基于高光谱和成像纹理特征在决策层融合技术上的改进，实现对劣质高粱籽粒的分类

《Innovative Food Science & Emerging Technologies》：Enhanced classification of unsound sorghum kernels based on decision-level fusion of hyperspectral and imaging textural features

　　高粱不良籽粒高效鉴别方法研究采用多级数据融合策略，基于高光谱成像技术提取可见光-近红外(SWIR)和短波近红外(SWIR)光谱特征，结合灰度相关矩阵与Gabor滤波器纹理特征，通过极端学习机(ELM)与贝叶斯一致性实现决策级融合。实验表明，在测试集上 Vis-NIR波段96.54%的识别准确率较SWIR波段94.33%提升2.21%，证实多模态数据融合可有效提升农作物品质检测精度。

　　

李青林|赵京远|涂康|刘军|兰伟杰|潘雷清

南京农业大学食品科学与技术学院，中国江苏省南京市滨江大道666号，210095

摘要

快速识别不健康的高粱籽粒对于促进进出口贸易以及优化农业生产至关重要。在这项研究中，采用基于高光谱成像技术的多层次数据融合策略对不同类型的不健康高粱籽粒进行了分类，包括破损籽粒、有斑点籽粒、热损伤籽粒和发芽籽粒。通过综合融合可见光和近红外（Vis-NIR）以及短波红外（SWIR）光谱，并结合灰度共生矩阵和高巴滤波器纹理的高光谱成像特征，提高了分类能力。基于此，利用极端学习机（ELM）与贝叶斯共识的决策级融合策略能够有效识别健康、破损、有斑点、热损伤和发芽的高粱籽粒，其中在Vis-NIR波段的识别准确率为96.54%，在SWIR波段的识别准确率为94.33%。在测试集上，Vis-NIR的识别准确率比SWIR高出2.21%，表明其在识别不健康高粱籽粒方面更为合适。因此，这些结果表明，基于ELM和贝叶斯共识的高光谱与成像纹理特征的决策级融合可以有效提升不健康农产品的分类能力。

引言

高粱（Sorghum bicolor）是全球第五大重要谷物作物，年产量达6001万吨，起源于非洲大陆，在全球农业生产和贸易中占据重要地位（Wu等人，2022年）。高粱富含蛋白质、直链淀粉、支链淀粉、粗脂肪和水分，主要应用于饲料加工、遗传育种和酿酒领域，是中国白酒的关键原料（Zhao等人，2024年）。四种类型的不健康高粱籽粒——破损籽粒、有斑点籽粒、热损伤籽粒和发芽籽粒——直观地反映了整个高粱产业链的质量问题，并可追溯到关键环节的问题。不健康的高粱籽粒通常在生长、收获或加工过程中受到生物或非生物因素的影响，严重降低了营养价值、食品安全性和经济价值，因此快速准确的检测至关重要。传统上，不健康高粱籽粒的检测采用人工方法，需要专业培训且效率低下；或者使用计算机视觉与深度学习技术。例如，YOLOv5模型通过无人机拍摄的高粱穗RGB图像估计开花时间和产量，平均准确率为89.1%，优于RetinaNet和Faster-RCNN（Cai等人，2021年）。在机器视觉系统中，AntiConV模型被用于区分不同品种的高粱，训练集和验证集的准确率分别为89.22%和89.15%，基本满足了行业需求（Ma等人，2022年）。然而，现有的谷物计算机视觉研究往往仅关注表面特征，无法反映内部化学质量变化，限制了检测能力。因此，有必要整合不健康高粱籽粒的内部和外部质量变化，以开发更先进的检测技术。

多年来，高光谱成像（HSI）在遥感领域得到了发展。该技术能够同时获取多个样本的图像和光谱信息，在食品和化学检测中取得了成功应用（Dong等人，2022年）。结合纹理和光谱信息可以更好地反映谷物缺陷和变化。近期研究将HSI与人工智能结合用于谷物检测，包括大豆（Sun等人，2025年）、小麦（Han等人，2024年；Zhang等人，2022年；Zhao等人，2023年；Zhu等人，2023年）和玉米（Liu等人，2024年；Yang等人，2024年）。例如，HSI与双通道特征融合模型（DCFFM）结合使用，对不健康大豆的识别准确率分别为Vis-NIR区域95.13%、SWIR区域94.00%（Sun等人，2025年）。另一项研究中，HSI与不同的深度卷积神经网络（CNN）结合使用，用于识别轻微发芽的小麦籽粒，其中3D-CNN的识别准确率最高，达到98.40%，优于混合CNN模型（Zhu等人，2023年）。基于空间和光谱注意力模块（CNN-Spl-Spal-At）的CNN与HSI在Vis-NIR波段结合使用，用于检测不同类型的有缺陷玉米籽粒，训练集和测试集的准确率分别为98.04%和94.56%。然而，关于使用HSI和多层次数据融合检测不健康高粱籽粒的研究仍然较少。

流程图见图1。本研究利用Vis-NIR和SWIR的高光谱成像技术对五种类型的高粱籽粒进行分类。基于ELM的决策级融合模型整合了图像和光谱数据以提升分类效果。具体步骤包括：（1）获取高光谱图像；（2）进行预处理后构建LSSVM、LSTM和ELM光谱模型；（3）通过高巴滤波器和GLCM提取纹理特征；（4）构建多层次融合模型（跨域特征级、中间层、决策层）；（5）可视化并比较性能。

实验样本准备

本研究共使用了6308颗高粱籽粒，包括1224颗健康籽粒、1296颗热损伤籽粒、1341颗破损籽粒、1223颗发芽籽粒和1224颗有斑点籽粒。图S1展示了五种不同类型高粱籽粒的RGB图像。这些进口自澳大利亚的“Hunnigreen”高粱由成都海关技术中心提供。根据GB/T 8231-2024标准，手动选取和准备了这五种类型的高粱籽粒。

光谱信息分析

高光谱成像在采集过程中容易受到环境和仪器影响，导致数据受到基线漂移和随机噪声等不良因素的干扰。实证表明，适当的预处理可以显著提高后续分析过程的准确性和可靠性（Zhang等人，2024年）。本研究选择SNV、一次导数+SG平滑处理和归一化方法对原始光谱进行预处理。

结论

本研究提出了一个多层次数据融合框架，结合高光谱成像获取的图像和光谱信息来分类不同类型的不健康高粱籽粒。基于贝叶斯共识的决策级融合中的ELM利用后验概率优化分类决策，从而获得了优于其他融合层次的优异分类结果。通过对不同融合模型的比较

CRediT作者贡献声明

李青林：撰写——初稿、方法论、实验设计。赵京远：软件开发。涂康：指导。刘军：指导。兰伟杰：指导、概念构思。潘雷清：指导、概念构思。

利益冲突声明

作者声明不存在可能影响本文研究的已知财务利益或个人关系。

致谢

本工作得到了国家重点研发计划（2022YFF1100801）的支持。我们衷心感谢编辑和审稿人的宝贵意见，这些意见提升了本文的质量。