應(yīng)用方向：

本研究結(jié)合高光譜成像技術(shù)和連續(xù)小波變換（CWT），聚焦于霉變花生的精準(zhǔn)識(shí)別，通過提取光譜敏感特征區(qū)分健康與霉變樣本。這一方法展示了高光譜技術(shù)在食品質(zhì)量與安全檢測(cè)中的重要應(yīng)用價(jià)值，尤其在霉變與真菌感染監(jiān)測(cè)、農(nóng)產(chǎn)品自動(dòng)分選和在線監(jiān)控等方面具有廣泛潛力。相比傳統(tǒng)檢測(cè)方法，高光譜技術(shù)實(shí)現(xiàn)了非接觸、快速、綠色環(huán)保的檢測(cè)方式，為食品安全監(jiān)管及智能農(nóng)業(yè)提供了高效解決方案。

背景：

花生作為全球廣泛種植和消費(fèi)的重要油料作物，具有很高的營(yíng)養(yǎng)價(jià)值。然而，由于其特殊的組成成分，花生極易受到真菌（如黃曲霉）的感染，進(jìn)而產(chǎn)生強(qiáng)致癌性的黃曲霉毒素（AFB1）。這種毒素不僅對(duì)人類和牲畜健康構(gòu)成嚴(yán)重威脅，還可能導(dǎo)致農(nóng)民、加工商及分銷商的經(jīng)濟(jì)損失。

現(xiàn)有的黃曲霉毒素檢測(cè)方法（如薄層色譜、高效液相色譜等）盡管準(zhǔn)確，但存在耗時(shí)、操作復(fù)雜、依賴專業(yè)人員等局限性，不適用于自動(dòng)化檢測(cè)場(chǎng)景。而近紅外光譜及高光譜成像技術(shù)因其非接觸性及高效性，逐漸成為食品質(zhì)量評(píng)估領(lǐng)域的重要工具。然而，高光譜成像數(shù)據(jù)的高維特性給實(shí)時(shí)檢測(cè)系統(tǒng)帶來了計(jì)算負(fù)擔(dān)，特征降維成為后續(xù)數(shù)據(jù)處理的必要步驟。

連續(xù)小波變換（CWT）作為一種有效的特征提取方法，可在不同波長(zhǎng)和尺度上分解光譜數(shù)據(jù)，從而識(shí)別出細(xì)微的光譜特征。盡管CWT在某些領(lǐng)域已顯示出其優(yōu)*性，但其在谷物和油料作物真菌感染檢測(cè)中的應(yīng)用仍較少。本研究旨在結(jié)合CWT和高光譜成像技術(shù)，開發(fā)一種高效、可靠的霉變花生識(shí)別方法。具體的研究目標(biāo)為：（1）探索霉變花生的光譜特性；（2）確定適用于霉變花生檢測(cè)的最佳CWT特征；（3）比較CWT提取的小波特征與傳統(tǒng)波段選擇方法的分類性能。

實(shí)驗(yàn)設(shè)計(jì)

１.1材料與方法

（1）花生樣品制備

從市場(chǎng)上購買了三種花生品種：花育（HY）、四粒紅（SLH）和小白沙（XBS）。手工挑選出完好無損的健康花生，并將其分成兩部分：一部分妥善保存作為健康樣本，另一部分用于獲取霉變花生樣本。為了獲得霉變花生樣本，將花生放入容器中，并置于37°C的恒溫箱中，相對(duì)濕度設(shè)定在85~90%，持續(xù)10天以促進(jìn)曲霉菌屬的快速繁殖。從第11天起，溫度調(diào)整至30°C，相對(duì)濕度保持不變。分別在第20天和第30天取出花生作為不同霉變階段的霉變樣本。然后，對(duì)于HY品種的花生，隨機(jī)選取8個(gè)健康、霉變20天和霉變30天的樣本，并使用黃曲霉毒素B1（AFB1）快速檢測(cè)試紙進(jìn)行評(píng)估。對(duì)于另外兩種花生品種，每種隨機(jī)選取10個(gè)健康、霉變20天和霉變30天的樣本，并使用AFB1快速檢測(cè)試紙進(jìn)行評(píng)估。AFB1快速檢測(cè)試紙*低檢測(cè)限為5 ppb。該產(chǎn)品采用競(jìng)爭(zhēng)性抑制金免疫層析法原理。當(dāng)樣本溶液中的 AFB1 濃度超過檢測(cè)限*，檢測(cè)線不會(huì)顯現(xiàn)顏色反應(yīng)，結(jié)果判定為陽性；當(dāng)樣本溶液中的 AFB1 濃度低于檢測(cè)限*，檢測(cè)線呈現(xiàn)紫色反應(yīng)，結(jié)果判定為陰性。在實(shí)驗(yàn)過程中，健康花生樣本經(jīng) AFB1 快速檢測(cè)試紙檢測(cè)，其 AFB1 含量均低于 5 ppb，據(jù)此假設(shè)所有健康花生樣本均為健康。相反，霉變花生樣本經(jīng)檢測(cè)發(fā)現(xiàn) AFB1 含量均超過 5 ppb，因此假設(shè)所有霉變花生均為霉變。為排除水分含量對(duì)實(shí)驗(yàn)結(jié)果的干擾，健康與霉變的花生仁分別在 60°C 的干燥箱中干燥 24 小時(shí)。

對(duì)于每種花生品種，我們獲取了七張高光譜圖像（三張用于訓(xùn)練，四張用于測(cè)試）。圖1展示了用于獲取這七張高光譜圖像的花生樣本（HY）的照片。前三張圖像顯示了用作訓(xùn)練數(shù)據(jù)的花生樣本，第一張展示了健康的花生樣本，第二張展示了第20天獲得的霉變花生樣本，最后一張展示了第30天獲得的霉變花生樣本。后四張圖像展示了用作測(cè)試數(shù)據(jù)的花生樣本；其中前兩張是健康花生和第20天獲得的霉變花生的混合物，另外兩張是健康花生和第30天獲得的霉變花生的混合物。最終，共成像了547個(gè)花生樣本（HY：154個(gè)，XBS：175個(gè)，SLH：218個(gè)），包括252個(gè)健康花生樣本和295個(gè)霉變花生樣本。在這些樣本中，232個(gè)花生樣本，包括79個(gè)健康樣本和153個(gè)霉變樣本，被用作訓(xùn)練數(shù)據(jù)；315個(gè)花生樣本，包括173個(gè)健康樣本和142個(gè)霉變樣本，被用作測(cè)試數(shù)據(jù)。

圖1.用于獲取七張高光譜圖像的花生樣本（HY）照片：頂部三張圖像用于訓(xùn)練數(shù)據(jù)集，底部四張圖像用于測(cè)試數(shù)據(jù)集

（2）高光譜成像系統(tǒng)與圖像采集

高光譜圖像采集使用的是GaiaSorter（江蘇雙利合譜科技有限公司）設(shè)備。它由四個(gè)部分組成：一個(gè)光譜成像系統(tǒng)、一個(gè)照明系統(tǒng)、一個(gè)傳送臺(tái)和一個(gè)計(jì)算機(jī)。光譜成像系統(tǒng)由一個(gè)高光譜相機(jī)（Image-λ-N25E-HS）組成，其光譜范圍為920至2530納米，該相機(jī)連接到一個(gè)標(biāo)準(zhǔn)的C口變焦鏡頭（F/2, f = 22.5 mm, HSIA-OLES22）。照明系統(tǒng)由四個(gè)200瓦的溴鎢燈（HSIALS-T-200W）組成。傳送臺(tái)由一個(gè)樣品臺(tái)和集成的電動(dòng)精密傳送臺(tái)（HSIAT500）構(gòu)成。計(jì)算機(jī)安裝了SpecVIEW系統(tǒng)控制軟件。

花生樣本被放置在一個(gè)10厘米×10厘米的黑色托盤中以獲取高光譜圖像，如圖1所示。所獲得的圖像共有288個(gè)波段，光譜分辨率為5.6納米。此外，為了校正所采集的高光譜圖像，我們收集了一張白參考圖像，并通過完*關(guān)閉相機(jī)光圈記錄了一張黑參考圖像。

（3）高光譜圖像預(yù)處理與光譜提取

圖像采集完成后，將所得到的高光譜圖像使用黑參考圖像和白參考圖像進(jìn)行校正。另外，在捕獲高光譜圖像時(shí)，隨機(jī)噪聲是不可避免的，因此在進(jìn)行進(jìn)一步數(shù)據(jù)處理之前需要對(duì)數(shù)據(jù)進(jìn)行了濾波。在本研究中，采用了五點(diǎn)平滑濾波器來處理高光譜數(shù)據(jù)。

非花生像素不僅在后續(xù)數(shù)據(jù)處理中無用，甚至可能對(duì)分析結(jié)果產(chǎn)生干擾，因此被標(biāo)記為背景并賦予零值。為了提取緊密相連且無法通過簡(jiǎn)單閾值分割的花生區(qū)域，采用了標(biāo)記控制的水洗算法生成掩模圖像。隨后，利用該掩模圖像有效去除背景信息。在此基礎(chǔ)上，進(jìn)一步進(jìn)行了預(yù)處理操作，包括圖像裁剪以及低信噪比波段的移除。最終，篩選出波長(zhǎng)范圍為1000-2486nm的 265個(gè)波段用于分析

在圖像空間分割上，采用了區(qū)域生長(zhǎng)算法，其本質(zhì)是將具有相似屬性的像素組合在一起。對(duì)于每個(gè)區(qū)域，指*一個(gè)種子點(diǎn)作為生長(zhǎng)的起點(diǎn)；然后，比較周圍的像素點(diǎn)以確定它們是否包含在區(qū)域內(nèi)。在本研究中，應(yīng)用了四鄰域區(qū)域生長(zhǎng)算法到掩模圖像上，以連接同一核區(qū)域內(nèi)的像素，并為它們分配一個(gè)序列號(hào)。然后，每個(gè)花生仁都可以通過序列號(hào)輕松追蹤，這有利于實(shí)現(xiàn)花生分選的工業(yè)自動(dòng)化。

對(duì)于健康的花生樣本，我們從每種花生的訓(xùn)練圖像中隨機(jī)選取了100個(gè)像素。對(duì)于發(fā)霉的花生，首先從訓(xùn)練圖像中手動(dòng)選擇發(fā)霉的像素作為感興趣區(qū)域（ROI）；然后，從每種花生的ROI中隨機(jī)選取50個(gè)像素。因此，共計(jì)獲得了600個(gè)花生像素樣本，其中包括300個(gè)健康花生像素和300個(gè)不同程度真菌感染的發(fā)霉花生像素。所選取的花生像素樣本如圖2所示。

圖2.選定花生像素樣本的分布情況

（4）方法

特征波長(zhǎng)提?。?/span>

連續(xù)小波變換（CWT）是一種強(qiáng)大的方法，用于在不同尺度和分辨率下檢測(cè)和分析高光譜數(shù)據(jù)中的微弱信號(hào)。本質(zhì)上，CWT是一種線性操作，通過使用母小波函數(shù)在不同的波長(zhǎng)和尺度上，可以將高光譜反射光譜轉(zhuǎn)換為一系列系數(shù)。在本研究中，由于吸收特征的形狀類似于準(zhǔn)高斯函數(shù)，因此選擇了墨西哥帽作為母小波基。為了減輕計(jì)算負(fù)擔(dān)，僅保留了二進(jìn)制尺度（2¹, 2², 2³, …, 和 2⁷）上的小波功率；因?yàn)榭偛ǘ螖?shù)為267，所以大于2⁷ = 128的尺度上的分解分量不再攜帶有意義的光譜信息。

杰弗里斯-馬圖西塔（J-M）距離是一種靈活直觀的特征可分性指數(shù)，用于衡量?jī)蓚€(gè)不同類別之間的特征，并廣泛用于指導(dǎo)特征選擇。杰弗里斯-馬圖西塔距離（J-M距離）的范圍是0到2，它提供了兩個(gè)類別之間可分性的一般度量。J-M距離越大，意味著兩個(gè)類別之間分離的概率越高，反之亦然。在本研究中，J-M距離被用來評(píng)估不同尺度和波長(zhǎng)下的小波系數(shù)，以進(jìn)行小波特征（WF）的選擇。

為了識(shí)別發(fā)霉花生仁，需要一種特征選擇方法來識(shí)別最重要的特征，因?yàn)樵S多WFs由于連續(xù)分解是冗余的，因此要選擇有意義的小波特征。首先，使用Mexican Hat作為母小波，通過CWT對(duì)每個(gè)花生仁的原始高光譜反射數(shù)據(jù)進(jìn)行分解，分解尺度為2¹、2²、2³，……，2⁷。這樣，原始光譜就被轉(zhuǎn)換成了在不同波長(zhǎng)和尺度上的一組小波系數(shù)。其次，通過計(jì)算健康和發(fā)霉花生樣本之間的J-M距離，構(gòu)建了J-M距離尺度圖。最后，根據(jù)J-M距離降序排列特征，并應(yīng)用一個(gè)閾值J-M距離來劃分前1%的特征。由閾值劃分的特征在J-M距離尺度圖上形成了一個(gè)分散的特征區(qū)域。理論上，所有在特征區(qū)域內(nèi)的特征都是被選擇的小波特征。然而，它們攜帶了冗余的光譜信息，因?yàn)橥粎^(qū)域內(nèi)的特征是在連續(xù)的波長(zhǎng)位置和尺度上產(chǎn)生的。因此，對(duì)于每個(gè)特征區(qū)域，使用具有最大J-M距離的特征來代表該特征區(qū)域捕獲的光譜信息。

SPA是一種前向變量選擇算法，通常用于減少模型中的變量數(shù)量，提高建模的速度和效率。它從單一波長(zhǎng)開始，然后在每次迭代中加入一個(gè)新的波長(zhǎng)，直到達(dá)到指*的波長(zhǎng)數(shù)量。新選擇的變量是在之前選擇的變量正交子空間上具有最大投影值的變量。因此，SPA提取的有用變量子集具有最小的共線性。*優(yōu)的變量數(shù)量通過均方根誤差（RMSE）來確定。在我們的研究中，SPA被用來選擇*優(yōu)的波段以與WFs進(jìn)行比較。

分類模型：

我們將健康花生標(biāo)記為1，發(fā)霉花生標(biāo)記為2。為了評(píng)估WFs以及SPA選擇的*優(yōu)波段的性能，我們使用了兩種分類模型：偏最小二乘判別分析（PLS-DA）和支持向量機(jī)（SVM）。通過計(jì)算健康花生和發(fā)霉花生的整體分類準(zhǔn)確率來評(píng)估WFs的性能。在PLSR中，由于預(yù)測(cè)響應(yīng)很少直接產(chǎn)生等于1和2的二元結(jié)果，而是接近1或2的結(jié)果，因此使用了1.5作為分類的閾值。此外，PLS-DA模型中理想的潛在變量數(shù)量是通過五折交叉驗(yàn)證下RMSE的值來確定的。在SVM中，徑向基函數(shù)（RBF）核被用作SVM分類框架的核。在評(píng)估方法中，通過計(jì)算靈敏度、特異性和總體準(zhǔn)確性（OA）來評(píng)估分類模型的性能。

為了更清晰地說明圖像處理步驟，圖3展示了一個(gè)流程圖。虛線框中的部分專門針對(duì)訓(xùn)練數(shù)據(jù)，用于確定最佳波段和特征權(quán)重。驗(yàn)證圖像則跳過此部分，直接使用與訓(xùn)練圖像相同的最佳波段和特征權(quán)重。

圖3.圖像處理流程圖

１.2.結(jié)果與討論

（1）花生的光譜反射率

圖4展示了健康和霉變花生的反射光譜，這些光譜是通過計(jì)算不同類別樣本光譜的平均值得出的。在健康花生的反射光譜中可以看到六個(gè)顯著的吸收峰，分別位于大約1208納米、1472納米、1747納米、1938納米、2145納米和2329納米（用黑點(diǎn)標(biāo)記），主要可以歸因于與花生中的水分、蛋白質(zhì)和油脂成分相關(guān)的CH、NH和OH的吸收。在1000-1500納米的波長(zhǎng)范圍內(nèi)，健康和霉變花生的光譜曲線形狀明顯不同。當(dāng)花生發(fā)生霉變時(shí)，1118納米處的反射率降低，導(dǎo)致吸收峰減弱。在1365-2486納米的波長(zhǎng)區(qū)域，霉變花生的反射值高于健康花生，這可能歸因于真菌污染引起的散射和吸收特性。真菌的侵入可以使花生仁胚乳變得多孔，這可能導(dǎo)致霉變花生比健康花生散射更多的光線，這種散射會(huì)導(dǎo)致在反射模式下吸收更少的近紅外輻射。

圖4.健康與霉變花生的光譜響應(yīng)：黑點(diǎn)表示健康花生的吸收峰，垂直虛線表示由SPA選擇的最佳波長(zhǎng)變量。

（2）用于識(shí)別霉變花生的波長(zhǎng)特征（WFs）

在不同波長(zhǎng)和尺度下，計(jì)算了每個(gè)樣本光譜的小波系數(shù)，圖 5 展示了健康與霉變花生樣本的平均光譜結(jié)果。隨后，通過計(jì)算不同類別小波系數(shù)之間的 J-M 距離，生成了一張指示W(wǎng)Fs光譜敏感性和區(qū)分能力的尺度圖（圖 6）。在本研究中，頂部 1% 元素的閾值 J-M 值為 1.70，基于該閾值篩選出五個(gè)對(duì)霉變花生高度敏感的小波特征區(qū)域（圖 6 中的橙色區(qū)域）。如圖 6 所示，這些敏感特征區(qū)域主要集中在 1000–1500 納米的波長(zhǎng)范圍內(nèi)。該波長(zhǎng)區(qū)域的光譜曲線形狀在健康與霉變花生之間表現(xiàn)出顯著差異（圖 4）。在每個(gè)特征區(qū)域中，選取 J-M 距離最大的點(diǎn)，最終選擇了五個(gè)用于區(qū)分霉變與健康花生的小波特征。它們的具體波長(zhǎng)和尺度見表 1 。

1005納米、1045納米和1410納米的波段分別與花生中的纖維素、油脂和水分有關(guān)，這些是花生的主要組成部分。在其他波段中，1422納米和1518納米與1430納米和1510納米相似，與總真菌感染有關(guān)。1430納米波段可以歸因于蔗糖/淀粉的O?H伸縮第一泛音，而1510納米對(duì)應(yīng)于O?H變形羥基和C?O伸縮的第三泛音，這可以歸因于角質(zhì)層和β-葡聚糖。

圖5.不同尺度下健康與霉變花生平均光譜的小波系數(shù)

圖6.用于提取WFs的連續(xù)小波分析的J-M距離尺度圖

（3）通過SPA進(jìn)行最佳波段選擇

每個(gè)類別的樣本按照2:1的比例被隨機(jī)分為校準(zhǔn)和驗(yàn)證數(shù)據(jù)，并根據(jù)RMSE選擇最佳波段的數(shù)量。校準(zhǔn)和驗(yàn)證數(shù)據(jù)的隨機(jī)分割導(dǎo)致了在不同實(shí)現(xiàn)中選擇的波長(zhǎng)有所變化；因此，為了選擇最佳波段，樣本分割和SPA程序被重復(fù)執(zhí)行。在進(jìn)行了五次樣本分割和SPA程序后，比較了產(chǎn)生的五組波長(zhǎng)，并選擇了至少有3組共同認(rèn)同的波長(zhǎng)。最終，確定了七個(gè)波長(zhǎng)（1005納米、1208納米、1450納米、1927納米、2078納米、2190納米和2251納米）作為識(shí)別霉變花生的最佳波段，如圖4所示。我們可以看到，在最佳波段和WFs之間只有一個(gè)共同的波段（1005納米）。這主要是由于兩種方法的選擇標(biāo)準(zhǔn)不同，CWT主要捕捉光譜形狀的差異，而SPA主要選擇具有最小共線性的波段。在其他波段中，1208納米對(duì)應(yīng)于淀粉分子吸收相關(guān)的C?H第一泛音和第二泛音以及C?H組合；1450納米波段可以歸因于花生中的蛋白質(zhì)含量；1927納米波段，與1930納米相似，可能歸因于淀粉的O?H伸縮/HOH變形組合；2078納米波段，與2090納米相似，與總真菌感染有關(guān)。其他波段，2190納米和2251納米，更接近2200納米和2270納米，可能分別歸因于?CHO的C–H伸縮/C=O伸縮組合和纖維素的O?H伸縮/C?O伸縮組合。

（4）WFs性能評(píng)估

使用五個(gè)WFs和七個(gè)最佳波段作為輸入變量，結(jié)合PLS-DA和SVM建立了分類模型。對(duì)于WFs和最佳波段，PLS-DA的理想LVs數(shù)量分別為3和6。對(duì)于SVM參數(shù)（C，σ），采用了基于網(wǎng)格的方法和五折交叉驗(yàn)證進(jìn)行優(yōu)化，WFs和最佳波段的*優(yōu)SVM模型對(duì)應(yīng)的（C，σ）分別為（1，0.5）和（100，0.5）。然后，對(duì)花生仁中的每個(gè)像素進(jìn)行了分類，使用SVM對(duì)HY（健康與霉變）的分類結(jié)果可見于圖7。

圖7.使用SVM對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行逐像素分類的結(jié)果，其中(a)使用最佳波段，(b)使用WFs；對(duì)測(cè)試數(shù)據(jù)集進(jìn)行逐像素分類的結(jié)果，其中(c)使用最佳波段，(d)使用WFs

在逐像素分類后，使用受真菌污染的像素?cái)?shù)量與總花生像素?cái)?shù)量的比率來確定花生仁是否受到污染。比率低于0.05、0.1和0.15的閾值分別被認(rèn)為是健康花生。圖8顯示了β=0.15和SVM時(shí)HY的核尺度分類結(jié)果，定量結(jié)果如表2所示。從圖8中我們可以看到，對(duì)于訓(xùn)練數(shù)據(jù)，無論使用WFs還是最佳波段，兩種分類器和閾值都能正確識(shí)別健康和霉變花生。相比之下，對(duì)于測(cè)試數(shù)據(jù)，如表2所示，WFs在使用兩種分類器的三個(gè)閾值上的整體準(zhǔn)確度上都優(yōu)于最佳波段。此外，使用WFs的靈敏度和特異性高于或等于使用*佳波段，表明WFs在健康和霉變花生分類中的性能更佳。CWT能夠在不同尺度上分離吸收特征，將狹窄和寬的吸收特征分別分離到低尺度和高尺度。這種特性的好處是可以實(shí)現(xiàn)對(duì)WFs的全面調(diào)查，從而能夠選擇最佳的光譜特征。

圖8.使用SVM對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行核尺度分類的結(jié)果，其中(a)使用最佳波段，(b)使用WFs；對(duì)測(cè)試數(shù)據(jù)集進(jìn)行核尺度分類的結(jié)果，其中(c)使用最佳波段，(d)使用WFs。白色圓圈表示被誤分類的花生仁

在此，我們使用了一個(gè)閾值來確定花生仁是否霉變。理論上，較小的閾值更好，因?yàn)樗梢员苊鈱⒚棺兊幕ㄉ`判為健康的花生。相反，較小的閾值可能會(huì)增加將健康花生仁誤判為霉變的風(fēng)險(xiǎn)，這可能會(huì)導(dǎo)致因錯(cuò)誤丟棄而造成的經(jīng)濟(jì)損失。因此，確定閾值至關(guān)重要。考慮到使用0.05、0.1和0.15的不同分類器的整體分類結(jié)果，本文推薦使用0.1作為折中的閾值。但是，未來應(yīng)該探索一種可靠的閾值確定方法。此外，盡管本研究表明，通過結(jié)合CWT和高光譜成像技術(shù)，有可能以相對(duì)較高的準(zhǔn)確度識(shí)別霉變花生，但本研究得到的特征和模型可能仍不適合實(shí)際應(yīng)用于多樣化的花生。不過，本研究中描述的特征提取和建模方法可以作為開發(fā)核心算法的參考。

結(jié)論

健康和霉變的花生在對(duì)短波紅外光的光譜響應(yīng)上表現(xiàn)出顯著差異。在本研究中， CWT被應(yīng)用于高光譜分類框架中，以提取特征來識(shí)別霉變花生。確定了五個(gè)WFs用于將花生分類為健康或霉變。本文展示的結(jié)果表明，WFs結(jié)合PLS-DA或SVM有希望識(shí)別出花生仁上的霉變——測(cè)試數(shù)據(jù)的準(zhǔn)確度至少為96.19%。這比使用由SPA獲得的最佳波段進(jìn)行分類的性能更好。未來的研究應(yīng)包括更多樣化和不同種類的花生樣本，建立霉變嚴(yán)重程度評(píng)估方法，對(duì)不同霉菌的霉變花生進(jìn)行分類，并建立更可靠的閾值確定方法。這些改進(jìn)可以增強(qiáng)所選WFs的魯棒性。

作者簡(jiǎn)介（人名+單位+博導(dǎo)/碩導(dǎo)）

通訊作者：蔣金豹，中國(guó)礦業(yè)大學(xué)，博士生導(dǎo)師

參考文獻(xiàn)

論文引用自二區(qū)文章：Xiaotong Qi, Jinbao Jiang, Ximin Cui, Deshuai Yuan (2019). Moldy Peanut Kernel Identification Using Wavelet Spectral Features Extracted from Hyperspectral Images. Food Analytical Methods.