高光譜技術(shù)在紅棗分類(lèi)識(shí)別中的應(yīng)用

更新時(shí)間：2023-04-20

點(diǎn)擊次數(shù)：1230

一、測(cè)試原理及方法：

高光譜成像技術(shù)是近二十年來(lái)發(fā)展起來(lái)的基于非常多窄波段的影像數(shù)據(jù)技術(shù)，其突出的應(yīng)用是遙感探測(cè)領(lǐng)域，并在越來(lái)越多的民用領(lǐng)域有著更大的應(yīng)用前景。它集中了光學(xué)、光電子學(xué)、電子學(xué)、信息處理、計(jì)算機(jī)科學(xué)等領(lǐng)域的先進(jìn)技術(shù)，是傳統(tǒng)的二維成像技術(shù)和光譜技術(shù)有機(jī)的結(jié)合在一起的一門(mén)新興技術(shù)。

高光譜成像技術(shù)的定義是在多光譜成像的基礎(chǔ)上，在從紫外到近紅外（200-2500nm）的光譜范圍內(nèi)，利用成像光譜儀，在光譜覆蓋范圍內(nèi)的數(shù)十或數(shù)百條光譜波段對(duì)目標(biāo)物體連續(xù)成像。在獲得物體空間特征成像的同時(shí)，也獲得了被測(cè)物體的光譜信息。

目標(biāo)物體-成像物鏡-入射狹縫-準(zhǔn)直透鏡-PGP-聚焦透鏡-CCD棱鏡-光柵-棱鏡：PGP

圖1 成像原理圖

光譜儀的光譜分辨率由狹縫的寬度和光學(xué)光譜儀產(chǎn)生的線(xiàn)性色散確定。最小光譜分辨率是由光學(xué)系統(tǒng)的成像性能確定的（點(diǎn)擴(kuò)展大?。?。

成像過(guò)程為：每次成一條線(xiàn)上的像后（X方向），在檢測(cè)系統(tǒng)輸送帶前進(jìn)的過(guò)程中，排列的探測(cè)器掃出一條帶狀軌跡從而完成縱向掃描（Y方向）。綜合橫縱掃描信息就可以得到樣品的三維高光譜圖像數(shù)據(jù)。

圖2 像立方體

鏡頭：22mm鍍膜消色差鏡頭；光譜范圍：900nm-1700nm，光譜分辨率:5.36nm@1129.58nm

探測(cè)器像素：320x256；內(nèi)置控制、掃描機(jī)構(gòu)；內(nèi)置電池；軟件：控制完成自動(dòng)曝光、自動(dòng)對(duì)焦、自動(dòng)掃描速度匹配；數(shù)據(jù)處理：黑白、輻射度、均勻性、鏡頭等校準(zhǔn)；光譜查看。

圖3 高光譜成像儀

本文以不同種類(lèi)的紅棗作為研究對(duì)象，利用近紅外相機(jī)（光譜范圍900nm-1700nm）采集測(cè)試對(duì)象的高光譜數(shù)據(jù)。

圖4 樣本的RGB圖（R:1235nm G：1409nm B:1536nm）

對(duì)原始數(shù)據(jù)進(jìn)行主成分分析（Principal Component Analysis, PCA），去除波段之間的多余信息、將多波段的圖像信息壓縮到比原波段更有效的少數(shù)幾個(gè)轉(zhuǎn)換波段下。同時(shí)利用由于光譜儀采集得到的光譜信號(hào)中既包含實(shí)驗(yàn)所需的有用信息，同時(shí)由于儀器精密度等原因帶來(lái)隨機(jī)噪聲，常用的消除噪聲的方法Savitzky-Golay(SG)卷積平滑法，通過(guò)多項(xiàng)式來(lái)移動(dòng)窗口內(nèi)的數(shù)據(jù)進(jìn)行多項(xiàng)式最小二乘擬合信號(hào)平滑，既消除噪聲又保留了光譜輪廓。由于各個(gè)樣本間分布不均勻、樣本大小不一樣、樣本表面散射及光程變化等都會(huì)產(chǎn)生散射影響，采用多遠(yuǎn)散射校正（multiplicative scatter correction，MSC）的方法可以有效的消除這些散射影響。

圖5 經(jīng)PCA處理

分別選取樣本上的兩個(gè)區(qū)域標(biāo)注為駿棗-A和灰棗-B，以此為標(biāo)樣對(duì)其他樣品進(jìn)行歸類(lèi)識(shí)別。對(duì)已經(jīng)劃分出來(lái)的類(lèi)別進(jìn)行PLS-DA算法處理，評(píng)估劃分出來(lái)類(lèi)別成分。

分別在前面幾種不同預(yù)處理方法的基礎(chǔ)上，對(duì)樣品進(jìn)行主成分分析聚類(lèi)。并對(duì)數(shù)據(jù)做PLS-DA算法處理，PLS-DA方法是基于PLS回歸的一種判別分析方法，在構(gòu)造因素時(shí)考慮到了輔助矩陣以代碼形式提供的類(lèi)成員信息，因此具有高效的鑒別能力。
利用主成分分析得到的載荷圖提取對(duì)各類(lèi)植物識(shí)別敏感的特征波長(zhǎng)。以特征波長(zhǎng)為輸入變量，從每種植物的樣本中隨機(jī)抽取2/3組成建模集，通過(guò)這組樣本的光譜及其對(duì)應(yīng)的基礎(chǔ)數(shù)據(jù)，利用簇類(lèi)的獨(dú)立軟模式 soft independent modeling of class analogy(SIMCA)分類(lèi)法建立識(shí)別模型，對(duì)樣本進(jìn)行分類(lèi)。

SIMCA方法為每個(gè)類(lèi)建立了獨(dú)立的主成分分析(principal component analysis，PCA)模型，然后依據(jù)該模型對(duì)未知樣品進(jìn)行分類(lèi)。然而，該方法在建立模型時(shí)沒(méi)有考慮到其他的類(lèi)，因此，在每個(gè)類(lèi)的模型中，有些因素在獲取類(lèi)中明顯的變化時(shí)只能反映出有限的鑒別信息。當(dāng)多維數(shù)據(jù)不同類(lèi)中的子空間都非常接近時(shí)，由于類(lèi)之間不必要的重疊，從而存在產(chǎn)生非優(yōu)化鑒別模型的危險(xiǎn)。

獲取灰棗和駿棗的特征光譜，可以看出，兩種栆的特征光譜位置基本一致，只是其光譜反射率會(huì)有一些差別。具體成因還需進(jìn)一步分析。

圖6 灰棗（紅色）和駿棗（綠色）特征高光譜

圖7 SIMCA方法分類(lèi)識(shí)別結(jié)果

通過(guò)獲取感興趣的平均光譜，利用(SIMCA)分類(lèi)法建立識(shí)別模型，對(duì)樣本進(jìn)行分類(lèi)。預(yù)測(cè)駿棗-A所占比例為65.6%，灰棗-B所占比例為34.4%。

圖8 SIMCA方法分類(lèi)統(tǒng)計(jì)結(jié)果