一种大米贮藏年份无损识别方法及装置

本发明涉及农产品检测，尤其涉及一种大米贮藏年份无损识别方法及装置。

背景技术：

1、大米是重要的主粮作物，在居民膳食、粮食储备和市场供应体系中具有基础地位。大米贮藏年限的判定主要依赖脂肪酸值、过氧化值、挥发性成分及其他理化指标的离线检测。这类方法通常具有较高可靠性，但往往需要破坏性取样、样品前处理、化学试剂和较长检测周期，难以满足粮食收储、市场流通和现场监管对快速、连续、低成本筛查的实际需求。

2、大米贮藏陈化涉及内部化学演化和外部表征变化，因而需要从不同尺度提取和整合高光谱信息。尽管近红外光谱和高光谱技术能够捕获大米贮藏年份相关信息，现有方法在信息组织和利用方式上仍存在改进空间。现有技术中主要围绕平均光谱与机器学习模型展开，贮藏年份也多以光谱响应作为主要判别依据。部分研究引入水分、脂肪酸或比色传感阵列等辅助信息，但对vis-nir图像立方中平均光谱和空间纹理两类信息的联合利用不够充分，导致检测精度较低。因此，相邻贮藏年份样品区分仍面临识别精度方面的挑战。

3、因此，急需提出一种大米贮藏年份无损识别方法及装置，解决现有技术中大米贮藏年份多以光谱响应作为主要判别依据，对vis-nir图像立方中平均光谱和空间纹理两类信息的联合利用不够充分，导致检测精度较低的技术问题。

技术实现思路

1、有鉴于此，有必要提供一种大米贮藏年份无损识别方法及装置，用以解决现有技术中大米贮藏年份多以光谱响应作为主要判别依据，对vis-nir图像立方中平均光谱和空间纹理两类信息的联合利用不够充分，导致检测精度较低的技术问题。

2、为了解决上述问题，第一方面，本发明提供一种大米贮藏年份无损识别方法，包括：

3、获取待检测大米的高光谱图像集；所述高光谱图像集包括近红外光谱图像集和短波红外光谱图像集；

4、分别对所述近红外光谱图像集和所述短波红外光谱图像集进行分割提取，得到所有单粒米区域，并对每个单粒米区域的光谱向量和局部图像进行处理，得到近红外平均光谱数据、短波红外平均光谱数据和三维光谱图像；

5、对所述近红外平均光谱数据和所述短波红外平均光谱数据进行信息融合，得到双谱段光谱特征向量；

6、基于所述三维光谱图像进行局部二值模式纹理特征的提取，得到多光谱纹理特征向量；

7、对所述双谱段光谱特征向量和所述多光谱纹理特征向量进行信息融合之后输入至svm分类模型，输出所述待检测大米的贮藏年份识别结果。

8、在一种可能的实现方式中，所述分别对所述近红外光谱图像集和所述短波红外光谱图像集进行分割提取，得到所有单粒米区域，包括：

9、采用标准黑白校正方法将所述高光谱图像集中的图像进行转换，得到反射率图像集；

10、基于分割算法对所述反射率图像集中的所述近红外光谱图像集和所述短波红外光谱图像集分别进行分割提取，得到所有单粒米区域。

11、在一种可能的实现方式中，所述对每个单粒米区域的光谱向量和局部图像进行处理，得到近红外平均光谱数据、短波红外平均光谱数据和三维光谱图像，包括：

12、分别对所述近红外光谱图像集和所述短波红外光谱图像集的所述每个单粒米区域的光谱向量进行计算，得到所述每个单粒米区域的近红外平均光谱数据和短波红外平均光谱数据；

13、根据所述近红外光谱图像集对所述每个单粒米区域的局部图像进行重建，得到三维光谱图像。

14、在一种可能的实现方式中，所述对所述近红外平均光谱数据和所述短波红外平均光谱数据进行信息融合，得到双谱段光谱特征向量，包括：

15、根据所述所有单粒米区域的所述近红外平均光谱数据和所述短波红外平均光谱数据，得到近红外光谱和短波红外光谱；

16、通过多元散射校正对所述近红外光谱和所述短波红外光谱进行归一化预处理，得到近红外有效光谱和短波红外有效光谱；

17、通过主成分分析方法对所述近红外有效光谱和所述短波红外有效光谱进行降维，得到近红外数据向量和短波红外数据向量；

18、分别对所述近红外数据向量和所述短波红外数据向量进行标准化，得到近红外主成分得分向量和短波红外主成分得分向量；

19、根据所述近红外主成分得分向量和所述短波红外主成分得分向量中的样本将同一个单粒米区域的近红外特征与短波红外特征进行拼接，得到双谱段光谱特征向量。

20、在一种可能的实现方式中，所述基于所述三维光谱图像进行局部二值模式纹理特征的提取，得到多光谱纹理特征向量，包括：

21、对所述三维光谱图像进行cars筛选，得到特征光谱图像集合；

22、对所述特征光谱图像集合中的图像进行局部二值模式纹理特征的提取，得到局部二值模式纹理向量；

23、将所述特征光谱图像集合与所述局部二值模式纹理向量进行串联，得到多光谱纹理特征向量。

24、在一种可能的实现方式中，所述对所述三维光谱图像进行cars筛选，得到特征光谱图像集合，包括：

25、基于cars算法确定的最优波长子集对所述三维光谱图像进行cars筛选，得到cars入选通道；

26、将所述cars入选通道进行两两组合，得到多组特征；

27、根据所述多组特征和所述三维光谱图像构建归一化差异指数图，得到多个指数图；

28、采用fisher准则对所述多个指数图进行评分，得到得分最高的三对指数图；

29、根据所述cars入选通道在所述三维光谱图像中的所有单通道图像和所述三个指数图，构建特征光谱图像集合。

30、在一种可能的实现方式中，所述对所述双谱段光谱特征向量和所述多光谱纹理特征向量进行信息融合之后输入至svm分类模型，输出所述待检测大米的贮藏年份识别结果，包括：

31、根据所述双谱段光谱特征向量和所述多光谱纹理特征向量，得到最终输入向量；

32、将所述最终输入向量输入至所述svm分类模型，输出所述待检测大米的贮藏年份识别结果。

33、在一种可能的实现方式中，所述基于cars算法确定的最优波长子集，包括：

34、获取多个已知贮藏年份大米的历史高光谱图像集；所述历史高光谱图像集包括每个已知贮藏年份大米的类别标签；

35、以所述历史近红外平均光谱数据作为竞争自适应重加权采样的输入进行加权采样，并在每次加权采样的过程中通过偏最小二乘回归系数计算波长重要性权重，按指数衰减函数逐步剔除低权重变量，对所有波长子集进行3折交叉验证，得到每个波长子集的均方根误差，并将所述均方根误差的最小值对应的波长子集确定为当前迭代输出的最终推荐子集；

36、对所有波长子集进行3折交叉验证，得到当前波长子集的均方根误差以及对应的幸存者波段组合；

37、将所述均方根误差为最小值的幸存者波段组合确定为最优波长子集。

38、在一种可能的实现方式中，所述cars算法的确定过程包括：

39、在通过所述历史高光谱图像集得到历史近红外平均光谱数据之后，以所述历史近红外平均光谱数据和所述类别标签作为lasso模型的输入，通过调节惩罚系数将所述历史近红外平均光谱数据中所述惩罚系数非零的波段作为入选特征，并对所有入选特征对应的波段进行组合，得到最优波段组合；

40、将所述最优波长子集和所述最优波段组合进行分析比较，确定所述cars算法的最优波长子集优于lasso算法的最优波段组合。

41、第二方面，本发明还提供了一种大米贮藏年份无损识别装置，包括：

42、图像获取模块，用于获取待检测大米的高光谱图像集；所述高光谱图像集包括近红外光谱图像集和短波红外光谱图像集；

43、平均光谱确定模块，用于分别对所述近红外光谱图像集和所述短波红外光谱图像集进行分割提取，得到所有单粒米区域，并对每个单粒米区域的光谱向量和局部图像进行处理，得到近红外平均光谱数据、短波红外平均光谱数据和三维光谱图像；

44、光谱融合模块，用于对所述近红外平均光谱数据和所述短波红外平均光谱数据进行信息融合，得到双谱段光谱特征向量；

45、纹理识别模块，用于基于所述三维光谱图像进行局部二值模式纹理特征的提取，得到多光谱纹理特征向量；

46、年份确定模块，用于对所述双谱段光谱特征向量和所述多光谱纹理特征向量进行信息融合之后输入至svm分类模型，输出所述待检测大米的贮藏年份识别结果。

47、本发明的有益效果是：获取待检测大米的高光谱图像集；高光谱图像集包括近红外光谱图像集和短波红外光谱图像集；分别对近红外光谱图像集和短波红外光谱图像集进行分割提取，得到所有单粒米区域，并对每个单粒米区域的光谱向量和局部图像进行处理，得到近红外平均光谱数据、短波红外平均光谱数据和三维光谱图像；对近红外平均光谱数据和短波红外平均光谱数据进行信息融合，得到双谱段光谱特征向量；基于三维光谱图像进行局部二值模式纹理特征的提取，得到多光谱纹理特征向量；对双谱段光谱特征向量和多光谱纹理特征向量进行信息融合之后输入至svm分类模型，输出待检测大米的贮藏年份识别结果；本发明不仅以近红外平均光谱数据和短波红外平均光谱数据的双谱段光谱特征向量作为了判断依据，还以三维光谱图像的局部二值模式纹理特征组合的多光谱纹理特征向量作为判断依据，从而将三维光谱图像中的平均光谱和空间纹理进行了联合，从而通过平均光谱对内部化学演化进行检测，通过空间纹理对外部变化进行检测，通过内外联合检测提高了检测精度。