基于深度信念網(wǎng)絡(luò)的蘋果霉心病病害程度無損檢測

周兆永，何東健*，張海輝，雷 雨，蘇 東，陳克濤

（1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，陜西 楊凌 712100；2.西北農(nóng)林科技大學(xué)網(wǎng)絡(luò)與教育技術(shù)中心，陜西 楊凌 712100）

基于深度信念網(wǎng)絡(luò)的蘋果霉心病病害程度無損檢測

周兆永1,2，何東健1,*，張海輝1，雷 雨1，蘇 東1，陳克濤1

（1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院，陜西 楊凌 712100；2.西北農(nóng)林科技大學(xué)網(wǎng)絡(luò)與教育技術(shù)中心，陜西 楊凌 712100）

針對(duì)現(xiàn)有霉心病無損檢測只能檢測出有無病害，無法對(duì)病害程度進(jìn)行判斷的問題，研究并提出一種基于深度信念網(wǎng)絡(luò)（deep belief net，DBN）的無監(jiān)督檢測模型。該模型由多層限制玻爾茲曼機(jī)（restricted Boltzmann machine，RBM）網(wǎng)絡(luò)和1層反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)組成，RBM網(wǎng)絡(luò)實(shí)現(xiàn)最優(yōu)特征向量映射，輸出的特征向量由BP神經(jīng)網(wǎng)絡(luò)對(duì)霉心病病害程度分類。對(duì)225 個(gè)蘋果樣本在波長200～1 025 nm獲取其透射光譜后，根據(jù)腐爛面積占橫截面比例將霉心病害程度分為健康、輕度、中度和重度4 種，分別用150 個(gè)和75 個(gè)樣本作為訓(xùn)練集和測試集，以全光譜數(shù)據(jù)和基于連續(xù)投影算法提取的特征波長數(shù)據(jù)為輸入構(gòu)建病害程度判別模型，并比較DBN模型與偏最小二乘判別分析、BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型的識(shí)別效果，實(shí)驗(yàn)結(jié)果表明，DBN模型病害判別準(zhǔn)確率達(dá)到88.00%，具有較好的識(shí)別效果。

蘋果霉心??；病害程度；透射光譜；深度信念網(wǎng)絡(luò)（DBN）；限制玻爾茲曼機(jī)（RBM）

引文格式：周兆永, 何東健, 張海輝, 等. 基于深度信念網(wǎng)絡(luò)的蘋果霉心病病害程度無損檢測[J]. 食品科學(xué), 2017, 38(14): 297-303.

DOI:10.7506/spkx1002-6630-201714046. http://www.spkx.net.cn

ZHOU Zhaoyong, HE Dongjian, ZHANG Haihui, et al. Non-destructive detection of moldy core in apple fruit based on deep belief network[J]. Food Science, 2017, 38(14): 297-303. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201714046. http://www.spkx.net.cn

蘋果霉心病又稱霉腐病、心腐病，是危害蘋果內(nèi)部品質(zhì)的主要病害，受害蘋果果實(shí)從心室開始逐漸向外擴(kuò)散腐爛，果面無明顯相關(guān)癥狀[1]。因此，霉心病果實(shí)較難識(shí)別，其混在好果中流入市場，不僅損害了消費(fèi)者權(quán)益，也會(huì)影響果商和產(chǎn)地的聲譽(yù)，甚至在國際市場上影響國家的聲譽(yù)。蘋果霉心病根據(jù)癥狀可分為褐變、霉心和腐爛3 種主要類型，如圖1所示，在田間比例分別為43.22%、26.10%和30.68%[2]。霉心病菌在樹體、土壤、病果或壞死組織上存活，第2年春季開始傳播侵染，經(jīng)空氣傳播，因此增強(qiáng)蘋果霉心病的預(yù)防極為必要。由于缺乏有效的檢測手段準(zhǔn)確剔除發(fā)病果實(shí)，霉心病檢測已成為蘋果產(chǎn)業(yè)發(fā)展亟待解決的重大問題。

圖1 蘋果霉心病癥狀類型圖Fig. 1 Different types of symptoms of moldy core in apple fruits

國內(nèi)外學(xué)者嘗試用不同的方法來檢測蘋果的霉心病。Chayaprasert等[3]研究了采用低頻（5.55 MHz）磁共振的蘋果霉心病檢測方法，李芳等[4]提出了利用生物阻抗特性分析的檢測方法，楊亮亮[5]提出采用機(jī)器視覺和X射線相結(jié)合的方法獲得蘋果透視圖像，進(jìn)而實(shí)現(xiàn)蘋果霉心病的檢測。近年來，光譜技術(shù)在農(nóng)產(chǎn)品檢測[6-14]中應(yīng)用日益廣泛，Clark[7]和McGlone[15]等利用700～900 nm近紅外光漫反射光譜檢測“Braeburn”蘋果的褐心病，建立模型的決定系數(shù)達(dá)0.91。上述研究均基于光譜漫反射方法檢測蘋果霉心病害，但因蘋果霉心病早期發(fā)生在果心及其附近，表面光譜漫反射難以反映果心及深層果肉的特征信息。韓東海等[16]用近紅外連續(xù)透射光譜檢測蘋果內(nèi)部褐變，選擇810、750、715 nm 3 個(gè)波長對(duì)褐變果進(jìn)行判別分析，其樣品的正確判別率達(dá)到95.65%。Shenderey等[17]研究用近紅外透射光譜技術(shù)檢測蘋果霉心病的方法，用偏最小二乘回歸建立判別模型，測試集正確判別率為90.1%。雷雨等[18]用可見-近紅外透射能量光譜識(shí)別方法，基于主成分分析-支持向量機(jī)模型對(duì)測試集和訓(xùn)練集的識(shí)別正確率分別為99.3%和96.7%。Zhou Zhaoyong等[19]基于遺傳算法優(yōu)選參數(shù)的支持向量機(jī)（genetic algorithmsupport vector machine，GA-SVM）模型采用透射光譜進(jìn)行霉心病有無檢測，識(shí)別正確率達(dá)到96.92%。

以上研究大多著眼于霉心病害的有無進(jìn)行識(shí)別，鮮見關(guān)于光譜技術(shù)檢測霉心病程度的報(bào)道。霉心病程度的檢測，首先可以實(shí)現(xiàn)病害的有無判別，防止誤食霉心病果實(shí)，也可將輕度霉心果分選出來特殊處理，避免病害發(fā)展影響其他果實(shí)。此外，檢測出果園發(fā)生大量重度霉心病果實(shí)，可用于指導(dǎo)果園滅菌處理，對(duì)降低霉心病的再生具有指導(dǎo)意義。

本實(shí)驗(yàn)利用深度學(xué)習(xí)具有復(fù)雜函數(shù)逼近和較強(qiáng)的從樣本集中學(xué)習(xí)的能力[20]，研究并提出一種基于深度信念網(wǎng)絡(luò)（deep belief net，DBN）的霉心病程度判別模型和方法，DBN由若干層限制波爾茲曼機(jī)（restricted Boltzmann machine，RBM）和1 層反向傳播（back propagatiom，BP）網(wǎng)絡(luò)組成的一種深層神經(jīng)網(wǎng)絡(luò)[21-22]。RBM是一個(gè)典型的基于能量函數(shù)的模型，每層RBM的神經(jīng)元只有激活（1）和抑制（0）2 種狀態(tài)，對(duì)任意一組給定的（h，v），定義E作為一層RBM整體的能量函數(shù)。訓(xùn)練時(shí)RBM采用對(duì)比散度（contrastive divergence，CD）[23]算法求得模型偏置參數(shù)和連接權(quán)值，在每一次迭代中都對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行吉布斯采樣，并更新參數(shù)。單層RBM如圖2所示，每一層RBM都由一個(gè)可見層和一個(gè)隱層組成，與玻爾茲曼機(jī)不同的是，RBM去掉了每層神經(jīng)元之間的連接，并將可見層v和隱層h之間的節(jié)點(diǎn)通過權(quán)值w雙向連接[20]，而深度RBM，是將多個(gè)RBM層疊，前一層的輸出作為后一層的輸入[21]。深度學(xué)習(xí)通過學(xué)習(xí)一種深層非線性網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，表征輸入數(shù)據(jù)分布式表示，并展現(xiàn)了強(qiáng)大的從少數(shù)樣本集中學(xué)習(xí)數(shù)據(jù)集本質(zhì)特征的能力[20]。Hinton等[24]基于DBN提出非監(jiān)督貪心逐層訓(xùn)練算法，為解決深層結(jié)構(gòu)相關(guān)的優(yōu)化難題帶來希望。為提高蘋果霉心病病害程度檢測正確率，本實(shí)驗(yàn)研究一種基于DBN模型的蘋果霉心病程度檢測方法。

圖2 RBM示意圖Fig. 2 Illustration for RBM

1 材料與方法

1.1 材料與試劑

供試蘋果為紅富士蘋果，于2014年10月采集于陜西省洛川縣鳳棲鎮(zhèn)好音村果園，根據(jù)果農(nóng)經(jīng)驗(yàn)，選取大小均勻、外表光滑、無機(jī)械損傷的疑似霉心病果和好果共計(jì)225 個(gè)作為實(shí)驗(yàn)樣本。將樣本清潔擦凈后進(jìn)行編號(hào)，并置于實(shí)驗(yàn)室（22 ℃，相對(duì)濕度55%）內(nèi)。

1.2 儀器與設(shè)備

圖3 蘋果霉心病檢測平臺(tái)結(jié)構(gòu)圖Fig. 3 Schematic of testing platform of moldy core in apples

為研究蘋果霉心病與透射光譜之間的關(guān)系，建立圖3所示的檢測平臺(tái)，主要包括照射光源、檢測室、便攜式光譜儀、臺(tái)式計(jì)算機(jī)等。采用美國Ocean Optics公司的USB2000+XR1便攜式光譜儀，在200～1 025 nm波長范圍獲取蘋果透射光譜，光譜分辨率為2.0 nm。檢測室中4 個(gè)50 W鎢鹵素?zé)襞葑鳛檎丈涔庠?，蘋果樣品置于高度可調(diào)、帶有通孔的載物臺(tái)上，位于蘋果下方的光纖探頭檢測透射光經(jīng)光纖傳輸至光譜儀，經(jīng)光譜儀對(duì)各波段光譜進(jìn)行接收和處理后，通過USB接口與臺(tái)式計(jì)算機(jī)連接，用光譜儀自帶的SpectraSuite光譜采集軟件實(shí)現(xiàn)透射光譜數(shù)據(jù)的采集和存儲(chǔ)，導(dǎo)出數(shù)據(jù)后用Matlab R2014a（MathWorks公司）進(jìn)行數(shù)據(jù)分析處理。

1.3 方法

1.3.1 光譜采集

經(jīng)過10 d染病果發(fā)病后，采集實(shí)驗(yàn)樣本光譜數(shù)據(jù)。采集光譜數(shù)據(jù)時(shí)，提前15 min打開光源預(yù)熱，以保證系統(tǒng)穩(wěn)定。在SpectraSuite軟件中設(shè)置主要采集參數(shù)為：積分時(shí)間100 ms，平均掃描次數(shù)10，平滑點(diǎn)數(shù)5，采樣波長范圍200～1 100 nm，分辨率2.0 nm，并勾選去除暗噪聲。樣品置于暗室內(nèi)載物臺(tái)上，蘋果果軸與光源檢測器垂直，光線從其赤道處穿過[12]。調(diào)整載物臺(tái)使光源距離載物臺(tái)表面分別為10、12、15 cm進(jìn)行實(shí)驗(yàn)，經(jīng)預(yù)備實(shí)驗(yàn)對(duì)比知，光源距離載物臺(tái)表面12 cm最優(yōu)。關(guān)閉暗箱門保證無外界光進(jìn)入，考慮到霉心病的發(fā)病位置和形態(tài)均不同，故每個(gè)樣品采集3 個(gè)點(diǎn)的數(shù)據(jù)，各點(diǎn)之間約呈120°。取3 個(gè)點(diǎn)光譜的平均值作為最終的建模光譜數(shù)據(jù)。在采集光譜數(shù)據(jù)期間，每間隔10 個(gè)樣品分別采集3 次參考光譜和暗光譜數(shù)據(jù)，分別取其平均值作為最終的參考光譜和暗光譜數(shù)據(jù)。采集結(jié)束后，從中心線部位將蘋果切開，用Canon-EOS6D數(shù)碼相機(jī)對(duì)切開截面拍照（設(shè)置焦距24～90 mm），目視判別有無病害，存儲(chǔ)為JPEG格式的圖像用于病害程度圖像判定。破壞性實(shí)驗(yàn)后統(tǒng)計(jì)表明，樣本中有健康果174 個(gè)，霉心病果51 個(gè)。分別從健康果和霉心病果中隨機(jī)選取150 個(gè)樣本作為訓(xùn)練集（其中健康果120 個(gè)，霉心病果30 個(gè)），75 個(gè)樣本作為測試集（其中健康果54 個(gè)，霉心病果21 個(gè)）。

1.3.2 光譜數(shù)據(jù)預(yù)處理及光譜特性

圖4 可見-近紅外透射能量光譜數(shù)據(jù)曲線Fig. 4 Vis-NIR transmittance energy spectra

為研究光源能量的穩(wěn)定性，對(duì)所采集的20 條參考光譜數(shù)據(jù)進(jìn)行分析，結(jié)果顯示每個(gè)波長點(diǎn)的相對(duì)標(biāo)準(zhǔn)偏差（relative standard deviation，RSD）在0.18%～0.93%范圍內(nèi)?？烧J(rèn)為光源能量穩(wěn)定，可直接用能量光譜計(jì)算建立模型[25]。210 個(gè)樣品的原始光譜曲線如圖4a所示。（相應(yīng)波長條件下光源透過蘋果所發(fā)出的光通量在空間的分布密度通過A/D轉(zhuǎn)換器轉(zhuǎn)化成離散的數(shù)字量值）。為了消除來自高頻隨機(jī)噪聲、基線漂移、光散射、樣本間本身成分含量信息的差異性等影響，提高模型的收斂性能，需對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理[26]。首先采用SG（Savitzky-Golay）平滑法對(duì)光譜進(jìn)行平滑（平滑點(diǎn)數(shù)為50），每10 個(gè)樣品的原始光譜分別減去對(duì)應(yīng)的暗光譜，以消除環(huán)境因素的影響，處理后的光譜數(shù)據(jù)曲線如圖4b所示。然后，采用多元散射矯正（multiple scattering correction，MSC）對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。為了消除數(shù)據(jù)首段與末端產(chǎn)生的高頻噪聲，同時(shí)考慮光譜特征與蘋果霉心病的相關(guān)性，截取650～800 nm波段區(qū)間內(nèi)370 維的光譜作為全光譜（full spectrum，F(xiàn)S）數(shù)據(jù)進(jìn)行蘋果霉心病程度判別分析。如圖4c所示，健康果在波長650、705、769、800 nm附近有明顯波峰，在705～769 nm波長區(qū)間處的透過峰最高，霉心病果的透過峰均低于健康果，且發(fā)病程度越嚴(yán)重，透過峰越低。進(jìn)一步分析表明，受害蘋果從心室開始逐漸向外擴(kuò)散腐爛，病發(fā)區(qū)呈黑色或者棕灰色，對(duì)光的吸收能力較強(qiáng)，發(fā)病程度越重，心部腐爛面積越大，吸收能力就越強(qiáng)，光透過的就越少，故透過峰越低，這為應(yīng)用透射光譜進(jìn)行蘋果霉心病病害程度判別提供了理論依據(jù)。

1.3.3 數(shù)據(jù)降維方法

高維光譜數(shù)據(jù)會(huì)明顯增加分析的復(fù)雜性，且每個(gè)樣品的光譜數(shù)據(jù)存在譜峰重疊問題，導(dǎo)致光譜數(shù)據(jù)信息冗余，因此需要對(duì)光譜數(shù)據(jù)進(jìn)行降維處理[27]。連續(xù)投影算法（successive projections algorithm，SPA）通過對(duì)光譜數(shù)據(jù)投影映射選取原始光譜中的少數(shù)波長，能夠有效消除眾多波長變量之間的共線性影響，并且可盡可能多地概括樣本光譜信息，降低模型的復(fù)雜度[28]，故本實(shí)驗(yàn)用SPA進(jìn)行降維處理。

圖5 交叉驗(yàn)證選擇的特征波長數(shù)（A）和波長選擇分布圖（B）Fig. 5 Characteristic wavelengths number selection by cross-validation (A) and selected variable wavelengths obtained by SPA (B)

對(duì)隨機(jī)劃分后的光譜數(shù)據(jù)采用SPA提取特征波長，經(jīng)交叉驗(yàn)證得到16 個(gè)特征波長對(duì)應(yīng)的均方根誤差為0.417 9，如圖5A所示，運(yùn)行時(shí)間62 s。圖5B中用實(shí)心方框給出16 個(gè)特征波長，分別為652.16、662.85、674.06、690.35、699.68、703.55、718.28、722.63、727.62、732.33、737.35、761.86、773.53、785.45、790.58、799.78 nm。在波長652、690、703、720、800 nm有明顯波峰處均選取有特征波長點(diǎn)，體現(xiàn)出SPA提取的優(yōu)點(diǎn)。為驗(yàn)證所選波長的有效性，將測試集樣本16 個(gè)特征波長的相對(duì)光強(qiáng)度作為輸入，建立偏最小二乘判別分析（partial least square-discriminant analysis，PLS-DA）、BP神經(jīng)網(wǎng)絡(luò)（BP-artificial neural network，BP-ANN）、SVM和基于DBN的病害程度預(yù)測模型，并用測試集樣本進(jìn)行檢驗(yàn)。

1.3.4 蘋果霉心病的評(píng)價(jià)及模型的評(píng)價(jià)標(biāo)準(zhǔn)

圖6 不同發(fā)病程度的蘋果霉心病果樣本Fig. 6 Different degrees of moldy core in apple samples tested

為判斷蘋果霉心病的腐爛程度等級(jí)，對(duì)拍攝的蘋果截面數(shù)字圖像采用Matlab進(jìn)行處理，計(jì)算霉心面積所占截面積的百分比Sd，并用Sd代表霉心病程度。通過咨詢蘋果病害專家，規(guī)定Sd不大于10%、10%＜Sd＜30%和Sd不小于30%分別代表輕度、中度和重度霉心，故將判別類型分為健康、輕度、中度和重度霉心4 個(gè)類別，如圖6所示。訓(xùn)練集樣本中，4 個(gè)類別樣本個(gè)數(shù)依次為120、14、9 個(gè)和7 個(gè)，測試集樣本中，4 個(gè)類別樣本個(gè)數(shù)分別依次為54、9、6 個(gè)和6 個(gè)。本實(shí)驗(yàn)采用霉心病程度類型判別正確率（測試集中類型正確判別樣本數(shù)與測試集樣品總數(shù)之比）對(duì)識(shí)別模型進(jìn)行評(píng)價(jià)。

1.3.5 基于深度學(xué)習(xí)的建模方法

1.3.5.1 DBN模型結(jié)構(gòu)的確定

為尋找較優(yōu)的網(wǎng)絡(luò)結(jié)構(gòu)，分別改變RBM層數(shù)和各層的神經(jīng)元數(shù)進(jìn)行訓(xùn)練和測試。當(dāng)RBM層數(shù)設(shè)置為2、3、4，各層神經(jīng)元確定時(shí)，發(fā)現(xiàn)RBM層數(shù)為2時(shí)預(yù)測結(jié)果較差，RBM層數(shù)分別設(shè)置為3和4時(shí)預(yù)測結(jié)果較好，且預(yù)測正確率基本相當(dāng)。為減小模型運(yùn)行時(shí)間，最終選擇RBM層數(shù)為3。在確定RBM層數(shù)為3的基礎(chǔ)上進(jìn)一步確定各層神經(jīng)元數(shù)量，第1層和第2層RBM神經(jīng)元數(shù)量從100開始每50一個(gè)步長進(jìn)行增加，第3層RBM神經(jīng)元數(shù)量按照第2層神經(jīng)元數(shù)量的1、2、3、4 倍分別考慮。經(jīng)過反復(fù)實(shí)驗(yàn)，最終確定的模型結(jié)構(gòu)為1 個(gè)輸入層、3 個(gè)隱含層和1 個(gè)BP網(wǎng)絡(luò)輸出層，如圖7所示，網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)依次為370-250-250-750-4。

圖7 DBN網(wǎng)絡(luò)結(jié)構(gòu)Fig. 7 DBN network architecture

1.3.5.2 DBN模型訓(xùn)練過程

該模型以蘋果透射光譜為輸入，病害程度為輸出，實(shí)現(xiàn)蘋果霉心病程度的無損檢測。模型訓(xùn)練的過程主要分為兩步：第1步，分別單獨(dú)無監(jiān)督地訓(xùn)練每一層RBM網(wǎng)絡(luò)，確保特征向量映射到不同特征空間時(shí)，都盡可能多地保留特征信息；第2步，在DBN的最后一層設(shè)置BP網(wǎng)絡(luò)，以RBM的輸出特征向量作為它的輸入特征向量，有監(jiān)督地訓(xùn)練分類器。而且每一層RBM網(wǎng)絡(luò)只能確保自身層內(nèi)的權(quán)值對(duì)該層特征向量映射達(dá)到最優(yōu)，并不是對(duì)整個(gè)DBN的特征向量映射達(dá)到最優(yōu)，故BP網(wǎng)絡(luò)還將錯(cuò)誤信息自頂向下傳播至每一層RBM，微調(diào)整個(gè)DBN網(wǎng)絡(luò)。RBM網(wǎng)絡(luò)訓(xùn)練模型的過程可以看作對(duì)一個(gè)深層BP網(wǎng)絡(luò)權(quán)值參數(shù)進(jìn)行初始化，使DBN克服BP網(wǎng)絡(luò)因隨機(jī)初始化權(quán)值而易陷入局部最優(yōu)和訓(xùn)練時(shí)間長的缺點(diǎn)。

1.3.5.3 DBN模型訓(xùn)練方法

實(shí)驗(yàn)中，首先對(duì)650～800 nm波段區(qū)間內(nèi)370 維光譜數(shù)據(jù)進(jìn)行歸一化處理，將225 個(gè)樣本劃分為訓(xùn)練集150 個(gè)和測試集75 個(gè)。將數(shù)據(jù)集劃分為15 個(gè)為一批次，訓(xùn)練集10 個(gè)批次和測試集5 個(gè)批次，評(píng)價(jià)標(biāo)準(zhǔn)是正確識(shí)別率。采用1 個(gè)輸入層，3 個(gè)隱含層和BP網(wǎng)絡(luò)分類的輸出層，網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)依次是370-250-250-750-4。整個(gè)網(wǎng)絡(luò)權(quán)值的獲得流程如下：

步驟1：首先訓(xùn)練第1個(gè)RBM網(wǎng)絡(luò)，即輸入層370 維和第1個(gè)隱含層250 維構(gòu)成的網(wǎng)絡(luò)。采用RBM優(yōu)化方法，該過程采用訓(xùn)練樣本，優(yōu)化完畢后，計(jì)算訓(xùn)練樣本在隱含層的輸出值。

步驟2：利用步驟1中的結(jié)果作為第2個(gè)RBM網(wǎng)絡(luò)訓(xùn)練的輸入值，同樣用RBM網(wǎng)絡(luò)來優(yōu)化第2個(gè)RBM網(wǎng)絡(luò)，并計(jì)算出網(wǎng)絡(luò)的輸出值，并且用同樣的方法訓(xùn)練第3個(gè)RBM網(wǎng)絡(luò)。

步驟3：將上面3 個(gè)RBM網(wǎng)絡(luò)展開連接成新的網(wǎng)絡(luò)，且分成encoder和decoder部分。并用步驟1、2得到的網(wǎng)絡(luò)值給該新網(wǎng)絡(luò)賦初值。

步驟4：本實(shí)驗(yàn)擬將霉心病程度分為4 類，故新網(wǎng)絡(luò)中最后一層為有4 個(gè)輸出節(jié)點(diǎn)的BP網(wǎng)絡(luò)分類器。采用BP算法計(jì)算網(wǎng)絡(luò)的代價(jià)函數(shù)和代價(jià)函數(shù)的偏導(dǎo)數(shù)。

步驟5：利用步驟3的初始值和步驟4的代價(jià)值和偏導(dǎo)值，采用共軛梯度下降法優(yōu)化整個(gè)新網(wǎng)絡(luò)，得到最終的網(wǎng)絡(luò)權(quán)值。

基于隨機(jī)法劃分?jǐn)?shù)據(jù)，將FS和經(jīng)SPA提取的特征波長作為DBN模型的輸入變量，建立霉心病病害程度判別模型，并用測試集樣本對(duì)模型進(jìn)行預(yù)測。理論上，輸出1（0001）為健康果，輸出2（0010）為輕度霉心果，輸出3（0100）為中度霉心果，輸出4（1000）為重度霉心果。實(shí)驗(yàn)中，各節(jié)點(diǎn)輸出大于0.90，則判定為該類。

2 結(jié)果與分析

2.1 霉心病病害程度常規(guī)建模方法識(shí)別效果

根據(jù)FS、SPA選擇的特征波長，分別建立特征波長與PLS-DA、BP-ANN和SVM蘋果霉心病病害程度判別模型。BP網(wǎng)絡(luò)隱含層傳遞函數(shù)采用“tansig”，輸出層傳遞函數(shù)采用“purelin”，訓(xùn)練函數(shù)選擇“trainlm”（LM訓(xùn)練法），目標(biāo)誤差為0.001，訓(xùn)練最大步數(shù)設(shè)為1 000。SVM 4 種病害程度識(shí)別模型采用SVM決策樹，由多個(gè)二類分類模型組成，實(shí)驗(yàn)中采用一對(duì)余類SVM多類分類模型，對(duì)應(yīng)4 種霉心病程度，共構(gòu)造4 個(gè)二類分類器。PLSDA、BP-ANN和SVM模型的判別正確率（判別正確的果實(shí)數(shù)目與訓(xùn)練集或測試集樣本總數(shù)的比率）如表1所示。

表1 蘋果霉心病病害程度的判別正確率Table 1 Classification accuracy of different degrees of moldy core in apples by different classification models

由表1可知，F(xiàn)S-PLS-DA模型對(duì)測試集的判別正確率為80%，F(xiàn)S-BP-ANN和FS-SVM模型對(duì)測試集的判別正確率為81.33%，SPA-PLS-DA、SPA-BP-ANN和SPASVM模型對(duì)測試集的判別正確率均為82.67%。上述結(jié)果表明，BP-ANN、SVM等模型判別正確率最高達(dá)到82.67%，這是因?yàn)檫@些模型均屬于淺層結(jié)構(gòu)算法，在有限樣本條件下，計(jì)算單元對(duì)復(fù)雜函數(shù)的表示能力有限，復(fù)雜分類問題泛化能力受到一定制約，故需要研究新的建模方法，以提高判別正確率。

2.2 霉心病病害程度DBN建模方法判別效果

表2 蘋果霉心病病害程度的判別正確率Table 2 Classification accuracy of different degrees of moldy core in apple fruits in training and test sets by DBN models

由表2可知，在DBN模型中，F(xiàn)S-DBN模型對(duì)訓(xùn)練集和測試集中病害等級(jí)的判別正確率分別為92.00%和88.00%，對(duì)于訓(xùn)練集，分別有0、10、1、1 個(gè)樣本發(fā)生誤判，對(duì)于測試集，分別有0、8、1、0 個(gè)樣本發(fā)生誤判，通過對(duì)訓(xùn)練集和測試集的誤判分析發(fā)現(xiàn)，誤判主要發(fā)生在輕度霉心病果誤判為健康果，以及中度霉心病果誤判為輕度霉心病果，這與健康果與輕度霉心病果之間、輕度與中度霉心病果之間的光譜特征曲線區(qū)別并不是很明顯一致。SPA-DBN模型對(duì)訓(xùn)練集和測試集中樣本的判別正確率分別為92.00%和88.00%，對(duì)于訓(xùn)練集，分別有0、9、2、1 個(gè)樣本發(fā)生誤判，對(duì)于測試集，分別有0、8、1、0 個(gè)樣本發(fā)生誤判。SPA-DBN模型預(yù)測的正確率與傳統(tǒng)線性分類方法PLS-DA提高5.33個(gè)百分點(diǎn)，與非線性方法BP-ANN、SVM相比亦提高5.33個(gè)百分點(diǎn)。表明DBN算法優(yōu)于PLS-DA、BP-ANN、SVM算法，提高了霉心病程度判別正確率。

應(yīng)用可見-近紅外透射能量光譜進(jìn)行定性分析時(shí)，高維光譜數(shù)據(jù)增加了分析的復(fù)雜性，而單個(gè)樣品的光譜數(shù)據(jù)會(huì)存在譜峰重疊問題，導(dǎo)致光譜數(shù)據(jù)信息冗余，網(wǎng)絡(luò)運(yùn)算很容易陷入局部極小且解析困難，實(shí)驗(yàn)中對(duì)光譜數(shù)據(jù)進(jìn)行平滑和MSC預(yù)處理后，基于FS、SPA建立識(shí)別模型。實(shí)驗(yàn)結(jié)果表明8 種模型無欠擬合及過擬合現(xiàn)象，表明基于可見-近紅外透射能量光譜分析方法對(duì)蘋果霉心病病害程度進(jìn)行識(shí)別可行。

對(duì)比基于FS和SPA 2 種方法所建DBN模型，基于SPA和FS所建模型的運(yùn)行時(shí)間分別為52.36 s和790.5 s，用特征波長所建模型比FS建立的模型運(yùn)行速度提高了15 倍。這是因?yàn)镈BN網(wǎng)絡(luò)的輸入時(shí)有370 個(gè)，而SPA所建模型的輸入變量只有16 個(gè)，僅為FS所建模型輸入變量數(shù)的4.32%，故運(yùn)算速度更快，更能適應(yīng)現(xiàn)場實(shí)時(shí)檢測的要求。

對(duì)比PLS-DA、BP-ANN、SVM和DBN 4 種蘋果霉心病病害程度判別模型，BP-ANN、SVM等模型判別正確率最高達(dá)到82.67%，但是他們均屬于淺層結(jié)構(gòu)算法，在有限樣本條件下，計(jì)算單元對(duì)復(fù)雜函數(shù)的表示能力有限，復(fù)雜分類問題泛化能力受到一定制約。DBN模型有效克服了BP網(wǎng)絡(luò)因隨機(jī)初始化權(quán)值參數(shù)而容易陷入局部最優(yōu)和訓(xùn)練時(shí)間長的缺點(diǎn)，能較好解決高維數(shù)、非線性和局部極小點(diǎn)等實(shí)際問題，具有較好的魯棒性，并且有效避免過學(xué)習(xí)和欠學(xué)習(xí)狀態(tài)的發(fā)生。DBN模型對(duì)訓(xùn)練集和測試集中樣品的判別正確率均分別達(dá)到92.00%和88.00%，可見DBN模型的性能要優(yōu)于BP-ANN、SVM和PLS-DA模型，在實(shí)際應(yīng)用中也更加穩(wěn)定和可靠。

3 結(jié) 論

提出了一種基于可見-近紅外透射能量光譜進(jìn)行蘋果霉心病病害程度的多類分類模型和方法。同時(shí)實(shí)驗(yàn)分析發(fā)現(xiàn)，健康果在波長705～769 nm區(qū)間處的透過峰最高，霉心病果的透過峰均低于健康果，且發(fā)病程度越嚴(yán)重，透過峰越低。

光譜預(yù)處理方法對(duì)建模的復(fù)雜度有較大影響。分別建立了基于FS、SPA的PLS-DA、BP-ANN、SVM、DBN識(shí)別模型。基于SPA所建模型的輸入變量數(shù)僅相當(dāng)于基于FS所建模型輸入變量數(shù)的4.32%，極大降低了模型的復(fù)雜度，提高了模型的運(yùn)算速度。

DBN模型具有更高的學(xué)習(xí)能力和預(yù)測能力，對(duì)訓(xùn)練集和測試集中霉心病病害等級(jí)的判別正確率分別為92.00%和88.00%。表明基于DBN模型可用于蘋果霉心病病害程度的快速無損識(shí)別。

[1] 烏日娜, 尚潔. 水果及其制品中棒曲霉素的殘留分析進(jìn)展[J].中國國境衛(wèi)生檢疫雜志, 2007, 30(3): 188-190. DOI:10.3969/ j.issn.1004-9770.2007.03.019.

[2] 高玲玲. 陜西省富士蘋果霉心病病原多樣性研究[D]. 楊凌: 西北農(nóng)林科技大學(xué), 2010: 23.

[3] CHAYAPRASERT W, STROSHINE R. Rapid sensing of internal browning in whole apples using a low-cost, low-field proton magnetic resonance sensor[J]. Postharvest Biology and Technology, 2005, 36(3): 291-301.

[4] 李芳, 蔡騁, 馬惠玲, 等. 基于生物阻抗特性分析的蘋果霉心病無損檢測[J]. 食品科學(xué), 2013, 34(18): 197-202. DOI:10.7506/spkx1002-6630-201318040.

[5] 楊亮亮. 基于機(jī)器視覺和X射線的蘋果霉心病檢測方法研究[D]. 楊凌: 西北農(nóng)林科技大學(xué), 2009: 10.

[6] 何東健. 水果內(nèi)部品質(zhì)在線近紅外分光檢測裝置及試驗(yàn)[J].農(nóng)業(yè)工程學(xué)報(bào), 2001, 17(1): 146-148. DOI:10.3321/ j.issn:1002-6819.2001.01.031.

[7] CLARK C J, McGLONE V A, JORDAN R B. Detection of brownheart in ‘Braeburn’ apple by transmission NIR spectroscopy[J]. Postharvest Biology and Technology, 2003, 28(1): 87-96. DOI:10.1016/S0925-5214(02)00122-9.

[8] 劉燕德, 應(yīng)義斌. 近紅外漫反射式水果糖份含量的測量系統(tǒng)[J].光電工程, 2004, 31(2): 51-53. DOI:10.3969/j.issn.1003-501X.2004.02.016.

[9] 劉燕德, 應(yīng)義斌, 傅霞萍近紅外漫反射用于檢測蘋果糖度及有效酸度的研究[J]. 光譜學(xué)與光譜分析, 2005, 25(11): 1794-1796. DOI:10.3321/j.issn:1000-0593.2005.11.014.

[10] GUTHRIE J A, LIEBENBERG C J, WALSH K B. NIR model development and robustness in prediction of melon fruit total soluble solids[J]. Crop and Pasture Science, 2006, 57(4): 411-418. DOI:10.1071/AR05123.

[11] 王加華, 韓東海. 基于遺傳算法的蘋果糖度近紅外光譜分析[J].光譜學(xué)與光譜分析, 2008, 28(10): 2308-2311. DOI:10.3964/j.is sn.1000-0593(2008)10-2308-04.

[12] 李順峰, 張麗華, 劉興華, 等. 基于主成分分析的蘋果霉心病近紅外漫反射光譜判別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2011, 42(10): 158-161. DOI:10.3969/j.issn.1000-1298.2011.10.031.

[13] 蘇東, 張海輝, 陳克濤, 等. 基于透射光譜的蘋果霉心病多因子無損檢測[J]. 食品科學(xué), 2016, 37(8): 207-211. DOI:10.7506/spkx1002-6630-201608037.

[14] 張海輝, 陳克濤, 蘇東, 等. 基于特征光譜的蘋果霉心病無損檢測設(shè)備設(shè)計(jì)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(18): 255-262. DOI:10.11975/ j.issn.1002-6819.2016.18.035.

[15] McGLONE V A, MARTINSEN P J, CLARK C J, et al. On-line detection of Brownheart in Breaburn apples using near infrared transmission measurements[J]. Postharvest Biology and Technology, 2005, 37(2): 142-151. DOI:10.1016/j.postharvbio.2005.04.011.

[16] 韓東海, 劉新鑫, 魯超, 等. 蘋果內(nèi)部褐變的光學(xué)無損傷檢測研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2006, 37(6): 86-88. DOI:10.3969/ j.issn.1000-1298.2006.06.022.

[17] SHENDEREY C, SHMULEVICH I, ALCHANATIS V, et al. NIRS detection of moldy core in apples[J]. Food Bioprocess Technology, 2010, 3(1): 79-86. DOI:10.1007/s11947-009-0256-1.

[18] 雷雨, 何東健, 周兆永, 等. 蘋果霉心病可見/近紅外透射能量光譜識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(4): 193-200. DOI:10.6041/ j.issn.1000-1298.2016.04.026.

[19] ZHOU Zhaoyong, HE Dongjian, LEI Yu, et al. NIRS detection of moldy core in apples[J]. International Journal of Agricultural and Biological Engineering, 2016, 9(6): 148-155. DOI:10.3965/ j.ijabe.20160906.2235.

[20] BENGIO Y, DELALLEAU O. On the Expressive power of deep architectrues[C]//Proceedings of the 22nd International Conference on Algorithmic Learning Theory. Espoo, Finland: Springer-Verlag, 2011: 18-36. DOI:10.1007/978-3-642-24412-4_3.

[21] SALAKHUTDINOV R, HINTON G E. Deep boltzmann machines[C]// Proceedings of the Twelfth International Conference on Artificial Intelligence and Statistics. Florida, USA: ACM, 2009: 448-455.

[22] BENGIO Y. Learning deep architectures for AI[J]. Foundations and Trends in Machine Learning, 2009, 2(1): 1-12.

[23] HINTON G E. Training products of experts by minimizing contrastive divergence[J]. Neural Computation, 2002, 14(8): 1771-1800. DOI:10. 1162/089976602760128018.

[24] HINTON G, OSINDERO S, TEH Y. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554. DOI:10.1162/neco.2006.18.7.1527.

[25] 王加華, 孫旭東, 潘璐, 等. 基于可見/近紅外能量光譜的蘋果褐腐病和水心鑒別[J]. 光譜學(xué)與光譜分析, 2008, 28(9): 2098-2102. DOI:10.3964/j.issn.1000-0593(2008)09-2098-05.

[26] 劉燕德, 周延睿, 潘圓媛. 基于最小二乘支持向量機(jī)的辣椒可溶性固形物和維生素C含量近紅外光譜檢測[J]. 光學(xué)精密工程, 2014, 22(2): 281-288. DOI:10.3788/OPE.20142202.0281.

[27] 岳學(xué)軍, 全東平, 洪添勝, 等. 柑橘葉片葉綠素含量高光譜無損檢測模型[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(1): 294-302. DOI:10.3969/ j.issn.1002-6819.2015.01.039.

[28] 何東健, 陳煦. 基于光譜分析的土壤有機(jī)質(zhì)含量田間實(shí)時(shí)測定方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2015, 46(3): 152-157. DOI:10.6041/ j.issn.1000-1298.2015.03.021.

Non-Destructive Detection of Moldy Core in Apple Fruit Based on Deep Belief Network

ZHOU Zhaoyong1,2, HE Dongjian1,*, ZHANG Haihui1, LEI Yu1, SU Dong1, CHEN Ketao1
(1. College of Mechanical and Electronic Engineering, Northwest A&F University, Yangling 712100, China; 2. Network and Education Technology Center, Northwest A&F University, Yangling 712100, China)

Apple moldy core is a major disease affecting the internal quality of apple fruit. However, due to the lack of effective means to accurately detect moldy core in apple fruits, detection of moldy core in apples has become a major problem to be solved in the apple industry. To date, there have been no reports on the use of spectroscopy for distinguishing various degrees of moldy core decay in apple fruits. The objective of this study was to develop a non-destructive method for the detection of various degrees of moldy core decay in apple fruits using near infrared transmittance spectroscopy, successive projections algorithm (SPA), and multi-class classification algorithms partial least square-discriminant analysis (PLS-DA), back propagation artificial neural network (BP-ANN), support vector machine (SVM) and deep belief network (DBN). For developing a model to determine the degree of moldy core in apples, 225 samples were selected including a training set of 150 samples and a test set of 75 samples. The model consisted of several layers of restricted Boltzmann machine (RBM) network, which achieved eigenvector projection, and one layer of BP network, which allowed the classification of various degrees of moldy core based on the output eigenvector. The Sdvalue was calculated by dividing the lesion area by the total cross-sectional area. It was proposed that Sd= 0, 0 ＜ Sd≤ 10%, 10% ＜ Sd＜ 30% and Sd≥ 30 indicated health, mild, moderate and severe degrees, respectively. The classification accuracy of the DBN model was 88.00%, suggesting good performance of the model, and it was compared with those of the BP-ANN and SVM models.

moldy core in apples; degree of disease; transmittance spectroscopy; deep belief network (DBN); restricted Boltzmann machine (RBM)

10.7506/spkx1002-6630-201714046

S24

A

1002-6630（2017）14-0297-07

2016-09-12

國家高技術(shù)研究發(fā)展計(jì)劃（863計(jì)劃）項(xiàng)目（2013AA10230402）；國家自然科學(xué)基金面上項(xiàng)目（61473235）；陜西省重大農(nóng)技推廣服務(wù)試點(diǎn)項(xiàng)目（2016XXPT-05）

周兆永（1980—），男，工程師，博士研究生，主要從事智能化檢測、模式識(shí)別研究。E-mail：yzz@nwsuaf.edu.cn

*通信作者：何東?。?957—），男，教授，博士，主要從事智能化檢測與控制、圖像分析與計(jì)算機(jī)視覺、農(nóng)業(yè)信息化研究。E-mail：hdj168@nwsuaf.edu.cn