基于高光谱图像技术的红枣品种智能检测模型

王秉聪

（南京理工大学自动化学院，江苏 南京 210018）

0 引 言

红枣自古被列为“五果”之一，富含维生素，具有补气养血、健脾益胃等功效。红枣的价值不仅限于作为鲜食食用，同时也是调味佳品和制药的重要原料，此外，红枣加工而成的枣片、酒枣、枣醋等在国内也具有广阔的市场。然而由于加工工艺和产地的不同，不同品种的红枣在营养价值以及价格上存在显著差异，但其大小、形状、颜色都非常相似，仅根据表面特征难以区分,因而市场上以次充好的现象屡见不鲜，购买者的利益受到了很大程度的损害。因此，对红枣品种进行准确、快速、高效地鉴别，对规范红枣销售行业及提高红枣相关产业经济效益具有重要意义。

高光谱图像技术（HSI，Hyperspectral imaging technology）是一项结合了光谱与图像技术优点的新兴检测技术，它通过获取连续波段下样本高精度图像得到光谱立方体，进而得到样本的光谱与图像信息[1]，应用高光谱图像技术对红枣进行品种鉴别具有独特的优势和广阔的应用前景。

1 材料与方法

1.1 实验材料

实验所用红枣样本分别为当年产灰枣、和田玉枣和新政大枣各80 颗，大小、形状、颜色相近，无损伤和病虫害，共240 颗作为实验样品。按3∶1 将不同品种的红枣样本划分为训练集和测试集，其中训练集样本个数为180 个，测试集样本个数为60 个，然后立即进行高光谱图像的采集。在红枣样品制备和高光谱图像采集的过程中，实验室的环境温度保持在(20±1)℃，相对湿度保持在(40±5)%。

1.2 仪器与设备

高光谱成像系统由光谱仪（V10E，SPECIM，芬兰）、高光谱相机（Zyla 4.2，andor，UTKL）、卤素光源（3900E，五铃光学，台湾）、电控位移平台（MSI300，五铃光学，台湾）、暗箱（DC1300，五铃光学，台湾）和计算机组成[2]。高光谱成像系统的实物图见图1，可获取的光谱范围为400~1 000 nm（共400 个波段）。

图1 高光谱成像系统的实物图

1.3 原理与方法

竞争自适应重加权抽样(CARS，Competitive Adaptive Reweighted Sampling) 是一种模仿“适者生存”原则的变量选择方法。在这种方法中，每个波长的变量都是一个单独的个体。在选择过程中，适应性强的个体被保留，而适应性弱的个体被淘汰。在波长选择过程中，通过去除偏最小二乘回归模型中回归系数较小的波长，得到了多个回归系数绝对值较大的波长变量子集[3]。在获得多个变量子集后，采用交叉验证法得到交叉验证均方根误差最小的最优变量子集，即最优波长子集。

支持向量机（SVM，Support Vector Machine）是一种常用于分类问题的算法，它可以很好地解决小规模样本的分类。SVM 是基于统计学原理且遵循结构风险最小化原则的一种方法，通过对样本进行监督学习从而达到模式识别的目的[4-5]。SVM 不仅计算简单、训练时间短，而且具有良好的泛化性与鲁棒性。

2 实验结果

2.1 基于CARS 的特征提取

根据自适应重加权采样技术选择偏最小二乘模型中回归系数绝对值较大的波长，通过交叉验证建模选择最优波长变量子集。在选择较优变量的过程中，蒙特卡罗采样数设置为50 个，最大主成分为15个，采样率为0.8，迭代次数为1 500。红枣光谱波长的筛选过程见图2。

从图2(a)波长个数的趋势图可以看出，曲线的斜率逐渐变小，随机抽样变量的数量呈现先下降后放缓的趋势。图2(b)显示了RMSECV 的趋势图，前20 次采样呈下降趋势，第21 次采样呈上升趋势。也就是说，第21 次抽样是欠拟合和过拟合的交集，即最优变量的子集，RMSECV 的最小值为0.180 3。图2(c)为波长回归系数的趋势图，蓝线为RMSECV 最小值，此时为第21 次采样，最后选取了21 个特征波长。

图2 基于CARS 特征波长选择结果

2.2 基于SVM 模型的识别结果分析

将SVM 的参数(c、g)设置为默认值，利用特征波长和全光谱（RAW）建立红枣品种鉴别的SVM 模型，结果见表1 和图3。可以看出，基于全光谱的模型的测试集检测结果仅为72.5%，而基于特征光谱的SVM 模型准确率达到了91.2%，明显优于全光谱模型，说明CARS 提取的特征波段能很好地代表红枣特征，同时特征波段的提取也可以极大地减少用于建模的波段数量，从而将建模复杂度降到最低，在保证建模精度的同时提高了效率。

图3 SVM 检测结果

表1 SVM 在不同特征提取方法下的建模结果

3 结 语

利用高光谱图像技术获取了3 个红枣品种的光谱数据，采用CARS 进行特征提取得到21 个特征变量，并建立SVM 鉴别模型，模型的识别精度达到了令人满意的结果，训练集的精度为100%，预测集的精度为91.2%。故利用高光谱技术结合CARS-SVM模型可以替代破坏性和费时费力的传统方法来对红枣品种进行鉴别，该结果也为其他农产品的品种鉴别提供有益的参考。