• 引言

小麥是世界分布范圍廣泛的糧食作物之一，2011年，我國冬小麥播種面積達2.46億公頃，冬小麥產量128188萬噸(中華人民共和國統計局，2011)，在我國小麥的種植面積和產量僅次于水稻。小麥種子的發芽率對小麥的增產增收至關重要，而小麥種子的發芽率與小麥種子的儲藏年份有著密切關系，一般而言，隨著儲藏年份的增加，小麥種子的發芽率降低，因此小麥種子的儲藏年份的鑒別研究具有重要意義。傳統鑒別小麥種子儲藏年份的方法靠經驗豐富的農藝家聞種子的味道，看種子的成色，這樣的方法費時費力，而且誤差較大。成像高光譜技術融合了圖形技術和光譜技術的優勢，能夠同時獲取反映待測樣本外部特征、內部物理結構及化學成分的圖像信息和光譜信息，已經被廣泛應用到農產品無損檢測領域，在農藥殘留檢測、內外部品質預測等應用領域涌現了大量研究成果，但運用成像高光譜技術對作物種子年份的鑒定研究鮮有報道。本研究以小麥種子為例，利用成像高光譜技術鑒定小麥種子的年份，為農產品時間鑒定提供一種新的技術參考。

二、材料分析

本文以四川糧食所提供的小麥種子為研究對象，利用江蘇雙利合譜科技有限公司的高光譜分選儀Gaia sorter（光譜范圍400 nm - 1000 nm）采集測試對象的高光譜數據，以鑒別不同年份的小麥種子。

2.1  成像高光譜設備

 高光譜成像數據采集采用江蘇雙利合譜科技有限公司的 GaiaSorter高光譜分選儀系統。該系統主要由高光譜成像儀(V10E)、CCD 相機、光源、暗箱、計算機組成，結構圖與實景圖如圖1。實驗儀器參數設置如表1。

表1   GaiaSorter 高光譜分選儀系統參數

圖 1  GaiaSorter 高光譜分選儀結構圖與實景圖

2.2  圖像預處理

對成像高光譜分選儀采集的小麥原始影像數據進行數據的預處理，預處理過程主要包括兩部分。第一部分是輻射定標；第二部分為噪聲去除。

首先進行輻射定標。輻射定標的計算公式如1所示。

                   (1)

其中，Ref_target為目標物的反射率，Ref_panel為標準參考板的反射率，DN_target為原始影像中目標物的的數值，DN_panel為原始影像中標準參考板的數值，DN_dark為成像光譜儀系統誤差。

其次是噪聲去除，本文運用國外較為常用的最小噪聲分離方法(Minimum Noise Fraction Rotation， MNF)進行噪聲去除。最小噪聲分離工具用于判定圖像數據內在的維數（即波段數），分離數據中的噪聲，減少隨后處理中的計算需求量。MNF本質上是兩次層疊的主成分變換。第一次變換（基于估計的噪聲協方差矩陣）用于分離和重新調節數據中的噪聲，這步操作使變換后的噪聲數據只有最小的方差且沒有波段間的相關。第二步是對噪聲白化數據（Noise-whitened）的標準主成分變換。為了進一步進行波譜處理，通過檢查最終特征值和相關圖像來判定數據的內在維數。數據空間可被分為兩部分：一部分與較大特征值和相對應的特征圖像相關，其余部分與近似相同的特征值以及噪聲占主導地位的圖像相關。圖2為MNF降噪前后的光譜反射率變化。

圖2  MNF變換前(左)后(右)高光譜影像反射率的變化

三、數據分析與結果

     圖3為不同年份的小麥種子的高光譜圖像RGB合成圖。左圖為1995、2008、2009、2010、2011、2012、2013、2014共8年的小麥種子，右圖為2010、2011、2012、2013、2014共5年的小麥種子.

圖3 小麥種子的RGB圖像

根據數據分析的需要，分別截圖含小麥區域的高光譜影像數據，并利用小麥種子與背景的光譜差異性，提取純小麥種子，如圖4所示。

圖4  純小麥種子的RGB圖像

為了更為客觀地不同年份的小麥種子的內部信息，對經預處理后的高光譜數據進行主成分分析（Principal Component Analysis, PCA），去除波段之間的多余信息、將多波段的圖像信息壓縮到比原波段更有效的少數幾個轉換波段下。一般情況下，第一主成分包含波段中的80%的方差信息，前三個主成分包含了所有波段的中95%以上的信息量。由于各波段之間的不相關，主成分波段可以生成更多顏色、飽和度更好的彩色合成圖像。圖5為不同年份小麥種子高光譜影像PCA的合成彩色圖。從左圖可知，除2011年外，其他年份的小麥種子總體顏色呈規律變化；從右圖可知，除2012年外，其他年份的小麥種子總體顏色也呈規律變化。

圖5 小麥種子的PCA合成圖（前三主成分）

PCA變換的RGB彩色合成，讓我們更客觀地看到不同年份小麥種子在圖像顯示上的差別，為了進一步分析不同年份小麥種子的差別，分別提取不同年份的小麥種子，在提取不同年份小麥種子的基礎上分別提取其均值、標準差等特征，不同年份的小麥種子的均值、標準差變化如圖6所示。從圖6可知，無論是小麥種子的均值或標準差，其不同年份的小麥種子光譜曲線非常一致。從均值來看，在500 nm處不同年份的小麥種子區分相對明顯；從標準差來看，700 nm處不同年份的小麥種子區分相對明顯。因此本研究利用這兩波段分別構建NDVI和EVI光譜指數，NDVI和EVI的計算公式如下所示：

                                     （2）

                                      （3）

圖 6  不同年份小麥均值、標準差的光譜特征變化

以NDVI光譜指數為例，分析不同年份小麥種子之間的圖像顯示差異。從圖7可知，作圖除2011年，右圖除2012年，其他年份的小麥種子圖像顯示顏色呈規律變化。以NDVI圖為例，年份越久的小麥種子呈藍色，年份處于中間年份為綠色，最近年份的成紅色。

分別分析NDVI、EVI兩個光譜指數與其相對應年份的曲線變化圖，如圖8所示。從圖8可知，無論是NDVI還是EVI，隨著小麥種子收藏年份的增加，從總體變化趨勢來看，其NDVI和EVI值增加。

圖 7   不同年份小麥種子的NDVI密度分割圖

圖 8  不同年份小麥種子NDVI、EVI隨年份的變化規律

    從PCA的彩色合成、NDVI圖以及NDVI、EVI與年份之間的變化曲線可知，作圖的2011年小麥種子，右圖的2012年小麥種子，與整體的變化趨勢不一樣，故在分析NDVI、EVI與年份之間的關系時，刪除異常年份數據。下面以左圖7年的小麥種子為建模數據，右圖4年的小麥種子為檢驗數據，根據建模數據的建模模型，驗證模型的可靠性。如圖9為NDVI、EVI與其相對應年份的的散點圖及其趨勢線，從圖9可知，NDVI與其對應年份的決定系數為0.7624，EVI與其對應年份的決定系數為0.8585，從中可知，EVI與其相對應年份構建的模型的決定系數高于NDVI。

圖 9 NDVI、EVI與其相對應年份的散點圖

利用圖9所得到的NDVI的建模模型y=-118.48x + 2051.5和EVI的建模模型y=-9.312x +2027.7來預測右圖2010、2011、2013、2014共4年的小麥種子的年份，預測年份與實際年份的1:1圖如圖10所示，從圖10可知，預測年份取整數部分，無論是NDVI還是EVI，其預測年份與實際年份一致，如取四舍五入取整，NDVI構建的模型有兩年的預測年份超過實際年份1年，EVI構建的模型則有1年的預測年份超過實際年份1年。

圖 10  NDVI、EVI模型的預測年份與實際年份的1:1圖

備注：由于數據量有限，本研究的結果只能用于參考，非論文發表數據！