高光谱数据在损伤长枣的检测判别中的应用

有研究表明，利用高光谱结合偏最小二乘判别分析分类模型，可以有效的实现灵武长枣损伤后随时间变化的快速检测，为灵武长枣在线检测提供理论依据。推荐使用赛斯拜克高光谱成像仪，可以快读准确地获得精密的高光谱图像，从而进行精密的分析研究。

高光谱数据用于损伤长枣的检测判别的背景

枣在中国已有4000多年的历史，它主要分布在亚洲的亚热带和热带地区，已有三千多年的耕种历史。“灵武长枣”(Lingwu long jujube)是宁夏重要的经济林木之一，并且由于其巨大的生态、社会和经济效益，也是宁夏农业的主要组成部分[1-2]，但是灵武长枣在采收、运输等过程中容易受到损伤，并且损伤后不容易被观察到降低商品价值严重影响经济收益3。因此，亟需一种无损检测技术快速有效地检测灵武长枣的内部损伤。
近年来，高光谱成像系统作为一种快速无损、准确度高且具有高灵敏度的检测系统，被用于苹果、梨、猕猴桃、草莓、蓝莓、桃子I等的瘀伤检测。

Zhangl10等利用高光谱成像系统结合 AdaBoost 算法对完整苹果和损伤后5个时间段(损伤后1 min、1天、2天、3天、4天)的苹果进行了分类，结果表明，经MSC(multiplicative scatter correc-tion)和 CFS(correlation-based feature selection)预处理后，所选波长建立的模型平均精度为97.63%。

Fanii等利用最佳波长结合近红外高光谱反射成像系统对蓝莓内部瘀伤随时间的变化进行了检测研究，结果表明，蓝莓在撞击后 30 min、2h、6h和12h的波段比值图像建模分类精度分别为77.5%，83.8%，92.5%和95.0%，以及 CARS-LS-SVM(competitive adaptive reweighted sampling-least squares-support 都or machine)模型的验证集中健康和瘀伤蓝莓准确率分别为93.3%和95.9%Lee等利用高光谱图像对梨的物理损伤进行了检测研究，结果表明：利用最佳阈值波段比检测结果的准确率为92%。

灵武长枣外部缺陷检测已有相关研究，但是对于灵武长枣内部损伤检测鲜有报道。故以灵武长枣为研究对象，对完整长枣和损伤后五个时间段(损伤后2，4，8，12和24h)长枣进行分类判别。利用高光谱成像系统获得高光谱图像，利用ENVI软件提取感兴趣(region of interest， ROI)区域，并计算平均光谱值。对原始光谱利用 Savitzky-Golay 平滑的一阶导数(first derivatives SG-1)和二阶导数(second derivatives， SG-2)、标准正态变换(smandard normal variate， SNV)和去趋势(Detrending)、以及SNV-SG-1、SNV-SG-2、Detrending-SG-1、Detrending-SG-2组合预处理， 并建立 PLS-DA分类模型；优选最优预处理算法得到的光谱数据，利用连续投影算法(successie projection algorithm， SPA)、间隔随机蛙跳(interval random frog，IRF)、无信息消除变量(uninformative variable elimination，UVE)、变量组合集群分析法( variable combination popula-tion analysis， VCPA)、区间变量迭代空间收缩法(interval variable iterative space shrinkage approach， IVISSA)五种算法和 IRF-SPA、UVE-SPA、IVISSA-SPA三种组合算法进行特征变量选择，特征变量建立偏最小二乘判别分析(partial least squares-discriminant analysis， PLS-DA)、线性判别分析(linear discriminant analysis， LDA.)和支持向量机(support vector machine， SVM)分类判别模型、为损伤灵武长在线检测提供理论依据。

高光谱数据用于损伤长枣的检测判别的结论

高光谱成像作为一种快速无损的检测方法被广泛应用。利用高光谱成像系统获得完整长枣和损伤后不同时间段(损伤后2，4.8，12和24h)长枣的光谱图像，提取感兴趣区域，计算平均光谱值，建立原始光谱和预处理光谱数据的 PLS-DA分类模型，选择 SNV-SG-2光谱数据的特征变量建立线性(PLS-DA， LDA)和非线性(SVM)分类判别模型，并对模型进行比较。在原始光谱数据建模中，模型校正集和预测集准确率分别为82.96%和90%。光谱经过预处理后得到SNV-SG-2-PLS-DA 为最优分类判别模型，模型校正集和预测集准确率分别为91.11%和96.67%，预处理可以有效提高模型的分类准确率。

在特征变量建立的分类模型中， SNV-SG-2-UVE-PLS-DA模型校正集和预测集准确率分别为86.3%和94.44%； SNV-SG-2-SPA-LDA模型校正集和预测集准确率分别为86.3%和83.33%； SNV-SG-2-UVE-SVM 模型校正集和预测集准确率分别为77.78%和71.11%。对于特征变量选择算法来说，有的可以提高建模准确率，有的虽然减少了变量数，但是使得建模效果降低，不利于判别分类。对于建立的分类模型来说，线性分类模型(PLS-DA，LDA)分类结果优于非线性分类模型(SVM)分类结果，在线性分类模型分类结果中PLS-DA模型分类结果优于 LDA 模型分类结果，因此，PLS-DA 分类模型可以更好的为损伤灵武长枣在线检测提供分类效果。