Classification of fungal infected wheat kernels using near-infrared reflectance hyperspectral imaging and support vector machine.

On a élaboré un algorithme de classification permettant de différencier divers fruits graines de blé à infection fongique (Aspergillus niger, Aspergillus glaucus et Penicillium spp.) des fruits graines de blé sains. On a utilisé un système d’imagerie hyperspectrale à réflectance dans le proche infrarouge pour obtenir des images hyperspectrales à 20 longueurs d’onde uniformément espacées entre 1 000 nm et 1600 nm. On a extrait quatre caractéristiques statistiques (moyenne, variance, asymétrie et aplatissement) des données d’imagerie hyperspectrale des fruits graines individuels à chaque longueur d’onde. À toutes les longueurs d’onde, les caractéristiques statistiques ont composé le vecteur d’un même fruit-graine. On a réduit la dimensionnalité des vecteurs au moyen d’une analyse des composantes principales. Pour la classification, on a utilisé une Support Vector Machine multiclasse dotée d’un noyau à fonction à base radiale. En utilisant les caractéristiques statistiques, on a classifié les fruits graines de blé infectés par Aspergillus niger, Aspergillus glaucus et Penicillium spp., et les fruits graines de blé sains avec des précisions de 92,9 %, 87,2 %, 99,3 % et 100 %, respectivement. On a obtenu une classification quasi parfaite dans le modèle infecté par opposition au modèle sain. Il y a eu une erreur de classification de 10,0 % entre les échantillons de blé infectés par Aspergillus niger et Aspergillus glaucus.