應(yīng)用關(guān)鍵詞

連續(xù)小波變換；高光譜圖像；真菌感染；花生

背景

花生是世界上大部分地區(qū)種植和消費(fèi)的最重要的油籽作物之一，但是容易受到真菌感染，其中黃曲霉毒素是一種劇毒、致突變和致癌物質(zhì)。因此，有必要對(duì)發(fā)霉花生進(jìn)行檢測(cè)，防止其進(jìn)入食物鏈，從而保護(hù)人類和動(dòng)物免受危害。高光譜成像技術(shù)將成像技術(shù)和近紅外光譜技術(shù)集成到一個(gè)系統(tǒng)中，可以同時(shí)提供空間和光譜信息，已被許多學(xué)者用于檢測(cè)谷物和油籽（包括玉米）中的真菌。

高光譜圖像中的高維數(shù)據(jù)會(huì)增加數(shù)據(jù)進(jìn)一步處理的計(jì)算量，不利于應(yīng)用于在線檢測(cè)系統(tǒng)中。因此，在進(jìn)一步分析之前，通常會(huì)對(duì)高光譜圖像進(jìn)行特征約簡(jiǎn)。目前使用的特征約簡(jiǎn)方法可以分為兩類：特征選擇（偏最小二乘回歸、連續(xù)投影算法、遺傳算法）和特征提?。ㄖ鞒煞址治觥⒕€性判別分析、非參數(shù)加權(quán)特征提?。３诉@些常用的特征約簡(jiǎn)方法外，連續(xù)小波變換（Continuous wavelet transform, CWT）是一種有效的特征提取方法，已成功地用于高光譜圖像的信息提取。它可以將原始光譜數(shù)據(jù)分解成不同的幅度和尺度，以方便識(shí)別細(xì)微特征，并提供與原始高光譜波段直接可比的信息。然而，CWT很少用于鑒定谷物和油籽中的真菌感染。

因此，在本研究中，我們將CWT與傳統(tǒng)的光譜特征提取方法進(jìn)行比較，以確定其在霉變花生鑒定中的性能。本研究的重點(diǎn)是提取敏感小波特征（Wavelet feature, WF），并對(duì)其在花生霉變鑒定中的魯棒性進(jìn)行了測(cè)試。研究目標(biāo)是：（1）了解霉變花生的光譜特征；（2）確定適合鑒定霉變花生的CWT；（3）通過比較WF與SPA（Successive projection algorithm）選擇的最佳波段來檢驗(yàn)CWT在霉變花生鑒定中的性能。

試驗(yàn)設(shè)計(jì)

中國礦業(yè)大學(xué)蔣金豹團(tuán)隊(duì)使用GaiaSorter（江蘇雙利合譜）獲得了健康、霉變20天、霉變30天后的花生高光譜圖像。光譜成像系統(tǒng)由光譜范圍為920 ~ 2530 nm的高光譜相機(jī)（Image-λ-N25E-HS）與標(biāo)準(zhǔn)C-mount變焦鏡頭（F/2, F = 22.5 mm, HSIA-OLES22）連接而成。將花生樣品置于10 cm × 10 cm的黑色托盤中，獲取高光譜圖像，如圖1所示。

圖1 花生樣品。前3張用于訓(xùn)練集，后4張用于測(cè)試集。

CWT是一種線性運(yùn)算算法，通過該運(yùn)算，高光譜反射光譜可以通過使用不同波長和尺度的母小波函數(shù)轉(zhuǎn)換為系數(shù)集。其公式如下所示：

式中，a和b分別為表示小波寬度和位置的縮放因子和位移因子，為待分析的光譜反射率，W_f（a，b）為小波系數(shù)，為母小波函數(shù)。母小波函數(shù)公式如下所示：，

在本研究中，由于吸收特征的形狀與標(biāo)準(zhǔn)高斯函數(shù)相似，因此選擇墨西哥帽作為母小波基。為了減少計(jì)算量，我們只在尺度2¹、2²、2³、…、2⁷下取小波冪。

Jeffries-Matusita（J-M）距離是一種靈活、直觀的特征可分性指標(biāo)，被廣泛用于指導(dǎo)特征選擇。J-M距離范圍從0到2，J-M距離越大，說明兩類可分的概率越大，反之亦然。在本研究中，利用J-M距離對(duì)不同尺度和波長的小波系數(shù)進(jìn)行評(píng)價(jià)，用于WF的選擇。

霉變花生仁的連續(xù)分解導(dǎo)致許多WF是冗余的，因此需要一種特征選擇方法來識(shí)別最重要的特征。首先，以墨西哥帽為母小波，在不同尺度下對(duì)每個(gè)花生籽粒的原始高光譜反射率數(shù)據(jù)進(jìn)行CWT分解。將原始光譜轉(zhuǎn)換為不同波長和尺度的小波系數(shù)集合；其次，通過計(jì)算健康花生和霉變花生樣品之間的J-M距離，構(gòu)建J-M距離尺度圖；最后，按照J(rèn)-M距離的降序?qū)μ卣鬟M(jìn)行排序，并使用閾值J-M距離來劃定前1%的特征。閾值所圈定的特征在J-M的距離尺度圖上形成了一個(gè)分散的特征區(qū)域。理論上，特征區(qū)域中的所有特征都是被選中的WF。然而，它們攜帶了冗余的光譜信息，因?yàn)橥粎^(qū)域的特征是在連續(xù)的波長位置和尺度上產(chǎn)生的。具體流程如圖2所示。

本研究使用SPA選擇最佳波段與WFs的分類結(jié)果進(jìn)行比較。使用的分類模型為偏最小二乘判別分析（PLS-DA）和支持向量機(jī)（SVM）。評(píng)價(jià)指標(biāo)為靈敏度、特異度和準(zhǔn)確率。

圖2 圖像處理流程

結(jié)論

健康花生在1208 nm、1472 nm、1747 nm、1938 nm、2145 nm和2329 nm處可見6個(gè)顯著的吸收峰（圖3），主要?dú)w因于花生對(duì)水、蛋白質(zhì)和油成分相關(guān)的C-H、N-H和O-H的吸收。在1000 ~ 1500 nm波長范圍內(nèi)，健康花生和霉變花生的光譜曲線形狀有明顯差異。花生發(fā)霉后1118 nm處的反射率降低，吸收峰減弱。在1365 ~ 2486 nm波長范圍內(nèi)，霉變花生的反射率值高于健康花生，這可能由于真菌的入侵會(huì)導(dǎo)致胚乳變得多孔，從而導(dǎo)致發(fā)霉的果仁比健康的果仁散射更多的光。

圖3 健康花生和霉變花生的光譜響應(yīng)。黑點(diǎn)表示健康花生的吸收峰，垂直虛線表示SPA選擇的最佳波長。

前1%特征的閾值J-M值為1.70，利用該閾值得到了5個(gè)對(duì)霉變花生敏感的小波特征區(qū)域（圖4中橙色區(qū)域）。對(duì)發(fā)霉花生敏感的特征區(qū)域集中在1000 ~ 1500 nm，其中光譜曲線形狀有明顯差異（圖3），這些結(jié)果符合CWT分析基于光譜曲線形狀而不是反射率大小的事實(shí)。最終選取了5種用于霉變花生和健康花生分類的WF，分別為WF_1, 1005、WF_1, 1045、WF_{4, 1410}、WF_{1, 1422}、WF_{5, 1518}。

對(duì)原始光譜反射率進(jìn)行SPA，最終確定了1005 nm、1208 nm、1450 nm、1927 nm、2078 nm、2190 nm和2251 nm為霉變花生鑒定的最佳波段（圖3）。最佳波段和WFs之間只有一個(gè)共同波段（1005 nm）。這主要是由于兩種方法的選擇標(biāo)準(zhǔn)不同，CWT主要捕獲光譜形狀的差異，而SPA主要選擇共線性最小的波段。

圖4 連續(xù)小波分析提取WFs的J-M距離圖

花生籽粒尺度分類結(jié)果如圖5和表1所示。對(duì)于訓(xùn)練數(shù)據(jù)，無論使用WFs還是最優(yōu)波段，都可以正確識(shí)別出健康和霉變花生。相比之下，對(duì)于測(cè)試數(shù)據(jù)，使用兩種分類器的WFs在三個(gè)閾值上的總體精度都優(yōu)于最佳波段。此外，WFs的敏感性和特異性高于或等于使用最優(yōu)波段的模型，說明WFs在健康花生和霉變花生的分類中具有更好的性能。CWT的兩個(gè)主要優(yōu)點(diǎn)可以解釋其在鑒定霉變花生方面的優(yōu)越性。CWT可以隔離不同尺度的吸收特征，將窄吸收特征和寬吸收特征區(qū)分為低尺度和高尺度。這種特性的好處是可以實(shí)現(xiàn)對(duì)WFs的完整研究，從而實(shí)現(xiàn)光譜特征的最佳選擇。

本研究使用閾值來確定花生仁是否發(fā)霉。從理論上講，越小的閾值越好，因?yàn)樗梢员苊鈱l(fā)霉的花生識(shí)別為健康花生。反之，如果閾值越小，健康花生仁被識(shí)別為發(fā)霉的可能性就越大，可能會(huì)因錯(cuò)誤丟棄而造成經(jīng)濟(jì)損失。因此，確定閾值至關(guān)重要?？紤]到不同分類器使用0.05、0.1和0.15閾值的分類結(jié)果，本文建議采用折中閾值0.1。但是，未來還需要探索一種可靠的閾值確定方法。此外，盡管本研究表明，利用CWT結(jié)合高光譜成像技術(shù)可以以相對(duì)較高的精度識(shí)別霉變花生，但本研究獲得的特征和模型可能仍未準(zhǔn)備好應(yīng)用于多品種花生的霉變識(shí)別。然而，文中描述的特征提取和建模方法可以作為開發(fā)核心算法的參考。此外，本研究將真菌感染不同時(shí)間獲得的霉變花生樣品作為一類處理，在未來的研究中，將通過測(cè)量黃曲霉毒素的含量來定量確定感染水平。

圖5 SVM對(duì)訓(xùn)練集使用最優(yōu)波段（a）和WF（b）進(jìn)行籽粒尺度分類，對(duì)測(cè)試集使用最優(yōu)波段（c）和WF（d）進(jìn)行籽粒尺度分類

表1 霉變花生仁鑒定結(jié)果

作者信息

蔣金豹，博士，中國礦業(yè)大學(xué)地球科學(xué)與測(cè)繪工程學(xué)院教授，博士生導(dǎo)師。

主要研究方向：資源環(huán)境遙感、工業(yè)遙感、農(nóng)業(yè)保險(xiǎn)遙感、深度學(xué)習(xí)。

參考文獻(xiàn)：