振动胁迫下双孢蘑菇高光谱成像品质检测

从表1可以看出，随着振动时间的延长，蘑菇菌盖的亮度L值逐渐下降，颜色值a、b愈加发黄、发红，体现出双孢蘑菇的颜色值随着振动时间的变化而变化。与蘑菇亮度L变化趋势相反，褐变度持续升高，这可能是因为振动处理加剧膜脂过氧化作用，细胞膜透性升高，导致细胞膜结构破坏，使酚类物质与褐变相关酶广泛接触并反应，从而加剧了褐变的发生。综上所述，说明振动胁迫会加速双孢蘑菇白度值下降和褐变。

图3为不同振动时间双孢蘑菇平均光谱曲线，可以看出，原光谱数据在400～450 nm和900～1 000 nm波段范围内存在较大噪声，为了保证后续模型的分类正确率，选择450～900 nm范围内的光谱数据进行后续研究。不同振动时间蘑菇平均反射率光谱曲线显著不同，振动120 s的平均光谱反射率最低，完好无损的最高，表明光谱反射率与L值有关，L值越大，蘑菇表面越明亮，光谱反射率越大，即随着褐变度的增加，双孢蘑菇反射率下降明显。进一步分析，光谱在450～750 nm波段不同损伤程度的双孢蘑菇反射率差异明显。

为了提高光谱数据的信噪比，分别采用SNV、SG以及MSC对原光谱进行处理，原光谱曲线以及3种方法处理后光谱曲线（取3种样本各10个光谱数据）如图4所示。

从表2可以看出，经过不同预处理方法后，分类模型的效果有很大差异，其中SG预处理后的建模效果最好，训练集和测试集分类正确率分别达到91.11%和84.44%，因此后续研究均采用SG平滑方法处理实验数据。

特征波长提取

采用SPA提取特征波长个数与RMSECV对应关系如图5a所示，可见选择的特征波长个数为5时，RMSECV值最小为0.191。最终提取出的5个特征波长依次为465、495、512、540、616 nm，如图5b所示。特征波长主要集中在500～650 nm之间，主要是由于该波段范围对应可见光谱的黄色及黄绿色，振动胁迫导致双孢蘑菇表面颜色逐渐变黄，因此随着褐变度增加光谱反射率呈下降趋势。

从图6可以看出，CARS在第59次采样时，获得的变量子集建立的PLS模型RMSECV最小，因此，该子集定为关键变量子集，共包含8个变量。提取的特征波长依次为451、475、484、492、518、545、655、798 nm。与SPA相似，CARS提取的特征波长主要集中在500～650 nm附近范围内，除此之外，798 nm波段主要与蘑菇水分含量有关，由于蘑菇受振动胁迫时间较短，因此水分变化并不明显。

纹理特征提取

如图7所示，因此本研究采用500 nm波段下的灰度图作为特征图像进行感兴趣区域提取。从180个双孢蘑菇样本灰度图中提取240×240大小感兴趣区域图像作为纹理图像，根据纹理特征参数提取方法提取纹理特征值。

基于光谱特征的判别模型

从表3可以看出，3种识别模型对完好无损、振动60 s、振动120 s的双孢蘑菇识别效果存在较大差异。从3种模型的检测结果看，在训练集和测试集中，SPA提取特征波长效果均优于CARS，可能是由于CARS特征提取算法选择的波长与双孢蘑菇振动损伤相关性较小，而SPA对于消除原始光谱中的冗余信息效果更为突出。此外，SPA-PLS-DA分类识别率最高，训练集和测试集的平均识别率分别为93.33%和91.11%，SPA-BP模型识别率次之，训练集和测试集平均识别率分别为91.11%和88.89%，可能是因为BP神经网络在训练时神经元反向传递学习过程中，易陷入局部最优解。ELM识别模型分类效果差于PLS-DA和BP，训练集和测试集平均识别率分别为82.96%和71.11%，原因可能是ELM模型权重和偏置在后续训练中不进行更新，使其陷入局部最小值，无法获得最优解。

基于纹理特征的判别模型

从表4可知，与光谱特征判别模型一致，基于纹理特征判别模型的准确率高低依次为PLS-DA、BP和ELM。PLS-DA识别模型在训练集和测试集中，完好无损双孢蘑菇识别正确率均在90%以上，振动60 s类型、振动120 s类型双孢蘑菇识别正确率均低于90%；BP判别模型的分类效果不理想，训练集和测试集中，3 类双孢蘑菇识别正确率均在90%以下，尤其是测试集中，振动60 s双孢蘑菇识别正确率为53.33%。ELM判别模型平均分类正确率最低，训练集和测试集中仅有振动120 s类型双孢蘑菇识别正确率在80%以上。以上建模结果表明单从外部纹理特征建模并不能准确表达蘑菇的内部信息，识别效果不理想。

基于光谱-纹理特征融合的判别模型

从表5可以看出，训练集的3种不同损伤程度的双孢蘑菇识别正确率均为97.78%，测试集的完好无损类型和振动120 s类型的双孢蘑菇识别正确率为100%，振动60 s类型识别正确率为86.67%，总体识别率为95.56%。

从图8可以看出，测试集的振动60 s出现了识别错误的情况，振动60 s被识别成振动120 s和完好无损类型各1个，识别错误的原因可能是振动60 s类型的部分样本与之相邻两类样本的纹理特征差异较小，且光谱特征区分不够明显，导致测试集发生误判的情况。

分析并比较SG、MSC和SNV作为高光谱数据预处理方法的建模效果，确定SG为预处理最佳方法。将处理后的数据采用SPA、CARS方法提取特征波长。基于特征波长下的光谱数据以及全波段光谱数据建立PLS-DA、BP神经网络以及ELM分类模型，最终确定SPA-PLS-DA模型分类效果最好，训练集和测试集总体识别率分别为93.33%、91.11%。

利用灰度共生矩阵提取500 nm波段下双孢蘑菇纹理特征参数16个，基于特征值建立双孢蘑菇图像信息的PLS-DA、BP神经网络以及ELM分类模型，通过分析实验结果，确定PLS-DA为最佳分类模型，其中训练集和测试集总体识别率分别为88.89%、86.67%。相比光谱建模效果稍差。

融合光谱特征和图像特征，建立PLS-DA双孢蘑菇分类模型，训练集和测试集总体识别率分别为97.78%和95.56%。预测效果优于单一信息建立的判别模型。结果表明，采用光谱-图像融合信息建模可以提高双孢蘑菇损伤程度检测精度。