有研究表明，利用高光譜結(jié)合偏最小二乘判別分析分類模型，可以有效的實(shí)現(xiàn)靈武長(zhǎng)棗損傷后隨時(shí)間變化的快速檢測(cè)，為靈武長(zhǎng)棗在線檢測(cè)提供理論依據(jù)。推薦使用賽斯拜克高光譜成像儀，可以快讀準(zhǔn)確地獲得精密的高光譜圖像，從而進(jìn)行精密的分析研究。

高光譜數(shù)據(jù)用于損傷長(zhǎng)棗的檢測(cè)判別的背景

棗在中國(guó)已有4000多年的歷史，它主要分布在亞洲的亞熱帶和熱帶地區(qū)，已有三千多年的耕種歷史?！办`武長(zhǎng)棗”(Lingwu long jujube)是寧夏重要的經(jīng)濟(jì)林木之一，并且由于其巨大的生態(tài)、社會(huì)和經(jīng)濟(jì)效益，也是寧夏農(nóng)業(yè)的主要組成部分[1-2]，但是靈武長(zhǎng)棗在采收、運(yùn)輸?shù)冗^(guò)程中容易受到損傷，并且損傷后不容易被觀察到降低商品價(jià)值嚴(yán)重影響經(jīng)濟(jì)收益3。因此，亟需一種無(wú)損檢測(cè)技術(shù)快速有效地檢測(cè)靈武長(zhǎng)棗的內(nèi)部損傷。
近年來(lái)，高光譜成像系統(tǒng)作為一種快速無(wú)損、準(zhǔn)確度高且具有高靈敏度的檢測(cè)系統(tǒng)，被用于蘋(píng)果、梨、獼猴桃、草莓、藍(lán)莓、桃子I等的瘀傷檢測(cè)。

Zhangl10等利用高光譜成像系統(tǒng)結(jié)合 AdaBoost 算法對(duì)完整蘋(píng)果和損傷后5個(gè)時(shí)間段(損傷后1 min、1天、2天、3天、4天)的蘋(píng)果進(jìn)行了分類，結(jié)果表明，經(jīng)MSC(multiplicative scatter correc-tion)和 CFS(correlation-based feature selection)預(yù)處理后，所選波長(zhǎng)建立的模型平均精度為97.63%。

Fanii等利用最佳波長(zhǎng)結(jié)合近紅外高光譜反射成像系統(tǒng)對(duì)藍(lán)莓內(nèi)部瘀傷隨時(shí)間的變化進(jìn)行了檢測(cè)研究，結(jié)果表明，藍(lán)莓在撞擊后 30 min、2h、6h和12h的波段比值圖像建模分類精度分別為77.5%，83.8%，92.5%和95.0%，以及 CARS-LS-SVM(competitive adaptive reweighted sampling-least squares-support 都o(jì)r machine)模型的驗(yàn)證集中健康和瘀傷藍(lán)莓準(zhǔn)確率分別為93.3%和95.9%Lee等利用高光譜圖像對(duì)梨的物理?yè)p傷進(jìn)行了檢測(cè)研究，結(jié)果表明：利用最佳閾值波段比檢測(cè)結(jié)果的準(zhǔn)確率為92%。

靈武長(zhǎng)棗外部缺陷檢測(cè)已有相關(guān)研究，但是對(duì)于靈武長(zhǎng)棗內(nèi)部損傷檢測(cè)鮮有報(bào)道。故以靈武長(zhǎng)棗為研究對(duì)象，對(duì)完整長(zhǎng)棗和損傷后五個(gè)時(shí)間段(損傷后2，4，8，12和24h)長(zhǎng)棗進(jìn)行分類判別。利用高光譜成像系統(tǒng)獲得高光譜圖像，利用ENVI軟件提取感興趣(region of interest， ROI)區(qū)域，并計(jì)算平均光譜值。對(duì)原始光譜利用 Savitzky-Golay 平滑的一階導(dǎo)數(shù)(first derivatives SG-1)和二階導(dǎo)數(shù)(second derivatives， SG-2)、標(biāo)準(zhǔn)正態(tài)變換(smandard normal variate， SNV)和去趨勢(shì)(Detrending)、以及SNV-SG-1、SNV-SG-2、Detrending-SG-1、Detrending-SG-2組合預(yù)處理， 并建立 PLS-DA分類模型；優(yōu)選最優(yōu)預(yù)處理算法得到的光譜數(shù)據(jù)，利用連續(xù)投影算法(successie projection algorithm， SPA)、間隔隨機(jī)蛙跳(interval random frog，IRF)、無(wú)信息消除變量(uninformative variable elimination，UVE)、變量組合集群分析法( variable combination popula-tion analysis， VCPA)、區(qū)間變量迭代空間收縮法(interval variable iterative space shrinkage approach， IVISSA)五種算法和 IRF-SPA、UVE-SPA、IVISSA-SPA三種組合算法進(jìn)行特征變量選擇，特征變量建立偏最小二乘判別分析(partial least squares-discriminant analysis， PLS-DA)、線性判別分析(linear discriminant analysis， LDA.)和支持向量機(jī)(support vector machine， SVM)分類判別模型、為損傷靈武長(zhǎng)在線檢測(cè)提供理論依據(jù)。

?

?

高光譜數(shù)據(jù)用于損傷長(zhǎng)棗的檢測(cè)判別的結(jié)論

高光譜成像作為一種快速無(wú)損的檢測(cè)方法被廣泛應(yīng)用。利用高光譜成像系統(tǒng)獲得完整長(zhǎng)棗和損傷后不同時(shí)間段(損傷后2，4.8，12和24h)長(zhǎng)棗的光譜圖像，提取感興趣區(qū)域，計(jì)算平均光譜值，建立原始光譜和預(yù)處理光譜數(shù)據(jù)的 PLS-DA分類模型，選擇 SNV-SG-2光譜數(shù)據(jù)的特征變量建立線性(PLS-DA， LDA)和非線性(SVM)分類判別模型，并對(duì)模型進(jìn)行比較。在原始光譜數(shù)據(jù)建模中，模型校正集和預(yù)測(cè)集準(zhǔn)確率分別為82.96%和90%。光譜經(jīng)過(guò)預(yù)處理后得到SNV-SG-2-PLS-DA 為最優(yōu)分類判別模型，模型校正集和預(yù)測(cè)集準(zhǔn)確率分別為91.11%和96.67%，預(yù)處理可以有效提高模型的分類準(zhǔn)確率。

在特征變量建立的分類模型中， SNV-SG-2-UVE-PLS-DA模型校正集和預(yù)測(cè)集準(zhǔn)確率分別為86.3%和94.44%； SNV-SG-2-SPA-LDA模型校正集和預(yù)測(cè)集準(zhǔn)確率分別為86.3%和83.33%； SNV-SG-2-UVE-SVM 模型校正集和預(yù)測(cè)集準(zhǔn)確率分別為77.78%和71.11%。對(duì)于特征變量選擇算法來(lái)說(shuō)，有的可以提高建模準(zhǔn)確率，有的雖然減少了變量數(shù)，但是使得建模效果降低，不利于判別分類。對(duì)于建立的分類模型來(lái)說(shuō)，線性分類模型(PLS-DA，LDA)分類結(jié)果優(yōu)于非線性分類模型(SVM)分類結(jié)果，在線性分類模型分類結(jié)果中PLS-DA模型分類結(jié)果優(yōu)于 LDA 模型分類結(jié)果，因此，PLS-DA 分類模型可以更好的為損傷靈武長(zhǎng)棗在線檢測(cè)提供分類效果。

?