CN105115909A - 基于高光谱成像技术检测花生中脂肪含量分布的方法 - Google Patents

Abstract

本发明提供了基于高光谱成像技术检测花生中脂肪含量分布的方法，包括：采集花生样品在特征波长处的光谱图像，将特征波长处经过预处理后的光谱反射值，输入花生脂肪含量分布定量模型，得到花生样品脂肪含量分布。本发明还提供建立花生中脂肪含量分布定量模型的方法，包括采集花生高光谱图像，并利用常规方法测定其脂肪含量；高光谱图像经过图像校正与背景删除，提取平均光谱；以预处理后高光谱图像平均光谱为自变量，以脂肪含量为因变量，建立全波段脂肪含量的数学模型，在此基础上利用回归系数，确定特征波长，建立并验证所述定量模型。本发明快速简便，效率高，不破坏样品，不使用任何化学试剂，测定结果准确，实现了花生脂肪含量的可视化。

Description

基于高光谱成像技术检测花生中脂肪含量分布的方法

技术领域

本发明涉及一种检测花生中脂肪含量的方法，具体地说，涉及基于高光谱成像技术检测花生中脂肪含量分布的方法。

背景技术

2013年我国花生产量1697万吨，位居世界第一。花生中含有大量的营养物质，其中脂肪含量高达38％～60％。我国生产出的花生绝大多数用于加工花生油。因此，花生中脂肪含量的高低直接农民的收入和企业的效益。传统测定花生中脂肪的方法包括：索式提取法和酸水解法，但这些方法存在分析速度慢，操作步骤繁琐，成本高破坏性强，使用试剂污染环境等缺点。因此，急需寻找一种快速，非破坏性的方法为花生脂肪含量的测定提供依据。

高光谱成像技术结合了光谱学和成像技术，是一门新兴的快速，无损检测方法。高光谱图像是由一系列连续的波段图像组成的三维图像数据块，其具有某个特定波长下的图像信息，并且针对平面内某个特定像素又具有不同波长下的光谱信息。其原理是利用花生脂肪中CH、OH等基团在近红外光谱区的光谱吸收特性，确定光谱与脂肪含量之间的定量关系，从而预测花生中脂肪含量和分布。

中国专利CN102621077A公布了高光谱反射图像采集系统及基于该系统的玉米种子纯度无损检测方法；中国专利CN1995987公布了基于高光谱图像技术的农畜产品无损检测方法及装置；中国专利CN103636315A公布了一种基于高光谱的种子发芽率在线检测装置及方法。以上发明采用高光谱图像技术检测产品指标，避免了传统方法的局限性。但研究主要集中在种子纯度方面，经检索，到目前为止，国内外还没有用高光谱成像技术检测花生脂肪含量分布的报道。

发明内容

为了解决现有技术中存在的问题，本发明的目的是提供基于高光谱成像技术检测花生中脂肪含量分布的方法。

为了实现本发明目的，本发明第一方面是提供一种基于高光谱成像技术建立花生中脂肪含量分布定量模型的方法，该方法包括以下步骤：

1.1收集具有代表性的花生样品，用高光谱仪扫描获得花生样品中每个像素点在各波长下的图像信息，得到花生样品的原始高光谱三维图像；

优选地，所述高光谱仪扫描的波长范围为900-1700nm，扫描方式为线扫描；

1.2对所述花生样品的原始高光谱三维图像进行校正和背景删除后，提取花生样品图像平均光谱；

优选地，所述校正是对所述花生样品的原始高光谱三维图像I_raw进行黑白校正，具体方法为对反射率为99％的标准校正板进行采集，得到全白的标定图像I_white，然后关闭镜头采集，得到全黑标定图像I_dark，根据下述公式计算校正后图像I_norm：

$I_{norm}=\left(\frac{I_{raw}-I_{dark}}{I_{white}-I_{dark}}\right)\×100\%$

优选地，所述背景删除具体步骤为：采用主成分分析，确定背景与花生的边界，删除背景，得到花生样品图像；

1.3对所述花生样品图像平均光谱进行二阶导数结合标准正态变量变换预处理；

1.4采用常规方法检测所述花生样品的脂肪含量，得到花生样品的脂肪含量；

优选地，所述检测花生样品的脂肪含量方法为根据GB/T5009.6-2003进行，进一步优选为根据GB/T5009.6-2003中第一法索氏提取法进行；

1.5将所述花生样品随机分为校正集和验证集，以所述校正集花生样品的所述预处理后的花生样品图像平均光谱为自变量，以所述校正集的花生样品的脂肪含量为因变量，通过偏最小二乘法建立所述自变量和因变量的偏最小二乘法回归模型；利用所述验证集对所述偏最小二乘法回归模型进行验证；

优选地，所述校正集与验证集花生样品的比例为1:3-1:2；

1.6根据所述偏最小二乘法回归模型的回归系数，选择对所述回归模型贡献率绝对值最大的波长为特征波长；并通过偏最小二乘法建立花生中脂肪含量分布定量模型；该定量模型表示所述校正集花生样品的脂肪含量与所述特征波长处的光谱反射值的定量关系；

优选地，选取所述特征波长分别为：931nm、941nm、964nm、1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm；优选地，所建立的花生中脂肪含量分布定量模型如下：

Y_fat＝48.003-1.757R_931nm+9.441R_941nm+16.766R_964nm-19.164R_1143nm+6.41R_1157nm-4.81R_1317nm-7.419R_1400nm+3.434R_1434nm-5.199R_1658nm-15.059R_{16 61nm}+13.274R_1668nm-5.091R_1678nm

其中，Y_fat为花生样品的脂肪含量，R_931nm、R_941nm、R_964nm、R_1143nm、R_1157nm、R_1317nm、R_1400nm、R_1434nm、R_1658nm、R_1661nm、R_1668nm、R_1678nm分别为花生样品在特征波长931nm、941nm、964nm、1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm处经过预处理后的光谱反射值；

利用所述验证集对所述花生中脂肪含量分布定量模型进行验证。

本发明进行二阶导数处理可以有效地消除基线和其他背景的干扰，分辨重叠峰，提高分辨率和灵敏度；进行标准正态变量变换可以消除花生颗粒大小、表面扫射以及光程变化对光谱的影响。

特征波长选取过多或过少都不宜；若特征波长选取过多，则增加计算复杂度；若特征波长选取过少，则会降低检测结果准确度。

本发明进行验证的目的是确保所述定量模型准确性和稳定性。一般地，经验证后若建立的所述定量模型准确、稳定，则可用于检测花生中脂肪含量分布；若建立的所述定量模型准确度和稳定性不佳，则需要重新按照上述步骤建立所述回归模型或所述定量模型。

具体地，通过计算所述校正集的相关系数R_cal和验证集的相关系数R_val以及校正集的标准偏差SEC和验证集的标准偏差SEP来判断所述回归模型和所述定量模型准确度和稳定性。一般地，当相关系数(R_cal或R_val)≥0.8，标准偏差(SEC或SEP)≤2时，表明所述回归模型或所述定量模型准确度高、稳定性好。

本发明采用下述公式(1)计算相关系数(R_cal或R_val)；公式(2)计算标准偏差(SEC或SEP)。

$R=\frac{\underset{i=1}{\overset{n}{\Σ}}(X_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2\·}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2}}---\left(1\right)$

式(1)中，x_i为第i个样品高光谱方法预测值，是预测值的平均值；y_i为第i个样品常规方法的测定值，y是测定值的平均值；n为两个变量的样本值的个数。如果样本为校正集，则R为R_cal；如果样本为验证集，则R为R_val。

$SEC=\sqrt{\frac{\underset{i=1}{\overset{n}{\Σ}}(x_i-y_i)2}{n-1}}---\left(2\right)$

式(2)中，x_i为校正集第i样品高光谱方法的预测值，y_i为校正集第i样品常规方法的测定值，n为校正集的样品数。如果x_i为验证集第i样品高光谱方法的预测值，n为验证集的样品数，则公式(2)表示的是SEP。

本发明第二方面是提供上述定量模型在检测花生中脂肪含量分布中的应用。

本发明第三方面是提供基于高光谱成像技术检测花生中脂肪含量分布的方法，所述方法包括：

1)采集待测花生样品在下列特征波长处的光谱图像：931nm、941nm、964nm、1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm；

2)将所述特征波长处经过预处理后的光谱反射值，输入花生中脂肪含量分布定量模型，得到待测花生样品脂肪含量分布；所述花生中脂肪含量分布定量模型如下：

Y_fat＝48.003-1.757R_931nm+9.441R_941nm+16.766R_964nm-19.164R_1143nm+6.41R_1157nm-4.81R_1317nm-7.419R_1400nm+3.434R_1434nm-5.199R_1658nm-15.059R_{16 61nm}+13.274R_1668nm-5.091R_1678nm

其中，Y_fat为花生样品的脂肪含量，R_931nm、R_941nm、R_964nm、R_1143nm、R_1157nm、R_1317nm、R_1400nm、R_1434nm、R_1658nm、R_1661nm、R_1668nm、R_1678nm分别为花生样品在特征波长931nm、941nm、964nm、1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm处经过预处理后的光谱反射值。

所述步骤1)采集待测花生样品特征波长处的光谱图像的方法与上述建立花生中脂肪含量分布定量模型的方法中获得光谱图像的方法相同。

具体地，所述步骤1)采集待测花生样品特征波长处的光谱图像的方法包括以下步骤：

1.1用高光谱仪扫描获得待测花生样品中每个像素点在各波长下的图像信息，得到待测花生样品的原始高光谱三维图像；

优选地，所述高光谱仪扫描的波长范围为900-1700nm，扫描方式为线扫描；

1.2对所述待测花生样品的原始高光谱三维图像进行校正和背景删除后，提取待测花生样品图像平均光谱；

优选地，所述校正是指对所述花生样品的原始高光谱三维图像I_raw进行黑白校正；具体方法为对反射率为99％的标准校正板进行采集，得到全白的标定图像I_white，然后关闭镜头采集，得到全黑标定图像I_dark，根据下述公式计算校正后图像I_norm：

$I_{norm}=\left(\frac{I_{raw}-I_{dark}}{I_{white}-I_{dark}}\right)\×100\%$

优选地，所述背景删除具体步骤为：采用主成分分析，确定背景与花生的边界，删除背景，得到花生样品图像；

1.3对所述待测花生样品图像平均光谱进行二阶导数结合标准正态变量变换预处理。

如无特殊指明，本发明所述预处理是指二阶导数结合标准正态变量变换预处理。

本发明收集了我国主栽地区主栽品种花生，如：白沙1016、海花1号、丰花1号、鲁花11号、鲁花9号，花育19号等，对收集的花生样品无需进行任何的预处理，同时采集高光谱图像和测定脂肪含量，并利用偏最小二乘法建立图像中光谱信息与脂肪含量的回归模型，在此基础上利用回归系数选择特征波长，应用偏最小二乘法对花生特征波长与脂肪含量进行关联研究，确定两者之间的定量关系，即定量模型，测定未知花生样品的高光谱图像，将图像上的每个像素点下特征波长带入定量模型，计算脂肪含量，得到像素点级分辨率的详细花生脂肪空间分布图，实现脂肪信息分布的空间可视化。与现有技术相比，本发明具有以下优点和有益效果:

1、本发明通过特征波段实现了快速测定花生脂肪含量分布，提高了采集速度，缩短了高光谱数据分析时间，提高了检测效率，并实现了花生脂肪信息分布的空间可视化，为真正达到快速无损在线检测提供了理论基础。

2、因样品花生中除含有脂肪外，还含有蛋白质、糖类、水分等其他物质。这些其他的物质对光谱的影响较大，严重干扰脂肪含量检测的准确度。为克服干扰提高精确度，本发明采用科学方法从花生图谱中选择与脂肪含量紧密相关的特征波长，填补了高光谱成像技术检测花生脂肪含量的空白。

3、花生样品无需进行任何预处理，无破坏性，不使用任何试剂，保护环境，操作快速简单、避免了人为因素的干扰，测定结果更加高效，客观。

4、本发明在大量研究基础上，明确并完善了建立测定花生脂肪含量的分析步骤；通过比较不同预处理、不同的建模方法得到模型的优劣程度，确定光谱的最佳预处理为二阶导数结合标准正态变量变换法；最佳建模方法为偏最小二乘法。

5、通过收集近3年来全国花生主栽地区主栽品种，克服了地区的差异、品种的差异和时间的差异，使本发明方法能够涵盖了全国绝大多数品种，适用范围广。

附图说明

图1为实施例1基于高光谱成像技术检测花生中脂肪含量分布方法流程图；

图2为实施例1提取花生高光谱图像的平均光谱(未经预处理)；

图3为实施例1特征波长的校正集(A)与验证集(B)测定值与参考值的关系图；

图4为实施例2待测6个花生品种的花生脂肪含量分布图。

图4中“Color”表示用不同的颜色代表不同脂肪含量；“Amplitude”表示花生中脂肪含量的范围；从“47至57”数字越大表示花生中脂肪含量越高。

具体实施方式

以下实施例用于说明本发明，但不用来限制本发明的范围。

以下实施例中所使用的实验方法如无特殊说明，均为常规方法。以下实施例中所用的材料、试剂等，如无特殊说明，均可从商业途径得到。

如无特殊说明，以下实施例所用高光谱仪ImspectorN17E；感应器TE-cooledInGaAsphotodiodearray；光源10WHalogensidereflector。在20℃下开启高光谱仪，预热10min，设定采集参数，其中曝光时间为5.8s，采集速度为8mm/s，视野范围：200mm，光谱波长范围900-1700nm，分辨率3nm，扫描方式为线扫描。

以下实施例中的高光谱图像的校正、背景删除和光谱的提取均由瑞典Umbio公司出售的图像分析软件Evince2.4中完成。

以下实施例中光谱数据的分析处理均有挪威CAMO公司出售的化学计量学软件TheUnscrambler9.7中完成。

以下实施例中脂肪含量空间可视化均有美国MathWorks公司出售的数学软件MatlabR2014b中完成

实施例1

本实施例提供一种基于高光谱成像技术建立花生中脂肪含量分布定量模型的方法，该方法包括以下步骤：

1.1收集2012、2013和2014年我国主栽省份主栽花生样品120个品种，从每个品种中挑选30粒完整的花生仁，用高光谱仪同时扫描获得花生样品中每个像素点在各波长下的图像信息，光谱波长范围900-1700nm，扫描方式为线扫描，重复3遍，取3次扫描的高光谱图像的平均值。得到花生样品的原始高光谱三维图像。每次扫描前，先采集全白的标定图像I_white和全黑标定图像I_dark。

1.2对上述花生样品的原始高光谱三维图像进行校正和背景删除后，提取花生样品图像平均光谱；

所述校正是指对所述花生样品的原始高光谱三维图像I_raw进行黑白校正；具体根据下述公式计算校正后图像I_norm：

$I_{norm}=\left(\frac{I_{raw}-I_{dark}}{I_{white}-I_{dark}}\right)\×100\%$

所述背景删除是采用主成分分析，在主成分1(PC₁)和主成分2(PC₂)下确定背景与花生样品，然后删除背景，确定花生样品为目标区域，将同一品种30粒花生作为整体，从中提取同一品种花生样品图像平均光谱。

1.3对上述不同品种花生样品图像平均光谱进行二阶导数结合标准正态变量变换预处理。标准正态变量变换可以消除花生颗粒大小、表面扫射以及光程变化对光谱的影响；二阶导数处理可以有效地消除基线和其他背景的干扰，分辨重叠峰，提高分辨率和灵敏度。

1.4采用国家标准GB/T5009.6-2003食品中脂肪的测定中第一方法索氏提取法测定花生样品的脂肪含量，每个品种重复测定三次，取平均值。本步骤利用意大利VELPSER148脂肪测定仪进行测定。

1.5将120个花生品种的样品随机分为校正集和验证集，其中校正集为85个品种，验证集为35个品种，其中脂肪含量统计见表1，以所述校正集花生样品的所述预处理后的花生样品图像平均光谱(具体是指光谱的反射值)为自变量，以所述校正集的花生样品的脂肪含量为因变量，通过偏最小二乘法建立所述自变量和因变量的偏最小二乘法回归模型(全波段)。然后进行外部验证，采用公式(1)计算校正集的相关系数R_cal和验证集的相关系数R_val，采用公式(2)计算校正集的标准偏差SEC和验证集的标准偏差SEP，结果见表1。

$R=\frac{\underset{i=1}{\overset{n}{\Σ}}(X_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2\·}\sqrt{\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2}}---\left(1\right)$

式(1)中，x_i为第i个样品高光谱方法预测值，是预测值的平均值；y_i为第i个样品常规方法的测定值，y是测定值的平均值；n为两个变量的样本值的个数。如果样本为校正集，则R为R_cal；如果样本为验证集，则R为R_val。

$SEC=\sqrt{\frac{\underset{i=1}{\overset{n}{\Σ}}(X_i-y_i)2}{n-1}}---\left(2\right)$

式(2)中，x_i为校正集第i样品高光谱方法的预测值，y_i为校正集第i样品常规方法的测定值，n为校正集的样品数。如果x_i为验证集第i样品高光谱方法的预测值，n为验证集的样品数，则公式(2)表示的是SEP。

表1花生校正集和验证集的脂肪含量统计和模型参数

1.6利用回归系数法(表示波长对脂肪含量影响大小的参数)，回归系数绝对值越大表明该波长对脂肪含量影响越大，选择对模型贡献率绝对值最大的十二点为特征波长，分别为：931nm、941nm、964nm、1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm，建立花生中脂肪含量分布定量模型，采用上述公式(1)(2)计算校正集的相关系数R_cal和校正集的标准偏差SEC，见表2，该花生中脂肪含量分布定量模型如下：

Y_fat＝48.003-1.757R_931nm+9.441R_941nm+16.766R_964nm-19.164R_1143nm+6.41R_1157nm-4.81R_1317nm-7.419R_1400nm+3.434R_1434nm-5.199R_1658nm-15.059R_{16 61nm}+13.274R_1668nm-5.091R_1678nm

其中，Y_fat为花生样品的脂肪含量，R_931nm、R_941nm、R_964nm、R_1143nm、R_1157nm、R_1317nm、R_1400nm、R_1434nm、R_1658nm、R_1661nm、R_1668nm、R_1678nm分别为花生样品在特征波长931nm、941nm、964nm、1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm处经过预处理后的光谱反射值。

利用验证集对建立的模型进行验证，采用上述公式(1)、(2)分别计算验证集的相关系数R_val和验证集标准偏差SEP，结果见表2。

表2基于特征波长花生脂肪含量校正集和验证集模型参数

选择特征波长能够代表绝大多数信息，利用本发明方法建立的花生中脂肪含量分布定量模型对花生中脂肪含量分布进行检测，其检测结果与国标GB/T5009.6-2003中第一法索氏提取法的检测结果呈高度相关，并且能够简化运算分析时间，提高运算速度。

实施例2

本实施例提供一种基于高光谱成像技术检测花生中脂肪含量分布的方法，该方法包括以下步骤：

1)采集待测花生样品在下列特征波长处的光谱图像：931nm、941nm、964nm、1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm；

具体过程：另取6个花生品种，按与实施例1相同的方法用高光谱仪得到花生样品的原始高光谱三维图像；进而用与实施例1相同的方法提取花生样品图像平均光谱；然后再对该6个品种花生样品图像平均光谱进行二阶导数结合标准正态变量变换预处理；最终获得该6个花生品种样品在上述特征波长处的光谱反射值。

2)将上述特征波长处的光谱反射值输入花生中脂肪含量分布定量模型，得到待测花生样品脂肪含量分布，结果如图4所示；所述花生中脂肪含量分布定量模型如下：

Y_fat＝48.003-1.757R_931nm+9.441R_941nm+16.766R_964nm-19.164R_1143nm+6.41R_1157nm-4.81R_1317nm-7.419R_1400nm+3.434R_1434nm-5.199R_1658nm-15.059R_{16 61nm}+13.274R_1668nm-5.091R_1678nm

其中，Y_fat为花生样品的脂肪含量，R_931nm、R_941nm、R_964nm、R_1143nm、R_1157nm、R_1317nm、R_1400nm、R_1434nm、R_1658nm、R_1661nm、R_1668nm、R_1678nm分别为花生样品在特征波长931nm、941nm、964nm、1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm处经过预处理后的光谱反射值。

对比例1

本对比例提供一种基于高光谱成像技术建立花生中脂肪含量分布定量模型的方法，与实施例1的区别仅在于选取的偏最小二乘法回归模型的波长不同。本对比例选取十二个波长，分别为914nm、921nm、977nm、1020nm、1044nm、1094nm、1200nm、1253nm、1333nm、1557nm、1584nm、1688nm，并基于这十二个波长以与实施例1相同方法建立花生中脂肪含量分布定量模型，采用上述公式(1)(2)计算校正集的相关系数R_cal和校正集标准偏差SEC，见表3，建立的花生中脂肪含量分布定量模型如下：

Y_fat＝26.696+1.124R_914nm+0.991R_921nm+0.53R_977nm-57.757R_1020nm+65.218R_1044nm-27.076R_1093nm+15.117R_1200nm+58.416R_1253nm+2.428R_1333nm-59.147R_1557nm-3.226R_1584nm+13.926R_1688nm

利用验证集对建立的模型进行评估和验证，采用上述公式(1)(2)计算验证集的相关系数R_val和验证集标准偏差SEP，见表3。

表3基于其他波长花生脂肪含量校正集和验证集模型参数

对比例2

本对比例提供一种基于高光谱成像技术建立花生中脂肪含量分布定量模型的方法，与实施例1的区别仅在于选取的偏最小二乘法回归模型的波长不同。本对比例选取十二个波长，分别为944nm、977nm、1020nm、1080nm、1200nm、1297nm、1317nm、1383nm、1464nm、1484nm、1584nm、1641nm，并基于这十二个波长以与实施例1相同方法建立花生中脂肪含量分布定量模型，采用上述公式(1)(2)计算校正集的相关系数R_cal和校正集标准偏差SEC，见表4，建立的花生中脂肪含量分布定量模型如下：

Y_fat＝33.148-7.646R_944nm-10.179R_977nm-31.676R_1020nm+43.793R_1080nm-30.381R_1200nm-9.06R_1297nm-32.937R_1317nm+11.423R_1383nm+17.106R_1464nm-14.34R_1484nm-20.588R_1584nm+2.438R_1641nm

利用验证集对建立的模型进行评估和验证，采用上述公式(1)(2)计算验证集的相关系数R_val和验证集标准偏差SEP，见表4。

表4基于其他波长花生脂肪含量校正集和验证集模型参数

由实施例1-2及对比例1-2的结果来看，特征波长的选取对测定花生中脂肪含量，有着重要影响，本发明选择的特征波长建立的模型，相关系数高，误差低，可以用来测定花生中脂肪含量。

虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (10)

1.一种基于高光谱成像技术建立花生中脂肪含量分布定量模型的方法，该方法包括以下步骤：

1.1收集具有代表性的花生样品，用高光谱仪扫描获得花生样品中每个像素点在各波长下的图像信息，得到花生样品的原始高光谱三维图像；

1.2对所述花生样品的原始高光谱三维图像进行校正和背景删除后，提取花生样品图像平均光谱；

1.3对所述花生样品图像平均光谱进行二阶导数结合标准正态变量变换预处理；

1.4采用常规方法检测所述花生样品的脂肪含量，得到花生样品的脂肪含量；

1.5将所述花生样品随机分为校正集和验证集，以所述校正集花生样品的所述预处理后的花生样品图像平均光谱为自变量，以所述校正集的花生样品的脂肪含量为因变量，通过偏最小二乘法建立所述自变量和因变量的偏最小二乘法回归模型；利用所述验证集对所述偏最小二乘法回归模型进行验证；

1.6根据所述偏最小二乘法回归模型的回归系数，选择对所述回归模型贡献率绝对值最大的波长为特征波长；并通过偏最小二乘法建立花生中脂肪含量分布定量模型；利用所述验证集对所述花生中脂肪含量分布定量模型进行验证。

2.根据权利要求1所述建立花生中脂肪含量分布定量模型的方法，其特征在于，步骤1.6中所述特征波长分别为：931nm、941nm、964nm、1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm；所建立的花生中脂肪含量分布定量模型如下：

Y_fat＝48.003-1.757R_931nm+9.441R_941nm+16.766R_964nm-19.164R_1143nm+6.41R_1157nm-4.81R_1317nm-7.419R_1400nm+3.434R_1434nm-5.199R_1658nm-15.059R_{16 61nm}+13.274R_1668nm-5.091R_1678nm

其中，Y_fat为花生样品的脂肪含量，R_931nm、R_941nm、R_964nm、R_1143nm、R_1157nm、R_1317nm、R_1400nm、R_1434nm、R_1658nm、R_1661nm、R_1668nm、R_1678nm分别为花生样品在特征波长931nm、941nm、964nm、1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm处经过预处理后的光谱反射值。

3.根据权利要求1或2所述建立花生中脂肪含量分布定量模型的方法，其特征在于，所述高光谱仪扫描的波长范围为900-1700nm，扫描方式为线扫描。

4.根据权利要求1或2所述建立花生中脂肪含量分布定量模型的方法，其特征在于，所述校正是对所述花生样品的原始高光谱三维图像I_raw进行黑白校正，具体方法为对反射率为99％的标准校正板进行采集，得到全白的标定图像I_white，然后关闭镜头采集，得到全黑标定图像I_dark，根据下述公式计算校正后图像I_norm：

$I_{norm}=\left(\frac{I_{raw}-I_{dark}}{I_{white}-I_{dark}}\right)\×100\%.$

5.根据权利要求1或2所述建立花生中脂肪含量分布定量模型的方法，其特征在于，所述背景删除具体步骤为：采用主成分分析，确定背景与花生的边界，删除背景，得到花生样品图像。

6.根据权利要求1或2所述建立花生中脂肪含量分布定量模型的方法，其特征在于，步骤1.4中所述检测花生样品的脂肪含量方法为根据GB/T5009.6-2003进行；优选为根据GB/T5009.6-2003中第一法索氏提取法进行。

7.根据权利要求1或2所述建立花生中脂肪含量分布定量模型的方法，其特征在于，所述校正集与验证集花生样品的比例为1:3-1:2。

8.权利要求1-7任一项所述方法建立的花生中脂肪含量分布定量模型在检测花生中脂肪含量分布中的应用。

9.一种基于高光谱成像技术检测花生中脂肪含量分布的方法，所述方法包括：

1)采集待测花生样品在下列特征波长处的光谱图像：931nm、941nm、964nm、1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm；

2)将所述特征波长处经过预处理后的光谱反射值，输入花生中脂肪含量分布定量模型，得到待测花生样品脂肪含量分布；所述花生中脂肪含量分布定量模型如下：

Y_fat＝48.003-1.757R_931nm+9.441R_941nm+16.766R_964nm-19.164R_1143nm+6.41R_1157nm-4.81R_1317nm-7.419R_1400nm+3.434R_1434nm-5.199R_1658nm-15.059R_{16 61nm}+13.274R_1668nm-5.091R_1678nm

其中，Y_fat为花生样品的脂肪含量，R_931nm、R_941nm、R_964nm、R_1143nm、R_1157nm、R_1317nm、R_1400nm、R_1434nm、R_1658nm、R_1661nm、R_1668nm、R_1678nm分别为花生样品在特征波长931nm、941nm、964nm、1143nm、1157nm、1317nm、1400nm、1434nm、1658nm、1661nm、1668nm、1678nm处的经过预处理后的光谱反射值。

10.根据权利要求9所述基于高光谱成像技术检测花生中脂肪含量分布的方法，其特征在于，所述步骤1)采集待测花生样品特征波长处的光谱图像的方法包括以下步骤：

1.1用高光谱仪扫描获得待测花生样品中每个像素点在各波长下的图像信息，得到待测花生样品的原始高光谱三维图像；所述高光谱仪扫描的波长范围为900-1700nm，扫描方式为线扫描；

1.2对所述待测花生样品的原始高光谱三维图像进行校正和背景删除后，提取待测花生样品图像平均光谱；所述校正是指对所述花生样品的原始高光谱三维图像I_raw进行黑白校正；具体方法为对反射率为99％的标准校正板进行采集，得到全白的标定图像I_white，然后关闭镜头采集，得到全黑标定图像I_dark，根据下述公式计算校正后图像I_norm：

$I_{norm}=\left(\frac{I_{raw}-I_{dark}}{I_{white}-I_{dark}}\right)\×100\%$

所述背景删除具体步骤为：采用主成分分析，确定背景与花生的边界，删除背景，得到花生样品图像；

1.3对所述待测花生样品图像平均光谱进行二阶导数结合标准正态变量变换预处理。