基于BP神經(jīng)網(wǎng)絡(luò)檢測面粉中滑石粉含量的研究

劉翠玲， 董秀麗， 孫曉榮， 吳靜珠， 吳勝男

(北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，北京 100048)

基于BP神經(jīng)網(wǎng)絡(luò)檢測面粉中滑石粉含量的研究

劉翠玲， 董秀麗， 孫曉榮， 吳靜珠， 吳勝男

(北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，北京 100048)

利用近紅外光譜技術(shù)對摻雜滑石粉的小麥面粉進(jìn)行了檢測，采用多元散射校正對譜圖進(jìn)行預(yù)處理，利用BP神經(jīng)網(wǎng)絡(luò)中的SCG反向傳播算法訓(xùn)練函數(shù)建立了面粉中滑石粉的定量分析模型，并對校正集和預(yù)測集進(jìn)行了定量分析，分析結(jié)果為R2=0.997 3，RMSEC=0.436 7，RMSEP=1.708 8．結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)結(jié)合近紅外光譜技術(shù)檢測面粉中滑石粉含量具有快速、精度高、泛華能力強(qiáng)的優(yōu)點(diǎn)，可用于面粉中滑石粉含量的快速準(zhǔn)確檢測．

BP神經(jīng)網(wǎng)絡(luò);近紅外光譜;滑石粉;小麥面粉

面粉中摻雜滑石粉是食品安全問題中亟待解決的重要環(huán)節(jié)，研究者們針對此問題做了大量工作，目前有多種方法用于檢測面粉中滑石粉的含量，但是這些方法有的不夠精確，有的過程復(fù)雜耗時較長．根據(jù)實(shí)地調(diào)查，常用的檢測方法仍以傳統(tǒng)的物理－化學(xué)方法為主，尚無統(tǒng)一的更加快捷檢測面粉中滑石粉含量的方法和標(biāo)準(zhǔn)．針對此研究課題，本文使用BP神經(jīng)網(wǎng)絡(luò)結(jié)合近紅外光譜技術(shù)，旨在研究面粉中滑石粉快速定量檢測的可行性［1］．

1 面粉中摻雜滑石粉檢測現(xiàn)狀和BP神經(jīng)網(wǎng)絡(luò)

1.1 面粉中滑石粉檢測現(xiàn)狀

小麥面粉及面制品是人們尤其是北方居民的主食，其質(zhì)量的好壞對人們的身體健康有重要的影響，國標(biāo)法對小麥粉面粉的檢測做了詳細(xì)的規(guī)定［2］．國家對小麥面粉的添加劑種類做了明確的規(guī)定，然而，在暴利的驅(qū)動下，部分不法廠家向小麥面粉中添加大量的滑石粉，有些廠家甚至在25 kg面粉中添加多達(dá)3～4 kg的滑石粉．因此，對面粉中滑石粉的檢測急需找到一種快速簡便的方法，以保證廣大人民的身體健康［3］．

滑石粉的主要成分是天然的水合硅酸鎂(Mg3［Si4O10］(OH)2)，為白色或類白色、微細(xì)、無砂性的粉末，手摸有滑膩感，無色無味，不溶于水、稀礦酸或稀氫氧化堿溶液，可作藥用．滑石粉中常含有對人體有害的重金屬，長期服用含有滑石粉的小麥面粉會增加肝臟的負(fù)擔(dān)，甚至?xí)＜叭说纳?］．

目前，國標(biāo)法 GB/T21913—2008［5］對食品中滑石粉的檢測主要采用化學(xué)法測定鎂和二氧化硅的含量，間接換算成滑石粉的量，操作繁瑣且耗時較長，而且檢測成本較高．其他方法［6］等存在對樣品前處理試劑消耗量大的缺點(diǎn)，X 射線衍射分析法［7，8－12］需用有機(jī)試劑分離面粉或?qū)⒚娣刍一笤龠M(jìn)行檢驗(yàn)，處理時間長且X射線對人體有輻射，不利于長時間工作．

與化學(xué)計(jì)量學(xué)方法結(jié)合使近紅外光譜技術(shù)得到廣泛的關(guān)注．近紅外光譜技術(shù)使用化學(xué)計(jì)量學(xué)方法建立可靠的校正模型，具有分析速度快、效率高、成本低等優(yōu)點(diǎn)，可直接實(shí)現(xiàn)對樣品進(jìn)行無損檢測，近年來在農(nóng)業(yè)、食品、藥品、煙草等領(lǐng)域有著廣泛應(yīng)用．

本文應(yīng)用近紅外漫反射光譜法結(jié)合BP神經(jīng)網(wǎng)絡(luò)建立面粉中滑石粉含量的定量分析模型，并用所建模型對預(yù)測集樣品進(jìn)行預(yù)測，得到較好的結(jié)果，該方法有望成為一種代替現(xiàn)行面粉中滑石粉含量測定的快速綠色分析方法．

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP(back propagation)神經(jīng)網(wǎng)絡(luò)是多層前饋網(wǎng)絡(luò)，采用誤差反向傳播的學(xué)習(xí)過程，輸入信號由輸入層接收并傳遞給隱含層，經(jīng)隱含層信息變換處理后，傳遞給輸出層，并將此輸出與期望輸出進(jìn)行計(jì)算得出誤差，若誤差不在可接受范圍內(nèi)，則將誤差反向傳播給神經(jīng)網(wǎng)絡(luò)，周而復(fù)始并以此計(jì)算各層的閾值和權(quán)值，直至得到可接受的結(jié)果，訓(xùn)練結(jié)束［13］．

BP神經(jīng)網(wǎng)絡(luò)的權(quán)值訓(xùn)練使用非線性可微函數(shù)，并且，只含有一個隱含層的BP神經(jīng)網(wǎng)絡(luò)即可對任意連續(xù)函數(shù)進(jìn)行任意精度的映射，因此本文亦采用3層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模．使用BP神經(jīng)網(wǎng)絡(luò)建模不必預(yù)知模型的各項(xiàng)參數(shù)即可對函數(shù)進(jìn)行擬合，因此，BP神經(jīng)網(wǎng)絡(luò)的建模能力和非線性映射能力很強(qiáng)，可以很容易進(jìn)行復(fù)雜模型的建立［14］．

由于沒有明確的隱含層神經(jīng)元選擇公式和規(guī)范，BP神經(jīng)網(wǎng)絡(luò)建模的難點(diǎn)之一為隱含層神經(jīng)元數(shù)目的選取，隱含層神經(jīng)元數(shù)目過多會導(dǎo)致模型過于復(fù)雜、過擬合和泛化能力差等問題，導(dǎo)致模型的預(yù)測效果極差．因此，通過多次調(diào)試選擇隱含層神經(jīng)元數(shù)目，得到最優(yōu)模型．

另外，由于訓(xùn)練函數(shù)根據(jù)自身特點(diǎn)，需多次試驗(yàn)選擇出最優(yōu)訓(xùn)練函數(shù)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練．根據(jù)多次實(shí)驗(yàn)結(jié)果，選擇量化共軛梯度(scaled conjugate gradient，SCG)反向傳播算法訓(xùn)練函數(shù)．

2 材料與方法

2.1 儀器

VERTEX70紅外光譜分析儀，漫反射積分球附件，德國Bruker公司;光譜采集及分析軟件使用OPUS6.5．

2.2 試驗(yàn)樣品

試驗(yàn)用的小麥面粉是來自北京古船食品有限公司不同批次的面粉，用電子分析天平準(zhǔn)確稱量，在面粉中分別摻入濃度為0.4% ～20%的滑石粉，共制備了1～50號共50個摻雜樣本，并以摻雜后的面粉中滑石粉的濃度作為樣本的真值．

2.3 光譜采集

儀器工作參數(shù)設(shè)定為:譜區(qū)范圍12 500～4 000 cm－1，掃描次數(shù)32次;分辨率8 cm－1．將上述所配面粉樣本放置在旋轉(zhuǎn)臺的樣品杯中，開啟旋轉(zhuǎn)臺，室內(nèi)掃描溫度25℃．每次掃描前儀器預(yù)熱30 min，以儀器內(nèi)置參比做背景校正．

2.4 建立近紅外預(yù)測模型的方法

定量分析采用偏最小二乘法(PLS)建立近紅外光譜與小麥面粉中滑石粉含量的回歸模型．其評價標(biāo)識有決定系數(shù)(R2)、交叉驗(yàn)證標(biāo)準(zhǔn)差平方根(root mean square error of cross validation，RMSECV)和預(yù)測標(biāo)準(zhǔn)差平方根(root mean square error of prediction，RMSEP)，其計(jì)算公式如下．

RMSECV和RMSECP表示近紅外測定值與真值間的相似程度，其計(jì)算公式如下．

其中，P為回歸因子數(shù)目;

3 結(jié)果與討論

3.1 采集樣本的近紅外光譜

圖1為用近紅外光譜儀掃描含滑石粉的小麥面粉所得原始近紅外光譜圖．由圖1可見，不同配比的摻雜滑石粉的小麥面粉樣本的近紅外光譜趨勢一致性較好，沒有光譜異?，F(xiàn)象，且因化學(xué)值和光譜異常的判斷較為復(fù)雜，故在此不做異常樣品的剔除．

3.2 數(shù)據(jù)與處理方法和模型建立

近紅外光譜往往包含一些與待測樣品性質(zhì)無關(guān)的因素帶來的干擾，導(dǎo)致了近紅外光譜的基線漂移和光譜的重復(fù)，為了減弱或消除基線漂移、散射等各種非目標(biāo)因素對光譜的影響，對近紅外光譜儀采集的摻雜滑石粉的小麥面粉光譜進(jìn)行光譜預(yù)處理是必要的．本文分別以多元散射校正對光譜進(jìn)行預(yù)處理后，建立定標(biāo)模型;由于要限制頻率范圍到9 000 cm－1，故選用波段9 000 ～4 000 cm－1，可以達(dá)到滿意的效果．采用PLS對數(shù)據(jù)進(jìn)行分析，可以有效濾除噪聲和背景對建模的干擾，同時也減少了變量個數(shù)和模型的隨機(jī)性，提高了模型的運(yùn)算速度，改善了模型的預(yù)測精度和線性相關(guān)性．圖2為預(yù)處理后的面粉樣本光譜圖，其中橫坐標(biāo)是波數(shù)(cm－1)，縱坐標(biāo)是吸光度．

圖1 含滑石粉的小麥面粉原始近紅外光譜圖Fig．1 Raw near-infrared spectra of talc-containing wheat flour

圖2 預(yù)處理后的面粉樣本光譜圖Fig．2 Flour sample spectra after pretreatment

根據(jù)光譜預(yù)處理結(jié)果，選擇7 502.1～6 098.1 cm－1波段的特征吸收峰對面粉中滑石粉建立定量分析模型．使用MATLAB R2009a神經(jīng)網(wǎng)絡(luò)工具箱中量化共軛梯度(scaled conjugate gradient，SCG)反向傳播算法訓(xùn)練函數(shù)(trainscg訓(xùn)練函數(shù))，同樣采用以校正集為訓(xùn)練樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練和以平均絕對誤差(mean squared error，MSE)為性能函數(shù)，隱含層選為11個神經(jīng)元，建模時對BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練500次．所建立模型的各個評價參數(shù)為:R2=0.997 3，RMSEC=0.436 7，RMSEP=1.708 8．圖3為內(nèi)部交叉驗(yàn)證擬合結(jié)果，橫座標(biāo)代表目標(biāo)值即真實(shí)值T，縱坐標(biāo)代表BP網(wǎng)絡(luò)輸出值即預(yù)測值Y，線性擬合函數(shù)為Y=0.99T+0.095，圓圈代表真實(shí)值，紅線代表擬合值，黑線代表Y=T;圖4為BP神經(jīng)網(wǎng)絡(luò)對預(yù)測集的預(yù)測結(jié)果，橫座標(biāo)代表樣本、滑石粉摻雜量，縱坐標(biāo)藍(lán)線代表真實(shí)值、綠線代表預(yù)測值．

圖3 BP神經(jīng)網(wǎng)絡(luò)內(nèi)部交叉驗(yàn)證擬合結(jié)果Fig．3 BP neural network internal cross-validation fitting results

圖4 預(yù)測集預(yù)測結(jié)果Fig．4 Prediction results

4 結(jié)論

面粉中滑石粉的定量檢測，由于受到儀器精度及穩(wěn)定性、實(shí)驗(yàn)方法設(shè)計(jì)和實(shí)驗(yàn)過程中的操作方法的影響，檢測結(jié)果往往和預(yù)想的結(jié)果有較大差距，化學(xué)計(jì)量學(xué)方法在面粉中滑石粉檢測技術(shù)中的應(yīng)用是本課題的重要內(nèi)容．本文通過對近紅外技術(shù)光譜數(shù)據(jù)的預(yù)處理，不但放大了特征信息，而且大大減小了后期的建模過程計(jì)算量．

結(jié)合近紅外光譜技術(shù)，使用BP神經(jīng)網(wǎng)絡(luò)建立面粉中滑石粉的定量分析模型有效利用了近紅外光譜技術(shù)的快速、無損檢測特點(diǎn)和BP神經(jīng)網(wǎng)絡(luò)非線性映射能力強(qiáng)、模型概括性和推廣型強(qiáng)的優(yōu)點(diǎn)．

在使用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行建模的過程中，最優(yōu)訓(xùn)練函數(shù)的選取和隱含層神經(jīng)元數(shù)目的選擇是本文的難點(diǎn)之一，根據(jù)采用不同訓(xùn)練函數(shù)和隱含層神經(jīng)元數(shù)的BP神經(jīng)網(wǎng)絡(luò)針對面粉中滑石粉特點(diǎn)所建立的模型的建模結(jié)果為:模型的相關(guān)系數(shù)在0.99以上，交叉驗(yàn)證標(biāo)準(zhǔn)差和預(yù)測標(biāo)準(zhǔn)差分別為 R2=0.997 3，RMSEC=0.436 7，RMSEP=1.708 8，得到了較好的評價參數(shù)．試驗(yàn)結(jié)果表明:BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于面粉中滑石粉的檢測技術(shù)是可行的，但是，樣本集所包含樣本數(shù)對BP神經(jīng)網(wǎng)絡(luò)建模結(jié)果的影響仍需要進(jìn)一步研究．

［1］Osborne B G．Near-infrared spectroscopy in food analysis［J］．Cereal Foods World，2000，45(1):11．

［2］國家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局．GB/T5055—2008．糧油檢驗(yàn)灰分測定法［S］．北京:中國標(biāo)準(zhǔn)出版社，2008．

［3］董福祥．面粉摻假方法介紹［J］．寧夏農(nóng)學(xué)院學(xué)報(bào)，2001，22(4):75-76．

［4］薛笑莉，周激．面粉及面制品中滑石粉-石膏-碳酸鈣含量的測定［J］．山西化工，2003，23(2):33-34，61．

［5］國家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局．GB/T21913—2008．食品中滑石粉的測定［S］．北京:中國標(biāo)準(zhǔn)出版社，2008．

［6］郭光美，王云清．面粉中摻有滑石粉的快速檢測方法［J］．食品研究與開發(fā)，2000，21(1):40-42．

［7］王承明，潘峰．面粉中滑石粉的X射線衍射分析［J］．分析科學(xué)學(xué)報(bào)，2006，22(6):651-654．

［8］金鳳，王冬．面粉中滑石粉的現(xiàn)場快速檢測方法及其裝置研究［J］．食品與發(fā)酵工業(yè)，2008，34(3):160-163．

［9］魏峰，霍軍生，徐宇洋．面粉中滑石粉含量的檢測［J］．黃山學(xué)院學(xué)報(bào)，2008，10(5):48-49．

［10］由健，劉成雁．面粉中滑石粉的X射線檢測法［J］．科協(xié)論壇，2009(1):85-86．

［11］楊彥麗，林立．微波消解 電感耦合等離子發(fā)射光譜法測定面粉中滑石粉的含量［J］．化學(xué)分析計(jì)量，2011，20(3):62-64．

［12］趙延華，韓旭．傅里葉變換 紅外光譜法快速測定面粉中滑石粉［J］．理化檢驗(yàn)化學(xué)分冊，2011，47(2):208-210．

［13］MATLAB中文論壇．MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析［M］．北京:北京航空航天大學(xué)出版社，2010:36-44．

［14］劉翠玲，索少增．BP神經(jīng)網(wǎng)絡(luò)在ATR-FTIR技術(shù)微量農(nóng)藥溶液檢測中的應(yīng)用［J］．北京工商大學(xué)學(xué)報(bào):自然科學(xué)版，2011，29(4):64-67．

(責(zé)任編輯:王 寬)

Rapid Determination of Talc-containing Flour Based on BP Neural Network

LIU Cui-ling， DONG Xiu-li， SUN Xiao-rong， WU Jing-zhu， WU Sheng-nan
(School of Computer Science and Information Engineering，Beijing Technology and Business University，Beijing 100048，China)

Near infrared spectral technology(NIR)was used to test talc-containing wheat flour．The spectrum was preprocessed with multiplicative scatter correction．The quantitative analysis model of talccontaining flour was built using SCG back propagation algorithm training function of BP neural network，and the calibration set and prediction set were quantitatively analyzed．R2was 0.997 3，the root mean square error of calibration(RMSEC)was 0.436 7，and the root mean square error of prediction(RMSEP)was 1.708 8．The results showed that BP neural network with NIR for the determination of talc-containing flour has the advantages of fast，high precision，and the ability of Fanhua，and can be used for talc-containing flour．

BP neural network;NIR;talcum powder;wheat flour

TS205

A

1671-1513(2012)05-0077-04

2012-08-29

劉翠玲，女，教授，博士，主要從事食品安全檢測方面的研究;

董秀麗，女，碩士研究生，研究方向?yàn)槭称钒踩珯z測技術(shù)．通訊作者．