高光谱图像采集下玉米霉变程度

高光谱图像采集玉米霉变是由霉菌感染引起的一种常见现象，霉变的玉米不仅营养价值降低，还可能产生有毒物质，严重威胁人类和动物的健康。传统霉变检测方法如感官检测、化学分析等存在主观性强、操作复杂、耗时长等缺点。高光谱图像技术通过结合光谱信息和图像信息，能够在不破坏样品的情况下实现对玉米霉变程度的快速、准确检测。

二、高光谱图像采集原理

高光谱图像技术是一种将光谱分析与成像技术相结合的技术，能够同时获取样品的空间信息和光谱信息。在玉米霉变检测中，高光谱相机通过采集玉米样品在多个连续光谱波段下的图像数据，形成高光谱数据立方体。这些数据包含了玉米样品在不同波长下的反射、吸收等光谱特性，为霉变程度分析提供了丰富的信息基础。

三、高光谱图像数据预处理

由于高光谱图像数据存在噪声、光照不均匀等问题，因此在进行霉变程度分析前需要进行数据预处理。预处理步骤包括噪声去除、图像校正、波段选择等。噪声去除常采用平滑滤波、中值滤波等方法；图像校正则通过多项式回归、仿射变换等方法恢复图像的几何形状和辐射特性；波段选择则根据霉变玉米的光谱特性，选取与霉变程度密切相关的特征波段进行后续分析。

四、特征提取与建模分析

在预处理后的高光谱图像数据中，通过特征提取方法如主成分分析法（PCA）、连续投影法（SPA）等，提取与玉米霉变程度相关的特征光谱。这些特征光谱能够反映霉变玉米在不同波段下的光谱响应差异。随后，利用机器学习算法如支持向量机（SVM）、BP神经网络等，建立霉变程度预测模型。通过对模型进行训练和验证，实现对玉米霉变程度的精准评估玉米霉变程度。

可以使用赛斯拜克的SP130高光谱相机进行检测。

人工选择大小和外观相同的玉米粒，为了减少玉米自身携带的细菌的影响，所有玉米粒在 2%次氯酸钠溶液中浸泡5分钟，然后用蒸馏水漂洗3次。玉米的霉变程度随培养时间的变化而变化,为了人工培养不同霉变程度的玉米样品，分别于第0天、第2天、第4天和第6天从恒温恒湿培养箱中取出60组玉米样品，采集所有样本  两个不同波长范围的高光谱图像。
不同霉变程度下玉米原始和去噪后的 RGB图像如图所示。获取高光谱图像的ROI区域后,计算每个波长图像下RO区域内所有像素点的光谱反射率平均值，得到样本的原始光谱数据矩阵。由于光谱数据在开始波段和结束波段存在大量的随机噪声和无用信息，会影响建效果，因此去除噪声波段后，在 400-1000nm和900-1700nm波段保留 399-1001nm和1005-1701 nm 波长范围的光谱数据用于进一步的分析，光谱变量分别为389个和112个。

通过分析光谱曲线特征，不难发现，玉米霉变程度越严重，两个波长范围的光谱反射强度越低，说明霉变组织的光吸收能力比玉米组织强。在400-1000nm 波段，光谱曲线单调，在 399-820nm波长范围平均光谱强度逐渐增大，然后缓慢下降。而在900-1700nm 波段，光谱曲线复杂多变，分别在1100nm和1300nm附近捕获到两个明显的反射率峰。前者可能与脂质中的C-H有关，后者则是 N-H拉伸的第一泛音与基本 -H 面内弯曲和 C-N 拉伸与 N-H 面内弯曲振动的结合。此外，在 1192 nm 和1445 nm 处有两个明显的吸收峰。1192nm可能与碳水化合物中C-H拉伸的第二泛音有关，1445 nm 可能与水中的 O-H 键和蛋白质中 C-H 的第一泛音有关。不同霉变程度下的反射率光谱和纹理强度存在显著差异,这些差异为不同霉变程度的玉米判别提供了可能。但是，不同霉变程度的玉米样品平均光谱值在某些波长范围(1400-1701nm)存在交叉重叠，反射率光谱与霉变程度无显著相关性。因此，需要将光谱数据和纹理特征进行融合，进一步研究其潜在信息的分类能力。

利用实验室自行搭建的高光谱图像采集系统，采集了不同霉变程度玉米样本的400-1000nm 和900-1700nm 高光谱图像，从高光谱图像中提取平均光谱和不同纹理参数特征，利用像素级和特征级数据融合方法，建立分类模型。结果表明，两种数据融合策略建立的模型分类效果优于单一的光谱数据源。对于光谱和不同纹理参数的像素级数据融合，能量和对比度对分类模型的改进起到了积极作用。总体而言，像素级数据融合对模型判别精度的提高不是很明显,因为像素级数据融合策略在引入有用信息的同时会引入一些不相关的变量。因此，特征变量选择方法有利于提高数据的处理速度和效率，降低模型的复杂度;数据融合的策略可以丰富特征信息，有利于样品信息的表达，提高模型的精度和鲁棒性。需要注意的是，本章主要针对玉米霉变的检测，但同时数据融合策略一般适用于小麦、水稻、花生等其它粮食作物的质量检测中。