基于支持向量機的大棗內(nèi)部蟲害無損檢測

陳紅光，王健，中野和弘，敖長林

（1.東北農(nóng)業(yè)大學水利與建筑學院，哈爾濱 150030；2.中國食品發(fā)酵工業(yè)研究院，北京 100015；3.日本新潟大學農(nóng)學部，日本新潟 950-2181；4.東北農(nóng)業(yè)大學理學院，哈爾濱 150030）

基于支持向量機的大棗內(nèi)部蟲害無損檢測

陳紅光1，王健2，中野和弘3，敖長林4*

（1.東北農(nóng)業(yè)大學水利與建筑學院，哈爾濱 150030；2.中國食品發(fā)酵工業(yè)研究院，北京 100015；3.日本新潟大學農(nóng)學部，日本新潟 950-2181；4.東北農(nóng)業(yè)大學理學院，哈爾濱 150030）

大棗內(nèi)部蟲害的光譜檢測是利用大棗本身的光特性，獲取與大棗內(nèi)部蟲害有關的物理化學信息，并利用NIR光譜與化學計量學方法建立定量模型來準確測定物質(zhì)某些成分的含量。文章對160個大棗樣品的近紅外光譜測量數(shù)據(jù)進行二階導數(shù)處理，找出測量波長范圍內(nèi)具有最大樣本識別能力的有效波長，再用主成分分析進行降維處理，最后通過支持向量機算法對預測集大棗樣本有無蟲害進行判別，平均判別正確率為93.5%，并且算法比較穩(wěn)定。綜上，所測樣品保持完整，不被破壞；僅通過對樣品的一次NIR光譜的簡單測量，就能同時測定物質(zhì)的多種成分數(shù)據(jù)；可對復雜體系進行多組分同時測定，在短時間內(nèi)獲得分析結(jié)果，有利于工業(yè)化生產(chǎn)的實時、在線檢測，自動化分級。

支持向量機；可見/近紅外光譜；無損檢測；導數(shù)光譜；主成分分析

內(nèi)部蟲害是大棗內(nèi)在品質(zhì)評價的主要問題之一，內(nèi)部蟲害難以被快速察覺或利用可見光準確檢測[1]。目前我國水果質(zhì)量主要靠目測和品嘗方法[2]進行，而內(nèi)部組成成分則依靠破壞性檢驗方法，這將導致水果分析難以實現(xiàn)快速、準確和無損化[3-10]。

本文利用透反射模式、漫反射模式和透過模式下的可見光/近紅外大棗光譜數(shù)據(jù)，對3種模式下光譜數(shù)據(jù)進行二階導數(shù)處理，通過衡量各波長分類貢獻度大小，找到對判別大棗品質(zhì)最有效的關鍵波長，通過主成分分析進行降維處理，并將提取的主成分數(shù)據(jù)輸入支持向量機模型訓練學習，實現(xiàn)對大棗樣本的有效分類。模型通過穩(wěn)定性檢驗測試，證明支持向量機分類器是用于大棗內(nèi)部品質(zhì)檢測的有效方法，可為實現(xiàn)大棗內(nèi)部品質(zhì)自動化檢測奠定理論基礎。

1 材料與方法

1.1 材料

使用人工采摘的成熟期大棗作為樣本，每個樣本都貼上帶有編號的標簽，所有的大棗樣品在測量之前3 d都處在20℃，相對濕度70%條件下貯存。在光譜測量后所有大棗樣品通過人工檢測方法分類并標明完好或者有內(nèi)部蟲害。本文選擇80顆完好的大棗和另外80顆有內(nèi)部蟲害的大棗作為樣本進行分析。

1.2 檢測方法

分別用透反射測量模式、漫反射測量模式、透過測量模式檢測大棗樣本光譜數(shù)據(jù)，所有透反射模式、漫反射模式、透過模式用的光波均由兩個分光光度計分別以3.3 nm為步長波長在310～1 000 nm范圍內(nèi)及以6.2 nm為步長波長在1 000～2 150 nm范圍內(nèi)獲得。用于透反射測量模式的光源（MHAA-100 w,Moritex Co.,Ltd.,Japan）和漫反射模式與透過模式的光源（HR-k2150 N,Hiroshi indus?try Co.,Ltd.,Japan）均包含兩個100瓦的可同時用于可見光和近紅外區(qū)域的白熾/鹵素燈。在透反射模式下，光從位于距離樣品6 mm與垂直線成0°角的下面的一個纖維束（纖維受體）傳送（捕獲）。在漫反射（透射）模式下，光從位于距離樣品160 mm的下面（上面）與垂直線成30°角的兩個鹵素燈傳送。利用波動軟件進行收集和轉(zhuǎn)化可見/近紅外光譜光波（Spectra Co.,Ltd.,Japan）。當周圍的燈光都關閉時，在樣品光譜測量之前，光譜測定和貯存都需要使用白板（2.5 mm厚度）消除光源本身的干擾。

大棗樣本被集中且有規(guī)律地擺放在水平方向的支架上，光從所有大棗中心線的3個120°方向收集。試驗裝置如圖1所示。

2 結(jié)果與分析

2.1 試驗結(jié)果與預處理

通過平均3個測量光譜值，獲得漫反射、透射和透反射光譜法下大棗的光譜數(shù)據(jù)。在測量波長范圍內(nèi)，正常大棗與蟲害大棗的平均光譜曲線如圖2所示。

由圖2原始光譜數(shù)據(jù)分析表明，由透反射模式、漫反射模式、透射模式下完好和蟲害大棗的平均光譜曲線可以看到，在透反射模式得到的兩組光譜的差異要比漫反射模式中得到的光譜的差異大。但是，在透過模式中得到的兩組光譜的差異主要是在振幅方面，而不是在曲線形狀方面。零階光譜存在相互重疊區(qū)域，完好和蟲害大棗的平均光滑曲線走勢在宏觀上大致相似而不容易區(qū)分開來，因此有必要對光譜數(shù)據(jù)進行處理，使之更易于將完好和蟲害大棗區(qū)別開來。

圖1 實驗裝置Fig.1 Schematic and samples of experiment device

圖2 3種模式下的平均光譜Fig.2 Average spectral curves in the three mode

2.2 有效波長識別

用于可見/近紅外光譜儀測量的波長范圍較大，波長點設置較多，需對建立數(shù)學模型的光譜波段范圍進行有效選擇，才能更容易找出光譜特征與大棗內(nèi)部品質(zhì)之間的關系，達到對大棗樣本進行有效分類的目的[11-14]。

在可見/近紅外光譜儀采集到的原始光譜數(shù)據(jù)中，一些波長下的光譜值在完好和蟲害大棗兩種類別中無論均值還是方差均無明顯差別，這些波長點與樣本類別無關，不能對大棗樣本類型的判別提供有用信息，增加搜索具有樣本識別能力有效波長的計算復雜度。因此有必要對這些“無關波長”進行剔除。為衡量各個波長點下的光譜數(shù)據(jù)含有多少樣本分類信息，參考朱俊友[15]方法，可定義“分類貢獻度”指標：

其中μ1(j)，μ2(j)分別表示第j個波長下正常大棗和蟲害大棗兩類樣本的均值；σ1(j)，σ2(j)分別表示第j個波長下正常大棗和蟲害大棗兩類樣本的均方差。式（1）的第一部分體現(xiàn)在不同波長下完好和蟲害大棗兩個類別分布均值差異對樣本分類貢獻；后一部分體現(xiàn)了在不同波長下光譜值分布的方差的不同對樣本分類的貢獻。依據(jù)該公式，即使同一波長下光譜數(shù)據(jù)在兩類不同樣本中分布的均值相同，只要分布的方差出現(xiàn)大的差異，仍可獲得較大分類貢獻度。依據(jù)不同波長下的光譜信息所含大棗樣本類別信息的多少，將波長分為“關鍵波長”和“無關波長”兩類。設SI為關鍵波長集合，SN為無關波長集合，則

其中λ為波長，θ為閾值，θ越大，利用該波長的光譜信息，大棗樣本的可分性就越好?；讦鹊膭討B(tài)變化，在VSWNIR（300～1 000 nm）和LWNIR（1 000～2 000 nm）分別挑選了對大棗樣本分類貢獻較大的關鍵波長。在透反射模式下，利用VSWNIR范圍內(nèi)的原始數(shù)據(jù)計算得到的分類貢獻度如圖3a所示，可以看到所形成曲線較光滑，挑選出對大棗分類貢獻度較大的關鍵波長較困難，而經(jīng)過導數(shù)處理的光譜數(shù)據(jù)的分類貢獻度圖譜如圖3b所示，光譜信息明顯，可以清晰地挑選出對大棗分類貢獻度較大的關鍵波長。由此可見對原始光譜數(shù)據(jù)進行二階導數(shù)處理的必要性。

3種模式下在VSWNIR和LWNIR范圍內(nèi)的導數(shù)光譜數(shù)據(jù)分類貢獻度如圖3所示。以透反射模式為例，在VSWNIR范圍內(nèi)分類貢獻度較大波長點有：673.045，676.384，970.589，693.076，696.413，679.724，669.705，642.97，699.75，964.072 nm。在LWNIR范圍內(nèi)，分類貢獻度較大波長點有：1 133.652，1 127.631，1 115.549，1 121.597，1 163.549，1 157.597，1 273.818，1 151.632，1 279.467，1 313.03 nm。

圖3 3種模式下導數(shù)光譜分類貢獻度Fig.3 Category contribution using the derivative spectrum in the three mode

3種模式下篩選出的關鍵波長如表1所示。

透反射模式、漫反射模式下分別得到20個關鍵波長，透射模式下得到10個關鍵波長，對于建立大棗分類模型來說參數(shù)數(shù)量過多，維數(shù)過高，有必要采用一定方法進行降維處理，簡化分類模型。

表1 3種模式下分類貢獻度較大的關鍵波長Table 1 Key wavelengths better for Jujube's classification in three modes

2.3 主成分分析降維處理

通過主成分分析，使數(shù)目較少的新變量成為高維光譜數(shù)據(jù)的線性組合，而且，新變量能最大限度表征原來數(shù)據(jù)的結(jié)構特征，并不丟失太多信息，從而達到對數(shù)據(jù)降維、簡化模型的目的。透反射模式、漫反射模式下分別得到20個對大棗樣本分類貢獻最大的20個關鍵波長，透射模式下得到對大棗樣本分類貢獻最大的10個關鍵波長，對建立大棗分類的模型來說參數(shù)數(shù)量還是很多，維數(shù)過高，可以應用主成分分析進行降維，簡化模型。

2.3.1 透反射模式下的主成分提取

透反射模式下的方差累積貢獻率和碎石如圖4～5所示。第1個主成分的方差已占全部方差的70%，選取前3個主成分，其方差和占全部方差的95%，即基本上保留原來指標信息，這樣由原來的20個指標轉(zhuǎn)化為3個新指標，起到降維作用。可用這3個新指標代表原來的20個關鍵波長光譜數(shù)據(jù)信息，已經(jīng)有足夠的把握。分別用yI1，yI2，yI3來表示這3個主成分，即可得到3個主成分的線性組合。主成分的系數(shù)矩陣如表2所示，用λIi（i=1, 2,…20）表示透反射模式下的20個關鍵波長變量。

圖4 透反射模式下基于協(xié)方差陣求得的方差累積貢獻率Fig.4 Variance contribution rate based on covariance matrix in interactive mode

圖5 透反射模式下的碎石結(jié)果Fig.5 Scree plot in interactive mode

表2 透反射模式下的主成分系數(shù)矩陣Table 2 Component maxtrix in interactance mode

2.3.2 漫反射模式下的主成分提取

結(jié)果如圖6，表3所示。

圖6 漫反射模式下基于協(xié)方差陣求得的方差累積貢獻率Fig.6 Variance contribution rate based on covariance matrix in reflectance mode

表3 漫反射模式下的主成分系數(shù)矩陣Table 3 Component maxtrix in reflectance mode

2.3.3 透射模式下的主成分提取

結(jié)果如圖7，表4所示。

通過對3種模式下對大棗內(nèi)部品質(zhì)判別貢獻較大的關鍵波長光譜數(shù)據(jù)進行主成分分析，對樣本數(shù)據(jù)進行降維處理，并將提取的主成分數(shù)據(jù)輸入支持向量機模型訓練學習，簡化模型的復雜度，實現(xiàn)對大棗樣本的有效分類。

圖7 透射模式下基于協(xié)方差陣求得的方差累積貢獻率Fig.7 Variance contribution rate based on covariance matrix in transmission mode

表4 透射模式下的主成分系數(shù)矩陣Table 4 Component maxtrix in transmission mode

2.4 支持向量機用于大棗樣本分類[13-16]

用于分類的支持向量機可建立一個分類超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化。為避免高維空間的復雜運算，支持向量機采用1個核函數(shù)K(χ,y)來代替高維空間中的內(nèi)積運算。通過引入拉格朗日函數(shù)，最后得到判別函數(shù)[16]為:

當f(χ)>0時，輸出為一類，當f(χ)<0時，輸出為另一類。

在用支持向量機進行大棗樣本分類的實驗中，將大棗樣本數(shù)據(jù)分成兩組數(shù)據(jù)集:第一組為訓練數(shù)據(jù)集，用以建立校正模型，尋找最優(yōu)模型參數(shù)，樣本個數(shù)為120個，其中包括60個完好大棗樣本和60個蟲害大棗樣本；第2組為預測數(shù)據(jù)集，樣本個數(shù)為40個，其中包括20個完好大棗樣本和20個蟲害大棗樣本。

支持向量機分類效果主要受核函數(shù)的選擇以及參數(shù)選擇的影響，支持向量機常用的核函數(shù)有線性函數(shù)、多項式核函數(shù)、高斯徑向基核函數(shù)等。考慮高斯徑向基核函數(shù)可實現(xiàn)非線性分類的同時只有1個控制參數(shù)，選擇高斯徑向基核函數(shù)：

其中，σ是高斯核函數(shù)的參數(shù)。

關于SVM參數(shù)的優(yōu)化選取，目前常用方法就是讓懲罰參數(shù)c和核參數(shù)σ在一定范圍內(nèi)取值，對于取定的c和σ，把訓練集作為原始數(shù)據(jù)集利用K-folf Cross Validation(K-CV)方法得到在此組c和σ下訓練集驗證分類準確率，最終取使得訓練集驗證分類準確率最高的那組c和σ作為最佳參數(shù)。

將選取的相應主成分數(shù)據(jù)作為支持向量機的輸入，以高斯徑向基函數(shù)作為核函數(shù)，樣本類別作為輸出，以K-CV方法計算最佳參數(shù)c和σ，構造支持向量機訓練模型。圖8是參數(shù)優(yōu)化過程中的等高線圖和3D圖，從中能直觀地看到參數(shù)c和σ不同組合對判別準確率的影響。

從上述試驗中SVM參數(shù)選擇最終結(jié)果可得到這3種模式下支持向量機的最優(yōu)參數(shù)和判別正確率，如表5所示。采用主成分分析提取的主成分構造分類因素對大棗樣本內(nèi)部品質(zhì)具有很好的判別效果，判別準確率都在90%以上。透射模式下的判別準確率較其他兩種模式高。進行5次模擬試驗，其結(jié)果如表6所示，得到3種模式下的平均判別正確率。

圖8 3種模式下SVM參數(shù)選擇結(jié)果3D效果Fig.8 3D figure of SVM parameter selection result in the three mode

表5 3種模式下的SVM最優(yōu)參數(shù)及判別正確率Table 5 Best parameters and classification accuracies by SVM in three modes

從表6可知，通過5次隨機選擇樣本數(shù)據(jù)實驗得到：利用透反射模式下的光譜數(shù)據(jù)，對大棗有無蟲害平均判別正確率93.91%；漫反射模式下平均判別正確率96.17%；透射模式下平均判別正確率99.04%。透射模式下平均判別準確率較其他兩種模式高。從而可知支持向量機根據(jù)有限的大棗樣本信息在模型復雜性（即對特定訓練樣本的學習精度）和學習能力（即無錯誤識別任何樣本）之間尋找最佳折衷，獲得較好泛化能力。

3 結(jié)論

利用310～2 150 nm波段范圍內(nèi)160個大棗樣本的可見/近紅外漫反射光譜測量數(shù)據(jù)，通過支持向量機算法得到對預測集大棗樣本有無蟲害的平均判別正確率為93.5%，算法較穩(wěn)定。從建模過程中可見具有樣本識別能力的有效波長，對有用光譜信息的篩選及建立分類模型很重要，直接影響光譜信息的利用效果和判別模型的準確性，可嘗試其他處理方法更高效地利用光譜信息。另外支持向量機算法中，選取不同的核函數(shù)對算法的判定效果是否有影響，有待深入研究。

本研究結(jié)果表明，將支持向量機算法與近紅外光譜檢測技術相結(jié)合用于大棗內(nèi)部品質(zhì)的無損檢測取得滿意結(jié)果，可為今后大棗內(nèi)部品質(zhì)快速無損檢測提供新方法。

[1]Janie Dubois,Richard Baydack,Eilean McKenzie,et al.Scrapie infection investigated by magnetic resonance imaging and fourier transform infrared microscopy[J].Vibrational Spectroscopy,2003 (32):95-105.

[2]He Y,Li X L,Shao Y N.Quantitative analysis of the varieties spectroscopy by principal component analysis and BP model Lec?ture of apple using near infrared[J].Notes in Computer Science, 2005,38(9):1053-1056.

[3]Guthrie J A,Walsh K B,Reid D J,et al.Assessment of internal quality attributes of mandarin fruit NI-R calibration model devel?opment[J].Australian Jounal of Agriculture Research,2005,56 (4):405-416.

[4]Alamar M C,Bobelyn E,Lammertyn J,et al.Calibration transfer between NIR diode array and FT-NIR spectrophotometers for measuring the soluble solids contents of apple[J].Postharvest Bi?ol.Technol,2007:45,38-45.

[5]Xing J,Bravo C,Jancsók P T,et al.Detecting bruises on'golden delicious'apples using hyperspectral imaging with multiple wave?bands[J].Biosyst.Eng,2005:90,27-36.

[6]Blasco J,Aleixos N,Gómez-Sanchís J,et al.Recognition and clas?sification of external skin damage incitrus fruits using multispec?tral data and morphological features[J].Biosyst.Eng,2009:103, 137-145.

[7]徐寶成,劉建學.紅外光譜技術在微生物研究中的應用進展[J].中國釀造,2007(3):8-10.

[8]解立斌,黃建,霍軍生.食品快速檢測技術應用進展[J].國外醫(yī)學:衛(wèi)生學分冊,2007,34(3):192-196.

[9]吳迪,曹芳,馮水娟,等.基于支持向量機算法的紅外光譜技術在奶粉蛋白質(zhì)含量快速檢測中的應用[J].光譜學與光譜分析, 2008,28(5):1071-1075.

[10]劉建學,趙冰琳,羅登林,等.近紅外光譜在食品微生物檢測中的應用[J].農(nóng)產(chǎn)品加工,2009(12):42-44.

[11]黃翼飛,袁慶釗,沈光林.近紅外光譜分析技術在煙草研究中的應用進展[C].中國煙草學會工業(yè)專業(yè)委員會論文集,2011 (4):10-12.

[12]籍保平.外光譜技術在水果加工中的應用[J].糧油加工與食品機械,2000(6):31-33.

[13]李慶波.近紅外光譜分析中若干關鍵技術的研究[D].天津:天津大學,2003:12-16.

[14]畢衛(wèi)紅,付興虎,王魁榮,等.水果品質(zhì)近紅外檢測技術的研究現(xiàn)狀與發(fā)展[J].激光與光電子學進展,2006,43(4):3-7.

[15]朱俊友,李玉峰.蛋白質(zhì)芯片技術及其在食品致病菌檢測中的應用[J].中國衛(wèi)生檢驗雜志,2006(7):780-781.

[16]張寧,張德權.近紅外光譜定性分析技術在食品安全中的應用研究進展[J].食品科技,2008(8):218-220.

Noninvasive detection using diffuse reflectance spectrum for monitor?ing jujube interior pest based on support vector machine

CHEN Hongguang1, WANG Jian2,Nakano Kazuhiro3,AO Changlin4(1.School of Water Conservancy and Civil Engineering, Northeast Agricultural University,Harbin 150030,China;2.China National Research Institute of Food and Fermentation Industries,Beijing 100015,China;3.School of Agricultural,Niigata University,Niigata 950-2181,Japan;4.School of Science,NortheastAgricultural University,Harbin 150030,China)

Spectrum detection of jujube internal pests is used optical character of jujube,to obtain the physical and chemical information of jujube internal pests,and to establish the quantitative model by using NIR spectroscopy and chemometrics method to accurately determine the content of the material ingredients. The paper carried out second derivative to original sample data of near infrared spectrum measurement of 160 jujube samples,and selected the effective wavelengths that had the big identification capability among the wavelength range,using primary constituent analytical to reduce dimension processing.The last,theaverage right forecasting rate of identifying the intact and infested jujubes was about 93.5%for the predicting set by using the algorithm of SVM,and the algorithm were proved stable.Summing up the above, the test sample could be intact,not destroyed;could determined the variety of material composition data based on simple measurement of NIR spectra for the sample at the same time;could a multi-component simultaneous determination of complex system,and could get the results of the analysis in a short time,was advantageous to the real-time industrialized production and on-line inspection,automatic classification.

SVM,Visible/near-infrared;nondestructive measurement;derivative spectroscopy; principal components analysis

S767.5；X172

A

1005-9369（2014）02-0094-09

2013-04-14

中國博士后科學基金資助項目（2013M531012）；東北農(nóng)業(yè)大學科學研究基金資助項目

陳紅光（1976-），女，副教授，博士，研究方向為農(nóng)產(chǎn)品天損檢測。E-mail：chg218@126.com

*通訊作者：敖長林，教授，博士，研究方向為農(nóng)業(yè)系統(tǒng)工程。E-mail：aochanglin@yahoo.com.cn

時間2014-1-17 16:37:04[URL]http://www.cnki.net/kcms/detail/23.1391.S.20140117.1637.005.html

陳紅光,王健,中野和弘,等.基于支持向量機的大棗內(nèi)部蟲害無損檢測[J].東北農(nóng)業(yè)大學學報,2014,45(2):94-102.

Chen Hongguang,Wang Jian,Nakano Kazuhiro,et al.Noninvasive detection using diffuse reflectance spectrum for monitoring jujube interior pest based on support vector machine[J].Journal of Northeast Agricultural University,2014,45(2): 94-102.(in Chinese with English abstract)