实验用粉葛药材品种为赣葛1号, 产地为江西上饶, 由中国中医科学院提供。 不同年限的粉葛原药材趁鲜切片, 得到饮片总数为838片, 其中一年生245片, 二年生292片, 三年生301片。

实验所用高光谱成像设备为HySpex系列高光谱成像光谱仪(Norsk Elektro Optikk AS), 主要由2个卤钨灯、 CCD探测仪以及SN0605VNIR与N3124SWIR两个镜头, 移动平台, 仪器自带计算机与内置软件组成。 经调试, 设置高光谱成像仪的镜头与样品的距离为20~30 cm, 平台移动速度为1.5 mm· s^-1。 SN0605VNIR镜头的积分时间为9 000 μ s, 帧时间为25 500 μ s, 光谱检测范围为410.45~990.10 nm, 波段间隔为5.37 nm, 总共108个波段; N3124SWIR镜头积分时间为3 500 μ s, 帧时间66 482 μ s。 光谱仪的光谱范围为948.72~2 512.97 nm, 波段间隔为5.43 nm, 总共288个波段。

由于受光源的不均匀性、 暗电流及偏置等因素的影响, 高光谱成像系统可能输出不均匀的图像, 不利于后续的数据分析, 因此需要对数据进行黑白校正, 校正公式如式(1)所示

Inew=Iraw-IdarkIwhite-Idark(1)

式(1)中, I_new为样本校正后反射率图像, I_raw为样本的原始光谱反射率图像, I_dark为黑板参考校正图像, I_white为白板参考校正图像。

黑白校正后, 需要选择每个高光谱图像的感兴趣区域(region of interest, ROI), 使样品与背景分离。 本实验采用棋盘法对不同生长周期的粉葛高光谱图像进行提取, 其中每个ROI内相对反射率的平均值作为一个样本。 具体的采样情况如表1所示。

表1

Table 1

表1(Table 1)

表1 不同年限粉葛的ROI数量 Table 1 The quantity of ROI of Puerariae Thomsonii Radix in different years 镜头 一年生 二年生 三年生 VNIR 4 987 5 590 4 887 SWIR 4 050 4 511 3 512

表1 不同年限粉葛的ROI数量 Table 1 The quantity of ROI of Puerariae Thomsonii Radix in different years

在高光谱数据的采集过程中易受样品背景、 形态差异的影响, 产生随机噪声, 因此对数据预处理具有重要意义, 有效的预处理方法能减少甚至避免干扰信息对高光谱数据的影响。 常见的高光谱预处理方法主要包括多元散射校正(multiplicative scatter correction, MSC)、 标准正态变量变换(standard normal variate, SNV)、 Savitzky-Golay平滑、 一阶导数、 二阶导数法等。 本实验选择SNV对高光谱数据进行预处理, 消除表面散射和光程变换对漫反射的影响^[26]。 如式(2)所示

XSNV=x-x̅σ(2)

式(2)中, x为采样样本, x̅为样本均值, σ 为样本的标准偏差。

高光谱数据存在冗余信息, 且波段之间高度相关, 在一定程度上增加了数据分析的复杂性, 影响模型的效果。 可采用特征提取的方式对高光谱数据降维, 减少数据的冗余度, 优化有效的鉴别信息, 提高研究对象的分类准确率。 本实验采用PCA对粉葛的高光谱数据进行特征提取。 在高光谱应用中, PCA将原始光谱数据中数百个波段通过一个正交矩阵线性变换为低维的样本矩阵, 并能最大限度保留原始数据的有效信息, 是一种有效的数据精简方式^[27]。 采用PCA对不同年限的粉葛高光谱数据进行特征提取, 降低波段间的冗余性和相关性, 从而提升数据分类的准确率和模型训练速度。 PCA的原理如下:

(1)设光谱数据为X=M× N的矩阵, 其中M表示样本数, N表示特征维度;

(2)对样本矩阵进行中心化(取均值): μ=1M∑i=1Mxi,其中 xi为第 i个样本;

(3)计算样本的协方差矩阵: C=1MXT;

(4)对协方差矩阵C进行特征值分解;

(5)对特征值按从大到小的顺序排列, 保留其中最大的N'个;

(6)取出N'个特征值对应的特征向量(w₁, w₂, w₃, …, w_N'), 组成特征向量矩阵W;

(7)将样本矩阵X投影到以特征向量矩阵W为基的新空间中, 得到降维后的矩阵: Z=X× W。

采用支持向量机, 逻辑回归, 随机森林, 多层感知机建立分类模型, 比较不同年限粉葛的分类准确率。 实验随机将总数据集划分为训练集(90%)和测试集(10%)。

1.7.1 支持向量机

支持向量机(support vector machines, SVM)是一种常见的分类模型, 具有运算时间短、 泛化能力强等优点, 被广泛应用于求解非线性问题, 在光谱数据分析中十分有效^[28]。 SVM的学习策略为间隔最大化, 通过训练集的间隔最大化得到一个最优分离超平面, 可形式化为求解凸二次规划的最优化结果^[29]。 对于线性不可分的问题, 需引入合适的核函数, 通过构造一个非线性映射, 将样本从低维映射到高维的特征空间以求解最佳的分割曲面。 核函数的选取影响SVM的性能, 若选择不适, 可能导致模型的效果不佳。 常用的核函数有线性核、 多项式核、 高斯核、 拉普拉斯核、 Sigmoid核等。 本实验分类模型SVM使用高斯核函数。

1.7.2 逻辑回归

逻辑回归(logistic regression, LR)是一种广义的线性回归分析模型, 主要通过最大似然估计寻找模型的最佳拟合参数来获得良好的鉴别效果。 LR模型简单, 速度快, 易于理解, 泛化能力强^[30], 被广泛应用于各种现实问题。 对LR模型一般采用L1范式和L2范式来防止模型过拟合。 本实验基于LR构建模型选择的正则化参数为L2, 损失函数的优化算法选择坐标下降法(liblinear), 算法收敛最大迭代次数为200。

1.7.3 多层感知机

多层感知机(multi-layer perceptron, MLP)是机器学习中常用的分类模型, 具有高度的自适应和较强鲁棒性, 能很好地解决模式识别等相关问题^[31]。 使用MLP处理分类问题时, 主要任务为找到合适的权重使损失函数最小化, 常见的优化方法有梯度下降法、 拟牛顿法等。

本研究使用的多层感知机模型为单隐层神经网络, 由输入层、 隐藏层、 输出层构成, 以反向传播的监督学习算法进行训练。 其中隐藏层的神经元个数为500, 隐藏层的激活函数选择relu函数, 权重优化的求解器选择adam, 初始学习率为0.001, 最大迭代次数为500。

1.7.4 随机森林

随机森林(random forest, RF)是基于决策树的集成学习算法, 在解决回归和分类问题时具有良好的能力。 RF模型实现简单, 抗干扰能力强、 对数据的适应能力快, 不易出现过拟合现象, 在处理大数据集时具有良好的效果^[32], 被广泛用于处理情感分析、 图像分类等问题。 近年来随着高光谱成像技术的发展, 随机森林算法也逐步被应用于解决该领域的各类问题。 随机森林的主要参数有决策树的数量, 决策树的最大深度, 叶子的最小样本数等。 本实验基于RF建模时, 决策树的数量和最大深度分别设为200和40。

分类模型构建完成后, 需要对模型的效果进行评估。 为了直观地判断模型优劣, 采用预测精度(Accuracy)作为模型评价标准。 如式(3)所示

Accuracy=TP+UNTP+FP+TN+FN(3)

式(3)中, TP、 TN、 FP、 FN分别表示真正例, 即正样本被预测为正样本的数量; 真负例, 即负样本被预测为负样本的数量; 假正例, 即负样本被预测为正本的数量; 假负例, 即正样本被预测为负样本的数量。

本实验使用ENVI5.3软件实现粉葛高光谱图像数据可视化, 原始数据的预处理和样本的采集借助MATLAB2018b完成, 最终的实验环境则由Python3.7软件实现。 为了避免实验的偶然性, 本实验所有结果均为30次均独立运行的平均值。

经过1.3节对高光谱数据进行校正后, 按照1.4节对不同年限的粉葛进行采样, 得到样本的光谱曲线如图1(a, b) 所示, 图1(a)和(b)分别为VNIR(410.45~990.10 nm)透镜和SWIR(948.72-~2 512.97 nm)透镜下光谱曲线, 其中每一条曲线代表一个样本。 从图1中可知不同年限粉葛的光谱反射率趋势大致相同, 但难以对其区分。 为了清晰地比较不同年限粉葛之间的区别, 分别对三种不同年限的样本求平均, 得到的光谱曲线如图2所示, 其中(a)和(b)分别为VNIR和SWIR透镜下的结果, 每条代表一个年限的平均光谱曲线。 从图2中能直观的看出不同年限的粉葛平均光谱反射率在VNIR和SWIR两个镜头下均存在差别, 其中三年生粉葛高于一年生和二年生, 说明不同年限粉葛的光谱特征存在差异, 基于高光谱成像技术对其年限鉴别是一种可行手段。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 粉葛样本的原始光谱曲线图 (a): VNIR透镜下; (b): SWIR透镜下Fig.1 The Original spectral curve of Puerariae Thomsonii Radix samples (a): Under VNIR lens; (b): Under SWIR lens

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 不同年限粉葛样本的ROI平均光谱曲线 (a): VNIR透镜下; (b): SWIR透镜下Fig.2 The average spectral curve of ROI of Puerariae Thomsonii Radix samples in different years (a): Under VNIR lens; (b): Under SWIR lens

本研究采用标准正态变换(standard normal variate, SNV)为预处理方法, 经过SNV预处理后的光谱曲线如图3所示, (a)和(b)分别为VNIR和SWIR两个镜头下的结果。 经SNV处理后, 能有效消除光谱散射和漫反射的影响, 减少各种干扰信息。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 SNV预处理后的粉葛样本光谱曲线图 (a): VNIR透镜下; (b): SWIR透镜下Fig.3 The Spectral curve of Puerariae Thomsonii Radix samples pretreated by SNV (a): Under VNIR lens; (b): Under SWIR lens

为验证PCA对高光谱数据降维的有效性, 本实验首先基于对全波段数据进行建模。 实验将预处理后的光谱数据作为输入变量, 分别导入四种分类模型中(SVM、 LR、 MLP、 RF), 结果如表2所示。 由表2可以看出, 在波段范围410.45~990.10 nm之间, SVM、 LR、 MLP、 RF四种模型的测试集准确率分别为78.09%、 77.03%、 81.43%、 72.09%; 波段范围在948.72~2 512.97 nm时, 四种模型的测试集准确率分别为93.11%、 93.79%、 94.23%、 89.77%。 由此可见, 在两个不同镜头下处理全波段数据时, MLP模型的准确率最高, 相较于其他三种模型具有更好地性能, 四种不同的分类模型在高波段(SWIR)范围下的预测精度均高于低波段(VNIR), 表明基于高光谱成像技术结合机器学习模型鉴别不同生长年限的粉葛时, 高波段的数据更具优势。 然而, 从整体的分类精度来看, 尤其是VNIR镜头下, 基于全波段建立的模型仍然有较大的提升空间, 因此在2.4节基于PCA构建不同粉葛年限的分类模型。

表2

Table 2

表2(Table 2)

表2 不同年限的粉葛样品在不同分类模型下的准确率(%) Table 2 The accuracy of Puerariae Thomsonii Radix samples in different years under different classification Models (%) 镜头 分类模型 训练集准确率 测试集准确率 VNIR SVM 80.69 78.09 LR 77.10 77.03 MLP 83.35 81.43 RF 98.88 72.09 SWIR SVM 93.75 93.11 LR 95.59 93.79 MLP 94.41 94.23 RF 99.82 89.77

表2 不同年限的粉葛样品在不同分类模型下的准确率(%) Table 2 The accuracy of Puerariae Thomsonii Radix samples in different years under different classification Models (%)

PCA具有最大可分性, 通过矩阵变换将高维、 强相关的原始高光谱数据转变为低维的变量。 基于上述全波段建模分析结果, 本实验采用主成分分析方法对不同年限的粉葛高光谱数据进行处理, 旨在达到更好地预测精度。 实验设置主成分所占百分比为30%, 分别建立SVM、 LR、 MLP、 RF四种机器学习分类模型, 结果如表3所示。

表3

Table 3

表3(Table 3)

表3 基于PCA降维后不同分类模型的准确率(%) Table 3 The accuracy of different classification models based on dimensionality reduction by PCA (%) 镜头 分类模型 训练集准确率 测试集准确率 VNIR SVM 97.99 96.12 LR 88.26 87.53 MLP 99.99 95.02 RF 100.0 93.41 SWIR SVM 99.99 99.26 LR 98.14 97.09 MLP 100.0 99.16 RF 100.0 97.91

表3 基于PCA降维后不同分类模型的准确率(%) Table 3 The accuracy of different classification models based on dimensionality reduction by PCA (%)

由表3可知, 在VNIR和SWIR两个镜头下, 基于PCA降维的模型分类准确率较全波段数据具有显著的提升, 波段范围在410.45~990.10 nm之间效果更佳。 主成分所占比为30%时, SVM的预测准确率最高, 分别为96.12%和99.26%, 高于全波段的最优模型(MLP)。 分析认为PCA降维后, 缩小了数据集并有效减少高光谱数据的冗余信息, 而SVM处理低维空间和小样本下的分类问题具有较好的优势。 另外, 相对于其他三种模型, 随机森林在VNIR和SWIR两个镜头下的预测精度提升最为明显, 相较全波段的最优结果分别提升了21.32%和8.14%。 分析认为全波段数据下, RF模型在两个不同镜头下的训练集准确率最高, 而测试集准确率最低, 可能出现了过拟合的现象, 使用PCA进行降维后, RF模型的测试精度提升最明显, 说明PCA能解决其过拟合的现象。

对PCA而言, 主成分所占比例是一个关键的参数, 参数的选取直接影响分类模型的性能。 若设置的过小, 大部分有效特征被剔除; 参数设置的过大, 则无关变量的存在直接降低模型的预测精度。 为了更精准预测不同生长年限的粉葛, 进一步分析讨论了参数对不同模型分类的影响。 本实验得到四种模型在不同透镜下的分类准确率随主成分占比增加的趋势, 图4(a)和(b)分别为VNIR和SWIR镜头下的分析结果。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 不同分类模型的预测精度随主成分占比增加的趋势 (a): VNIR透镜下; (b): SWIR透镜下Fig.4 The prediction accuracy trend of different classification models with the increased proportion of principal components (a): Under VNIR lens; (b): Under SWIR lens

从图4可以看出在VNIR镜头下, 主成分所占比低于10%时, 训练集和测试集均低于全波段数据下的分类准确率。 由此可知波段范围在410.45~990.10 nm时, 主成分个数参数设置为10%以下, 将主要特征和有效信息剔除, 导致分类模型的预测精度降低。 对SWIR镜头下的数据而言, 使用PCA降维后的效果更好, 当主成分所占比为10%时, 四种分类模型的预测精度较全波段数据有明显的提升, 再次表明SWIR镜头下的粉葛光谱数据在模型中表现出更好地效果。 在VNIR和SWIR两个镜头下, 当主成分占比为15%时, 四种模型均达到了较好的效果, 充分表明PCA能降低粉葛高光谱数据特征间的相关性, 有效地通过低维数据反映出较为真实的原始信息。

表4列出了四种分类模型在不同透镜下的最佳性能对应的成分所占比。 测试集的准确率在VNIR和SWIR镜头下, MLP的预测精度达到最高, 分别为98.55%和99.62%, 对应的主成分占比为80%和35%。 看主成分的占比, 四种模型在不同镜头下的预测准确率达最优时, 主成分所占百分比均不同, 说明不同主成分占比的选取会影响分类模型的性能。 其中SVM模型的效果最好, 在VNIR镜头下, 主成分占比为65%时, 分类准确率为97.74%, 在SWIR镜头下, 主成分所占百分比为20%, SVM的预测精度就达到了99.28%。 SVM模型中较少的主成分就达到了较高的预测精度, 说明SVM相对LR、 MLP、 RF三种模型的整体性能更好。 实验表明, 选用PCA对粉葛光谱数据降维后, 有效的选取主成分占比影响模型的最终性能。 对不同的模型在不同的镜头下应合理的选择主成分占比。

表4

Table 4

表4(Table 4)

表4 PCA降维后不同模型的最高预测准确率(%) Table 4 The highest prediction accuracy of different models after dimensionality reduction by PCA(%) 镜头 分类 模型 训练集 准确率 测试集 准确率 主成分所占 百分比/% VNIR SVM 98.89 97.74 65 LR 94.80 93.42 75 MLP 100.0 98.55 80 RF 100.0 93.99 45 SWIR SVM 99.99 99.28 20 LR 99.29 98.55 60 MLP 100.0 99.62 35 RF 100.0 97.91 30

表4 PCA降维后不同模型的最高预测准确率(%) Table 4 The highest prediction accuracy of different models after dimensionality reduction by PCA(%)

通过对粉葛高光谱数据的建模分析, 四种不同的分类器在SWIR镜头下数据的准确率均高于VNIR, 说明SWIR镜头下的数据质量优于VNIR镜头。 因此, 在对其实现快速无损检测时, 应优先选择SWIR镜头下的高光谱数据。 本工作只选择了“ 赣葛1号” 用于研究, 实验样本不具多样性, 后续将进一步采用不同产地粉葛品种对模型进行验证。

在实际的生产和应用中, 高光谱数据包含很多特征, 且波段之间具有强相关性, 在构建模型对其分类和识别时, 往往只有部分特征具备良好的预测效果。 假如将所有的高光谱数据直接作为输入且运行模型, 则会增加模型的计算量, 得到不理想的结果。 为了节省时间和成本, 提高所建模型的预测能力, 降低数据的维度数量、 提取特征波段在各种现实的应用中显得至关重要。 本研究选用主成分分析对粉葛高光谱数据降维, 相对较少的主成分就包含了原始数据中相对完整的信息, 当主成分所占比为15%左右, 四种模型均达到了较高的准确率, 其中PCA-SVM的综合效果最好, 说明采用PCA降维能很好地解决高光谱数据的高波段和共性问题。 因此, PCA被广泛应用于高光谱数据的特征提取。