（2）用于识别霉变花生的波长特征（WFs）
在不同波长和尺度下，计算了每个样本光谱的小波系数，图 5 展示了健康与霉变花生样本的平均光谱结果。随后，通过计算不同类别小波系数之间的 J-M 距离，生成了一张指示WFs光谱敏感性和区分能力的尺度图（图 6）。在本研究中，顶部 1% 元素的阈值 J-M 值为 1.70，基于该阈值筛选出五个对霉变花生高度敏感的小波特征区域（图 6 中的橙*区域）。如图 6 所示，这些敏感特征区域主要集中在 1000–1500 纳米的波长范围内。该波长区域的光谱曲线形状在健康与霉变花生之间表现出显著差异（图 4）。在每个特征区域中，选取 J-M 距离*大的点，*终选择了五个用于区分霉变与健康花生的小波特征。它们的具体波长和尺度见表 1 。
1005纳米、1045纳米和1410纳米的波段分别与花生中的纤维素、油脂和水分有关，这些是花生的主要组成部分。在其他波段中，1422纳米和1518纳米与1430纳米和1510纳米相似，与总**感染有关。1430纳米波段可以归因于蔗糖/淀粉的O−H伸缩**泛音，而1510纳米对应于O−H变形羟基和C−O伸缩的第三泛音，这可以归因于角质层和β-葡聚糖。
图5.不同尺度下健康与霉变花生平均光谱的小波系数
图6.用于提取WFs的连续小波分析的J-M距离尺度图
（3）通过SPA进行*佳波段选择
每个类别的样本按照2:1的比例被随机分为校准和验证数据，并根据RMSE选择*佳波段的数量。校准和验证数据的随机分割导致了在不同实现中选择的波长有所变化；因此，为了选择*佳波段，样本分割和SPA程序被重复执行。在进行了五次样本分割和SPA程序后，比较了产生的五组波长，并选择了至少有3组共同认同的波长。*终，确定了七个波长（1005纳米、1208纳米、1450纳米、1927纳米、2078纳米、2190纳米和2251纳米）作为识别霉变花生的*佳波段，如图4所示。我们可以看到，在*佳波段和WFs之间只有一个共同的波段（1005纳米）。这主要是由于两种方法的选择标准不同，CWT主要捕捉光谱形状的差异，而SPA主要选择具有*小共线性的波段。在其他波段中，1208纳米对应于淀粉分子吸收相关的C−H**泛音和**泛音以及C−H组合；1450纳米波段可以归因于花生中的蛋白质含量；1927纳米波段，与1930纳米相似，可能归因于淀粉的O−H伸缩/HOH变形组合；2078纳米波段，与2090纳米相似，与总**感染有关。其他波段，2190纳米和2251纳米，更接近2200纳米和2270纳米，可能分别归因于−CHO的C–H伸缩/C=O伸缩组合和纤维素的O−H伸缩/C−O伸缩组合。
（4）WFs性能评估
使用五个WFs和七个*佳波段作为输入变量，结合PLS-DA和SVM建立了分类模型。对于WFs和*佳波段，PLS-DA的理想LVs数量分别为3和6。对于SVM参数（C，σ），采用了基于网格的方法和五折交叉验证进行优化，WFs和*佳波段的*优SVM模型对应的（C，σ）分别为（1，0.5）和（100，0.5）。然后，对花生仁中的每个像素进行了分类，使用SVM对HY（健康与霉变）的分类结果可见于图7。
图7.使用SVM对训练数据集进行逐像素分类的结果，其中(a)使用*佳波段，(b)使用WFs；对测试数据集进行逐像素分类的结果，其中(c)使用*佳波段，(d)使用WFs
在逐像素分类后，使用受**污染的像素数量与总花生像素数量的比率来确定花生仁是否受到污染。比率低于0.05、0.1和0.15的阈值分别被认为是健康花生。图8显示了β=0.15和SVM时HY的核尺度分类结果，定量结果如表2所示。从图8中我们可以看到，对于训练数据，无论使用WFs还是*佳波段，两种分类器和阈值都能正确识别健康和霉变花生。相比之下，对于测试数据，如表2所示，WFs在使用两种分类器的三个阈值上的整体准确度上都优于*佳波段。此外，使用WFs的灵敏度和特异性高于或等于使用*佳波段，表明WFs在健康和霉变花生分类中的性能更佳。CWT能够在不同尺度上分离吸收特征，将狭窄和宽的吸收特征分别分离到低尺度和高尺度。这种特性的好处是可以实现对WFs的**调查，从而能够选择*佳的光谱特征。
图8.使用SVM对训练数据集进行核尺度分类的结果，其中(a)使用*佳波段，(b)使用WFs；对测试数据集进行核尺度分类的结果，其中(c)使用*佳波段，(d)使用WFs。白色圆圈表示被误分类的花生仁
在此，我们使用了一个阈值来确定花生仁是否霉变。理论上，较小的阈值更好，因为它可以避免将霉变的花生误判为健康的花生。相反，较小的阈值可能会增加将健康花生仁误判为霉变的风险，这可能会导致因错误丢弃而造成的经济损失。因此，确定阈值至关重要。考虑到使用0.05、0.1和0.15的不同分类器的整体分类结果，本文推荐使用0.1作为折中的阈值。但是，未来应该探索一种可靠的阈值确定方法。此外，尽管本研究表明，通过结合CWT和高光谱成像技术，有可能以相对较高的准确度识别霉变花生，但本研究得到的特征和模型可能仍不适合实际应用于多样化的花生。不过，本研究中描述的特征提取和建模方法可以作为开发核心算法的参考。
结论
健康和霉变的花生在对短波红外光的光谱响应上表现出显著差异。在本研究中， CWT被应用于高光谱分类框架中，以提取特征来识别霉变花生。确定了五个WFs用于将花生分类为健康或霉变。本文展示的结果表明，WFs结合PLS-DA或SVM有希望识别出花生仁上的霉变——测试数据的准确度至少为96.19%。这比使用由SPA获得的*佳波段进行分类的性能更好。未来的研究应包括更多样化和不同种类的花生样本，建立霉变严重程度评估方法，对不同霉菌的霉变花生进行分类，并建立更可靠的阈值确定方法。这些改进可以增强所选WFs的鲁棒性。
推荐产品
GaiaSorter
作者简介（人名+单位+博导/硕导）
通讯作者：蒋金豹，中国矿业大学，博士生导师
参考文献
论文引用自二区文章：Xiaotong Qi, Jinbao Jiang, Ximin Cui, Deshuai Yuan (2019). Moldy Peanut Kernel Identification Using Wavelet Spectral Features Extracted from Hyperspectral Images. Food Analytical Methods. https://doi.org/10.1007/s12161-019-01670-w
