关注双利合谱，聚焦行业运用，探索高光谱遥感发展！
本期内容：利用高光谱图像提取小波特色识别花生霉变
运用关键词：连续小波变换；高光谱图像；真菌传染；花生
background 背景
花生是天下上大部分地区栽种和消费的最主要的油籽作物之一，但是随意马虎受到真菌传染，个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，防止其进入食品链，从而保护人类和动物免受危害。高光谱成像技能将成像技能和近红外光谱技能集成到一个别系中，可以同时供应空间和光谱信息，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打算量，不利于运用于在线检测系统中。因此，在进一步剖析之前，常日会对高光谱图像进行特色约简。目前利用的特色约简方法可以分为两类：特色选择（偏最小二乘回归、连续投影算法、遗传算法）和特色提取（主身分剖析、线性判别剖析、非参数加权特色提取）。除了这些常用的特色约简方法外，连续小波变换（Continuous wavelet transform, CWT）是一种有效的特色提取方法，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身分歧的幅度和尺度，以方便识别细微特色，并供应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传染。
因此，在本研究中，我们将CWT与传统的光谱特色提取方法进行比较，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色（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）理解霉变花生的光谱特色；（2）确定适宜鉴定霉变花生的CWT；（3）通过比较WF与SPA（Successive projection algorithm）选择的最佳波段来考验CWT在霉变花生鉴定中的性能。
experimental design 试验设计
中国矿业大学蒋金豹团队利用GaiaSorter（江苏双利合谱）得到了康健、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的玄色托盘中，获取高光谱图像，如图1所示。
图1 花生样品。前3张用于演习集，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利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，为待剖析的光谱反射率，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，由于接管特色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。为了减少打算量，我们只在尺度21、22、23、…、27下取小波幂。
Jeffries-Matusita（J-M）间隔是一种灵巧、直不雅观的特色可分性指标，被广泛用于辅导特色选择。J-M间隔范围从0到2，J-M间隔越大，解释两类可分的概率越大，反之亦然。在本研究中，利用J-M间隔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，因此须要一种特色选择方法来识别最主要的特色。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凑集；其次，通过打算康健花生和霉变花生样品之间的J-M间隔，构建J-M间隔尺度图；末了，按照J-M间隔的降序对特色进行排序，并利用阈值J-M间隔来划定前1%的特色。阈值所圈定的特色在J-M的间隔尺度图上形成了一个分散的特色区域。理论上，特色区域中的所有特色都是当选中的WF。然而，它们携带了冗余的光谱信息，由于同一区域的特色是在连续的波长位置和尺度上产生的。详细流程如图2所示。
本研究利用SPA选择最佳波段与WFs的分类结果进行比较。利用的分类模型为偏最小二乘判别剖析（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
Conclusion 结论
康健花生在1208 nm、1472 nm、1747 nm、1938 nm、2145 nm和2329 nm处可见6个显著的接管峰（图3），紧张归因于花生对水、蛋白质和油身分干系的C-H、N-H和O-H的接管。在1000 ~ 1500 nm波长范围内，康健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处的反射率降落，接管峰减弱。在1365 ~ 2486 nm波长范围内，霉变花生的反射率值高于康健花生，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康健的果仁散射更多的光。
图3 康健花生和霉变花生的光谱相应。黑点表示康健花生的接管峰，垂直虚线表示SPA选择的最佳波长
前1%特色的阈值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色区域（图4中橙色区域）。对发霉花生敏感的特色区域集中在1000 ~ 1500 nm，个中光谱曲线形状有明显差异（图3），这些结果符合CWT剖析基于光谱曲线形状而不是反射率大小的事实。终极选取了5种用于霉变花生和康健花生分类的WF，分别为WF1, 1005、WF1, 1045、WF4, 1410、WF1, 1422、WF5, 1518。
对原始光谱反射率进行SPA，终极确定了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）。这紧张是由于两种方法的选择标准不同，CWT紧张捕获光谱形状的差异，而SPA紧张选择共线性最小的波段。
图4 连续小波剖析提取WFs的J-M间隔图
花生籽粒尺度分类结果如图5和表1所示。对付演习数据，无论利用WFs还是最优波段，都可以精确识别出康健和霉变花生。比较之下，对付测试数据，利用两种分类器的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即是利用最优波段的模型，解释WFs在康健花生和霉变花生的分类中具有更好的性能。CWT的两个紧张优点可以阐明其在鉴定霉变花生方面的优胜性。CWT可以隔离不同尺度的接管特色，将窄接管特色和宽接管特色区分为低尺度和高尺度。这种特性的好处是可以实现对WFs的完全研究，从而实现光谱特色的最佳选择。
▲
图5 SVM对演习集利用最优波段（a）和WF（b）进行籽粒尺度分类，对测试集利用最优波段（c）和WF（d）进行籽粒尺度分类
表1 霉变花生仁鉴定结果
本研究利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，由于它可以避免将发霉的花生识别为康健花生。反之，如果阈值越小，康健花生仁被识别为发霉的可能性就越大，可能会因缺点丢弃而造成经济丢失。因此，确定阈值至关主要。考虑到不同分类器利用0.05、0.1和0.15阈值的分类结果，本文建议采取折中阈值0.1。但是，未来还须要探索一种可靠的阈值确定方法。此外，只管本研究表明，利用CWT结合高光谱成像技能可以以相对较高的精度识别霉变花生，但本研究得到的特色和模型可能仍未准备好运用于多品种花生的霉变识别。然而，文中描述的特色提取和建模方法可以作为开拓核心算法的参考。此外，本研究将真菌传染不同韶光得到的霉变花生样品作为一类处理，在未来的研究中，将通过丈量黄曲霉毒素的含量来定量确定传染水平。
PRODUCT 产品推举
GaiaSorter “盖亚”高光谱分选仪
紧张功能：
● 配备全波段光谱相机（400nm-1000nm、900~1700或1000-2500nm）
● 光谱相机类型、电控平移台扫描速率、文件保存路径等自动切换功能
● 数据采集时实现相机的自动切换
● 双相机数据文件的自动保存
● 近红皮毛机噪声坏点修复功能
● 自动光谱反射率校准
作者简介：
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。
紧张研究方向：
资源环境遥感、工业遥感、农业保险遥感、深度学习。
参考文献：
Qi, X.T., Jiang, J.B., Cui, X.M., & Yuan, D.S. (2019). Moldy Peanut Kernel Identification Using Wavelet Spectral Features Extracted from Hyperspectral Images. Food Analytical Methods, 13(2):445-456.
https://link.springer.com/article/10.1007/s12161-019-01670-w
