CN103954570A - 一种基于光谱成像技术的粮食虫害程度判别方法 - Google Patents

Abstract

本发明为一种基于光谱成像技术的粮食虫害程度判别方法，主要是根据高光谱成像数据优选出特征波长，建立基于滤波片式的多光谱成像系统，通过提取样品特征波长下图像特征，建立样品虫害程度的判别模型。其特点在于基于特征波长的光谱成像系统采集的数据量少，模型简单稳定；可以实现对不同虫害程度的粮食样品进行判别，对粮食收储和加工过程具有重要意义。

Description

一种基于光谱成像技术的粮食虫害程度判别方法

技术领域

本发明专利涉及一种针对粮食虫害的无损检测方法，特指采用多光谱成像技术的稻谷加工过程中样品虫害程度的判别。

背景技术

稻谷是是我国最主要的粮食品种之一，其主要用途一是加工脱壳后的大米直接做口粮，二是作加工用粮和饲料，如味精、米粉和酿酒等。稻谷加工是脱去稻谷谷壳（颖壳）和碾除皮层（糠层）的过程。稻谷储藏过程中易发生虫害，虫害会导致稻谷及加工后的大米质量损失，营养价值降低，而且害虫碎片、排泄物等会污染其他粮粒，危害粮食安全，并且大米生虫影响大米外观，使其商品价格降低。虫害粒在加工过程中清除不净，不仅影响安全生产，降低稻米质量，而且有害人体健康。加工过程中对虫害进行检测为稻谷加工目的提供参考，例如发生虫害后根据虫害程度，可以选择经过处理后加工成食用大米，味精，米粉，酿酒或动物饲料等。因此在稻谷加工过程中对样品虫害程度进行检测，提高稻谷食用价值和商品价值，是保证全国粮食供应，满足人们对优质粮食需求的重要方面。

随着现代技术的飞速发展，ELISA、二氧化碳或者尿酸测定法、电导法、电子鼻、声测法、核磁共振成像、计算机断层扫描、机器视觉、热成像、近红外光谱等也应用于谷物虫害检测，然而多数方法无法检测到轻度的害虫侵害。X射线成像技术因为射线存在可能对人体造成伤害，且经济成本高，不能检测较小的幼虫和虫卵。

光谱成像技术是一种集光谱和图像为一体的无损检测技术，已在食品、农产品品质检测方面有越来越多的应用。经检索，有关采用光谱成像技术在粮食虫害检测方面还没有相关专利。而已发表的论文期刊中，Singh等人采用近红外的高光谱成像系统(1000-1600nm)对小麦完好粒和虫蚀粒进行区分，以及采用短波近红外高光谱成像（700-1100nm）和机器视觉技术对小麦完好粒和虫蚀粒进行区分。该研究中采用的近红外区域的高光谱成像系统，而且只是对完好粒和虫蚀粒进行了区分，并没有对虫害程度的判别研究。

害虫侵害粮粒后，粮粒的营养成分损失，外观形态也会发生变化，内在品质和外观特征的变化会导致其光谱图像发生变化，且虫害时间越长，粮食品质变化越大，因此可以通过检测粮食的光谱图像来检测其是否发生虫害及虫害的程度。本发明中多光谱成像技术是采用多个单波长下的样品图像，对粮粒内外品质进行可视化分析，与其他检测技术相比，多光谱成像技术兼顾样品内外特征信息，准确度高，而且数据量小，模型简单。本发明提供的基于多光谱成像技术的粮食虫害程度判别方法，可以实现对粮食虫害程度的判别，为粮食加工过程服务，为我国粮食收储过程中的智能化检测管理提供技术支持，对保证粮食品质和安全有重要的现实意义。

发明内容

基于上述现有技术的发展情况，本发明的目的就是要提供一种基于光谱成像技术的粮食虫害程度判别方法。根据样品的高光谱数据优选出特征波长，建立基于滤波片式的多光谱成像系统，采集特征波长下图像，提取图像的纹理特征作为样本变量。将提取的变量进行压缩和特征筛选后结合模式识别方法实现对样品虫害程度的判别。

本发明通过以下方法实现。

准备不同虫害程度的样品，首先利用可见近红外高光谱成像系统采集高光谱数据，采用多元图像分析的方法优选特征波长；根据特征波长的滤波片建立多光谱成像系统，采集特征波长下的样品图像，提取图像的纹理特征作为样本变量；通过线性判别分析方法对样本变量进行降维和数据压缩，特征变量经过fisher变换得到另一个空间坐标下的新变量，即主因子，建立样品分类模型对样品虫害程度进行判别，采用交互验证的方式对模型效果进行评估。并计算不同虫害程度的样本间的欧氏距离，分析样本随着虫害时间的加长，样品虫害程度的变化趋势。

本发明所述的基于多光谱成像技术的粮食虫害程度判别方法，包括以下步骤：

（1）特征波长的选择。准备不同虫害程度的样品，每个样本20g，采集其原始高光谱数据，经过黑白标定后，从中提取高光谱三维数据块，经过多元图像分析优选出特征波长，选择相应的滤波片，建立基于滤波片式的多光谱成像系统。

（2）数据采集和特征信息提取。通过建立的多光谱成像系统采集样品特征波长下的图像，提取图像纹理特征作为样本特征变量。

（3）变量筛选和模型建立。结合样本虫害程度的信息，将提取得到的样本变量进行线性判别分析，去除冗余信息，减少特征变量数，根据线性判别分析后得到的主因子建立线性判别模型，并采用交互验证的方式评估模型效果。

（4）样本距离分析。根据线性判别分析后样本的变量计算不同虫害程度样本间的欧氏距离，分析光谱成像特征变量对样本虫害程度变化趋势的解释能力。

进一步地，特征波长的选择是采用多元图像分析的方法，具体方法为：提取样品高光谱图像每个点处的光谱曲线，排列成k×w的二维矩阵，

其中k为图像二维空间的像素数，w为波长总数，对矩阵进行主成分分析，

载荷矩阵为L，第一主成分载荷为 $\left[\begin{array}{c}{L}_{11}\\ L_{21}\\ \·\\ \·\\ \·\\ L_{w1}\end{array}\right],$ 第二主成分载荷为 $\left[\begin{array}{c}{L}_{12}\\ L_{22}\\ \·\\ \·\\ \·\\ L_{w2}\end{array}\right],$ 对应前两个主成分最大载荷值，即对前两个主成分贡献最大的三个波长为特征波长。根据特征波长选择相应的滤波片搭建多光谱成像系统，采集的数据能够反映样品被虫害后的特征变化，并且与高光谱成像相比，数据量少，分析简单。

特征提取和模型建立是根据样品虫害后表观形态和内部成分都有不同程度的变化，因此提取了图像的纹理特征，包括基于灰度共生矩阵的纹理特征和基于统计矩的纹理特征，并根据Fisher准则进行数据降维，对数据特征进一步浓缩，采用线性判别分析建立虫害程度的判别模型。线性判别分析不同于主成分分析，如样本为d维，表示为

$x=\left[\begin{array}{c}{x}_1\\ x_2\\ \·\\ \·\\ \·\\ x_d\end{array}\right]$

要将样本分为C类，需要有K维向量来做投影，投影向量W表示为

则有y=W^Tx，即

线性判别分析从类间散列度和类内散列度来考虑求最佳的投影向量W，K最大为C-1，样本x转换成y。线性判别分析是一种有监督的模式识别方法，计算过程中考虑样本的实际类别，得到的模型效果好于主成分分析。

模型效果评价是采用交互验证的方式检验模型对样品虫害程度的判别结果，并通过fisher投影后得到的特征向量y计算不同虫害程度样品的欧氏距离，进一步解释样品随虫害程度的变化而导致的样品空间特征和内部品质的变化规律。通过样品光谱成像数据的距离分析，说明光谱成像技术可以体现出样品虫害后的特征变化，对于粮食收储过程中的虫害程度检测具有一定现实意义。

本发明提供的基于多光谱成像技术的粮食虫害程度判别方法，实现对粮食虫害程度的定性判别。本发明与传统的虫害检测方法相比，检测速度快，操作简便，无须对样品进行预处理和破坏；与近红外光谱、机器视觉等技术相比，得到的样品信息更全面，对虫害的检测灵敏度更高，与高光谱成像相比，数据量明显较少，模型简单稳定。本发明能够提高我国粮食产业的智能化检测管理水平，为保障粮食质量和安全，保障人民切身利益有重要意义。

附图说明

图1高光谱成像系统（A）和多光谱成像系统（B）。1:光谱相机，2:线光源，3:样本，4:移动平台，5:步进电机，6:计算机，7:CCD相机，8:滤波片，9:卤素灯，10:载物台。

图2糙米虫害程度判别模型的构建流程图。

图3不同虫害程度的糙米样本二维散点图。

具体实施方式

本发明对粮食虫害程度的判别有通用性，实验中分别考察了稻谷加工过程中原料稻谷、加工后糙米和成品大米三种不同阶段的样品。本发明只以糙米虫害检测为实施实例，其它粮食虫害程度可参照该实施实例的方法，具体针对所测粮食样本，建立一个新的虫害程度判别模型，即可以对该粮食的虫害程度进行判别。

实例实施步骤结合附图进行详细描述。

实验中的可见近红外高光谱成像系统如图1A所示，使用Spectral Image System(Isuzu Optics，Taiwan)软件平台采集样品高光谱数据。将准备好的样本3置于培养皿（Φ7cm）中，放在移动平台4上，由线性光源2提供光源，由光谱相机1的CCD探测器在光学焦面的垂直方向作横向扫描，步进电机5控制移动平台4作纵向运动，这样就完成了对整个样本的数据采集，通过图像采集卡进行A/D信号转换并传输到计算机6中，对数据进行保存。高光谱相机分辨率为618×1628pixel，光谱范围是430～960nm，光谱分辨率为2.73nm，光谱采样间隔为0.858nm，调节平台移动速度和相机的曝光时间以保证图像的清晰和避免失真。最终得到一个618×1628×618pixel的高光谱图像数据块，并进行图像黑白校正处理。对高光谱数据块进行多元图像分析，优选三个特征波长，选择相应的滤波片，其光学元件规格参数为：470nm±10nm、660nm±10nm、900nm±10nm，建立基于滤波片的多光谱成像系统（如图1B）。

按照图2所示的流程图，首先由图1B所示的多光谱成像系统采集样本的多光谱图像，将样本3放在载物台10上，卤素灯9提供光源，旋转滤波片8，由CCD相机7采集不同波长下的样品图像，经过信号转换后传输到计算机6中进行保存。然后提取图像基于灰度共生矩阵和基于统计矩的纹理特征，基于灰度共生矩阵的纹理特征包括：均值、标准偏差、平滑度、三阶矩、一致性和熵六个参数；基于灰度共生矩阵的纹理特征包括：对比度、相关性、能量和同质性四个参数。将提取的样本图像特征进行数据转换和降维后建立线性判别模型，对糙米虫害程度进行判别，并采用交互验证的方法对模型的判别效果进行评估。最后根据线性判别分析后样本主因子计算各类样本间的欧氏距离(如表1)，解释虫害程度的变化趋势。

表1糙米各类样品间的欧氏距离

本实例实施以不同虫害时间（0天、1天、3天、5天、10天和20天）的糙米样品进行，每个虫害程度包括15个样本，共60个样本。根据其高光谱数据，优选出三个特征波长建立多光谱成像系统，每个样本提取的图像纹理变量共30个，经过线性判别分析后样本特征变量降为5个。不同虫害程度的糙米样本在两个主因子下的分布结果为图3，完好粒与虫蚀粒完全分开，虫蚀1天、3天和5天的样本间有重叠，虫蚀10天和虫蚀20天的样本各自聚为一类。虫害程度判别模型的交互验证识别率为93.3%，错判样本均发生在虫蚀1天、3天、5天的虫蚀粒之间。模型的分类结果符合糙米样本特性，虫蚀1天、3天和5天的糙米虫蚀粒由于时间较短，害虫蛀食少，产生的排泄物和造成的粉屑少，并且三者都只含有虫卵，因此三者差别小，模型有个别错判是合理的。实验结果说明高光谱成像技术可以不同虫害程度的糙米样本进行鉴别。不同虫害程度的样本间欧氏距离如上表所示，通过距离分析发现完好粒与虫蚀粒之间距离都较远，不同虫害时间后的样品，时间相近的样本之间距离较近，时间相差远的样本之间距离较远。说明高光谱数据能够解释各类样品虫害程度的变化趋势。

Claims (3)

1.一种基于光谱成像技术的粮食虫害程度判别方法，其特征在于，准备不同虫害程度的样品，首先利用可见近红外高光谱成像系统采集高光谱数据，采用多元图像分析的方法优选特征波长；根据特征波长的滤波片建立多光谱成像系统；采集特征波长下的样品图像，提取图像的纹理特征作为样本变量；通过线性判别分析方法对样本变量进行降维和数据压缩，特征变量经过fisher变换得到另一个空间坐标下的新变量，即主因子，建立样品分类模型对样品虫害程度进行判别，采用交互验证的方式对模型效果进行评估，并计算不同虫害程度的样本间的欧氏距离，分析样本随着虫害时间的加长，样品虫害程度的变化趋势。

2.根据权利要求1所述的基于光谱成像技术的粮食虫害程度判别方法，其特征在于包括以下步骤：

（1）特征波长的选择：准备不同虫害程度的样品，每个样本20g，采集其原始高光谱数据，经过黑白标定后，从中提取高光谱三维数据块，经过多元图像分析优选出特征波长，选择相应的滤波片，建立基于滤波片式的多光谱成像系统；

（2）数据采集和特征信息提取：通过建立的多光谱成像系统采集样品特征波长下的图像，提取图像纹理特征作为样本特征变量；

（3）变量筛选和模型建立：结合样本虫害程度的信息，将提取得到的样本变量进行线性判别分析，去除冗余信息，减少特征变量数，根据线性判别分析后得到的主因子建立线性判别模型，并采用交互验证的方式评估模型效果；

（4）样本距离分析：根据线性判别分析后样本的变量计算不同虫害程度样本间的欧氏距离，分析光谱成像特征变量对样本虫害程度变化趋势的解释能力。

3.根据权利要求2所述的基于滤光片式的基于光谱成像技术的粮食虫害程度判别方法，其特征在于，特征波长的选择是采用多元图像分析的方法，具体方法为：提取样品高光谱图像每个点处的光谱曲线，排列成k×w的二维矩阵，

其中k为图像二维空间的像素数，w为波长总数，对矩阵进行主成分分析，

载荷矩阵为L，第一主成分载荷为 $\left[\begin{array}{c}{L}_{11}\\ L_{21}\\ \·\\ \·\\ \·\\ L_{w1}\end{array}\right],$ 第二主成分载荷为 $\left[\begin{array}{c}{L}_{12}\\ L_{22}\\ \·\\ \·\\ \·\\ L_{w2}\end{array}\right],$ 对应前两个主成分最大载荷值的波长，即对前两个主成分贡献最大的三个波长为特征波长。