一、引言

祁門(mén)紅茶，作為中國(guó)歷史悠久的名茶之一，以其獨(dú)特的香氣和口感深受茶客喜愛(ài)。其品質(zhì)評(píng)估對(duì)于維護(hù)消費(fèi)者權(quán)益和促進(jìn)茶葉貿(mào)易具有重要意義。隨著科技的發(fā)展，高光譜成像技術(shù)作為一種新型的無(wú)損評(píng)估方法，正在逐步應(yīng)用于農(nóng)業(yè)和食品工業(yè)領(lǐng)域。本文旨在探討高光譜成像技術(shù)在祁門(mén)紅茶品質(zhì)評(píng)估中的應(yīng)用，以期為茶葉品質(zhì)評(píng)估提供新的技術(shù)手段。

二、高光譜成像技術(shù)基礎(chǔ)

高光譜成像技術(shù)結(jié)合了光譜分析和圖像處理技術(shù)，能夠同時(shí)獲取目標(biāo)物體的光譜信息和空間信息。通過(guò)對(duì)茶葉樣品進(jìn)行高光譜掃描，可以獲取其在不同光譜波段下的反射或透射信息，從而分析茶葉的內(nèi)在品質(zhì)。相較于傳統(tǒng)評(píng)估方法，高光譜成像技術(shù)具有非接觸、無(wú)損、快速等優(yōu)點(diǎn)，且能夠提供更豐富、更客觀的品質(zhì)信息。

三、祁門(mén)紅茶品質(zhì)評(píng)估的挑戰(zhàn)

傳統(tǒng)的祁門(mén)紅茶品質(zhì)評(píng)估方法主要依賴(lài)于感官評(píng)審和化學(xué)分析，但存在主觀性強(qiáng)、耗時(shí)費(fèi)力且易受人為因素影響等問(wèn)題。此外，祁門(mén)紅茶在加工、存儲(chǔ)和運(yùn)輸過(guò)程中品質(zhì)容易發(fā)生變化，如何實(shí)時(shí)監(jiān)測(cè)和評(píng)估其品質(zhì)變化是一大難題。因此，無(wú)損評(píng)估技術(shù)在祁門(mén)紅茶品質(zhì)管理中顯得尤為重要。

四、高光譜成像技術(shù)在祁門(mén)紅茶品質(zhì)評(píng)估中的應(yīng)用

利用近紅外高光譜成像系統(tǒng)(900~1700 nm)對(duì)祁門(mén)紅茶的6個(gè)等級(jí)進(jìn)行分類(lèi)，比較分析了PCA、MDS、t-SNE和Sammon四種不同降維技術(shù)，建立SVM和極限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)模型并生成高光譜圖像像素空間分類(lèi)圖。應(yīng)用的900-1700nm高光譜相機(jī)，可采用廣東賽斯拜克科技有限公司產(chǎn)品SP150M。短波近紅外高光譜相機(jī)，采集速度全譜段可達(dá)200FPS,被廣泛應(yīng)用于成分識(shí)別，物質(zhì)鑒別，機(jī)器視覺(jué)，農(nóng)產(chǎn)品品質(zhì)，屏幕檢測(cè)等領(lǐng)域。

1.2實(shí)驗(yàn)方法

1.2.1數(shù)據(jù)采集

近紅外高光譜采集儀的光譜范圍為900~1700 nm,光譜分辨率為3nm,共256個(gè)波段。在實(shí)驗(yàn)中將茶葉樣本均勻的平鋪在直徑為5cm,高為2cm的圓形容器中，放在前進(jìn)速度為1.68 cm/s的移動(dòng)臺(tái)上進(jìn)行圖像采集，曝光時(shí)間為20 ms,鏡頭與樣本之間的距離為32 cm。為避免外部光線影響，高光譜圖像的采集過(guò)程在暗箱中進(jìn)行。原始高光譜圖像噪聲較大，故對(duì)其進(jìn)行圖像校正。本文采用黑白校正和最小噪聲分離變換(Minimum Noise Fraction,MNF)方法對(duì)原始數(shù)據(jù)進(jìn)行去噪處理。使用ENVI5.3軟件，提取50×50像素中心區(qū)域作為感興趣區(qū)域(Region of Interest,ROI),計(jì)算其平均光譜作為樣本的原始光譜。各等級(jí)的茶葉樣本按照3:2分為訓(xùn)練集和測(cè)試集，訓(xùn)練集包含288個(gè)樣本，測(cè)試集包含192個(gè)樣本。

1.2.2數(shù)據(jù)處理

1.2.2.1數(shù)據(jù)預(yù)處理 ?

圖像采集過(guò)程中受到暗電流噪聲、探測(cè)器靈敏度和光學(xué)傳輸特性等因素影響，導(dǎo)致采集的圖像質(zhì)量受到影響，需要對(duì)采集圖片進(jìn)行黑白校正。在相同的采集條件下，分別采集反射率接近100%的白幀圖像和反射率接近為0%的黑幀圖像。

2結(jié)果與分析

2.1 ??樣本光譜特征

由于鹵素?zé)粼诔跏茧A段光照強(qiáng)度不均勻以及儀器噪聲影響，為了保證數(shù)據(jù)的準(zhǔn)確性和實(shí)驗(yàn)結(jié)果的可靠性，剔除900~980 nm和1650~1700 nm,選取光譜范圍在980~1650 nm的203條光譜帶作為祁門(mén)紅茶的原始光譜數(shù)據(jù)。所有樣本的原始光譜曲線如圖1所示，光譜數(shù)據(jù)受到隨機(jī)噪聲和散射效應(yīng)的干擾，需要對(duì)其進(jìn)行預(yù)處理。本文對(duì)原始光譜分別采用SG平滑濾波(Savitzky-Golay Filtering,SG)、標(biāo)準(zhǔn)正交變換(Standard Normal Variate,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)、SG-SNV和SG-MSC等算法對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。SG可以消除或減弱隨機(jī)噪聲，SNV和MSC用來(lái)校正散射現(xiàn)象，SG-SNV和SG-MSC對(duì)原始算法進(jìn)行了優(yōu)化。

實(shí)驗(yàn)結(jié)果表明，SG-SNV預(yù)處理效果優(yōu)于其他算法。該算法有效地修正了光散射引起的光譜基線漂移問(wèn)題，使光譜的吸收峰位置更加突出，光譜曲線如圖2所示。祁門(mén)紅茶6個(gè)等級(jí)的平均光譜曲線如圖3所示，不同等級(jí)的茶葉在三個(gè)峰處反射率差別較明顯。由此可知，高光譜成像技術(shù)可建立分類(lèi)模型對(duì)6個(gè)等級(jí)的祁門(mén)茶葉進(jìn)行識(shí)別。

2.2 ??高維數(shù)據(jù)可視化

利用MDS、Sammon、t-SNE和PCA等算法對(duì)高光譜圖像進(jìn)行高維數(shù)據(jù)的低維可視化。實(shí)驗(yàn)結(jié)果如圖4所示，不同顏色的聚類(lèi)代表不同的茶葉等級(jí)，只有t-SNE可以將6個(gè)等級(jí)的茶葉明確區(qū)分。如圖4(a)、圖4(b)、圖4(d)所示，MDS和PCA不能將G1和G4完全區(qū)分開(kāi)，Sammon不能將G5、G6以及G1、G3完全區(qū)分開(kāi)，主要原因是該樣本具有相似的光譜特征。與PCA和MDS相比，Sammon對(duì)6個(gè)等級(jí)祁門(mén)紅茶的可視化效果較差。由于Sammon映射沒(méi)有顯式地表示轉(zhuǎn)換函數(shù).該算法只是提供了一種度量方法來(lái)衡量轉(zhuǎn)換結(jié)果，故分離簇的能力不強(qiáng)。PCA和MDS無(wú)法保持高維空間的數(shù)據(jù)結(jié)構(gòu)，因其只利用了遠(yuǎn)處數(shù)據(jù)點(diǎn)的信息，所以分離簇能力較弱。如圖4(c)所示，與其他算法相比，t-SNE能夠捕獲數(shù)據(jù)的非線性和鄰域信息，故可呈現(xiàn)較好的可視化效果。由實(shí)驗(yàn)結(jié)果可知，t-SNE識(shí)別**分離簇?cái)?shù)的能力優(yōu)于PCA、MDS和Sammon。光譜數(shù)據(jù)進(jìn)行判別的實(shí)驗(yàn)結(jié)果。其中，SVM模型懲罰系數(shù)c為1.2,核函數(shù)系數(shù)g為2.8,ELM模型的隱層節(jié)點(diǎn)數(shù)為5。由實(shí)驗(yàn)結(jié)果知，SVM和SG-SNV-SVM模型，訓(xùn)練集和測(cè)試集的準(zhǔn)確率分別為100%。ELM模型的識(shí)別效果較差，ELM模型的訓(xùn)練集和測(cè)試集準(zhǔn)確率分別為90.27%和85.93%,SG-SNV-ELM模型的訓(xùn)練集和測(cè)試集識(shí)別率分別為98.61%和96.35%。預(yù)處理之后的SVM模型分類(lèi)精度沒(méi)有發(fā)生變化，而經(jīng)過(guò)預(yù)處理的ELM模型分類(lèi)精度顯著提高。由此可知，SG-SNV預(yù)處理對(duì)ELM得到有效應(yīng)用。

圖5是不同模型的混淆矩陣結(jié)果。圖5(a)混淆矩陣結(jié)果存在較多識(shí)別錯(cuò)誤，G2中10個(gè)樣本和3個(gè)樣本被分別識(shí)別為G1和G4,G3中3個(gè)樣本被識(shí)別為G4,G4中3個(gè)樣本被識(shí)別為G3,G5中1個(gè)樣本和3個(gè)樣本被分別識(shí)別為G4和G6,G6中4個(gè)樣本被識(shí)別為G5。圖5(b)混淆矩陣結(jié)果出現(xiàn)少量識(shí)別錯(cuò)誤，G3中1個(gè)樣本被識(shí)別為G1,G4中4個(gè)樣本被識(shí)別為G2,G6中1個(gè)樣本被識(shí)別為G5。圖5(c)和圖5(d)的混淆矩陣結(jié)果完全正確。為了可視化6個(gè)等級(jí)祁門(mén)紅茶的差異，對(duì)不同等級(jí)茶葉的像素光譜信息建立SVM和ELM識(shí)別模型，實(shí)驗(yàn)結(jié)果如圖6示。如圖6(a)所示，提取灰度圖像，如圖6(b)、圖6(c),祁門(mén)紅茶等級(jí)分類(lèi)圖由上到下依次為一級(jí)、二級(jí)、三級(jí)、四級(jí)、五級(jí)和六級(jí)。由圖6(b)所示，SVM模型將6個(gè)等級(jí)的祁門(mén)紅茶識(shí)別為各自相應(yīng)的等級(jí)，但也存在一些像素點(diǎn)分類(lèi)錯(cuò)誤，特別是圓形容器邊緣的誤分類(lèi)尤為明顯。由圖6(c)所示，ELM模型的分類(lèi)圖中不僅邊緣像素存在誤分類(lèi)，而且各等級(jí)之間存在嚴(yán)重誤分類(lèi)。除去邊緣分類(lèi)錯(cuò)誤，造成不同等級(jí)茶葉誤分類(lèi)的主要原因是光譜的相似性。誤分類(lèi)的另一個(gè)原因可能是茶葉的純度，例如，將低等級(jí)的茶葉摻入高等級(jí)茶葉中進(jìn)行混合售賣(mài)盈利。SVM模型的識(shí)別結(jié)果優(yōu)于ELM模型。因此，SVM有較好的識(shí)別效果和性能。

3結(jié)論

本文利用近紅外高光譜成像技術(shù)，結(jié)合SNV-SG、PCA、MDS、Sammon及t-SNE算法，基于光譜特征，分別建立祁門(mén)紅茶等級(jí)快速無(wú)損識(shí)別的SVM模型和ELM模型。結(jié)果顯示，t-SNE能更好地分離不同等級(jí)的祁門(mén)紅茶，其高維空間鄰近數(shù)據(jù)點(diǎn)的信息可以保持低維空間中的數(shù)據(jù)結(jié)構(gòu)。基于光譜特征的SVM模型和ELM模型的測(cè)試集識(shí)別率分別為100%和96.35%。因此，近紅外高光譜成像技術(shù)結(jié)合機(jī)器學(xué)習(xí)在茶葉產(chǎn)品分類(lèi)的應(yīng)用領(lǐng)域具有很大潛力。