有研究表明，利用高光譜結合偏最小二乘判別分析分類模型，可以有效的實現靈武長棗損傷後隨時間變化的快速檢測，為靈武長棗在線檢測提供理論依據。推薦使用賽斯拜克高光譜成像儀，可以快讀準確地獲得精密的高光譜圖像，從而進行精密的分析研究。

高光譜數據用於損傷長棗的檢測判別的背景

棗在中國已有4000多年的曆史，它主要分布在亞洲的亞熱帶和熱帶地區，已有三千多年的耕種曆史。“靈武長棗”(Lingwu long jujube)是寧夏重要的經濟林木之一，並且由於其巨大的生態、社會和經濟效益，也是寧夏農業的主要組成部分[1-2]，但是靈武長棗在采收、運輸等過程中容易受到損傷，並且損傷後不容易被觀察到降低商品價值嚴重影響經濟收益3。因此，亟需一種無損檢測技術快速有效地檢測靈武長棗的內部損傷。
近年來，高光譜成像係統作為一種快速無損、準確度高且具有高靈敏度的檢測係統，被用於蘋果、梨、獼猴桃、草莓、藍莓、桃子I等的瘀傷檢測。

Zhangl10等利用高光譜成像係統結合 AdaBoost 算法對完整蘋果和損傷後5個時間段(損傷後1 min、1天、2天、3天、4天)的蘋果進行了分類，結果表明，經MSC(multiplicative scatter correc-tion)和 CFS(correlation-based feature selection)預處理後，所選波長建立的模型平均精度為97.63%。

Fanii等利用最佳波長結合近紅外高光譜反射成像係統對藍莓內部瘀傷隨時間的變化進行了檢測研究，結果表明，藍莓在撞擊後 30 min、2h、6h和12h的波段比值圖像建模分類精度分別為77.5%，83.8%，92.5%和95.0%，以及 CARS-LS-SVM(competitive adaptive reweighted sampling-least squares-support 都or machine)模型的驗證集中健康和瘀傷藍莓準確率分別為93.3%和95.9%Lee等利用高光譜圖像對梨的物理損傷進行了檢測研究，結果表明：利用最佳閾值波段比檢測結果的準確率為92%。

靈武長棗外部缺陷檢測已有相關研究，但是對於靈武長棗內部損傷檢測鮮有報道。故以靈武長棗為研究對象，對完整長棗和損傷後五個時間段(損傷後2，4，8，12和24h)長棗進行分類判別。利用高光譜成像係統獲得高光譜圖像，利用ENVI軟件提取感興趣(region of interest， ROI)區域，並計算平均光譜值。對原始光譜利用 Savitzky-Golay 平滑的一階導數(first derivatives SG-1)和二階導數(second derivatives， SG-2)、標準正態變換(smandard normal variate， SNV)和去趨勢(Detrending)、以及SNV-SG-1、SNV-SG-2、Detrending-SG-1、Detrending-SG-2組合預處理， 並建立 PLS-DA分類模型；優選最優預處理算法得到的光譜數據，利用連續投影算法(successie projection algorithm， SPA)、間隔隨機蛙跳(interval random frog，IRF)、無信息消除變量(uninformative variable elimination，UVE)、變量組合集群分析法( variable combination popula-tion analysis， VCPA)、區間變量迭代空間收縮法(interval variable iterative space shrinkage approach， IVISSA)五種算法和 IRF-SPA、UVE-SPA、IVISSA-SPA三種組合算法進行特征變量選擇，特征變量建立偏最小二乘判別分析(partial least squares-discriminant analysis， PLS-DA)、線性判別分析(linear discriminant analysis， LDA.)和支持向量機(support vector machine， SVM)分類判別模型、為損傷靈武長在線檢測提供理論依據。

高光譜數據用於損傷長棗的檢測判別的結論

高光譜成像作為一種快速無損的檢測方法被廣泛應用。利用高光譜成像係統獲得完整長棗和損傷後不同時間段(損傷後2，4.8，12和24h)長棗的光譜圖像，提取感興趣區域，計算平均光譜值，建立原始光譜和預處理光譜數據的 PLS-DA分類模型，選擇 SNV-SG-2光譜數據的特征變量建立線性(PLS-DA， LDA)和非線性(SVM)分類判別模型，並對模型進行比較。在原始光譜數據建模中，模型校正集和預測集準確率分別為82.96%和90%。光譜經過預處理後得到SNV-SG-2-PLS-DA 為最優分類判別模型，模型校正集和預測集準確率分別為91.11%和96.67%，預處理可以有效提高模型的分類準確率。

在特征變量建立的分類模型中， SNV-SG-2-UVE-PLS-DA模型校正集和預測集準確率分別為86.3%和94.44%； SNV-SG-2-SPA-LDA模型校正集和預測集準確率分別為86.3%和83.33%； SNV-SG-2-UVE-SVM 模型校正集和預測集準確率分別為77.78%和71.11%。對於特征變量選擇算法來說，有的可以提高建模準確率，有的雖然減少了變量數，但是使得建模效果降低，不利於判別分類。對於建立的分類模型來說，線性分類模型(PLS-DA，LDA)分類結果優於非線性分類模型(SVM)分類結果，在線性分類模型分類結果中PLS-DA模型分類結果優於 LDA 模型分類結果，因此，PLS-DA 分類模型可以更好的為損傷靈武長棗在線檢測提供分類效果。