题目

基于高光谱成像技术的甘薯缺陷检测与分析

应用关键词

甘薯、高光谱技术、缺陷检测、农业应用

背景

中国是世界上甘薯种植面积最大的国家。甘薯的冻伤、病害等缺陷会导致其逐渐氧化腐烂，感染其他健康红薯，造成严重的经济损失。红薯质量分级是区分缺陷红薯和健康红薯，防止红薯交叉侵染，提高红薯产业利润的有效手段。人工检测是红薯缺陷检测的主要方法，但人工检测耗时、费力且不准确。

高光谱成像作为一种新兴的技术，可以同时获取样品的光谱信息和空间信息，已经成功取代了传统的光谱分析和可见光图像，成为一种快速的无损检测和分类方法。利用高光谱成像技术识别水果损伤是可行的。然而，利用高光谱成像技术鉴定和分类缺陷红薯的报道很少。

本研究以“龙薯9号”甘薯为研究对象，采用高光谱成像技术对缺陷甘薯进行鉴定，并采用偏最小二乘判别分析（PLS-DA）和线性判别分析（LDA）建立分类模型，为甘薯贮藏加工提供理论依据，有助于提高甘薯产业的经济效益。

试验设计

农业农村部南京农业机械化研究所胡志超研究员团队利用江苏双利合谱公司的可见/近红外高光谱成像系统Gaiafield-V10E，获取了三种类型的红薯样本高光谱影像（图1）。高光谱系统的波长范围为400 – 1000 nm，光谱分辨率为2.8 nm，入射狭缝宽度为30 μm，相机分辨率为1392 × 1040 dpi。高光谱系统采用推扫式成像技术，入射狭缝位于准直系统的前焦平面上。

将整个甘薯样本作为感兴趣区域（ROI），提取并计算每个ROI中所有像素的平均光谱。在对原始光谱进行标准正态变量（SNV）预处理后，采用基于联合x-y距离（SPXY）算法的样本集分割。本研究采用蒙特卡罗无信息变量消除法（MCUVE）、随机蛙跳法（RF）和逐步投影法（SPA）进行波段选择。采用偏最小二乘判别分析（PLS-DA）和线性判别分析（LDA）两种分类器建立缺陷红薯的分类模型。

图1 三种类型的红薯样本：（A）健康红薯，（B）冻伤红薯，（C）患病红薯

结论

SNV预处理后的光谱纵向聚集程度有所提高，有助于消除平移误差（图2）。在420 nm附近有较强的反射率下降，这是类胡萝卜素的吸收区域。光谱吸收波段在980 nm左右，属于水中O-H的二级吸收波段，由于甘薯含水量高，存在较大的吸收峰。健康甘薯与患病甘薯在600 - 1000 nm范围内差异显著。在650 - 850 nm范围内，冻伤甘薯与健康甘薯差异明显，冻伤甘薯与患病甘薯差异不大。

图2 甘薯光谱曲线：（A）原始光谱，（B）SNV预处理后的光谱，（C）平均光谱

分别采用MCUVE、RF和SPA提取特征波段，用于后续构建分类模型。提取的特征波段分布如表1所示。MCUVE、RF和SPA分别提取了11、10和10个特征波段。

表1 通过MCUVE、RF和SPA方法选择的特征波段

基于MCUVE、RF和SPA方法提取的特征波段建立了PLS-DA和LDA模型。使用MCUVE、RF和SPA方法的模型均获得了满意的结果（图3）。RF-PLS-DA模型对健康、冻伤和病变样本的分类准确率分别为97.14%、94.29%和87.14%，总体分类准确率为92.86%（图4）。大多数误判发生在患病的红薯上，其被误认为是冻伤的红薯。

如图5所示，MCUVE-LDA模型对三种甘薯样品的分离不清楚，病害与冻伤样品重叠严重。与MCUVE-LDA模型相比，RF-LDA和SPA-LDA模型具有更好的样本分类性能，因为三种类型的甘薯样本聚类显著。为了进一步进行定量分析，生成LDA模型的混淆矩阵。如图6所示，MCUVE-LDA模型将部分患病样本误判为冻伤样本，患病甘薯的分类准确率较低，为90%，总体准确率为96.19%。RF-LDA模型和SPA-LDA模型几乎没有误判，总体分类准确率均达到99.52%。考虑到SPA-LDA高于RF-LDA模型训练集98.73%的总体分类准确率，因此认定SPA-LDA是较优的分类模型。

结果表明，SPA-LDA是较优的分类模型，所建立的模型能够有效地识别冻伤、患病和健康红薯。本研究为高光谱成像技术在甘薯贮藏加工监测中的应用提供了理论依据和技术支持。

图3 PLS-DA模型的训练和预测结果：（A）MCUVE-PLS-DA模型，（B）RF-PLS-DA模型，（C）SPA-PLS-DA模型

图4 PLS-DA的混淆矩阵：（A）MCUVE-PLS-DA模型，（B）RF-PLS-DA模型，（C）SPA-PLS-DA模型

图5 LDA模型三维散点图：（A）MCUVE-LDA模型，（B）RF-LDA模型，（C）SPA-LDA模型

图6 LDA模型的混淆矩阵：（A）MCUVE-LDA模型，（B）RF-LDA模型，（C）SPA-LDA模型

作者信息

胡志超，博士，农业农村部南京农业机械化研究所研究员，博士生导师。

主要研究方向：绿色耕作与收获机械化技术装备。

参考文献：

Shao, Y.Y., Liu, Y., Xuan, G.T., Shi, Y.K., Li, Q.K., & Hu, Z.C. (2022). Detection and analysis of sweet potato defects based on hyperspectral imaging technology. Infrared Physics & Technology, 127.

https://doi.org/10.1016/j.infrared.2022.104403