背景

南瓜籽的好坏决定着南瓜的产量和品质。水分是影响作物种子品质的四大因素之一，也是评价种子品质的关键因素。千粒重是种子的重要特征，是一批种子宜居性、活力或发芽等指标的依据之一，其直接受种子形状和大小的影响，可通过种子的长度和宽度来表征。高光谱成像技术结合了光谱分析和数字成像，为检测种子质量提供了巨大的潜力。根据成像方式的不同，可分为高光谱反射成像和透射成像。高光谱成像技术具有非接触式和实时性优点，可以在不对种子进行破坏性处理的情况下进行检测，并且能够实时获取数据，从而提高检测效率。因此，利用高光谱成像技术对南瓜籽的含水率和尺寸方面进行检测具有很大的优势，可以为南瓜籽的质量评价和处理提供科学依据。此外，数据融合是将来自多个传感器源的数据和信息进行组合和关联，以获得比单个传感器收集的信息更完整和可靠的过程。本研究通过获取南瓜籽的高光谱反射和透射图像，建立南瓜籽含水率预测模型，确定南瓜籽的大小。

实验设计

为增加南瓜种子的水分梯度，选取490颗南瓜种子，分成7组，置于50°C的干燥炉中，分别干燥0、20、40、60、80、100和120分钟。样本按3:1的比例划分为校准集和预测集。为了比较不同校准模型的性能，所有分析都使用相同的校准和预测集。使用GaiaSorter高光谱分选仪（江苏双利合谱）获取高光谱图像，其组成结构示意图如图1所示。该系统由计算机、成像光谱仪、位移平台、步进电机、透射光源和4个20 w卤素灯组成。成像光谱仪由CCD相机和光谱仪组成。获取不同图像时，需要切换不同光源，更换位移平台底板。整个成像系统被放置在一个密封的外壳中，以消除环境光的影响。图像光谱分辨率为3.5 nm，光谱范围为399.0 ~ 1015.6 nm。

图1. 高光谱成像系统原理图

在得到校正后的高光谱图像后，对单个南瓜籽进行分割，提取每个南瓜籽的光谱。采用最大类间方差法（Otsu）获取图像阈值，将灰度图像转换为二值图像，利用形态学操作去噪并获得连通区域，绘制开放操作二值图像，提取感兴趣区域（ROI）光谱。同时，利用重量法得到各南瓜籽水分含量的参考值。如表1所示，校准集样品的含水率范围（8.52-48.93%）大于预测集样品的含水率范围（9.18-48.05%）。图2直方图显示了南瓜籽水分含量在校准集和预测集中的分布趋势相似，呈正态分布。因此，样品含水率范围有利于建立稳定的水分预测标定模型。

图2. 南瓜籽水分统计直方图

所有南瓜籽在399.0 ~ 1015.6 nm范围内的反射和透射光谱如图3所示，可以看出所有样品的反射和透射光谱趋势相似。但由于不同样品的含水率（8.52-48.93%）不同，相应的光谱可能存在差异。反射光谱在670 nm左右出现吸收谷，可能与叶绿素a有关。透射光谱在475 nm左右有一个吸收谷，属于蓝光范围，与叶绿素-Ⅱa、叶绿素-Ⅱb、类胡萝卜素等植物色素有关。此外，从图3（d）中可以看出，由于水分子对光更敏感，600-850 nm的透射光谱标准差更高，说明该范围内样品的透射光谱存在显著差异。

图3. 南瓜籽的反射和透射光谱:（a）所有样品的反射光谱；（b）平均反射光谱；（c）所有样品的透射光谱；（d）平均透射光谱

基于反射光谱、透射光谱、低水平融合和中水平融合建立了PLSR和LSSVM模型。模型计算结果表2所示。表中显示了Rc2、RMSEC、Rp2和RMSEP值，用于比较基于不同数据的模型结果。

基于单一光谱数据建立PLSR和LSSVM模型：基于透射光谱的全光谱模型优于基于反射光谱的全光谱模型，非线性LSSVM模型优于线性PLSR模型。因此，利用高光谱透射成像技术对单个南瓜籽水分含量进行定量分析是可行的。为了选择有效波长并消除冗余和噪声，对反射和透射光谱数据采用了RT、VC、MCUVE、CART和UVE五种变量选择方法，以提高模型的预测性能。总体而言，大多数变量选择方法都优于各自的全谱模型，这表明变量选择有助于增强模型的预测能力。结果发现，无论是基于反射，还是基于透射谱的CARS-LSSVM模型在基于单一光谱的PLSR和LSSVM模型中预测性能和可靠性*优。为了创建更详细和全面的数据集，以更准确地预测单个南瓜籽的水分含量，继续进行了中低级的数据融合。

与基于单一光谱的模型相比，低级数据融合提高了模型的性能，更有可能检测到单个南瓜籽的水分含量。其中经过低级数据融合和CARS选择后的模型性能最好（表2），PLSR模型的Rp2、RMSEP和RPD分别为0.9196、0.0283%和3.4027，LSSVM模型的Rp2、RMSEP和RPD分别为0.9192、0.0284%和3.4127。

基于中级数据融合的单个南瓜籽PLSR和LSSVM模型结果如表2所示。在PLSR模型中，基于CARS的数据融合模型表现最好，基于RT的数据融合模型表现最差。在LSSVM模型中，只有基于CARS的模型优于基于单光谱和低水平数据融合的模型，Rp2和RMSEP分别为0.9231和0.0278%，达到最佳性能。综上所述，通过选择合适的变量选择方法，将反射光谱和透射光谱进行中级数据融合，可以有效地预测单个南瓜籽的水分含量。

为了更好地了解不同变量选择算法所选择的波长，本研究讨论了不同变量选择方法下模型在反射光谱、透射光谱和低水平数据融合三种不同数据集上的性能。每种变量选择方法在不同数据集中保留的变量位置如图4所示。基于不同变量的PLSR和LSSVM模型Rp2对比图如图5所示。

图4. 每种变量选择方法在不同数据集中保留的变量位置:（a）反射光谱；（b）透射光谱；（c）低级数据融合

图5. 基于不同数据类型的模型Rp2结果比较:（a） PLSR模型；（b） LSSVM模型

在反射光谱中，RT、VC、MCUVE、CARS和UVE算法分别选取了92个、47个、48个、17个和85个变量。在透射光谱中，RT、VC、MCUVE、CARS和UVE算法分别选取了23个、29个、50个、45个和110个变量。在低级数据融合中，RT、VC、MCUVE、CARS和UVE算法分别选取了232、76、162、66和139个变量。从图5中可以看出，基于CARS的模型对于线性PLSR和非线性LSSVM模型的Rp2都是最高的。此外，在大多数情况下，CARS保留的特征变量比其他变量选择方法少。这表明CARS算法可以显著减少不相关信息，保留特征变量，保持较高的模型精度。另外，图5显示，基于CARS算法的中级融合数据在两种模型中Rp2最高，这进一步证实了CARS算法在本研究中的优*性。因此，CARS算法是本研究中*优的变量选择方法。

利用高光谱反射图像确定了单个南瓜籽的长度和宽度，并计算了长宽比。采用主成分分析（PCA）对采集到的样本图像进行降维处理，识别出适合确定单个南瓜种子大小的图像。图6为一批样本图像降维后的前五幅主成分图像。与其他4个主成分图像相比，PC1图像表现出南瓜籽与背景*明显的对比。因此，随后根据PC1图像确定南瓜籽的大小。

图6. 样本的前五个主成分图像

要测量单个南瓜籽的长度和宽度，必须确定每个单位公制对应的像素数，该实验每公制像素比为3.68 px/mm。首先，使用Otsu方法对PC1图像进行分割。种子与背景对比明显，分割后的图像与实际图像高度一致，保证了测量值在很小的误差范围内。接下来，计算每个种子的长度和宽度所占用的像素数。最后，根据计算的像素数计算出每个南瓜籽的长度和宽度。

图7. 南瓜籽长度和宽度的测定方法

为了验证测量的南瓜籽尺寸是否与实际尺寸一致，用游标卡尺测量了10个南瓜籽的长度和宽度，每个数值测量三次。取测量结果的平均值作为最终值。表3显示了测量尺寸、实际尺寸和百分比误差。长度和宽度的误差范围分别为0.07% ~ 1.11%和0.11% ~ 2.31%。测量值与实际尺寸之间的差异很小。因此，本研究证明了利用高光谱反射图像确定南瓜种子尺寸的可行性。

采用上述方法测定490颗南瓜籽的大小。结果如表4所示，由表4可以看出，种子的长度范围为12.50-16.85 mm，平均值为14.95 mm，宽度范围为8.52-9.51 mm，平均值为8.04 mm。

结论

本研究证明了高光谱成像技术和数据融合在检测单个南瓜籽含水量方面的有效性，以及利用图像处理算法确定南瓜籽大小的可行性。通过利用CARS算法提取反射光谱和透射光谱的特征波长，实现了最佳的水分含量预测结果。相较于仅基于反射或透射光谱的模型，低级数据融合显著提升了预测模型的准确性。此外，基于中级数据融合的PLSR模型表现优于单光谱PLSR模型。在LSSVM模型中，结合RT、VC和MCUVE算法的中级数据融合模型优于仅基于反射光谱的LSSVM模型，但不如基于透射光谱的LSSVM模型。采用CARS算法的PLSR和LSSVM模型获得了*优的性能。利用高光谱反射图像和图像处理算法，准确确定了所有南瓜籽的长度和宽度。总之，本研究不仅证实了高光谱成像技术配合数据融合在单个南瓜籽水分检测中的应用潜力，也展现了其在确定种子尺寸方面的有效性，为高光谱成像技术在种子品质评估领域的应用提供了有力的理论支持。

推荐产品

GaiaSorter高光谱分选仪

作者简介

通讯作者：

黄富荣；暨南大学光电工程系；博导。

参考文献

论文引用自二区文章：Yin, Hai, Baiheng Xie, Bijuan Chen, Jinfang Ma, Jiaze Chen, Yongxin Zhou, Xueqin Han, Zheng Xiong, Zhanwang Yu, and Furong Huang. Detection of Moisture Content and Size of Pumpkin Seeds Based on Hyperspectral Reflection and Transmission Imaging Techniques. Journal of Food Composition and Analysis 124 (2023) 105651.