糯玉米是一種栽培技術(shù)簡單、周期短的作物，其蛋白質(zhì)含量比普通玉米高3%~6%，具有較高的經(jīng)濟、營養(yǎng)和加工價值，在我國廣泛種植。因其籽粒具有較粗的蠟質(zhì)胚乳，呈現(xiàn)出有光澤的玻璃狀（透明）外觀，又稱粘玉米或蠟質(zhì)型玉米。糯玉米作為一種重要的農(nóng)作物，其種子的品質(zhì)對于產(chǎn)量和質(zhì)量具有關(guān)鍵影響。然而，由于不同品種的糯玉米種子在生長速度、營養(yǎng)需求和耐病性等方面存在差異，混合種植可能導(dǎo)致傳粉現(xiàn)象，使得某些品種無法充分生長發(fā)育，從而對產(chǎn)量和品質(zhì)產(chǎn)生不利影響。傳統(tǒng)的人工挑選分類方法易受到主觀因素影響，而且往往需要對種子進行破壞性處理，耗費大量的時間和人力成本。糯玉米種子主要由淀粉、蛋白質(zhì)、脂肪、維生素和礦物質(zhì)等成分組成，在不同品種和生長階段間存在著明顯的含量差異，其中淀粉和蛋白質(zhì)含量較高，可以通過光譜技術(shù)進行快速、無損、高效、精準的檢測和分類。

高光譜圖像處理與反射率提取

首先在MatlabR2022a軟件中打開校正后的高光譜數(shù)據(jù)，使用主成分分析（PCA）提取高光譜數(shù)據(jù)的第一主成分PC1下的灰度圖像，然后采用閾值分割法對其進行掩膜處理，去除背景和樣本中的高亮反光部分，避免后續(xù)提取感興趣區(qū)域（ROI）時產(chǎn)生誤差影響光譜數(shù)據(jù)質(zhì)量，接著分別使用開運算去除樣本邊緣的噪點，閉運算填充樣本內(nèi)部的孔洞、平滑樣本邊緣，對其進行二值化處理，最后使用regionprops函數(shù)提取高光譜數(shù)據(jù)中的每一個樣本的連通域（感興趣區(qū)域），將連通域中每個像素點的平均光譜反射率（圖1）作為后續(xù)建模的輸入。

常見高光譜遙感分類

高光譜遙感按照作用空間尺度可劃分為衛(wèi)星遙感?機載高光譜儀?地物光譜遙感以及手持式光譜儀等?；贑GMD便攜式光譜儀和地物高光譜探測器對冬小麥冠層生長指標對比研究發(fā)現(xiàn)，CGMD光譜儀操作簡單，便于攜帶，精度可靠，而地物高光譜探測器采集信息量大，結(jié)合先進預(yù)處理，特征提取和機器學習算法可以有效提高模型反演精度。

基于便攜式地物光譜儀結(jié)合手持式光譜探測器獲取冬小麥葉片反射率，并結(jié)合推掃式光譜儀波段寬，光譜分辨率高的特點獲得冠層反射率，但是受天氣條件或野外環(huán)境因素，如云層?大氣濕度?光線條件和地面高程差等都會影響數(shù)據(jù)采集和監(jiān)測結(jié)果。

3、可行性理論分析

將每個品種所有糯玉米種子的光譜曲線平均值作為該糯玉米品種的光譜曲線，如圖2所示。5種糯玉米種子的光譜曲線整體趨勢一致，其中京科糯2000和山農(nóng)207的反射率比其他品種要低很多，這兩個品種相對于其他品種比較容易區(qū)分；京科糯3000、必豐白甜糯80B和甜加糯308的光譜曲線差別不大，需要進一步提取特征波段加以分析。

曲線走勢方面：在波長860～900nm處的三個小吸收峰，這可能與種子中的某些生物大分子或化學成分有關(guān)。例如，蛋白質(zhì)、淀粉、纖維素、水分等物質(zhì)在這個區(qū)間內(nèi)都有一定的吸收特性；910～950nm處光譜曲線區(qū)分度稍微明顯，可在此處提取特征波段。在940nm左右波長處反射率開始下降，并在1010nm處降到最低，在這個波長范圍內(nèi)，水分的吸收特性較強。因此，在這個范圍內(nèi)反射率的變化可能與糯玉米種子中水分的吸收特性有關(guān)。同一生產(chǎn)批次下不同品種的糯玉米種子的營養(yǎng)物質(zhì)有所差別，因此理論上可以通過光譜特征對糯玉米種子進行分類研究。

4、結(jié)果與分析

4.1光譜預(yù)處理建模結(jié)果對比

圖4為經(jīng)過一階中心差分-SG平滑處理后的糯玉米光譜反射率差分圖，從圖中可以看出原本趨勢較為平坦的光譜曲線通過一階中心差分處理后突出了光譜波段中的峰值、谷值和其他局部變化，通過提取這些變化率和趨勢信息，可以捕捉到光譜數(shù)據(jù)中的重要特征，用于后續(xù)的模型訓練和預(yù)測。

將一階中心差分-SG平滑處理后的光譜數(shù)據(jù)和多元散射校正（MSC）、標準正態(tài)變換（SNV）、一階中心差分和SG平滑這四種預(yù)處理方法處理后的光譜數(shù)據(jù)分別導(dǎo)入SVM、RF和KNN三種分類器，對比不同預(yù)處理方法下的不同分類器的分類準確率。從表1中可以看出一階中心差分-SG平滑較其他的預(yù)處理方法效果最好，同時不同的預(yù)處理方法下支持向量機的分類效果最佳，經(jīng)過一階中心差分-SG平滑處理后的光譜數(shù)據(jù)導(dǎo)入支持向量機建立模型訓練集的準確率可以達到72.44%，測試集的準確率可以達到61.51%。

4.2特征波段提取建模結(jié)果對比

圖5為主成分數(shù)的自動搜尋結(jié)果圖，從圖中可以看出主成分數(shù)從1～14時交叉驗證準確率快速增加，達到74.63%，14以后的交叉驗證準確率的趨勢相對平穩(wěn)，雖然后續(xù)搜索的主成分數(shù)對應(yīng)的交叉驗證準確率有更高的值，但是為了避免模型產(chǎn)生過擬合現(xiàn)象，本次實驗選用CARS算法聯(lián)合偏最小二乘判別模型的主成分數(shù)為14。

圖6為自優(yōu)化CARS算法聯(lián)合偏最小二乘判別建模的特征波段篩選結(jié)果圖，其中第一幅子圖為不同采樣次數(shù)下篩選出來的特征波段數(shù)，第二幅子圖為不同采樣次數(shù)下篩選出的特征波段建模的交叉驗證誤差值，從圖中可以看出在第16次采樣時交叉驗證準確率達到最大，為82.27%，此時篩選出了56個重要的特征波段。

從糯玉米種子特征波段圖（圖7）可以看出篩選出來的特征波段幾乎覆蓋整個可見光波段范圍，集中分布在波長920～940nm和970～1026nm范圍內(nèi)，同時篩選出了391nm、883nm和896nm處的幾個吸收峰。

對比不同特征波段提取方法下的不同分類器的分類準確率。從表2中可以看出自優(yōu)化CARS算法篩選出的特征，波段相對于SPA算法篩選出的特征波段和全波段來說效果最好，同時不同特征波段提取方法下支持向量機的分類效果最佳，經(jīng)過一階中心差分-SG平滑處理后通過CARS算法篩選后的光譜數(shù)據(jù)導(dǎo)入支持向量機建立模型訓練集的準確率可以達到95.81%，測試集的準確率可以達到92.05%。

推薦：

便攜式高光譜成像系統(tǒng) iSpecHyper-VS1000

專門用于公安刑偵、物證鑒定、醫(yī)學醫(yī)療、精準農(nóng)業(yè)、礦物地質(zhì)勘探等領(lǐng)域的最新產(chǎn)品，主要優(yōu)勢具有體積小、幀率高、高光譜分辨率高、高像質(zhì)等性價比特點采用了透射光柵內(nèi)推掃原理高光譜成像，系統(tǒng)集成高性能數(shù)據(jù)采集與分析處理系統(tǒng)，高速USB3.0接口傳輸，全靶面高成像質(zhì)量光學設(shè)計，物鏡接口為標準C-Mount，可根據(jù)用戶需求更換物鏡。

審核編輯 黃宇