（2）用于識別霉變花生的波長特征（WFs）
在不同波長和尺度下，計算了每個樣本光譜的小波系數，圖 5 展示了健康與霉變花生樣本的平均光譜結果。隨后，通過計算不同類別小波系數之間的 J-M 距離，生成了一張指示WFs光譜敏感性和區分能力的尺度圖（圖 6）。在本研究中，頂部 1% 元素的閾值 J-M 值為 1.70，基于該閾值篩選出五個對霉變花生高度敏感的小波特征區域（圖 6 中的橙*區域）。如圖 6 所示，這些敏感特征區域主要集中在 1000–1500 納米的波長范圍內。該波長區域的光譜曲線形狀在健康與霉變花生之間表現出顯著差異（圖 4）。在每個特征區域中，選取 J-M 距離*大的點，*終選擇了五個用于區分霉變與健康花生的小波特征。它們的具體波長和尺度見表 1 。
1005納米、1045納米和1410納米的波段分別與花生中的纖維素、油脂和水分有關，這些是花生的主要組成部分。在其他波段中，1422納米和1518納米與1430納米和1510納米相似，與總**感染有關。1430納米波段可以歸因于蔗糖/淀粉的O?H伸縮**泛音，而1510納米對應于O?H變形羥基和C?O伸縮的第三泛音，這可以歸因于角質層和β-葡聚糖。
圖5.不同尺度下健康與霉變花生平均光譜的小波系數
圖6.用于提取WFs的連續小波分析的J-M距離尺度圖
（3）通過SPA進行*佳波段選擇
每個類別的樣本按照2:1的比例被隨機分為校準和驗證數據，并根據RMSE選擇*佳波段的數量。校準和驗證數據的隨機分割導致了在不同實現中選擇的波長有所變化；因此，為了選擇*佳波段，樣本分割和SPA程序被重復執行。在進行了五次樣本分割和SPA程序后，比較了產生的五組波長，并選擇了至少有3組共同認同的波長。*終，確定了七個波長（1005納米、1208納米、1450納米、1927納米、2078納米、2190納米和2251納米）作為識別霉變花生的*佳波段，如圖4所示。我們可以看到，在*佳波段和WFs之間只有一個共同的波段（1005納米）。這主要是由于兩種方法的選擇標準不同，CWT主要捕捉光譜形狀的差異，而SPA主要選擇具有*小共線性的波段。在其他波段中，1208納米對應于淀粉分子吸收相關的C?H**泛音和**泛音以及C?H組合；1450納米波段可以歸因于花生中的蛋白質含量；1927納米波段，與1930納米相似，可能歸因于淀粉的O?H伸縮/HOH變形組合；2078納米波段，與2090納米相似，與總**感染有關。其他波段，2190納米和2251納米，更接近2200納米和2270納米，可能分別歸因于?CHO的C–H伸縮/C=O伸縮組合和纖維素的O?H伸縮/C?O伸縮組合。
（4）WFs性能評估
使用五個WFs和七個*佳波段作為輸入變量，結合PLS-DA和SVM建立了分類模型。對于WFs和*佳波段，PLS-DA的理想LVs數量分別為3和6。對于SVM參數（C，σ），采用了基于網格的方法和五折交叉驗證進行優化，WFs和*佳波段的*優SVM模型對應的（C，σ）分別為（1，0.5）和（100，0.5）。然后，對花生仁中的每個像素進行了分類，使用SVM對HY（健康與霉變）的分類結果可見于圖7。
圖7.使用SVM對訓練數據集進行逐像素分類的結果，其中(a)使用*佳波段，(b)使用WFs；對測試數據集進行逐像素分類的結果，其中(c)使用*佳波段，(d)使用WFs
在逐像素分類后，使用受**污染的像素數量與總花生像素數量的比率來確定花生仁是否受到污染。比率低于0.05、0.1和0.15的閾值分別被認為是健康花生。圖8顯示了β=0.15和SVM時HY的核尺度分類結果，定量結果如表2所示。從圖8中我們可以看到，對于訓練數據，無論使用WFs還是*佳波段，兩種分類器和閾值都能正確識別健康和霉變花生。相比之下，對于測試數據，如表2所示，WFs在使用兩種分類器的三個閾值上的整體準確度上都優于*佳波段。此外，使用WFs的靈敏度和特異性高于或等于使用*佳波段，表明WFs在健康和霉變花生分類中的性能更佳。CWT能夠在不同尺度上分離吸收特征，將狹窄和寬的吸收特征分別分離到低尺度和高尺度。這種特性的好處是可以實現對WFs的**調查，從而能夠選擇*佳的光譜特征。
圖8.使用SVM對訓練數據集進行核尺度分類的結果，其中(a)使用*佳波段，(b)使用WFs；對測試數據集進行核尺度分類的結果，其中(c)使用*佳波段，(d)使用WFs。白色圓圈表示被誤分類的花生仁
在此，我們使用了一個閾值來確定花生仁是否霉變。理論上，較小的閾值更好，因為它可以避免將霉變的花生誤判為健康的花生。相反，較小的閾值可能會增加將健康花生仁誤判為霉變的風險，這可能會導致因錯誤丟棄而造成的經濟損失。因此，確定閾值至關重要。考慮到使用0.05、0.1和0.15的不同分類器的整體分類結果，本文推薦使用0.1作為折中的閾值。但是，未來應該探索一種可靠的閾值確定方法。此外，盡管本研究表明，通過結合CWT和高光譜成像技術，有可能以相對較高的準確度識別霉變花生，但本研究得到的特征和模型可能仍不適合實際應用于多樣化的花生。不過，本研究中描述的特征提取和建模方法可以作為開發核心算法的參考。
結論
健康和霉變的花生在對短波紅外光的光譜響應上表現出顯著差異。在本研究中， CWT被應用于高光譜分類框架中，以提取特征來識別霉變花生。確定了五個WFs用于將花生分類為健康或霉變。本文展示的結果表明，WFs結合PLS-DA或SVM有希望識別出花生仁上的霉變——測試數據的準確度至少為96.19%。這比使用由SPA獲得的*佳波段進行分類的性能更好。未來的研究應包括更多樣化和不同種類的花生樣本，建立霉變嚴重程度評估方法，對不同霉菌的霉變花生進行分類，并建立更可靠的閾值確定方法。這些改進可以增強所選WFs的魯棒性。
推薦產品
GaiaSorter
作者簡介（人名+單位+博導/碩導）
通訊作者：蔣金豹，中國礦業大學，博士生導師
參考文獻
論文引用自二區文章：Xiaotong Qi, Jinbao Jiang, Ximin Cui, Deshuai Yuan (2019). Moldy Peanut Kernel Identification Using Wavelet Spectral Features Extracted from Hyperspectral Images. Food Analytical Methods. https://doi.org/10.1007/s12161-019-01670-w
