《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》：An object-based framework for identifying moldy corn using hyperspectral images
编辑推荐：
牛宇航|杨震|田文瑞|蒋华为|赵亮|王兴东|刘熙熙教育部河南省工业大学粮食信息处理与控制重点实验室，中国郑州450001摘要高光谱成像（HSI）凭借其无损和快速检测的能力，已成为检测玉米等谷物霉菌的关键技术。目前，常见的谷物霉菌检测方法主要分为基于像素（PB）和基于籽粒（KB）的
牛宇航|杨震|田文瑞|蒋华为|赵亮|王兴东|刘熙熙
教育部河南省工业大学粮食信息处理与控制重点实验室，中国郑州450001
摘要
高光谱成像（HSI）凭借其无损和快速检测的能力，已成为检测玉米等谷物霉菌的关键技术。目前，常见的谷物霉菌检测方法主要分为基于像素（PB）和基于籽粒（KB）的方法，但两者都存在固有的局限性。PB方法仅依赖光谱数据进行霉菌识别，忽略了空间特征，导致具有相似光谱的物质的误分类。KB方法提取籽粒的整体特征来检测霉菌，但忽略了玉米的细微结构，当霉菌像素较少时难以捕捉到霉菌特征。为了解决这些问题并提高霉菌玉米检测的准确性，本研究提出了一种创新的基于对象（OB）的框架来识别霉菌玉米。在该框架中，提出了一种用于近红外（NIR）高光谱图像的标准化玉米霉菌指数（NCMI），以增强健康玉米和霉菌玉米籽粒的可区分性。随后，多分辨率分割将每个玉米籽粒划分为均匀的对象，为特征提取提供了结构化的基础。然后设计了一个多尺度卷积网络（MSCNN），从这些对象中提取层次化特征，有效捕捉细微结构和跨尺度的上下文信息。提取的特征被输入到支持向量机（SVM）中进行最终分类，构建了一个结合多尺度特征提取与判别分类的MSCNN-SVM模型。实验表明，我们的OB框架实现了97.01%的准确率，优于PB和KB方法。这一新开发的框架为食品质量和安全的智能监测提供了强有力的技术支持，展示了广泛的应用前景和重要的推广价值。
引言
玉米是全球种植最广泛、产量最高的粮食作物之一[1]。与水稻和小麦一起，它是全球主要的粮食作物，至少贡献了30%的人类饮食热量[2]。然而，它对储存条件（特别是温度和湿度）的敏感性使其在储存条件不佳时极易受到霉菌侵袭[3]。由此产生的霉菌污染带来了双重后果：不仅通过霉菌毒素暴露危及人类健康，还限制了玉米在食品加工和工业应用中的用途，从而降低了其经济价值[4]。因此，开发出可靠的霉菌玉米检测方法对于减少食品浪费、降低粮食损失和保障全球食品安全至关重要。
传统的谷物霉菌检测技术，包括薄层色谱[5]、气相色谱[6]和高效液相色谱[7]，能够对真菌毒素进行定量分析。然而，这些方法存在固有的缺点：它们会对样品造成破坏，程序繁琐，分析时间较长，且需要大量人力[8]。高光谱成像（HSI）结合了传统的成像和光谱技术，能够同时获取目标的光谱和空间信息[9]。作为一种无损且快速的技术，HSI已在多个领域得到广泛应用：水果损伤评估[10]、粮食质量检测[11]和医学诊断[12]。在谷物霉菌检测方面，现有方法主要分为基于像素（PB）和基于籽粒（KB）的方法。PB方法使用阈值[13]或标准分类器（如支持向量机（SVM）[14]、[15]、[16]、偏最小二乘判别分析（PLS-DA）[14]、[16]和一维卷积神经网络（1DCNN）[18]来将每个谷物像素分类为霉菌或非霉菌。籽粒污染的最终判断基于预定义的霉菌像素阈值。虽然PB方法操作简单，但它们仅依赖光谱信息，忽略了空间维度特征。此外，相同光谱的异物现象会导致分类结果中出现“椒盐”噪声，从而降低识别准确性[19]。
为了解决PB方法中空间特征的忽略问题，学者们开发了基于籽粒（KB）的方法，这些方法将整个籽粒作为判别单元。这些方法将籽粒的光谱-空间特征输入到分类算法中，如SVM[15]、[20]、[21]、[22]、k最近邻（KNN）[20]和随机森林（RF）[20]、[24]。KB方法已被证明可以显著减少数据量并消除单个像素光谱的微小变化[25]。此外，这些方法有效减轻了PB结果中常见的“椒盐”噪声。然而，将整个籽粒视为单一判别单元会阻碍对细微霉菌特征的捕捉。这一限制在霉菌生长面积较小的情况下尤为明显，此时更容易出现误判。
基于对象（OB）的概念已广泛应用于遥感分类任务[26]、[27]，利用其扩展特征和降低数据复杂性的能力。其核心原理是将图像分析单元从像素提升到对象，生成均匀区域，从而可以利用几何属性（如形状和大小）、结构特征（如纹理）和语义上下文信息[28]。这种机制通过假设性地平衡光谱和空间特征，似乎有助于提高霉菌玉米识别的准确性，因为它可以捕捉与霉菌玉米相关的细微光谱差异和空间分布模式。基于上述理论基础，本研究提出了一个基于对象的霉菌玉米识别框架。与PB[13]、[14]、[15]、[16]、[18]和KB[20]、[21]、[22]、[23]、[24]方法不同，所提出的框架使用均匀区域作为基本识别单元。通过整合多维特征（包括光谱和上下文信息），它能够更准确、更可靠地识别霉菌玉米。具体来说，首先为近红外（NIR）高光谱图像提出了一种标准化玉米霉菌指数（NCMI），以增强健康玉米和霉菌玉米籽粒之间的可区分性。然后，采用多分辨率分割将每个玉米籽粒划分为均匀对象，有效利用OB概念捕捉空间和光谱的均匀性。随后，设计了一个多尺度卷积网络（MSCNN）从这些分割的对象中提取层次化特征，利用网络处理多尺度信息的优势。最后，将提取的特征输入到SVM中进行分类，从而开发出MSCNN-SVM模型。所提出的OB框架旨在实现三个关键目标：（1）测试OB概念在识别霉菌玉米中的适用性，探索其克服传统方法局限性的潜力；（2）通过整合光谱和空间特征提高霉菌玉米识别的准确性，通过特征融合优化MSCNN-SVM模型的性能；（3）与常用的PB和KB方法进行全面的比较分析，从而突出所提出的OB框架的优越性，并为其在农业应用中的实际效用提供实证证据。
章节片段
高光谱图像采集
本研究使用了Gaia Sorter-Dua NIR HSI系统（图1），该系统包括三脚架台灯、高光谱相机、笔记本电脑、升降平台和其他组件。该系统能够捕获853.7至1701.8纳米范围内的波长。配置的相机高度为13.5厘米，曝光时间为42.0毫秒，帧率为5帧/秒，生成由256个波段组成的高光谱图像。
为了获得实验用的高光谱图像，需要执行以下步骤
方法论
识别霉菌玉米的过程主要包括四个步骤：输入波段选择、玉米籽粒提取、多分辨率分割和霉菌识别，如图2所示。输入波段选择涉及通过波段操作和主成分分析（PCA）处理原始全波段数据；玉米籽粒提取采用改进的分水岭分割方法从图像中准确分割玉米籽粒；多分辨率分割将玉米籽粒划分为
结果
实验在配备第13代Intel(R) Core (TM) i9–13,900处理器（2.20 GHz）、16GB三星DDR5 RAM（5200 MHz）和NVIDIA GeForce RTX4060笔记本电脑GPU（8 GB VRAM）的计算平台上进行。图像预处理和输入波段选择预处理使用ENVI 5.6完成，多尺度图像分割使用eCognition Developer 9.0软件进行，玉米籽粒分割和霉菌检测的深度学习框架也使用了
高光谱图像的多分辨率分割
尽管基于对象（OB）的分析在识别霉菌玉米方面表现出显著效果，但在高光谱成像领域，多分辨率分割仍然是一个严峻的挑战。多分辨率分割需要用户大量干预来确定准确划分目标对象的最佳分割参数[57]。这些参数包括尺度因子、形状和紧凑性，在定义
结论
玉米储存不当常常导致霉菌生长，对人类食品安全构成重大风险。因此，准确识别霉菌玉米已成为食品质量和安全领域的一个关键研究课题。高光谱成像（HSI）以其无损和快速检测能力而闻名，已广泛应用于玉米和其他谷物的质量评估。为了高效准确地识别霉菌玉米，本研究提出了基于对象的（OB）框架，该框架包括
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
本工作得到了河南省工业大学粮食信息处理与控制实验室开放基金（项目编号KFJJ2024002）、河南省科技研究项目（项目编号232102321057）以及河南省工业大学青年骨干教师培养计划的支持。
