背景

中國是世界上甘薯種植面積*大的國家。甘薯的**、病害等缺陷會導(dǎo)致其逐漸氧化腐爛，感染其他健康紅薯，造成嚴(yán)重的經(jīng)濟(jì)損失。紅薯質(zhì)量分級是區(qū)分缺陷紅薯和健康紅薯，防止紅薯交叉侵染，提高紅薯產(chǎn)業(yè)利潤的有效手段。人工檢測是紅薯缺陷檢測的主要方法，但人工檢測耗時、費(fèi)力且不準(zhǔn)確。

高光譜成像作為一種新興的技術(shù)，可以同時獲取樣品的光譜信息和空間信息，已經(jīng)成功取代了傳統(tǒng)的光譜分析和可見光圖像，成為一種快速的無損檢測和分類方法。利用高光譜成像技術(shù)識別水果損傷是可行的。然而，利用高光譜成像技術(shù)鑒定和分類缺陷紅薯的報道很少。

本研究以“龍薯9號”甘薯為研究對象，采用高光譜成像技術(shù)對缺陷甘薯進(jìn)行鑒定，并采用偏*小二乘判別分析（PLS-DA）和線性判別分析（LDA）建立分類模型，為甘薯貯藏加工提供理論依據(jù)，有助于提高甘薯產(chǎn)業(yè)的經(jīng)濟(jì)效益。

農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機(jī)械化研究所胡志超研究員團(tuán)隊利用江蘇雙利合譜公司的可見/近紅外高光譜成像系統(tǒng)Gaiafield-V10E，獲取了三種類型的紅薯樣本高光譜影像（圖1）。高光譜系統(tǒng)的波長范圍為400 – 1000 nm，光譜分辨率為2.8 nm，入射狹縫寬度為30 μm，相機(jī)分辨率為1392 × 1040 dpi。高光譜系統(tǒng)采用推掃式成像技術(shù)，入射狹縫位于準(zhǔn)直系統(tǒng)的前焦平面上。

將整個甘薯樣本作為感興趣區(qū)域（ROI），提取并計算每個ROI中所有像素的平均光譜。在對原始光譜進(jìn)行標(biāo)準(zhǔn)正態(tài)變量（SNV）預(yù)處理后，采用基于聯(lián)合x-y距離（SPXY）算法的樣本集分割。本研究采用蒙特卡羅無信息變量消除法（MCUVE）、隨機(jī)蛙跳法（RF）和逐步投影法（SPA）進(jìn)行波段選擇。采用偏*小二乘判別分析（PLS-DA）和線性判別分析（LDA）兩種分類器建立缺陷紅薯的分類模型。

圖1 三種類型的紅薯樣本：（A）健康紅薯，（B）**紅薯，（C）患病紅薯

結(jié)論

SNV預(yù)處理后的光譜縱向聚集程度有所提高，有助于消除平移誤差（圖2）。在420 nm附近有較強(qiáng)的反射率下降，這是類胡蘿卜素的吸收區(qū)域。光譜吸收波段在980 nm左右，屬于水中O-H的二級吸收波段，由于甘薯含水量高，存在較大的吸收峰。健康甘薯與患病甘薯在600 - 1000 nm范圍內(nèi)差異顯著。在650 - 850 nm范圍內(nèi)，**甘薯與健康甘薯差異明顯，**甘薯與患病甘薯差異不大。

圖2 甘薯光譜曲線：（A）原始光譜，（B）SNV預(yù)處理后的光譜，（C）平均光譜

分別采用MCUVE、RF和SPA提取特征波段，用于后續(xù)構(gòu)建分類模型。提取的特征波段分布如表1所示。MCUVE、RF和SPA分別提取了11、10和10個特征波段。

表1 通過MCUVE、RF和SPA方法選擇的特征波段

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方法的模型均獲得了滿意的結(jié)果（圖3）。RF-PLS-DA模型對健康、**和病變樣本的分類準(zhǔn)確率分別為97.14%、94.29%和87.14%，總體分類準(zhǔn)確率為92.86%（圖4）。大多數(shù)誤判發(fā)生在患病的紅薯上，其被誤認(rèn)為是**的紅薯。

如圖5所示，MCUVE-LDA模型對三種甘薯樣品的分離不清楚，病害與**樣品重疊嚴(yán)重。與MCUVE-LDA模型相比，RF-LDA和SPA-LDA模型具有更好的樣本分類性能，因為三種類型的甘薯樣本聚類顯著。為了進(jìn)一步進(jìn)行定量分析，生成LDA模型的混淆矩陣。如圖6所示，MCUVE-LDA模型將部分患病樣本誤判為**樣本，患病甘薯的分類準(zhǔn)確率較低，為90%，總體準(zhǔn)確率為96.19%。RF-LDA模型和SPA-LDA模型幾乎沒有誤判，總體分類準(zhǔn)確率均達(dá)到99.52%?？紤]到SPA-LDA高于RF-LDA模型訓(xùn)練集98.73%的總體分類準(zhǔn)確率，因此認(rèn)定SPA-LDA是*優(yōu)的分類模型。

結(jié)果表明，SPA-LDA是*優(yōu)的分類模型，所建立的模型能夠有效地識別**、患病和健康紅薯。本研究為高光譜成像技術(shù)在甘薯貯藏加工監(jiān)測中的應(yīng)用提供了理論依據(jù)和技術(shù)支持。

圖3 PLS-DA模型的訓(xùn)練和預(yù)測結(jié)果：（A）MCUVE-PLS-DA模型，（B）RF-PLS-DA模型，（C）SPA-PLS-DA模型

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

圖5 LDA模型三維散點圖：（A）MCUVE-LDA模型，（B）RF-LDA模型，（C）SPA-LDA模型

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

作者信息

胡志超，博士，農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機(jī)械化研究所研究員，博士生導(dǎo)師。

主要研究方向：綠色耕作與收獲機(jī)械化技術(shù)裝備。

參考文獻(xiàn)：

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