本发明涉及一种板栗无损检测方法，特别是涉及一种基于高光谱成像技术的霉菌侵染板栗的检测方法。
背景技术
板栗是重要的经济作物，在贮藏或加工过程中易受霉菌侵染，发生霉变，造成经济损失。目前，剔除霉变板栗主要采用人工拣选或盐水浮选，分选效率低。霉菌侵染初期，霉菌量少，不易被肉眼分辨，又或者板栗霉变发生在栗壳内，肉眼难以识别，导致分选错误率高。
另外，还可以通过组织分离法和分子生物学手段对板栗是否受霉菌侵染进行检测。即在无菌条件下，用无菌小刀将霉变板栗切开并去壳，在板栗病健交界处切3×3mm的组织块，用75％酒精消毒，将组织块接种于马铃薯葡萄糖(pda)培养基上，置于28℃的恒温培养箱培养3-4天。待组织块周围长出混合菌落后，再挑取单菌落在pda平板上分离纯化3-4天。纯化获得的菌株提取基因组dna，经真菌通用引物its1/its4进行pcr扩增，所得pcr产物纯化后进行测序分析。整个分离鉴定过程至少需要一周，成本高，还必须由专业人员进行操作。因此，研究一种快速、准确、无损地识别霉变板栗的检测方法，对于板栗的贮藏与深加工具有重要的意义。
高光谱成像技术融合了图像技术与光谱技术，能同时提取目标的光谱信息和图像信息，获取更全面的信息进行分析检测，可以对检测对象的内外部属性进行可视化检测和表达，具有波段多、图像分辨率高等一系列优点。
目前，高光谱成像技术已经广泛应用在农业与食品的检测上，如种质资源品种鉴别、水果成熟度识别等方面。
中国专利cn103808669a公布了一种基于高光谱成像技术的苹果虫眼快速无损检测方法，通过构建一套高光谱成像采集系统，并根据此系统采集苹果高光谱图像，然后对采集的高光谱图像数据进行校正处理和分析苹果虫害部分和正常部分的校正后的光谱曲线特征，确定特征波长和特征图像；再对高光谱图像数据进行主成分分析，选取主成分图像；同时，对特征图像采用最大熵分级阈值分割方法先后分割出苹果和虫眼，提取苹果和虫眼，依此提取主成分图像的80×60像素大小的感兴趣区域，对其提取0°方向的能量、熵、惯性矩和相关性的4个纹理特征和646nm、824nm处的反射率2个光谱特征；最后融合这6个特征采用bp神经网络实现对苹果虫眼的快速、无损检测。
中国专利cn103822879a公布了一种基于高光谱成像技术的猕猴桃膨大果无损检测方法，包括以下步骤：选取完好无损的猕猴桃膨大果和非膨大果作为样本；调试好高光谱图像采集系统的各项参数，采集猕猴桃样品的高光谱图像，并对采集的猕猴桃高光谱图像进行黑白校正；为了保证图像中仅有猕猴桃样本信息，构建掩膜以去除背景，进而求取猕猴桃果实区域中所有采样点下光谱的平均值，然后对光谱进行预处理；划分猕猴桃样本，得到校正集与预测集；对猕猴桃光谱数据进行降维；利用校正集样本建立猕猴桃膨大果识别模型，利用猕猴桃校正集和预测集样本分别检验模型对猕猴桃膨大果的正确识别率。但针对霉菌侵染板栗的检测方法尚无人涉及。
技术实现要素：
为克服现有检测方法效率低、错误率高的不足，本发明提出一种基于高光谱技术的霉菌侵染板栗的检测方法，能无损、快速检测板栗是否受霉菌侵染，实现了大批量、规模化的快速检测，具有成本低、速度快、操作简单、无损样品等特点，对减少板栗采后损失，提高产业经济效益具有重要意义。
基于高光谱成像技术的霉菌侵染板栗的检测方法，包括如下步骤：
(1)准备测试样本，设置两组板栗作为检测样本，一组为健康板栗样本，一组为霉菌侵染板栗样本；
(2)用高光谱扫描仪获得放置在平台上的板栗样本中每个像素点在各个波长下的图像信息，得到板栗样本的原始高光谱三维图像；
(3)对获得的板栗样本的原始高光谱三维图像进行校正和背景删除；
(4)对高光谱图像中每个像素点一定波长范围内的近红外光谱采用小波变换(wavelettransform，wt)进行去噪预处理后，提取板栗样本近红外图像的平均光谱数据，记为x1，将对应近红外光谱的板栗是否健康记为y1(健康样本类别赋值为1，霉菌侵染样本赋值为2)；
(5)对经过小波变换预处理后的近红外图像的平均光谱数据x1进行特征波长选择，记特征波长为x2；
(6)将所得数据(x2，y1)按比例随机分为建模集s1和预测集s2；
(7)以x2为输入和y1为输出，根据建模集s1建立pls-da(偏最小二乘判别分析)模型；
(8)将步骤(6)中的预测集s2的近红外光谱数据输入步骤(7)中建立的pls-da模型，对板栗的健康状况进行定性分析；
(9)利用步骤(5)中提取的特征波长和步骤(7)中的模型，以高光谱图像中板栗的光谱为预测集进行输入，记录样本坐标，利用matlab软件最终得到板栗健康状况的可视化分布图。
作为优选，所述的步骤(1)中的样本为同一品种、同一批次的板栗样本，从而保证分析健康板栗与霉变板栗的高光谱图像时不受其他因素干扰。
作为优选，所述的步骤(2)中高光谱扫描仪摄像头距离平台高度为25-30cm,平台移动速度为20-25mm/s,曝光时间1-3ms，从而确保能够获取清晰的高光谱图像。
作为优选，所述的步骤(2)中的高光谱扫描仪的扫描波长范围为975-1646nm，扫描方式为线扫描。
作为优选，所述的步骤(4)中去噪预处理方法为选择975-1646nm范围内的近红外光谱采用小波函数为db7，分解为3的小波变换进行去噪预处理，从而能够最大程度上减少光谱噪声对光谱曲线带来的影响。
作为优选，所述的步骤(5)中采用二阶导数(2ndspectra)进行特征波长选择，从而大大减少建模数据量，缩短建模时间。
作为优选，所述的步骤(5)中选取的特征波长分别为：985nm、1015nm、1079nm、1106nm、1126nm、1160nm、1170nm、1220nm、1251nm、1298nm、1311nm、1352nm、1382nm、1416nm、1443nm、1453nm、1497nm、1595nm、1615nm、1626nm，从而确保所选特征波长能最大程度上反映相关化学物质在健康板栗和霉变板栗中所发生的变化。
作为优选，所述的步骤(6)中建模集s1和预测集s2比例为2:1。
作为优选，所述的步骤(7)中pls-da模型采用全交互验证，判别阈值设定为0.5。
作为优选，所述的所述步骤(7)中建立的霉菌侵染板栗偏最小二乘判别分析模型为：
y1＝-24.973x1+28.097x2-21.248x3+0.450x4+1.920x5+68.929x6-21.143x7-56.324x8+69.331x9-32.094x10-31.567x11+0.268x12+26.202x13-35.646x14+170.283x15-127.134x16-26.708x17+355.464x18-1054.041x19+706.806x20
其中，y1为对板栗是否健康的判定，xa代表对应特征波长的反射率图像中某一板栗的反射率，其中a为1～20。
与传统的检测霉菌侵染板栗方法相比，本发明的优点为：
(1)本发明预处理简单。
(2)近红外光谱测量快速简便，检测成本低，不需要特殊或者昂贵的试剂。
(3)近红外光谱成像可实现板栗霉菌实时在线的可视化检测。
附图说明
图1为本发明基于高光谱成像技术检测板栗霉层侵染状况方法流程图；
图2为本发明实施例提取板栗样品的高光谱图像的平均光谱；
图3为本发明实施例基于高光谱成像技术检测板栗受霉菌侵染状况的可视化分布图。
具体实施方式
为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。
如图1所示，本实施例基于高光谱成像技术的霉菌侵染板栗的检测方法，包括如下步骤：
(1)准备测试样本，设置两组同一品种、同一批次的板栗作为检测样本，一组为健康板栗样本，一组为霉菌侵染板栗样本，两组样本分别有264个板栗。
(2)用高光谱扫描仪获得放置在平台上的板栗样品中每个像素点在各个波长下的图像信息，得到板栗样本的原始高光谱三维图像，高光谱扫描仪摄像头距离平台高度为25cm，平台移动速度为25mm/s，曝光时间1-3ms，高光谱扫描仪的扫描波长范围为975-1646nm，扫描方式为线扫描。
(3)对获得的板栗样本的原始高光谱三维图像进行校正和背景删除。
(4)对高光谱图像中每一个像素点975-1646nm范围内的近红外光谱用小波函数为db7，分解尺度为3的小波变换进行去噪预处理，预处理后，提取板栗样本近红外图像的平均光谱，所得的光谱如图2所示，记为x1，将对应近红外光谱的板栗是否健康记为y1，健康样本类别赋值为1，霉菌侵染样本赋值为2。
(5)对近红外光谱数据x1采用2ndspectra进行特征波长选择，选取的特征波长分别为：985nm、1015nm、1079nm、1106nm、1126nm、1160nm、1170nm、1220nm、1251nm、1298nm、1311nm、1352nm、1382nm、1416nm、1443nm、1453nm、1497nm、1595nm、1615nm、1626nm，记特征波长为x2。
(6)将所得数据(x2，y1)按比例2:1随机分为建模集s1和预测集s2。
(7)以x2为输入和y1为输出，根据建模集s1建立pls-da模型，得到的模型为：
y1＝-24.973x1+28.097x2-21.248x3+0.450x4+1.920x5+68.929x6-21.143x7-56.324x8+69.331x9-32.094x10-31.567x11+0.268x12+26.202x13-35.646x14+170.283x15-127.134x16-26.708x17+355.464x18-1054.041x19+706.806x20
其中，y1为对板栗是否健康的判定，xa代表对应特征波长的反射率图像中某一板栗的反射率，其中a为1～20。
(8)利用步骤(7)中的模型，将步骤(6)中的预测集近红外光谱数据输入检测模型，对板栗的健康状况进行定性分析，分析结果见表1。
表1健康与霉菌侵染板栗检测结果
由表1的结果可知，利用本发明方法对预测集样本检测得到的检测结果显示，该模型能够有效地判定板栗受霉菌侵染的状况。对于健康的样本建模集回判准确率达到了95％，预测集回判准确率达到了88％；受霉菌侵染的板栗的建模集和预测集回判准确率都达到了100％。
(9)利用步骤(5)中选取的特征波长和步骤(7)中的模型，以高光谱图像中板栗的光谱为预测集进行输入，记录样本坐标，利用matlab软件最终得到板栗健康状况的可视化分布图，可视化结果如图3所示，由图可知，健康板栗与霉变板栗显示不同的颜色，由可视化分布图可更直观的分辨板栗的健康状况。
由本发明实施例可知，特征波长的选取和检测模型的建立对于板栗健康状况检测是否准确有重要影响，本发明选取的特征波长和建立的检测模型，可以有效地实现对健康与霉菌侵染板栗的检测。