高光譜成像技術(shù)在水稻種子分類檢測中的應(yīng)用研究

黃 海

（廣西壯族自治區(qū)產(chǎn)品質(zhì)量檢驗(yàn)研究院，廣西 南寧 530222）

1 材料與方法

1.1 整體研究方案

研究方案整體分為3部分：試驗(yàn)部分、高光譜數(shù)據(jù)處理部分及分類算法研究。其中，試驗(yàn)部分主要包括水稻種子材料的收集、預(yù)試驗(yàn)確定最佳試驗(yàn)條件及參數(shù)、試驗(yàn)水稻種子的篩選和最后高光譜數(shù)據(jù)的采集；高光譜數(shù)據(jù)處理部分是通過試驗(yàn)得到水稻種子圖像信息，利用數(shù)字圖像處理技術(shù)來間接獲取光譜信息，便于后續(xù)種子分類；分類算法部分通過線性判別分析算法（Linear Discriminant Analysis，LDA）及K近鄰算法（K-Nearest Neighbor，KNN）相互對(duì)照分析分類結(jié)果。此試驗(yàn)通過這3部分的有機(jī)結(jié)合，建立水稻種子分類方法。

1.2 試驗(yàn)材料

試驗(yàn)所用3類水稻種子分別為贛香占、黃華占和農(nóng)香32，每類均選取180粒進(jìn)行試驗(yàn)。所選試驗(yàn)水稻種子均品質(zhì)良好，外觀無明顯瑕疵。將540粒試驗(yàn)樣本按2∶1隨機(jī)分成建模集和測試集，建模集每類120粒，測試集每類60粒。

1.3 高光譜圖像獲取

試驗(yàn)光譜波長范圍為400～720 nm，光譜分辨率為2 nm，圖片分辨率為1 392 px×1 040 px，曝光時(shí)間為3.01 ms，物鏡高度為45 cm。試驗(yàn)過程中，為降低試驗(yàn)設(shè)備對(duì)試驗(yàn)的影響（如鏡頭存在暗電流和周圍環(huán)境引起的噪聲），試驗(yàn)前需要對(duì)采集高光譜圖像進(jìn)行黑白校正。選擇白色標(biāo)定板（反射率接近100%）的高光譜圖像作為校正中的白色標(biāo)定圖，同時(shí)采集黑板（反射率接近0%）高光譜圖像作為黑色標(biāo)定圖，矯正公式如下：

式（1）中：為經(jīng)黑白校正后的高光譜圖像；為原始的水稻種子高光譜圖像；為黑色標(biāo)定圖；為白色標(biāo)定圖。

1.4 數(shù)據(jù)處理

為獲取不同波長對(duì)應(yīng)的不同品種水稻種子光譜，試驗(yàn)選用的波長范圍為400～720 nm，去除噪聲比較明顯的波長，僅保留450～720 nm波長范圍的數(shù)據(jù)進(jìn)行分析處理，光譜分辨率為2 nm，每組試驗(yàn)生成136幅光譜圖像。如果通過Auto Properties軟件人工手動(dòng)選取ROI再保存光譜數(shù)據(jù)，試驗(yàn)工作量過大，同時(shí)人工選取無法避免主觀性帶來的誤差。因此，在數(shù)據(jù)處理過程利用高光譜生成的圖像信息，將圖片中擺放整齊的水稻種子通過Snake算法提取各粒水稻種子的完整輪廓，再進(jìn)行閾值分割，將背景與水稻種子分離生成二值圖，統(tǒng)計(jì)二值圖各粒種子整個(gè)輪廓內(nèi)的像素值并取平均值，即得到各波段對(duì)應(yīng)的水稻種子平均光譜。將處理后的數(shù)據(jù)按標(biāo)簽對(duì)應(yīng)導(dǎo)入Excel保存，用于后續(xù)反射率計(jì)算及建模分析分類。

1.5 分類方法

研究中采用的分類方法是通過LDA算法對(duì)光譜數(shù)據(jù)進(jìn)行降維處理，再結(jié)合KNN算法實(shí)現(xiàn)450～720 nm波段內(nèi)基于光譜數(shù)據(jù)的水稻種子品種分類。

1.6 試驗(yàn)過程

1.6.1 使用的設(shè)備及軟件。試驗(yàn)用到的硬件有高光成像裝置、鹵燈、黑色底板，軟件平臺(tái)是Auto Properties。

1.6.2 設(shè)備安裝。一是安裝高光譜成像設(shè)備。二是安裝濾波器。三是調(diào)焦。調(diào)焦主要包括以下6個(gè)步驟：①確認(rèn)高光譜成像裝置和電腦已經(jīng)連接；②打開鹵燈電源并將試驗(yàn)對(duì)象放到鏡頭下；③設(shè)置曝光時(shí)間和FPS及Preview時(shí)的波長后，點(diǎn)擊Auto Properties上的Preview按鈕，注意曝光時(shí)間不能設(shè)置得太長，曝光時(shí)間過長會(huì)導(dǎo)致過飽和，不但得不到清晰的圖像，還會(huì)損壞高光譜成像裝置；④根據(jù)成像來移動(dòng)試驗(yàn)對(duì)象，直至獲得完整的試驗(yàn)對(duì)象的成像；⑤旋轉(zhuǎn)支架上的調(diào)節(jié)桿，將高光譜成像裝置上升到一定的高度，再緩慢旋轉(zhuǎn)調(diào)節(jié)桿降低其高度，直到成像清晰為止；⑥記錄下高光譜成像裝置的高度。

1.6.3 預(yù)試驗(yàn)拍攝。拍攝一組黑底的對(duì)照試驗(yàn)組，計(jì)算試驗(yàn)對(duì)象的反射率。①將黑色底襯（不反光的一面朝上）放在鏡頭下，要確保覆蓋整個(gè)鏡頭。②調(diào)整Auto Properties的參數(shù)，調(diào)整曝光時(shí)間及FPS，然后點(diǎn)擊Sweep按鈕，調(diào)整波長的范圍、波長增加的步長及時(shí)延，并將這些參數(shù)記錄下來。③點(diǎn)擊Cycle，開始拍攝。④Sweep窗口顯示stop時(shí)，即表示拍攝完畢，拍攝的成像保存在Auto Properties同目錄下的shot X文件夾。

1.6.4 試驗(yàn)樣本拍攝。①將目標(biāo)對(duì)象放在高光譜成像裝置下，調(diào)整目標(biāo)對(duì)象的位置，使其成像在中間。②設(shè)置Preview時(shí)的波長（此處的波長主要是為了讓成像清晰）。③根據(jù)成像來移動(dòng)試驗(yàn)對(duì)象直至成像中有完整的試驗(yàn)對(duì)象的成像。④將對(duì)照組試驗(yàn)的參數(shù)填寫相應(yīng)的參數(shù)。⑤點(diǎn)擊Cycle，開始拍攝。⑥Sweep窗口顯示stop時(shí)，即表示拍攝完畢，拍攝的成像保存在Auto Properties同目錄下的shot X文件夾。⑦結(jié)束試驗(yàn)后，要將試驗(yàn)裝置歸位。

1.6.5 試驗(yàn)圖像處理。①重新打開Auto Properties。點(diǎn)擊文件→點(diǎn)擊打開，隨機(jī)選取一張比較清晰的圖像。②選取圖形工具。該軟件提供2種圖形工具：點(diǎn)和矩形。③選取感興趣區(qū)域。選取區(qū)域的時(shí)候盡量避免太亮和太暗的區(qū)域。點(diǎn)擊圖像處理→Output保存光譜數(shù)據(jù)。在Auto Properties同目錄下生成一個(gè)record.txt。

2 結(jié)果與分析

2.1 水稻種子的光譜數(shù)據(jù)獲取

通過試驗(yàn)可以拍攝得到水稻種子的高光譜圖，但要想提取光譜數(shù)據(jù)，還要進(jìn)行進(jìn)一步處理。傳統(tǒng)的方式是通過Auto Properties軟件人工手動(dòng)提取矩形ROI來獲取后續(xù)分類的光譜數(shù)據(jù)，但這種方法有一定局限性。首先是只能利用種子的部分區(qū)域信息，可能對(duì)后續(xù)分類有影響；其次是人工選取工作量太大，耗費(fèi)時(shí)間、精力過多，而且選取過程有一定主觀性。為了避免上述問題，該研究中充分利用試驗(yàn)中得到的圖像數(shù)據(jù)來提取平均光譜，采用了Snake算法獲取水稻種子的輪廓，目的是減少算法迭代次數(shù)，提高效率，這樣提取到的水稻種子輪廓完整度和精確性較好。

2.2 水稻種子的平均光譜曲線

試驗(yàn)中采集了3類水稻種子在400～720 nm波段內(nèi)的可見光光譜，但去除噪聲明顯部分，僅處理了450～720 nm的數(shù)據(jù)，光譜分辨率為2 nm，所以每類種子有136個(gè)特征信息數(shù)據(jù)。但考慮到周圍試驗(yàn)環(huán)境和試驗(yàn)設(shè)備自身對(duì)試驗(yàn)的影響，需要對(duì)采集到的光譜數(shù)據(jù)進(jìn)行降噪處理。依據(jù)3類水稻種子在450～720 nm的平均光譜，了解到贛香占、黃華占及農(nóng)香32這3類水稻種子的光譜曲線變化和分布情況基本一致，波谷、波峰對(duì)應(yīng)的波長位置也相同，但對(duì)應(yīng)的反射率各有不同，如圖1所示。其中，農(nóng)香32和贛香占反射率值相近且均高于黃華占，農(nóng)香32和贛香占反射率相近，可能是分類時(shí)相互影響導(dǎo)致。上述曲線變化趨勢是由不同品種水稻種子內(nèi)部分子構(gòu)成和化學(xué)成分的差異造成的，通過將采集數(shù)據(jù)以圖形直觀表現(xiàn)，便于觀察和后續(xù)分類。

圖1 3類水稻種子的平均光譜曲線

2.3 KNN算法K值確定

實(shí)際運(yùn)用KNN算法時(shí)，計(jì)算樣本間的歐式距離后，要確定最接近樣本的點(diǎn)，即值，進(jìn)而使分類效果最好。如果人為選擇值，再通過一次次的測試比較來逼近最佳值，則效率低下。同時(shí)，如果處理對(duì)象包含大量的數(shù)據(jù)，每次測試耗費(fèi)的時(shí)間會(huì)過長，最后可能逼近的值也不是最佳鄰近點(diǎn)值，不能建立最優(yōu)分類模型。為解決這個(gè)問題，此次研究在運(yùn)用KNN算法前通過高效的預(yù)測試方法確定最佳值，該方法的實(shí)現(xiàn)思路是KNN使用時(shí)通過循環(huán)遍歷從1到100內(nèi)的取值，并統(tǒng)計(jì)每次取值后的整體準(zhǔn)確率，以曲線圖的形式表現(xiàn)，并確定值。

2.4 分類模型結(jié)果

該研究建立了基于450～720 nm全段波長光譜數(shù)據(jù)的KNN水稻種子分類模型和經(jīng)LDA算法數(shù)據(jù)降維再提取特征分類的LDA-KNN水稻種子分類模型，模型性能以分類準(zhǔn)確率和分類時(shí)間為評(píng)判標(biāo)準(zhǔn)。3類水稻種子原始分類數(shù)據(jù)及LDA-KNN模型降維數(shù)據(jù)分類結(jié)果分別見表1、表2。

表1 基于450～720 nm全段波長光譜數(shù)據(jù)的KNN水稻種子分類數(shù)據(jù)結(jié)果

表2 3類水稻種子LDA-KNN模型降維數(shù)據(jù)分類結(jié)果

通過試驗(yàn)?zāi)Ｐ驮u(píng)判結(jié)果可知，兩種分類模型最佳值均取5，經(jīng)過數(shù)據(jù)降維處理的LDA-KNN模型全面優(yōu)于利用了全波長數(shù)據(jù)的KNN模型。在識(shí)別準(zhǔn)確率方面，KNN算法結(jié)合LDA后將3類水稻種子的平均分類準(zhǔn)確率由73.7%提升至96.3%，增長了22.6個(gè)百分點(diǎn)，同時(shí)黃花占和農(nóng)香32準(zhǔn)確率分別由61.7%、62.2%均提升至100%，但美中不足的是，降維后贛香占準(zhǔn)確率降低了8.3個(gè)百分點(diǎn)。從分類時(shí)間來看，兩類模型在同樣輸入的數(shù)據(jù)集中分類速度都非?？焖?，能滿足實(shí)時(shí)分類的需要，這也是KNN算法本身的特點(diǎn)，而經(jīng)LDA數(shù)據(jù)降維后能去除大量冗雜數(shù)據(jù)，所以LDA-KNN模型分類時(shí)間更短。綜合前面的分析，總體來看LDA-KNN模型性能更好，為水稻種子的分類提供了可行依據(jù)。

該試驗(yàn)結(jié)果表明，利用高光譜成像技術(shù)在450～720 nm可見光下，通過LDA-KNN分類模型能夠?qū)崿F(xiàn)不同品種水稻種子快速、高效、可靠的分類。

3 結(jié)語

筆者基于高光譜成像技術(shù)，以水稻分類研究為例，開發(fā)了一套基于高光譜成像技術(shù)的水稻種子快速、無損、高效分類方法。該方法具有如下特點(diǎn)。①無損檢測。通過高光譜成像技術(shù)結(jié)合機(jī)器視覺，能實(shí)現(xiàn)無接觸檢測，最大限度地保證了水稻種子完整性，確保作物產(chǎn)量和農(nóng)民、銷售商的利益。②可靠高效。采用該技術(shù)可避免主觀性帶來的錯(cuò)誤判別，保證分類的高效性。③推廣性強(qiáng)。該研究提出了新的水稻種子分類方法，可推廣到其他種子識(shí)別分類上，專業(yè)性要求不高，普適性強(qiáng)，為農(nóng)業(yè)育種中的種子快速篩選提供了思路和幫助。

當(dāng)然，該研究開發(fā)的水稻種子分類方法不可避免還存在著一些不足，還可以進(jìn)一步改進(jìn)和完善。①目前，基于高光譜成像技術(shù)的水稻種子分類基本是在試驗(yàn)室內(nèi)通過間接測定稻谷籽粒的光譜實(shí)現(xiàn)，沒有直接通過測定農(nóng)田里的水稻植株光譜來鑒別水稻品種，需進(jìn)一步完善驗(yàn)證。②在用高光譜成像技術(shù)進(jìn)行水稻種子分類時(shí)，不同型號(hào)的儀器設(shè)備在試驗(yàn)過程中提取的光譜數(shù)據(jù)可能各有差異，從而導(dǎo)致后續(xù)分類所需的特征信息也有所不同。這種情況下，在特定設(shè)備條件下建立的分類模型的普適性會(huì)降低，這是需要克服的潛在不足。③在不同的水稻種子分類方法中，數(shù)據(jù)處理和分類算法各有不同，最終分類識(shí)別精度也各不相同，可以對(duì)技術(shù)路線進(jìn)行統(tǒng)一化，從而降低建模難度，提高模型識(shí)別精度和穩(wěn)定性。