背景

南瓜籽的好壞決定著南瓜的產量和品質。水分是影響作物種子品質的四大因素之一，也是評價種子品質的關鍵因素。千粒重是種子的重要特征，是一批種子宜居性、活力或發芽等指標的依據之一，其直接受種子形狀和大小的影響，可通過種子的長度和寬度來表征。高光譜成像技術結合了光譜分析和數字成像，為檢測種子質量提供了巨大的潛力。根據成像方式的不同，可分為高光譜反射成像和透射成像。高光譜成像技術具有非接觸式和實時性優點，可以在不對種子進行破壞性處理的情況下進行檢測，并且能夠實時獲取數據，從而提高檢測效率。因此，利用高光譜成像技術對南瓜籽的含水率和尺寸方面進行檢測具有很大的優勢，可以為南瓜籽的質量評價和處理提供科學依據。此外，數據融合是將來自多個傳感器源的數據和信息進行組合和關聯，以獲得比單個傳感器收集的信息更完整和可靠的過程。本研究通過獲取南瓜籽的高光譜反射和透射圖像，建立南瓜籽含水率預測模型，確定南瓜籽的大小。

實驗設計

為增加南瓜種子的水分梯度，選取490顆南瓜種子，分成7組，置于50°C的干燥爐中，分別干燥0、20、40、60、80、100和120分鐘。樣本按3:1的比例劃分為校準集和預測集。為了比較不同校準模型的性能，所有分析都使用相同的校準和預測集。使用GaiaSorter高光譜分選儀（江蘇雙利合譜）獲取高光譜圖像，其組成結構示意圖如圖1所示。該系統由計算機、成像光譜儀、位移平臺、步進電機、透射光源和4個20 w鹵素燈組成。成像光譜儀由CCD相機和光譜儀組成。獲取不同圖像時，需要切換不同光源，更換位移平臺底板。整個成像系統被放置在一個密封的外殼中，以消除環境光的影響。圖像光譜分辨率為3.5 nm，光譜范圍為399.0 ~ 1015.6 nm。

圖1. 高光譜成像系統原理圖

在得到校正后的高光譜圖像后，對單個南瓜籽進行分割，提取每個南瓜籽的光譜。采用最大類間方差法（Otsu）獲取圖像閾值，將灰度圖像轉換為二值圖像，利用形態學操作去噪并獲得連通區域，繪制開放操作二值圖像，提取感興趣區域（ROI）光譜。同時，利用重量法得到各南瓜籽水分含量的參考值。如表1所示，校準集樣品的含水率范圍（8.52-48.93%）大于預測集樣品的含水率范圍（9.18-48.05%）。圖2直方圖顯示了南瓜籽水分含量在校準集和預測集中的分布趨勢相似，呈正態分布。因此，樣品含水率范圍有利于建立穩定的水分預測標定模型。

圖2. 南瓜籽水分統計直方圖

所有南瓜籽在399.0 ~ 1015.6 nm范圍內的反射和透射光譜如圖3所示，可以看出所有樣品的反射和透射光譜趨勢相似。但由于不同樣品的含水率（8.52-48.93%）不同，相應的光譜可能存在差異。反射光譜在670 nm左右出現吸收谷，可能與葉綠素a有關。透射光譜在475 nm左右有一個吸收谷，屬于藍光范圍，與葉綠素-Ⅱa、葉綠素-Ⅱb、類胡蘿卜素等植物色素有關。此外，從圖3（d）中可以看出，由于水分子對光更敏感，600-850 nm的透射光譜標準差更高，說明該范圍內樣品的透射光譜存在顯著差異。

圖3. 南瓜籽的反射和透射光譜:（a）所有樣品的反射光譜；（b）平均反射光譜；（c）所有樣品的透射光譜；（d）平均透射光譜

基于反射光譜、透射光譜、低水平融合和中水平融合建立了PLSR和LSSVM模型。模型計算結果表2所示。表中顯示了Rc2、RMSEC、Rp2和RMSEP值，用于比較基于不同數據的模型結果。

基于單一光譜數據建立PLSR和LSSVM模型：基于透射光譜的全光譜模型優于基于反射光譜的全光譜模型，非線性LSSVM模型優于線性PLSR模型。因此，利用高光譜透射成像技術對單個南瓜籽水分含量進行定量分析是可行的。為了選擇有效波長并消除冗余和噪聲，對反射和透射光譜數據采用了RT、VC、MCUVE、CART和UVE五種變量選擇方法，以提高模型的預測性能。總體而言，大多數變量選擇方法都優于各自的全譜模型，這表明變量選擇有助于增強模型的預測能力。結果發現，無論是基于反射，還是基于透射譜的CARS-LSSVM模型在基于單一光譜的PLSR和LSSVM模型中預測性能和可靠性*優。為了創建更詳細和全面的數據集，以更準確地預測單個南瓜籽的水分含量，繼續進行了中低級的數據融合。

與基于單一光譜的模型相比，低級數據融合提高了模型的性能，更有可能檢測到單個南瓜籽的水分含量。其中經過低級數據融合和CARS選擇后的模型性能最好（表2），PLSR模型的Rp2、RMSEP和RPD分別為0.9196、0.0283%和3.4027，LSSVM模型的Rp2、RMSEP和RPD分別為0.9192、0.0284%和3.4127。

基于中級數據融合的單個南瓜籽PLSR和LSSVM模型結果如表2所示。在PLSR模型中，基于CARS的數據融合模型表現最好，基于RT的數據融合模型表現最差。在LSSVM模型中，只有基于CARS的模型優于基于單光譜和低水平數據融合的模型，Rp2和RMSEP分別為0.9231和0.0278%，達到最佳性能。綜上所述，通過選擇合適的變量選擇方法，將反射光譜和透射光譜進行中級數據融合，可以有效地預測單個南瓜籽的水分含量。

為了更好地了解不同變量選擇算法所選擇的波長，本研究討論了不同變量選擇方法下模型在反射光譜、透射光譜和低水平數據融合三種不同數據集上的性能。每種變量選擇方法在不同數據集中保留的變量位置如圖4所示。基于不同變量的PLSR和LSSVM模型Rp2對比圖如圖5所示。

圖4. 每種變量選擇方法在不同數據集中保留的變量位置:（a）反射光譜；（b）透射光譜；（c）低級數據融合

圖5. 基于不同數據類型的模型Rp2結果比較:（a） PLSR模型；（b） LSSVM模型

在反射光譜中，RT、VC、MCUVE、CARS和UVE算法分別選取了92個、47個、48個、17個和85個變量。在透射光譜中，RT、VC、MCUVE、CARS和UVE算法分別選取了23個、29個、50個、45個和110個變量。在低級數據融合中，RT、VC、MCUVE、CARS和UVE算法分別選取了232、76、162、66和139個變量。從圖5中可以看出，基于CARS的模型對于線性PLSR和非線性LSSVM模型的Rp2都是最高的。此外，在大多數情況下，CARS保留的特征變量比其他變量選擇方法少。這表明CARS算法可以顯著減少不相關信息，保留特征變量，保持較高的模型精度。另外，圖5顯示，基于CARS算法的中級融合數據在兩種模型中Rp2最高，這進一步證實了CARS算法在本研究中的優*性。因此，CARS算法是本研究中*優的變量選擇方法。

利用高光譜反射圖像確定了單個南瓜籽的長度和寬度，并計算了長寬比。采用主成分分析（PCA）對采集到的樣本圖像進行降維處理，識別出適合確定單個南瓜種子大小的圖像。圖6為一批樣本圖像降維后的前五幅主成分圖像。與其他4個主成分圖像相比，PC1圖像表現出南瓜籽與背景*明顯的對比。因此，隨后根據PC1圖像確定南瓜籽的大小。

圖6. 樣本的前五個主成分圖像

要測量單個南瓜籽的長度和寬度，必須確定每個單位公制對應的像素數，該實驗每公制像素比為3.68 px/mm。首先，使用Otsu方法對PC1圖像進行分割。種子與背景對比明顯，分割后的圖像與實際圖像高度一致，保證了測量值在很小的誤差范圍內。接下來，計算每個種子的長度和寬度所占用的像素數。最后，根據計算的像素數計算出每個南瓜籽的長度和寬度。

圖7. 南瓜籽長度和寬度的測定方法

為了驗證測量的南瓜籽尺寸是否與實際尺寸一致，用游標卡尺測量了10個南瓜籽的長度和寬度，每個數值測量三次。取測量結果的平均值作為最終值。表3顯示了測量尺寸、實際尺寸和百分比誤差。長度和寬度的誤差范圍分別為0.07% ~ 1.11%和0.11% ~ 2.31%。測量值與實際尺寸之間的差異很小。因此，本研究證明了利用高光譜反射圖像確定南瓜種子尺寸的可行性。

采用上述方法測定490顆南瓜籽的大小。結果如表4所示，由表4可以看出，種子的長度范圍為12.50-16.85 mm，平均值為14.95 mm，寬度范圍為8.52-9.51 mm，平均值為8.04 mm。

結論

本研究證明了高光譜成像技術和數據融合在檢測單個南瓜籽含水量方面的有效性，以及利用圖像處理算法確定南瓜籽大小的可行性。通過利用CARS算法提取反射光譜和透射光譜的特征波長，實現了最佳的水分含量預測結果。相較于僅基于反射或透射光譜的模型，低級數據融合顯著提升了預測模型的準確性。此外，基于中級數據融合的PLSR模型表現優于單光譜PLSR模型。在LSSVM模型中，結合RT、VC和MCUVE算法的中級數據融合模型優于僅基于反射光譜的LSSVM模型，但不如基于透射光譜的LSSVM模型。采用CARS算法的PLSR和LSSVM模型獲得了*優的性能。利用高光譜反射圖像和圖像處理算法，準確確定了所有南瓜籽的長度和寬度。總之，本研究不僅證實了高光譜成像技術配合數據融合在單個南瓜籽水分檢測中的應用潛力，也展現了其在確定種子尺寸方面的有效性，為高光譜成像技術在種子品質評估領域的應用提供了有力的理論支持。

推薦產品

GaiaSorter高光譜分選儀

作者簡介

通訊作者：

黃富榮；暨南大學光電工程系；博導。

參考文獻

論文引用自二區文章：Yin, Hai, Baiheng Xie, Bijuan Chen, Jinfang Ma, Jiaze Chen, Yongxin Zhou, Xueqin Han, Zheng Xiong, Zhanwang Yu, and Furong Huang. Detection of Moisture Content and Size of Pumpkin Seeds Based on Hyperspectral Reflection and Transmission Imaging Techniques. Journal of Food Composition and Analysis 124 (2023) 105651.