基于主成分分析和人工神經(jīng)網(wǎng)絡(luò)的近紅外光譜大豆產(chǎn)地識(shí)別

田 瓊，馬新華，袁俊杰，龍 陽(yáng)，洪武興，盧韻宇

(湛江海關(guān)技術(shù)中心，廣東湛江 524022)

大豆，又稱黃豆、黃大豆，為一年生草本植物原產(chǎn)于中國(guó)，在新石器時(shí)代已有栽培。大豆是一種重要的糧油兼農(nóng)產(chǎn)品，其植物蛋白質(zhì)含量為35%～45%，富含多種人體必備的氨基酸[1]。同時(shí)，大豆油富含亞油酸，有降低血清膽固醇含量、預(yù)防心血管疾病的功效[2]。我國(guó)是世界上最大的大豆進(jìn)口國(guó)，據(jù)海關(guān)統(tǒng)計(jì)，2019年我國(guó)大豆進(jìn)口總量8551.1萬(wàn)噸,近年來(lái)我國(guó)進(jìn)口大豆總量和對(duì)外依存度一直維持高位，各來(lái)源國(guó)的大豆質(zhì)量參差不齊，其安全問(wèn)題越來(lái)越受到關(guān)注[3-6]。因此，研究快速、有效的進(jìn)口大豆產(chǎn)地識(shí)別方法對(duì)加強(qiáng)原產(chǎn)地管理和進(jìn)口大豆質(zhì)量安全監(jiān)管具有重要意義。

近紅外光譜(Near Infrared Spectrum)技術(shù)具有操作簡(jiǎn)單、快速、非破壞、無(wú)污染等特點(diǎn)，被廣泛地應(yīng)用食品、農(nóng)產(chǎn)品的品質(zhì)分析[7-10]和產(chǎn)地識(shí)別[11-14]。趙海燕等[15]應(yīng)用近紅外光譜儀對(duì)中國(guó)小麥主產(chǎn)區(qū)河北省、河南省、山東省和陜西省共240份小麥籽粒樣品，采用偏最小二乘判別分析法建模型，總體準(zhǔn)確率達(dá)到80%以上。李勇等[16]利用近紅外分析儀對(duì)江蘇、遼寧、湖北、黑龍江4個(gè)省份的169個(gè)大米樣品進(jìn)行了檢測(cè)，利用蒙特卡羅模擬方法(Monte Carlo method)判別4個(gè)省份的大米產(chǎn)地，預(yù)測(cè)準(zhǔn)確率達(dá)90%以上。

在大豆產(chǎn)地識(shí)別研究方面，研究人員主要基于大豆的有機(jī)組分[17-18]和礦物質(zhì)含量[19-20]，對(duì)國(guó)內(nèi)不同產(chǎn)區(qū)大豆進(jìn)行產(chǎn)地鑒別。鹿保鑫等[21]測(cè)定了黑龍江嫩江及北安共168份大豆中的礦物元素含量及蛋白質(zhì)、脂肪、可溶性總糖和灰分含量；采用步進(jìn)式方法篩選出10種特征指標(biāo)，建立判別模型對(duì)訓(xùn)練集大豆產(chǎn)地整體準(zhǔn)確率達(dá)95%以上；結(jié)果表明7種礦物元素(Mn、As、Sr、La、Nd、Tb、Hf)和3種有機(jī)成分(蛋白質(zhì)、脂肪、可溶性總)是用于大豆產(chǎn)地判別的主要特征指標(biāo),攜帶了充分的產(chǎn)地判別信息。目前，對(duì)于進(jìn)口大豆產(chǎn)地識(shí)別相關(guān)報(bào)道較少，主要有國(guó)內(nèi)的張勇等[22]采用氣相色譜-質(zhì)譜法(gas chromatography mass spectrometry)測(cè)定48份進(jìn)口大豆(美國(guó)15份、巴西15份、加拿大10份、阿根廷4份、烏拉圭4份)和48份國(guó)產(chǎn)大豆的脂肪酸組成，采取隨機(jī)森林方法建立了進(jìn)口大豆與國(guó)產(chǎn)大豆間的判別模型，交互檢驗(yàn)預(yù)測(cè)準(zhǔn)確率達(dá)95%以上,可有效區(qū)分進(jìn)口大豆與國(guó)產(chǎn)大豆；日本的Akiko Otaka等[23]采用能量色散X射線熒光光譜儀(Energy Dispersive X-Ray Fluorescence Spectrometer)測(cè)定46個(gè)大豆樣本(日本23個(gè)，美國(guó)8個(gè)，中國(guó)7個(gè)，加拿大7個(gè)，美國(guó)加拿大混合樣1個(gè))的8個(gè)元素(Mg、P、Cl、K、Mn、Cu、Br和Ba)，采取主成分分析能夠區(qū)分日本和非日本的大豆樣本。這兩篇報(bào)道的研究?jī)?nèi)容僅局限于本國(guó)大豆與國(guó)外大豆兩者之間的識(shí)別，由于收集的不同國(guó)別大豆樣本量有限，均未進(jìn)一步對(duì)不同國(guó)別大豆進(jìn)行產(chǎn)地識(shí)別。

本研究基于主成分分析和人工神經(jīng)網(wǎng)絡(luò)，采用近紅外光譜技術(shù)建立了進(jìn)口大豆的產(chǎn)地識(shí)別模型，收集166組2017～2019年間進(jìn)口大豆的近紅外光譜數(shù)據(jù)，經(jīng)數(shù)據(jù)預(yù)處理后，采用主成分分析、人工神經(jīng)網(wǎng)絡(luò)等算法，建立進(jìn)口大豆(阿根廷、巴西、烏拉圭、美國(guó))產(chǎn)地識(shí)別模型，為加強(qiáng)進(jìn)口大豆質(zhì)量安全管理及海關(guān)原產(chǎn)地管理，提供有效技術(shù)支持。

1 材料與方法

1.1 材料與儀器

試驗(yàn)樣品 采集166組大豆樣本，分別來(lái)自湛江、黃埔、張家港、泉州、深圳、南沙、汕頭、陽(yáng)江等口岸在2017～2019年入境的留存樣品，去除雜質(zhì)、破碎粒后，得到阿根廷14組、巴西90組、烏拉圭26組、美國(guó)36組，合計(jì)166組大豆試驗(yàn)樣本。

Infraxact近紅外分析儀(檢測(cè)器：硅570～1100 nm，銦鎵砷1100～1850 nm) 瑞典Foss公司。

1.2 實(shí)驗(yàn)方法

1.2.1 紅外光譜測(cè)定 參考GB/T 24870-2010[24]測(cè)定大豆樣品的近紅外光譜。在室溫下，將約200 g的整粒大豆樣品，采用自然裝樣方式，掃描波長(zhǎng)范圍570～1848 nm，光譜采樣間隔(波段寬)2 nm，波數(shù)據(jù)采集頻率3 s/次，掃描20次取平均值。

1.2.2 光譜數(shù)據(jù)預(yù)處理 采用箱型圖校正法，剔除異常樣本。采用多元散射校正(multiplicative scatter correction，MSC)、標(biāo)準(zhǔn)正態(tài)變量(standard normal variate，SNV)、Savitzky-Golay(SG)平滑濾波及它們之間相互組合，進(jìn)行光譜數(shù)據(jù)預(yù)處理。

1.2.3 識(shí)別模型及評(píng)價(jià) 首先主成分分析法進(jìn)行數(shù)據(jù)降維，在此基礎(chǔ)上，采用常見(jiàn)三種模式識(shí)別算法，支持向量機(jī)(support vector machine, SVM)，鄰近算法(K-nearest neighbor,KNN)與人工神經(jīng)網(wǎng)絡(luò)法(artificial neural network，ANN)分別建立識(shí)別模型。隨機(jī)選取70%的樣品為訓(xùn)練集，30%的樣品為測(cè)試集(ANN分別選取15%的樣品為驗(yàn)證集、測(cè)試集)。識(shí)別模型的效果評(píng)價(jià)，以測(cè)試集準(zhǔn)確率為依據(jù)。

準(zhǔn)確率表示模型預(yù)測(cè)結(jié)果的準(zhǔn)確程度，準(zhǔn)確率用公式(1)表示：

1.3 數(shù)據(jù)分析

使用MATLAB R2020a進(jìn)行箱型圖校正、MSC、SNV、SG平滑濾波、主成分分析，采用分類學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)模式識(shí)別工具箱建立產(chǎn)地識(shí)別模型。使用Office Excel 2016繪制圖形。

2 結(jié)果與分析

2.1 大豆原始光譜分析

近紅外光譜是有機(jī)分子中與氫相連化學(xué)鍵振動(dòng)的合頻和倍頻吸收，如圖1所示：在920 nm處的吸收峰與脂肪族烴中C-H2振動(dòng)有關(guān)；在1200 nm處的吸收峰與水分和脂肪中的C-H鍵、O-H鍵及C=O鍵的振動(dòng)有關(guān)；在1464 nm處的吸收峰與蛋白質(zhì)中的N-H鍵伸縮振動(dòng)一級(jí)倍頻吸收有關(guān)，1760 nm處的吸收峰與脂肪中的C-H鍵振動(dòng)有關(guān)，1788 nm處的吸收峰與水分中的O-H鍵振動(dòng)倍頻吸收有關(guān)。結(jié)果表明，由于不同國(guó)別大豆的脂肪、蛋白質(zhì)、水分含量不同，造成近紅外光譜存在一定差異，但走勢(shì)大體一致，需要對(duì)光譜數(shù)據(jù)做進(jìn)一步處理。

圖1 大豆近紅外原始光譜圖Fig.1 Original NIR spectrum of soybeans

2.2 光譜數(shù)據(jù)預(yù)處理

對(duì)166組大豆樣本近紅外原始譜圖，做箱型圖分析。如圖2所示，十字圖形數(shù)據(jù)為離群值(范圍±1.5倍四分位距以外的值)，被視為異常值。刪除了光譜數(shù)據(jù)異常的12組樣本，其中阿根廷2組，巴西5組，烏拉圭5組，剔除完成后，得到最終使用的154組樣本近紅外光譜數(shù)據(jù)集，其中阿根廷12組、巴西85組、烏拉圭21組、美國(guó)36組。

圖2 近紅外原始光譜數(shù)據(jù)的箱型圖Fig.2 Box plot graph of the original NIR spectrum

為消除在采集光譜信息過(guò)程中基線漂移、樣本差異、環(huán)境光線等其他因素的干擾，對(duì)154組樣本近紅外光譜數(shù)據(jù)集，采用MSC、SNV、SG平滑濾波及它們之間相互組合等手段預(yù)處理光譜。以ANN建模，用總體測(cè)試集準(zhǔn)確率評(píng)價(jià)光譜預(yù)處理效果，如表1所示。

表1 不同預(yù)處理方法對(duì)建模的影響Table 1 Effects of different pretreatment methods on modeling

由表1可見(jiàn)，選取采用SG平滑濾波法，選用平滑窗口為3，再進(jìn)行MSC預(yù)處理，得到預(yù)處理后的大豆近紅外光譜數(shù)據(jù)集，建模效果最好。結(jié)合圖3所示，光譜數(shù)據(jù)經(jīng)過(guò)預(yù)處理，能夠較好地消除高頻噪聲、基線漂移的影響。

圖3 SG、MS預(yù)處理后的大豆光譜Fig.3 NIR spectrum after SG and MSC pretreatment

2.3 主成分分析

主成分分析(Principal Component Analysis，PCA)是一種多元統(tǒng)計(jì)分析方法。通過(guò)正交變換將一組可能存在相關(guān)性的變量轉(zhuǎn)換為一組線性不相關(guān)的變量，轉(zhuǎn)換后的這組變量叫主成分。主成分分析能夠有效地降維數(shù)據(jù)，并消除眾多信息相互重疊的信息部分。實(shí)驗(yàn)采集的大豆樣品圖譜從570～1848 nm共有640數(shù)據(jù)點(diǎn)，數(shù)據(jù)量大，冗余信息多。如表2所示，前10個(gè)主成分的累積方差貢獻(xiàn)率已達(dá)到99.966%，說(shuō)明前10個(gè)變量很好地表征了原始數(shù)據(jù)集的主要特征信息，進(jìn)而數(shù)據(jù)集從154×640減少到154×10(10個(gè)主成分)。

表2 主成分分析累積方差貢獻(xiàn)率Table 2 Cumulative variance contribution of principal component analysis

如圖4所示，在PC1和PC2的主成分得分圖中，巴西樣本主要分布在第1象限、第2象限和第4象限；美國(guó)樣本主要分布在第1象限、第2象限和第3象限；阿根廷樣本主要分布在第3象限和第4象限，烏拉圭樣本主要分布在第3象限和第4象限。四個(gè)國(guó)家的樣本分布過(guò)于分散，且重疊嚴(yán)重。在PC2和PC3的主成分得分圖中，阿根廷樣本分布在第三象限，與分布在第二象限和第四象限的烏拉圭樣本能夠明顯區(qū)分開(kāi)來(lái)，但烏拉圭樣本與美國(guó)、巴西樣本都有重疊，且四個(gè)產(chǎn)地樣本都有一定程度的重疊，故在主成分分析的基礎(chǔ)上，需進(jìn)一步優(yōu)化算法，提高識(shí)別模型的準(zhǔn)確率。

圖4 PC1、PC2、PC3的主成分得分圖Fig.4 Principal component scores of PC1, PC2 and PC3

2.4 識(shí)別模型的建立與結(jié)果評(píng)價(jià)

選取主成分分析得到前10個(gè)主成分(154×10維矩陣)為輸入向量；設(shè)置“1”代表阿根廷大豆樣本，“2”代表巴西大豆樣本，“3”代表烏拉圭大豆樣本，“4”代表美國(guó)大豆樣本，作為目標(biāo)向量，建立識(shí)別模型。訓(xùn)練集，測(cè)試集分別按照70%、30%的比例隨機(jī)選取，即從154個(gè)樣本中隨機(jī)抽取108個(gè)樣本為訓(xùn)練集，46個(gè)樣本為測(cè)試集。分別采用SVM、KNN、BP-ANN建立識(shí)別模型。

SVM是一種基于核的算法，其原理是把輸入數(shù)據(jù)映射到一個(gè)高階的向量空間，在這些高階向量空間里，有些分類能夠更容易的解決。采用SVM算法優(yōu)化參數(shù)，設(shè)定核函數(shù)為線性，核尺度為自動(dòng)，框約束級(jí)別為1，多類方法為一對(duì)一，建立識(shí)別模型。

KNN是一種基于實(shí)例的算法，其原理是選取一定量的樣本數(shù)據(jù)，然后根據(jù)特征近似性把新數(shù)據(jù)與樣本數(shù)據(jù)進(jìn)行比較。通過(guò)這種方式來(lái)尋找最佳的匹配，進(jìn)而實(shí)現(xiàn)分類。采用KNN算法，優(yōu)化參數(shù)，設(shè)定鄰點(diǎn)個(gè)數(shù)為1，距離度量為歐幾里得(Eulidean)，距離權(quán)重為等距離，建設(shè)識(shí)別模型。

ANN是一種強(qiáng)有力的模仿人腦神經(jīng)細(xì)胞的結(jié)構(gòu)和功能的學(xué)習(xí)系統(tǒng)，能夠?qū)崿F(xiàn)輸入與輸出之間的高度非線性映射。采用ANN算法，訓(xùn)練集、驗(yàn)證集、測(cè)試集分別按照70%、15%和15%的比例隨機(jī)選取，即從154個(gè)樣本中隨機(jī)抽取108個(gè)樣本為訓(xùn)練集，23個(gè)樣本為驗(yàn)證集，23個(gè)樣本為測(cè)試集。訓(xùn)練集用于網(wǎng)絡(luò)訓(xùn)練時(shí)權(quán)值的調(diào)整，驗(yàn)證集用于提前停止訓(xùn)練以避免過(guò)擬合，測(cè)試集用于網(wǎng)絡(luò)訓(xùn)練結(jié)束后，測(cè)試網(wǎng)絡(luò)訓(xùn)練效果時(shí)使用。為了提高預(yù)測(cè)準(zhǔn)確率與計(jì)算效率，優(yōu)化模型參數(shù)，隱藏層節(jié)點(diǎn)數(shù)設(shè)定為10，學(xué)習(xí)速率為0.01，動(dòng)量因子設(shè)定為0.95時(shí),經(jīng)過(guò)23次迭代，建立識(shí)別模型。

三種算法的建模效果如表3所示，采用SVM建模，總體測(cè)試集準(zhǔn)確率89.13%，其中烏拉圭準(zhǔn)確率較低為66.67%；采用KNN建模，識(shí)別效果有所改善，總體測(cè)試集準(zhǔn)確率為91.30%，其中烏拉圭準(zhǔn)確率提高為70.00%；采用BP-ANN建模效果最好，總體測(cè)試集準(zhǔn)確率最高為95.65%，其中阿根廷、巴西、美國(guó)準(zhǔn)確率均為100%，烏拉圭準(zhǔn)確率為80%。

表3 不同算法建模的總體測(cè)試集準(zhǔn)確率Table 3 Accuracy of total test set by different algorithms modeling

采用ANN建立的模型具有良好的鑒別能力，能夠準(zhǔn)確識(shí)別大豆樣本的產(chǎn)地國(guó)別信息。如表4所示，全部數(shù)據(jù)集準(zhǔn)確率為98.70%，預(yù)測(cè)結(jié)果的錯(cuò)誤數(shù)為2，具體為1個(gè)“阿根廷”被誤判為“烏拉圭”，1個(gè)“美國(guó)”被誤判為“烏拉圭”，說(shuō)明所建立的ANN模型具有一定泛化能力。

表4 人工神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果Table 4 Results of artificial neural network prediction

3 結(jié)論

采用箱型圖校正法，剔除異常樣本，經(jīng)SG平滑濾波、MSC處理原始紅外光譜。采用主成分分析降維，將前10個(gè)主成分作為ANN模型輸入向量，在學(xué)習(xí)速率為0.01，動(dòng)量因子設(shè)定為0.95，輸出層節(jié)點(diǎn)為4，隱藏層節(jié)點(diǎn)為10時(shí)，模型識(shí)別測(cè)試集準(zhǔn)確率為95.65%，全部數(shù)據(jù)集準(zhǔn)確率為98.70%，只有2個(gè)樣本判斷錯(cuò)誤。由此可見(jiàn)，基于ANN模型的近紅外光譜檢測(cè)技術(shù)能夠快速、準(zhǔn)確地鑒別大豆產(chǎn)地,為加強(qiáng)進(jìn)口大豆質(zhì)量安全管理和原產(chǎn)地管理提供科學(xué)依據(jù)。