基于近红外高光谱成像与多尺度空间-光谱特征融合的绿茶年份表征

《Journal of Food Measurement and Characterization》：Characterization of green tea vintages using NIR hyperspectral imaging and multi-scale spatial-spectral feature fusion

　　

摘要

为了提供一种高效且无损的方法来识别绿茶储存年份，本研究将近红外高光谱成像（NIR-HSI）与多尺度空间-光谱特征融合相结合。首先，对光谱预处理技术的对比评估表明，标准正态变量（SNV）和一阶导数（1st）分别在减少基线漂移和解析重叠峰方面表现优异。随后，确定最小绝对收缩和选择算子（LASSO）能够精确分离与老化过程相关的核心光谱波长。为了表征储存期间的复杂物理变化，实施了一种联合多纹理表示机制：采用Gabor滤波器提取多方向和多尺度的纹理能量，并结合灰度共生矩阵（GLCM）来量化微观空间粗糙度。消融研究证实，将光谱数据与该多维纹理机制相结合，在捕获形态变化方面明显优于仅光谱或单纹理模型。采用基于加权软投票的决策级融合方法，模型纠正了单模态数据误识别的边界样本，最优融合方案（1st-LASSO-GABOR-GLCM-LS-SVM）达到了94.34%的分类准确率。此外，使用轻量级注意力网络（LAN）和经典最小二乘支持向量机（LS-SVM）进行的比较表明，多纹理特征在农业小样本场景中，无论在深度学习还是传统机器学习框架下，都能持续产生优越的结果。最终，本研究确立了将光谱与多尺度纹理相结合，为农产品年份判别提供了一种稳健且高度可解释的范式。