高光譜成像技術(shù)結(jié)合遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的南疆駿棗總糖含量建模分析

李偉偉，羅華平，2，3，孔維楠

(1.塔里木大學(xué)機械電氣化工程學(xué)院，新疆阿拉爾 843300；2.新疆維吾爾自治區(qū)普通高等學(xué)?，F(xiàn)代農(nóng)業(yè)工程重點實驗室，新疆阿拉爾 843300；3.南疆農(nóng)業(yè)農(nóng)機化研究中心，新疆阿拉爾 843300)

南疆駿棗營養(yǎng)價值高，其品質(zhì)深受人們關(guān)注。由于南疆特殊的地理環(huán)境和氣候條件，特別是晝夜溫差大、光照時間長、有效積溫高等條件，孕育了南疆駿棗優(yōu)良的品質(zhì)，如粒大飽滿、營養(yǎng)價值高，深受人們的喜愛?？偺呛渴悄辖E棗品質(zhì)信息的常規(guī)性指標，它對紅棗進一步分級和銷售有重要的影響。傳統(tǒng)的檢測方法不僅耗時費力，還對樣品產(chǎn)生侵入式破壞，且分析速度慢、損害環(huán)境，嚴重影響紅棗的分級和銷售質(zhì)量。因此迫切需要一種簡單、快速、無損的品質(zhì)檢測方法，保證南疆駿棗的發(fā)展。

近年來，高光譜成像技術(shù)應(yīng)用在農(nóng)產(chǎn)品品質(zhì)檢測方面已成為一個研究熱點[1]。傳統(tǒng)的光譜技術(shù)只能對農(nóng)產(chǎn)品的光譜信息進行處理，不能獲取樣品的圖像信息。新一代的無損檢測技術(shù)——高光譜成像技術(shù)的誕生，彌補了近紅外(near infrared，NIR)光譜技術(shù)的弊端，同時獲得樣品的圖像信息和光譜信息，可以綜合反映農(nóng)產(chǎn)品的品質(zhì)信息[2]。目前，在農(nóng)產(chǎn)品檢測方面，高光譜圖像技術(shù)應(yīng)用于鮮棗的損傷、可溶性固形物含量檢測[3]、小黃瓜的水分無損檢測[4]、蘋果的硬度與糖度的檢測[5]、馬鈴薯的淀粉含量檢測[6]、柑橘的缺陷檢測[7]、長棗表面農(nóng)藥殘留檢測[8]等內(nèi)外部品質(zhì)的檢測。研究結(jié)果表明，高光譜圖像技術(shù)在農(nóng)產(chǎn)品品質(zhì)檢測方面擁有廣闊的前景。

1 材料與方法

1.1 儀器設(shè)備及軟件

Hyperspectral Sorting System高光譜分選系統(tǒng)(900～1 700 nm，光譜分辨率5 nm，256個波段)。如圖1所示，該系統(tǒng)由高光譜成像光譜儀、電荷耦合器件(CCD)相機、探測器(類型InGaAs)、成像鏡頭、電控位移平臺、計算機組成。高光譜圖像數(shù)據(jù)分析軟件為ENVI 4.6和Matlab 2013a。

1.2 試驗材料與總糖測定

試驗材料為2015年9月采集于新疆生產(chǎn)建設(shè)兵團阿拉爾市10團的白熟期駿棗，選出大小均勻、無破損的紅棗120顆，進行編號及除塵等處理。

紅棗總糖含量測定采用國標法，即直接滴定法，按照 GB/T 12456—2008《食品中總糖的測定》執(zhí)行。

1.3 高光譜圖像的采集及反射光譜的獲取

1.3.1 高光譜圖像的采集 采集南疆駿棗樣品的高光譜圖像系統(tǒng)設(shè)置：光譜掃描范圍900～1 700 nm，光譜分辨率 5 nm，掃描速度100張/s，相機像素320×256，CCD相機的曝光時間20 ms，電控位移平臺速度17.3 mm/s，相機高度 36 cm，行程25 cm。

由于光源的強度在各個波段下分布不均勻、樣品形狀不規(guī)則及暗電流的存在，需對所獲高光譜圖像進行黑白校正，消除噪聲影響。樣品采集相同系統(tǒng)條件下，掃描白色校正板得到的全白圖像W，關(guān)閉相機鏡頭進行圖像采集得到的全黑圖像B，然后再采集樣品光譜圖像[9]。黑白校正公式如下：

式中：R為校正后高光譜圖像；I為原始高光譜圖像。

1.3.2 反射光譜的獲取 校正后的南疆駿棗高光譜圖像在ENVI 4.6中打開，選取表面1個感興趣區(qū)域(簡稱ROI)(60～100個像素點)，計算其平均反射光譜，得到原始反射光譜[10]，如圖2所示。

1.4 算法及原理

遺傳算法(GA)借鑒生物界的自然選擇和遺傳機制，利用選擇、交換和突變等算子操作，隨著遺傳迭代的不斷進行，使得目標函數(shù)值較優(yōu)的變量被保留，較差的變量被淘汰，最終得到最優(yōu)的結(jié)果。遺傳算法的實現(xiàn)包括5個基本要素：參數(shù)編碼、群體的初始化、適應(yīng)度函數(shù)的設(shè)計、遺傳操作設(shè)計、收斂判據(jù)和變量的選取[11]。具體的實現(xiàn)流程如圖3所示。

反向傳播(back propagation，簡稱BP)神經(jīng)網(wǎng)絡(luò)(neural network)是由非線性變換神經(jīng)單元組成的前饋型多層神經(jīng)網(wǎng)絡(luò)，主要由3部分組成：輸入層、隱含層和輸出層。輸入信息按從輸入層經(jīng)隱含層到輸出層計算的方向進行，閾值和權(quán)值則按照輸出到輸入的方向進行修正，從而實現(xiàn)了信息的正向傳遞和誤差的反向傳播[12]。

2 結(jié)果與分析

2.1 反射光譜的預(yù)處理

分別采用均值中心化(mean centering，MC)、矢量歸一化(vector normalization)、標準正態(tài)變量變換(standard normal variate transformation，SNV)、多元散射校正(multiplicative scatter correction，MSC)、導(dǎo)數(shù)法對光譜進行預(yù)處理。其中多元散射校正處理后的光譜見圖4。

2.2 波長變量選擇方法

由于高光譜圖像波長覆蓋范圍寬、波段多，每次采集大量光譜信息，而不同的原始光譜數(shù)據(jù)對待測樣品的品質(zhì)信息貢獻不同，通過特定的波長變量的篩選方法對波長變量進行優(yōu)選，可以減少建模時間，簡化建模過程，最重要的是可以剔除無關(guān)的信息變量，從而建立魯棒性強、預(yù)測能力好的定量校正模型[13]。

遺傳算法參數(shù)設(shè)定初始種群為100，交叉概率Pc=0.8，變異概率Pm=0.01，遺傳迭代次為100次。圖5為遺傳算法各變量被選用的頻次，圖6為交叉驗證選擇出的變量數(shù)分布。

2.3 建模方法的選擇

目前主要采用的線性校正方法是偏最小二乘法(PLS)、非線性校正方法是BP人工神經(jīng)網(wǎng)絡(luò)(BP-ANN)。BP-ANN是一個前向多層網(wǎng)絡(luò)，它利用誤差反向傳播算法對網(wǎng)絡(luò)進行訓(xùn)練。由于其結(jié)構(gòu)簡單、可塑性強，包含了神經(jīng)網(wǎng)絡(luò)理論中最精華的部分，因此BP-ANN在非線性校正模型中得到了廣泛應(yīng)用[14]。

2.4 界外樣本的剔除及樣本的總糖信息

120顆待測紅棗經(jīng)過馬氏距離(閾值e=2.1)和濃度殘差(閾值h=2.8)對駿棗光譜和總糖含量進行剔除。

剔除后樣品數(shù)為112個，選擇校正集與預(yù)測集的樣本比例為3 ∶1(校正集84個，預(yù)測集28個)。南疆駿棗總糖信息如表1所示。

表1 南疆駿棗樣本總糖信息

2.5 預(yù)處理方法的選擇結(jié)果

采集的紅棗樣品信息除了有待測樣品的原始化學(xué)信息外，還有其他外在的干擾信息和噪聲，這些信息導(dǎo)致化學(xué)信息與真實信息存在一定差異。為了提高信噪比，盡量減少誤差，選擇合適的預(yù)處理方法至關(guān)重要[15]。

經(jīng)過建模分析，不同預(yù)處理方法對南疆駿棗樣品的建模精度和預(yù)測能力的影響如表2所示。

表2 不同預(yù)處理方法南疆駿棗樣品的預(yù)測能力

2.6 建模分析

運用多元散射校正進行預(yù)處理，遺傳算法選擇特征波長變量。分別用偏最小二乘法和BP神經(jīng)網(wǎng)絡(luò)建模，真實值與預(yù)測值對比結(jié)果如圖7、圖8所示。

2.7 模型評價

2.7.1 模型的驗證參數(shù)評價 模型驗證評價參數(shù)如表3所示。

表3 不同建模方法的驗證評價參數(shù)

3 結(jié)論

(1)運用多元散射校正(MSC)預(yù)處理方法好于其他預(yù)處理方法。

(2)遺傳算法(GA)篩選的特征波長變量作為輸入變量的定量校正模型魯棒性強、預(yù)測能力更好。

(3)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)(BP-ANN)建立的校正模型預(yù)測能力好于偏最小二乘法(PLS)建立的校正模型。

本試驗選取112個樣本作為研究對象，試驗結(jié)果比較理想，但后續(xù)工作需要進一步增加樣本數(shù)量及樣本的品種類型，完善南疆紅棗的建模預(yù)測模型。紅棗的外部品質(zhì)信息也是下一步工作的研究內(nèi)容，從而實現(xiàn)紅棗內(nèi)外部品質(zhì)的同時檢測。

[1]徐 爽，何建國，易 東，等.基于高光譜圖像技術(shù)的長棗糖度無損檢測[J].食品與機械，2012，28(6)：168-170.

[2]吳龍國，何建國，劉貴珊，等.基于近紅外高光譜成像技術(shù)的長棗含水量無損檢測[J].光電子·激光，2014，25(1)：135-140.

[3]薛建新，張淑娟，張晶晶.高光譜成像技術(shù)對鮮棗內(nèi)外部品質(zhì)檢測的研究[J].光譜學(xué)與光譜分析，2015，35(8)：2297-2302.

[4]李 丹，何建國，劉貴珊，等.基于高光譜成像技術(shù)的小黃瓜水分無損檢測[J].紅外與激光工程，2014，43(7)：2393-2397.

[5]王 爽.基于高光譜散射圖像的蘋果內(nèi)部品質(zhì)預(yù)測建模[D].無錫：江南大學(xué)，2012.

[6]吳 晨，何建國，賀曉光，等.基于近紅外高光譜成像技術(shù)的馬鈴薯淀粉含量無損檢測[J].河南工業(yè)大學(xué)學(xué)報(自然科學(xué)版)，2014，35(5)：11-16.

[7]章海亮，高俊峰，何 勇.基于高光譜成像技術(shù)的柑橘缺陷無損檢測[J].農(nóng)業(yè)機械學(xué)報，2013，44(9)：177-181.

[8]劉民法，張令標，何建國，等.基于高光譜成像技術(shù)的長棗表面農(nóng)藥殘留無損檢測[J].食品與機械，2014，30(5)：87-92.

[9]黃培賢，姚志湘，粟 暉，等.高光譜圖像技術(shù)在食品無損檢測中的研究進展[J].食品工業(yè)科技，2012，33(15)：412-417.

[10]徐 爽.基于高光譜圖像技術(shù)的紅棗品質(zhì)無損檢測研究[D].銀川：寧夏大學(xué)，2013.

[11]褚小立.化學(xué)計量學(xué)方法與分子光譜分析技術(shù)[M].北京：化學(xué)工業(yè)出版社，2011.

[12]楊 杰，占 君，張繼傳，等.MATLAB神經(jīng)網(wǎng)絡(luò)30例[M].北京：電子工業(yè)出版社，2014.

[13]彭云發(fā).近紅外光譜技術(shù)在南疆紅棗品質(zhì)快速無損檢測中的應(yīng)用[D].阿拉爾：塔里木大學(xué)，2015.

[14]葛哲學(xué)，孫志強.神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實現(xiàn)[M].北京：電子工業(yè)出版社，2007.

[15]胡曉男.南疆紅棗品質(zhì)數(shù)字化快速無損檢測技術(shù)推廣應(yīng)用[D].阿拉爾：塔里木大學(xué)，2015.