多光谱成像技术助力葵花籽品质特征识别

测试了可见光和近红外(405-970 nm) 区域的多光谱成像，以无损区分向日葵种子中的昆虫侵染、发霉、异色和酸败。使用基于10个特征波长的 Fisher 线性判别函数可以实现对完整向日葵种子的出色分类（准确度 >97%），这些特征波长是通过 Wilks的lambda逐步方法从原始19个波长中选出的。 多光谱成像技术结合主成分分析-聚类分析（PCA-CA）可以精确聚类不同酸败程度的完整葵花籽。我们的结果证明了多光谱成像技术作为一种快速无损分析种子质量属性的工具的能力，这使得在农业和食品工业中的许多应用成为可能。
 

图1.数据采集分析主要步骤流程图
 

在405-970nm范围内收集光谱，包括可见光和 NIR 区域的较低波长。图2显示了完整、虫害、发霉和异色向日葵种子作为整个数据集的平均光谱。大多数光谱的趋势非常相似，但光谱也存在一些差异。与完整的葵花籽相比，其他三种葵花籽在780-970 nm范围内的光谱反射强度更高，但在405-470nm范围内的结果正好相反。这些现象反映了四种向日葵种子中数百种物理化学成分之间的许多差异，这些物理化学成分以种子的光谱带和表面颜色为代表。完整的、虫害的、发霉的和异色的向日葵种子之间的差异有很多可能的原因。一方面，这些差异可能源于4种葵花籽中蛋白质、脂肪等的变化，主要表现为NIR区的变化。另一方面，差异可能是四颗种子外层变色和损伤导致可见区域变化的结果。这些光谱差异可用于对完整的、虫害的、发霉的和异色的向日葵种子进行定性分类。
 

图2.100颗完整(a)、40颗虫害(b)、39颗发霉(c)和39颗异色(d)葵花籽的平均光谱强度图示
 

图3.主成分分析图。多光谱数据主成分模型的特征值图（X轴和Y轴分别对应于成分数量和特征值），b PC1和PC2加载图（X轴和Y轴分别对应于光谱波长（nm）和PC的加载值）
 

特征值图如图3a所示。根据第二个和第三个分量之间的斜率变化，揭示了两个重要的PC。PC1和PC2捕获的百分比方差解释了整个数据集中99.28% 的变异性（图3b）。PCA 生成的载荷图的检查可以识别与不同样品特征之间的主要差异相关的光学范围。如图3b所示，虽然PC1在整个波长上产生完全正负载，但525-970nm光谱范围内的分数高于435nm至470nm光谱范围。它建议525-970 nm 的光谱范围比 435-470 nm 的光谱范围可以获得更多关于完整葵花籽的信息。由于 PC2 在 NIR 区域（范围从 780 到 970 nm）产生高负负载，在 UV、蓝色、绿色和黄色区域（范围从 405 到 590 nm）产生高正负载，这些波长与酸败程度有关完整的向日葵种子。