孫 梅， 黃 宇 ， 陳興海， 劉業(yè)林， 蘇秋城

(北京工商大學(xué)人工智能學(xué)院1，北京 100048) (北京卓立漢光儀器有限公司2，北京 101102) (四川雙利合譜科技有限公司3，成都 610016)

小麥?zhǔn)鞘澜绶植挤秶顝V的糧食作物之一，據(jù)中華人民共和國統(tǒng)計局統(tǒng)計，2011年我國冬小麥播種面積達(dá)2.46億公頃，冬小麥產(chǎn)量128 188萬t，在我國小麥的種植面積和產(chǎn)量僅次于水稻。小麥種子的發(fā)芽率對小麥的增產(chǎn)增收至關(guān)重要，而小麥種子的發(fā)芽率與小麥種子的儲藏年份有著密切關(guān)系，一般而言，隨著儲藏年份的增加，小麥種子的發(fā)芽率降低，因此小麥種子的儲藏年份的鑒別研究具有重要意義。傳統(tǒng)鑒別小麥種子儲藏年份的方法靠經(jīng)驗豐富的農(nóng)藝家聞種子的味道，看種子的成色，這樣的方法費(fèi)時費(fèi)力，而且誤差較大[1，2]。成像高光譜技術(shù)融合了圖形技術(shù)和光譜技術(shù)的優(yōu)勢，能夠同時獲取反映待測樣本外部特征、內(nèi)部物理結(jié)構(gòu)及化學(xué)成分的圖像信息和光譜信息，已經(jīng)被廣泛應(yīng)用到農(nóng)產(chǎn)品無損檢測領(lǐng)域，比如農(nóng)作物信息診斷[3]、農(nóng)藥殘留檢測[4]、內(nèi)外部品質(zhì)預(yù)測等[5-7]，在種子檢測方面，Zhu等[8]利用高光譜成像技術(shù)采集單粒小麥種子平均光譜信息，結(jié)合 SIMCA 方法建立6個品種的鑒別模型，識別率能達(dá)到 93%，吳靜珠等[9]研究也表明高光譜成像技術(shù)在小麥籽粒蛋白的預(yù)測建模中有比較好的效果。本研究以小麥種子為例，利用成像高光譜技術(shù)鑒定小麥種子的年份，為農(nóng)產(chǎn)品時間鑒定提供一種新的技術(shù)參考。

1 材料分析

本實驗以四川糧食所提供的小麥種子為研究對象，利用高光譜分選儀(光譜范圍400～1 000 nm)采集測試對象的高光譜數(shù)據(jù)，以鑒別不同年份的小麥種子。

1.1 成像高光譜設(shè)備

高光譜成像數(shù)據(jù)采集采用Gaia Sorter高光譜分選儀系統(tǒng)。該系統(tǒng)主要由高光譜成像儀(V10E)、CCD 相機(jī)、光源、暗箱、計算機(jī)組成，結(jié)構(gòu)圖與實景圖如圖1。實驗儀器參數(shù)設(shè)置如表1。

表1 GaiaSorter 高光譜分選儀系統(tǒng)參數(shù)

圖1 GaiaSorter 高光譜分選儀結(jié)構(gòu)圖與實景圖

1.2 圖像預(yù)處理

對成像高光譜分選儀采集的小麥原始影像數(shù)據(jù)進(jìn)行數(shù)據(jù)的預(yù)處理，預(yù)處理過程主要包括兩部分：第一部分是輻射定標(biāo)；第二部分為噪聲去除。

首先進(jìn)行輻射定標(biāo)。輻射定標(biāo)的計算公式如式(1)所示。

(1)

式中：Reftarget為目標(biāo)物的反射率；Refpanel為標(biāo)準(zhǔn)參考板的反射率；DNtarget為原始影像中目標(biāo)物的數(shù)值；DNpanel為原始影像中標(biāo)準(zhǔn)參考板的數(shù)值；DNdark為成像光譜儀系統(tǒng)誤差。

其次是噪聲去除，運(yùn)用國外較為常用的最小噪聲分離方法(Minimum Noise Fraction Rotation， MNF)進(jìn)行噪聲去除。最小噪聲分離工具用于判定圖像數(shù)據(jù)內(nèi)在的維數(shù)(即波段數(shù))，分離數(shù)據(jù)中的噪聲，減少隨后處理中的計算需求量。MNF本質(zhì)上是兩次層疊的主成分變換。第一次變換(基于估計的噪聲協(xié)方差矩陣)用于分離和重新調(diào)節(jié)數(shù)據(jù)中的噪聲，這步操作使變換后的噪聲數(shù)據(jù)只有最小的方差且沒有波段間的相關(guān)。第二步是對噪聲白化數(shù)據(jù)(Noise-whitened)的標(biāo)準(zhǔn)主成分變換。為了進(jìn)一步進(jìn)行波譜處理，通過檢查最終特征值和相關(guān)圖像來判定數(shù)據(jù)的內(nèi)在維數(shù)。數(shù)據(jù)空間可被分為兩部分：一部分與較大特征值和相對應(yīng)的特征圖像相關(guān)，其余部分與近似相同的特征值以及噪聲占主導(dǎo)地位的圖像相關(guān)。本研究的高光譜影像數(shù)據(jù)經(jīng)過MNF變換后，各波段光譜噪聲顯著降低，光譜曲線更加平滑。

2 數(shù)據(jù)分析與結(jié)果

圖2為不同年份的小麥種子的高光譜圖像RGB合成圖。圖2a為1995、2008、2009、2010、2011、2012、2013、2014年共8年的小麥種子，圖2b為2010、2011、2012、2013、2014年共5年的小麥種子。

圖2 小麥種子的RGB圖像

根據(jù)數(shù)據(jù)分析的需要，分別截圖含小麥區(qū)域的高光譜影像數(shù)據(jù)，并利用小麥種子與背景的光譜差異性，提取純小麥種子，如圖3所示。

圖3 純小麥種子的RGB圖像

為了更為客觀地分析不同年份的小麥種子的內(nèi)部信息，對經(jīng)預(yù)處理后的高光譜數(shù)據(jù)進(jìn)行主成分分析(Principal Component Analysis, PCA)，去除波段之間的多余信息、將多波段的圖像信息壓縮到比原波段更有效的少數(shù)幾個轉(zhuǎn)換波段下。一般情況下，第一主成分包含波段中的80%的方差信息，前三個主成分包含了所有波段的中95%以上的信息量。由于各波段之間的不相關(guān)，主成分波段可以生成更多顏色、飽和度更好的彩色合成圖像。圖3為不同年份小麥種子高光譜影像PCA的合成彩色圖。從圖3a可知，除2011年外，其他年份的小麥種子總體顏色呈規(guī)律變化；從圖3b可知，除2012年外，其他年份的小麥種子總體顏色也呈規(guī)律變化。

PCA變換的RGB彩色合成，可以更客觀地看到不同年份小麥種子在圖像顯示上的差別，為了進(jìn)一步分析不同年份小麥種子的差別，分別提取不同年份的小麥種子，在提取不同年份小麥種子的基礎(chǔ)上分別提取其均值、標(biāo)準(zhǔn)差等特征，不同年份的小麥種子的均值、標(biāo)準(zhǔn)差變化如圖4所示。

圖4 小麥種子的PCA合成圖(前三主成分)

無論是小麥種子的均值或標(biāo)準(zhǔn)差，其不同年份的小麥種子光譜曲線非常一致。從均值來看，在500 nm處不同年份的小麥種子區(qū)分相對明顯；從標(biāo)準(zhǔn)差來看，700 nm處不同年份的小麥種子區(qū)分相對明顯。因此本研究利用這兩波段分別構(gòu)建NDVI和EVI光譜指數(shù)，NDVI和EVI的計算公式如式(2)、式(3)所示。

(2)

(3)

通過分析NDVI、EVI兩個光譜指數(shù)與其相對應(yīng)年份的曲線變化可知，除去異常年份2011年的小麥種子外，無論是NDVI還是EVI光譜指數(shù)，隨著小麥種子收藏年份的增加，從總體變化趨勢來看，其NDVI和EVI值增加。

以NDVI光譜指數(shù)為例，分析不同年份小麥種子之間的圖像顯示差異。從圖5可知，圖5a除2011年，圖5b除2012年，其他年份的小麥種子圖像顯示顏色呈規(guī)律變化。以NDVI圖為例，年份越久的小麥種子呈藍(lán)色，年份處于中間年份為綠色，最近年份的呈紅色。

綜合分析小麥種子的PCA的彩色合成、NDVI密度分割圖圖和NDVI、EVI與年份之間的變化曲線可知， 2011年和2012年的小麥種子與整體的變化趨勢不一樣，故在分析NDVI、EVI與年份之間的關(guān)系時，刪除異常年份數(shù)據(jù)對數(shù)據(jù)分析結(jié)果的干擾。

圖5 不同年份小麥種子的NDVI密度分割圖

圖5a的1995年、2008年、2009年、2010年、2012年、2013年和2014年共7年的小麥種子為建模數(shù)據(jù)，圖5中2010年、2011年、2013年和2014年共4年的小麥種子為檢驗數(shù)據(jù)，利用NDVI和EVI光譜指數(shù)構(gòu)建小麥種子的年份預(yù)測模型，并驗證模型的可靠性。

本文通過建立NDVI、EVI光譜指數(shù)與其相對應(yīng)年份的散點(diǎn)圖及其趨勢線可知，NDVI與其對應(yīng)年份的決定系數(shù)為0.762 4，建模模型為y=-118.48x+ 2 051.5(其中y為年份，x為NDVI值)；EVI與其對應(yīng)年份的決定系數(shù)為0.858 5，y=-9.312x+2 027.7(其中y為年份，x為EVI值)，從預(yù)測模型的決定系數(shù)看，EVI與其相對應(yīng)年份構(gòu)建的模型精度更高。

分別利用NDVI預(yù)測小麥種子年份的模型y=-118.48x+2 051.5和EVI預(yù)測小麥種子年份的模型y=-9.312x+2 027.7預(yù)測圖5b的2010年、2011年、2013年和2014年共4年的小麥種子的年份。NDVI光譜指數(shù)預(yù)測2010年、2011年、2013年和2014年的小麥種子年份決定系數(shù)為0.970 2；EVI光譜指數(shù)預(yù)測2010年、2011年、2013年和2014年的小麥種子年份決定系數(shù)為0.983 8。如預(yù)測年份取整數(shù)部分，無論是NDVI還是EVI，其預(yù)測年份與實際年份完全一致，如取四舍五入取整，NDVI構(gòu)建的模型預(yù)測小麥年份分別為2010年、2012年、2013年和2015年，即有兩年(2011年和2014年)的預(yù)測年份超過實際年份1年；EVI構(gòu)建的模型預(yù)測年份分別為2011年、2011年、2013年和2014年，即有1年(2010年)的預(yù)測年份超過實際年份1年。從預(yù)測結(jié)果看，EVI光譜指數(shù)構(gòu)建的模型預(yù)測小麥種子年份精度高于NDVI光譜指數(shù)。

3 結(jié)論

對成像高光譜分選儀采集的小麥原始影像數(shù)據(jù)進(jìn)行數(shù)據(jù)的預(yù)處理，即輻射定標(biāo)和噪聲去除。其中利用MNF方法進(jìn)行噪聲去除。為了將多波段的圖像信息壓縮到比原波段更有效的少數(shù)幾個轉(zhuǎn)換波段下，我們對經(jīng)預(yù)處理后的高光譜數(shù)據(jù)進(jìn)行主成分分析(Principal Component Analysis, PCA)，根據(jù)均值和標(biāo)準(zhǔn)差兩個參數(shù)的分析，最后選擇了可見光波段的500 nm和700 nm分別構(gòu)建NDVI和EVI光譜指數(shù)，隨著小麥種子收藏年份的增加，其NDVI和EVI值增加。NDVI與其對應(yīng)年份的決定系數(shù)為0.7624，EVI與其對應(yīng)年份的決定系數(shù)為0.8585，從而可知，EVI與其相對應(yīng)年份構(gòu)建的模型的決定系數(shù)高于NDVI。所以得到的了NDVI的建模模型y=-118.48x+2 051.5和EVI的建模模型y=-9.312x+2 027.7，利用建模模型來預(yù)測2010、2011、2013、2014共4年的小麥種子的年份，無論是NDVI還是EVI，其預(yù)測年份與實際年份完全一致，如取四舍五入取整，NDVI構(gòu)建的模型有兩年的預(yù)測年份超過實際年份1年，EVI構(gòu)建的模型則有1年的預(yù)測年份超過實際年份1年。