網站首頁 > 行業應用 > 工業分選

高光譜技術在紅棗分類識別中的應用

發布者：發布時間：2017-08-28

高光譜技術在紅棗分類識別中的應用

一、測試原理及方法：

高gao光guang譜pu成cheng像xiang技ji術shu是shi近jin二er十shi年nian來lai發fa展zhan起qi來lai的de基ji於yu非fei常chang多duo窄zhai波bo段duan的de影ying像xiang數shu據ju技ji術shu，其qi最zui突tu出chu的de應ying用yong是shi遙yao感gan探tan測ce領ling域yu，並bing在zai越yue來lai越yue多duo的de民min用yong領ling域yu有you著zhe更geng大da的de應ying用yong前qian景jing。它ta集ji中zhong了le光guang學xue、光電子學、電子學、信息處理、計算機科學等領域的先進技術，是傳統的二維成像技術和光譜技術有機的結合在一起的一門新興技術。

高光譜成像技術的定義是在多光譜成像的基礎上，在從紫外到近紅外（200-2500nm）的de光guang譜pu範fan圍wei內nei，利li用yong成cheng像xiang光guang譜pu儀yi，在zai光guang譜pu覆fu蓋gai範fan圍wei內nei的de數shu十shi或huo數shu百bai條tiao光guang譜pu波bo段duan對dui目mu標biao物wu體ti連lian續xu成cheng像xiang。在zai獲huo得de物wu體ti空kong間jian特te征zheng成cheng像xiang的de同tong時shi，也ye獲huo得de了le被bei測ce物wu體ti的de光guang譜pu信xin息xi。

目標物體-成像物鏡-入射狹縫-準直透鏡-PGP-聚焦透鏡-CCD棱鏡-光柵-棱鏡：PGP

圖1 成像原理圖

光譜儀的光譜分辨率由狹縫的寬度和光學光譜儀產生的線性色散確定。最小光譜分辨率是由光學係統的成像性能確定的（點擴展大小）。

成像過程為：每次成一條線上的像後（X方向），在檢測係統輸送帶前進的過程中，排列的探測器掃出一條帶狀軌跡從而完成縱向掃描（Y方向）。綜合橫縱掃描信息就可以得到樣品的三維高光譜圖像數據。

圖2 像立方體

鏡頭：22mm鍍膜消色差鏡頭；光譜範圍：900nm-1700nm，光譜分辨率:

探測器像素：320x256；內置控製、掃描機構；內置電池；軟件：控製完成自動曝光、自動對焦、自動掃描速度匹配；數據處理：黑白、輻射度、均勻性、鏡頭等校準；光譜查看。

圖3 高光譜成像儀

本文以不同種類的紅棗作為研究對象，利用近紅外相機（光譜範圍900nm-1700nm）采集測試對象的高光譜數據。

圖4 樣本的RGB圖（R:1235nm G：1409nm B:1536nm）

對原始數據進行主成分分析（Principal Component Analysis, PCA），去除波段之間的多餘信息、將jiang多duo波bo段duan的de圖tu像xiang信xin息xi壓ya縮suo到dao比bi原yuan波bo段duan更geng有you效xiao的de少shao數shu幾ji個ge轉zhuan換huan波bo段duan下xia。同tong時shi利li用yong由you於yu光guang譜pu儀yi采cai集ji得de到dao的de光guang譜pu信xin號hao中zhong既ji包bao含han實shi驗yan所suo需xu的de有you用yong信xin息xi，同tong時shi由you於yu儀yi器qi精jing密mi度du等deng原yuan因yin帶dai來lai隨sui機ji噪zao聲sheng，最zui常chang用yong的de消xiao除chu噪zao聲sheng的de方fang法faSavitzky-Golay(SG)juanjipinghuafa，tongguoduoxiangshilaiyidongchuangkouneideshujujinxingduoxiangshizuixiaoerchengnihexinhaopinghua，jixiaochuzaoshengyoubaoliuleguangpulunkuo。youyugegeyangbenjianfenbubujunyun、樣本大小不一樣、樣本表麵散射及光程變化等都會產生散射影響，采用多遠散射校正（multiplicative scatter correction，MSC）的方法可以有效的消除這些散射影響。

圖5 經PCA處理

分別選取樣本上的兩個區域標注為駿棗-A和灰棗-B，以此為標樣對其他樣品進行歸類識別。對已經劃分出來的類別進行PLS-DA算法處理，評估劃分出來類別成分。

分別在前麵幾種不同預處理方法的基礎上，對樣品進行主成分分析聚類。並對數據做PLS-DA算法處理，PLS-DA方法是基於PLS回歸的一種判別分析方法，在構造因素時考慮到了輔助矩陣以代碼形式提供的類成員信息，因此具有高效的鑒別能力。
利用主成分分析得到的載荷圖提取對各類植物識別敏感的特征波長。以特征波長為輸入變量，從每種植物的樣本中隨機抽取2/3組成建模集，通過這組樣本的光譜及其對應的基礎數據，利用簇類的獨立軟模式 soft independent modeling of class analogy(SIMCA)分類法建立識別模型，對樣本進行分類。

SIMCA方法為每個類建立了獨立的主成分分析(principal component analysis，PCA)模(mo)型(xing)，然(ran)後(hou)依(yi)據(ju)該(gai)模(mo)型(xing)對(dui)未(wei)知(zhi)樣(yang)品(pin)進(jin)行(xing)分(fen)類(lei)。然(ran)而(er)，該(gai)方(fang)法(fa)在(zai)建(jian)立(li)模(mo)型(xing)時(shi)沒(mei)有(you)考(kao)慮(lv)到(dao)其(qi)他(ta)的(de)類(lei)，因(yin)此(ci)，在(zai)每(mei)個(ge)類(lei)的(de)模(mo)型(xing)中(zhong)，有(you)些(xie)因(yin)素(su)在(zai)獲(huo)取(qu)類(lei)中(zhong)明(ming)顯(xian)的(de)變(bian)化(hua)時(shi)隻(zhi)能(neng)反(fan)映(ying)出(chu)有(you)限(xian)的(de)鑒(jian)別(bie)信(xin)息(xi)。當(dang)多(duo)維(wei)數(shu)據(ju)不(bu)同(tong)類(lei)中(zhong)的(de)子(zi)空(kong)間(jian)都(dou)非(fei)常(chang)接(jie)近(jin)時(shi)，由(you)於(yu)類(lei)之(zhi)間(jian)不(bu)必(bi)要(yao)的(de)重(zhong)疊(die)，從(cong)而(er)存(cun)在(zai)產(chan)生(sheng)非(fei)優(you)化(hua)鑒(jian)別(bie)模(mo)型(xing)的(de)危(wei)險(xian)。

獲(huo)取(qu)灰(hui)棗(zao)和(he)駿(jun)棗(zao)的(de)特(te)征(zheng)光(guang)譜(pu)，可(ke)以(yi)看(kan)出(chu)，兩(liang)種(zhong)栆(栆)的(de)特(te)征(zheng)光(guang)譜(pu)位(wei)置(zhi)基(ji)本(ben)一(yi)致(zhi)，隻(zhi)是(shi)其(qi)光(guang)譜(pu)反(fan)射(she)率(lv)會(hui)有(you)一(yi)些(xie)差(cha)別(bie)。具(ju)體(ti)成(cheng)因(yin)還(hai)需(xu)進(jin)一(yi)步(bu)分(fen)析(xi)。