柴玉華，侯升飛，彭長(zhǎng)祿

（1.東北農(nóng)業(yè)大學(xué)電氣與信息學(xué)院，哈爾濱 150030；2.黑龍江省招生辦，哈爾濱 150090）

基于高光譜圖像技術(shù)的大豆分級(jí)識(shí)別方法研究

柴玉華1，侯升飛1，彭長(zhǎng)祿2

（1.東北農(nóng)業(yè)大學(xué)電氣與信息學(xué)院，哈爾濱 150030；2.黑龍江省招生辦，哈爾濱 150090）

對(duì)大豆進(jìn)行快速準(zhǔn)確分級(jí)，采集1～5等級(jí)大豆波長(zhǎng)在1 000～2 500 nm范圍的高光譜圖像數(shù)據(jù)，獲得光譜圖像；對(duì)不同大豆等級(jí)樣本的光譜曲線進(jìn)行分析；通過(guò)主成分分析法，從每個(gè)等級(jí)大豆樣本中優(yōu)選出四個(gè)特征波長(zhǎng)，得到特征圖像；從每個(gè)特征圖像中分別提取基于灰度共生矩陣的4個(gè)紋理特征參數(shù)——能量、熵、慣性矩和相關(guān)性，從16個(gè)特征變量中選取8個(gè)主要特征變量，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建立大豆品質(zhì)分級(jí)識(shí)別模型。模型預(yù)測(cè)準(zhǔn)確率為92%。結(jié)果表明，高光譜圖像技術(shù)對(duì)大豆等級(jí)具有較好的識(shí)別作用，可為大豆的在線無(wú)損檢測(cè)分級(jí)提供參考。

圖像處理；高光譜；大豆；BP神經(jīng)網(wǎng)絡(luò)

大豆是重要經(jīng)濟(jì)作物，由于不同等級(jí)大豆顏色、大小、飽滿度等外觀品質(zhì)與其脂肪、蛋白質(zhì)、碳水化合物等內(nèi)在品質(zhì)存在一定差異性，快速準(zhǔn)確地識(shí)別大豆等級(jí)對(duì)提高大豆品質(zhì)，增強(qiáng)市場(chǎng)競(jìng)爭(zhēng)力具有重要意義。目前，我國(guó)在大豆的外觀品質(zhì)檢測(cè)停留在人工操作水平，存在主觀性強(qiáng)、檢測(cè)效率低、檢測(cè)結(jié)果一致性差、檢測(cè)人員易疲勞等問(wèn)題。內(nèi)部品質(zhì)檢測(cè)依賴于化學(xué)檢測(cè)方法，在客觀性、準(zhǔn)確性、快速性等方面存在明顯不足。如何快速準(zhǔn)確地檢測(cè)大豆品質(zhì)，成為目前亟待解決的問(wèn)題之一。學(xué)者對(duì)水果蔬菜等農(nóng)產(chǎn)品檢測(cè)技術(shù)進(jìn)行了廣泛研究[1]。時(shí)玉強(qiáng)等通過(guò)圖像獲取系統(tǒng)得到大豆的表面顏色特征，應(yīng)用SAS對(duì)大豆表面顏色特征進(jìn)行LOGISTIC回歸后，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)對(duì)大豆進(jìn)行標(biāo)準(zhǔn)粒與細(xì)菌斑點(diǎn)病粒分類[2]。高艷霞等提出利用神經(jīng)網(wǎng)絡(luò)和大豆表面顏色特征對(duì)大豆進(jìn)行標(biāo)準(zhǔn)粒和熱損傷粒分類的方法，選取大豆圖像的6種顏色特征值作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，并嘗試?yán)昧Ｗ尤簝?yōu)化算法與BP（Back propa?gation）結(jié)合算法訓(xùn)練網(wǎng)絡(luò)[3]。譚克竹等應(yīng)用近紅外光譜技術(shù)結(jié)合遺傳多層前饋神經(jīng)網(wǎng)絡(luò)的方法檢測(cè)大豆脂肪酸含量[4]。

傳統(tǒng)檢測(cè)手段主要對(duì)大豆進(jìn)行單一品質(zhì)檢測(cè)，檢測(cè)質(zhì)量信息具有局限性。高光譜成像技術(shù)，是近幾年出現(xiàn)的一種農(nóng)產(chǎn)品無(wú)損檢測(cè)新技術(shù)，該技術(shù)集合圖像處理技術(shù)和光譜分析技術(shù)的優(yōu)點(diǎn)。圖像處理技術(shù)能全面反映農(nóng)產(chǎn)品表面缺陷、污染情況等外在特征，光譜技術(shù)又能反應(yīng)農(nóng)產(chǎn)品的物理結(jié)構(gòu)、化學(xué)成分等內(nèi)在品質(zhì)。通過(guò)高光譜成像技術(shù)，能對(duì)農(nóng)產(chǎn)品的綜合品質(zhì)進(jìn)行檢測(cè)[5-6]。本文采用高光譜成像技術(shù)對(duì)大豆等級(jí)進(jìn)行檢測(cè)，獲得不同等級(jí)大豆的光譜曲線并進(jìn)行光譜特性分析，研究基于主成分分析法的特征波段選擇方法，提取基于灰度共生矩陣的紋理特征參數(shù)，再結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立大豆分級(jí)識(shí)別模型，以期為高光譜成像技術(shù)用于大豆等級(jí)檢測(cè)提供參考。

1 材料與方法

1.1 儀器設(shè)備

基于成像光譜儀的高光譜圖像采集系統(tǒng)（見(jiàn)圖1），由短波紅外高光譜相機(jī)（含鏡頭，分光部件，MCT探測(cè)器，電源，封裝等）（SpectralCamera-N25E），標(biāo)準(zhǔn)反射白板（Cal-tile200）和計(jì)算機(jī)（HP Pro 2080 MT）等部件組成。高光譜測(cè)量光譜范圍是1 000～2 500 nm，平均間隔0.5 nm，曝光時(shí)間為20 ms。高光譜數(shù)據(jù)分析軟件采用ENVI4.7和Matlab 7.12。

圖1 高光譜圖像采集系統(tǒng)Fig.1 Hyperspectral image acquisition system

1.2 樣本來(lái)源及圖像的獲取

在《大豆》（GB 1352-2009）國(guó)家標(biāo)準(zhǔn)中[7]，明確提出完整粒率與損傷粒率的要求。1～5等級(jí)大豆的完整粒率分別要求≥95、≥90、≥85、≥80、≥75，損傷粒率分別要求≤1%、≤2%、≤3%、≤5%和≤8%。以東北農(nóng)業(yè)大學(xué)大豆研究所提供的墾豐16作為研究對(duì)象，按完整粒率分為1～5等級(jí)大豆。每個(gè)品質(zhì)20個(gè)樣本，共100個(gè)樣本。將大豆均勻地鋪在規(guī)格為8 cm×8 cm的培養(yǎng)皿中，然后進(jìn)行高光譜圖像采集。采集得到波長(zhǎng)在1 000～2 500 nm范圍的高光譜圖像數(shù)據(jù)塊。

1.3 高光譜圖像標(biāo)定

光源的強(qiáng)度在各波段下分布不均勻，同時(shí)攝像頭中存在暗電流噪音，造成在光源強(qiáng)度分布較弱的波段下，致使獲得的光譜圖像含有較大的噪音。因此，需要對(duì)獲得的高光譜圖像進(jìn)行黑白標(biāo)定[8-10]。在與樣品采集相同的系統(tǒng)條件下，掃描標(biāo)準(zhǔn)白色校正得到全白的標(biāo)定圖像Iwhite，關(guān)閉相機(jī)快門(mén)進(jìn)行圖像采集得到全黑的標(biāo)定圖像Iblack，完成高光譜圖像的標(biāo)定，使采集得到的絕對(duì)圖像Irace變成相對(duì)圖像R[8-10]。

2 結(jié)果與分析

圖2a是樣本大豆單一籽粒在波長(zhǎng)為1 000～2 500 nm范圍內(nèi)的光譜曲線，其中波長(zhǎng)為1 400～1 800 nm范圍內(nèi)最上面的曲線為籽粒高亮區(qū)光譜曲線，波長(zhǎng)為1 000～1 800 nm范圍內(nèi)最下面兩條曲線為背景光譜曲線。圖2b和圖2c分別是不同大豆樣本的均值波譜曲線和標(biāo)準(zhǔn)偏差曲線，從b、c二圖可以看出，不同等級(jí)大豆樣本在1 000～1 800nm區(qū)域存在著明顯的差異性，因此在后期的數(shù)據(jù)處理過(guò)程中，主要對(duì)1 000～1 800nm范圍內(nèi)的高光譜圖像進(jìn)行分析。

圖2 大豆樣本光譜曲線Fig.2 Soybean sample spectral curve

2.1 特征波段的提取

在分析之前，應(yīng)用ENVI軟件對(duì)原始高光譜數(shù)據(jù)進(jìn)行重采樣，以減少高光譜圖像包含的數(shù)據(jù)量。由于大豆樣本物理結(jié)構(gòu)與化學(xué)成分的不均勻性，同時(shí)避免單一大豆樣本對(duì)分級(jí)結(jié)果的影響，選擇像素為100×100的矩形區(qū)域?yàn)楦信d趣區(qū)域，得到100×100×284的三維數(shù)據(jù)塊，由284張大小為100×100的一系列圖像組成[11-15]。然后進(jìn)行主成分分析，得到前4個(gè)主成分分析圖像：PC1、PC2、PC3、PC4（見(jiàn)圖3）。

圖3 大豆的前4個(gè)主成分分析圖像Fig.3 First four principal component images of soybean varieties

主成分分析法是將原來(lái)相互冗余的數(shù)據(jù)組成互相無(wú)關(guān)的數(shù)據(jù)，同時(shí)根據(jù)實(shí)際需要從中選取較少的數(shù)據(jù)替換原有數(shù)據(jù)。因此，主成分分析法既能消除原始數(shù)據(jù)中的冗余信息，又能實(shí)現(xiàn)數(shù)據(jù)的降維[16]。

主成分圖像是由原始高光譜圖像數(shù)據(jù)中所有波段下的圖像經(jīng)過(guò)線性組合而成：

式中，pcm為第m個(gè)主成分，?i為該主成分的權(quán)重系數(shù)，Ii為單個(gè)波段的原始圖像。

大豆樣本第一個(gè)主成分分析圖像包含最多的大豆信息，因此試驗(yàn)通過(guò)pc1尋找特征波長(zhǎng)。在該線性組合中，權(quán)重系數(shù)較大的所對(duì)應(yīng)波長(zhǎng)下的圖像貢獻(xiàn)越大[17]。通過(guò)對(duì)比284個(gè)權(quán)重系數(shù)，發(fā)現(xiàn)權(quán)重系數(shù)較大的是?42，?69，?105，?120，其所對(duì)應(yīng)波段就是特征波長(zhǎng)，分別為1 153，1 322，1 547，1 641 nm。

2.2 特征提取

灰度共生矩陣是一種描述紋理特征的常用方法。采用該方法對(duì)大豆不同等級(jí)樣本進(jìn)行4個(gè)特征波段下圖像的紋理特征提取。隨機(jī)截取每個(gè)特征波段下的圖像區(qū)域，然后分別提取基于灰度共生矩陣的8個(gè)特征參量[18]：均值、方差、同質(zhì)性、對(duì)比度、差異性、熵、二階矩、相關(guān)性，應(yīng)用ENVI軟件獲得不同等級(jí)大豆的8個(gè)紋理特征圖像，如表1所示。從這8個(gè)特征參量中選取最能表現(xiàn)圖像信息的4個(gè)紋理特征參數(shù)——二階矩、熵、慣性矩和相關(guān)性，得到16個(gè)特征變量，再通過(guò)第二次主成分分析，選取8個(gè)特征變量結(jié)合人工神經(jīng)網(wǎng)絡(luò)建立大豆等級(jí)的識(shí)別模型。

表1 不同大豆等級(jí)的8個(gè)紋理特征參數(shù)Table 1 Eight texture feature parameters with different levels of soybean

2.3 模型建立與結(jié)果

人工神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的非線性表達(dá)能力，其校正效果優(yōu)于主成分回歸、加權(quán)主成分回歸、偏最小二乘、二次主成分回歸等方法。試驗(yàn)將大豆樣本進(jìn)行分級(jí)，應(yīng)用Matlab軟件，結(jié)合人工神經(jīng)網(wǎng)絡(luò)建立大豆的分級(jí)模型，該網(wǎng)絡(luò)由輸入層、隱含層、輸出層構(gòu)成。試驗(yàn)共有100個(gè)樣本，每個(gè)樣本提取兩個(gè)特征波段，共200個(gè)數(shù)據(jù)樣本，其中隨機(jī)選取100個(gè)樣本進(jìn)行訓(xùn)練，剩余100個(gè)樣本用于驗(yàn)證。訓(xùn)練結(jié)果如圖4所示。

該模型的輸入層包含8個(gè)節(jié)點(diǎn)，分別為主成分分析下前兩個(gè)波段下的基于灰度共生矩陣的4個(gè)參數(shù)，經(jīng)過(guò)多次試驗(yàn)，隱含層包含10個(gè)節(jié)點(diǎn)為最優(yōu)，輸出層為1[19-20]。經(jīng)過(guò)多次試驗(yàn)確定學(xué)習(xí)率為0.2，動(dòng)量因子為0.5。獲得最優(yōu)結(jié)果見(jiàn)表2，從中可以看出，預(yù)測(cè)時(shí)總判別率為90%，說(shuō)明該模型對(duì)大豆等級(jí)的分級(jí)識(shí)別可行。

圖4 訓(xùn)練過(guò)程Fig.4 Process of training

表2 預(yù)測(cè)集中5個(gè)等級(jí)大豆的預(yù)測(cè)結(jié)果Table 2 Discriminating results of five grade of soybean in prediction set

3 結(jié)論

利用高光譜成像技術(shù)獲得高光譜圖像，對(duì)高光譜數(shù)據(jù)進(jìn)行主成分分析，實(shí)現(xiàn)高光譜數(shù)據(jù)的降維，并找出大豆的4個(gè)特征波長(zhǎng)，采用基于灰度共生矩陣的紋理特征提取方法，提取大豆的8個(gè)紋理參數(shù)；利用人工神經(jīng)網(wǎng)絡(luò)建立大豆分級(jí)識(shí)別模型，預(yù)測(cè)分級(jí)準(zhǔn)確率為92%。說(shuō)明可以利用高光譜圖像技術(shù)對(duì)大豆進(jìn)行分級(jí)。但由于試驗(yàn)條件有限，還需在以下幾方面得到提高和改善：大豆樣本的多樣性。本文只選擇墾豐16作為研究對(duì)象，缺少對(duì)多品種的共性研究，對(duì)試驗(yàn)結(jié)果會(huì)產(chǎn)生影響；光譜波段選擇不全面，試驗(yàn)選擇1 000～2 500 nm波段范圍，未對(duì)其他波段范圍進(jìn)行分析，試驗(yàn)的精度有待提高；分類方法單一。由于人工神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)只適用于一類或幾類問(wèn)題，因此需要尋找簡(jiǎn)潔、穩(wěn)定、通用的分類方法。

學(xué)者已將高光譜成像技術(shù)應(yīng)用在玉米、水稻等農(nóng)產(chǎn)品的無(wú)損檢測(cè)中，并獲得較好成果。目前暫無(wú)利用高光譜成像技術(shù)對(duì)大豆品質(zhì)檢測(cè)的研究。在今后試驗(yàn)中，將利用高光譜成像技術(shù)對(duì)大豆的脂肪、蛋白質(zhì)、碳水化合物等內(nèi)在品質(zhì)進(jìn)行無(wú)損檢測(cè)，結(jié)合大豆的外在品質(zhì)進(jìn)行分析，尋求大豆內(nèi)外品質(zhì)的關(guān)聯(lián)性，為大豆在線無(wú)損檢測(cè)提供試驗(yàn)和理論依據(jù)。

[1]趙丹婷,柴玉華,張長(zhǎng)利.基于圖像處理技術(shù)的大豆灰斑病的檢測(cè)技術(shù)研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2010,41(4):119-123.

[2]時(shí)玉強(qiáng),柴玉華,鄭先哲.基于機(jī)器視覺(jué)的大豆細(xì)菌斑點(diǎn)病粒檢測(cè)[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2009,40(4):106-110.

[3]高艷霞,胡昌標(biāo).基于機(jī)器視覺(jué)的大豆熱損傷粒檢測(cè)[J].計(jì)算機(jī)與現(xiàn)代化,2011(7):88-91.

[4]譚克竹,張長(zhǎng)利,柴玉華.基于遺傳多層前饋神經(jīng)網(wǎng)絡(luò)的大豆脂肪酸含量近紅外光譜檢測(cè)[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2008,39 (7):112-117.

[5]陳全勝,趙杰文,蔡健榮,等.利用高光譜圖像技術(shù)評(píng)判茶葉的質(zhì)量等級(jí)[J].光學(xué)學(xué)報(bào),2008,28(4):669-674.

[6]黎靜,劉木華,薛龍.基于高光譜圖像技術(shù)的大米堊白檢測(cè)[J].南方農(nóng)機(jī),2009(1):27-29.

[7]中華人民共和國(guó)國(guó)家技術(shù)監(jiān)督局.GB 1352—2009,中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)-大豆[S].北京:中國(guó)標(biāo)準(zhǔn)出版社,2009.

[8]韓熹,嚴(yán)紅兵,盧福潔,等.基于國(guó)產(chǎn)近紅外谷物分析儀的大豆中粗蛋白與粗脂肪含量的檢測(cè)研究[J].現(xiàn)代科學(xué)儀器,2009 (2):119-121.

[9]李江波,饒秀勤,應(yīng)義斌.農(nóng)產(chǎn)品外部品質(zhì)無(wú)損檢測(cè)中高光譜成像技術(shù)的應(yīng)用研究進(jìn)展[J].光譜學(xué)與光譜分析,2011,31(8): 2021-2026.

[10]郭恩有,劉木華,趙杰文,等.臍橙糖度的高光譜圖像無(wú)損檢測(cè)技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2008(5):91-93.

[11]趙杰文,劉劍華,陳全勝,等.利用高光譜圖像技術(shù)檢測(cè)水果輕微損傷[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2008(1):106-109.

[12]劉木華,趙杰文,鄭建鴻,等.農(nóng)畜產(chǎn)品品質(zhì)無(wú)損檢測(cè)中高光譜圖像技術(shù)的應(yīng)用進(jìn)展[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2005,36(9):139-142.

[13]單佳佳,吳建虎,陳菁菁,等.基于高光譜成像的蘋(píng)果多品質(zhì)參數(shù)同時(shí)檢測(cè)[J].光譜學(xué)與光譜分析,2010,30(10):2729-2733.

[14]楊諸勝,郭雷,羅欣,等.一種基于主成分分析的高光譜圖像波段選擇算法[J].微電子學(xué)與計(jì)算機(jī),2006,23(12):72-74.

[15]馮燕,何明一,宋江紅,等.基于獨(dú)立成分分析的高光譜圖像數(shù)據(jù)降維及壓縮[J].電子與信息學(xué)報(bào),2007,29(12):2871-2875.

[16]鄒小波,趙杰文.農(nóng)產(chǎn)品檢測(cè)技術(shù)與數(shù)據(jù)分析方法[M].北京:中國(guó)輕工業(yè)出版社,2008.

[17]鄒偉,方慧,劉飛等,基于高光譜圖像技術(shù)的油菜籽品質(zhì)鑒別方法研究[J].浙江大學(xué)學(xué)報(bào),2011,37(2):175-180.

[18]馮雷,張德榮,陳雙雙,等.基于高光譜成像技術(shù)的茄子葉片灰霉病早期檢測(cè)[J].浙江大學(xué)學(xué)報(bào),2012,389(3):311-317.

[19]傅文林,圖像分割技術(shù)研究及頭發(fā)分割應(yīng)用[D].上海:上海交通大學(xué),2010.

[20]李江波,蘇憶楠,饒秀勤.基于高光譜成像及神經(jīng)網(wǎng)絡(luò)技術(shù)檢測(cè)玉米含水率[J].包裝與食品機(jī)械,2010(6):1-4.

Identification of different soybean grades based on hyperspectral imagery

CHAI Yuhua1,HOU Shengfei1,PENG Changlu2
(1.School of Electrical and Information,Northeast Agricultural University,Harbin 150030,China;2.Admissions Office of Heilongjiang Province,Harbin 150090,China)

In order to fast and exact classification of soybean,collection 1-5 grades soybean 1 000-2 500 nm range of hyperspectral image data to obtain spectral image;analysis of different samples of soybean grade spectral curve;application of principal component analysis(PCA),from the 4 features of each variety selected optimal wavelength,extracted four texture feature parameters（moment of inertia,energy,entropy and correlation）from each feature in the image based on statistical moment.Select 8 main characteristic variables from 16 characteristic variables,establishment of soybean grade identification model based on BP neural network.Experimental results showed that discriminating rate was 92%in the prediction set.Results showed that the hyperspectral image technology had better recognition effects on soybean grade,Provided a good reference for soybean online non-destructive testing classification.

image processing;hyperspectral imagery;principal component analysis;soybean

S565.1

A

1005-9369（2014）04-0107-06

2012-10-24

中國(guó)博士后科學(xué)基金資助項(xiàng)目（20070410883）；黑龍江省自然科學(xué)基金重點(diǎn)項(xiàng)目（ZD201303）

柴玉華（1965-），女，教授，博士生導(dǎo)師，研究方向?yàn)槟Ｊ阶R(shí)別與智能控制。E-mail:houshengfei@126.com

時(shí)間2014-4-21 13:21:11[URL]http://www.cnki.net/kcms/detail/23.1391.S.20140421.1321.004.html

柴玉華,侯升飛,彭長(zhǎng)祿.基于高光譜圖像技術(shù)的大豆分級(jí)識(shí)別方法研究[J].東北農(nóng)業(yè)大學(xué)學(xué)報(bào),2014,45(4)∶107-112.

Chai Yuhua,Hou Shengfei,Peng Changlu.Identification of different soybean grade based on hyperspectral imagery[J].Journal of Northeast Agricultural University,2014,45(4)∶107-112.(in Chinese with English abstract)