數(shù)據(jù)分析處理等多個環(huán)節(jié)；但現(xiàn)有的設備集成度差，需要操作人員具備較高的技能，導致現(xiàn)場應用困難；2)小麥種子品種的多樣性、種植環(huán)境的時空分布變化會導致數(shù)據(jù)分析模塊的性能退化，需要及時更新維護數(shù)據(jù)分析模塊。

為了滿足小麥種子純度和含水量檢測的現(xiàn)場應用需求，本文基于高光譜圖像技術(shù)，開發(fā)了小麥種子純度/含水量自動檢測系統(tǒng)。檢測系統(tǒng)集成了系統(tǒng)校準、高光譜圖像采集、數(shù)據(jù)分析，模型更新、報告輸出等功能模塊，具有功能完善、操作簡便、可擴展性強等優(yōu)點。所設計的小麥種子純度(準確率>90%，精確率>90%，召回率>90%)和含水量(決定系數(shù)>0.9，均方根誤差<1.0%)檢測系統(tǒng)為促進高光譜圖像技術(shù)在小麥種子質(zhì)量檢測領(lǐng)域的現(xiàn)場應用提供了可能。

1 高光譜成像技術(shù)

高光譜成像技術(shù)通過高光譜相機獲取被測物體在不同波段下的空間圖像(稱為高光譜圖像)，并借助于化學計量學方法構(gòu)建高光譜圖像與被測物體感興趣指標(成分、種類等)的函數(shù)關(guān)系，從而實現(xiàn)感興趣指標的無損快速測量[9-12]。圖1給出了由高光譜相機獲取的高光譜圖像數(shù)據(jù)結(jié)構(gòu)。其中，x和y代表空間信息，z代表光譜(波段)信息。為了獲得完整、清晰的被測物體的空間信息，高光譜成像系統(tǒng)需要涉及到光源功率、高光譜相機焦距、平臺運動、圖像采集等多個環(huán)節(jié)的協(xié)調(diào)控制；同時為了獲得高精度的檢測模型，需要開發(fā)和維護后續(xù)的數(shù)據(jù)分析模塊。本文對上述關(guān)鍵環(huán)節(jié)進行集成優(yōu)化，以實現(xiàn)小麥種子純度/含水量的高精度檢測。

圖1 高光譜數(shù)據(jù)結(jié)構(gòu)

2 系統(tǒng)硬件設計

2.1 硬件整體設計

如圖2所示，基于高光譜圖像的小麥種子純度/含水量檢測系統(tǒng)的硬件模塊主要由STM32控制模塊、溫濕度傳感器、步進電機(含驅(qū)動板)、載物臺、數(shù)粒板、光源(含控制器)，高光譜相機、Windows操作平臺和操作暗箱9部分組成。STM32控制模塊以STM32F103RBT6芯片為控制核心，控制步進電機1和2的移動速度和方向，實現(xiàn)成像系統(tǒng)的焦距調(diào)整和多粒小麥種子圖像的不失真采集。為了保證采集環(huán)境溫濕度的穩(wěn)定和高光譜圖像的信噪比，STM32控制模塊通過RS232協(xié)議控制光源5的功率，并通過RS485協(xié)議讀取溫濕度傳感器6采集溫濕度信息。除軟件操作平臺外，整個硬件系統(tǒng)放置在操作暗箱內(nèi)，以避免環(huán)境光的干擾。在采集小麥種子高光譜圖像數(shù)據(jù)時，將載有小麥種子的數(shù)粒板放置在載物臺上，通過上位機軟件完成對電機運動的控制，光源功率的調(diào)節(jié)和圖像的采集。

圖2 系統(tǒng)總體結(jié)構(gòu)圖

2.2 電機模塊

基于高光譜圖像的小麥種子純度/含水量檢測系統(tǒng)所使用的步進電機1和2的驅(qū)動器工作電壓為24 V，輸入脈沖下降沿有效，控制電機的移動速度以及移動方向，脈沖低電平為0～+0.5 V，高電平為+5～+28 V。以電機1控制為例，由于STM32的IO輸入輸出高低電平分別為+3.3 V和0 V，欲使其低電平滿足0～+0.5 V，高電平滿足+5～+28 V，應將STM32的IO口接1 kΩ的上拉電阻和+5 V電平實現(xiàn)漏極開路輸出，如圖3所示。圖3中PC12為STM32引腳獲取輸入脈沖，HPWM接驅(qū)動器控制電機移動速度，電機移動方向控制原理也類似。

圖3 漏極開路輸出電路原理圖

為了防止載物臺移動到兩端時，電機保持繼續(xù)轉(zhuǎn)動對電機本身造成損害，本系統(tǒng)采用了工作電壓為24 V的NPN型接近開關(guān)來檢測載物臺是否移動到電機兩端，該接近開關(guān)的電源線接+24 V和地，信號線向STM32發(fā)送高低電平。其工作原理為當接近開關(guān)前端檢測到金屬物體時，接近開關(guān)觸發(fā)，燈亮且信號線釋放低電平。由于信號線在高電平時為+24 V，需要將其接22 K電阻分壓，才能保證STM32接收到的高電平為+3.3 V，當STM32接收到金屬感應接近開關(guān)的低電平信號時，立即向電機發(fā)送停止信號。

2.3 溫濕度檢測模塊電路

CCD成像器件在無光注入情況下產(chǎn)生暗電流信號，暗電流受溫度的強烈影響[13-15]。為了減小溫度變化對暗電流產(chǎn)生影響，導致前后采集到圖像的暗電流不一致，本系統(tǒng)采用高精度的SHT20溫濕度傳感器用來監(jiān)測操作箱內(nèi)溫濕度變化，在操作暗箱內(nèi)溫濕度不再發(fā)生變化的前提下進行圖像采集。該溫濕度傳感器電源線分別接+12 V和GND，由于開關(guān)電源輸出電壓為24 V，為了減少外部元器件的使用，并且使得系統(tǒng)的集成化程度更高，本系統(tǒng)采用TPS5430DDAR芯片將24 V電源轉(zhuǎn)為12 V電源電路模塊集成到開發(fā)板上，電路原理如圖4所示。圖5為TTL轉(zhuǎn)RS485電路原理圖，主芯片為SP3485EEN，U6接溫濕度傳感器信號線，用于與SP3485EEN傳輸信號，PA2，PA3接STM32芯片對應引腳，用來建立SP3485EEN與STM32通信，STM32接PA4控制接收器和驅(qū)動器使能。

圖4 24 V轉(zhuǎn)12 V模塊電路原理圖

圖5 TTL轉(zhuǎn)RS485模塊電路原理圖

2.4 成像模塊和光源功率調(diào)節(jié)

成像模塊和光源功率調(diào)節(jié)模塊為圖像采集模塊的硬件部分。成像模塊采用由美國Corning公司生產(chǎn)的microHSI-410高光譜相機以線掃描的方式進行數(shù)據(jù)采集，其波段范圍為400～1 000 nm，空間分辨率最大為1 000×1 265個像素點，其中1 000為線掃描下完整批次的總條數(shù)，1 265為每條線掃描下獲取的像素點，光譜分辨率在2～8 nm編程可調(diào)。在接收上位機的指令后，電機1運動，相機打開并根據(jù)相應參數(shù)調(diào)整曝光時間對實驗樣品進行拍攝，將每次線掃描采集到的高光譜數(shù)據(jù)傳輸至上位機整合成一副完整的高光譜圖像。

本系統(tǒng)采用Illumination Technologies公司生產(chǎn)的鹵素光源，光源功率0～150 W內(nèi)連續(xù)可調(diào)，具有穩(wěn)定的光照強度輸出，誤差控制為±0.1%以內(nèi)。該光源配套的光源控制器具有手動調(diào)節(jié)，基于RS232協(xié)議的編程指令調(diào)節(jié)和基于RS485協(xié)議的編程指令調(diào)節(jié)3種方式。其中后兩種方式通過DB15的雙排接口接收STM32傳送過來的指令。本系統(tǒng)基于RS232協(xié)議，實現(xiàn)光源功率調(diào)節(jié)，主要由STM32控制RS232模塊，進而控制滿足需求的光照強度。相應的硬件實現(xiàn)電路原理如圖6所示，圖中IN1，OUT1分別接DB15的引腳6和引腳7，以建立RS232與單片機通信。光源具有近似穩(wěn)定的線性輸入輸出，在實際開發(fā)中需要將其轉(zhuǎn)為對應的二進制編碼(例如“255”在程序中應為“11111111”)傳到TTL轉(zhuǎn)RS232模塊即可實現(xiàn)對光源強度的控制，本系統(tǒng)與手動調(diào)節(jié)類似，采用10個檔位進行調(diào)節(jié)，在上位機發(fā)出光源強度指令信號以后，STM32獲取到該指令，并通過RS232對光源強度進行調(diào)節(jié)。

圖6 TTL轉(zhuǎn)RS232模塊電路原理圖

3 軟件設計

3.1 整體設計

基于高光譜圖像的小麥種子純度/含水量檢測系統(tǒng)的軟件部分基于Python編程語言實現(xiàn)，由數(shù)據(jù)管理模塊，系統(tǒng)校正模塊，圖像采集模塊，數(shù)據(jù)分析模塊和模型更新模塊組成，軟件操作平臺框架如圖7所示。軟件操作平臺設計流程如下：1)系統(tǒng)運行以后首先會出現(xiàn)登錄界面，獲得普通權(quán)限可以完成系統(tǒng)校正，圖像采集，數(shù)據(jù)分析操作等功能；在登錄界面獲取管理員權(quán)限才能進入模型更新模塊；2)在系統(tǒng)校正模塊中，實驗人員隨機設置初始化曝光時間，光源強度和樣品移動速度，在系統(tǒng)校正模塊中預拍攝一張圖像，獲取到最佳的光源強度和樣品移動速度參數(shù)；3)系統(tǒng)校正模塊中獲取到的參數(shù)自動導入圖像采集模塊中，實驗人員即可進行圖像采集；4)在數(shù)據(jù)分析模塊中對采集的圖像進行分析，包括含水量和純度檢測兩項指標；5)根據(jù)實際需要在模型更新模塊中可對模型進行訓練和更新，數(shù)據(jù)管理等操作，其流程如圖8所示。

圖7 軟件操作平臺設計

圖8 軟件操作平臺設計流程

3.2 系統(tǒng)校正模塊

美國Corning公司為本系統(tǒng)使用的microHSI-410高光譜相機提供了一套與python編程語言相適應的API接口，使對相機的初始化設置，拍攝數(shù)目，曝光時間等多種操作可以通過編程實現(xiàn)。根據(jù)需求，系統(tǒng)校正模塊應當實現(xiàn)聚焦調(diào)節(jié)，光源校正和速度校正3種校正以匹配圖像采集所需最佳參數(shù)，界面如圖9所示。初始化基本參數(shù)設置包括光源強度，曝光時間和速度。本模塊實現(xiàn)的功能為移動電機2實現(xiàn)焦距的調(diào)節(jié)，預拍攝一副白板校正圖像實現(xiàn)光源校正，預拍攝一副正圓物體的圖像實現(xiàn)速度校正。具體軟件實現(xiàn)如下：1)將獲取的“光源強度”值編碼為“utf-8”寫入串口并傳輸至下位機，下位機與RS232通信對光源亮度調(diào)節(jié)(通信方式見2.3)；2)通過定時器給電機2分配移動速度，使STM32接收到上位機的指令后，即可實現(xiàn)對電機2移動方向和移動速度的控制；3)“光源校正”板塊操作開始后，系統(tǒng)自動打開相機并通過相機API接口提供的set_exposure函數(shù)對曝光時間進行設置，同時將給出的初始速度進行編碼寫入串口傳輸至下位機，電機開始移動。結(jié)束拍攝時，相機關(guān)閉且調(diào)用時間線程停止電機移動，拍攝完成。此時系統(tǒng)自動提取拍攝到的光譜數(shù)據(jù)并將其最大值的2/3作為最終的光源強度。利用界面彈出對話框確定用戶是否保存系統(tǒng)分析的光源強度數(shù)值，如需保存則將此數(shù)值寫入txt文檔中；4)“速度校正”板塊拍攝原理與“光源校正”板塊類似，不同之處在于本板塊需要拍攝的是正圓形的物體，系統(tǒng)后臺會自動提取此高光譜圖像下的圖像信息，根據(jù)輪廓檢測算法提取到正圓形物體所處的感興趣區(qū)域[16-19]，計算其長短軸之比來匹配合適的物體移動速度，使其滿足圖像采集過程中不失真的要求，同時界面會彈出對話框，確定用戶是否保存系統(tǒng)分析的速度數(shù)值，如需保存則將此數(shù)值寫入txt文檔中。

圖9 系統(tǒng)校正設計

3.3 圖像采集模塊

在進入本系統(tǒng)圖像采集模塊的同時，系統(tǒng)會自動導入用戶在系統(tǒng)校正模塊中保存的光源強度，曝光時間和速度，實驗人員也可以根據(jù)實際需要自行設置，完成上述設置即可進行圖像采集操作。本系統(tǒng)進行小麥種子含水量測定和品種純度鑒定除需要采集正常的樣品圖像外，還包含采集高光譜反射實驗所需的黑板校正圖像和白板校正圖像以消除暗電流影響[20-23]，校正公式：

(1)

R，D，I0，I分別為全白板圖像、全黑板圖像、采樣圖像和校正后的圖像。由于采集1 000條樣品即可完成一個批次數(shù)據(jù)的拍攝，所以設計樣品采集圖像在每個波段下的空間分辨率為1 000×1 265個像素點。相應地，對于黑白板校正圖像的設計均為采集10條樣本數(shù)據(jù)，即共10×1 265個像素點，對其求平均再將其維度擴展為1 000×1 265，利用以上處理數(shù)據(jù)對圖像進行校正。圖10顯示了拍攝全黑板圖像，全白板圖像以及樣品圖像相應的界面。為了提高效率，減少內(nèi)存占用，本模塊采用邊采集圖像邊保存的方式。即在采集圖像的同時，借助gdal包將拍攝到的數(shù)據(jù)逐條寫入hdr文件中，并默認保存到當前目錄的“HDRData”目錄下。用戶也可以根據(jù)采集圖像前彈出的對話框自定義文件保存路徑。為了將拍攝到的圖像直觀地展示出來，系統(tǒng)選取波長分別為635 nm，525 nm，460 nm下對應圖像組合成的偽RGB圖像[24-26]，通過matplotlib和pyqt5展示，如圖10所示。同時為了方便實驗人員對圖像波形有基本的了解以及便于后續(xù)的操作，系統(tǒng)將光譜數(shù)據(jù)通過界面展示出來，即用戶可以點擊圖像內(nèi)的任意位置，顯示其波形圖，圖10左下角所示。

圖10 樣品采集模塊

3.4 數(shù)據(jù)分析模塊

偏最小二乘算法(PLS，partial least squares)的基本思想是最小化誤差的平方和找到一組數(shù)據(jù)的最佳函數(shù)匹配。首先對高光譜數(shù)據(jù)矩陣X和含水量矩陣Y進行主成分分析：

X=TP+E

Y=UQ+F

(2)

主成分個數(shù)由權(quán)重項w決定，分解得到各自對應的得分矩陣T、U和載荷矩陣P、Q，殘差項分別為E、F。通過主成分分析T=XP，可以將高光譜數(shù)據(jù)矩陣和含水量矩陣分別降至相應的低緯度空間，并保留原矩陣中的大部分有效信息。再對建立各自得分矩陣之間的線性回歸方程：

U=TB

(3)

B為回歸系數(shù)矩陣：

B=TU(TTT)-1

(4)

最后X相對與Y的線性回歸可轉(zhuǎn)變?yōu)閄得分矩陣相對于Y的線性回歸[27]：

Y=TBQ

(5)

PLS-DA是最常用的一種線性判別算法。PLS-DA的基本思想是通過PLS分類技術(shù)在特征提取過程中獲取樣本的分類信息，然后建立自變量和分類變量之間的回歸模型，進而有效地提取出與分類有關(guān)的特征變量，實現(xiàn)數(shù)據(jù)的分類識別。主要步驟如下：首先對光譜矩陣X和類別向量Y進行正交分解，得到光譜矩陣和類別向量Y的得分矩陣T和U，見式(7)和式(8)。然后對得分矩陣T和U進行線性回歸，求得回歸系數(shù)B，如式(9)和式(10)所示。最后通過式(11)求得未知樣品光譜矩陣Xtest的預測類別Ytest。其中P和Q分別為光譜矩陣X和類別向量Y的載荷矩陣；E和F分別為光譜矩陣X和類別向量Y的PLS擬合殘差矩陣[28]。

X=TP+E

(7)

Y=UQ+F

(8)

U=TB

(9)

B=(TTT)-1(TTU)

(10)

Ytest=XtestBQ

(11)

本研究數(shù)據(jù)處理流程如下：1)設定好光源強度，移動速度，對實驗樣品進行高光譜圖像采集；2)將采集到的高光譜圖像進行黑白板校正和閾值分割，其中黑白板校正公式為公式(1)，由于高光譜圖像在第180波段(757 nm)處最為清晰，所以選擇在此波段下進行閾值分割，獲取感興趣區(qū)域，所拍攝的高光譜的偽RGB圖像與閾值分割后的圖像如圖11(a)，11(b)所示；3)提取閾值分割后感興趣區(qū)域(即小麥種子所在區(qū)域)對應的高光譜數(shù)據(jù)，在小麥種子純度檢測中，以每粒小麥種子在300個波段下的平均光譜作為輸入量，小麥的品種作為輸出量，利用PLS-DA建模；在小麥種子含水量檢測中，以每批小麥種子在300個波段下的平均光譜作為輸入量，小麥的品種作為輸出量，利用PLS建模。

圖11 所拍攝高光譜圖像和閾值分割后圖像

上述對小麥種子含水量的PLS算法模型和純度檢測的PLS-DA算法模型已經(jīng)嵌入到本系統(tǒng)的數(shù)據(jù)分析模塊當中，數(shù)據(jù)分析模塊界面如圖12所示。用戶可根據(jù)圖像采集模塊中背景和實驗樣品的波形，選擇合適的數(shù)值對閾值進行設置，即圖12中閾值設置1。對拍攝的圖像進行預處理調(diào)用了opencv的結(jié)構(gòu)體元素，該結(jié)構(gòu)體的核函數(shù)大小由用戶通過下拉框?qū)﹂撝?進行設置，目的是按照需求對感興趣區(qū)域進行腐蝕膨脹，獲取到相對標準樣品的形狀。圖中“模型選擇”中通過系統(tǒng)后臺遍歷本地路徑下已經(jīng)訓練好的品種純度檢測的模型。本模塊連接打印功能，將模塊分析的結(jié)果生成檢測報告，檢測報告主要包括品種純度鑒定圖像，含水量，檢驗日期和從數(shù)據(jù)庫獲取到當前的檢驗人員用戶名等。

圖12 數(shù)據(jù)分析模塊

3.5 模型更新模塊

光譜信息易受環(huán)境、時間的影響，當待測樣本的產(chǎn)地或者年份發(fā)生改變時光譜信息也隨之改變，導致建立的模型的穩(wěn)定性變差、泛化能力減弱[29]。為了提高系統(tǒng)的泛化能力以及確保小麥種子含水量和純度的檢測精度。本系統(tǒng)模型更新模塊采用重新練進行模型更新。具體實現(xiàn)為：1)在人機交互界面提供相應接口，將實驗人員選擇的信息(模型，數(shù)據(jù)，文件等)記錄在相應的txt文檔里面；2)模型更新或生成期間根據(jù)txt內(nèi)容進行讀取并運行，生成相應的模型；3)由用戶選擇是否對生成的新模型進行保存。具體操作為用戶在如圖13所示的界面中選擇需要更新的模型，導入需要更新的數(shù)據(jù)，選擇需要運行的程序系統(tǒng)后端會自動運行程序并自動生成對應模型。

3.6 數(shù)據(jù)管理模塊

在進入系統(tǒng)界面之前，普通實驗人員通過獲得相應權(quán)限之后可以對前述3個模塊進行操作(系統(tǒng)調(diào)節(jié)，圖像采集和數(shù)據(jù)分析模塊)。為了防止普通實驗人員的誤操作，在進入模型更新模塊之前需要點擊“管理員”獲得更高級別的權(quán)限才能進入。同時為了方便數(shù)據(jù)的管理以及提高數(shù)據(jù)的安全性，本模塊添加了mysql數(shù)據(jù)庫功能。將mysql數(shù)據(jù)庫應用到本系統(tǒng)當中，可以實現(xiàn)對對實驗人員和管理人員的管理，以及對模型、實驗數(shù)據(jù)和檢測報告等重要資源的添加、刪除、上傳、下載等操作。數(shù)據(jù)管理模塊如圖13所示。

圖13 模型更新和數(shù)據(jù)管理模塊

4 實驗與結(jié)論

4.1 含水量檢測

本實驗共使用50批小麥，每批20粒，共1 000粒小麥種子。將小麥種子根據(jù)含水量不同劃分為5個梯度等級，每個梯度10個批次。第一個梯度每批20粒小麥含水量為0 mg(0 mg/20粒)，第二個梯度為720 mg/20粒，第三個梯度為1 440 mg/20粒，第四個梯度為2 160 mg/20粒，第五個梯度為2 880 mg/20粒。實驗采用烘干減重法，烘干前將每個批次小麥拍攝高光譜圖像并稱重，記錄下此時重量M2，然后將其放入130℃恒溫烘干箱中烘干1小時，烘干后稱重并記錄下此時重量M1。含水量測定公式如下：

(12)

式中，M2為烘干前的質(zhì)量，M1為烘干后的質(zhì)量，R為含水量。

本實驗目前涉及到的含水量檢測模型是圍繞偏最小二乘回歸算法展開的。實驗將每批20粒小麥種子樣品在對應的高光譜圖像經(jīng)過黑白板校正與閾值分割后，以300個波段下的平均光譜作為輸入量，含水量作為輸出量。采用PLS訓練上述40批小麥種子樣本干燥前的平均光譜和含水量，對上述剩余10批小麥種子樣品進行預測，選擇決定系數(shù)(R2)，均方根誤差(RMSE)作為評價指標。PLS相關(guān)指標分別為決定系數(shù)0.943，均方根誤差0.81%，滿足系統(tǒng)含水量實際檢測需求，10批小麥種子的真實值和預測值如表1所示。

表1 11批小麥種子含水量的真實值和預測值

4.2 純度檢測

本實驗選取偉隆169，百農(nóng)4199，濟麥44，周麥33四個品種的小麥種子樣品各1280粒。實驗目的是進行純度鑒別，即在混有上述4類小麥種子樣品中，鑒別出滿足需求的種子類別的小麥種子樣品(以下稱為正樣本)，將其余3個種類的小麥種子樣品視為雜質(zhì)樣本(以下稱為負樣本)。

本實驗對小麥種子的純度鑒別是基于PLS-DA模型的基礎之上實現(xiàn)的。實驗對每個品種各拍攝了10批樣本，每批小麥種子數(shù)量為128粒，對每批小麥種子樣品對應的高光譜圖像經(jīng)過黑白板校正與閾值分割后，以每粒小麥種子在300個波段下的平均光譜作為輸入量，小麥的品種作為輸出量。實驗選取了8批偉隆169共1 024粒作為正樣本，百農(nóng)4 199，濟麥44，周麥33各80粒作為負樣本，訓練偏最小二乘判別分析模型，對剩余2批共1024粒小麥種子的正負混合樣本進行預測。

類似地，在上述實驗樣本的基礎上，以1 024粒濟麥44作為正樣本，偉隆169，百農(nóng)4 199，周麥33各80粒作為負樣本用偏最小二乘回歸算法模型對剩余2批共1 024粒小麥種子的正負混合樣本進行預測進行預測，選取準確率，精確率和召回率作為評價指標。結(jié)果如表2所示，其中正樣本為偉隆169和濟麥44的準確率分別為96.5%和98.8%，精確率分別為93.0%和96.1%，召回率分別為93.0%和99.5%，滿足系統(tǒng)小麥純度檢測的需求。

表2 鑒別不同品種正樣本預測結(jié)果

5 結(jié)束語

基于高光譜圖像的小麥種子純度/含水量檢測系統(tǒng)彌補了人工檢測方式效率低下，當前高光譜設備采集的集成度低，實時性差等不足，在硬件方面以STM32F103RBT6為核心實現(xiàn)對電機，光源強度，溫濕度信息讀取等控制，軟件方面以Python編程語言為基礎集數(shù)據(jù)管理、系統(tǒng)校正、圖像采集、數(shù)據(jù)分析、模型更新于一體實現(xiàn)對小麥種子純度/含水量檢測。以偏最小二乘算法和偏最小二乘判別算法對該系統(tǒng)進行驗證并取得了良好的效果，證明了該系統(tǒng)可行性。

目前本系統(tǒng)對于模型的更新，需要一定數(shù)量的數(shù)據(jù)進行訓練，這也是當前系統(tǒng)存在的不足，未來應當實現(xiàn)用少量樣本集成相關(guān)算法實現(xiàn)對模型的更新。