基于可見(jiàn)—近紅外光譜的蠶繭含水率無(wú)損檢測(cè)研究

黃凌霞，金航峰，金佩華

（1.浙江大學(xué)動(dòng)物科學(xué)學(xué)院，浙江杭州310058；2.浙江農(nóng)林大學(xué)，浙江 杭州 ，311300）

基于可見(jiàn)—近紅外光譜的蠶繭含水率無(wú)損檢測(cè)研究

黃凌霞1，金航峰2，金佩華2

（1.浙江大學(xué)動(dòng)物科學(xué)學(xué)院，浙江杭州310058；2.浙江農(nóng)林大學(xué)，浙江 杭州 ，311300）

以蠶繭含水率為研究對(duì)象，研究了基于可見(jiàn)—近紅外光譜技術(shù)的蠶繭含水率無(wú)損檢測(cè)方法。采用最小二乘支持向量機(jī)（least square-support vector machine，LS-SVM）建立可見(jiàn)—近紅外光譜模型，采用連續(xù)投影算法（successive projections algorithm，SPA）選取光譜有效波長(zhǎng)。結(jié)果表明，基于SPA方法進(jìn)行變量選擇，最終將原始光譜的601個(gè)光譜變量減少到了11個(gè)（487，501，616，718，771，782，789，826，966，977和991nm）?；诖?1個(gè)變量建立的LS-SVM模型得到了預(yù)測(cè)集的確定系數(shù)（RP2）為0.8517，誤差均方根（RMSEP）為0.0504的預(yù)測(cè)結(jié)果。表明可見(jiàn)—近紅外光譜可以用于對(duì)蠶繭的含水率進(jìn)行無(wú)損檢測(cè)，同時(shí)SPA是一種有效的光譜變量選擇方法。

近紅外光譜；無(wú)損檢測(cè)；模型分析；蠶繭含水率；連續(xù)投影算法（SPA）

蠶繭含水率（moisture content of cocoon）是蠶繭品質(zhì)檢測(cè)分級(jí)最基本的指標(biāo)。蠶繭含水率的高低，取決于蔟中環(huán)境條件、大氣相對(duì)濕度、溫度、鮮繭采摘時(shí)間、運(yùn)送、包裝方式等多種因素，其中尤以蔟中環(huán)境條件為關(guān)鍵因素。蔟中高溫多濕或低溫多濕，都會(huì)使絲膠分子結(jié)構(gòu)由無(wú)規(guī)卷曲向月化轉(zhuǎn)變，增加膠著點(diǎn)、膠著面及膠著力，導(dǎo)致繭絲離解困難、解舒惡化［1］。目前，中國(guó)在蠶繭收購(gòu)中規(guī)定采用干殼量法檢驗(yàn)鮮繭。但該方法復(fù)雜且耗時(shí)，并需要剖繭測(cè)量，而削口繭成為繅絲工業(yè)中的次下繭，造成很大浪費(fèi)。而常用的手感目測(cè)法卻易受評(píng)定者的個(gè)人經(jīng)驗(yàn)影響，測(cè)試精度低。由于傳統(tǒng)的蠶繭質(zhì)量檢測(cè)技術(shù)制約了中國(guó)蠶絲行業(yè)質(zhì)量和效益的提高，因而迫切需要尋求一種快速、準(zhǔn)確、無(wú)損檢測(cè)蠶繭含水率的方法。

可見(jiàn)—近紅外光譜（visible and near infrared spectroscopy，Vis-NIRS）分析技術(shù)，是一種低成本、無(wú)污染的分析技術(shù)，操作簡(jiǎn)便，測(cè)定速度快［2］，被廣泛應(yīng)用于食品、農(nóng)業(yè)等領(lǐng)域［3～6］。在農(nóng)產(chǎn)品含水率檢測(cè)方面，李曉麗等曾用基于漫反射的可見(jiàn)—近紅外光譜技術(shù)檢測(cè)初制綠茶的含水率，結(jié)果表明該技術(shù)可以對(duì)加工過(guò)程中綠茶的含水率進(jìn)行無(wú)損、快速的測(cè)量，為制茶生產(chǎn)線上茶葉水分的在線、實(shí)時(shí)檢測(cè)提供了理論依據(jù)［7］。劉潔等曾對(duì)基于近紅外光譜的板栗水分檢測(cè)方法進(jìn)行了研究，研究顯示用近紅外光譜分析技術(shù)檢測(cè)栗仁和帶殼板栗含水率具有可行性［8］。在蠶業(yè)方面目前主要應(yīng)用于家蠶品種和性別的鑒別［9～10］，但是還未見(jiàn)將可見(jiàn)—近紅外光譜技術(shù)用于蠶繭含水率檢測(cè)的研究報(bào)道。

本研究采用可見(jiàn)—近紅外光譜技術(shù)對(duì)蠶繭含水率進(jìn)行檢測(cè)。通過(guò)比較不同的光譜數(shù)據(jù)預(yù)處理方法，選擇出最優(yōu)的預(yù)處理方法。并進(jìn)一步采用連續(xù)投影算法（successive projections algorithm，SPA）［11～12］，提取有效波長(zhǎng)（effective wavelength，EW）輸入最小二乘支持向量機(jī)（least square-support vector machine，LS-SVM）［13］，建立光譜檢測(cè)模型。為實(shí)現(xiàn)蠶繭質(zhì)量的快速、無(wú)損檢測(cè)和分級(jí)提供依據(jù)。

1 材料與方法

1.1 儀器設(shè)備和樣品來(lái)源

試驗(yàn)使用美國(guó)ASD（Analytical Spectral Device）公司的Handheld FieldSpec光譜儀，其光譜測(cè)定范圍325～1075 nm，探頭視場(chǎng)角為20°。光源是與光譜儀配套的14.5 V鹵素?zé)?。分析軟件為UnscrambleV9.6以及MATLAB7.6。

試驗(yàn)選取2012年春季（5～6月）浙江省湖州市生產(chǎn)的明豐×春玉、秋豐×白玉、白玉×秋豐和廣西生產(chǎn)的7532·湘暉×932·芙蓉5個(gè)品種的鮮繭。在供試蠶五齡上蔟期間，按照不同的溫度和濕度進(jìn)行處理，在上蔟后第5日采鮮繭。在光譜測(cè)量前，在實(shí)驗(yàn)室25℃恒溫條件下先避光貯藏5 h。

1.2 光譜數(shù)據(jù)采集

將外觀正常的鮮繭剝?nèi)ダO衣后，采用反射模式采集可見(jiàn)—近紅外光譜。光譜儀垂直放置于距離樣本表面9 cm處。光源與水平位置成45°。光譜掃描穩(wěn)定后進(jìn)行光譜數(shù)據(jù)的采集，掃描20次取平均。每個(gè)品種采集120個(gè)樣本，共600個(gè)樣本。樣本隨機(jī)分成定標(biāo)集和預(yù)測(cè)集，建模集包含400個(gè)樣本，每個(gè)品種80個(gè)，預(yù)測(cè)集包含200個(gè)樣本，每個(gè)品種40個(gè)。同時(shí)對(duì)蠶繭進(jìn)行編號(hào)。

1.3 按國(guó)標(biāo)法（GB/T19113-2003）測(cè)量蠶繭含水率（對(duì)照用）

完成光譜數(shù)據(jù)采集后，將鮮繭削開(kāi)一個(gè)小口，倒出蠶蛹后稱(chēng)重。用電子天平稱(chēng)得每個(gè)鮮繭繭殼的質(zhì)量G0，將稱(chēng)量后的繭殼放入100℃烘箱內(nèi)干燥，6 h后取出，迅速用電子天平測(cè)得烘干后繭殼的質(zhì)量G1。

繭層含水率的定義為鮮繭繭層所含水分質(zhì)量占鮮繭繭層質(zhì)量的百分率，根據(jù)定義得到繭層含水率的計(jì)算公式為：1.4光譜數(shù)據(jù)預(yù)處理

由于光譜數(shù)據(jù)在采集范圍的首端與末端產(chǎn)生了部分噪音，于是取400～1000 nm波段共601個(gè)變量的光譜數(shù)據(jù)進(jìn)行分析。為了去除來(lái)自高頻隨機(jī)噪音、基線漂移、樣本不均勻、光散射等影響，將光譜數(shù)據(jù)轉(zhuǎn)換成吸光度值后，需要對(duì)光譜進(jìn)行預(yù)處理。本文采用的預(yù)處理方法包括Savitzky-Golay（SG）平滑法和變量標(biāo)準(zhǔn)化（standard normal variate，SNV）。

1.5 連續(xù)投影算法

SPA的算法簡(jiǎn)要介紹如下［15］：

記xk(0)為初始迭代向量，N為需要提取的變量個(gè)數(shù)。光譜矩陣為j列：

（1）迭代開(kāi)始前，任選光譜矩陣的1列j，把建模集的第j列賦值給xj，記為xk(0)；

（2）把未選入的列向量位置的集合記為s，s={j,1≤j≤J,j?{k(0),…,k(n-1)}}；

（3）分別計(jì)算xj對(duì)剩下列向量的投影：

最后，提取出的變量為{xk(n)=0,……,N-1}。對(duì)應(yīng)于每一個(gè)k(0)和N，循環(huán)一次后進(jìn)行多元線性回歸分析（MLR），得到驗(yàn)證集的預(yù)測(cè)標(biāo)準(zhǔn)偏差（RMSEV），由最小的RMSEV值對(duì)應(yīng)的k(0)和N就是最優(yōu)值。1.6建模方法及模型評(píng)估

最小二乘支持向量機(jī)（least square-support vectormachine，LS-SVM）是一種建模方法，以求解一組線性方程代替經(jīng)典SVM中復(fù)雜的二次優(yōu)化問(wèn)題，降低了計(jì)算的復(fù)雜性，加快了計(jì)算的速度，是解決“維數(shù)災(zāi)”和“過(guò)學(xué)習(xí)”的有效工具之一，已在光譜分析領(lǐng)域得到應(yīng)用。LS-SVM算法中的結(jié)構(gòu)風(fēng)險(xiǎn)最小化能夠提高其泛化能力，從而能夠較好地解決小樣本、非線性、高維數(shù)、局部極小等問(wèn)題，因此LS-SVM成為解決“維數(shù)災(zāi)”和“過(guò)學(xué)習(xí)”等傳統(tǒng)難題的一種有力手段。其采用非線性映射函數(shù)φ(·)，將輸入變量映射到高維特征空間，從而將優(yōu)化問(wèn)題改成等式約束條件。利用拉格朗日乘子對(duì)各個(gè)變量求偏微分，得到最優(yōu)解。

在對(duì)模型的建模效果進(jìn)行評(píng)價(jià)時(shí)，常用的評(píng)價(jià)指標(biāo)主要有建模集的決定系數(shù)RC2和建模均方根誤差（rootmean square error for calibration，RMSEC）以及建模集交互驗(yàn)證的決定系數(shù)RP2和預(yù)測(cè)均方根誤差（rootmean square error for prediction，RMSEP）。好的模型需要有較高的相關(guān)系數(shù)以及較低的均方根誤差。同時(shí)，RMSEC和RMSEP間的絕對(duì)值越小表示所建立的模型的穩(wěn)定性越好，魯棒性越強(qiáng)。

2 結(jié)果與分析

2.1 光譜數(shù)據(jù)預(yù)處理

采用不同光譜預(yù)處理方法對(duì)全波段光譜進(jìn)行處理，并建立LS-SVM模型（表1）。從結(jié)果中可以看到平滑處理過(guò)后所建立的模型比不采用預(yù)處理的模型效果要差。同樣僅采用SNV進(jìn)行預(yù)處理所建立的模型比將平滑和SNV相結(jié)合的預(yù)處理所建立的模型效果要好。同時(shí)經(jīng)過(guò)SNV預(yù)處理后的模型效果比原始光譜所建立的模型效果要好。因此在下文均采用SNV進(jìn)行光譜預(yù)處理。

2.2 基于SPA的全波段有效波長(zhǎng)選取

從表1中可以看出采用全波段建立的模型得到了較好的預(yù)測(cè)結(jié)果。其中預(yù)測(cè)集的確定系數(shù)達(dá)到了0.9以上。說(shuō)明可見(jiàn)—近紅外光譜技術(shù)能夠應(yīng)用于蠶繭含水率的快速、無(wú)損檢測(cè)。然而采用全波段建立的LS-SVM模型有601個(gè)輸入變量。大量的輸入變量會(huì)增加計(jì)算量。為此采用SPA算法對(duì)全波段光譜共601個(gè)變量進(jìn)行有效波長(zhǎng)選擇。

圖1顯示了基于不同變量個(gè)數(shù)的驗(yàn)證標(biāo)準(zhǔn)偏差（RMSEV）值的變化情況。可以看到變量個(gè)數(shù)從2個(gè)到6個(gè)時(shí)RMSEV下降較快。當(dāng)變量個(gè)數(shù)為11時(shí)，RMSEV值趨于穩(wěn)定，為0.0541。

通過(guò)SPA提取的11個(gè)波長(zhǎng)分別為487，501，616，718，771，782，789，826，966，977和991 nm。SPA得到的波長(zhǎng)分布情況如圖2所示。其中黑色的豎線表示選中的波長(zhǎng)。可以看到選擇的有效波長(zhǎng)在整個(gè)可見(jiàn)到近紅外光譜范圍內(nèi)都有分布。說(shuō)明在對(duì)蠶繭含水率進(jìn)行檢測(cè)時(shí)不應(yīng)僅僅考慮某個(gè)范圍的光譜信息。

2.3 基于有效波長(zhǎng)的LS-SVM模型預(yù)測(cè)

將得到的11個(gè)變量作為輸入，建立LS-SVM模型，結(jié)果如表1所示。從預(yù)測(cè)結(jié)果可以看到，預(yù)測(cè)集的確定系數(shù)由全波段建模時(shí)的0.9043下降到采用SPA進(jìn)行變量選擇后的0.8517，但降幅不大。同時(shí)可以看到，通過(guò)SPA進(jìn)行有效變量選擇，LS-SVM模型所用到的輸入變量個(gè)數(shù)由原始光譜的601個(gè)減少到了11個(gè)，而通過(guò)該11個(gè)有效變量所建立的模型效果相比全波段光譜的601個(gè)變量所建立的模型下降不多。說(shuō)明得到的這11個(gè)有效波長(zhǎng)變量可以很好地代替全波段光譜來(lái)建立模型。圖3為由SPA得到的11個(gè)波長(zhǎng)建立的LS-SVM對(duì)預(yù)測(cè)集樣本的預(yù)測(cè)結(jié)果散點(diǎn)分布圖?？梢钥吹匠贁?shù)樣本的測(cè)量值和預(yù)測(cè)值發(fā)生一定的偏差外，主要的樣本點(diǎn)都基本分布在回歸線附近。

表1 基于不同光譜預(yù)處理方法處理全波段光譜后建立的LS-SVM模型建模和預(yù)測(cè)結(jié)果Table 1 Performance of LS-SVM model based on different preprocessing on all spectra ranges

圖1 連續(xù)投影算法選取的蠶繭含水率波長(zhǎng)數(shù)對(duì)應(yīng)的驗(yàn)證集預(yù)測(cè)標(biāo)準(zhǔn)偏差Figure 1 RMSEV plot of selected number of the moisture of cocoon variables by SPA

圖2 SNV-SPA選擇的11個(gè)蠶繭含水率波長(zhǎng)分布圖Figure 2 Plot of 11 selected wavelengths of the moisture of cocoon by SNV-SPA

圖3 SPA選擇的11個(gè)波長(zhǎng)建立的LS-SVM模型對(duì)蠶繭含水率的預(yù)測(cè)散點(diǎn)分布圖Figure 3 Predicted vs reference values of the moisture of cocoon by LS-SVM model based on eleven effective wavelengths selected by SPA

3 結(jié)論

本文應(yīng)用可見(jiàn)—近紅外光譜技術(shù)對(duì)蠶繭含水率進(jìn)行了檢測(cè)。采用連續(xù)投影算法（SPA）進(jìn)行變量選擇，將原始光譜的601個(gè)光譜變量減少到了11個(gè)。由SPA選擇的11個(gè)變量建立最小二乘支持向量機(jī)（LS-SVM）模型，得到了預(yù)測(cè)集的確定系數(shù)（RP2）為0.8517，誤差均方根（RMSEP）為0.0504的預(yù)測(cè)結(jié)果。表明可見(jiàn)—近紅外光譜可以用于對(duì)蠶繭的含水率進(jìn)行無(wú)損檢測(cè)，同時(shí)SPA是一種有效的光譜變量選擇方法。

［1］吳匡環(huán).鮮繭繭層含水率與解舒率的關(guān)系［J］.蠶桑通報(bào)，1992，23（4）：30-31.

［2］陸婉珍.現(xiàn)代近紅外光譜分析技術(shù)［M］.北京：中國(guó)石化出版社，2007.

［3］吳桂芳，黃凌霞，何勇.葡萄漿果糖度可見(jiàn)/近紅外光譜檢測(cè)的研究［J］.光譜學(xué)與光譜分析，2008，28（9）：2090-2093.

［4］Antihus H G，Yong H，Annia G P.Non-destructive measurement of acidity，soluble solids and firmness of Satsumamandarin using Vis/NIR-spectroscopy techniques［J］. Journal of Food Engineering，2006，77（2）：313-319.

［5］何勇，李曉麗，邵詠妮.基于主成分分析和神經(jīng)網(wǎng)絡(luò)的近紅外光譜蘋(píng)果品種鑒別方法研究［J］.光譜學(xué)與光譜分析，2006，26（5）：850-853.

［6］祝詩(shī)平.基于PCA與GA的近紅外光譜建模樣品選擇方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2008，24（9）：126-130.

［7］李曉麗，程術(shù)希，何勇.基于漫反射光譜的初制綠茶含水率無(wú)損檢測(cè)方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26（5）：195-201.

［8］劉潔，李小昱，李培武等.基于近紅外光譜的板栗水分檢測(cè)方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2010，26（2）：338-341.

［9］黃敏，何勇，黃凌霞等.基于可見(jiàn)一近紅外光譜技術(shù)的家蠶蠶種鑒別方法的研究［J］.紅外與毫米波學(xué)報(bào)，2006，25（5）：342-344，359.

［10］潘沈元.蠶繭近紅外反射（NIR）光譜的模式識(shí)別：II.光譜識(shí)別中特征值選取方法的探討［J］.生物物理學(xué)報(bào)，1998，14（2）：252-256.

［11］Araújo M C U，Saldanha TC B，Galv?o R K H，et al.Thesuccessive projections algorithm for variable selection in spectroscopic multicomponent analysis［J］.Chemometrics and Intelligent Laboratory Systems，2001，57（2）：65-73.

［12］Galv?o R K H，Araújo M C U，F(xiàn)ragoso W D，et al.A variable elimination method to improve the parsimony of MLR models using the successive projections algorithm［J］.Chemometrics and Intelligent Laboratory Systems，2008，92（1）：83-91.

［13］吳迪，曹芳，馮水娟，等.基于支持向量機(jī)算法的紅外光譜技術(shù)在奶粉蛋白質(zhì)含量快速檢測(cè)中的應(yīng)用［J］.光譜學(xué)與光譜分析，2008，28（5）：1071-1075.

［14］Centner V，Massart D L，Noord O E，et al.Elim ination of Uninformative Variables for Multivariate Calibration［J］. Analytical Chemistry，1996，68（21）：3851-3858.

［15］陳斌，孟祥龍，王豪.連續(xù)投影算法在近紅外光譜校正模型優(yōu)化中的應(yīng)用［J］.分析測(cè)試學(xué)報(bào)，2007，26（1）：66-69.

Non-destructive Detection of M oisture Content of Cocoon Based on Visib le and Near Infrared Spectroscopy

HUANG Ling-xia1，JIN Hang-feng2，JIN Pei-hua2
（1.College ofAnimal Sciences,Zhejiang University,Hangzhou 310058,China; 2.Zhejiang A&F University,Hangzhou 311300,China）

Visible and near-infrared reflectance spectroscopy(Vis-NIRS)was applied tomeasuremoisture content of cocoon layer.Least square-support vectormachine(LS-SVM)was used to establish the Vis-NIR model.Successive projections algorithm was combined to select wavelength from Vis-NIR spectroscopy.Eleven wavelength variables,namely 487,501,616,718,771,782,789,826,966,977,and 991 nm,were selected.The SPA-LS-SVM model was established based on these eleven wavelength variables.The results showed that the determination coefficient for prediction set(RP2)was 0.8517,and the rootmean square error for prediction(RMSEP)was 0.0504.It is concluded that Vis-NIRS can be used in themoisture content of cocoon measurement,and SPA is a feasible and efficient algorithm for the spectral variable selection.

near infrared spectroscopy;nondestructive exam ination;model analysis;moisture content of cocoon;successive projections algorithm(SPA)

O657.3，S886.3

A

0258-4069［2013］04-031-05

浙江省自然科學(xué)基金資助項(xiàng)目(LY12C17001)；高等學(xué)校博士學(xué)科點(diǎn)專(zhuān)項(xiàng)科研基金資助項(xiàng)目(20100101120084)；浙江省公益技術(shù)研究農(nóng)業(yè)項(xiàng)目(2011C22075)；農(nóng)業(yè)科技成果轉(zhuǎn)化資金項(xiàng)目(2011GB23600008)

黃凌霞（1979-），女，上海崇明人，副研究員，主要從事蠶桑數(shù)字化研究。Email:lxhuang@zju.edu.cn