高光谱成像技术结合机器学习的稻米霉变检测

稻米霉变会引起营养物质流失,同时产生有毒物质,不仅降低其自身品质,还会感染其他正常稻米。为减少霉变引起的稻米损耗,需及时分离霉变稻米。高光谱技术具有快速、无损的特点,因此,尝试利用高光谱技术对稻米霉变情况进行检测。发芽稻米与发霉稻米具有相似的光谱特征,易被误判为发霉稻米,影响后续稻米霉变程度的检测,因此,提出利用高光谱技术结合多种预处理及判别模型区分发芽稻米与发霉稻米,并对不同霉变程度的稻米进行判别。将正常、发芽、发霉和发芽发霉的稻米样本建立模型进行区分检测,并对轻度、中度、重度和完全发霉的稻米样本进行判别。利用高光谱采集仪器对正常、发芽、发霉和发霉发芽的稻米样本进行光谱图像采集,提取采集图像感兴趣区域(ROI)的光谱,以ROI内光谱的平均反射率作为稻米样本的光谱特征。对提取的光谱数据进行SNV、Normalize和MSC等预处理;利用KS算法将样本以1∶3的比例均匀地划分为用于验证模型效果的预测集和建立光谱与样本关系的建模集;分别建立PLSR、SVM和RF模型,以3种模型的预测集正确率评价各模型预测效果,挑选出效果最优的判别模型。在正常、发芽、发霉和发芽发霉稻米的检测中,得到最优的判别模型为基线校正法预处理后的随机森林(Baseline-RF)模型,Baseline-RF模型的预测集判别准确率为100%;在稻米霉变程度的检测中,通过对不同模型的预测结果进行比较得出,SNV-RF模型的预测集中未出现误判样本,表现出最优的判别效果。为简化模型,在冗长的原始光谱中提取特征波长,以特征波长光谱建立SNV-RF模型,结果显示利用CARS算法挑选后的特征波长具有较好的判别能力,整体的判别准确率为97.5%。实验结果显示高光谱技术结合CARS-SNV-RF模型能够快速准确地判别稻米的霉变程度,为霉变稻米的快速判别提供一定的理论基础和实验参考,对提高稻米品质、减少稻米浪费具有重要意义。