高光谱成像技术在小麦不完善粒检测中的应用研究进展

张岩

摘 要：本文主要介绍了高光谱成像技术及其在小麦不完善粒检测中的应用，指出了现阶段在不完善粒检测中存在的主要问题，并对今后的研究方向进行了展望，以期推动高光谱成像技术在不完善粒检测中的应用发展。

关键词：高光谱成像；小麦；不完善粒

小麦不完善粒实质是籽粒受到机械损伤或者微生物侵害后胚或胚乳受到损伤，使籽粒品质下降，是小麦品质评价的重要因素，而在小麦流通过程中，它是增扣量的依据，因此，不完善粒检测技术对准确评价小麦质量有重要意义。目前不完善粒检测主要靠人工分拣，存在主观性强、检测时间长、劳动强度大、长时间操作造成的视疲劳影响检测的准确度、重复性差、不同检验员之间结果差异大等缺点，已不能满足大规模麦粒快速、准确检测的需求，小麦不完善粒的自动智能化识别已经成为必然趋势。

近年来国内外专家提出了许多小麦不完善粒自动识别方法，如基于声学原理的检测方法[1]、基于图像特征的机器视觉技术[2]、近红外光谱[3]等检测方法。这些方法各有利弊，声学原理的方法是由于麦克风采集超声信号，具有噪声传播、易受环境音和噪音干扰的缺点。传统的机器视觉只能对外部特征进行检测，不能对内部虫害及外部差别比较小的样品进行识别，对虫蚀粒小麦的检测精度比较低。近红外光谱通过样品内部含氢基团振动的倍频和合频吸收，可以获取样品内部信息，但近红外光谱分析容易受样品均匀性和环境影响，对小麦粒这种非均匀、小颗粒物質的应用并不理想。因此高光谱成像技术因其图谱合一的独特优势得到了快速发展，该技术虽然还没有实现大规模的工业应用，但为小麦不完善粒的快速、智能自动化识别提供了一种解决思路。

1 高光谱成像技术

高光谱成像技术是一种将计算机视觉和光谱学结合的多维度信息获取技术，得到的数据是一个“三维数据块”，具有较高的分辨率和图谱合一的特性，既可以获得样品的物理性质，又可以获得样品的化学组成。高光谱成像系统包括以下几个部分：图像单元、照明单元、电脑控制单元和样品输送单元。样品输送单元移动样品到指定位置，实现动态扫描图像，照明单元的漫反射光源将图像分散，并投射在探测器阵列上，图像单元采集图像后，在电脑控制单元处理图像数据和光谱数据，建立识别模型，并进行判定分析。

1.1 图像采集和数据预处理

将小麦粒置于背景板上，设置仪器条件并进行图像采集。图像中的噪声会影响特征提取，因此需对图像进行预处理。图像预处理主要通过调整图像灰度、对比度、降噪等来提高图像质量，改变感兴趣区域位置等，以达到图像增强的目的。为了提取有效的光谱信息，预处理光谱的主要方法有平滑、求导、多元散射校正和遗传算法、标准正态变量变换等[4]。

1.2 图像特征提取

图像经预处理后，提取形态、纹理、颜色等特征参数来表征小麦不完善粒间的差异。各类型不完善粒在形态、纹理和颜色方面不同，使用对小麦籽粒识别贡献较大的特征参数有利于减小数据量，缩短数据处理时间，因此一般在建立识别模型前，要对特征参数进行选择或者优化[5]。

1.3 光谱特征波段选择

若直接用全波段数据进行建模，则数据量过大，建模效率低，与不完善粒无关的数据可能会影响模型的精确性，因此需要选择光谱特征波段，保留主要信息，减小数据量，简化模型，提高运算速度。选择特征波长一般包括主成分分析法、遗传算法、连续投影法和消除不需要变量等方法。基于特征波长建立的高光谱系统，可以简化模型、提高运算速度，结构简单，降低成本，可以实现在线实时检测[6]。

1.4 建立模型识别分析

在图像、光谱数据处理基础上，建立基于光谱、图像特征的预测模型，目前常用的方法包括支持向量机、人工神经网络、深度学习等，其中深度学习包括未经监督的预培训网络、卷积神经网络、递归神经网络和循环神经网络等。目前，采用人工神经网络和深度学习方法来提取特征建模得到了广泛应用，人为提取图像和光谱特征参数过程复杂，需通过实验不断择优，而且麦粒品种混合、不完善粒间存在交错、图像采集时光照不均等因素导致在实际应用中难以找到准确、稳定的特征参数。人工神经网络和深度学习模型则不需要图像预处理和特征提取等复杂操作，可直接输入图像数据，它具备自主特征学习、并且自我完善等优点[7]。

2 在小麦不完善粒检测中的应用

高光谱反射光成像技术在目前谷物外观品质检测中最常用，获取图像的光谱范围通常在可见近红外波段（400～1 000 nm）和近红外波段（1 000～1 700 nm）[8]。小麦实际流通中，只需识别出不完善粒，因此文献中通常对正常粒与异常粒进行识别，提取和利用高光谱三维数据立方体中的光谱信息、图像信息或者融合图像特征和光谱特征进行建模分析，文献研究多集中在生芽粒、虫蚀粒和病斑粒。Singh C B等利用短波近红外-高光谱成像技术结合彩色成像技术在700～1 000 nm波长范围内鉴别小麦虫蚀粒和正常粒，从高光谱图像中提取统计特征和直方图特征，从彩色图像中提取颜色、纹理和形态特征，用3个统计判别分类器进行识别，其中二次判别分析分类器识别正确率最高，对虫蚀粒和正常粒的准确率达91.0%～100.0%和96.3%[9]。

通过选择特定波段建立一个低成本成像系统，这对于后续工业应用是非常有吸引力的。Barbedo J G A等采用近红外高光谱成像技术对小麦生芽粒和正常粒进行了判别，准确率达100%，并通过实验选取最相关的两个波段918 nm、1411 nm[10]进行检测。选取特定波段，可以减少数据冗余，简化模型，建立低成本的成像系统，降低后期工业应用的硬件系统成本。刘爽在可见光到近红外（470～1 100 nm）波段采集正常粒和赤霉病粒小麦的高光谱图像，通过主成分分析和连续投影法提取了8个特征波长：479.9、498.2、543.8、630.5、726.2、828.9、904.1 nm与920.1 nm，采用5种分类算法构建多种识别模型，最佳识别率在90%左右，实现了小麦赤霉病粒的快速识别[11]。不同品种小麦的特征波长可能有所不同，因此需要更多检测数据来建立识别模型，以提高不完善粒的识别精度。

高光谱成像系统可以实现多种类不完善粒的高效率判别，结合图像特征和光谱特征建立的识别模型对不完善粒的识别率更高，利用人工神经网络、机器学习与高光谱技术结合建立的识别模型，具有更高的识别效率。于重重等利用高光谱成像技术结合卷积神经网络检测小麦虫蚀粒、破损粒、黑胚粒，结果表明样本分类识别正确率分别达到了100%、100%、98.98%，而且卷积神经网络分类模型优于支持向量机分类模型[12]。刘欢等利用光谱特征与图像特征结合的方法建立小麦不完善粒鉴别模型，结合10个特征波段的形态信息、纹理信息和光谱信息进行分析，实验结果表明，鉴别的平均识别精度达到94.2%，识别效果与利用全波段光谱数据的识别效果基本相当，对小麦不完善粒检测具有良好的效果，有效提高了运算速度，又保证了系统的鉴别精确度，为后期开发小麦不完善粒检测高光谱快检设备提供了研究方向[13]。

3 存在问题与发展方向

高光谱成像技术虽然已在许多领域广泛应用，但在小麦不完善粒检测上还停留在实验室试验阶段，距离实际应用仍有许多问题需要克服，主要包括以下方面：①高光谱成像系统硬件花费高，动态实时检测设备受灯变异、图像捕捉位置、背景复杂等因素的影响，后期数据处理较为复杂，且缺少自动化智能设备；②高光谱成像技术检测小麦不完善粒的数据较少，缺少数据库，目前建立的模型并未完全覆盖小麦不完善粒类型，不同品种的小麦的特征波长可能有所不同，需大量的研究数据来建立可靠的识别模型。

将高光谱成像技术成功应用于小麦不完善粒的现场快速检测仍需做大量工作：首先，对各个波段进行分析，寻找最能突出小麦不完善粒识别特征的最佳波段，利用特征波长建立结构简单的高光谱系统，降低成本；其次，建立多种类小麦不完善粒数据库，并在实际应用中不断更新，使模型泛化，适用范围更广；最后，人工神经网络、深度学习技术结合高光谱检测技术，降低数据处理的复杂性，开发自动化智能设备，将其与农业机械结合，简化操作，实现小麦不完善粒实时、动态识别。

参考文献

[1]魏琳，王爱民，杨红卫.基于声学原理的小麦虫蚀粒检测方法研究[J].农机化研究，2013（6）：33-36.

[2]何小海，王周璞，吴小强，等.一种基于机器视觉的小麦不完善粒识别方法[P].中国：CN108875747A.2018-11-23.

[3]付玲.小麦质量快速测定与评价技术的研究[D].郑州：河南工业大学，2013.

[4]Pu Y Y， Feng Y Z， Sun D W. Recent progress of hyperspectral imaging on quality and safety inspection of fruits and vegetables： a review[J]. Comprehensive Reviews in Food Science and Food Safety， 2015，14（2）：176-188.

[5]张玉荣，陈赛赛，周显青，等.基于图像处理和神经网络的小麦不完善粒识别方法研究[J].粮油食品科技，2014，22（3）： 59-63.

[6]于宏威，王强，刘丽，等.粮油品质安全高光谱成像检测技术的研究进展[J].光谱学与光谱分析，2016，36（11）： 3643-3650.

[7]曹婷翠，何小海，董德良，等.基于CNN深度模型的小麦不完善粒识别[J].现代计算机：上下旬，2017（24）：9-14.

[8]Wu D， Sun D W. Advanced applications of Hyperspectral Imaging Technology for Food Quality and Safety Analysis and Assessment： A Review—Part II： Applications[J]. Innovative Food Science & Emerging Technologies， 2013（19）：15-28.

[9]Singh C B， Jayas D S， Paliwal J， et al. Identification of InsectDamaged wheat Kernels using Shortwave Near-infrared Hyperspectral and Digital Colour Imaging[J]. Computers and Electronics in Agriculture， 2010，73（2）：118-125.

[10]Barbedo J G A， Guarienti E M， Tibola C S. Detection of Sprout damage in Wheat Kernels using NIR Hyperspectral Imaging[J]. Biosystems engineering，2018（175）：124-132.

[11]劉爽.小麦赤霉病高光谱信息多循环提取及组合式识别研究[D].北京：中国科学院大学，2019.

[12]于重重，周兰，王鑫，等.基于CNN神经网络的小麦不完善粒高光谱检测[J].食品科学，2017（24）：46.

[13]刘欢，王雅倩，王晓明，等.基于近红外高光谱成像技术的小麦不完善粒检测方法研究[J].光谱学与光谱分析，2019，39（1）：223.