基于近红外高光谱图像的花生内部霉变快速判别方法研究-莱森光学

高光谱成像技术兼具光谱分析和机器视觉技术特点，既能通过光谱反映出霉变花生的成分变化，又可以通过图像实现霉变花生的可视化判别。

花生是我国重要的油料与经济作物。目前我国花生总产量和消费量均约占全球40%，已成为世界上最大的花生生产国和消费国，在全球花生进出口贸易中占据着重要地位。但是花生在收获、运输、储藏和加工过程中极易因温湿度变化产生霉变，继而产生强毒性和强致癌性的黄曲霉毒素，不仅影响花生食用安全性，甚至危害人类和动物的生命和健康。高光谱成像技术兼具光谱分析和机器视觉技术特点，既能通过光谱反映出霉变花生的成分变化，又可以通过图像实现霉变花生的可视化判别。

01实验部分

图1所示为实验过程中花生红衣外观正常,但内部存在不同霉变程度的花生样本。

图1 花生内部霉变程度示意图

1.1模型评价指标

由于实验数据集中健康、霉变样本数均衡，因此本研究直接采用准确率作为模型评价指标。准确率是分类问题模型中最简单直接的指标，即模型预测正确的样本占总样本个数的比例，计算如公式(1)所示：

其中，TP表示实际为正样本被预测为正样本的数量；FN表示实际为正样本却被预测为负样本的数量；FP表示实际为负样本却被预测为正样本的数量；TN表示实际为负样本预测也为负样本的数量。设定内部霉变样本为正样本，健康样本为负样本。

1.2高光谱图像预处理

为消除高光谱相机暗电流的影响，确保高光谱数据的稳定性和可靠性，实验首先对原始高光谱图像进行黑白板校正，如公式(2)所示：

其中，R为校正后的反射率光谱图像；Iraw为原始光谱图像，Iblack为关闭快门后采集的全暗参考图像；Iwhite为扫描标准白板得到的全白参考图像。

实验过程中将花生样本置于载物台进行高光谱图像采集(图2a)，因此校正后的高光谱图像中会携带有载物台信息(图2b)。由于载物台和花生样本成分不同，其光谱在主成分投影空间存在显著聚类区分。因此实验首先采用主成分分析法剔除花生高光谱图像中的背景信息(图2c)。

图2花生高光谱图像采集与处理

02图像处理

表1基于不同光谱预处理的花生内部霉变判别模型评价

表1的实验结果初步表明了高光谱技术结合光谱预处理方法构建花生内部霉变快速判别模型的可行性，并且SG卷积平滑+二阶求导光谱预处理可以显著提升模型性能。

特征波长筛选

采用MC-UVE筛选判别内部霉变的特征波长。从表2的特征波长筛选结果来看，当波长数为10、5、3逐步减少的过程中，1408.08、2017.66、2151.45nm三者始终被保留。

其中，1408.08nm位于醇游离O-H一级倍频吸收峰1410nm附近、酚O-H的一级倍频1420nm附近及水O-H的一级倍频1440nm附近，花生霉变过程中往往水分会增加，同时霉菌代谢会产生发酵产物，如醇类、酸类和酯类化合物等。2017.66nm位于酰胺的N-H合频吸收2000~2020nm附近处，同时也处于醇的O-H合频吸收1800~2200nm附近、酚的O-H合频吸收1920~2100nm附近、过氧化物的O-H合频吸收2060nm附近，其中酰胺键是蛋白质的重要结构之一，而花生霉变过程中蛋白质会发生降解、氧化、转化等显著变化。2151.45nm则位于芳烃C-H在C-C伸缩振动和C-H伸缩振动的组合频2146nm附近处，同时乙烯基的C-H在2090~2140nm附近、2170nm附近也均有特征吸收，花生霉变产物中最主要的一类化合物黄曲霉素的分子结构中则同时包含乙烯基和芳环。

综上所述，筛选保留的1408.08、2017.66、2151.45nm波长均与花生霉变过程中的成分变化密切相关。

表2 基于特征波长筛选后的花生霉变判别模型评价

03结论

近红外高光谱成像技术进行花生内部霉变判别具有较大的潜力,但还有待进一步结合图像信息精准获取霉变区域光谱信息以提升内部霉变样本的识别准确率。

推荐：

便携式高光谱成像系统iSpecHyper-VS1000

专门用于公安刑侦、物证鉴定、医学医疗、精准农业、矿物地质勘探等领域的最新产品，主要优势具有体积小、帧率高、高光谱分辨率高、高像质等性价比特点采用了透射光栅内推扫原理高光谱成像，系统集成高性能数据采集与分析处理系统，高速USB3.0接口传输，全靶面高成像质量光学设计，物镜接口为标准C-Mount，可根据用户需求更换物镜。

审核编辑 黄宇