利用高光谱图像提取小波特征识别花生霉变

应用关键词

连续小波变换；高光谱图像；真菌感染；花生

背景

花生是世界上大部分地区种植和消费的最重要的油籽作物之一，但是容易受到真菌感染，其中黄曲霉毒素是一种剧毒、致突变和致癌物质。因此，有必要对发霉花生进行检测，防止其进入食物链，从而保护人类和动物免受危害。高光谱成像技术将成像技术和近红外光谱技术集成到一个系统中，可以同时提供空间和光谱信息，已被许多学者用于检测谷物和油籽（包括玉米）中的真菌。

高光谱图像中的高维数据会增加数据进一步处理的计算量，不利于应用于在线检测系统中。因此，在进一步分析之前，通常会对高光谱图像进行特征约简。目前使用的特征约简方法可以分为两类：特征选择（偏最小二乘回归、连续投影算法、遗传算法）和特征提取（主成分分析、线性判别分析、非参数加权特征提取）。除了这些常用的特征约简方法外，连续小波变换（Continuous wavelet transform, CWT）是一种有效的特征提取方法，已成功地用于高光谱图像的信息提取。它可以将原始光谱数据分解成不同的幅度和尺度，以方便识别细微特征，并提供与原始高光谱波段直接可比的信息。然而，CWT很少用于鉴定谷物和油籽中的真菌感染。

因此，在本研究中，我们将CWT与传统的光谱特征提取方法进行比较，以确定其在霉变花生鉴定中的性能。本研究的重点是提取敏感小波特征（Wavelet feature, WF），并对其在花生霉变鉴定中的鲁棒性进行了测试。研究目标是：（1）了解霉变花生的光谱特征；（2）确定适合鉴定霉变花生的CWT；（3）通过比较WF与SPA（Successive projection algorithm）选择的最佳波段来检验CWT在霉变花生鉴定中的性能。

试验设计

中国矿业大学蒋金豹团队使用GaiaSorter（江苏双利合谱）获得了健康、霉变20天、霉变30天后的花生高光谱图像。光谱成像系统由光谱范围为920 ~ 2530 nm的高光谱相机（Image-λ-N25E-HS）与标准C-mount变焦镜头（F/2, F = 22.5 mm, HSIA-OLES22）连接而成。将花生样品置于10 cm × 10 cm的黑色托盘中，获取高光谱图像，如图1所示。

图1 花生样品。前3张用于训练集，后4张用于测试集。

CWT是一种线性运算算法，通过该运算，高光谱反射光谱可以通过使用不同波长和尺度的母小波函数转换为系数集。其公式如下所示：

式中，a和b分别为表示小波宽度和位置的缩放因子和位移因子，为待分析的光谱反射率，W_f（a，b）为小波系数，为母小波函数。母小波函数公式如下所示：，

在本研究中，由于吸收特征的形状与标准高斯函数相似，因此选择墨西哥帽作为母小波基。为了减少计算量，我们只在尺度2¹、2²、2³、…、2⁷下取小波幂。

Jeffries-Matusita（J-M）距离是一种灵活、直观的特征可分性指标，被广泛用于指导特征选择。J-M距离范围从0到2，J-M距离越大，说明两类可分的概率越大，反之亦然。在本研究中，利用J-M距离对不同尺度和波长的小波系数进行评价，用于WF的选择。

霉变花生仁的连续分解导致许多WF是冗余的，因此需要一种特征选择方法来识别最重要的特征。首先，以墨西哥帽为母小波，在不同尺度下对每个花生籽粒的原始高光谱反射率数据进行CWT分解。将原始光谱转换为不同波长和尺度的小波系数集合；其次，通过计算健康花生和霉变花生样品之间的J-M距离，构建J-M距离尺度图；最后，按照J-M距离的降序对特征进行排序，并使用阈值J-M距离来划定前1%的特征。阈值所圈定的特征在J-M的距离尺度图上形成了一个分散的特征区域。理论上，特征区域中的所有特征都是被选中的WF。然而，它们携带了冗余的光谱信息，因为同一区域的特征是在连续的波长位置和尺度上产生的。具体流程如图2所示。

本研究使用SPA选择最佳波段与WFs的分类结果进行比较。使用的分类模型为偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）。评价指标为灵敏度、特异度和准确率。

图2 图像处理流程

结论

健康花生在1208 nm、1472 nm、1747 nm、1938 nm、2145 nm和2329 nm处可见6个显著的吸收峰（图3），主要归因于花生对水、蛋白质和油成分相关的C-H、N-H和O-H的吸收。在1000 ~ 1500 nm波长范围内，健康花生和霉变花生的光谱曲线形状有明显差异。花生发霉后1118 nm处的反射率降低，吸收峰减弱。在1365 ~ 2486 nm波长范围内，霉变花生的反射率值高于健康花生，这可能由于真菌的入侵会导致胚乳变得多孔，从而导致发霉的果仁比健康的果仁散射更多的光。

图3 健康花生和霉变花生的光谱响应。黑点表示健康花生的吸收峰，垂直虚线表示SPA选择的最佳波长。

前1%特征的阈值J-M值为1.70，利用该阈值得到了5个对霉变花生敏感的小波特征区域（图4中橙色区域）。对发霉花生敏感的特征区域集中在1000 ~ 1500 nm，其中光谱曲线形状有明显差异（图3），这些结果符合CWT分析基于光谱曲线形状而不是反射率大小的事实。最终选取了5种用于霉变花生和健康花生分类的WF，分别为WF_1, 1005、WF_1, 1045、WF_{4, 1410}、WF_{1, 1422}、WF_{5, 1518}。

对原始光谱反射率进行SPA，最终确定了1005 nm、1208 nm、1450 nm、1927 nm、2078 nm、2190 nm和2251 nm为霉变花生鉴定的最佳波段（图3）。最佳波段和WFs之间只有一个共同波段（1005 nm）。这主要是由于两种方法的选择标准不同，CWT主要捕获光谱形状的差异，而SPA主要选择共线性最小的波段。

图4 连续小波分析提取WFs的J-M距离图

花生籽粒尺度分类结果如图5和表1所示。对于训练数据，无论使用WFs还是最优波段，都可以正确识别出健康和霉变花生。相比之下，对于测试数据，使用两种分类器的WFs在三个阈值上的总体精度都优于最佳波段。此外，WFs的敏感性和特异性高于或等于使用最优波段的模型，说明WFs在健康花生和霉变花生的分类中具有更好的性能。CWT的两个主要优点可以解释其在鉴定霉变花生方面的优越性。CWT可以隔离不同尺度的吸收特征，将窄吸收特征和宽吸收特征区分为低尺度和高尺度。这种特性的好处是可以实现对WFs的完整研究，从而实现光谱特征的最佳选择。

本研究使用阈值来确定花生仁是否发霉。从理论上讲，越小的阈值越好，因为它可以避免将发霉的花生识别为健康花生。反之，如果阈值越小，健康花生仁被识别为发霉的可能性就越大，可能会因错误丢弃而造成经济损失。因此，确定阈值至关重要。考虑到不同分类器使用0.05、0.1和0.15阈值的分类结果，本文建议采用折中阈值0.1。但是，未来还需要探索一种可靠的阈值确定方法。此外，尽管本研究表明，利用CWT结合高光谱成像技术可以以相对较高的精度识别霉变花生，但本研究获得的特征和模型可能仍未准备好应用于多品种花生的霉变识别。然而，文中描述的特征提取和建模方法可以作为开发核心算法的参考。此外，本研究将真菌感染不同时间获得的霉变花生样品作为一类处理，在未来的研究中，将通过测量黄曲霉毒素的含量来定量确定感染水平。

图5 SVM对训练集使用最优波段（a）和WF（b）进行籽粒尺度分类，对测试集使用最优波段（c）和WF（d）进行籽粒尺度分类

表1 霉变花生仁鉴定结果

作者信息

蒋金豹，博士，中国矿业大学地球科学与测绘工程学院教授，博士生导师。

主要研究方向：资源环境遥感、工业遥感、农业保险遥感、深度学习。

参考文献：