半透射高光谱成像技术与支持向量机的马铃薯空心病无损检测研究 - 图文

第３５卷，第１期 光谱学与光谱分析２０１５年１月 SpectroscopyandSpectralAnalysisVol.３５，No.１，pp１９８-２０２January，２０１５

半透射高光谱成像技术与支持向量机的

马铃薯空心病无损检测研究

黄 涛，李小昱*，徐梦玲，金 瑞，库 静，徐森淼，武振中

华中农业大学工学院，湖北武汉 ４３００７０

摘 要 针对马铃薯空心病的难以检测问题，提出了一种基于半透射高光谱成像技术结合支持向量机（sup-portvectormachine，SVM）的马铃薯空心病无损检测方法。选取２２４个马铃薯样本（合格１４９个，空心７５个）作为研究对象，搭建了马铃薯半透射高光谱图像采集系统，采集了马铃薯样本半透射高光谱图像（３９０～１０４０nm），对感兴趣区域内的光谱进行平均和光谱特征分析。采用变量标准化（normalize）对原始光谱进行光谱预处理，建立了全波段的SVM判别模型，模型对测试集样本的识别准确率仅为８７.５％。为了提高模型性能，采用竞争性自适应重加权算法（competitiveadaptivereweighedsamplingalgorithm，CARS）结合连续投影算法（successiveprojectionalgorithm，SPA）对光谱全波段５２０个变量进行变量选择，最终确定了８个光谱特征变量（４５４，６０１，６３９，６６４，７４８，８２７，８７４和９３６nm），所选８个光谱变量建立的SVM模型对马铃薯测试集的识别率为９４.６４％。分别采用人工鱼群算法（artificialfishswarmalgorithm，AFSA）、遗传算法（genet-icalgorithm，GA）和网格搜索法（gridsearchalgorithm）对SVM模型的惩罚参数c和核参数g进行优化。经过建模比较分析，确定AFSA为最优优化算法，最优模型参数为c＝１０.６５９１，g＝０.３４９７，确定AFSA-SVM模型为马铃薯空心病的最优识别模型，该模型总体识别率达到１００％。试验结果表明：基于半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够对马铃薯空心病进行准确的检测，也为马铃薯空心病的快速无损检测提供技术支持。

关键词 高光谱成像；支持向量机；人工鱼群算法；空心病；马铃薯

中图分类号：S５３２；TP３９１.４１ 文献标识码：A DOI：１０.３９６４／j.issn.１０００-０５９３（２０１５）０１-０１９８-０５

铃薯进行碰撞试验，造成了样本损伤。Dacal-Nieto［３］等采用反射高光谱成像技术结合支持向量机检测马铃薯空心病，识别率仅为８９.１％。目前国内尚无有关马铃薯空心病无损检测的研究报道。

透射高光谱成像技术由于具有一定的穿透性，所以能够较好的检测农产品内部品质，如马铃薯黑心病［４］、鸡种蛋早期孵化［５］、腌制黄瓜果蝇虫害［６］等。但透射高光谱采集方式农产品表面被照射面积和透光量受限，且农产品形状大小也会影响透光量，从而导致图像模糊和光谱差异。而半透射高光谱采集方式由于改变了光源布置方式，将光源水平布置于待测农产品四周，大大增加了农产品表面被照射面积和透光量，所采集到的高光谱图像更为清晰，光谱差异也被降低，且包含了农产品深层品质信息。因此针对马铃薯内部空心病难以检测的问题，提出了一种半透射高光谱成像技术结合支

引 言

马铃薯空心病是发生在马铃薯块茎内部的一种生理性病害，多发生于块茎的髓部，空心多呈星形放射状或扁口型，外部无任何症状。空心病会降低马铃薯的种用、食用及深加工用价值，若能快速、可靠的识别出马铃薯空心病，不仅可以提高马铃薯分级效率，亦可促进马铃薯产品增值，提升市场竞争力。

对于马铃薯空心病的无损检测，国外已有相关研究，Finney等［１］提出了一种基于X射线影像技术的马铃薯空心病检测方法，通过研究马铃薯X影像能够清晰识别重度空心，但无法检测微小空心。Elbatawi［２］利用声学特性检测马铃薯空心病，识别率达到９８％，但声学信息的提取需要对马 收稿日期：２０１３-１２-２５，修订日期：２０１４-０３-１５

基金项目：国家自然科学基金项目（６１２７５１５６）和湖北省自然科学基金重点项目（２０１１CDA０３３）资助

作者简介：黄 涛，１９９０年生，武汉华中农业大学工学院硕士研究生 e-mail：huangt＿１９９０＠webmail.hzau.edu.cn

*通讯联系人 e-mail：lixiaoyu＠mail.hzau.edu.cn

第１期 光谱学与光谱分析持向量机的马铃薯空心病无损检测方法，并采用CARS-SPA与人工鱼群算法对判别模型进行优化，以期为马铃薯内部品质全面检测提供技术支持。

１９９

１ 实验部分

1.1 样品

试验所用马铃薯产于中国内蒙古自治区，所选品种为空

心发病率较高的紫花白，于武汉洪山区关山农副产品批发市场购买一批马铃薯。在高光谱图像采集前，使用清水冲洗马铃薯表皮泥土，再将马铃薯样本在温度为２２～２５℃的条件下放置２４h。高光谱图像采集完成后将马铃薯沿最大横截面积处切开以判定是否为空心样本，最终选择２２４个马铃薯样本（合格１４９个，空心７５个）为研究对象。图１为试验过程中典型样本的切开图像，试验所选马铃薯空心病样本空心面积在１.２６～９.５３cm２之间。

Fig.1 NormalandhollowheartsampleofPotato

1.2 半透射高光谱图像采集系统

搭建的马铃薯半透射高光谱图像采集系统如图２所示。该系统主要由高光谱成像仪、半透射光源箱、载物台、高精度电控移动平台、采集箱、风扇、计算机等组成。

要保证所采集的图像清晰且不失真，就必须匹配移动平台的速度、相机曝光时间以及采集探头与光源箱间的物距等参数。根据前期预实验结果，设置曝光时间为１００ms，高精度电控移动平台运行速度为２mm?s－１，通过调节探头高度调节滑块确定采集探头与光源箱间的物距为５００mm，CCD相机镜头视场角为２０°。图像采集过程在采集箱内完成，以避免外界光源及其他噪声干扰。

在采集所有样本图像之前，为了减弱光谱仪暗电流对图像产生的噪声影响，分别采用遮住镜头和采集标准白色校正板图像的方法获取黑、白板校正图像，然后根据式（１）计算校正后图像I。

I＝

Fig.2 Semi-transmissionhyperspectral

imageacquisitionsystem

１：computer；２：dataline；３：fan；４：heightadjustmentslider；５：sourcebox；８：stage；９：thehigh-precisionelectroniccontrolmobileplatform

hyperspectralimager；６：collectionbox；７：semi-transmissionlight

Is－IdIr－Id

（１）

式中，I为校正后高光谱图像；Id为全黑图像；Is为原始图像；Ir为白板图像。

Inc，Boulder，Co.，USA）、Matlab７.１（TheMathWorks，平台完成。

Natick，USA）和Libsvm工具包（LinChen-Jen，Taiwan）软件1.4 数据处理

采用支持向量机建立识别模型，竞争性自适应重加权算法结合连续投影算法寻找最优变量，人工鱼群算法进行模型参数优化。

支持向量机通过寻找高维特征空间中的最优分离超平面进行线性分类，映射回原空间后就实现了原始数据的非线性分类，降低了问题复杂程度，在解决小样本、非线性和高维数等实际问题的过程中相比其他模式识别方法更具有优势。

竞争性自适应重加权算法［７］是一种通过结合自适应重加权采样法与交互验证来剔除无用变量，筛选有用信息变量集的变量选择算法。连续投影算法［８］作为一种稳定的前向变量选择算法，能够寻找出原始光谱变量中冗杂信息最小的波长变量组合，使变量之间的共线性达到最小。

使用基于RBF核函数的SVM进行建模，模型参数主要后续高光谱图像数据处理在ENVI４.７（ResearchSystem

高光谱成像仪包括线扫描成像光谱仪（SPECIM，V１０E，Finland）和CCD相机（Andor，Clara，Britain）。该系统可采集到的光谱波长范围为３９０～１０４０nm，光谱分辨率为２.８nm。搭建的半透射光源箱为２４cm×２４cm×１５cm长方形箱体，由４个５０W卤钨灯、带孔箱体、采集孔、柔性支撑垫和载物台等组成。采集孔设置在带孔箱体的顶部中心位置，４个卤钨灯按水平方向分别安装于箱体四个侧壁，距顶部５cm，距离载物台中轴线１２cm处，卤钨灯照射方向垂直于载物台中轴线，载物台安装在带孔箱体的底部中心位置，柔性支撑垫用于防止马铃薯样本在与光源箱盖接触时的漏光现象。

1.3 高光谱数据采集

将马铃薯样本随机摆放于载物台进行高光谱图像采集，

２００光谱学与光谱分析 第３５卷

试验所选样本范围内，空心面积大小对光谱曲线并无影响。2.2 光谱预处理

由于采集系统电噪声、杂散光和样本背景等因素会对原始光谱产生一定影响，因此需要对马铃薯原始光谱进行预处理以减少或消除对有用信息的干扰，提高模型预测能力和稳定性。光谱数据预处理分别采用多元散射眩正（multiplicative校正（standardnormalvariate，SNV）和变量标准化（normal-scattercorrection，MSC）、标准化（autoscale）、标准正态变量

有惩罚因子c和核参数g［９，１０］。常用的参数寻优算法有遗传算法（GA）［１１］和网格搜索法（gridsearch）［１２］等，但这些算法在处理高维复杂问题时都会存在容易陷入局部极值和精度低等缺陷。针对此问题，采用人工鱼群算法对SVM参数进行优化，并通过比较分析确定最优参数优化方法。

人工鱼群算法是一种模仿鱼类行为的基于动物自治体的仿生优化方法，通过模仿鱼群的觅食、聚群和追尾等行为来获得全局最优解，力求规避局部极值与精度低的问题［１３-１５］。

人工鱼群算法定义了一个由n条人工鱼组成的鱼群X＝ize）四种方法，通过比较与分析获取适合马铃薯空心病检测（X１，X２，…，Xn），Xi＝（Xi１，Xi２，…，Xim）（i＝１，２，…，n），其中Xi*为在m维搜索空间中的欲寻优变量，Y＝f（X）为食物浓度，即目标函数值。

（１）鱼群觅食过程中，随机分配人工鱼的位置Xi，搜索人工鱼感知范围visual内的随机位置Xj＝Xi＋rand（visual）（rand为０～１之间的随机数）。若Yj＞Yi，则朝Xj处靠近，即Xnext＝Xi＋rand（step）（Xj－Xi）／‖Xj－Xi‖，step为人工鱼移动步长。反之，继续随机选择位置；

（２）聚群过程中，人工鱼会朝鱼群中心位置移动，但不会过度拥挤且鱼群整体的移动方向趋于一致。人工鱼Xi搜索感知范围内其他人工鱼个体数量nf和鱼群中心位置Xc，判断鱼群拥挤程度，若Yc／nf＜δYi，即表明鱼群过于拥挤，继续执行觅食过程。反之，则向Xc处靠近；

（３）追尾过程是人工鱼追随感知范围内目标函数值最大的Xmax进行移动，但移动之前仍然要避免过于拥挤的原则。

２ 结果与讨论

2.1 马铃薯样本原始光谱分析

从校正后的图像中随机选取８０×８０像素感兴趣区域计算光谱平均值，定义为该样本原始光谱。１４９个合格样本与７５个空心病样本在３９０～１０４０nm波长范围的平均光谱曲线如图３所示，由图可知，合格样本与空心病样本的光谱曲线存在较明显差异。在７００和７８０nm附近两种样本光谱都呈现明显峰值，但在７００nm附近的合格样本光谱峰值要高于空心病样本光谱峰值，而在７８０nm附近则刚好相反，空心病样本光谱峰值要高于合格样本光谱。这可能是由于内部空心对马铃薯组织结构产生了一定程度的影响所造成的，在本

Fig.3 Averagespectralcurve

的最优预处理方法。

2.3 马铃薯空心病识别模型的建立

按３∶１的比例，采用随机样本生成法将２２４个马铃薯样本划分为校正集和测试集。校正集中共有样本１６８个（合

格马铃薯１１０个，空心马铃薯５８个）；测试集中共有样本５６个（合格马铃薯３９个，空心马铃薯１７个）。在实际检测过程中将合格马铃薯样本记为“１”，空心马铃薯样本记为“０”。nm全波段建立马铃薯空心病将采用不同光谱预处理方法处理的光谱在SVM判别模型，模型参数３９０～１c０４０

g采用网格搜索法获得，模型判别结果如表１所示。由表和

１可知，原始光谱经过normalize预处理后建立的SVM模型识别率最优，对测试集样本的识别准确率为８７.５％。该识别率不高的原因可能是全波段５２０个光谱变量中存在大量与马铃薯空心病特征信息无关的冗余变量，光谱数据之间出现了重复和交叉。另外，SVM模型可能由于建模参数的选取不理想而陷入局部最优，影响模型性能。

Table1 ResultsdifferentofpreprocessingSVMmodelbasedmethods

on

预处理校正集测试集误判数准确率／％误判数

准确率／％autoscaleSNV１４１２９１.９２.６７１０normalizeMSC

１０８８２.８５.１４１０９４.８６９４.００００１０７８２.７１８７.１４５０2.4 光谱变量选择方法

为了提高模型性能，需要对全波段光谱变量进行变量选择，挖掘光谱数据有效信息，选取对模型贡献最大的波长变量进行建模，降低模型复杂度。首先采用CARS对预处理后的光谱进行变量初步选择，由于CARS每次选出的变量都不相同，所以需要进行多次变量选择并据建模结果比较以确定最优波长变量CARS，最终确定了３５个波长变量，数与采样次数之间关系图法的光谱变量选择过程，随着采样次数的增加，图４a为选择过程中变量个图４给出了，变量个数递减的速度由快到慢，图４b为经过交叉检验所得RMSECV的变化趋势，在第１１２次采样建模之前，RMSECV逐渐减小，之后则呈增长趋势，选择效果逐渐变差，图４c给出了最

小RMSECV所对应的采样次数。然后采用SPA对初选变量进行二次选择，通过SPA最终将光谱变量数从３５个减少到了８个。如图５所示，所选变量在可见光和近红外区域分布

第１期 光谱学与光谱分析较均匀，分别为４５４，６０１，６３９，６６４，７４８，８２７，８７４和９３６nm。

采用不同变量数建立SVM模型，模型识别效果如表２所示。使用CARS优选的３５个变量所建立模型的识别率较全波段建模有显著提升，总体误判数从１７个降低到了１１个，校正集和测试集识别准确率都有提高；CARS-SPA模型识别率较CARS模型略有提高，测试集误判数从４个减少到了３个。由此可知，所选的８个光谱变量基本能够涵盖马铃薯空心病检测的有效信息，CARS-SPA变量选择方法不仅简

２０１

化了模型，而且提高了模型性能。2.5 SVM模型参数优化

２.５.１ 人工鱼群算法参数设置

SVM分类模型惩罚因子c的范围设置为０.０００１～１００；核参数g的范围设置为０.０００１～１００。AFSA鱼群数量设置为n＝３０，迭代次数number＝５０，感知范围visual＝１０，移动步长step＝０.５，拥挤度因子δ＝０.５。２.５.２ SVM模型分类效果及比较

以８个所选变量作为模型输入，分别采用三种优化方法对SVM参数进行优化并建立判别模型，表３为模型对马铃薯样本集的判别结果，由表３可以得出，经过参数优化的模型性能优于原模型。Gridsearch-SVM模型和GA-SVM模型分别出现了５个和３个误判，不管校正集还是测试集AFSA-SVM模型的判别准确率都可以达到１００％，最优模型参数为c＝１０.６５９１，g＝０.３４９７。

上述结果充分说明，人工鱼群算法是一种优秀的参数寻优算法，AFSA-SVM模型能够准确识别马铃薯空心病。

Table3 ResultsofSVMmodelbasedondifferent

parameteroptimizationmethods

校正集寻优方法无c０.９３４８０.５６２４０.１６５８g５７.２３１５４２.２３５４１７.６８６９０.３４９７误判数７０１３测试集准确率准确率误判数／％／％９５.８３９９.４０９８.２１１００３０２２９４.６４９６.４３９６.４３１００Fig.4 CARSselectionprocess

AFSAGridsearchGA１０.６５９１３ 结 论

提出了一种半透射高光谱成像技术结合人工鱼群算法

（AFSA）与支持向量机的马铃薯空心病快速无损检测方法。

采用CARS-SPA进行变量选择能够有效的剔除冗余光谱信息，确定了马铃薯空心病检测的８个光谱变量，基于所选变量建立了SVM判别模型，测试集识别率为９４.６４％。

应用AFSA-SVM，GA-SVM和Gridsearch-SVM三种建模方法分别建立马铃薯空心病识别模型，三种模型对于马铃薯校正集以及测试集的识别结果表明AFSA-SVM模型的识别结果最优，该模型对于马铃薯校正集以及测试集的正确识别率均为１００％。研究结果表明：半透射高光谱成像技术结合CARS-SPA与AFSA-SVM方法能够实现对难以检测的马铃薯空心病快速无损检测。

Fig.5 Theselectedcharacteristic

variablesbyCARS-SPA

Table2 ResultsofSVMmodelbasedondifferent

variableselectionmethods

变量选择方法CARS无

变量数５２０３５８校正集误判数准确率／％１０７７９４.００９５.８３９５.８３７４３测试集误判数准确率／％

８７.５０９２.８６９４.６４CARS-SPAReferences

［１］ FinneyEE．NorrisKH．AmericanPotatoJournal，１９７８，５５（２）：９５．［２］ ElbatawiIE．BiosystemsEngineering，２００８，１００（２）：２０６．

［３］ Dacal-NietoA，FormellaA，ＣａｒｒｉóｎＰ，etal．ComputerAnalysisofImagesandPatterns，SpringerBerlinHeidelberg，２０１１：１８０．［４］ GAOHai-long，LIXiao-yu，XUSen-miao，etal（高海龙，李小昱，徐森淼，等）．TransactionsoftheChineseSocietyofAgricultural

Engineering（农业工程学报），２０１３，２９（１５）：２７９．