基于高光谱图像技术的大豆分级识别方法研究

柴玉华，侯升飞，彭长禄

（1.东北农业大学电气与信息学院，哈尔滨 150030；2.黑龙江省招生办，哈尔滨 150090）

基于高光谱图像技术的大豆分级识别方法研究

柴玉华1，侯升飞1，彭长禄2

（1.东北农业大学电气与信息学院，哈尔滨 150030；2.黑龙江省招生办，哈尔滨 150090）

对大豆进行快速准确分级，采集1～5等级大豆波长在1 000～2 500 nm范围的高光谱图像数据，获得光谱图像；对不同大豆等级样本的光谱曲线进行分析；通过主成分分析法，从每个等级大豆样本中优选出四个特征波长，得到特征图像；从每个特征图像中分别提取基于灰度共生矩阵的4个纹理特征参数——能量、熵、惯性矩和相关性，从16个特征变量中选取8个主要特征变量，应用BP神经网络建立大豆品质分级识别模型。模型预测准确率为92%。结果表明，高光谱图像技术对大豆等级具有较好的识别作用，可为大豆的在线无损检测分级提供参考。

图像处理；高光谱；大豆；BP神经网络

大豆是重要经济作物，由于不同等级大豆颜色、大小、饱满度等外观品质与其脂肪、蛋白质、碳水化合物等内在品质存在一定差异性，快速准确地识别大豆等级对提高大豆品质，增强市场竞争力具有重要意义。目前，我国在大豆的外观品质检测停留在人工操作水平，存在主观性强、检测效率低、检测结果一致性差、检测人员易疲劳等问题。内部品质检测依赖于化学检测方法，在客观性、准确性、快速性等方面存在明显不足。如何快速准确地检测大豆品质，成为目前亟待解决的问题之一。学者对水果蔬菜等农产品检测技术进行了广泛研究[1]。时玉强等通过图像获取系统得到大豆的表面颜色特征，应用SAS对大豆表面颜色特征进行LOGISTIC回归后，应用BP神经网络对大豆进行标准粒与细菌斑点病粒分类[2]。高艳霞等提出利用神经网络和大豆表面颜色特征对大豆进行标准粒和热损伤粒分类的方法，选取大豆图像的6种颜色特征值作为神经网络的训练样本，并尝试利用粒子群优化算法与BP（Back propa⁃gation）结合算法训练网络[3]。谭克竹等应用近红外光谱技术结合遗传多层前馈神经网络的方法检测大豆脂肪酸含量[4]。

传统检测手段主要对大豆进行单一品质检测，检测质量信息具有局限性。高光谱成像技术，是近几年出现的一种农产品无损检测新技术，该技术集合图像处理技术和光谱分析技术的优点。图像处理技术能全面反映农产品表面缺陷、污染情况等外在特征，光谱技术又能反应农产品的物理结构、化学成分等内在品质。通过高光谱成像技术，能对农产品的综合品质进行检测[5-6]。本文采用高光谱成像技术对大豆等级进行检测，获得不同等级大豆的光谱曲线并进行光谱特性分析，研究基于主成分分析法的特征波段选择方法，提取基于灰度共生矩阵的纹理特征参数，再结合BP神经网络建立大豆分级识别模型，以期为高光谱成像技术用于大豆等级检测提供参考。

1 材料与方法

1.1 仪器设备

基于成像光谱仪的高光谱图像采集系统（见图1），由短波红外高光谱相机（含镜头，分光部件，MCT探测器，电源，封装等）（SpectralCamera-N25E），标准反射白板（Cal-tile200）和计算机（HP Pro 2080 MT）等部件组成。高光谱测量光谱范围是1 000～2 500 nm，平均间隔0.5 nm，曝光时间为20 ms。高光谱数据分析软件采用ENVI4.7和Matlab 7.12。

图1 高光谱图像采集系统Fig.1 Hyperspectral image acquisition system

1.2 样本来源及图像的获取

在《大豆》（GB 1352-2009）国家标准中[7]，明确提出完整粒率与损伤粒率的要求。1～5等级大豆的完整粒率分别要求≥95、≥90、≥85、≥80、≥75，损伤粒率分别要求≤1%、≤2%、≤3%、≤5%和≤8%。以东北农业大学大豆研究所提供的垦丰16作为研究对象，按完整粒率分为1～5等级大豆。每个品质20个样本，共100个样本。将大豆均匀地铺在规格为8 cm×8 cm的培养皿中，然后进行高光谱图像采集。采集得到波长在1 000～2 500 nm范围的高光谱图像数据块。

1.3 高光谱图像标定

光源的强度在各波段下分布不均匀，同时摄像头中存在暗电流噪音，造成在光源强度分布较弱的波段下，致使获得的光谱图像含有较大的噪音。因此，需要对获得的高光谱图像进行黑白标定[8-10]。在与样品采集相同的系统条件下，扫描标准白色校正得到全白的标定图像Iwhite，关闭相机快门进行图像采集得到全黑的标定图像Iblack，完成高光谱图像的标定，使采集得到的绝对图像Irace变成相对图像R[8-10]。

2 结果与分析

图2a是样本大豆单一籽粒在波长为1 000～2 500 nm范围内的光谱曲线，其中波长为1 400～1 800 nm范围内最上面的曲线为籽粒高亮区光谱曲线，波长为1 000～1 800 nm范围内最下面两条曲线为背景光谱曲线。图2b和图2c分别是不同大豆样本的均值波谱曲线和标准偏差曲线，从b、c二图可以看出，不同等级大豆样本在1 000～1 800nm区域存在着明显的差异性，因此在后期的数据处理过程中，主要对1 000～1 800nm范围内的高光谱图像进行分析。

图2 大豆样本光谱曲线Fig.2 Soybean sample spectral curve

2.1 特征波段的提取

在分析之前，应用ENVI软件对原始高光谱数据进行重采样，以减少高光谱图像包含的数据量。由于大豆样本物理结构与化学成分的不均匀性，同时避免单一大豆样本对分级结果的影响，选择像素为100×100的矩形区域为感兴趣区域，得到100×100×284的三维数据块，由284张大小为100×100的一系列图像组成[11-15]。然后进行主成分分析，得到前4个主成分分析图像：PC1、PC2、PC3、PC4（见图3）。

图3 大豆的前4个主成分分析图像Fig.3 First four principal component images of soybean varieties

主成分分析法是将原来相互冗余的数据组成互相无关的数据，同时根据实际需要从中选取较少的数据替换原有数据。因此，主成分分析法既能消除原始数据中的冗余信息，又能实现数据的降维[16]。

主成分图像是由原始高光谱图像数据中所有波段下的图像经过线性组合而成：

式中，pcm为第m个主成分，∂i为该主成分的权重系数，Ii为单个波段的原始图像。

大豆样本第一个主成分分析图像包含最多的大豆信息，因此试验通过pc1寻找特征波长。在该线性组合中，权重系数较大的所对应波长下的图像贡献越大[17]。通过对比284个权重系数，发现权重系数较大的是∂42，∂69，∂105，∂120，其所对应波段就是特征波长，分别为1 153，1 322，1 547，1 641 nm。

2.2 特征提取

灰度共生矩阵是一种描述纹理特征的常用方法。采用该方法对大豆不同等级样本进行4个特征波段下图像的纹理特征提取。随机截取每个特征波段下的图像区域，然后分别提取基于灰度共生矩阵的8个特征参量[18]：均值、方差、同质性、对比度、差异性、熵、二阶矩、相关性，应用ENVI软件获得不同等级大豆的8个纹理特征图像，如表1所示。从这8个特征参量中选取最能表现图像信息的4个纹理特征参数——二阶矩、熵、惯性矩和相关性，得到16个特征变量，再通过第二次主成分分析，选取8个特征变量结合人工神经网络建立大豆等级的识别模型。

表1 不同大豆等级的8个纹理特征参数Table 1 Eight texture feature parameters with different levels of soybean

2.3 模型建立与结果

人工神经网络具有很强的非线性表达能力，其校正效果优于主成分回归、加权主成分回归、偏最小二乘、二次主成分回归等方法。试验将大豆样本进行分级，应用Matlab软件，结合人工神经网络建立大豆的分级模型，该网络由输入层、隐含层、输出层构成。试验共有100个样本，每个样本提取两个特征波段，共200个数据样本，其中随机选取100个样本进行训练，剩余100个样本用于验证。训练结果如图4所示。

该模型的输入层包含8个节点，分别为主成分分析下前两个波段下的基于灰度共生矩阵的4个参数，经过多次试验，隐含层包含10个节点为最优，输出层为1[19-20]。经过多次试验确定学习率为0.2，动量因子为0.5。获得最优结果见表2，从中可以看出，预测时总判别率为90%，说明该模型对大豆等级的分级识别可行。

图4 训练过程Fig.4 Process of training

表2 预测集中5个等级大豆的预测结果Table 2 Discriminating results of five grade of soybean in prediction set

3 结论

利用高光谱成像技术获得高光谱图像，对高光谱数据进行主成分分析，实现高光谱数据的降维，并找出大豆的4个特征波长，采用基于灰度共生矩阵的纹理特征提取方法，提取大豆的8个纹理参数；利用人工神经网络建立大豆分级识别模型，预测分级准确率为92%。说明可以利用高光谱图像技术对大豆进行分级。但由于试验条件有限，还需在以下几方面得到提高和改善：大豆样本的多样性。本文只选择垦丰16作为研究对象，缺少对多品种的共性研究，对试验结果会产生影响；光谱波段选择不全面，试验选择1 000～2 500 nm波段范围，未对其他波段范围进行分析，试验的精度有待提高；分类方法单一。由于人工神经网络体系结构只适用于一类或几类问题，因此需要寻找简洁、稳定、通用的分类方法。

学者已将高光谱成像技术应用在玉米、水稻等农产品的无损检测中，并获得较好成果。目前暂无利用高光谱成像技术对大豆品质检测的研究。在今后试验中，将利用高光谱成像技术对大豆的脂肪、蛋白质、碳水化合物等内在品质进行无损检测，结合大豆的外在品质进行分析，寻求大豆内外品质的关联性，为大豆在线无损检测提供试验和理论依据。

[1]赵丹婷,柴玉华,张长利.基于图像处理技术的大豆灰斑病的检测技术研究[J].东北农业大学学报,2010,41(4):119-123.

[2]时玉强,柴玉华,郑先哲.基于机器视觉的大豆细菌斑点病粒检测[J].东北农业大学学报,2009,40(4):106-110.

[3]高艳霞,胡昌标.基于机器视觉的大豆热损伤粒检测[J].计算机与现代化,2011(7):88-91.

[4]谭克竹,张长利,柴玉华.基于遗传多层前馈神经网络的大豆脂肪酸含量近红外光谱检测[J].东北农业大学学报,2008,39 (7):112-117.

[5]陈全胜,赵杰文,蔡健荣,等.利用高光谱图像技术评判茶叶的质量等级[J].光学学报,2008,28(4):669-674.

[6]黎静,刘木华,薛龙.基于高光谱图像技术的大米垩白检测[J].南方农机,2009(1):27-29.

[7]中华人民共和国国家技术监督局.GB 1352—2009,中华人民共和国国家标准-大豆[S].北京:中国标准出版社,2009.

[8]韩熹,严红兵,卢福洁,等.基于国产近红外谷物分析仪的大豆中粗蛋白与粗脂肪含量的检测研究[J].现代科学仪器,2009 (2):119-121.

[9]李江波,饶秀勤,应义斌.农产品外部品质无损检测中高光谱成像技术的应用研究进展[J].光谱学与光谱分析,2011,31(8): 2021-2026.

[10]郭恩有,刘木华,赵杰文,等.脐橙糖度的高光谱图像无损检测技术[J].农业机械学报,2008(5):91-93.

[11]赵杰文,刘剑华,陈全胜,等.利用高光谱图像技术检测水果轻微损伤[J].农业机械学报,2008(1):106-109.

[12]刘木华,赵杰文,郑建鸿,等.农畜产品品质无损检测中高光谱图像技术的应用进展[J].农业机械学报,2005,36(9):139-142.

[13]单佳佳,吴建虎,陈菁菁,等.基于高光谱成像的苹果多品质参数同时检测[J].光谱学与光谱分析,2010,30(10):2729-2733.

[14]杨诸胜,郭雷,罗欣,等.一种基于主成分分析的高光谱图像波段选择算法[J].微电子学与计算机,2006,23(12):72-74.

[15]冯燕,何明一,宋江红,等.基于独立成分分析的高光谱图像数据降维及压缩[J].电子与信息学报,2007,29(12):2871-2875.

[16]邹小波,赵杰文.农产品检测技术与数据分析方法[M].北京:中国轻工业出版社,2008.

[17]邹伟,方慧,刘飞等,基于高光谱图像技术的油菜籽品质鉴别方法研究[J].浙江大学学报,2011,37(2):175-180.

[18]冯雷,张德荣,陈双双,等.基于高光谱成像技术的茄子叶片灰霉病早期检测[J].浙江大学学报,2012,389(3):311-317.

[19]傅文林,图像分割技术研究及头发分割应用[D].上海:上海交通大学,2010.

[20]李江波,苏忆楠,饶秀勤.基于高光谱成像及神经网络技术检测玉米含水率[J].包装与食品机械,2010(6):1-4.

Identification of different soybean grades based on hyperspectral imagery

CHAI Yuhua1,HOU Shengfei1,PENG Changlu2
(1.School of Electrical and Information,Northeast Agricultural University,Harbin 150030,China;2.Admissions Office of Heilongjiang Province,Harbin 150090,China)

In order to fast and exact classification of soybean,collection 1-5 grades soybean 1 000-2 500 nm range of hyperspectral image data to obtain spectral image;analysis of different samples of soybean grade spectral curve;application of principal component analysis(PCA),from the 4 features of each variety selected optimal wavelength,extracted four texture feature parameters（moment of inertia,energy,entropy and correlation）from each feature in the image based on statistical moment.Select 8 main characteristic variables from 16 characteristic variables,establishment of soybean grade identification model based on BP neural network.Experimental results showed that discriminating rate was 92%in the prediction set.Results showed that the hyperspectral image technology had better recognition effects on soybean grade,Provided a good reference for soybean online non-destructive testing classification.

image processing;hyperspectral imagery;principal component analysis;soybean

S565.1

A

1005-9369（2014）04-0107-06

2012-10-24

中国博士后科学基金资助项目（20070410883）；黑龙江省自然科学基金重点项目（ZD201303）

柴玉华（1965-），女，教授，博士生导师，研究方向为模式识别与智能控制。E-mail:houshengfei@126.com

时间2014-4-21 13:21:11[URL]http://www.cnki.net/kcms/detail/23.1391.S.20140421.1321.004.html

柴玉华,侯升飞,彭长禄.基于高光谱图像技术的大豆分级识别方法研究[J].东北农业大学学报,2014,45(4)∶107-112.

Chai Yuhua,Hou Shengfei,Peng Changlu.Identification of different soybean grade based on hyperspectral imagery[J].Journal of Northeast Agricultural University,2014,45(4)∶107-112.(in Chinese with English abstract)