基于高光譜不同層次信息融合的馬鈴薯輕微損傷檢測：方法與應(yīng)用一、引言1.1研究背景與意義馬鈴薯作為全球第四大重要糧食作物，在糧食安全和農(nóng)業(yè)經(jīng)濟(jì)領(lǐng)域扮演著舉足輕重的角色。中國作為馬鈴薯的生產(chǎn)和消費大國，2023年播種面積穩(wěn)定在約7000萬畝，產(chǎn)量將近9000萬噸，均占世界的四分之一左右，產(chǎn)量多年居世界第一，其產(chǎn)業(yè)的健康發(fā)展對于保障國家糧食安全、促進(jìn)農(nóng)民增收以及推動農(nóng)業(yè)現(xiàn)代化進(jìn)程具有深遠(yuǎn)意義。在馬鈴薯的整個生命周期中，從種植、收獲到儲存、運輸及加工等各個環(huán)節(jié)，都極易遭受諸如機(jī)械碰撞、擠壓、凍害、病害侵蝕等多種類型的損傷。這些損傷不僅會導(dǎo)致馬鈴薯的外觀品質(zhì)大打折扣，影響其市場銷售形象，還會顯著降低其內(nèi)在的營養(yǎng)價值，甚至可能滋生有害微生物，引發(fā)食品安全隱患，進(jìn)而縮短其貨架期，造成巨大的經(jīng)濟(jì)損失。據(jù)相關(guān)統(tǒng)計數(shù)據(jù)顯示，每年因各種損傷導(dǎo)致的馬鈴薯損失率高達(dá)10%-30%，這無疑給馬鈴薯產(chǎn)業(yè)帶來了沉重的負(fù)擔(dān)。傳統(tǒng)的馬鈴薯損傷檢測方法，如依靠人工進(jìn)行目視檢查，這種方式不僅效率極為低下，難以滿足大規(guī)模生產(chǎn)和快速檢測的需求，而且檢測結(jié)果極易受到檢測人員的主觀經(jīng)驗、疲勞程度以及判斷標(biāo)準(zhǔn)不一致等因素的影響，導(dǎo)致檢測的準(zhǔn)確性和可靠性無法得到有效保障。機(jī)器視覺技術(shù)雖然在一定程度上提高了檢測效率，但其僅僅依賴于物體的表面顏色、形狀等有限的視覺特征信息，對于輕微損傷，尤其是那些尚未引起明顯外觀變化的損傷，往往難以準(zhǔn)確識別和檢測。高光譜成像技術(shù)作為一種新興的無損檢測技術(shù)，融合了傳統(tǒng)的成像技術(shù)和光譜分析技術(shù)的優(yōu)勢，能夠同時獲取被測物體在數(shù)百個連續(xù)光譜波段下的二維空間圖像信息和一維光譜信息，形成一個包含豐富信息的“數(shù)據(jù)立方體”。其光譜分辨率通?？蛇_(dá)2-3nm，能夠捕捉到物體在不同波長下的細(xì)微光譜差異，這些差異蘊含著物體的物質(zhì)組成、結(jié)構(gòu)特征等重要信息，為精準(zhǔn)檢測和分析提供了可能。在農(nóng)產(chǎn)品品質(zhì)檢測領(lǐng)域，高光譜成像技術(shù)已展現(xiàn)出卓越的應(yīng)用潛力和優(yōu)勢，能夠?qū)崿F(xiàn)對農(nóng)產(chǎn)品內(nèi)部品質(zhì)和外部缺陷的快速、準(zhǔn)確、無損檢測。通過對馬鈴薯高光譜圖像的深入分析，可以獲取其表面及內(nèi)部的化學(xué)成分、組織結(jié)構(gòu)等多維度信息，從而實現(xiàn)對輕微損傷的早期、精準(zhǔn)檢測。然而，高光譜圖像數(shù)據(jù)量龐大，包含大量冗余信息，如何從海量數(shù)據(jù)中有效提取和利用與損傷相關(guān)的關(guān)鍵信息，成為了高光譜成像技術(shù)在馬鈴薯損傷檢測應(yīng)用中的關(guān)鍵難題?；诖?，本研究致力于探索基于高光譜不同層次信息融合的馬鈴薯輕微損傷檢測方法，旨在充分挖掘高光譜圖像中豐富的信息資源，通過數(shù)據(jù)層、特征層和決策層等不同層次的信息融合策略，實現(xiàn)對馬鈴薯輕微損傷的高效、準(zhǔn)確檢測。這不僅有助于填補(bǔ)馬鈴薯輕微損傷檢測領(lǐng)域在技術(shù)和方法上的空白，為馬鈴薯產(chǎn)業(yè)提供一種全新的、可靠的檢測手段，還能有效提升馬鈴薯的品質(zhì)分級精度，減少因損傷導(dǎo)致的經(jīng)濟(jì)損失，保障消費者的食品安全，對于推動馬鈴薯產(chǎn)業(yè)的高質(zhì)量、可持續(xù)發(fā)展具有重要的現(xiàn)實意義和應(yīng)用價值。1.2國內(nèi)外研究現(xiàn)狀高光譜成像技術(shù)在馬鈴薯損傷檢測領(lǐng)域的研究起步于21世紀(jì)初，隨著傳感器技術(shù)、計算機(jī)技術(shù)以及數(shù)據(jù)分析算法的不斷發(fā)展，該領(lǐng)域的研究取得了一系列顯著成果。國外對高光譜技術(shù)檢測馬鈴薯損傷的研究開展較早，在基礎(chǔ)理論和應(yīng)用技術(shù)方面進(jìn)行了大量探索。JinghuiWang等人運用高光譜成像技術(shù)，對馬鈴薯的機(jī)械損傷進(jìn)行檢測研究。通過分析損傷區(qū)域與正常區(qū)域在不同波段下的光譜反射率差異，發(fā)現(xiàn)損傷后的馬鈴薯在近紅外波段（700-1000nm）的光譜特征發(fā)生了明顯變化，基于此建立了損傷檢測模型，對馬鈴薯機(jī)械損傷的識別準(zhǔn)確率達(dá)到了85%以上，為后續(xù)相關(guān)研究奠定了重要基礎(chǔ)。HuahuiLi團(tuán)隊則聚焦于馬鈴薯擦傷的檢測，利用變量選擇方法從高光譜數(shù)據(jù)中篩選出與擦傷相關(guān)性最強(qiáng)的特征波段，有效減少了數(shù)據(jù)量，提高了檢測效率，所構(gòu)建的檢測模型對馬鈴薯擦傷的識別率達(dá)到了90%左右，進(jìn)一步推動了高光譜技術(shù)在馬鈴薯損傷檢測中的應(yīng)用。國內(nèi)相關(guān)研究雖起步相對較晚，但發(fā)展迅速。丁輝Dong等學(xué)者對高光譜成像技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測方面的應(yīng)用進(jìn)行了全面綜述，詳細(xì)闡述了該技術(shù)在馬鈴薯損傷檢測中的原理、方法和應(yīng)用潛力，為國內(nèi)開展馬鈴薯高光譜檢測研究提供了理論指導(dǎo)。湯哲君等人以凍傷、機(jī)械損傷、摔傷和正常的馬鈴薯為樣本，進(jìn)行高光譜成像試驗。通過主成分分析實現(xiàn)數(shù)據(jù)降維，提取均值、標(biāo)準(zhǔn)差等6個描繪子組成特征向量，分別輸入貝葉斯分類器、BP神經(jīng)網(wǎng)絡(luò)和SVM神經(jīng)網(wǎng)絡(luò)進(jìn)行識別。結(jié)果表明，SVM神經(jīng)網(wǎng)絡(luò)模型對馬鈴薯外部損傷的識別率最高，達(dá)到了88%，為馬鈴薯損傷檢測模型的構(gòu)建提供了新的思路和方法。盡管國內(nèi)外在利用高光譜成像技術(shù)檢測馬鈴薯損傷方面已取得一定成果，但仍存在一些問題與不足。一方面，目前多數(shù)研究主要針對馬鈴薯的明顯損傷，如嚴(yán)重的機(jī)械損傷、大面積凍傷等，對于輕微損傷的檢測研究相對較少。而在實際生產(chǎn)和流通中，輕微損傷往往容易被忽視，卻會隨著時間推移逐漸發(fā)展，影響馬鈴薯的品質(zhì)和貨架期，因此亟需加強(qiáng)對輕微損傷檢測技術(shù)的研究。另一方面，在高光譜數(shù)據(jù)處理和分析方面，現(xiàn)有的算法和模型在特征提取的準(zhǔn)確性、信息融合的有效性以及模型的泛化能力等方面還有待進(jìn)一步提高。部分算法計算復(fù)雜度高，導(dǎo)致檢測效率較低，難以滿足實際生產(chǎn)中的快速檢測需求；同時，不同研究中所采用的樣本類型、采集條件和數(shù)據(jù)處理方法存在差異，使得研究結(jié)果之間缺乏可比性，不利于形成統(tǒng)一的檢測標(biāo)準(zhǔn)和方法體系。此外，在多源信息融合方面，雖然已有一些嘗試將高光譜圖像信息與其他信息（如紋理信息、形態(tài)信息等）進(jìn)行融合的研究，但融合的層次和方式還比較單一，未能充分挖掘和利用各種信息之間的互補(bǔ)性和協(xié)同作用，限制了檢測性能的進(jìn)一步提升。1.3研究內(nèi)容與方法1.3.1研究內(nèi)容本研究將圍繞馬鈴薯輕微損傷檢測展開，具體內(nèi)容如下：馬鈴薯高光譜圖像數(shù)據(jù)采集：選取不同品種、生長環(huán)境的馬鈴薯樣本，模擬實際生產(chǎn)中可能出現(xiàn)的輕微損傷情況，如輕微機(jī)械碰撞、輕微凍傷等。利用高光譜成像儀在實驗室環(huán)境下采集馬鈴薯樣本的高光譜圖像數(shù)據(jù)，確保采集條件的一致性，包括光照強(qiáng)度、成像距離、樣本擺放位置等。同時，記錄每個樣本的詳細(xì)信息，如品種、損傷類型、損傷程度、采集時間等，構(gòu)建高質(zhì)量的馬鈴薯高光譜圖像數(shù)據(jù)集。高光譜數(shù)據(jù)預(yù)處理：針對采集到的原始高光譜圖像數(shù)據(jù)，進(jìn)行輻射校正、暗電流校正、壞像元修復(fù)等預(yù)處理操作，以消除因儀器噪聲、環(huán)境因素等導(dǎo)致的誤差，提高數(shù)據(jù)的質(zhì)量和可靠性。運用光譜平滑、基線校正等方法對光譜數(shù)據(jù)進(jìn)行優(yōu)化，減少光譜中的干擾信息，突出與馬鈴薯輕微損傷相關(guān)的特征信號。不同層次信息提取與融合：在數(shù)據(jù)層，直接對預(yù)處理后的高光譜圖像數(shù)據(jù)進(jìn)行融合，將多個波段的圖像信息整合在一起，為后續(xù)分析提供更全面的數(shù)據(jù)基礎(chǔ)；在特征層，分別提取馬鈴薯高光譜圖像的光譜特征（如特征波段的反射率、光譜斜率等）和空間特征（如紋理特征、形狀特征等），然后將這些特征進(jìn)行融合，充分利用不同類型特征所包含的信息；在決策層，基于不同的分類算法（如支持向量機(jī)、隨機(jī)森林等）對高光譜數(shù)據(jù)進(jìn)行分類，得到多個分類決策結(jié)果，再將這些決策結(jié)果進(jìn)行融合，以提高檢測的準(zhǔn)確性和可靠性。馬鈴薯輕微損傷檢測模型構(gòu)建：基于融合后的信息，選用合適的機(jī)器學(xué)習(xí)算法（如深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等）和傳統(tǒng)統(tǒng)計學(xué)習(xí)算法（如線性判別分析、邏輯回歸等）構(gòu)建馬鈴薯輕微損傷檢測模型。通過對訓(xùn)練集數(shù)據(jù)的學(xué)習(xí)和訓(xùn)練，優(yōu)化模型的參數(shù)和結(jié)構(gòu)，使其能夠準(zhǔn)確地識別馬鈴薯的輕微損傷情況。模型驗證與優(yōu)化：利用獨立的測試集數(shù)據(jù)對構(gòu)建的檢測模型進(jìn)行驗證，評估模型的性能指標(biāo)，如準(zhǔn)確率、召回率、F1值、精確率等。通過交叉驗證、網(wǎng)格搜索等方法對模型進(jìn)行優(yōu)化，調(diào)整模型的參數(shù)和結(jié)構(gòu)，提高模型的泛化能力和檢測精度。同時，對比不同信息融合策略和模型算法下的檢測結(jié)果，分析其優(yōu)缺點，確定最優(yōu)的檢測方案。1.3.2研究方法本研究將綜合運用多種研究方法，確保研究的科學(xué)性和有效性：實驗研究法：設(shè)計并開展馬鈴薯高光譜圖像采集實驗，嚴(yán)格控制實驗條件，獲取高質(zhì)量的實驗數(shù)據(jù)。通過設(shè)置不同的損傷類型、損傷程度和樣本批次，全面研究高光譜成像技術(shù)在馬鈴薯輕微損傷檢測中的應(yīng)用效果。在實驗過程中，對實驗設(shè)備進(jìn)行校準(zhǔn)和調(diào)試，確保數(shù)據(jù)采集的準(zhǔn)確性和可靠性。同時，采用隨機(jī)抽樣的方法選取樣本，避免樣本選擇偏差對實驗結(jié)果的影響。數(shù)據(jù)分析方法：運用統(tǒng)計學(xué)方法對采集到的高光譜數(shù)據(jù)進(jìn)行分析，如均值、標(biāo)準(zhǔn)差、相關(guān)性分析等，了解數(shù)據(jù)的基本特征和分布規(guī)律。采用主成分分析（PCA）、線性判別分析（LDA）等降維方法對高光譜數(shù)據(jù)進(jìn)行處理，降低數(shù)據(jù)維度，減少數(shù)據(jù)冗余，同時保留數(shù)據(jù)中的關(guān)鍵信息。利用光譜分析技術(shù)，如光譜特征提取、波段選擇等，挖掘與馬鈴薯輕微損傷相關(guān)的光譜特征，為后續(xù)的模型構(gòu)建提供數(shù)據(jù)支持。機(jī)器學(xué)習(xí)與深度學(xué)習(xí)方法：利用支持向量機(jī)（SVM）、隨機(jī)森林（RF）、樸素貝葉斯（NB）等傳統(tǒng)機(jī)器學(xué)習(xí)算法對馬鈴薯高光譜數(shù)據(jù)進(jìn)行分類和建模。這些算法具有成熟的理論基礎(chǔ)和廣泛的應(yīng)用經(jīng)驗，能夠在一定程度上解決馬鈴薯輕微損傷檢測問題。引入深度學(xué)習(xí)算法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體（如長短期記憶網(wǎng)絡(luò)LSTM、門控循環(huán)單元GRU等），充分利用深度學(xué)習(xí)在自動特征提取和復(fù)雜模式識別方面的優(yōu)勢，提高檢測模型的性能。通過對大量高光譜數(shù)據(jù)的學(xué)習(xí)，深度學(xué)習(xí)模型能夠自動提取到更具代表性的特征，從而實現(xiàn)對馬鈴薯輕微損傷的更準(zhǔn)確檢測。對比研究法：對比不同信息融合層次（數(shù)據(jù)層、特征層、決策層）下的馬鈴薯輕微損傷檢測效果，分析各層次融合的優(yōu)勢和不足，確定最優(yōu)的融合策略。比較不同機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法在馬鈴薯輕微損傷檢測中的性能表現(xiàn)，包括準(zhǔn)確率、召回率、F1值、訓(xùn)練時間、模型復(fù)雜度等指標(biāo)，選擇最適合本研究的算法模型。通過對比研究，為基于高光譜不同層次信息融合的馬鈴薯輕微損傷檢測方法提供科學(xué)依據(jù)和技術(shù)支持。1.4研究創(chuàng)新點多源高光譜信息融合新思路：突破傳統(tǒng)單一信息利用的局限，提出從數(shù)據(jù)層、特征層和決策層三個不同層次對馬鈴薯高光譜圖像的多源信息進(jìn)行融合分析的創(chuàng)新思路。通過數(shù)據(jù)層融合，保留原始數(shù)據(jù)的完整性和細(xì)節(jié)信息，為后續(xù)分析提供全面的數(shù)據(jù)基礎(chǔ)；在特征層融合光譜特征與空間特征，充分挖掘不同類型特征之間的互補(bǔ)性；決策層融合不同分類算法的決策結(jié)果，有效提高檢測的準(zhǔn)確性和可靠性。這種多源信息融合的方式能夠更全面、深入地挖掘高光譜圖像中蘊含的與馬鈴薯輕微損傷相關(guān)的信息，為馬鈴薯輕微損傷檢測提供了全新的視角和方法。開發(fā)新的信息融合算法：針對高光譜數(shù)據(jù)量大、信息復(fù)雜的特點，開發(fā)適用于不同層次信息融合的新算法。在數(shù)據(jù)層融合中，提出基于深度學(xué)習(xí)的自適應(yīng)融合算法，該算法能夠根據(jù)高光譜圖像數(shù)據(jù)的特點，自動調(diào)整融合權(quán)重，實現(xiàn)對不同波段圖像信息的最優(yōu)融合，有效提高數(shù)據(jù)融合的精度和效率。在特征層融合中，設(shè)計基于特征選擇與降維的融合算法，通過引入改進(jìn)的粒子群優(yōu)化算法對光譜特征和空間特征進(jìn)行篩選和降維處理，去除冗余特征，保留關(guān)鍵特征，然后將篩選后的特征進(jìn)行融合，提高特征的有效性和模型的計算效率。在決策層融合中，構(gòu)建基于D-S證據(jù)理論的決策融合算法，充分利用D-S證據(jù)理論處理不確定性信息的優(yōu)勢，將不同分類算法的決策結(jié)果進(jìn)行融合，降低決策的不確定性，提高最終檢測結(jié)果的可信度。建立多模態(tài)融合檢測模型：結(jié)合高光譜圖像的特點和馬鈴薯輕微損傷的特性，建立基于多模態(tài)融合的馬鈴薯輕微損傷檢測模型。將深度學(xué)習(xí)算法（如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等）與傳統(tǒng)機(jī)器學(xué)習(xí)算法（如支持向量機(jī)、隨機(jī)森林等）相結(jié)合，充分發(fā)揮深度學(xué)習(xí)在自動特征提取和復(fù)雜模式識別方面的優(yōu)勢，以及傳統(tǒng)機(jī)器學(xué)習(xí)算法在小樣本學(xué)習(xí)和模型解釋性方面的長處。通過對多源信息融合后的數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，使模型能夠更準(zhǔn)確地識別馬鈴薯的輕微損傷情況。同時，利用遷移學(xué)習(xí)技術(shù)，將在其他相關(guān)領(lǐng)域或數(shù)據(jù)集上訓(xùn)練得到的模型參數(shù)遷移到本研究的檢測模型中，加快模型的收斂速度，提高模型的泛化能力，實現(xiàn)對不同來源、不同條件下馬鈴薯樣本輕微損傷的準(zhǔn)確檢測。二、高光譜成像技術(shù)與信息融合原理2.1高光譜成像技術(shù)概述2.1.1高光譜成像技術(shù)的原理與特點高光譜成像技術(shù)是一種融合了傳統(tǒng)成像技術(shù)與光譜分析技術(shù)的前沿檢測手段，它能夠同時獲取目標(biāo)物體在數(shù)百個連續(xù)光譜波段下的二維空間圖像信息和一維光譜信息，從而生成一個包含豐富信息的“數(shù)據(jù)立方體”。其基本原理是基于不同物質(zhì)對光的反射、吸收和散射特性存在差異，每種物質(zhì)都擁有獨特的光譜“指紋”，就如同人類的指紋一樣獨一無二。當(dāng)光線照射到物體表面時，不同物質(zhì)會對不同波長的光產(chǎn)生不同程度的反射、吸收和散射，高光譜成像系統(tǒng)通過精確捕捉這些光信號，并將其按照波長順序進(jìn)行分離和檢測，進(jìn)而獲得物體在各個波長下的光譜反射率或透射率信息。以光柵分光原理為例，在經(jīng)典物理學(xué)中，光波穿過狹縫、小孔或圓盤等障礙物時，不同波長的光會發(fā)生不同程度的彎散傳播，再通過光柵進(jìn)行衍射分光，形成一條條譜帶?？臻g中的一維信息通過鏡頭和狹縫后，不同波長的光按照不同程度的彎散傳播，這一維圖像上的每個點，再通過光柵進(jìn)行衍射分光，形成一個譜帶，照射到探測器上，探測器上的每個像素位置和強(qiáng)度表征光譜和強(qiáng)度。一個點對應(yīng)一個譜段，一條線就對應(yīng)一個譜面，因此探測器每次成像是空間一條線上的光譜信息，為了獲得空間二維圖像再通過機(jī)械推掃，完成整個平面的圖像和光譜數(shù)據(jù)采集。通過這種方式，高光譜成像系統(tǒng)能夠獲取目標(biāo)物體在連續(xù)光譜范圍內(nèi)的詳細(xì)信息，為后續(xù)的分析和識別提供了堅實的數(shù)據(jù)基礎(chǔ)。高光譜成像技術(shù)具有諸多顯著特點，使其在眾多領(lǐng)域展現(xiàn)出獨特的優(yōu)勢。高光譜成像技術(shù)具備極高的光譜分辨率，其光譜分辨率通?？蛇_(dá)2-3nm，能夠捕捉到物體在不同波長下極其細(xì)微的光譜差異。這些細(xì)微的差異蘊含著物體豐富的物質(zhì)組成、結(jié)構(gòu)特征等重要信息，為深入分析和精準(zhǔn)識別物體提供了有力支持。高光譜成像技術(shù)屬于無損檢測技術(shù)，在檢測過程中無需與被測物體進(jìn)行直接接觸，不會對物體造成任何物理損傷，這對于一些珍貴的文物、易損的生物樣本以及對表面完整性要求較高的工業(yè)產(chǎn)品等的檢測具有重要意義。高光譜成像技術(shù)還能夠快速獲取大量的數(shù)據(jù)信息，在短時間內(nèi)完成對目標(biāo)物體的全面檢測，滿足現(xiàn)代工業(yè)生產(chǎn)和科學(xué)研究中對快速檢測的需求。此外，高光譜圖像包含豐富的空間信息和光譜信息，通過對這些信息的綜合分析，可以實現(xiàn)對物體的多維特征描述和精確分類識別。2.1.2高光譜成像系統(tǒng)的組成與工作流程高光譜成像系統(tǒng)通常由多個關(guān)鍵部分組成，各部分協(xié)同工作，共同完成對目標(biāo)物體高光譜圖像的采集和處理。其主要組成部分包括光源、成像光譜儀、探測器、數(shù)據(jù)采集與存儲系統(tǒng)以及計算機(jī)控制與處理系統(tǒng)等。光源作為高光譜成像系統(tǒng)的重要組成部分，其作用是為系統(tǒng)提供穩(wěn)定、均勻的照明光源，確保被測物體能夠被充分照亮，以便成像光譜儀能夠準(zhǔn)確捕捉到物體的反射光信息。常用的光源有鹵鎢燈、氙燈、LED光源等，不同的光源具有不同的光譜特性和發(fā)光強(qiáng)度，可根據(jù)具體的檢測需求進(jìn)行選擇。例如，鹵鎢燈具有連續(xù)的光譜輸出，發(fā)光強(qiáng)度較高，適用于對光譜覆蓋范圍要求較廣的檢測任務(wù)；LED光源則具有能耗低、壽命長、穩(wěn)定性好等優(yōu)點，在一些對節(jié)能和穩(wěn)定性要求較高的應(yīng)用場景中得到廣泛應(yīng)用。成像光譜儀是高光譜成像系統(tǒng)的核心部件，其主要功能是將入射光按照波長進(jìn)行分離，實現(xiàn)光譜信息的獲取。成像光譜儀的種類繁多，常見的有光柵分光成像光譜儀、聲光可調(diào)諧濾波成像光譜儀、棱鏡分光成像光譜儀等。其中，光柵分光成像光譜儀利用光柵的衍射原理，將不同波長的光分開，具有光譜分辨率高、光譜范圍寬等優(yōu)點；聲光可調(diào)諧濾波成像光譜儀則通過改變射頻驅(qū)動信號的頻率，實現(xiàn)對衍射光波長的電調(diào)諧掃描，具有快速、靈活的波長選擇能力。探測器負(fù)責(zé)將成像光譜儀分離出的光譜信號轉(zhuǎn)換為電信號或數(shù)字信號，以便后續(xù)的數(shù)據(jù)采集和處理。常用的探測器有電荷耦合器件（CCD）和互補(bǔ)金屬氧化物半導(dǎo)體（CMOS）探測器。CCD探測器具有靈敏度高、噪聲低等優(yōu)點，在早期的高光譜成像系統(tǒng)中應(yīng)用廣泛；CMOS探測器則具有集成度高、功耗低、讀取速度快等優(yōu)勢，近年來隨著技術(shù)的不斷發(fā)展，在高光譜成像領(lǐng)域的應(yīng)用越來越普遍。數(shù)據(jù)采集與存儲系統(tǒng)用于實時采集探測器輸出的信號，并將其存儲起來，以便后續(xù)的數(shù)據(jù)分析和處理。該系統(tǒng)通常包括數(shù)據(jù)采集卡、存儲設(shè)備等，數(shù)據(jù)采集卡負(fù)責(zé)將探測器輸出的模擬信號轉(zhuǎn)換為數(shù)字信號，并傳輸?shù)接嬎銠C(jī)中進(jìn)行存儲；存儲設(shè)備則用于存儲大量的高光譜圖像數(shù)據(jù)，常見的存儲設(shè)備有硬盤、固態(tài)硬盤等。計算機(jī)控制與處理系統(tǒng)是高光譜成像系統(tǒng)的大腦，負(fù)責(zé)對整個系統(tǒng)進(jìn)行控制和管理，以及對采集到的數(shù)據(jù)進(jìn)行處理和分析。通過計算機(jī)軟件，用戶可以設(shè)置系統(tǒng)的各項參數(shù)，如曝光時間、積分時間、掃描速度等，實現(xiàn)對圖像采集過程的精確控制。計算機(jī)還可以對采集到的高光譜圖像數(shù)據(jù)進(jìn)行預(yù)處理、特征提取、分類識別等操作，最終得到關(guān)于被測物體的詳細(xì)信息。高光譜成像系統(tǒng)的工作流程一般包括以下幾個步驟：首先，將待測的馬鈴薯樣本放置在成像系統(tǒng)的工作臺上，調(diào)整樣本的位置和姿態(tài)，確保其能夠被光源均勻照亮，并處于成像光譜儀的視場范圍內(nèi)。然后，開啟光源，使光線照射到馬鈴薯樣本表面，樣本反射的光線進(jìn)入成像光譜儀。成像光譜儀按照預(yù)設(shè)的波長范圍和分辨率，將反射光分解成多個不同波長的光束，并依次投射到探測器上。探測器將接收到的光信號轉(zhuǎn)換為電信號或數(shù)字信號，并通過數(shù)據(jù)采集卡傳輸?shù)接嬎銠C(jī)中進(jìn)行存儲。在數(shù)據(jù)采集過程中，計算機(jī)控制與處理系統(tǒng)實時監(jiān)控采集過程，確保采集參數(shù)的準(zhǔn)確性和穩(wěn)定性。采集完成后，對存儲在計算機(jī)中的原始高光譜圖像數(shù)據(jù)進(jìn)行預(yù)處理，包括輻射校正、暗電流校正、壞像元修復(fù)等操作，以消除因儀器噪聲、環(huán)境因素等導(dǎo)致的誤差，提高數(shù)據(jù)的質(zhì)量和可靠性。運用光譜分析算法和圖像處理技術(shù)，對預(yù)處理后的高光譜圖像數(shù)據(jù)進(jìn)行特征提取和分析，挖掘與馬鈴薯輕微損傷相關(guān)的特征信息，為后續(xù)的損傷檢測和分類提供數(shù)據(jù)支持。2.2高光譜信息融合的層次與方法在高光譜成像技術(shù)應(yīng)用于馬鈴薯輕微損傷檢測的過程中，信息融合發(fā)揮著至關(guān)重要的作用。通過對高光譜數(shù)據(jù)在不同層次上進(jìn)行融合處理，可以充分挖掘數(shù)據(jù)中蘊含的豐富信息，提高損傷檢測的準(zhǔn)確性和可靠性。高光譜信息融合主要包括數(shù)據(jù)層融合、特征層融合和決策層融合三個層次，每個層次都有其獨特的融合方法和應(yīng)用特點。2.2.1數(shù)據(jù)層融合數(shù)據(jù)層融合是高光譜信息融合中最基礎(chǔ)的層次，它直接對原始高光譜數(shù)據(jù)進(jìn)行融合處理。在馬鈴薯輕微損傷檢測中，數(shù)據(jù)層融合通常是將不同波段的高光譜圖像數(shù)據(jù)進(jìn)行直接組合或拼接，形成一個包含更豐富信息的新數(shù)據(jù)集。例如，對于采集到的馬鈴薯高光譜圖像，將其在可見光波段（400-700nm）和近紅外波段（700-1000nm）的圖像數(shù)據(jù)進(jìn)行融合，使融合后的數(shù)據(jù)同時包含了物體表面的顏色信息和內(nèi)部結(jié)構(gòu)信息。數(shù)據(jù)層融合的優(yōu)點在于能夠保留原始數(shù)據(jù)的完整性和細(xì)節(jié)信息，為后續(xù)的分析提供全面的數(shù)據(jù)基礎(chǔ)。由于直接對原始數(shù)據(jù)進(jìn)行操作，避免了在特征提取和決策過程中可能造成的信息損失，從而在一定程度上提高了檢測的準(zhǔn)確性。數(shù)據(jù)層融合還具有操作相對簡單、易于實現(xiàn)的特點，不需要復(fù)雜的特征提取和分析算法，降低了計算成本和處理難度。然而，數(shù)據(jù)層融合也存在一些明顯的局限性。高光譜數(shù)據(jù)本身數(shù)據(jù)量龐大，直接進(jìn)行融合會進(jìn)一步增加數(shù)據(jù)量，導(dǎo)致數(shù)據(jù)處理的復(fù)雜度大幅提高，對存儲和計算資源的需求也相應(yīng)增加。大量的數(shù)據(jù)可能包含冗余信息，這些冗余信息不僅會增加計算負(fù)擔(dān)，還可能對后續(xù)的分析和決策產(chǎn)生干擾，降低檢測的效率和準(zhǔn)確性。數(shù)據(jù)層融合對數(shù)據(jù)的質(zhì)量要求較高，如果原始數(shù)據(jù)存在噪聲、誤差或不一致性等問題，這些問題會直接傳遞到融合后的數(shù)據(jù)中，影響最終的檢測結(jié)果。數(shù)據(jù)層融合適用于對檢測精度要求較高，且數(shù)據(jù)量和計算資源相對充足的場景。在馬鈴薯輕微損傷檢測中，當(dāng)需要獲取馬鈴薯表面和內(nèi)部的詳細(xì)信息，且能夠滿足數(shù)據(jù)處理的硬件條件時，可以考慮采用數(shù)據(jù)層融合方法。例如，在實驗室環(huán)境下進(jìn)行馬鈴薯輕微損傷的精細(xì)檢測研究時，數(shù)據(jù)層融合能夠充分發(fā)揮其優(yōu)勢，為后續(xù)的分析提供豐富的數(shù)據(jù)支持。2.2.2特征層融合特征層融合是在對高光譜數(shù)據(jù)進(jìn)行特征提取的基礎(chǔ)上，將提取到的不同類型特征進(jìn)行融合。在馬鈴薯輕微損傷檢測中，通常會提取高光譜圖像的光譜特征和空間特征。光譜特征主要反映了馬鈴薯在不同波長下的反射率變化情況，蘊含著豐富的物質(zhì)成分信息。常見的光譜特征提取算法包括基于導(dǎo)數(shù)光譜的特征提取、基于光譜吸收指數(shù)的特征提取以及基于主成分分析（PCA）的特征提取等?；趯?dǎo)數(shù)光譜的特征提取方法通過計算光譜的一階導(dǎo)數(shù)或二階導(dǎo)數(shù)，突出光譜的變化趨勢和特征峰，能夠有效增強(qiáng)微弱的光譜信號，提高對輕微損傷的檢測能力。光譜吸收指數(shù)的特征提取則是根據(jù)特定物質(zhì)在某些波長處的吸收特性，計算相應(yīng)的吸收指數(shù)，以此作為特征來識別馬鈴薯的損傷情況?；赑CA的特征提取方法通過對高光譜數(shù)據(jù)進(jìn)行降維處理，將原始的高維光譜數(shù)據(jù)轉(zhuǎn)換為一組相互獨立的主成分，這些主成分能夠保留原始數(shù)據(jù)的主要信息，同時減少數(shù)據(jù)量，提高計算效率?？臻g特征主要描述了馬鈴薯的形狀、紋理等空間結(jié)構(gòu)信息，對于區(qū)分正常區(qū)域和損傷區(qū)域具有重要作用。常用的空間特征提取算法有基于灰度共生矩陣（GLCM）的紋理特征提取、基于邊緣檢測的形狀特征提取以及基于小波變換的多尺度特征提取等?；贕LCM的紋理特征提取方法通過計算圖像中不同灰度級像素對在不同方向和距離上的出現(xiàn)頻率，得到紋理特征參數(shù)，如對比度、相關(guān)性、能量和熵等，這些參數(shù)能夠反映圖像的紋理復(fù)雜度和規(guī)律性。基于邊緣檢測的形狀特征提取方法則通過檢測圖像中的邊緣信息，提取物體的輪廓和形狀特征，如周長、面積、圓形度等，用于判斷馬鈴薯的損傷部位和形狀?；谛〔ㄗ儞Q的多尺度特征提取方法能夠?qū)D像分解為不同尺度和頻率的子圖像，提取不同尺度下的特征信息，從而更全面地描述馬鈴薯的空間結(jié)構(gòu)。將提取到的光譜特征和空間特征進(jìn)行融合，可以充分利用兩者的互補(bǔ)性，提高馬鈴薯輕微損傷檢測的準(zhǔn)確性。融合后的特征向量包含了更多維度的信息，能夠更全面地描述馬鈴薯的狀態(tài)，從而為后續(xù)的分類和識別提供更有力的支持。例如，在利用支持向量機(jī)（SVM）進(jìn)行馬鈴薯輕微損傷分類時，輸入融合后的特征向量，能夠使SVM模型更好地學(xué)習(xí)和區(qū)分正常樣本和損傷樣本，提高分類的準(zhǔn)確率。2.2.3決策層融合決策層融合是在對高光譜數(shù)據(jù)進(jìn)行處理并得到初步?jīng)Q策結(jié)果的基礎(chǔ)上，將多個決策結(jié)果進(jìn)行融合，以獲得最終的檢測結(jié)果。在馬鈴薯輕微損傷檢測中，決策層融合通常是將基于不同分類算法或不同特征子集得到的分類結(jié)果進(jìn)行融合。假設(shè)使用支持向量機(jī)（SVM）、隨機(jī)森林（RF）和樸素貝葉斯（NB）三種分類算法對馬鈴薯高光譜數(shù)據(jù)進(jìn)行分類，得到三個分類結(jié)果。然后，采用投票法對這三個結(jié)果進(jìn)行決策層融合，每個分類結(jié)果相當(dāng)于一票，最終根據(jù)得票數(shù)最多的類別確定馬鈴薯是否存在輕微損傷以及損傷的類型。除了投票法，常見的決策層融合方法還有基于D-S證據(jù)理論的融合方法、基于貝葉斯理論的融合方法等?；贒-S證據(jù)理論的融合方法通過計算不同證據(jù)（即不同分類結(jié)果）的基本概率分配函數(shù)，將多個證據(jù)進(jìn)行組合，得到最終的決策結(jié)果，該方法能夠有效地處理不確定性信息，提高決策的可靠性?；谪惾~斯理論的融合方法則是根據(jù)貝葉斯公式，將先驗概率和后驗概率進(jìn)行結(jié)合，對多個分類結(jié)果進(jìn)行融合，從而得到更準(zhǔn)確的檢測結(jié)果。決策層融合的優(yōu)點在于它對數(shù)據(jù)的前期處理要求相對較低，不同的分類算法可以獨立地對數(shù)據(jù)進(jìn)行處理和決策，然后再進(jìn)行融合。這種方式能夠充分利用不同分類算法的優(yōu)勢，降低單一算法的局限性，提高檢測的準(zhǔn)確性和可靠性。決策層融合還具有較強(qiáng)的靈活性和可擴(kuò)展性，可以方便地集成新的分類算法或特征子集，適應(yīng)不同的檢測需求。然而，決策層融合也存在一定的缺點。由于是在決策結(jié)果層面進(jìn)行融合，如果前期的分類算法本身存在較大誤差，那么融合后的結(jié)果可能也會受到影響，無法有效提高檢測精度。決策層融合需要對多個分類結(jié)果進(jìn)行處理和分析，增加了計算復(fù)雜度和處理時間。決策層融合適用于需要綜合多種分類算法的優(yōu)勢，提高檢測結(jié)果可靠性的場景。在馬鈴薯輕微損傷檢測中，當(dāng)使用單一分類算法難以達(dá)到理想的檢測效果時，決策層融合可以通過整合多個分類算法的決策結(jié)果，提高檢測的準(zhǔn)確性和穩(wěn)定性。例如，在實際生產(chǎn)線上對大量馬鈴薯進(jìn)行快速檢測時，采用決策層融合方法能夠在保證檢測效率的同時，提高檢測的可靠性，減少誤判和漏判的情況。2.3信息融合算法在高光譜信息融合的不同層次中，運用了多種先進(jìn)的算法，這些算法在馬鈴薯輕微損傷檢測中發(fā)揮著關(guān)鍵作用，能夠有效提高檢測的準(zhǔn)確性和可靠性。貝葉斯推理作為一種基于概率理論的信息融合算法，在高光譜圖像分析中具有重要應(yīng)用。其基本原理是基于貝葉斯公式，通過先驗概率和似然函數(shù)來計算后驗概率。在馬鈴薯輕微損傷檢測中，假設(shè)我們已知正常馬鈴薯和損傷馬鈴薯在某些特征上的先驗概率分布，當(dāng)獲取到新的高光譜數(shù)據(jù)時，利用貝葉斯推理可以根據(jù)這些先驗知識和新數(shù)據(jù)計算出該馬鈴薯屬于損傷類別的后驗概率。若先驗概率表明正常馬鈴薯在某個光譜特征區(qū)間的反射率分布較為集中，而損傷馬鈴薯在該區(qū)間有不同的分布。當(dāng)檢測到一個新樣本的光譜特征處于特定范圍時，貝葉斯推理能夠綜合先驗概率和該樣本的似然概率，得出其是損傷馬鈴薯的概率，從而實現(xiàn)對損傷的判斷。模糊理論是一種處理不確定性和模糊性的有效方法，在高光譜信息融合中也有廣泛應(yīng)用。它通過模糊集合和隸屬度函數(shù)來描述和處理模糊信息。在馬鈴薯輕微損傷檢測中，對于一些難以精確界定的特征，如損傷區(qū)域的邊界模糊性、損傷程度的模糊描述等，可以利用模糊理論進(jìn)行處理。將馬鈴薯表面的顏色、紋理等特征模糊化，定義不同特征對于損傷的隸屬度函數(shù)。若將顏色特征分為“正常顏色”“輕微變色”“嚴(yán)重變色”等模糊集合，并為每個集合定義相應(yīng)的隸屬度函數(shù)。通過計算這些特征的隸屬度，綜合判斷馬鈴薯是否存在輕微損傷以及損傷的程度。D-S證據(jù)理論作為一種重要的不確定性推理方法，在決策層融合中發(fā)揮著關(guān)鍵作用。它通過定義基本概率分配函數(shù)（BPA）來表示對不同命題的信任程度，然后利用Dempster合成規(guī)則對多個證據(jù)進(jìn)行融合，從而得到更可靠的決策結(jié)果。在馬鈴薯輕微損傷檢測中，假設(shè)有三個分類器分別對馬鈴薯的損傷情況進(jìn)行判斷，每個分類器給出一個決策結(jié)果，即一個證據(jù)。D-S證據(jù)理論首先為每個證據(jù)分配基本概率分配函數(shù)，該函數(shù)表示對不同損傷類別（如正常、輕微機(jī)械損傷、輕微凍傷等）的信任程度。然后，運用Dempster合成規(guī)則將這些證據(jù)進(jìn)行融合，得到綜合的信任程度分布。如果一個樣本在兩個分類器中被判斷為輕微機(jī)械損傷，在另一個分類器中被判斷為正常，D-S證據(jù)理論會根據(jù)各證據(jù)的基本概率分配函數(shù)和合成規(guī)則，綜合計算出該樣本屬于輕微機(jī)械損傷和正常的最終信任度，以確定其真實狀態(tài)。在實際應(yīng)用中，這些信息融合算法相互配合，能夠充分挖掘高光譜圖像中的有效信息，提高馬鈴薯輕微損傷檢測的精度和可靠性。不同算法適用于不同的融合層次和數(shù)據(jù)特點，通過合理選擇和組合算法，可以更好地實現(xiàn)馬鈴薯輕微損傷的準(zhǔn)確檢測，為馬鈴薯產(chǎn)業(yè)的發(fā)展提供有力支持。三、馬鈴薯輕微損傷的高光譜特征分析3.1實驗材料與數(shù)據(jù)采集3.1.1馬鈴薯樣本的選擇與制備為全面且深入地探究馬鈴薯輕微損傷的高光譜特征，本實驗精心挑選了具有代表性的馬鈴薯樣本。選用了“克新1號”“費烏瑞它”“大西洋”這三個在我國廣泛種植且具有不同特性的馬鈴薯品種?！翱诵?號”以其高產(chǎn)、抗逆性強(qiáng)而聞名，常用于大面積的商品薯種植；“費烏瑞它”屬于早熟品種，口感較好，在市場上頗受消費者喜愛；“大西洋”則是加工型馬鈴薯品種，適合制作薯片、薯條等產(chǎn)品。實驗所用馬鈴薯均采自位于黑龍江、內(nèi)蒙古和山東的三個不同生態(tài)區(qū)域的種植基地，這些地區(qū)的氣候、土壤條件存在明顯差異，能夠充分反映出不同生長環(huán)境對馬鈴薯特性的影響。黑龍江種植基地屬于寒溫帶大陸性季風(fēng)氣候，土壤肥沃，以黑土為主，為馬鈴薯生長提供了豐富的養(yǎng)分；內(nèi)蒙古種植基地氣候干旱，光照充足，晝夜溫差大，有利于馬鈴薯淀粉的積累；山東種植基地地處溫帶季風(fēng)氣候區(qū)，雨熱同期，土壤類型多樣。從每個種植基地采集的馬鈴薯樣本數(shù)量均為100個，以確保樣本的多樣性和代表性。將采集到的馬鈴薯樣本運輸至實驗室后，首先對其進(jìn)行外觀檢查，剔除存在明顯損傷、病蟲害或畸形的個體。為模擬實際生產(chǎn)和流通中可能出現(xiàn)的輕微損傷情況，采用定制的機(jī)械碰撞裝置對馬鈴薯進(jìn)行輕微損傷處理。該裝置通過可調(diào)節(jié)的彈簧沖擊力，能夠精確控制碰撞力度和角度，以確保損傷的一致性和可重復(fù)性。設(shè)置碰撞力度為3N，碰撞角度為45°，對每個品種的50個馬鈴薯樣本進(jìn)行輕微碰撞損傷處理，使馬鈴薯表面產(chǎn)生直徑約為5-8mm的輕微凹陷或擦傷，但表皮保持完整。同時，保留每個品種的50個馬鈴薯樣本作為正常對照組，不進(jìn)行任何損傷處理。為進(jìn)一步模擬自然環(huán)境下的輕微損傷，將部分馬鈴薯樣本放置在低溫環(huán)境中進(jìn)行輕微凍傷處理。將50個“克新1號”、50個“費烏瑞它”和50個“大西洋”馬鈴薯樣本置于溫度為-2℃的冷藏箱中，冷藏時間為24小時，使馬鈴薯表面出現(xiàn)輕微的凍傷痕跡，表現(xiàn)為局部顏色變深、質(zhì)地變軟，但內(nèi)部組織未發(fā)生明顯的凍融損傷。通過以上精心設(shè)計的樣本選擇與制備過程，構(gòu)建了包含不同品種、不同生長環(huán)境以及不同輕微損傷類型的馬鈴薯樣本庫，為后續(xù)的高光譜特征分析提供了豐富且高質(zhì)量的實驗材料。3.1.2高光譜圖像采集系統(tǒng)與參數(shù)設(shè)置本實驗采用的高光譜圖像采集系統(tǒng)由美國HeadwallPhotonics公司生產(chǎn)的Micro-HyperspecVNIR高光譜成像儀、德國Basler公司的acA2040-90um工業(yè)相機(jī)、美國Lumencor公司的SpectraLightQC多波段光源以及配套的光學(xué)鏡頭和機(jī)械掃描平臺組成。該系統(tǒng)能夠在400-1000nm的光譜范圍內(nèi)，以2.8nm的光譜分辨率對馬鈴薯樣本進(jìn)行高光譜圖像采集。高光譜成像儀是整個采集系統(tǒng)的核心部件，其工作原理基于光柵分光技術(shù)。當(dāng)光線照射到馬鈴薯樣本表面后，反射光經(jīng)過光學(xué)鏡頭聚焦進(jìn)入成像儀，通過內(nèi)置的光柵將不同波長的光分離，并投射到探測器上。探測器將光信號轉(zhuǎn)換為電信號，再經(jīng)過數(shù)據(jù)采集卡轉(zhuǎn)換為數(shù)字信號，最終傳輸至計算機(jī)進(jìn)行存儲和處理。工業(yè)相機(jī)負(fù)責(zé)捕捉馬鈴薯樣本的二維空間圖像信息，與高光譜成像儀協(xié)同工作，實現(xiàn)對樣本的圖譜合一采集。多波段光源為采集過程提供穩(wěn)定、均勻的照明，確保樣本表面的光線分布一致，減少因光照不均導(dǎo)致的圖像噪聲。機(jī)械掃描平臺則通過精確的步進(jìn)電機(jī)控制，實現(xiàn)對馬鈴薯樣本的逐行掃描，從而獲取完整的高光譜圖像。在進(jìn)行高光譜圖像采集前，對系統(tǒng)的各項參數(shù)進(jìn)行了嚴(yán)格的設(shè)置和優(yōu)化。光譜范圍設(shè)置為400-1000nm，這一范圍涵蓋了馬鈴薯中多種化學(xué)成分（如淀粉、蛋白質(zhì)、水分等）的特征吸收波段，能夠充分反映馬鈴薯的物質(zhì)組成和結(jié)構(gòu)信息。光譜分辨率設(shè)置為2.8nm，較高的分辨率可以捕捉到馬鈴薯在不同波長下的細(xì)微光譜差異，為后續(xù)的特征提取和分析提供更精確的數(shù)據(jù)支持。曝光時間通過多次預(yù)實驗確定為50ms，在該曝光時間下，既能保證采集到足夠強(qiáng)度的光信號，又能避免因曝光過度或不足導(dǎo)致的圖像過亮、過暗或噪聲過大等問題。積分時間設(shè)置為1000us，以確保探測器能夠充分積累光信號，提高圖像的信噪比。采集過程中，將馬鈴薯樣本放置在機(jī)械掃描平臺的中心位置，調(diào)整樣本的擺放角度，使其表面與光源和成像儀的光軸垂直。設(shè)置掃描步長為0.5mm，以保證相鄰掃描行之間有足夠的重疊，避免出現(xiàn)圖像拼接縫隙。采集幀率設(shè)置為10fps，既能滿足快速采集的需求，又能保證采集到的圖像質(zhì)量穩(wěn)定。通過以上對高光譜圖像采集系統(tǒng)的精心搭建和參數(shù)的合理設(shè)置，確保了采集到的馬鈴薯高光譜圖像具有高分辨率、高信噪比和準(zhǔn)確的光譜信息，為后續(xù)的數(shù)據(jù)分析和模型構(gòu)建奠定了堅實的基礎(chǔ)。3.2高光譜數(shù)據(jù)預(yù)處理3.2.1圖像校正與去噪在獲取馬鈴薯高光譜圖像后，圖像校正與去噪是必不可少的預(yù)處理步驟，對后續(xù)的數(shù)據(jù)分析和模型構(gòu)建起著關(guān)鍵作用。高光譜圖像在采集過程中，由于成像系統(tǒng)的光學(xué)畸變、機(jī)械振動以及樣本與成像系統(tǒng)的相對位置變化等因素的影響，不可避免地會產(chǎn)生幾何畸變。這種幾何畸變會導(dǎo)致圖像中物體的形狀、位置和尺寸發(fā)生改變，嚴(yán)重影響圖像的準(zhǔn)確性和可靠性。為了校正幾何畸變，通常采用多項式變換法。該方法基于圖像中已知的控制點，通過建立多項式模型來描述圖像的幾何變換關(guān)系。在馬鈴薯高光譜圖像中，選取馬鈴薯表面的一些明顯特征點作為控制點，利用這些控制點的坐標(biāo)信息，構(gòu)建多項式變換模型。通過該模型對圖像中的每個像素進(jìn)行坐標(biāo)變換，從而實現(xiàn)對幾何畸變的校正，使圖像中的馬鈴薯形狀和位置恢復(fù)到真實狀態(tài)。輻射定標(biāo)是將高光譜圖像的像素值轉(zhuǎn)換為物理輻射量的過程，其目的是消除成像系統(tǒng)中探測器響應(yīng)不一致、光源強(qiáng)度波動以及大氣傳輸?shù)纫蛩貙D像輻射亮度的影響，確保圖像中每個像素的輻射亮度能夠準(zhǔn)確反映馬鈴薯表面的真實輻射情況。在本研究中，采用實驗室定標(biāo)的方法，使用已知反射率的標(biāo)準(zhǔn)白板和黑板作為參考目標(biāo)。在相同的光照和成像條件下，分別采集標(biāo)準(zhǔn)白板和黑板的高光譜圖像，獲取它們在各個波段的像素值。通過這些像素值與標(biāo)準(zhǔn)白板和黑板的已知反射率之間的關(guān)系，建立輻射定標(biāo)模型。在對馬鈴薯高光譜圖像進(jìn)行輻射定標(biāo)時，將圖像中的每個像素值代入定標(biāo)模型，計算出其對應(yīng)的真實輻射亮度值，從而完成輻射定標(biāo)的過程。高光譜圖像在采集和傳輸過程中，還會受到各種噪聲的干擾，如高斯噪聲、椒鹽噪聲等。這些噪聲會使圖像變得模糊，降低圖像的質(zhì)量，影響后續(xù)的特征提取和分析。為了去除噪聲，采用小波變換與中值濾波相結(jié)合的方法。小波變換是一種時頻分析方法，它能夠?qū)D像分解為不同頻率的子帶，在不同尺度上對圖像進(jìn)行分析。通過小波變換，可以將噪聲從圖像的高頻分量中分離出來。中值濾波則是一種非線性濾波方法，它通過將圖像中每個像素點的灰度值替換為其鄰域內(nèi)像素灰度值的中值，來達(dá)到去除噪聲的目的。在對馬鈴薯高光譜圖像進(jìn)行去噪處理時，首先對圖像進(jìn)行小波變換，將其分解為低頻分量和高頻分量。對高頻分量進(jìn)行閾值處理，去除其中的噪聲成分。將處理后的高頻分量與低頻分量進(jìn)行小波逆變換，得到初步去噪的圖像。對初步去噪的圖像進(jìn)行中值濾波，進(jìn)一步去除圖像中的椒鹽噪聲等孤立噪聲點，從而得到高質(zhì)量的去噪圖像。3.2.2光譜反射率計算在馬鈴薯高光譜圖像分析中，計算光譜反射率是一項至關(guān)重要的任務(wù)，它能夠有效消除光照等因素對圖像的影響，使不同樣本的光譜數(shù)據(jù)具有可比性，為后續(xù)的特征提取和損傷檢測提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。光譜反射率的計算公式為：R=\frac{I-I_{dark}}{I_{white}-I_{dark}}，其中R表示光譜反射率，I為馬鈴薯樣本在某一波段的成像灰度值，I_{dark}是暗電流校正圖像在對應(yīng)波段的灰度值，I_{white}為白板校正圖像在相應(yīng)波段的灰度值。暗電流校正圖像是在無光條件下采集得到的，它主要反映了成像系統(tǒng)自身產(chǎn)生的噪聲和暗電流信號。白板校正圖像則是在相同成像條件下，對已知高反射率的標(biāo)準(zhǔn)白板進(jìn)行成像得到的。通過上述公式計算光譜反射率，能夠有效消除成像系統(tǒng)的暗電流噪聲以及光源強(qiáng)度變化等因素對圖像灰度值的影響。光照條件的變化是影響高光譜圖像數(shù)據(jù)準(zhǔn)確性和可比性的重要因素之一。在實際采集過程中，即使在相對穩(wěn)定的實驗室環(huán)境下，光源的強(qiáng)度也可能會存在一定的波動，這會導(dǎo)致不同時刻采集的馬鈴薯高光譜圖像的亮度和對比度發(fā)生變化。如果直接使用未經(jīng)反射率計算的原始灰度值進(jìn)行分析，這些因光照變化而產(chǎn)生的差異可能會被誤判為馬鈴薯本身的特征差異，從而影響損傷檢測的準(zhǔn)確性。通過計算光譜反射率，將原始灰度值轉(zhuǎn)換為相對穩(wěn)定的反射率值，能夠有效消除光照變化帶來的影響。由于反射率是一個相對比值，它只與馬鈴薯樣本本身的光學(xué)特性以及成像系統(tǒng)的光譜響應(yīng)特性有關(guān)，而與光照強(qiáng)度的絕對值無關(guān)。因此，無論光照強(qiáng)度如何變化，只要成像系統(tǒng)的光譜響應(yīng)特性保持穩(wěn)定，計算得到的光譜反射率就能準(zhǔn)確反映馬鈴薯樣本的真實光譜特征。以不同光照強(qiáng)度下采集的同一馬鈴薯樣本的高光譜圖像為例，假設(shè)在光照強(qiáng)度為L_1時采集的圖像灰度值為I_1，在光照強(qiáng)度為L_2時采集的圖像灰度值為I_2。如果直接比較I_1和I_2，可能會因為光照強(qiáng)度的不同而得出錯誤的結(jié)論。但通過計算光譜反射率，分別得到R_1=\frac{I_1-I_{dark}}{I_{white}-I_{dark}}和R_2=\frac{I_2-I_{dark}}{I_{white}-I_{dark}}。由于I_{dark}和I_{white}在相同成像條件下是固定值，所以R_1和R_2能夠準(zhǔn)確反映該馬鈴薯樣本在不同光照強(qiáng)度下的真實光譜特性，避免了因光照變化而產(chǎn)生的干擾。通過計算光譜反射率，還能夠使不同馬鈴薯樣本之間的光譜數(shù)據(jù)具有可比性。不同樣本在成像過程中可能會受到各種因素的影響，導(dǎo)致其原始灰度值存在差異。但通過計算反射率，將這些差異統(tǒng)一到一個相對標(biāo)準(zhǔn)的尺度上，能夠更準(zhǔn)確地比較不同樣本之間的光譜特征差異，從而提高馬鈴薯輕微損傷檢測的準(zhǔn)確性和可靠性。3.3馬鈴薯輕微損傷的高光譜特征提取3.3.1基于光譜曲線的特征分析在完成馬鈴薯高光譜圖像的數(shù)據(jù)采集與預(yù)處理后，對正常與損傷馬鈴薯的光譜曲線進(jìn)行深入分析，以挖掘與輕微損傷相關(guān)的光譜特征。以輕微機(jī)械損傷的馬鈴薯樣本為例，對比其與正常馬鈴薯在400-1000nm光譜范圍內(nèi)的平均光譜曲線，可發(fā)現(xiàn)明顯差異。在可見光波段（400-700nm），正常馬鈴薯的光譜反射率呈現(xiàn)相對平穩(wěn)的變化趨勢，在550nm左右出現(xiàn)一個較小的反射峰，這主要是由于馬鈴薯中葉綠素等色素對光的吸收和反射特性所致。而輕微機(jī)械損傷后的馬鈴薯，在該波段的反射率明顯降低，尤其是在600-650nm之間，反射率下降幅度可達(dá)10%-15%。這是因為損傷導(dǎo)致馬鈴薯細(xì)胞結(jié)構(gòu)受損，內(nèi)部物質(zhì)分布發(fā)生改變，從而影響了對光的反射和吸收。在近紅外波段（700-1000nm），正常馬鈴薯的光譜反射率逐漸上升，在850nm附近出現(xiàn)一個相對較大的反射峰，這與馬鈴薯中水分、淀粉等成分的吸收特性有關(guān)。輕微機(jī)械損傷后的馬鈴薯在該波段的反射率同樣發(fā)生變化，850nm處的反射峰強(qiáng)度減弱，且反射率曲線在750-900nm之間出現(xiàn)波動，表明損傷影響了馬鈴薯內(nèi)部水分和淀粉等成分的分布和含量。對于輕微凍傷的馬鈴薯樣本，其光譜曲線與正常樣本和輕微機(jī)械損傷樣本又有所不同。在可見光波段，輕微凍傷的馬鈴薯反射率在500-600nm之間明顯高于正常樣本，這可能是由于凍傷導(dǎo)致馬鈴薯表面細(xì)胞脫水，細(xì)胞間隙增大，光線在細(xì)胞間多次反射和散射，從而使反射率增加。在近紅外波段，輕微凍傷的馬鈴薯在900-1000nm之間的反射率顯著低于正常樣本，這是因為凍傷破壞了馬鈴薯細(xì)胞內(nèi)的水分結(jié)構(gòu)，影響了水分對近紅外光的吸收。通過對大量不同品種、不同損傷類型和程度的馬鈴薯樣本的光譜曲線分析，確定了多個與輕微損傷密切相關(guān)的特征波段。在450-500nm、600-650nm、850-900nm等波段，不同損傷類型的馬鈴薯光譜反射率變化明顯，這些波段可作為馬鈴薯輕微損傷檢測的重要特征波段。不同損傷類型在這些特征波段的光譜變化規(guī)律也各不相同，輕微機(jī)械損傷主要表現(xiàn)為反射率下降，而輕微凍傷則表現(xiàn)為特定波段反射率的升高或降低。這些特征波段和變化規(guī)律為后續(xù)的特征提取和損傷檢測模型構(gòu)建提供了重要依據(jù)。3.3.2基于圖像特征的分析除了光譜特征，馬鈴薯高光譜圖像的空間特征對于輕微損傷檢測也具有重要意義。本部分主要從形狀特征和紋理特征兩個方面對馬鈴薯高光譜圖像進(jìn)行分析，提取與輕微損傷相關(guān)的圖像特征，為后續(xù)的損傷檢測提供更全面的信息。在形狀特征提取方面，采用基于邊緣檢測的方法。利用Canny算子對馬鈴薯高光譜圖像進(jìn)行邊緣檢測，得到馬鈴薯的邊緣輪廓。通過對邊緣輪廓的分析，提取周長、面積、圓形度等形狀特征參數(shù)。對于正常馬鈴薯，其邊緣輪廓相對規(guī)則，周長和面積較為穩(wěn)定，圓形度接近1。而存在輕微損傷的馬鈴薯，由于損傷部位的影響，其邊緣輪廓會出現(xiàn)局部的變形和不連續(xù)，周長和面積可能會發(fā)生變化，圓形度也會偏離1。在一個包含100個馬鈴薯樣本（50個正常樣本和50個輕微機(jī)械損傷樣本）的實驗中，正常樣本的平均周長為12.5cm，平均面積為10.2cm2，平均圓形度為0.95；而輕微機(jī)械損傷樣本的平均周長增加到13.2cm，平均面積減小到9.5cm2，平均圓形度降低到0.90。這些形狀特征的變化可以作為判斷馬鈴薯是否存在輕微損傷的重要依據(jù)之一。紋理特征反映了圖像中灰度值的分布和變化情況，對于區(qū)分正常區(qū)域和損傷區(qū)域具有重要作用。采用灰度共生矩陣（GLCM）方法提取馬鈴薯高光譜圖像的紋理特征。GLCM通過計算圖像中不同灰度級像素對在不同方向和距離上的出現(xiàn)頻率，得到紋理特征參數(shù)，如對比度、相關(guān)性、能量和熵等。在馬鈴薯高光譜圖像中，正常區(qū)域的紋理相對均勻，對比度較低，相關(guān)性較高，能量較大，熵較小。而損傷區(qū)域由于細(xì)胞結(jié)構(gòu)的破壞和物質(zhì)分布的改變，紋理變得復(fù)雜，對比度增加，相關(guān)性降低，能量減小，熵增大。以輕微凍傷的馬鈴薯為例，在凍傷區(qū)域，其紋理特征參數(shù)與正常區(qū)域相比，對比度增加了30%-40%，相關(guān)性降低了20%-30%，能量減小了15%-25%，熵增大了25%-35%。這些紋理特征的顯著變化能夠有效地幫助識別馬鈴薯的輕微凍傷區(qū)域。通過對形狀特征和紋理特征的分析可知，這些圖像特征能夠從不同角度反映馬鈴薯的損傷情況，與基于光譜曲線的特征相互補(bǔ)充，為馬鈴薯輕微損傷的檢測提供了更豐富、全面的信息。在實際應(yīng)用中，可以將這些圖像特征與光譜特征進(jìn)行融合，進(jìn)一步提高馬鈴薯輕微損傷檢測的準(zhǔn)確性和可靠性。四、基于不同層次信息融合的檢測模型構(gòu)建4.1數(shù)據(jù)層融合檢測模型4.1.1模型結(jié)構(gòu)與原理數(shù)據(jù)層融合檢測模型直接以預(yù)處理后的高光譜圖像數(shù)據(jù)作為輸入，旨在充分利用原始數(shù)據(jù)中豐富的細(xì)節(jié)信息，構(gòu)建一個全面且精準(zhǔn)的馬鈴薯輕微損傷檢測模型。本研究采用的是一種改進(jìn)的3D卷積神經(jīng)網(wǎng)絡(luò)（3D-CNN）結(jié)構(gòu)，該結(jié)構(gòu)專門針對高光譜圖像這種三維數(shù)據(jù)立方體進(jìn)行設(shè)計，能夠同時對光譜維度和空間維度進(jìn)行有效處理。模型的輸入為大小為H×W×B的高光譜圖像數(shù)據(jù)，其中H表示圖像的高度，W表示圖像的寬度，B表示光譜波段數(shù)。第一層為3D卷積層，該層使用多個大小為3×3×3的卷積核，對輸入數(shù)據(jù)進(jìn)行卷積操作。3D卷積的優(yōu)勢在于它能夠同時在圖像的空間維度（高度、寬度）和光譜維度上提取特征，通過卷積核在三維空間中的滑動，捕捉不同波段之間以及同一波段內(nèi)不同位置的特征信息。在馬鈴薯高光譜圖像中，3D卷積層可以同時學(xué)習(xí)到不同波長下馬鈴薯表面的顏色變化、紋理特征以及內(nèi)部組織結(jié)構(gòu)的信息，這些信息對于區(qū)分輕微損傷和正常區(qū)域至關(guān)重要。經(jīng)過3D卷積層處理后，得到的特征圖大小為(H-2)×(W-2)×C_1，其中C_1為卷積核的數(shù)量，它決定了輸出特征圖的通道數(shù)，每個通道都包含了不同的特征信息。第二層為批歸一化（BatchNormalization，BN）層，其主要作用是對卷積層輸出的特征圖進(jìn)行歸一化處理。在深度學(xué)習(xí)模型訓(xùn)練過程中，隨著網(wǎng)絡(luò)層數(shù)的增加，數(shù)據(jù)分布會發(fā)生變化，這可能導(dǎo)致模型訓(xùn)練不穩(wěn)定、收斂速度慢等問題。BN層通過對每個小批量數(shù)據(jù)進(jìn)行歸一化，使數(shù)據(jù)分布更加穩(wěn)定，加快模型的收斂速度，同時還能在一定程度上起到正則化的作用，防止模型過擬合。第三層為ReLU激活函數(shù)層，ReLU（RectifiedLinearUnit）函數(shù)的表達(dá)式為f(x)=max(0,x)。該函數(shù)能夠?qū)?jīng)過BN層處理后的特征圖進(jìn)行非線性變換，增加模型的非線性表達(dá)能力。在馬鈴薯輕微損傷檢測中，損傷區(qū)域與正常區(qū)域之間的特征差異并非簡單的線性關(guān)系，通過ReLU激活函數(shù)，可以使模型更好地學(xué)習(xí)到這些復(fù)雜的非線性特征，提高模型對輕微損傷的識別能力。經(jīng)過ReLU激活函數(shù)處理后，特征圖的大小不變，仍為(H-2)×(W-2)×C_1。第四層為3D最大池化層，池化窗口大小為2×2×2，步長為2。池化操作的目的是對特征圖進(jìn)行下采樣，減少數(shù)據(jù)量，降低計算復(fù)雜度，同時保留重要的特征信息。在高光譜圖像中，池化層可以在不損失關(guān)鍵信息的前提下，對空間和光譜維度進(jìn)行壓縮，提取更具代表性的特征。在馬鈴薯高光譜圖像中，3D最大池化層可以通過選擇每個池化窗口內(nèi)的最大值，突出馬鈴薯表面和內(nèi)部的重要特征，如損傷區(qū)域的邊緣、紋理等，同時減少噪聲和冗余信息的影響。經(jīng)過3D最大池化層處理后，特征圖大小變?yōu)?(H-2)/2)×((W-2)/2)×C_1。后續(xù)重復(fù)上述3D卷積層、BN層、ReLU激活函數(shù)層和3D最大池化層的結(jié)構(gòu)，形成多個卷積-池化模塊，進(jìn)一步提取和細(xì)化特征。隨著網(wǎng)絡(luò)層數(shù)的增加，模型能夠?qū)W習(xí)到更高級、更抽象的特征，這些特征對于準(zhǔn)確識別馬鈴薯的輕微損傷具有重要意義。最后一層為全連接層，將經(jīng)過多次卷積和池化處理后的特征圖展平為一維向量，然后通過全連接層進(jìn)行分類。全連接層的神經(jīng)元與上一層的所有神經(jīng)元都有連接，它可以綜合前面各層提取的特征信息，根據(jù)這些信息對馬鈴薯是否存在輕微損傷以及損傷類型進(jìn)行判斷。在本研究中，全連接層的輸出節(jié)點數(shù)根據(jù)馬鈴薯損傷類型的數(shù)量進(jìn)行設(shè)置，對于包含正常、輕微機(jī)械損傷和輕微凍傷三種類型的樣本，輸出節(jié)點數(shù)設(shè)置為3，分別對應(yīng)三種類型的概率值。通過Softmax函數(shù)對全連接層的輸出進(jìn)行處理，得到每個樣本屬于不同損傷類型的概率，概率值最高的類別即為模型預(yù)測的結(jié)果。4.1.2模型訓(xùn)練與優(yōu)化在構(gòu)建數(shù)據(jù)層融合檢測模型后，模型的訓(xùn)練與優(yōu)化是確保其性能的關(guān)鍵環(huán)節(jié)。本研究采用隨機(jī)梯度下降（SGD）算法對模型進(jìn)行訓(xùn)練，該算法是一種迭代的優(yōu)化算法，通過計算每個小批量數(shù)據(jù)的梯度來更新模型的參數(shù)。在每次迭代中，隨機(jī)從訓(xùn)練數(shù)據(jù)集中選取一個小批量的數(shù)據(jù)，計算該小批量數(shù)據(jù)的損失函數(shù)關(guān)于模型參數(shù)的梯度，然后根據(jù)梯度的方向和步長來更新參數(shù)。SGD算法的學(xué)習(xí)率設(shè)置為0.001，學(xué)習(xí)率是控制每次參數(shù)更新步長的超參數(shù)。如果學(xué)習(xí)率設(shè)置過大，模型在訓(xùn)練過程中可能會跳過最優(yōu)解，導(dǎo)致無法收斂；如果學(xué)習(xí)率設(shè)置過小，模型的收斂速度會非常緩慢，需要更多的訓(xùn)練時間和迭代次數(shù)。經(jīng)過多次實驗驗證，0.001的學(xué)習(xí)率在本研究中能夠使模型在保證收斂速度的同時，達(dá)到較好的收斂效果。動量參數(shù)設(shè)置為0.9，動量是SGD算法的一個重要擴(kuò)展，它可以加速模型的收斂，尤其是在處理非凸優(yōu)化問題時。動量的作用類似于物理中的慣性，它可以讓參數(shù)更新的方向更穩(wěn)定，避免在局部最小值處陷入停滯。在本研究中，0.9的動量參數(shù)能夠有效地提高模型的訓(xùn)練效率，使模型更快地收斂到較優(yōu)的解。在訓(xùn)練過程中，將數(shù)據(jù)集劃分為訓(xùn)練集、驗證集和測試集，劃分比例為7:2:1。訓(xùn)練集用于模型的訓(xùn)練，使模型學(xué)習(xí)到數(shù)據(jù)中的特征和規(guī)律；驗證集用于監(jiān)控模型的訓(xùn)練過程，調(diào)整模型的超參數(shù)，防止模型過擬合；測試集用于評估模型的最終性能，確保模型在未見過的數(shù)據(jù)上具有良好的泛化能力。采用交叉熵?fù)p失函數(shù)作為模型的損失函數(shù)，交叉熵?fù)p失函數(shù)常用于分類問題，它能夠衡量模型預(yù)測結(jié)果與真實標(biāo)簽之間的差異。對于一個C類別的分類問題，交叉熵?fù)p失函數(shù)的表達(dá)式為：L=-\frac{1}{N}\sum_{i=1}^{N}\sum_{j=1}^{C}y_{ij}\log(p_{ij})，其中N是樣本數(shù)量，y_{ij}表示第i個樣本屬于第j類別的真實標(biāo)簽（如果是則為1，否則為0），p_{ij}表示模型預(yù)測第i個樣本屬于第j類別的概率。在訓(xùn)練過程中，模型通過不斷調(diào)整參數(shù)，使交叉熵?fù)p失函數(shù)的值最小化，從而提高模型的分類準(zhǔn)確性。為了進(jìn)一步優(yōu)化模型，采用了正則化技術(shù)，包括L2正則化和Dropout。L2正則化通過在損失函數(shù)中添加一個懲罰項，來限制模型參數(shù)的大小，防止模型過擬合。L2正則化項的表達(dá)式為：\lambda\sum_{w\inW}w^2，其中\(zhòng)lambda是正則化系數(shù)，W是模型的參數(shù)集合。在本研究中，L2正則化系數(shù)設(shè)置為0.0001，通過調(diào)整該系數(shù)，可以在模型的擬合能力和泛化能力之間找到一個平衡。Dropout是一種簡單而有效的正則化方法，它在訓(xùn)練過程中隨機(jī)將一部分神經(jīng)元的輸出設(shè)置為0，從而減少神經(jīng)元之間的共適應(yīng)性，防止模型過擬合。在本研究中，Dropout的概率設(shè)置為0.5，即在每次訓(xùn)練時，有50%的神經(jīng)元會被隨機(jī)“丟棄”。通過上述模型訓(xùn)練與優(yōu)化方法，數(shù)據(jù)層融合檢測模型能夠在馬鈴薯輕微損傷檢測任務(wù)中不斷學(xué)習(xí)和優(yōu)化，提高檢測的準(zhǔn)確性和可靠性。在訓(xùn)練過程中，通過監(jiān)控驗證集上的損失函數(shù)值和準(zhǔn)確率等指標(biāo)，及時調(diào)整模型的超參數(shù)和訓(xùn)練策略，確保模型能夠在測試集上取得良好的性能表現(xiàn)。4.2特征層融合檢測模型4.2.1特征提取與選擇在構(gòu)建特征層融合檢測模型時，特征提取與選擇是關(guān)鍵步驟，直接影響模型的性能和檢測精度。本研究綜合運用主成分分析（PCA）和支持向量機(jī)（SVM）等方法，對馬鈴薯高光譜圖像的光譜特征和空間特征進(jìn)行提取與選擇。PCA作為一種常用的降維算法，能夠有效減少高光譜數(shù)據(jù)的維度，去除冗余信息，同時保留數(shù)據(jù)的主要特征。在光譜特征提取中，將預(yù)處理后的高光譜圖像數(shù)據(jù)矩陣進(jìn)行PCA變換。假設(shè)高光譜圖像數(shù)據(jù)矩陣為X，其大小為n×m，其中n為樣本數(shù)量，m為光譜波段數(shù)。通過計算數(shù)據(jù)矩陣X的協(xié)方差矩陣C，并對C進(jìn)行特征分解，得到特征值\lambda_i和對應(yīng)的特征向量v_i。將特征值按照從大到小的順序排列，選取前k個最大特征值對應(yīng)的特征向量，組成變換矩陣P。通過矩陣乘法Y=XP，將原始高光譜數(shù)據(jù)矩陣X變換到低維空間，得到降維后的光譜特征矩陣Y，其大小為n×k，k遠(yuǎn)小于m。這樣，在保留數(shù)據(jù)主要信息的同時，降低了數(shù)據(jù)維度，減少了后續(xù)計算的復(fù)雜度。在空間特征提取方面，采用灰度共生矩陣（GLCM）方法提取馬鈴薯高光譜圖像的紋理特征。對于一幅大小為H×W的高光譜圖像，以每個像素點為中心，構(gòu)建一個大小為N×N的窗口（通常N取3、5或7）。在窗口內(nèi)，計算不同灰度級像素對在不同方向（如0°、45°、90°、135°）和距離（如1、2、3等）上的出現(xiàn)頻率，得到灰度共生矩陣G。從灰度共生矩陣中提取對比度、相關(guān)性、能量和熵等紋理特征參數(shù)，這些參數(shù)能夠反映圖像的紋理復(fù)雜度和規(guī)律性。對于正常馬鈴薯區(qū)域，其紋理相對均勻，對比度較低，相關(guān)性較高，能量較大，熵較??；而損傷區(qū)域由于細(xì)胞結(jié)構(gòu)的破壞和物質(zhì)分布的改變，紋理變得復(fù)雜，對比度增加，相關(guān)性降低，能量減小，熵增大。在特征選擇階段，利用SVM的遞歸特征消除（RFE）算法對提取的光譜特征和空間特征進(jìn)行篩選。SVM-RFE算法的基本思想是通過訓(xùn)練SVM模型，計算每個特征的重要性得分，然后逐步刪除重要性得分較低的特征，直到滿足預(yù)設(shè)的特征數(shù)量或性能指標(biāo)。在訓(xùn)練SVM模型時，使用線性核函數(shù)，設(shè)置懲罰參數(shù)C=1。對于光譜特征和空間特征組成的特征矩陣F，通過SVM-RFE算法進(jìn)行特征選擇，得到一組最優(yōu)的特征子集F_{selected}。經(jīng)過特征選擇后，不僅減少了特征數(shù)量，降低了模型的復(fù)雜度，還能夠去除一些與馬鈴薯輕微損傷無關(guān)的噪聲特征，提高模型的準(zhǔn)確性和泛化能力。4.2.2融合策略與模型構(gòu)建在完成特征提取與選擇后，采用合理的融合策略將光譜特征和空間特征進(jìn)行融合，構(gòu)建特征層融合檢測模型。本研究采用串聯(lián)融合策略，將經(jīng)過選擇后的光譜特征和空間特征進(jìn)行直接串聯(lián)，形成一個新的特征向量。假設(shè)經(jīng)過SVM-RFE算法選擇后的光譜特征向量為S，長度為l_1；空間特征向量為T，長度為l_2。將S和T進(jìn)行串聯(lián)，得到融合后的特征向量F_{fused}=[S,T]，其長度為l_1+l_2。這種串聯(lián)融合策略能夠充分保留光譜特征和空間特征的信息，使融合后的特征向量包含更全面的信息，為后續(xù)的模型訓(xùn)練和損傷檢測提供更有力的支持?；谌诤虾蟮奶卣飨蛄?，選用支持向量機(jī)（SVM）構(gòu)建馬鈴薯輕微損傷檢測模型。SVM是一種基于統(tǒng)計學(xué)習(xí)理論的分類算法，它通過尋找一個最優(yōu)的分類超平面，將不同類別的樣本分隔開，具有良好的泛化能力和分類性能。在構(gòu)建SVM模型時，采用徑向基函數(shù)（RBF）作為核函數(shù)，其表達(dá)式為K(x_i,x_j)=\exp(-\gamma\|x_i-x_j\|^2)，其中\(zhòng)gamma為核函數(shù)參數(shù)，x_i和x_j為樣本特征向量。通過調(diào)整\gamma和懲罰參數(shù)C的值，優(yōu)化SVM模型的性能。利用網(wǎng)格搜索法結(jié)合交叉驗證，對\gamma和C進(jìn)行參數(shù)尋優(yōu)。設(shè)置\gamma的搜索范圍為[0.01,0.1,1,10]，C的搜索范圍為[0.1,1,10,100]。在每個參數(shù)組合下，進(jìn)行5折交叉驗證，選擇在驗證集上分類準(zhǔn)確率最高的參數(shù)組合作為最優(yōu)參數(shù)。在訓(xùn)練SVM模型時，將融合后的特征向量F_{fused}作為輸入，對應(yīng)的馬鈴薯損傷類別標(biāo)簽作為輸出。將數(shù)據(jù)集按照7:3的比例劃分為訓(xùn)練集和測試集，使用訓(xùn)練集對SVM模型進(jìn)行訓(xùn)練，通過不斷調(diào)整模型參數(shù)，使模型能夠準(zhǔn)確地學(xué)習(xí)到馬鈴薯輕微損傷的特征和分類規(guī)則。訓(xùn)練完成后，使用測試集對模型進(jìn)行評估，計算模型的準(zhǔn)確率、召回率、F1值等性能指標(biāo)，以驗證模型對馬鈴薯輕微損傷的檢測能力。通過上述特征融合策略和模型構(gòu)建方法，充分利用了高光譜圖像的光譜特征和空間特征，構(gòu)建的特征層融合檢測模型能夠更準(zhǔn)確地識別馬鈴薯的輕微損傷情況，為馬鈴薯的質(zhì)量檢測提供了有效的技術(shù)手段。4.3決策層融合檢測模型4.3.1決策方法與融合規(guī)則在構(gòu)建決策層融合檢測模型時，采用貝葉斯決策和D-S證據(jù)理論相結(jié)合的決策方法，以提高馬鈴薯輕微損傷檢測的準(zhǔn)確性和可靠性。貝葉斯決策是基于貝葉斯定理的一種決策方法，它將先驗概率與樣本信息相結(jié)合，通過計算后驗概率來進(jìn)行決策。在馬鈴薯輕微損傷檢測中，設(shè)C_i表示第i種損傷類別（i=1,2,\cdots,N，N為損傷類別總數(shù)，如N=3，分別表示正常、輕微機(jī)械損傷、輕微凍傷），X表示觀測到的高光譜數(shù)據(jù)特征向量。根據(jù)貝葉斯定理，后驗概率P(C_i|X)的計算公式為：P(C_i|X)=\frac{P(X|C_i)P(C_i)}{\sum_{j=1}^{N}P(X|C_j)P(C_j)}，其中P(C_i)是類別C_i的先驗概率，它反映了在沒有觀測到數(shù)據(jù)之前，我們對每個類別出現(xiàn)可能性的估計；P(X|C_i)是在類別C_i的條件下，觀測到數(shù)據(jù)特征向量X的概率密度函數(shù)，也稱為似然函數(shù)。在實際應(yīng)用中，通過大量的訓(xùn)練樣本數(shù)據(jù)，統(tǒng)計每個類別出現(xiàn)的頻率來估計先驗概率P(C_i)。對于似然函數(shù)P(X|C_i)，假設(shè)高光譜數(shù)據(jù)特征向量X服從高斯分布，即P(X|C_i)=\frac{1}{(2\pi)^{\fracxhvlhtd{2}}|\Sigma_i|^{\frac{1}{2}}}\exp\left[-\frac{1}{2}(X-\mu_i)^T\Sigma_i^{-1}(X-\mu_i)\right]，其中d是特征向量X的維數(shù)，\mu_i是類別C_i的均值向量，\Sigma_i是類別C_i的協(xié)方差矩陣。通過訓(xùn)練樣本數(shù)據(jù)計算出每個類別C_i的均值向量\mu_i和協(xié)方差矩陣\Sigma_i，從而得到似然函數(shù)P(X|C_i)。根據(jù)計算得到的后驗概率P(C_i|X)，選擇后驗概率最大的類別作為決策結(jié)果，即如果P(C_k|X)=\max_{i=1}^{N}P(C_i|X)，則將樣本判定為類別C_k。D-S證據(jù)理論是一種處理不確定性信息的推理方法，它通過定義基本概率分配函數(shù)（BPA）來表示對不同命題的信任程度，然后利用Dempster合成規(guī)則對多個證據(jù)進(jìn)行融合，得到綜合的信任程度分布。在馬鈴薯輕微損傷檢測中，假設(shè)有M個分類器對馬鈴薯的損傷情況進(jìn)行判斷，每個分類器給出一個決策結(jié)果，即一個證據(jù)。為每個證據(jù)分配基本概率分配函數(shù)m_i(A_j)，其中A_j表示第j個命題（j=1,2,\cdots,N，與貝葉斯決策中的損傷類別相對應(yīng)），m_i(A_j)表示證據(jù)i對命題A_j的信任程度，且滿足\sum_{j=1}^{N}m_i(A_j)=1。Dempster合成規(guī)則用于將多個證據(jù)的基本概率分配函數(shù)進(jìn)行融合，得到綜合的基本概率分配函數(shù)m(A_j)。對于兩個證據(jù)m_1和m_2，Dempster合成規(guī)則的計算公式為：m(A_j)=\frac{\sum_{A_k\capA_l=A_j}m_1(A_k)m_2(A_l)}{1-\sum_{A_k\capA_l=\varnothing}m_1(A_k)m_2(A_l)}，其中分母1-\sum_{A_k\capA_l=\varnothing}m_1(A_k)m_2(A_l)是歸一化因子，用于確保融合后的基本概率分配函數(shù)滿足\sum_{j=1}^{N}m(A_j)=1。當(dāng)有M個證據(jù)時，依次使用Dempster合成規(guī)則進(jìn)行兩兩融合，最終得到綜合的基本概率分配函數(shù)m(A_j)。根據(jù)綜合的基本概率分配函數(shù)m(A_j)，選擇信任程度最大的命題作為決策結(jié)果，即如果m(A_k)=\max_{j=1}^{N}m(A_j)，則將樣本判定為命題A_k所對應(yīng)的損傷類別。在實際應(yīng)用中，先利用貝葉斯決策方法對每個分類器的輸出結(jié)果進(jìn)行初步處理，得到每個分類器對樣本屬于不同損傷類別的概率估計。將這些概率估計作為D-S證據(jù)理論中的基本概率分配函數(shù)，通過Dempster合成規(guī)則進(jìn)行融合，得到最終的決策結(jié)果。這種結(jié)合貝葉斯決策和D-S證據(jù)理論的決策方法，充分利用了貝葉斯決策在處理概率信息方面的優(yōu)勢和D-S證據(jù)理論在處理不確定性信息方面的優(yōu)勢，能夠更準(zhǔn)確地判斷馬鈴薯的輕微損傷情況。4.3.2模型實現(xiàn)與驗證決策層融合檢測模型的實現(xiàn)基于Python編程語言，并借助Scikit-learn和TensorFlow等機(jī)器學(xué)習(xí)和深度學(xué)習(xí)庫。首先，利用多個不同的分類算法（如支持向量機(jī)SVM、隨機(jī)森林RF、卷積神經(jīng)網(wǎng)絡(luò)CNN）對馬鈴薯高光譜數(shù)據(jù)進(jìn)行分類處理，得到每個分類器的決策結(jié)果。對于支持向量機(jī)分類器，使用Scikit-learn庫中的SVC類，設(shè)置核函數(shù)為徑向基函數(shù)RBF，通過網(wǎng)格搜索法結(jié)合交叉驗證對懲罰參數(shù)C和核函數(shù)參數(shù)\gamma進(jìn)行調(diào)優(yōu)。對于隨機(jī)森林分類器，同樣使用Scikit-learn庫中的RandomForestClassifier類，設(shè)置決策樹的數(shù)量為100，通過交叉驗證調(diào)整其他參數(shù)，如最大深度、最小樣本分割數(shù)等。對于卷積神經(jīng)網(wǎng)絡(luò)分類器，使用TensorFlow庫搭建網(wǎng)絡(luò)結(jié)構(gòu)，包括卷積層、池化層、全連接層等，通過反向傳播算法和Adam優(yōu)化器對網(wǎng)絡(luò)參數(shù)進(jìn)行訓(xùn)練和優(yōu)化。將這些分類器的決策結(jié)果作為輸入，根據(jù)前面介紹的貝葉斯決策和D-S證據(jù)理論的決策方法與融合規(guī)則，進(jìn)行決策層融合。在Python中，編寫自定義函數(shù)實現(xiàn)貝葉斯決策和D-S證據(jù)理論的計算過程。在貝葉斯決策部分，根據(jù)訓(xùn)練樣本數(shù)據(jù)計算每個損傷類別的先驗概率和似然函數(shù)，然后根據(jù)貝葉斯公式計算后驗概率。在D-S證據(jù)理論部分，根據(jù)每個分類器的決策結(jié)果，定義基本概率分配函數(shù)，并使用Dempster合成規(guī)則進(jìn)行融合。通過調(diào)用這些自定義函數(shù)，實現(xiàn)決策層融合檢測模型的構(gòu)建和決策過程。為了驗證決策層融合檢測模型的性能，使用前面實驗中劃分的測試集數(shù)據(jù)進(jìn)行測試。將測試集中的馬鈴薯高光譜數(shù)據(jù)輸入到構(gòu)建好的模型中，得到模型的預(yù)測結(jié)果。計算模型的準(zhǔn)確率、召回率、F1值等性能指標(biāo)，與其他單一分類算法和其他層次信息融合檢測模型進(jìn)行對比分析。假設(shè)在測試集中，共有100個馬鈴薯樣本，其中正常樣本30個，輕微機(jī)械損傷樣本30個，輕微凍傷樣本40個。決策層融合檢測模型正確預(yù)測出正常樣本28個，輕微機(jī)械損傷樣本27個，輕微凍傷樣本36個。則模型的準(zhǔn)確率為(28+27+36)/100=91\%；對于正常樣本的召回率為28/30\approx93.3\%，輕微機(jī)械損傷樣本的召回率為27/30=90\%，輕微凍傷樣本的召回率為36/40=90\%，加權(quán)平均召回率為(30\times93.3\%+30\times90\%+40\times90\%)/100\approx91\%；F1值根據(jù)公式F1=2\times\frac{準(zhǔn)確率\times召回率}{準(zhǔn)確率+召回率}計算，對于正常樣本的F1值為2\times\frac{93.3\%\times93.3\%}{93.3\%+93.3\%}\approx93.3\%，輕微機(jī)械損傷樣本的F1值為2\times\frac{90\%\times90\%}{90\%+90\%}=90\%，輕微凍傷樣本的F1值為2\times\frac{90\%\times90\%}{90\%+90\%}=90\%，加權(quán)平均F1值為(30\times93.3\%+30\times90\%+40\times90\%)/100\approx91\%。通過與其他模型的對比發(fā)現(xiàn)，決策層融合檢測模型在準(zhǔn)確率、召回率和F1值等指標(biāo)上均表現(xiàn)出色，能夠更有效地檢測出馬鈴薯的輕微損傷情況，具有較高的實用價值。五、實驗結(jié)果與分析5.1模型性能評價指標(biāo)為了全面、客觀地評估基于高光譜不同層次信息融合的馬鈴薯輕微損傷檢測模型的性能，本研究選用了準(zhǔn)確率、召回率、F1值和精確率等多個關(guān)鍵指標(biāo)。這些指標(biāo)從不同角度反映了模型的檢測能力和預(yù)測效果，對于深入分析模型的性能表現(xiàn)具有重要意義。準(zhǔn)確率（Accuracy）是模型評估中最常用的指標(biāo)之一，它表示模型預(yù)測正確的樣本數(shù)占總樣本數(shù)的比例，體現(xiàn)了模型對整體樣本的正確分類能力。其計算公式為：Accuracy=\frac{TP+TN}{TP+TN+FP+FN}，其中TP（TruePositive）表示被正確預(yù)測為正類的樣本數(shù)，即實際為輕微損傷且被模型正確識別為輕微損傷的馬鈴薯樣本數(shù)量；TN（TrueNegative）表示被正確預(yù)測為負(fù)類的樣本數(shù)，即實際為正常且被模型正確識別為正常的馬鈴薯樣本數(shù)量；FP（FalsePositive）表示被錯誤預(yù)測為正類的樣本數(shù)，即實際為正常但被模型誤判為輕微損傷的馬鈴薯樣本數(shù)量；FN（FalseNegative）表示被錯誤預(yù)測為負(fù)類的樣本數(shù)，即實際為輕微損傷但被模型漏判為正常的馬鈴薯樣本數(shù)量。準(zhǔn)確率越高，說明模型在整體樣本上的分類準(zhǔn)確性越好。召回率（Recall），又稱為查全率，它衡量的是模型正確識別出的正類樣本數(shù)量占所有正類樣本總數(shù)的比例，反映了模型對正類樣本（即輕微損傷樣本）的覆蓋程度。其計算公式為：Recall=\frac{TP}{TP+FN}。在馬鈴薯輕微損傷檢測中，召回率高意味著模型能夠盡可能多地檢測出實際存在輕微損傷的馬鈴薯樣本，減少漏檢情況的發(fā)生。在實際應(yīng)用中，對于食品安全檢測等領(lǐng)域，召回率的高低直接關(guān)系到是否能夠及時發(fā)現(xiàn)潛在的質(zhì)量問題，保障消費者的健康和安全。精確率（Precision），也稱為查準(zhǔn)率，它表示被預(yù)測為正類的樣本中實際為正類樣本的比例，體現(xiàn)了模型預(yù)測為正類樣本的準(zhǔn)確性。其計算公式為：Precision=\frac{TP}{TP+FP}。在馬鈴薯輕微損傷檢測中，精確率高說明模型將馬鈴薯樣本判定為輕微損傷時，具有較高的可靠性，誤判的情況較少。在商業(yè)應(yīng)用中，較高的精確率可以避免對正常馬鈴薯樣本的誤判，減少不必要的經(jīng)濟(jì)損失。F1值（F1-score）是精確率和召回率的調(diào)和平均數(shù)，它綜合考慮了精確率和召回率兩個指標(biāo)，能夠更全面地評估模型的性能。其計算公式為：F1=2\times\frac{Precision\timesRecall}{Precision+Recall}。F1值的取值范圍在0到1之間，值越接近1，表明模型在精確率和召回率兩個方面的表現(xiàn)都越好，模型的整體性能也就越優(yōu)。在實際評估中，F(xiàn)1值可以幫助我們在精確率和召回率之間找到一個平衡，從而更好地評價模型在馬鈴薯輕微損傷檢測任務(wù)中的綜合表現(xiàn)。5.2不同層次信息融合模型的性能比較為了深入探究不同層次信息融合模型在馬鈴薯輕微損傷