高光譜成像技術兼具光譜分析和機器視覺技術特點，既能通過光譜反映出霉變花生的成分變化，又可以通過圖像實現霉變花生的可視化判別。

花生是我國重要的油料與經濟作物。目前我國花生總產量和消費量均約占全球40%，已成為世界上最大的花生生產國和消費國，在全球花生進出口貿易中占據著重要地位。但是花生在收獲、運輸、儲藏和加工過程中極易因溫濕度變化產生霉變，繼而產生強毒性和強致癌性的黃曲霉毒素，不僅影響花生食用安全性，甚至危害人類和動物的生命和健康。高光譜成像技術兼具光譜分析和機器視覺技術特點，既能通過光譜反映出霉變花生的成分變化，又可以通過圖像實現霉變花生的可視化判別。

01實驗部分

圖1所示為實驗過程中花生紅衣外觀正常,但內部存在不同霉變程度的花生樣本。

圖1 花生內部霉變程度示意圖

1.1模型評價指標

由于實驗數據集中健康、霉變樣本數均衡，因此本研究直接采用準確率作為模型評價指標。準確率是分類問題模型中最簡單直接的指標，即模型預測正確的樣本占總樣本個數的比例，計算如公式(1)所示：

其中，TP表示實際為正樣本被預測為正樣本的數量；FN表示實際為正樣本卻被預測為負樣本的數量；FP表示實際為負樣本卻被預測為正樣本的數量；TN表示實際為負樣本預測也為負樣本的數量。設定內部霉變樣本為正樣本，健康樣本為負樣本。

1.2高光譜圖像預處理

為消除高光譜相機暗電流的影響，確保高光譜數據的穩定性和可靠性，實驗首先對原始高光譜圖像進行黑白板校正，如公式(2)所示：

其中，R為校正后的反射率光譜圖像；Iraw為原始光譜圖像，Iblack為關閉快門后采集的全暗參考圖像；Iwhite為掃描標準白板得到的全白參考圖像。

實驗過程中將花生樣本置于載物臺進行高光譜圖像采集(圖2a)，因此校正后的高光譜圖像中會攜帶有載物臺信息(圖2b)。由于載物臺和花生樣本成分不同，其光譜在主成分投影空間存在顯著聚類區分。因此實驗首先采用主成分分析法剔除花生高光譜圖像中的背景信息(圖2c)。

圖2花生高光譜圖像采集與處理

02圖像處理

表1基于不同光譜預處理的花生內部霉變判別模型評價

表1的實驗結果初步表明了高光譜技術結合光譜預處理方法構建花生內部霉變快速判別模型的可行性，并且SG卷積平滑+二階求導光譜預處理可以顯著提升模型性能。

特征波長篩選

采用MC-UVE篩選判別內部霉變的特征波長。從表2的特征波長篩選結果來看，當波長數為10、5、3逐步減少的過程中，1408.08、2017.66、2151.45nm三者始終被保留。

其中，1408.08nm位于醇游離O-H一級倍頻吸收峰1410nm附近、酚O-H的一級倍頻1420nm附近及水O-H的一級倍頻1440nm附近，花生霉變過程中往往水分會增加，同時霉菌代謝會產生發酵產物，如醇類、酸類和酯類化合物等。2017.66nm位于酰胺的N-H合頻吸收2000~2020nm附近處，同時也處于醇的O-H合頻吸收1800~2200nm附近、酚的O-H合頻吸收1920~2100nm附近、過氧化物的O-H合頻吸收2060nm附近，其中酰胺鍵是蛋白質的重要結構之一，而花生霉變過程中蛋白質會發生降解、氧化、轉化等顯著變化。2151.45nm則位于芳烴C-H在C-C伸縮振動和C-H伸縮振動的組合頻2146nm附近處，同時乙烯基的C-H在2090~2140nm附近、2170nm附近也均有特征吸收，花生霉變產物中最主要的一類化合物黃曲霉素的分子結構中則同時包含乙烯基和芳環。

綜上所述，篩選保留的1408.08、2017.66、2151.45nm波長均與花生霉變過程中的成分變化密切相關。

表2 基于特征波長篩選后的花生霉變判別模型評價

03結論

近紅外高光譜成像技術進行花生內部霉變判別具有較大的潛力,但還有待進一步結合圖像信息精準獲取霉變區域光譜信息以提升內部霉變樣本的識別準確率。

推薦：

便攜式高光譜成像系統iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫學醫療、精準農業、礦物地質勘探等領域的最新產品，主要優勢具有體積小、幀率高、高光譜分辨率高、高像質等性價比特點采用了透射光柵內推掃原理高光譜成像，系統集成高性能數據采集與分析處理系統，高速USB3.0接口傳輸，全靶面高成像質量光學設計，物鏡接口為標準C-Mount，可根據用戶需求更換物鏡。

審核編輯 黃宇