高光譜圖像采集玉米霉變是由霉菌感染引起的一種常見現(xiàn)象，霉變的玉米不僅營養(yǎng)價值降低，還可能產(chǎn)生有毒物質(zhì)，嚴(yán)重威脅人類和動物的健康。傳統(tǒng)霉變檢測方法如感官檢測、化學(xué)分析等存在主觀性強(qiáng)、操作復(fù)雜、耗時長等缺點。高光譜圖像技術(shù)通過結(jié)合光譜信息和圖像信息，能夠在不破壞樣品的情況下實現(xiàn)對玉米霉變程度的快速、準(zhǔn)確檢測。

二、高光譜圖像采集原理

高光譜圖像技術(shù)是一種將光譜分析與成像技術(shù)相結(jié)合的技術(shù)，能夠同時獲取樣品的空間信息和光譜信息。在玉米霉變檢測中，高光譜相機(jī)通過采集玉米樣品在多個連續(xù)光譜波段下的圖像數(shù)據(jù)，形成高光譜數(shù)據(jù)立方體。這些數(shù)據(jù)包含了玉米樣品在不同波長下的反射、吸收等光譜特性，為霉變程度分析提供了豐富的信息基礎(chǔ)。

三、高光譜圖像數(shù)據(jù)預(yù)處理

由于高光譜圖像數(shù)據(jù)存在噪聲、光照不均勻等問題，因此在進(jìn)行霉變程度分析前需要進(jìn)行數(shù)據(jù)預(yù)處理。預(yù)處理步驟包括噪聲去除、圖像校正、波段選擇等。噪聲去除常采用平滑濾波、中值濾波等方法；圖像校正則通過多項式回歸、仿射變換等方法恢復(fù)圖像的幾何形狀和輻射特性；波段選擇則根據(jù)霉變玉米的光譜特性，選取與霉變程度密切相關(guān)的特征波段進(jìn)行后續(xù)分析。

四、特征提取與建模分析

在預(yù)處理后的高光譜圖像數(shù)據(jù)中，通過特征提取方法如主成分分析法（PCA）、連續(xù)投影法（SPA）等，提取與玉米霉變程度相關(guān)的特征光譜。這些特征光譜能夠反映霉變玉米在不同波段下的光譜響應(yīng)差異。隨后，利用機(jī)器學(xué)習(xí)算法如支持向量機(jī)（SVM）、BP神經(jīng)網(wǎng)絡(luò)等，建立霉變程度預(yù)測模型。通過對模型進(jìn)行訓(xùn)練和驗證，實現(xiàn)對玉米霉變程度的精準(zhǔn)評估玉米霉變程度。

可以使用賽斯拜克的SP130高光譜相機(jī)進(jìn)行檢測。

人工選擇大小和外觀相同的玉米粒，為了減少玉米自身攜帶的細(xì)菌的影響，所有玉米粒在 2%次氯酸鈉溶液中浸泡5分鐘，然后用蒸餾水漂洗3次。玉米的霉變程度隨培養(yǎng)時間的變化而變化,為了人工培養(yǎng)不同霉變程度的玉米樣品，分別于第0天、第2天、第4天和第6天從恒溫恒濕培養(yǎng)箱中取出60組玉米樣品，采集所有樣本  兩個不同波長范圍的高光譜圖像。
不同霉變程度下玉米原始和去噪后的 RGB圖像如圖所示。獲取高光譜圖像的ROI區(qū)域后,計算每個波長圖像下RO區(qū)域內(nèi)所有像素點的光譜反射率平均值，得到樣本的原始光譜數(shù)據(jù)矩陣。由于光譜數(shù)據(jù)在開始波段和結(jié)束波段存在大量的隨機(jī)噪聲和無用信息，會影響建效果，因此去除噪聲波段后，在 400-1000nm和900-1700nm波段保留 399-1001nm和1005-1701 nm 波長范圍的光譜數(shù)據(jù)用于進(jìn)一步的分析，光譜變量分別為389個和112個。

通過分析光譜曲線特征，不難發(fā)現(xiàn)，玉米霉變程度越嚴(yán)重，兩個波長范圍的光譜反射強(qiáng)度越低，說明霉變組織的光吸收能力比玉米組織強(qiáng)。在400-1000nm 波段，光譜曲線單調(diào)，在 399-820nm波長范圍平均光譜強(qiáng)度逐漸增大，然后緩慢下降。而在900-1700nm 波段，光譜曲線復(fù)雜多變，分別在1100nm和1300nm附近捕獲到兩個明顯的反射率峰。前者可能與脂質(zhì)中的C-H有關(guān)，后者則是 N-H拉伸的第一泛音與基本 -H 面內(nèi)彎曲和 C-N 拉伸與 N-H 面內(nèi)彎曲振動的結(jié)合。此外，在 1192 nm 和1445 nm 處有兩個明顯的吸收峰。1192nm可能與碳水化合物中C-H拉伸的第二泛音有關(guān)，1445 nm 可能與水中的 O-H 鍵和蛋白質(zhì)中 C-H 的第一泛音有關(guān)。不同霉變程度下的反射率光譜和紋理強(qiáng)度存在顯著差異,這些差異為不同霉變程度的玉米判別提供了可能。但是，不同霉變程度的玉米樣品平均光譜值在某些波長范圍(1400-1701nm)存在交叉重疊，反射率光譜與霉變程度無顯著相關(guān)性。因此，需要將光譜數(shù)據(jù)和紋理特征進(jìn)行融合，進(jìn)一步研究其潛在信息的分類能力。

利用實驗室自行搭建的高光譜圖像采集系統(tǒng)，采集了不同霉變程度玉米樣本的400-1000nm 和900-1700nm 高光譜圖像，從高光譜圖像中提取平均光譜和不同紋理參數(shù)特征，利用像素級和特征級數(shù)據(jù)融合方法，建立分類模型。結(jié)果表明，兩種數(shù)據(jù)融合策略建立的模型分類效果優(yōu)于單一的光譜數(shù)據(jù)源。對于光譜和不同紋理參數(shù)的像素級數(shù)據(jù)融合，能量和對比度對分類模型的改進(jìn)起到了積極作用?？傮w而言，像素級數(shù)據(jù)融合對模型判別精度的提高不是很明顯,因為像素級數(shù)據(jù)融合策略在引入有用信息的同時會引入一些不相關(guān)的變量。因此，特征變量選擇方法有利于提高數(shù)據(jù)的處理速度和效率，降低模型的復(fù)雜度;數(shù)據(jù)融合的策略可以豐富特征信息，有利于樣品信息的表達(dá)，提高模型的精度和魯棒性。需要注意的是，本章主要針對玉米霉變的檢測，但同時數(shù)據(jù)融合策略一般適用于小麥、水稻、花生等其它糧食作物的質(zhì)量檢測中。