高光譜技術(shù)在紅棗分類識別中的應(yīng)用
發(fā)布者：
發(fā)布時(shí)間：2017-08-28
高光譜技術(shù)在紅棗分類識別中的應(yīng)用
一、測試原理及方法：
高光譜成像技術(shù)是近二十年來發(fā)展起來的基于非常多窄波段的影像數(shù)據(jù)技術(shù)，其最突出的應(yīng)用是遙感探測領(lǐng)域，并在越來越多的民用領(lǐng)域有著更大的應(yīng)用前景。它集中了光學(xué)、光電子學(xué)、電子學(xué)、信息處理、計(jì)算機(jī)科學(xué)等領(lǐng)域的先進(jìn)技術(shù)，是傳統(tǒng)的二維成像技術(shù)和光譜技術(shù)有機(jī)的結(jié)合在一起的一門新興技術(shù)。
高光譜成像技術(shù)的定義是在多光譜成像的基礎(chǔ)上，在從紫外到近紅外（200-2500nm）的光譜范圍內(nèi)，利用成像光譜儀，在光譜覆蓋范圍內(nèi)的數(shù)十或數(shù)百條光譜波段對目標(biāo)物體連續(xù)成像。在獲得物體空間特征成像的同時(shí)，也獲得了被測物體的光譜信息。
目標(biāo)物體-成像物鏡-入射狹縫-準(zhǔn)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(xué)光譜儀產(chǎn)生的線性色散確定。最小光譜分辨率是由光學(xué)系統(tǒng)的成像性能確定的（點(diǎn)擴(kuò)展大?。?/span>
成像過程為：每次成一條線上的像后（X方向），在檢測系統(tǒng)輸送帶前進(jìn)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(shù)據(jù)。
圖2 像立方體
鏡頭：22mm鍍膜消色差鏡頭；光譜范圍：900nm-1700nm，光譜分辨率:5.36nm@1129.58nm
探測器像素：320x256；內(nèi)置控制、掃描機(jī)構(gòu)；內(nèi)置電池；軟件：控制完成自動曝光、自動對焦、自動掃描速度匹配；數(shù)據(jù)處理：黑白、輻射度、均勻性、鏡頭等校準(zhǔn)；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(jī)（光譜范圍900nm-1700nm）采集測試對象的高光譜數(shù)據(jù)。
圖4 樣本的RGB圖（R:1235nm G：1409nm B:1536nm）
對原始數(shù)據(jù)進(jìn)行主成分分析（Principal Component Analysis, PCA），去除波段之間的多余信息、將多波段的圖像信息壓縮到比原波段更有效的少數(shù)幾個(gè)轉(zhuǎn)換波段下。同時(shí)利用由于光譜儀采集得到的光譜信號中既包含實(shí)驗(yàn)所需的有用信息，同時(shí)由于儀器精密度等原因帶來隨機(jī)噪聲，最常用的消除噪聲的方法Savitzky-Golay(SG)卷積平滑法，通過多項(xiàng)式來移動窗口內(nèi)的數(shù)據(jù)進(jìn)行多項(xiàng)式最小二乘擬合信號平滑，既消除噪聲又保留了光譜輪廓。由于各個(gè)樣本間分布不均勻、樣本大小不一樣、樣本表面散射及光程變化等都會產(chǎn)生散射影響，采用多遠(yuǎn)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(jīng)PCA處理
分別選取樣本上的兩個(gè)區(qū)域標(biāo)注為駿棗-A和灰棗-B，以此為標(biāo)樣對其他樣品進(jìn)行歸類識別。對已經(jīng)劃分出來的類別進(jìn)行PLS-DA算法處理，評估劃分出來類別成分。
-
分別在前面幾種不同預(yù)處理方法的基礎(chǔ)上，對樣品進(jìn)行主成分分析聚類。并對數(shù)據(jù)做PLS-DA算法處理，PLS-DA方法是基于PLS回歸的一種判別分析方法，在構(gòu)造因素時(shí)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(jī)抽取2/3組成建模集，通過這組樣本的光譜及其對應(yīng)的基礎(chǔ)數(shù)據(jù)，利用簇類的獨(dú)立軟模式 soft independent modeling of class analogy(SIMCA)分類法建立識別模型，對樣本進(jìn)行分類。
SIMCA方法為每個(gè)類建立了獨(dú)立的主成分分析(principal component analysis，PCA)模型，然后依據(jù)該模型對未知樣品進(jìn)行分類。然而，該方法在建立模型時(shí)沒有考慮到其他的類，因此，在每個(gè)類的模型中，有些因素在獲取類中明顯的變化時(shí)只能反映出有限的鑒別信息。當(dāng)多維數(shù)據(jù)不同類中的子空間都非常接近時(shí)，由于類之間不必要的重疊，從而存在產(chǎn)生非優(yōu)化鑒別模型的危險(xiǎn)。
獲取灰棗和駿棗的特征光譜，可以看出，兩種栆的特征光譜位置基本一致，只是其光譜反射率會有一些差別。具體成因還需進(jìn)一步分析。
圖6 灰棗（紅色）和駿棗（綠色）特征高光譜
圖7 SIMCA方法分類識別結(jié)果
通過獲取感興趣的平均光譜，利用(SIMCA)分類法建立識別模型，對樣本進(jìn)行分類。預(yù)測駿棗-A所占比例為65.6%，灰棗-B所占比例為34.4%。
圖8 SIMCA方法分類統(tǒng)計(jì)結(jié)果
.jpg)
.jpg)
地址：無錫市梁溪區(qū)南湖大道飛宏路58-1-108.png)
電話：13810664973.png)
郵箱：info@dualix.com.cn
在線咨詢