高光譜數據在損傷長棗的檢測判别中的應用

有研究表明，利用高光譜結合偏最小二乘判别分析分類模型，可以有效的實現靈武長棗損傷後随時間變化的快速檢測，爲靈武長棗在線檢測提供理論依據。推薦使用賽斯拜克高光譜成像儀，可以快讀準確地獲得精密的高光譜圖像，從而進行精密的分析研究。

高光譜數據用於損傷長棗的檢測判别的背景

棗在中國已有4000多年的曆史
，它主要分布在亞洲的亞熱帶和熱帶地區，已有三千多年的耕種曆史。“靈武長棗”(Lingwu long jujube)是甯夏重要的經濟林木之一，並且由於其巨大的生态、社會和經濟效益
，也是甯夏農業的主要組成部分[1-2]，但是靈武長棗在採收、運輸等過程中容易受到損傷，並且損傷後不容易被觀察到降低商品價值嚴重影響經濟收益3。因此，亟需一種無損檢測技術快速有效地檢測靈武長棗的内部損傷。
近年來，高光譜成像系統作爲一種快速無損、準確度高且具有高靈敏度的檢測系統，被用於蘋果、梨、猕猴桃、草莓、藍莓、桃子I等的瘀傷檢測。

Zhangl10等利用高光譜成像系統結合 AdaBoost 算法對完整蘋果和損傷後5個時間段(損傷後1 min、1天、2天、3天、4天)的蘋果進行瞭(le)分類，結果表明，經MSC(multiplicative scatter correc-tion)和 CFS(correlation-based feature selection)預處理後，所選波長(zhǎng)建立的模型平均精度爲97.63%。

Fanii等利用最佳波長結合近紅外高光譜反射成像系統對藍莓内部瘀傷随時間的變化進行瞭(le)檢測研究，結果表明，藍莓在撞擊後 30 min、2h、6h和12h的波段比值圖像建模分類精度分别爲77.5%，83.8%，92.5%和95.0%，以及 CARS-LS-SVM(competitive adaptive reweighted sampling-least squares-support 都or machine)模型的驗證集中健康和瘀傷藍莓準確(què)率分别爲93.3%和95.9%Lee等利用高光譜圖像對梨的物理損傷進行瞭(le)檢測研究，結果表明：利用最佳阈值波段比檢測結果的準確(què)率爲92%。

靈武長棗外部缺陷檢測已有相關研究，但是對於(yú)靈武長棗内部損傷檢測鮮有報道。故以靈武長棗爲研究對象，對完整長棗和損傷後五個時間段(損傷後2，4，8，12和24h)長棗進行分類判别
。利用高光譜成像系統獲得高光譜圖像，利用ENVI軟件提取感興趣(region of interest， ROI)區域，並(bìng)計算平均光譜值。對原始光譜利用 Savitzky-Golay 平滑的一階導數(first derivatives SG-1)和二階導數(second derivatives， SG-2)、标準正态變換(smandard normal variate， SNV)和去趨勢(Detrending)、以及SNV-SG-1、SNV-SG-2、Detrending-SG-1、Detrending-SG-2組合預處理， 並(bìng)建立 PLS-DA分類模型；優選最優預處理算法得到的光譜數據，利用連續投影算法(successie projection algorithm， SPA)、間隔随機蛙跳(interval random frog，IRF)、無信息消除變量(uninformative variable elimination，UVE)、變量組合集群分析法( variable combination popula-tion analysis， VCPA)、區間變量疊代空間收縮法(interval variable iterative space shrinkage approach， IVISSA)五種算法和 IRF-SPA、UVE-SPA、IVISSA-SPA三種組合算法進行特征變量選擇，特征變量建立偏最小二乘判别分析(partial least squares-discriminant analysis， PLS-DA)、線性判别分析(linear discriminant analysis， LDA.)和支持向量機(support vector machine， SVM)分類判别模型、爲損傷靈武長在線檢測提供理論依據。

高光譜數據用於損傷長棗的檢測判别的結論

高光譜成像作爲一種快速無損的檢測方法被廣泛應用。利用高光譜成像系統獲得完整長棗和損傷後不同時間段(損傷後2，4.8，12和24h)長棗的光譜圖像，提取感興趣區域，計算平均光譜值，建立原始光譜和預處理光譜數據的 PLS-DA分類模型，選擇 SNV-SG-2光譜數據的特征變量建立線性(PLS-DA， LDA)和非線性(SVM)分類判别模型，並(bìng)對模型進行比較。在原始光譜數據建模中，模型校正集和預測集準確(què)率分别爲82.96%和90%。光譜經過預處理後得到SNV-SG-2-PLS-DA 爲最優分類判别模型，模型校正集和預測集準確(què)率分别爲91.11%和96.67%，預處理可以有效提高模型的分類準確(què)率。

在特征變量建立的分類模型中， SNV-SG-2-UVE-PLS-DA模型校正集和預測集準確率分别爲86.3%和94.44%； SNV-SG-2-SPA-LDA模型校正集和預測集準確率分别爲86.3%和83.33%； SNV-SG-2-UVE-SVM 模型校正集和預測集準確率分别爲77.78%和71.11%。對於(yú)特征變量選擇算法來說
，有的可以提高建模準確率，有的雖然減少瞭(le)變量數，但是使得建模效果降低，不利於(yú)判别分類。對於(yú)建立的分類模型來說，線性分類模型(PLS-DA，LDA)分類結果優於(yú)非線性分類模型(SVM)分類結果，在線性分類模型分類結果中PLS-DA模型分類結果優於(yú) LDA 模型分類結果，因此，PLS-DA 分類模型可以更好的爲損傷靈武長棗在線檢測提供分類效果。