基于卷積神經網絡和近紅外光譜的太平猴魁茶產地鑒別分析

陳 琦， 潘天紅， 李魚強， 林 鴻

1. 合肥工業(yè)大學食品與生物工程學院， 安徽 合肥 230601 2. 安徽大學電氣工程與自動化學院， 安徽 合肥 230601 3. 黃山海關茶葉質量安全研究中心， 安徽 黃山 245000 4. 江蘇大學電氣信息工程學院， 江蘇 鎮(zhèn)江 212013

引 言

太平猴魁茶屬于綠茶尖茶， 主要產于安徽省黃山市黃山區(qū)三合村猴坑、 猴崗和嚴家三個村落[1]。 太平猴魁茶成品具有“兩葉一芽、 扁平挺直、 魁偉重實、 色澤蒼綠、 蘭香高爽、 滋味甘醇”等特點， 深受廣大消費者喜愛[1-2]。 隨著市場的不斷擴大， 茶葉摻假現(xiàn)象的不斷發(fā)生損害了太平猴魁茶的市場形象， 實現(xiàn)精準產地鑒別分析對促進太平猴魁茶發(fā)展具有重要意義。

傳統(tǒng)感官分析方法主要通過外觀、 湯色、 滋味及香氣等感官指標實現(xiàn)產地鑒別分析， 但手工工藝制備的茶葉成品外觀差異較小， 導致基于人工經驗的感官評審方法無法實現(xiàn)快速、 精準的產地鑒別分析[3]。 目前主要通過化學分析方法實現(xiàn)茶葉高精度產地鑒別， 然而化學分析檢測繁瑣、 成本高， 并且目前沒有統(tǒng)一的化學檢測標準可用于太平猴魁茶產地鑒別分析。

近紅外光譜(near infrared spectroscopy,NIR)作為一種無損分析方法， 具有快速、 非破壞性、 無污染等特點， 已在茶葉生產過程得到廣泛應用[4-5]。 然而不同產地茶葉內含成分種類及其含量基本相同， 不同產地樣本光譜特征峰分布基本相同， 導致常規(guī)分析方法無法有效選擇光譜特征。 卷積神經網絡(convolutional neural networks,CNN)作為典型的深度學習網絡模型之一， 具有很強的特征提取和模型表達能力， 已被廣泛應用于NIR特征提取分析[6-9]。

本研究以不同產地光譜特征以及CNN模型， 以太平猴魁茶為研究對象， 利用1-D CNN模型提取NIR特征， 建立基于1-D CNN和NIR的太平猴魁茶產地鑒別模型， 并采用蒙特卡羅方法進行產地鑒別模型穩(wěn)定性分析， 為太平猴魁茶產地鑒別及溯源分析提供新方法。

1 實驗部分

1.1 材料與儀器

材料： 選取太平猴魁茶地理保護范圍黃山市黃山區(qū)的猴坑、 猴崗、 顏家、 三合、 石河坑、 汪王嶺共6個不同產地樣本， 每個產地各20個樣品。 按照采摘時間從指定地點采集樣品， 委托黃山市猴坑茶業(yè)有限公司按照太平猴魁茶傳統(tǒng)工藝進行制備， 樣本信息如表1所示。

表1 樣品信息Table 1 Sample information

試驗儀器： IRTracer-100NIR儀(日本島津)、 KN 295 Knifetec樣品磨(瑞典FOSS)、 石英樣品杯(日本島津)。

1.2 方法

1.2.1 樣品制備

將茶葉用粉碎機粉碎50 s， 將粉碎的試樣過0.154 mm的篩， 密封放于4 ℃冰箱中備用。

1.2.2 儀器條件

光闌： 自動， 延遲10 s； 增益： 1； 模式： 能量掃描； 零填充： 4倍； 動鏡速度： 2.8 mm·s-1； 測定模式： 吸光度； 掃描波數(shù)范圍： 10 000～4 000 cm-1； 掃描次數(shù)： 45次； 光束： 內部； 檢測器： MCT； 光源： 鎢燈光源； 變跡函數(shù)： SqrTriangle； 分辨率： 4 cm-1。

1.2.3 光譜采集

取適量樣品于石英樣品杯中， 高度約為5 mm， 保證樣品杯底部樣品均勻無縫隙、 厚度均勻， 放在漫反射掃描裝置的放樣口處， 蓋好樣品室蓋板， 掃描光譜。

1.3 光譜數(shù)據預處理

因背景噪聲、 雜散光和人工操作等因素影響， 導致所采集數(shù)據包含噪聲信號[10]。 在分析之前對所采集的原始光譜數(shù)據進行預處理。 選取標準正態(tài)變換(standard normal variants,SNV)作為預處理方法[11]。

1.4 卷積神經網絡

卷積神經網絡是一種多層非全連接的高性能非線性深度學習方法， 其基本結構由卷積層、 池化層和全連接層組成， 在正向傳播過程中利用卷積層和池化層相互交替學習實現(xiàn)原始數(shù)據特征提??； 在反向傳播過程中則利用梯度下降法最小化誤差函數(shù)實現(xiàn)參數(shù)調整， 以此完成權值更新[12]。

對于圖像等二維形式的數(shù)據， 一般采用大小的卷積核和池化核進行特征提取， 但本試驗采集的NIR是一維數(shù)據， 因此采用1-D CNN進行特征分析， 其一維卷積和池化分析過程如圖1所示。

圖1 1-D CNN提取特征過程Fig.1 Feature selection process of 1-D CNN

1.5 模型評價方法

為確定最佳網絡結構和系統(tǒng)參數(shù)， 選擇預測準確率(correct identification rate， CIR)和運行時間作為模型性能評估指標， 其中CIR定義為

式中， N表示全部樣本,NC表示對應分析數(shù)據集中預測準確樣本數(shù)。

2 結果與討論

2.1 近紅外光譜及預處理

選取黃山區(qū)太平猴魁茶共120個樣本(表1)進行光譜采集， 原始光譜如圖2(a)所示。 經SNV預處理后的光譜圖如圖2(b)所示， 相比于圖2(a)， 預處理光譜特征峰更加明顯。

圖2 太平猴魁茶光譜數(shù)據(a)： 原始光譜； (b)： 預處理光譜Fig.2 Spectra of Taiping Houkui tea(a)： Original data； (b)： Preprocessed data

2.2 采樣間隔對模型的影響

太平猴魁茶原始光譜波長點(12 446)較多， 容易導致網絡訓練時間過長。 為降低模型計算成本， 需要對原始數(shù)據通過間隔采樣實現(xiàn)降維處理。 為選擇最佳采樣間隔， 將樣本隨機劃分為訓練集(84， 占70%)和測試集(36， 占30%)， 分析對比不同采樣間隔數(shù)據預測精度和計算時間(表2)。

表2 不同采樣間隔預測結果Table 2 Prediction results with different sampling intervals

分析結果表明， 基于原始光譜數(shù)據的1-DCNN模型計算時間過長且模型預測準確率較低， 當采樣間隔為6時，CNN模型測試集預測精度達到最大(96.67%)， 當采樣間隔繼續(xù)增大時， 1-DCNN模型計算時間減少， 但預測性能快速下降， 綜合考慮模型預測精度和計算時間， 選擇6作為最佳采樣間隔。

2.3 網絡結構設置

為確定最佳網絡結構， 分別計算2—5層網絡結果模型損失函數(shù)(圖3)。 分析結果表明， 3層網絡結構模型目標函數(shù)可在最短(約85步， 如圖3紅色實線所示)， 迭代步長內實現(xiàn)收斂， 因此選擇具有3層網絡的1-D CNN模型。

圖3 不同1-D CNN結構訓練集損失函數(shù)Fig.3 Loss function values of training set fordifferent 1-D CNN structure

2.4 卷積核大小及數(shù)目

對于NIR數(shù)據， 重疊特征峰和獨立特征峰的存在導致模型結果對于卷積核大小及數(shù)目更加敏感， 卷積核過小導致模型計算過程復雜； 卷積核過大則容易造成特征丟失。 為確定最佳卷積核大小， 分別討論7—39不同大小卷積核分析結果(圖4)。

圖4 不同大小卷積核CIR Fig.4 CIR of different convolution kernel sizes

對于卷積核數(shù)目， 按照2n進行設置， 并分別測試了卷積核數(shù)目為n=3,4,5,6,7的分析結果。 考慮到池化操作會減少卷積特征維度， 以2為梯度遞減相鄰層卷積核數(shù)目， 具體分析結果如表3所示。

表3 不同數(shù)目卷積核CIRTable 3 CIR of different convolution kernel number

由圖4可知， 當卷積核大小為41時， CIR達到最大值， 由表3可知， 當卷積核數(shù)目大于32時， 運行時間顯著增大。 結合圖4和表3， 確定最佳卷積核大小和數(shù)目分別為41和32。

2.5 Dropout的影響

為防止因數(shù)據集參數(shù)過大而引起過擬合現(xiàn)象， 采用Dropout方法進行網絡結構優(yōu)化。 對比網絡結構優(yōu)化前后模型的預測結果發(fā)現(xiàn)， 在引入Dropout后模型性能有明顯提升， 其預測集準確率從91.67%提高到100%。

2.6 激活函數(shù)的比較

為確定最佳激活函數(shù)， 分別對比含有4種不同激活函數(shù)(ReLU， Sigmoid， PReLU和ELU)網絡模型預測結果。 其中， Sigmoid激活函數(shù)預測準確率最低(75%)， PReLU(95.83%)和ReLU(93.33%)次之， ELU激活函數(shù)預測準確率最高(98.33%)。 因此， 選擇ELU作為1-D CNN模型激活函數(shù)。

2.7 產地鑒別結果

根據圖5模型結構和系統(tǒng)參數(shù)所建1-D CNN模型如圖5所示， 圖中所示結構含有3個卷積層(C1， C3， C5)， 其卷積核大小分別為41， 39和37， 由MSRA初始化卷積核權重。 3個池化層(S2， S4， S6)按照設定步長和窗口大小降低數(shù)據維度。 在分析過程中， 為防止梯度消失， 在每一次卷積后進行批處理化(batch normalization,BN)。 通過Softmax分類器實現(xiàn)對特定分析對象的分類預測。

圖5 1-D CNN模型結構Fig.5 Model structure of 1-D CNN model

根據圖5模型結構所建1-D CNN模型的預測結果如圖6所示， 圖中橫縱軸數(shù)值表示不同產地屬性， 對角線變量大小表示正確預測數(shù)， 可知基于CNN和NIR的太平猴魁茶產地鑒別模型預測準確率為100%。

圖6 1-D CNN模型預測結果Fig.6 Prediction results of 1-D CNN model

2.8 結果分析

為驗證1-D CNN模型篩選NIR特征變量的有效性， 分別選取不同產地樣本， 對比原始數(shù)據和不同卷積層篩選數(shù)據的分布情況[見圖7(a)—(d)]。 由圖7(a)可知， 原始光譜數(shù)據主要分布在8 700～5 600和5 300～4 000 cm-1兩個區(qū)間， 經第一層卷積網絡獲得特征峰主要分布在7 800～6 700， 6 400～5 200和5 200～4 200 cm-1， 第二層篩選的特征峰主要分布在10 000～7 100， 6 300～5 400和5 400～4 200 cm-1， 第三層篩選特征峰主要分布在10 000～7 300， 6 300～5 800和5 500～4 400 cm-1。 結合太平猴魁茶主要品質成分官能團的分布， 可以發(fā)現(xiàn)1-D CNN能夠有效提取太平猴魁茶內含成分粗纖維(7 502～5 446 cm-1)、 茶多酚(6 101～4 246 cm-1)、 咖啡堿(7 502～5 446和4 424～4 246 cm-1)和游離氨基酸(7 502～5 800和5 450～4 246 cm-1)的NIR特征[13]。 對比分析圖7(a)和(d)可知， 1-D CNN模型在有效選擇光譜特征的同時能夠實現(xiàn)不同產地特征變量差異化表示， 有助于提高太平猴魁茶產地鑒別模型分析能力。

圖7 光譜特征分布(a)： 原始光譜； (b)： 第一卷積層； (c)： 第二卷積層； (d)： 第三卷積層Fig.7 Spectral feature distribution(a)： Original spectrum; (b)： First convolutional layer; (c)： Second convolutional layer; (d)： Third convolutional layer

2.9 模型對比

為驗證1-D CNN模型有效性， 采用相同的訓練集和測試集樣本， 對主成分分析(principal component analysis,PCA)和1-D CNN模型分別進行100次蒙特卡羅試驗， 不同方法所建模型的訓練集和測試集分析結果如表5所示。 分析結果表明， 相比于原始數(shù)據(41.29%， 40.57%)， 基于PCA特征篩選的產地鑒別模型準確率有所下降(30.96%， 31.93%)， 其主要原因是不同產地光譜變量分布相似， PCA無法有效選擇特征光譜； 1-D CNN模型能夠顯著提高太平猴魁茶產地鑒別精度(98.48%～97.73%)， 可實現(xiàn)太平猴魁茶高精度產地鑒別分析。 此外， 測試結果標準差表明基于1-D CNN的產地鑒別模型穩(wěn)定性更高。

表5 蒙特卡羅試驗結果對比Table 5 Comparison of Monte Carlo experimental results

3 結 論

基于太平猴魁茶不同產地NIR信息， 結合CNN特征表示方法， 提出基于1-D CNN的太平猴魁茶產地鑒別模型。 試驗結果表明CNN能夠有效篩選不同產地樣本NIR特征， 實現(xiàn)太平猴魁茶高精度產地鑒別分析(100%)； 100次蒙特卡羅試驗表明， 相比于原始數(shù)據(40.57%， 7.06)和PCA模型(31.93%， 6/96)， 基于1-D CNN的產地鑒別模型具有更高的預測精度(97.73%)和更小的標準差(3.47)， 該方法為太平猴魁茶等名貴茶葉產地鑒別及溯源分析提供新思路。