應用方向：
本研究結合高光譜成像技術和連續小波變換（CWT），聚焦于霉變花生的精準識別，通過提取光譜敏感特征區分健康與霉變樣本。這一方法展示了高光譜技術在食品質量與**檢測中的重要應用價值，尤其在霉變與**感染監測、農產品自動分選和在線監控等方面具有廣泛潛力。相比傳統檢測方法，高光譜技術實現了非接觸、快速、綠色環保的檢測方式，為食品**監管及智能農業提供了高效解決方案。
背景：
花生作為全球廣泛種植和消費的重要油料作物，具有很高的營養價值。然而，由于其特殊的組成成分，花生極易受到**（如黃曲霉）的感染，進而產生強致癌性的黃曲霉**（AFB1）。這種**不僅對人類和牲畜健康構成嚴重威脅，還可能導致農民、加工商及分銷商的經濟損失。
現有的黃曲霉**檢測方法（如薄層色譜、高效液相色譜等）盡管準確，但存在耗時、操作復雜、依賴專業人員等局限性，不適用于自動化檢測場景。而近紅外光譜及高光譜成像技術因其非接觸性及高效性，逐漸成為食品質量評估領域的重要工具。然而，高光譜成像數據的高維特性給實時檢測系統帶來了計算負擔，特征降維成為后續數據處理的必要步驟。
連續小波變換（CWT）作為一種有效的特征提取方法，可在不同波長和尺度上分解光譜數據，從而識別出細微的光譜特征。盡管CWT在某些領域已顯示出其優越性，但其在谷物和油料作物**感染檢測中的應用仍較少。本研究旨在結合CWT和高光譜成像技術，開發一種高效、可靠的霉變花生識別方法。具體的研究目標為：（1）探索霉變花生的光譜特性；（2）確定適用于霉變花生檢測的*佳CWT特征；（3）比較CWT提取的小波特征與傳統波段選擇方法的分類性能。
實驗設計
１.1材料與方法
（1）花生樣品制備
從市場上購買了三種花生品種：花育（HY）、四粒紅（SLH）和小白沙（XBS）。手工挑選出完好無損的健康花生，并將其分成兩部分：一部分妥善保存作為健康樣本，另一部分用于獲取霉變花生樣本。為了獲得霉變花生樣本，將花生放入容器中，并置于37°C的恒溫箱中，相對濕度設定在85~90%，持續10天以促進曲霉菌屬的快速繁殖。從第11天起，溫度調整至30°C，相對濕度保持不變。分別在第20天和第30天取出花生作為不同霉變階段的霉變樣本。然后，對于HY品種的花生，隨機選取8個健康、霉變20天和霉變30天的樣本，并使用黃曲霉**B1（AFB1）快速檢測試紙進行評估。對于另外兩種花生品種，每種隨機選取10個健康、霉變20天和霉變30天的樣本，并使用AFB1快速檢測試紙進行評估。AFB1快速檢測試紙*低檢測限為5 ppb。該產品采用競爭性抑制金**層析法原理。當樣本溶液中的 AFB1 濃度超過檢測限時，檢測線不會顯現顏色反應，結果判定為陽性；當樣本溶液中的 AFB1 濃度低于檢測限時，檢測線呈現紫色反應，結果判定為陰性。在實驗過程中，健康花生樣本經 AFB1 快速檢測試紙檢測，其 AFB1 含量均低于 5 ppb，據此假設所有健康花生樣本均為健康。相反，霉變花生樣本經檢測發現 AFB1 含量均超過 5 ppb，因此假設所有霉變花生均為霉變。為排除水分含量對實驗結果的干擾，健康與霉變的花生仁分別在 60°C 的干燥箱中干燥 24 小時。
對于每種花生品種，我們獲取了七張高光譜圖像（三張用于訓練，四張用于測試）。圖1展示了用于獲取這七張高光譜圖像的花生樣本（HY）的照片。前三張圖像顯示了用作訓練數據的花生樣本，**張展示了健康的花生樣本，**張展示了第20天獲得的霉變花生樣本，*后一張展示了第30天獲得的霉變花生樣本。后四張圖像展示了用作測試數據的花生樣本；其中前兩張是健康花生和第20天獲得的霉變花生的混合物，另外兩張是健康花生和第30天獲得的霉變花生的混合物。*終，共成像了547個花生樣本（HY：154個，XBS：175個，SLH：218個），包括252個健康花生樣本和295個霉變花生樣本。在這些樣本中，232個花生樣本，包括79個健康樣本和153個霉變樣本，被用作訓練數據；315個花生樣本，包括173個健康樣本和142個霉變樣本，被用作測試數據。
圖1.用于獲取七張高光譜圖像的花生樣本（HY）照片：頂部三張圖像用于訓練數據集，底部四張圖像用于測試數據集
（2）高光譜成像系統與圖像采集
高光譜圖像采集使用的是GaiaSorter（江蘇雙利合譜科技有限公司）設備。它由四個部分組成：一個光譜成像系統、一個照明系統、一個傳送臺和一個計算機。光譜成像系統由一個高光譜相機（Image-λ-N25E-HS）組成，其光譜范圍為920至2530納米，該相機連接到一個標準的C口變焦鏡頭（F/2, f = 22.5 mm, HSIA-OLES22）。照明系統由四個200瓦的溴鎢燈（HSIALS-T-200W）組成。傳送臺由一個樣品臺和集成的電動精密傳送臺（HSIAT500）構成。計算機安裝了SpecVIEW系統控制軟件。
花生樣本被放置在一個10厘米×10厘米的黑色托盤中以獲取高光譜圖像，如圖1所示。所獲得的圖像共有288個波段，光譜分辨率為5.6納米。此外，為了校正所采集的高光譜圖像，我們收集了一張白參考圖像，并通過完全關閉相機光圈記錄了一張黑參考圖像。
（3）高光譜圖像預處理與光譜提取
圖像采集完成后，將所得到的高光譜圖像使用黑參考圖像和白參考圖像進行校正。另外，在捕獲高光譜圖像時，隨機噪聲是不可避免的，因此在進行進一步數據處理之前需要對數據進行了濾波。在本研究中，采用了五點平滑濾波器來處理高光譜數據。
非花生像素不僅在后續數據處理中無用，甚至可能對分析結果產生干擾，因此被標記為背景并賦予零值。為了提取緊密相連且無法通過簡單閾值分割的花生區域，采用了標記控制的水洗算法生成掩模圖像。隨后，利��該掩模圖像有效去除背景信息。在此基礎上，進一步進行了預處理操作，包括圖像裁剪以及低信噪比波段的移除。*終，篩選出波長范圍為1000-2486nm的 265個波段用于分析
在圖像空間分割上，采用了區域生長算法，其本質是將具有相似屬性的像素組合在一起。對于每個區域，指定一個種子點作為生長的起點；然后，比較周圍的像素點以確定它們是否包含在區域內。在本研究中，應用了四鄰域區域生長算法到掩模圖像上，以連接同一核區域內的像素，并為它們分配一個序列號。然后，每個花生仁都可以通過序列號輕松追蹤，這有利于實現花生分選的工業自動化。
對于健康的花生樣本，我們從每種花生的訓練圖像中隨機選取了100個像素。對于發霉的花生，首先從訓練圖像中手動選擇發霉的像素作為感興趣區域（ROI）；然后，從每種花生的ROI中隨機選取50個像素。因此，共計獲得了600個花生像素樣本，其中包括300個健康花生像素和300個不同程度**感染的發霉花生像素。所選取的花生像素樣本如圖2所示。
圖2.選定花生像素樣本的分布情況
（4）方法
特征波長提取：
連續小波變換（CWT）是一種強大的方法，用于在不同尺度和分辨率下檢測和分析高光譜數據中的微弱信號。本質上，CWT是一種線性操作，通過使用母小波函數在不同的波長和尺度上，可以將高光譜反射光譜轉換為一系列系數。在本研究中，由于吸收特征的形狀類似于準高斯函數，因此選擇了墨西哥帽作為母小波基。為了減輕計算負擔，僅保留了二進制尺度（21, 22, 23, …, 和 27）上的小波功率；因為總波段數為267，所以大于27 = 128的尺度上的分解分量不再攜帶有意義的光譜信息。
杰弗里斯-馬圖西塔（J-M）距離是一種靈活直觀的特征可分性指數，用于衡量兩個不同類別之間的特征，并廣泛用于指導特征選擇。杰弗里斯-馬圖西塔距離（J-M距離）的范圍是0到2，它提供了兩個類別之間可分性的一般度量。J-M距離越大，意味著兩個類別之間分離的概率越高，反之亦然。在本研究中，J-M距離被用來評估不同尺度和波長下的小波系數，以進行小波特征（WF）的選擇。
為了識別發霉花生仁，需要一種特征選擇方法來識別*重要的特征，因為許多WFs由于連續分解是冗余的，因此要選擇有意義的小波特征。首先，使用Mexican Hat作為母小波，通過CWT對每個花生仁的原始高光譜反射數據進行分解，分解尺度為21、22、23，……，27。這樣，原始光譜就被轉換成了在不同波長和尺度上的一組小波系數。其次，通過計算健康和發霉花生樣本之間的J-M距離，構建了J-M距離尺度圖。*后，根據J-M距離降序排列特征，并應用一個閾值J-M距離來劃分前1%的特征。由閾值劃分的特征在J-M距離尺度圖上形成了一個分散的特征區域。理論上，所有在特征區域內的特征都是被選擇的小波特征。然而，它們攜帶了冗余的光譜信息，因為同一區域內的特征是在連續的波長位置和尺度上產生的。因此，對于每個特征區域，使用具有*大J-M距離的特征來代表該特征區域捕獲的光譜信息。
SPA是一種前向變量選擇算法，通常用于減少模型中的變量數量，提高建模的速度和效率。它從單一波長開始，然后在每次迭代中加入一個新的波長，直到達到指定的波長數量。新選擇的變量是在之前選擇的變量正交子空間上具有*大投影值的變量。因此，SPA提取的有用變量子集具有*小的共線性。*優的變量數量通過均方根誤差（RMSE）來確定。在我們的研究中，SPA被用來選擇*優的波段以與WFs進行比較。
分類模型：
我們將健康花生標記為1，發霉花生標記為2。為了評估WFs以及SPA選擇的*優波段的性能，我們使用了兩種分類模型：偏*小二乘判別分析（PLS-DA）和支持向量機（SVM）。通過計算健康花生和發霉花生的整體分類準確率來評估WFs的性能。在PLSR中，由于預測響應很少直接產生等于1和2的二元結果，而是接近1或2的結果，因此使用了1.5作為分類的閾值。此外，PLS-DA模型中理想的潛在變量數量是通過五折交叉驗證下RMSE的值來確定的。在SVM中，徑向基函數（RBF）核被用作SVM分類框架的核。在評估方法中，通過計算靈敏度、特異性和總體準確性（OA）來評估分類模型的性能。
為了更清晰地說明圖像處理步驟，圖3展示了一個流程圖。虛線框中的部分專門針對訓練數據，用于確定*佳波段和特征權重。驗證圖像則跳過此部分，直接使用與訓練圖像相同的*佳波段和特征權重。
圖3.圖像處理流程圖
１.2.結果與討論
（1）花生的光譜反射率
圖4展示了健康和霉變花生的反射光譜，這些光譜是通過計算不同類別樣本光譜的平均值得出的。在健康花生的反射光譜中可以看到六個顯著的吸收峰，分別位于大約1208納米、1472納米、1747納米、1938納米、2145納米和2329納米（用黑點標記），主要可以歸因于與花生中的水分、蛋白質和油脂成分相關的CH、NH和OH的吸收。在1000-1500納米的波長范圍內，健康和霉變花生的光譜曲線形狀明顯不同。當花**生霉變時，1118納米處的反射率降低，導致吸收峰減弱。在1365-2486納米的波長區域，霉變花生的反射值高于健康花生，這可能歸因于**污染引起的散射和吸收特性。**的侵入可以使花生仁胚乳變得多孔，這可能導致霉變花生比健康花生散射更多的光線，這種散射會導致在反射模式下吸收更少的近紅外輻射。
圖4.健康與霉變花生的光譜響應：黑點表示健康花生的吸收峰，垂直虛線表示由SPA選擇的*佳波長變量。
