基于模型遷移的蘋果光學(xué)特征參數(shù)反演

徐煥良 周冰清 王浩云 李亦白 胡華東 黃 芬

(1.南京農(nóng)業(yè)大學(xué)信息科技學(xué)院， 南京 210095； 2.南京農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程博士后流動(dòng)站， 南京 210031)

0 引言

我國(guó)蘋果產(chǎn)量和栽培面積一直處于世界領(lǐng)先地位。蘋果產(chǎn)量逐年增加，而出口比例卻沒有隨之提高，其原因之一是我國(guó)蘋果產(chǎn)業(yè)的采后商品化處理技術(shù)較為落后，其中包括品質(zhì)檢測(cè)裝備。因此對(duì)蘋果品質(zhì)進(jìn)行無損檢測(cè)具有重要意義。

蘋果組織屬于混濁組織，光子在混沌組織中的吸收和散射會(huì)使光在傳播過程中出現(xiàn)衰減[1-2]。其中，吸收現(xiàn)象可以量化為吸收系數(shù)μa(mm-1)，μa主要反映組織體內(nèi)部化學(xué)信息的變化(如水分、酸度、糖度等);散射現(xiàn)象可被量化為有效散射系數(shù)μs(mm-1)，μs主要表現(xiàn)為組織結(jié)構(gòu)或物理特性(如密度、形態(tài)學(xué)特征、細(xì)胞結(jié)構(gòu)組成等)。這兩種系數(shù)統(tǒng)稱為光學(xué)特征參數(shù)。蘋果的組織結(jié)構(gòu)、物理特征以及化學(xué)成分決定了蘋果的光學(xué)特征參數(shù)，換言之，可以將光學(xué)特性參數(shù)作為光譜特征，預(yù)測(cè)蘋果內(nèi)部品質(zhì)。光學(xué)特征參數(shù)一般無法直接測(cè)量，傳統(tǒng)的方法如積分球技術(shù)[3-4]會(huì)破壞蘋果組織結(jié)構(gòu)。高光譜技術(shù)可以實(shí)現(xiàn)此功能，通過光譜圖像來檢測(cè)蘋果品質(zhì)，建立蘋果光譜圖像與光學(xué)特征參數(shù)之間的相關(guān)聯(lián)系成為重要環(huán)節(jié)。QIN等[5]利用高光譜成像技術(shù)，基于子空間信任域的牛頓最小二乘迭代方法對(duì)組織模擬液的漫反射近似模型進(jìn)行了反演計(jì)算，得到吸收系數(shù)和散射系數(shù)的平均反演誤差分別為16%和11%。何春柳[6]使用漫反射近似模型擬合得到吸收系數(shù)和散射系數(shù)，結(jié)合PLSDA 模型建立了西紅柿成熟度的分類模型。除了傳統(tǒng)建模方法，許多學(xué)者也嘗試?yán)蒙疃葘W(xué)習(xí)進(jìn)行反演研究。劉奇[7]利用人工神經(jīng)網(wǎng)絡(luò)對(duì)分層組織的光學(xué)特性參數(shù)進(jìn)行反演，單層模型的反演誤差為1.94%，雙層模型的反演誤差為1.85%，證明基于神經(jīng)網(wǎng)絡(luò)的參數(shù)反演方法比線性擬合法和微擾蒙特卡羅方法具有更高的精度。于博文[8]建立卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural net, CNN)模型，對(duì)VIIRS衛(wèi)星全球海洋葉綠素a濃度進(jìn)行反演。甘海明等[9]結(jié)合SAR模型預(yù)測(cè)龍眼葉片葉綠素含量分布情況?，F(xiàn)有反演方法僅在單層平板組織模型上取得了較好效果，對(duì)多層組織的光學(xué)特征參數(shù)反演效果并不理想，同時(shí)，建立數(shù)學(xué)模型需要進(jìn)行大量實(shí)驗(yàn)、獲取大量數(shù)據(jù)。雖然深度學(xué)習(xí)在反演上有良好的表現(xiàn)，但是同樣需要大量的帶標(biāo)簽樣本進(jìn)行模型訓(xùn)練，因此耗費(fèi)了大量人力物力，而且建立模型的可遷移性差。ZEILER等[10]和SERMANET等[11]證實(shí)，通過微調(diào)、更改分類器等方式，利用預(yù)訓(xùn)練網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)可以獲得比遷移前更好的分類效果。鄭一力等[12]、龍滿生等[13]將遷移學(xué)習(xí)方法應(yīng)用到農(nóng)業(yè)領(lǐng)域的圖像識(shí)別中。許景輝等[14]提出一種基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識(shí)別模型，對(duì)兩種遷移學(xué)習(xí)方式進(jìn)行了實(shí)驗(yàn)研究。

本文提出結(jié)合仿真數(shù)據(jù)和遷移學(xué)習(xí)進(jìn)行光學(xué)特征參數(shù)反演的方法。以蘋果為例，構(gòu)造仿真生物組織模型，基于蒙特卡洛原理對(duì)光子在組織中的傳輸進(jìn)行模擬，獲得大量仿真高光譜圖像；建立卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，將仿真高光譜圖像作為輸入進(jìn)行訓(xùn)練，得到預(yù)訓(xùn)練模型；同時(shí)，實(shí)測(cè)少量點(diǎn)光源高光譜圖像，將預(yù)訓(xùn)練模型遷移到實(shí)測(cè)點(diǎn)光源高光譜圖像中訓(xùn)練，并進(jìn)行微調(diào)，以提高反演準(zhǔn)確率。

1 數(shù)據(jù)獲取

1.1 實(shí)測(cè)數(shù)據(jù)獲取

1.1.1蘋果光學(xué)參數(shù)采集和標(biāo)簽處理

使用上海五鈴光電科技有限公司的雙積分球系統(tǒng)采集60個(gè)蘋果的果皮、果肉的反射率與透射率，其中積分球的直徑為5 cm，內(nèi)部采用聚四氟乙烯涂層，反射球有3個(gè)開口，透射球有2個(gè)開口；光源為150 W IT3900型鹵素光源；光譜儀包括NIRez型近紅外光譜儀(900～1 700 nm)和SE1040-25-VNIR型可見光光譜儀(350～1 020 nm)。采集到蘋果的果皮吸收系數(shù)μa1、果肉吸收系數(shù)μa2、果皮散射系數(shù)μs1、果肉散射系數(shù)μs24組參數(shù)，為使訓(xùn)練和測(cè)試所用的每個(gè)標(biāo)簽下的樣本數(shù)量近似相等，采用統(tǒng)計(jì)樣本數(shù)量的方法對(duì)光學(xué)參數(shù)進(jìn)行分類標(biāo)注。共計(jì)得到500個(gè)不同的光學(xué)參數(shù)組合。雙積分球系統(tǒng)結(jié)構(gòu)示意圖如圖1所示。

圖1 雙積分球系統(tǒng)結(jié)構(gòu)示意圖Fig.1 Schematic of integrating sphere system1.光纖 2.透射球 3.樣本夾 4.光柵 5.反射球 6.光譜儀

1.1.2蘋果高光譜圖像獲取

使用上海五鈴光電科技有限公司的高光譜成像裝置獲取點(diǎn)光源高光譜圖像，由文獻(xiàn)[15]和實(shí)驗(yàn)可確定點(diǎn)光源入射樣本的位置為赤道位置，采用圖2中的裝置模式采集200個(gè)陜西紅富士蘋果的點(diǎn)光源高光譜圖像，采集波段為373.54～1 033.87 nm。樣本保持完整，不做切開處理。用HIS Analyzer分析軟件將光譜數(shù)據(jù)導(dǎo)出，如圖3所示。

圖2 高光譜成像系統(tǒng)結(jié)構(gòu)圖Fig.2 Structural diagram of hyperspectral imaging system1.高光譜成像儀 2.待測(cè)樣本 3.點(diǎn)光源

圖3 高光譜圖像導(dǎo)出圖Fig.3 Hyperspectral image exported diagram

1.2 仿真數(shù)據(jù)獲取

1.2.1基于蒙特卡洛方法的雙層生物組織仿真模型

蒙特卡洛(Monte Carlo)是一種統(tǒng)計(jì)模擬隨機(jī)抽樣方法，因其優(yōu)秀的特性被應(yīng)用到各研究領(lǐng)域的仿真研究中，蒙特卡洛方法在有關(guān)生物組織光傳輸問題中的隨機(jī)抽樣表現(xiàn)在：

(1)步長(zhǎng)的概率抽樣：在蒙特卡洛仿真模擬中，每一個(gè)光子的步長(zhǎng)都是隨機(jī)的。將光子在組織中的散射步長(zhǎng)定義為s，s的概率密度可以表示為

p(s)=μte-μts

(1)

其中

μt=μa+μs

(2)

式中p(s)——概率密度

μt——總衰減系數(shù)

μa——吸收系數(shù)

μs——散射系數(shù)

根據(jù)隨機(jī)密度函數(shù)，可得光子隨機(jī)步長(zhǎng)s為

(3)

式中ξ——隨機(jī)變量,ξ∈(0,1)

(2)散射方向的概率抽樣：光子與組織之間發(fā)生碰撞之后，光子的方向會(huì)發(fā)生變化，光子的下一步傳輸方向由方位角ψ∈[0,2π]和散射角θ∈[0,2π]來確定。其中ψ服從均勻分布，抽樣得到

ψ=2πξ

(4)

偏轉(zhuǎn)角余弦cosθ服從Henyey-Greensterin函數(shù)分布，即

(5)

式中g(shù)——各向異性系數(shù)

對(duì)Henyey-Greensterin函數(shù)進(jìn)行抽樣得到

(6)

實(shí)踐證明，使用蒙特卡洛方法進(jìn)行光傳輸模擬得到的結(jié)果與實(shí)際測(cè)量結(jié)果基本相同，故該方法已成為光在生物組織中傳播研究的非實(shí)驗(yàn)檢驗(yàn)標(biāo)準(zhǔn)。蒙特卡洛方法的基本原理[16]如圖4所示。WANG等[17-18]基于蒙特卡洛方法原理對(duì)光在多層組織中的傳輸問題進(jìn)行了編程，得到了MCML和CONV模型, MCML模型為多層模型，計(jì)算量較大。在前期模擬中發(fā)現(xiàn)，光子進(jìn)入果肉后最大深度為2.3 cm，并且99%的光子傳輸深度不到1 cm。對(duì)于蘋果而言,光子無法傳輸?shù)焦藢?，因此本文使用雙層模型，基于蒙特卡洛思想，如圖5所示,構(gòu)建了雙層生物組織模型。其中d1和d2為果皮層和果肉層厚度，n0、n1、n2分別為空氣層折射率、果皮層折射率以及果肉層折射率。

圖4 基于蒙特卡洛方法的光子傳輸過程 Fig.4 Photon transmission process based on Monte Carlo method

圖5 雙層生物組織模型簡(jiǎn)圖Fig.5 Double-layer biological tissue model schematic

1.2.2基于仿真模型的光亮度分布圖

經(jīng)測(cè)量得到μa1、μa2、μs1、μs2數(shù)值分別為0.4～6.5 mm-1、0.03～8.7 mm-1、1.69～260 mm-1、0.01～75 mm-1，在這些數(shù)值區(qū)間內(nèi)均勻選取了11×11×11×11個(gè)光學(xué)特征參數(shù)組合作為仿真模型的參數(shù)，同時(shí)模型中設(shè)置果皮厚度為0.2 mm，空氣折射率n0為1，果皮層折射率n1為1.38，果肉層折射率n2為1.38，對(duì)模型進(jìn)行光子傳輸模擬，用于模擬的服務(wù)器為超微 Super Server Main Server Chassis，使用Windows 2012 R2 Server Standard操作系統(tǒng)，模擬軟件為Matlab R2014b。得到的光子逸出圖按一定比例映射到一幅50像素×50像素的圖像中，得到仿真高光譜圖像，并視為光亮分布圖，如圖6所示。

圖6 點(diǎn)光源亮度分布圖Fig.6 Light intensity distribution map

圖7 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.7 Convolutional neural network structure

2 研究方法

2.1 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建

卷積神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)在圖像領(lǐng)域的重要算法之一，網(wǎng)絡(luò)結(jié)構(gòu)分為輸入層、卷積層、池化層、全連接層。輸入層可以直接作用于原始輸入數(shù)據(jù)Xi(i=1,2,…,R)，對(duì)于輸入是圖像來說，輸入數(shù)據(jù)即圖像的像素值。卷積層是特征提取層，包括兩部分：第1部分是真正的卷積層，卷積層主要作用是提取輸入數(shù)據(jù)的特征。卷積層的卷積核數(shù)量越多意味著提取到的特征越多，以及計(jì)算量的增加。第2部分是池化層(pooling)，其主要目的是在保留有用信息的基礎(chǔ)上減少數(shù)據(jù)處理量，加快訓(xùn)練網(wǎng)絡(luò)的速度。卷積層計(jì)算公式為

(7)

式中W——卷積核X——輸入張量

i、j——張量坐標(biāo)值

m、n——卷積核坐標(biāo)值

不同于一般神經(jīng)網(wǎng)絡(luò)[19]，卷積神經(jīng)網(wǎng)絡(luò)將每層的點(diǎn)乘運(yùn)算改成卷積或池化運(yùn)算，同時(shí)擁有局部感知能力，在數(shù)據(jù)量足夠的條件下分類效果很好[20]，仿真得到的數(shù)據(jù)量滿足卷積神經(jīng)網(wǎng)絡(luò)的要求，故選擇卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練。

仿真雙層生物組織模型共得到150萬幅光亮度分布圖，由文獻(xiàn)[15]可知，距中心點(diǎn)1～11像素為品質(zhì)探測(cè)時(shí)的源探距離，將探頭放在這一部分進(jìn)行探測(cè)時(shí)效果最好，即此范圍為探測(cè)時(shí)的感興趣區(qū)間。故為了使訓(xùn)練效率更高，使用光亮圖中距中心點(diǎn)1～11像素的部分作為輸入數(shù)據(jù)。以5∶1的比例隨機(jī)劃分訓(xùn)練集與測(cè)試集，將訓(xùn)練集輸入預(yù)設(shè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，調(diào)整每層卷積核數(shù)目，得到最佳分類準(zhǔn)確率。卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練基于深度學(xué)習(xí)框架TensorFlow1.14.0，Python版本為3.7，實(shí)驗(yàn)環(huán)境為AMD Ryzen 7 2700X Eight-Core Processor 3.7 GHz, NVIDIA GeForce RTX 2080 Ti顯卡。最終得到的網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示，模型學(xué)習(xí)率為0.000 1，批次為242，總迭代次數(shù)2 000次，第1層卷積層使用40個(gè)2×2卷積核對(duì)圖像進(jìn)行卷積，卷積核移動(dòng)步長(zhǎng)為1，卷積方式采用valid,第2層卷積層和第1層參數(shù)相同，第3層為池化層，采用2×2平均池化。第4層使用30個(gè)3×3卷積核，卷積核移動(dòng)步長(zhǎng)為1。第5層和第6層均使用20個(gè)2×2卷積核，卷積核移動(dòng)步長(zhǎng)為1。全連接層將第6層網(wǎng)絡(luò)的輸出拉成60×1的一維向量，最后一層為網(wǎng)絡(luò)輸出層。

2.2 Pretrain-finetune模型遷移

卷積神經(jīng)網(wǎng)絡(luò)可以自動(dòng)對(duì)數(shù)據(jù)進(jìn)行特征提取，以局部全治共享的特殊結(jié)構(gòu)對(duì)圖像處理有著獨(dú)特的優(yōu)越性，但是傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量有監(jiān)督的訓(xùn)練樣本作為輸入才能獲得較高分類準(zhǔn)確度?；谀Ｐ偷倪w移學(xué)習(xí)方法可以將在數(shù)據(jù)量大的源數(shù)據(jù)集上預(yù)訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)權(quán)值參數(shù)遷移到與源數(shù)據(jù)集相似但數(shù)據(jù)量小的目標(biāo)數(shù)據(jù)集上，對(duì)于不能共享特征及權(quán)值參數(shù)的深層網(wǎng)絡(luò)，再進(jìn)行網(wǎng)絡(luò)微調(diào)，實(shí)現(xiàn)良好的遷移學(xué)習(xí)分類效果。遷移學(xué)習(xí)示意圖如圖8所示。

圖8 模型遷移示意圖Fig.8 Transfer learning process

本實(shí)驗(yàn)中點(diǎn)光源高光譜圖像和仿真光亮度分布圖的分布相同，故可以使用模型遷移的方法使用實(shí)測(cè)小數(shù)據(jù)集進(jìn)行訓(xùn)練[21]，實(shí)驗(yàn)采集到200個(gè)蘋果的高光譜點(diǎn)光源圖像共4 000幅，并用光學(xué)特征參數(shù)作為標(biāo)簽，將高光譜圖像以3∶1的比例劃分為訓(xùn)練集和測(cè)試集，將使用仿真數(shù)據(jù)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)值取出，此時(shí)預(yù)訓(xùn)練模型已經(jīng)提取出仿真數(shù)據(jù)的特征，通過固定底層權(quán)重、僅調(diào)節(jié)高層權(quán)重的方式對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)，找到最理想的微調(diào)深度。迭代2 000次后生成新的模型，由于此模型是基于CNN網(wǎng)絡(luò)結(jié)構(gòu)遷移而來，故稱之為Tran-CNN模型。

2.3 對(duì)比算法

選擇的對(duì)比算法為3種較為成熟的多標(biāo)簽分類算法，分別是基于神經(jīng)網(wǎng)絡(luò)改進(jìn)的BP-MLL、基于支持向量機(jī)改進(jìn)的RankSVM和基于K鄰近的ML-KNN算法，BP-MLL算法[22]是一種利用反向傳播神經(jīng)網(wǎng)絡(luò)處理標(biāo)簽分類的方法，通過梯度下降與誤差反向傳播策略相結(jié)合來實(shí)現(xiàn)全局誤差函數(shù)的最小化，時(shí)間消耗較小，ML-KNN[23]利用最大后驗(yàn)概率準(zhǔn)則確定測(cè)試樣本的標(biāo)簽集合，是一種懶惰學(xué)習(xí)算法，性能常常較其他算法更穩(wěn)定。RankSVM[24]將排序問題轉(zhuǎn)換為pairwise的分類問題，然后使用SVM分類模型進(jìn)行學(xué)習(xí)并求解，具有較小的經(jīng)驗(yàn)誤差。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 光學(xué)參數(shù)敏感性比較

為考察果肉和果皮吸收系數(shù)和散射系數(shù)的變化對(duì)光子的傳輸影響，固定其余參數(shù)，計(jì)算當(dāng)單一變量發(fā)生變化時(shí)，進(jìn)入組織和最后逸出組織的光子比例，結(jié)果如圖9所示。

圖9 逸出光子比例和光學(xué)特征參數(shù)關(guān)系Fig.9 Relationships between ratio of escaped photons and optical characteristics

從圖9可以看出，當(dāng)果皮的光學(xué)特征參數(shù)發(fā)生改變時(shí)，逸出光子百分比在74%上下波動(dòng)，波動(dòng)變化較小，由于果皮層厚度較小，光子在果皮層中的傳播路徑較短，逸出光子攜帶的果皮層信息很少。故果皮內(nèi)光學(xué)參數(shù)的變化對(duì)光子傳輸?shù)挠绊戄^小。而當(dāng)果肉的光學(xué)特征參數(shù)發(fā)生改變時(shí)，逸出光子百分比明顯變化較大，且變化趨勢(shì)呈現(xiàn)一定的規(guī)律性。這表明在果肉中，光學(xué)特征參數(shù)對(duì)光子傳輸影響更大，且由于品質(zhì)檢測(cè)的主體為水果組織的果肉部分，所以對(duì)果肉中的光學(xué)特征參數(shù)反演結(jié)果更有研究?jī)r(jià)值。

3.2 仿真數(shù)據(jù)反演結(jié)果

使用仿真數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)網(wǎng)絡(luò)收斂圖和光學(xué)參數(shù)的測(cè)試集反演準(zhǔn)確率變化曲線如圖10所示。最終反演結(jié)果如表1所示。

圖10 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果(仿真數(shù)據(jù))Fig.10 Training results of convolutional neural networks (simulation data)

從圖10a可以看到，損失值曲線在迭代750次以后逐漸趨于平穩(wěn)。由表1可以看到，果肉的光學(xué)特征參數(shù)反演結(jié)果較穩(wěn)定，均達(dá)到了85%以上，而果皮光學(xué)特征參數(shù)的反演結(jié)果卻呈現(xiàn)較為極端且不穩(wěn)定的情況，果皮吸收系數(shù)反演準(zhǔn)確率只有67.53%，而果皮散射系數(shù)反演準(zhǔn)確率卻達(dá)到了91.24%，這是因?yàn)榉抡婺Ｐ椭泄さ暮穸仍O(shè)置與實(shí)際果皮厚度相比較薄，光子在果皮中運(yùn)輸攜帶的有效信息較少。而實(shí)際果皮在不同區(qū)域的薄厚程度有微小變化，反而使得光子攜帶有效信息相對(duì)較多。因此將主要考查對(duì)象選定為果肉光學(xué)特征參數(shù)。

表1 仿真數(shù)據(jù)光學(xué)參數(shù)反演準(zhǔn)確率 Tab.1 Optical parameter inversion accuracy using simulation data

3.3 實(shí)測(cè)數(shù)據(jù)反演結(jié)果

使用實(shí)測(cè)高光譜數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)的網(wǎng)絡(luò)收斂示意圖和4個(gè)光學(xué)參數(shù)的反演準(zhǔn)確率變化曲線如圖11所示。最終反演結(jié)果如表2所示。

圖11 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果(實(shí)測(cè)數(shù)據(jù))Fig.11 Training results of convolutional neural networks(actual measurement data)

從圖11a可以看到，由于訓(xùn)練數(shù)據(jù)量較少，模型很快收斂，但是隨著迭代次數(shù)的增加，損失值會(huì)出現(xiàn)波動(dòng)，最終的訓(xùn)練結(jié)果并不理想，且模型魯棒性很差。由表2可知，除了μa2反演準(zhǔn)確率達(dá)到80%以上，其他光學(xué)特征系數(shù)反演準(zhǔn)確率均不到80%，可見在數(shù)據(jù)量較少的情況下，使用卷積神經(jīng)網(wǎng)絡(luò)來反演光學(xué)特征參數(shù)效果并不理想。

3.4 遷移學(xué)習(xí)結(jié)果

Tran-CNN模型對(duì)光學(xué)特征參數(shù)反演結(jié)果如圖12和表3所示。

從圖12a可以看出，遷移以后的模型收斂速度更快，在迭代500次以后趨于平穩(wěn)。同時(shí)對(duì)光學(xué)特征參數(shù)的反演準(zhǔn)確率，μa1從67.53%上升到87.26%，提升了19.73個(gè)百分點(diǎn)；μa2從86.23%上升到90.53%，提升了4.3個(gè)百分點(diǎn)；μs1從91.24%下降到86.66%，減少了4.58個(gè)百分點(diǎn)；μs2從86.30%上升到87.57%，提升了1.27個(gè)百分點(diǎn)。由于主要考察對(duì)象為果肉的光學(xué)參數(shù)反演準(zhǔn)確率，遷移后的模型比預(yù)訓(xùn)練模型的反演準(zhǔn)確率分別提高了4.3個(gè)百分點(diǎn)和1.27個(gè)百分點(diǎn)，由此可見預(yù)訓(xùn)練模型提取到的果肉光學(xué)特征參數(shù)深度特征較成功地遷移到本文實(shí)測(cè)小數(shù)據(jù)集上。

表2 實(shí)測(cè)數(shù)據(jù)光學(xué)參數(shù)反演準(zhǔn)確率Tab.2 Optical parameter inversion accuracy using actual data

圖12 Tran-CNN訓(xùn)練結(jié)果Fig.12 Training results of Tran-CNN

表3 模型遷移光學(xué)參數(shù)反演準(zhǔn)確率Tab.3 Model transform optical parameter inversion accuracy

3.5 結(jié)果對(duì)比

將仿真數(shù)據(jù)集和實(shí)測(cè)數(shù)據(jù)集在卷積神經(jīng)網(wǎng)絡(luò)上的反演結(jié)果與遷移學(xué)習(xí)后的反演結(jié)果進(jìn)行對(duì)比，同時(shí)選擇了3種常用的多標(biāo)簽分類算法，在實(shí)測(cè)數(shù)據(jù)集上進(jìn)行反演，結(jié)果如表4所示。

表4 不同模型下的光學(xué)參數(shù)平均反演準(zhǔn)確率 Tab.4 Optical parameter inversion accuracy by different models %

由表4可知，使用仿真數(shù)據(jù)集進(jìn)行訓(xùn)練時(shí)，果皮的反演準(zhǔn)確率出現(xiàn)了較為極端的情況，導(dǎo)致果皮中散射系數(shù)反演準(zhǔn)確率相當(dāng)?shù)?，而散射系?shù)反演準(zhǔn)確率卻達(dá)到了91.24%，出現(xiàn)這種情況的原因是仿真數(shù)據(jù)中不存在噪聲，故模型魯棒性不夠高。相比較仿真數(shù)據(jù)，實(shí)測(cè)數(shù)據(jù)的4個(gè)光學(xué)參數(shù)反演準(zhǔn)確率較

平均，但是從數(shù)值上來看，實(shí)測(cè)數(shù)據(jù)反演效果并不好，這是數(shù)據(jù)集較小造成的。而遷移學(xué)習(xí)后由于在原來仿真數(shù)據(jù)的基礎(chǔ)上加上了實(shí)測(cè)數(shù)據(jù)中的噪聲，使得模型魯棒性得到了提升，并且反演效果比僅使用實(shí)測(cè)數(shù)據(jù)進(jìn)行訓(xùn)練得到了很大的提升。由此可以看出，遷移學(xué)習(xí)很好地結(jié)合了兩類數(shù)據(jù)的優(yōu)點(diǎn)，BP-MLL的反演效果最差，ML-KNN性能較好，但是仍不如Tran-CNN，基于遷移學(xué)習(xí)方法得到的Tran-CNN模型對(duì)蘋果組織光學(xué)特征參數(shù)的反演準(zhǔn)確率明顯高于其他幾種光學(xué)參數(shù)反演模型。由于光學(xué)參數(shù)反演需要依賴大量數(shù)據(jù)，在數(shù)據(jù)量不足的情況下其他模型的準(zhǔn)確率較難提升，故而利用仿真數(shù)據(jù)進(jìn)行模型預(yù)訓(xùn)練的方法為水果領(lǐng)域內(nèi)的光學(xué)參數(shù)反演提供新的思路。

4 結(jié)論

(1)提出了一種基于遷移學(xué)習(xí)的蘋果果實(shí)光學(xué)特征參數(shù)反演方法，解決了傳統(tǒng)算法中因?yàn)闃颖静蛔愣鴮?dǎo)致反演準(zhǔn)確率無法提升的問題。

(2)對(duì)傳統(tǒng)的基于蒙特卡洛模擬光子傳輸?shù)腗CML模型進(jìn)行了簡(jiǎn)化，構(gòu)造了仿真雙層生物組織模型，模擬產(chǎn)生大量點(diǎn)光源光亮分布圖，將模擬數(shù)據(jù)作為輸入來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，最后，將預(yù)訓(xùn)練模型遷移到實(shí)測(cè)小樣本數(shù)據(jù)集上進(jìn)行微調(diào)，得到最終模型。

(3)實(shí)驗(yàn)表明，利用仿真數(shù)據(jù)進(jìn)行模型預(yù)訓(xùn)練可以加快收斂速度，同時(shí)提高在實(shí)測(cè)小樣本數(shù)據(jù)上的反演準(zhǔn)確率，訓(xùn)練得到的模型較其他反演算法準(zhǔn)確率更高。預(yù)訓(xùn)練模型良好的可遷移性可以減少實(shí)際測(cè)量的數(shù)據(jù)。