采用近红外光谱图像特征的水稻霉变程度检测方法

技术领域

本发明涉及一种采用近红外光谱图像特征的水稻霉变程度检测方法。

背景技术

稻谷储运过程中在适宜的温湿度环境下极易发生霉变，导致产生多种对人体和牲畜有害的真菌霉素。传统稻谷霉变研究是通过化学处理后利用电子显微镜等仪器，观测稻谷中真菌孢子，用来检测稻谷霉变情况。这些方法存在的不足是耗费时间长，检测过程繁琐。有必要建立稻谷霉变程度无损检测的新方法。

发明内容

本发明提供一种采用近红外光谱图像特征的水稻霉变程度检测方法，可以实现稻谷霉变程度无损检测。

一种采用近红外光谱图像特征的水稻霉变程度检测方法，包括：

获得已知不同霉变状态稻谷的近红外光谱图像数据；

以所述近红外光谱图像数据为研究对象，获得所述近红外光谱图像的图像特征；

利用前馈神经网络(BP)自适应推理机制，建立稻谷霉变程度与其近红外图像的图像特征之间映射模型；

获得待测稻谷的近红外光谱图像数据；获得所述待测稻谷的近红外光谱图像的图像特征；利用所述映射模型获得所述待测稻谷的霉变状态。

根据本发明实施例，所述稻谷的品种选自牡响、早香、彩稻三个品种，例如种植于黑龙江地区。

根据本发明实施例，所述稻谷的霉变状态包括：健康稻谷、轻度霉变和中度霉变。

根据本发明实施例，所述近红外光谱图像数据是在近红外波长为700-900nm，带宽为30-50nm采集的。

根据本发明实施例，所述近红外光谱图像数据是在近红外波长为790nm，带宽为40nm采集的。例如可采用4通道多光谱相机(Sequoia)。在一些实施例中，数据采集间隔为12-36小时，例如24小时，固定多光谱相机在距离样本上方一定距离(例如30-60cm，具体例如40cm处)拍摄。在一些实施例中，拍摄时相机镜头尽量垂直于稻谷表面。

根据本发明实施例，拍摄时可以采用自然光源，也可采用人工光源。采用人工光源时要求包含全波段，即能够产生日光的效果。在一些实施例中，采用100W单端卤钨灯为光源。

根据本发明实施例，应用数字图像处理技术结合光谱图像分析方法，研究所述近红外光谱图像数据，获得所述近红外光谱图像的图像特征。

根据本发明实施例，所述近红外光谱图像的图像特征包括纹理特征和近红外光谱图像的反射值分布频率。

根据本发明实施例，所述纹理特征包括所述近红外光谱图像的均值、标准差、平滑度、三阶距、一致性、信息熵、平均梯度和分形维数。

根据本发明实施例，所选取的所述近红外光谱图像的反射值分布频率的区间为：0.2～0.3，0.3～0.4，0.4～0.5，0.5～0.6，0.6～0.7，0.7～0.8。

根据本发明实施例，所构建BP神经网络的三层结构为14-60-3型。所述神经网络结构的3层节点分别为：输入层、隐含层、以及输出层，各层采用全互连方式，同层之间不存在相互连接。

根据本发明实施例，还包括对所述映射模型进行训练的步骤。

本发明以东北寒地稻谷为研究对象，获取牡响、早香、彩稻三个品种不同霉变状态的近红外光谱的成像数据，分析NIR(近红外光谱)图像多种纹理和频域特性，优选不同稻谷品种霉变状态的光谱特征，利用前馈神经网络(BP)自适应推理机制，建立稻谷霉变程度与其近红外图像特征之间映射模型，实现稻谷霉变程度无损检测的新方法，能够为稻谷仓储时霉变早期自动快速提供技术支持。

附图说明

图1表示本发明实施例采集近红外图像数据装置结构示意图。

图2表示本发明实施例稻谷不同霉变程度的近红外图像。

图3表示本发明实施例不同霉变程度稻谷近红外光谱图像的反射值分布频率构成的直方图。

图4表示本发明实施例神经网络结构。

图5表示本发明实施例稻谷霉变程度无损检测流程示意图。

具体实施方式

以下通过实施例对本发明进一步说明。

实施例1

稻谷储运过程中在适宜的温湿度环境下极易发生霉变，导致大量粮食浪费和经济损失，为避免传统稻谷霉变检测过程繁琐且耗时较长的不足，本文提出了基于近红外光谱图像处理技术和神经网络的稻谷霉变程度检测方法。首先，通过农业多光谱相机(Sequoia)和固定光源等设备，构建了霉变稻谷近红外图像数据采集平台，动态获取黑龙江地区牡响、早香、彩稻三个品种不同霉变状态的近红外光谱的成像数据。其次，以不同霉变程度稻谷的数据样本为研究对象，应用数字图像处理技术结合光谱图像分析方法，研究NIR(近红外光谱)图像多种纹理和频域特性，优选不同稻谷品种霉变状态的光谱特征。最后，以光谱图像的均值、标准差、平滑度、三阶距、一致性、信息熵、平均梯度、分形维数、间隔步长0.1时NIR光谱在0.2～0.8区间反射值频率等14维特征向量为依据，利用前馈神经网络(BP)自适应推理机制，建立稻谷霉变程度与其近红外图像特征之间映射模型。该模型神经网络结构为14-60-3型，在学习次数为28455次时达到目标精度，所提取光谱图像特征与模型输出的相关系数R为0.85，其仿真实验对于不同稻谷的霉变程度检测的准确率为93.33％。该研究成果为实现稻谷霉变程度无损检测的新方法，能够为稻谷仓储时霉变早期自动快速提供技术支持。

1采集霉变稻谷近红外图像

以东北寒地稻谷为研究对象，选取不同年份稻谷品种的分别为：牡响、早香、彩稻。将三种健康稻谷放入培养盘中，倒入无菌水搅拌均匀，覆膜后放入35-40℃的人工气候箱中，模拟稻谷发生霉变过程。通过4通道多光谱相机(Sequoia)在近红外波长为790nm，带宽为40nm，拍摄采集稻谷霉变全过程的近红外图像数据。为减少外界环境对采集近红外图像的干扰，实验过程在标准拍摄箱内进行，并配有2个标准光源，数据采集间隔为24小时，固定多光谱相机在距离样本上方40cm处垂直拍摄，其采集近红外图像数据装置结构如图1所示。本实验中采用100W单端卤钨灯为光源。

稻谷受真菌感染后产生霉变后表面存在霉菌，其表面颜色逐渐变深甚至呈现黑色。一般稻谷中霉菌量在10

本研究中采集为健康、霉变初期以及中度霉变的稻谷近红外光谱图像。选取采集600幅中160×160像素的有效区域，分析霉变稻谷在790nm波长时近红外光谱图像特性。具体地，稻谷不同霉变程度的近红外图像如图2所示。图2中，(a)健康稻谷，(b)轻度霉变，(c)中度霉变。

2.提取稻谷近红外图像特征

2.1提取纹理特征

稻谷在适宜的温湿度环境下极易发生霉变，产生曲霉属和青霉属为主的霉菌群，随机分布在籽粒表面。计算790nm波长的图像纹理特征，分析稻谷霉变时NIR图像特性，通过稻谷霉变早期发生过程的图像特征，为稻谷储运时霉变程度的快速检测提供数据指标。

研究中依据文献(马晓丹,关海鸥,祁广云,刘刚,谭峰.基于改进级联神经网络的大豆叶部病害诊断模型[J].农业机械学报,2017,48(01):163-168.)方法，计算稻谷近红外图像的纹理特征。

(1)均值

稻谷霉变的近红外图像整体的均值，反映了霉菌分布后籽粒表面明亮程度，特征值越大表明NIR图像越亮，反之图像亮度越小，稻谷霉变NIR图像的均值M计算公式为：

式(1)中，Z

(2)标准差

稻谷霉变的NIR图像的标准差，反映图像整体像元值相对于均值的离散程度，其计算公式σ为：

(3)平滑度

平滑度可以反映霉变稻谷的NIR图像的粗糙程度，其值越小表明图像越平滑，反之，霉变稻谷的NIR图像越粗糙，定义平滑度S的计算公式为：

(4)三阶距

三阶距可以用来表征霉变稻谷NIR图像直方图的对称性，其计算公式为：

当δ

(5)一致性

霉变稻谷的NIR图像的规则程度用一致性H来度量，一致性的数值和平滑度无任何关系，其计算公式为：

(6)信息熵

信息熵可以表征近红外图像中反射值的随机性，其值大表示NIR图像可变性越大，否则，图像可变性越小，信息熵e计算公式为：

(7)平均梯度

为客观描述霉变稻谷NIR图像的清晰度，应用平均梯度G表征NIR图像的多层次细节，G越大表明图像的层次越多且清晰，反之，图像越模糊，平均梯度G计算公式为：

其中，m和n分别表示近红外图像的行数和列数，F(i,j)表示近红外图像像素的反射值；i＝1,2,...,m-1；j＝1,2,...,n-1。

(8)分形维数

在霉变稻谷的NIR图像多变的周期性重复细节中，用分形维数可以一定程度地衡量图像反射值成像的强弱特征，并且将这些规则程度表示出来，因此分形维数作为NIR图像非常重要的纹理特征之一，计算分形维数FD公式为：

式中，N(ε)表示覆盖整幅图像需要的盒子总数目，ε表示原图像划分若干子图像的边长。

依据2.1节霉变稻谷特征的计算方法，选取600幅大小为160×160像素的近红外光谱成像样本，计算上述公式(1)～(8)计算稻谷在不同霉变状态下其NIR图像的均值、标准差、平滑度、三阶距、一致性、信息熵、平均梯度、分形维数8个纹理特征。

在均值中，三种状态的稻谷的平均值分别为：150.795、151.838、141.294，可以看出干燥稻谷和轻度霉变稻谷在图像亮度上没有太大的变化，但中度霉变的稻谷的近红外图像均值的平均值有所下降，表现出中度霉变的稻谷表面由于变黑变灰，图像的亮度在降低。在反应稻谷图像数据对于平均值的离散程度的标准差中，三种状态的平均值分别为：18.101、21.156和23.819，表明稻谷在霉变过程中，近红外图像的反射值相对于平均值越来越离散。在平滑度中，三种稻谷的平均值分别为：0.005、0.007和0.009，表明稻谷从开始的干燥，到开始霉变，图像没有最开始的平滑，而是变的粗糙。在三阶距中，三种状态的稻谷平均值分别为：-0.050、-0.067和-0.076，该特征值都为复数，说明所有的图像的直方图普遍都偏左，且近红外图像逐步变暗。在一致性中，三种状态的稻谷平均值分别为：0.016、0.014和0.012，该特征值的整体趋势表现为下降趋势，这表明近红外图像的规则程度成下降趋势。在信息熵中，三种状态的稻谷平均值分别为：6.147、6.389和6.566，通过熵的平均值的计算可以看出，稻谷近红外图像的可变性越来越大，说明稻谷图像在逐步发生变化。在平均梯度中，三种状态的稻谷近红外图像参数平均值相比之下在上升，表明虽然稻谷表面霉变后开始发灰且有少部分的稻谷表面并霉菌包裹，但是在稻谷图像的清晰度有轻微上升趋势。在判断图像的复杂度的分形维数中，所有样本的近红外图像都呈现相近稳定的状态。

2.2近红外图像数据的频率分析

由于牡响、早香、彩稻三个品种在不同霉变状态时，其霉菌群随机分布在籽粒表面，引起霉变稻谷的近红外光谱图像反射值大小的频率变化。直方图可以统计光谱图像中具有相同密度的像素点的数量,以简单的方式描述图像中包含的统计学信息,这种定量研究方式有利于克服定性分析带来的主观偏倚。霉变稻谷的近红外图像的直方图分布数据，提供了图像各像素反射值在最小值与最大值之间分布的信息，其偏度和峰度表征了直方图的形状特征。偏度反映了图像数据中近红外光谱反射值分布偏离对称的情况，若其值为正该分布呈现右侧较长尾部,其值为负则有左侧较长尾部。峰度表征直方图中近红外光谱反射值分布倾向，聚集于均值附近或分散于尾端，当峰度为正数时(窄尖峰)，相对于正态分布的直方图形态更加陡峭,该直方图分布更聚集于均值附近，表明霉变稻谷的近红外光谱图像反射值的均质性较好；当波峰较宽且低平时，该直方图分布形态比对应的正态分布形态更加平缓，表明直方图中值分布较分散，表明霉变稻谷的近红外光谱图像反射值的异质性更加明显。

因此，本文中应用直方图技术进一步分析稻谷不同霉变程度的光谱反射值频率分布特性，提取近红外图像有效区域近红外光谱反射值的频率特征，计算霉变稻谷近红外光谱图像的反射值分布频率构成的直方图(依据公式9的数学统计方法)，如图3所示。

图3不同霉变程度稻谷直方图中，横轴表示的是图像的像素反射值，所有图像的像素反射值都集中在0.2～0.8，直方图的纵轴表示像素反射值个数，所有近红外图像均有160×160个像素点。分析稻谷近红外图像的直方图发现(如图3)，如从图中可看出健康稻谷的直方图峰值出现在0.6前后，直方图整体形态偏向坐标系中间右侧部分，而霉变初期的稻谷整体直方图形态在x坐标中间向两侧均匀分布。在发现这样的规律之后，在稻谷图像直方图的基础上，提取0.2～0.8步长为0.1六个连续区间的近红外光谱图像的反射值分布频率即0.2～0.3，0.3～0.4，0.4～0.5，0.5～0.6，0.6～0.7，0.7～0.8。计算稻谷近红外图像直方图中每个区间近红外光谱图像的反射值分布频率计算公式如下：

其中，v

通过600个样本的像素区间频率的计算后，可看出干燥稻谷(健康稻谷)在0.2-0.3区间上分布着零散的几个像素点，而对于轻度和中度霉变的稻谷，在这个区间上有相对于较多的像素点分布。在0.7-0.8区间上干燥稻谷近红外图像分布着较多的像素点，而对于霉变的稻谷来说分布相对减少，有的图像甚至为0。整体来说，这说明干燥稻谷颜色较为清亮，在发生霉变后，稻谷表型发生变化，没有了正常状态下的清亮，由于表面的发灰发暗，导致图像的直方图整体向左偏移，即向像素反射值较小的方向偏移。

3建立稻谷霉变识别BP神经网络模型

3.1神经网络的结构

当稻谷发生霉变时，其表现出来的近红外光谱特征与霉变程度之间，存在着难以用精确数学模型表示的非线性映射关系。由于BP神经网络具有自适应学习和归纳推理能力，能够以指定的任意精度逼近一个非线性函数，为此本文应用前馈神经网络(BP)对稻谷的不同霉变状态进行检测方法。构建BP神经网络的三层结构为14-60-3型，如图4所示。图4神经网络结构的3层节点分别为：输入层、隐含层、以及输出层，各层采用全互连方式，同层之间不存在相互连接。

由于输入的特征值数据数值相差较大，为使特征向量的高维标值达到规范统一，因此对光谱图像数据的多维特征向量进行归一化预处理：

式中,x(i,j)为指标特征值归一化的向量，x

该神经网络模型的输入层为14个节点，分别为霉变稻谷的上述8个纹理特征和6个近红外光谱图像的反射值分布频率的区间(即0.2～0.3，0.3～0.4，0.4～0.5，0.5～0.6，0.6～0.7，0.7～0.8)。令输入向量为x∈R

定义隐含层的输出向量v∈R

其中，激活函数

该神经网络模型的输出向量为y∈R

至此，建立了稻谷霉变程度识别的前馈神经网络模型。

3.2神经网络的学习算法

该网络模型学习算法为有导师学习方法，学习过程就是对网络各连接权和阈值等参数，按照给定的梯度下降算法进行调整，最终使得网络输出与实际值的误差达到目标精度。如果学习样本个数为P(P＝540)，则P个样本的全局误差E则为：

其中，

式中，η表示学习速率，α为惯性系数。

应用公式(14)-(15)可得稻谷霉变程度识别的前馈神经网络参数更新规则。

3.3稻谷霉变检测模型应用

3.3.1训练网络结构参数

在牡响、早香、彩稻三个品种的不同霉变状态中，选择健康、霉变初期、以及中度霉变的稻谷数据各180组，共计540组特征作为训练样本。在网络实际训练时，设定目标精度为0.06，学习速度为0.8，最大学习次数为30000。BP神经网络迭代次数为28455次，满足设定精度误差为0.06，收敛速度快且比较稳定，并符合神经网络设置的限制要求。

3.3.2模型仿真应用

基于训练好的前馈神经网络作为稻谷霉变检测流程为：1)采集不同霉变状态的稻谷的NIR图像并预处理数据；2)计算NIR图像纹理特征(即NIR图像的均值、标准差、平滑度、三阶距、一致性、信息熵、平均梯度、分形维数)和频域(近红外光谱图像的反射值分布频率的区间，即0.2～0.3，0.3～0.4，0.4～0.5，0.5～0.6，0.6～0.7，0.7～0.8)共计14维度的数字特征；3)将以上14维数字向量输入训练好的神经网络，计算网络模型前向输出值；4)解析网络输出值至稻谷霉变程度编码向量并输出检测结果。具体流程如图5所示。

在以上牡响、早香、彩稻三个品种的不同霉变状态的全部样本中，选取其余的健康、霉变初期、以及中度霉变的稻谷数据各20组，共计60组数据作为测试样本，对3.3.1节已训练好的稻谷霉变检测模型进行测试。仿真试验过程中，BP神经网络的实际输入值所对应稻谷健康状态，其二进制编码的解码映射规则为：当网络输出层节点的计算值Y

4结论

本文针对稻谷储运过程发生霉变时，传统稻谷霉变检测过程繁琐且耗时较长的不足，提出了基于近红外光谱图像处理技术和神经网络的稻谷霉变程度检测模型，实现稻谷霉变程度无损检测的新方法，能够为仓储稻谷霉变程度的自动快速提供技术支持。

(1)本文应用数字图像处理技术结合光谱图像分析方法，提取了近红外图像的纹理特征(均值、标准差、平滑度、三阶距、一致性、信息熵、平均梯度、分形维数)以及像素6个区间的频率(0.2～0.3，0.3～0.4，0.4～0.5，0.5～0.6，0.6～0.7，0.7～0.8)，共计14个特征值，为稻谷霉变检测提供有效可靠的特征参数。

(2)以研究提取NIR图像的特征向量为依据，利用前馈神经网络(BP)自适应推理机制，建立稻谷霉变程度与其近红外图像特征之间映射模型，其神经网络结构为14-60-3型，该训练好神经网络输入与输出之间的相关系数R为0.85，对于稻谷霉变情况的检测准确率达到93.33％，解决了稻谷霉变程度与NIR光谱成像特征值之间非线性映射关系的数学建模问题。

对比例1

在与实施例1实验样本相同的情况下，实施例1提出的BP神经网络检测方法，与径向基神经网络(RBF)进行了实验对比，其结果如下表：

霉变识别不同方法的性能参数对比

从上表中可以看出，两种种稻谷霉变识别模型的网络目标精度都相同的情况下，采用BP网络训练的方法准确率比较高，采用径向基神经网络进行仿真试验得到的准确率仅为63.66％，且BP神经网络和RBF神经网络的均方根误差分别为0.04626，0.18627。且BP网络结构更为简单，参数传递的层数较少，预测的准确率BP神经网络有着明显的优势，所以基于BP神经网络的稻谷霉变识别模型表现力要更好，更满足对于准确率的要求。

虽然，上文中已经用一般性说明及具体实施方案对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。