基于高光譜成像技術(shù)的糯玉米種子分類研究

糯玉米是一種栽培技術(shù)簡(jiǎn)單、周期短的作物，其蛋白質(zhì)含量比普通玉米高3%~6%，具有較高的經(jīng)濟(jì)、營(yíng)養(yǎng)和加工價(jià)值，在我國(guó)廣泛種植。因其籽粒具有較粗的蠟質(zhì)胚乳，呈現(xiàn)出有光澤的玻璃狀（透明）外觀，又稱粘玉米或蠟質(zhì)型玉米。糯玉米作為一種重要的農(nóng)作物，其種子的品質(zhì)對(duì)于產(chǎn)量和質(zhì)量具有關(guān)鍵影響。然而，由于不同品種的糯玉米種子在生長(zhǎng)速度、營(yíng)養(yǎng)需求和耐病性等方面存在差異，混合種植可能導(dǎo)致傳粉現(xiàn)象，使得某些品種無(wú)法充分生長(zhǎng)發(fā)育，從而對(duì)產(chǎn)量和品質(zhì)產(chǎn)生不利影響。傳統(tǒng)的人工挑選分類方法易受到主觀因素影響，而且往往需要對(duì)種子進(jìn)行破壞性處理，耗費(fèi)大量的時(shí)間和人力成本。糯玉米種子主要由淀粉、蛋白質(zhì)、脂肪、維生素和礦物質(zhì)等成分組成，在不同品種和生長(zhǎng)階段間存在著明顯的含量差異，其中淀粉和蛋白質(zhì)含量較高，可以通過(guò)光譜技術(shù)進(jìn)行快速、無(wú)損、高效、精準(zhǔn)的檢測(cè)和分類。

高光譜圖像處理與反射率提取

首先在MatlabR2022a軟件中打開(kāi)校正后的高光譜數(shù)據(jù)，使用主成分分析（PCA）提取高光譜數(shù)據(jù)的第一主成分PC1下的灰度圖像，然后采用閾值分割法對(duì)其進(jìn)行掩膜處理，去除背景和樣本中的高亮反光部分，避免后續(xù)提取感興趣區(qū)域（ROI）時(shí)產(chǎn)生誤差影響光譜數(shù)據(jù)質(zhì)量，接著分別使用開(kāi)運(yùn)算去除樣本邊緣的噪點(diǎn)，閉運(yùn)算填充樣本內(nèi)部的孔洞、平滑樣本邊緣，對(duì)其進(jìn)行二值化處理，最后使用regionprops函數(shù)提取高光譜數(shù)據(jù)中的每一個(gè)樣本的連通域（感興趣區(qū)域），將連通域中每個(gè)像素點(diǎn)的平均光譜反射率（圖1）作為后續(xù)建模的輸入。

常見(jiàn)高光譜遙感分類

高光譜遙感按照作用空間尺度可劃分為衛(wèi)星遙感?機(jī)載高光譜儀?地物光譜遙感以及手持式光譜儀等?；贑GMD便攜式光譜儀和地物高光譜探測(cè)器對(duì)冬小麥冠層生長(zhǎng)指標(biāo)對(duì)比研究發(fā)現(xiàn)，CGMD光譜儀操作簡(jiǎn)單，便于攜帶，精度可靠，而地物高光譜探測(cè)器采集信息量大，結(jié)合先進(jìn)預(yù)處理，特征提取和機(jī)器學(xué)習(xí)算法可以有效提高模型反演精度。

基于便攜式地物光譜儀結(jié)合手持式光譜探測(cè)器獲取冬小麥葉片反射率，并結(jié)合推掃式光譜儀波段寬，光譜分辨率高的特點(diǎn)獲得冠層反射率，但是受天氣條件或野外環(huán)境因素，如云層?大氣濕度?光線條件和地面高程差等都會(huì)影響數(shù)據(jù)采集和監(jiān)測(cè)結(jié)果。

3、可行性理論分析

將每個(gè)品種所有糯玉米種子的光譜曲線平均值作為該糯玉米品種的光譜曲線，如圖2所示。5種糯玉米種子的光譜曲線整體趨勢(shì)一致，其中京科糯2000和山農(nóng)207的反射率比其他品種要低很多，這兩個(gè)品種相對(duì)于其他品種比較容易區(qū)分；京科糯3000、必豐白甜糯80B和甜加糯308的光譜曲線差別不大，需要進(jìn)一步提取特征波段加以分析。

曲線走勢(shì)方面：在波長(zhǎng)860～900nm處的三個(gè)小吸收峰，這可能與種子中的某些生物大分子或化學(xué)成分有關(guān)。例如，蛋白質(zhì)、淀粉、纖維素、水分等物質(zhì)在這個(gè)區(qū)間內(nèi)都有一定的吸收特性；910～950nm處光譜曲線區(qū)分度稍微明顯，可在此處提取特征波段。在940nm左右波長(zhǎng)處反射率開(kāi)始下降，并在1010nm處降到最低，在這個(gè)波長(zhǎng)范圍內(nèi)，水分的吸收特性較強(qiáng)。因此，在這個(gè)范圍內(nèi)反射率的變化可能與糯玉米種子中水分的吸收特性有關(guān)。同一生產(chǎn)批次下不同品種的糯玉米種子的營(yíng)養(yǎng)物質(zhì)有所差別，因此理論上可以通過(guò)光譜特征對(duì)糯玉米種子進(jìn)行分類研究。

4、結(jié)果與分析

4.1光譜預(yù)處理建模結(jié)果對(duì)比

圖4為經(jīng)過(guò)一階中心差分-SG平滑處理后的糯玉米光譜反射率差分圖，從圖中可以看出原本趨勢(shì)較為平坦的光譜曲線通過(guò)一階中心差分處理后突出了光譜波段中的峰值、谷值和其他局部變化，通過(guò)提取這些變化率和趨勢(shì)信息，可以捕捉到光譜數(shù)據(jù)中的重要特征，用于后續(xù)的模型訓(xùn)練和預(yù)測(cè)。

將一階中心差分-SG平滑處理后的光譜數(shù)據(jù)和多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變換（SNV）、一階中心差分和SG平滑這四種預(yù)處理方法處理后的光譜數(shù)據(jù)分別導(dǎo)入SVM、RF和KNN三種分類器，對(duì)比不同預(yù)處理方法下的不同分類器的分類準(zhǔn)確率。從表1中可以看出一階中心差分-SG平滑較其他的預(yù)處理方法效果最好，同時(shí)不同的預(yù)處理方法下支持向量機(jī)的分類效果最佳，經(jīng)過(guò)一階中心差分-SG平滑處理后的光譜數(shù)據(jù)導(dǎo)入支持向量機(jī)建立模型訓(xùn)練集的準(zhǔn)確率可以達(dá)到72.44%，測(cè)試集的準(zhǔn)確率可以達(dá)到61.51%。

4.2特征波段提取建模結(jié)果對(duì)比

圖5為主成分?jǐn)?shù)的自動(dòng)搜尋結(jié)果圖，從圖中可以看出主成分?jǐn)?shù)從1～14時(shí)交叉驗(yàn)證準(zhǔn)確率快速增加，達(dá)到74.63%，14以后的交叉驗(yàn)證準(zhǔn)確率的趨勢(shì)相對(duì)平穩(wěn)，雖然后續(xù)搜索的主成分?jǐn)?shù)對(duì)應(yīng)的交叉驗(yàn)證準(zhǔn)確率有更高的值，但是為了避免模型產(chǎn)生過(guò)擬合現(xiàn)象，本次實(shí)驗(yàn)選用CARS算法聯(lián)合偏最小二乘判別模型的主成分?jǐn)?shù)為14。

圖6為自優(yōu)化CARS算法聯(lián)合偏最小二乘判別建模的特征波段篩選結(jié)果圖，其中第一幅子圖為不同采樣次數(shù)下篩選出來(lái)的特征波段數(shù)，第二幅子圖為不同采樣次數(shù)下篩選出的特征波段建模的交叉驗(yàn)證誤差值，從圖中可以看出在第16次采樣時(shí)交叉驗(yàn)證準(zhǔn)確率達(dá)到最大，為82.27%，此時(shí)篩選出了56個(gè)重要的特征波段。

從糯玉米種子特征波段圖（圖7）可以看出篩選出來(lái)的特征波段幾乎覆蓋整個(gè)可見(jiàn)光波段范圍，集中分布在波長(zhǎng)920～940nm和970～1026nm范圍內(nèi)，同時(shí)篩選出了391nm、883nm和896nm處的幾個(gè)吸收峰。

對(duì)比不同特征波段提取方法下的不同分類器的分類準(zhǔn)確率。從表2中可以看出自優(yōu)化CARS算法篩選出的特征，波段相對(duì)于SPA算法篩選出的特征波段和全波段來(lái)說(shuō)效果最好，同時(shí)不同特征波段提取方法下支持向量機(jī)的分類效果最佳，經(jīng)過(guò)一階中心差分-SG平滑處理后通過(guò)CARS算法篩選后的光譜數(shù)據(jù)導(dǎo)入支持向量機(jī)建立模型訓(xùn)練集的準(zhǔn)確率可以達(dá)到95.81%，測(cè)試集的準(zhǔn)確率可以達(dá)到92.05%。

推薦：

便攜式高光譜成像系統(tǒng) iSpecHyper-VS1000

專門(mén)用于公安刑偵、物證鑒定、醫(yī)學(xué)醫(yī)療、精準(zhǔn)農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢(shì)具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價(jià)比特點(diǎn)采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學(xué)設(shè)計(jì)，物鏡接口為標(biāo)準(zhǔn)C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇