摘要
粮食安全关系到国计民生，在小麦储存加工过程中，霉变不仅会影响小麦的品质和营养价值，降低小麦的食用和加工价值，导致粮食浪费和经济损失，还会产生对人体健康有害的毒素。霉菌是导致小麦霉变的主要微生物，霉菌生长过程中会产生孢子，而孢子作为霉菌的繁殖体，是小麦霉变的关键因素。目前针对微生物检测的显微镜计数法、平板计数法和酶联免疫吸附法等方法均不能做到兼具自动化和微生物可视化。本文提出基于显微高光谱成像技术的小麦霉变检测方法，实现对霉变小麦所感染的菌种以及霉变程度的可视化自动识别，论文主要进行了以下工作： 以黄曲霉菌、黑曲霉菌和灰绿曲霉菌感染的小麦为研究对象，将霉变程度依据孢子含量划分为轻度（关键控制区）、中度、重度三个等级，在温度为28℃，相对湿度为84%的恒温恒湿培养箱中培养霉变小麦。将培养得到的270个霉变小麦切片处理后，通过显微高光谱成像系统采集霉变小麦切片样本的显微高光谱数据，利用最大类间方差法在699.3nm波段下分割出样本中清晰的单个霉菌孢子图像作为感兴趣区域，共采集了2700个霉菌孢子472维401.2-1002.5nm波段下的高光谱图像。采用S-G求导、MSC以及SNV三种方式对孢子显微高光谱数据进行预处理，构建PLS-DA预处理效果评价模型，结果表明，S-G求导对孢子显微高光谱数据预处理时优于MSC与SNV，选择457.3-944.4nm的406维光谱数据作为后续特征提取和建模分析的数据基础。 基于显微高光谱成像技术的小麦霉变程度识别。通过SPA和ACO法将预处理后的光谱数据进行特征提取，SPA 法依据RMSE的取值最终确定将孢子光谱数据压缩至 18-20维，ACO法以最佳适应度值为依据筛选孢子光谱数据至24-32维。构建CS-SVM分类模型，利用这两种算法优化过的数据对小麦霉变程度进行识别。结果表明，SPA法优化后的数据对于分别感染黄曲霉菌、黑曲霉菌、灰绿曲霉菌小麦的霉变程度识别正确率分别为96.18%、93%和94.44%，分别高于ACO法优化后数据3.52%、4.34%和5.11%。利用 PCA 法对霉菌孢子光谱数据进行分析，确定适用于霉变程度分类的最优光谱波段为779.3nm，提取该波段下的能量、熵和灰度平均值等11维纹理特征。将11维纹理特征结合SPA法压缩的18-20维光谱特征构建29-31维“纹理+光谱”复合特征空间，构建CS-SVM分类模型对小麦霉变程度进行识别。结果表明，基于“纹理+光谱”特征组合的模型识别准确率分别为 97.41%、94.15%和 96.23%，较基于光谱特征的模型提高1.23%、1.15%和1.79%，较基于纹理特征的模型提高13.06%、10.82%和13.92%。 基于显微高光谱成像技术的小麦感染菌种识别。通过 SPA 法对预处理后的光谱数据进行特征压缩，结果表明，当表征孢子光谱数据。构建 PSO-SVM、ELM 与 GWO-SVM 三种分类器对小麦感染菌种进行识别。结果表明，PSO-SVM、ELM与GWO-SVM三种模型识别率分别为93.33%、90%与92.67%。利用PCA法对霉菌孢子光谱数据进行分析，确定适用于菌种分类的最优光谱波段为704.5nm，提取该波段下的能量、熵和灰度平均值等11维纹理特征。将11维纹理特征结合18维光谱特征结合构建29维“纹理+光谱”复合特征空间。实验表明，基于“纹理+光谱”的复合特征空间对霉菌种类的识别准确率分别为PSO-SVM模型99%、ELM模型95.67%和GWO-SVM模型97.67%，较基于光谱特征的模型分别提高5.67%、5%与5.67%。
NETL