黃鋒華，燕紅文，苗榮慧

（山西農(nóng)業(yè)大學(xué) 信息科學(xué)與工程學(xué)院，山西 太谷 030801）

油桃具有極高的營養(yǎng)價值，口感較好，經(jīng)濟(jì)效益可觀，深受消費(fèi)者青睞[1]，研究油桃品種分類對提高油桃的品質(zhì)及市場競爭力具有重要意義。高光譜成像技術(shù)檢測精度高，實(shí)時性強(qiáng)，是果蔬分類應(yīng)用研究的常用技術(shù)[2]。趙旭婷等[3]選用CARS 和ELM 對油桃品種進(jìn)行了判別，谷靜思[4]對油桃的內(nèi)部品質(zhì)與品種通過近紅外光譜與介電頻譜進(jìn)行檢測研究，在品質(zhì)預(yù)測時近紅外光譜預(yù)測性能均優(yōu)于介電頻譜，在進(jìn)行品種判別時二者均可快速鑒別。本研究采用420～1 700 nm 波段高光譜成像技術(shù)，選用PLS、LS-SVM 和ELM 模型對同產(chǎn)地的“曙光”“中油4號”“中油5號”“中油9號”進(jìn)行分類研究，以期得出最優(yōu)模型。

1 材料與方法

1.1 樣本采集

為保證研究的可靠性，采摘時以形狀相近、成熟度統(tǒng)一、果質(zhì)量均勻?yàn)檫x取樣本的根本原則，采集地點(diǎn)位于山西省運(yùn)城市某果園。樣本劃分及各品種數(shù)目見表1。圖1 為在可見近紅外波段下油桃品種樣本圖，圖2 為近紅外波段下油桃品種樣本圖。

表1 油桃品種樣本數(shù)Tab.1 The number of nectarine varieties

圖1 420～1 000 nm波段不同油桃品種圖Fig.1 The different nectarine varieties in 420～1 000 nm band

圖2 900～1 700 nm波段不同油桃品種樣本圖Fig.2 The samples of different nectarine varieties in the 900～1 700 nm band

由圖2可知，在近紅外波段下的油桃圖像是偽彩色的，無法顯示樣本表面的顏色及紋理信息，可分辨性較低。但相對圖1，該波段具有較強(qiáng)穿透性，可獲得更多的果皮和果肉信息，而不同品種間油桃樣本的組成成分存在明顯的差異，因此可選用該波段對不同油桃進(jìn)行判別分類。

1.2 紋理特征提取

紋理是表征圖像特征的重要參數(shù)，紋理特征的有效提取是圖像分類與分割的重要過程[5]，因此本研究采用紋理特征描述不同品種油桃之間的差異?；叶裙采仃嚕℅ray Level Co-occurrence Matrix，GLCM）可表示圖像灰度方向、間距、幅度等相關(guān)變化信息，適應(yīng)性強(qiáng)，可有效的表征紋理[6]。其統(tǒng)計(jì)了圖像灰度為i、j距離為d 的像元同時出現(xiàn)的頻度，公式如（1）所示：

式中：θ——GLCM的生成方向，文中θ取0°。

表征紋理采用以下6個參數(shù)，如公式（2）～（7）所示[7]：

均值：

對比度：

相關(guān)性：

P(i,j)——GLCM，且i、j代表2 個像素點(diǎn)的灰度級；μx、σx——相應(yīng)行灰度均值及標(biāo)準(zhǔn)差；μy、σy——相應(yīng)列灰度均值及標(biāo)準(zhǔn)差。

能量：

同質(zhì)性：

熵值：

1.3 建模方法

本試驗(yàn)選用PLS、LS-SVM、ELM 3 種模型對油桃進(jìn)行分類，對其評價使用標(biāo)準(zhǔn)差（RMSEC）和相關(guān)系數(shù)（R2），目標(biāo)模型的R2高而RMSEC低。

偏最小二乘（PLS）將輸入數(shù)據(jù)進(jìn)行區(qū)分并按權(quán)重線性組合后重新表征輸入數(shù)據(jù)，模型具有較強(qiáng)的預(yù)測能力[8]；最小二乘支持向量機(jī)（LS-SVM）使用核函數(shù)將二次規(guī)劃問題轉(zhuǎn)化為線性方程組的求解[9]；極限學(xué)習(xí)機(jī)（ELM）的基礎(chǔ)網(wǎng)絡(luò)為SLFN，SLFN 訓(xùn)練難度大，ELM 則克服了上述缺點(diǎn)，具有泛化誤差小、訓(xùn)練高效的優(yōu)勢[10]。

2 油桃品種判別試驗(yàn)過程

模型對4 種油桃判別時，使用數(shù)值代表其類別：1 代表“曙光”，2 代表“中油4 號”，3 代表“中油5 號”，4 代表“中油9號”，誤差為0.5。模型判別出的代表油桃類別的值分別在[0.5～1.5)、[1.5～2.5)、[2.5～3.5)、[3.5～4.5)之間，預(yù)測類別值不在以上區(qū)間的為異類樣本。

2.1 圖像紋理特征提取

在ENVI 環(huán)境中提取不同油桃的目標(biāo)區(qū)域，本試驗(yàn)中選取油桃圖像中部50×50 像素的目標(biāo)區(qū)域，對該區(qū)域采用1.2中的6個評價指標(biāo)對其紋理特征進(jìn)行處理，結(jié)果如表2所示。

由表2 可知，不同品種油桃樣本在可見/近紅外波段下提取得到的圖像紋理特征值具有較為明顯的差異；而在近紅外波段下提取得到的圖像紋理特征值差異不明顯，6 項(xiàng)紋理指標(biāo)值在4類品種間的差異不顯著，數(shù)據(jù)非常接近。因此，不可使用近紅外波段下的紋理指標(biāo)值對該4類油桃樣本進(jìn)行品種間的區(qū)分。

表2 4類樣本的GLCM紋理特征值Tab.2 The GLCM texture characteristic values of four types of samples

2.2 品種判別模型構(gòu)建

2.2.1 PLS建模

使用可見/近紅外波段下的圖像紋理特征值建立多品種油桃樣本的PLS品種分類判別，預(yù)測集判別結(jié)果，見圖3。

圖3 PLS模型判別結(jié)果Fig.3 The PLS model discrimination results

由圖3 可知，在該集合中，14 個“曙光”樣本被判別為“中油4 號”，2 個“曙光”樣本被判別為異類樣本；“中油4 號”中有8個被錯判為“曙光”，有1個判別為“中油5號”。

“中油5 號”中有1 個樣本被判為“中油4 號”，5 個被判為“中油9 號”；11 個“中油9 號”樣本被判為“中油5 號”樣本，2個“中油9 號”樣本被判為異類樣本；該模型在預(yù)測集取得78.95%準(zhǔn)確率。

2.2.2 LS-SVM 建模

使用可見/近紅外波段下的圖像紋理特征值建立多品種油桃樣本的LS-SVM品種分類判別，預(yù)測集判別結(jié)果見圖4。

圖4 LS-SVM模型判別結(jié)果Fig.4 The LS-SVM model discrimination results

由圖4 可知，在預(yù)測集樣本中，17 個“曙光”樣本被誤判，其中15 個樣本被誤判為“中油4 號”樣本，2 個樣本被誤判為異類樣本；8 個“中油4 號”樣本被判為“曙光”，1 個“中油4號”樣本被判為“中油5 號”；2 個“中油5 號”樣本被判為“中油4號”，5個“中油5號”樣本被判為“中油9號”；11個“中油9號”樣本被判為“中油5 號”，1 個樣本被誤判為異類樣本；由此計(jì)算其預(yù)測集準(zhǔn)確率分別為78.47%。

2.2.3 ELM建模

使用可見/近紅外波段下的圖像紋理特征值建立多品種油桃樣本的ELM品種分類判別，預(yù)測集判別結(jié)果，見圖5。

圖5 ELM模型判別結(jié)果Fig.5 The discrimination result of ELM model

由圖5 可見，在預(yù)測集樣本中，17 個“曙光”樣本被誤判，其中13 個樣本被歸類為“中油4 號”，4 個樣本被劃分為異類樣本；8 個“中油4 號”樣本判別為“曙光”，4 個“中油4 號”樣本判別為“中油5 號”；5 個“中油5 號”樣本預(yù)測為“中油4號”，2 個“中油5 號”預(yù)測為“中油9 號”；9 個“中油9 號”樣本被誤判為“中油5 號”樣本，4 個樣本被誤判為異類樣本；ELM的準(zhǔn)確率達(dá)到76.56%。

2.2.4 多種建模方式比較

本試驗(yàn)基于GLCM 選用3 種模型對4 種油桃的紋理特征進(jìn)行分析并據(jù)此對其品種進(jìn)行了預(yù)測，試驗(yàn)結(jié)果，見表3。

表3 各模型對油桃品種分類結(jié)果Tab.3 The classification results of nectarine varieties by various models

由表3可知，PLS對油桃品種判別效果最優(yōu)：校正集模型精度R2 和RMSEC 分別達(dá)到0.839 和0.437，校正集與預(yù)測集判別正確率分別為84.02%、78.95%，平均判別準(zhǔn)確率為81.49%。

3 結(jié)論

本研究基于GLCM 選用3 種模型對采收期同產(chǎn)地4 種油桃品種進(jìn)行了分類判別研究，結(jié)果如下：不同品種油桃樣本在可見/近紅外波段下提取得到的圖像紋理特征值具有較為明顯的差異；對于可見/近紅外波段下的圖像紋理特征值采用PLS 模型建立的判別精度最高，其整體模型的判別正確率達(dá)到81.49%；為了提高判別精度與可靠性，在后續(xù)的研究中可采用光譜主成分和圖像紋理數(shù)據(jù)進(jìn)行融合從而實(shí)現(xiàn)對油桃品種的判別研究。