小米米粉堿消值的高光譜快速預(yù)測(cè)

王國(guó)梁， 余克強(qiáng)， 成 鍇， 劉 鑫， 王文俊， 李 洪， 郭二虎， 李志偉*

1. 山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程學(xué)院， 山西 太谷 030801 2. 山西農(nóng)業(yè)大學(xué)谷子研究所， 山西 長(zhǎng)治 046000 3. 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

引 言

隨著現(xiàn)代人對(duì)生活品質(zhì)的提升以及健康產(chǎn)業(yè)興起， 小米產(chǎn)業(yè)作為山西省“有機(jī)旱作”農(nóng)業(yè)發(fā)展的龍頭產(chǎn)業(yè)， 其深加工產(chǎn)品市場(chǎng)價(jià)值逐漸被大眾所普遍肯定， 而小米米粉又以其獨(dú)特的食味品質(zhì)優(yōu)勢(shì)， 現(xiàn)已成為嬰幼兒輔食佳品。 小米米粉中主要成分是淀粉， 淀粉在一定條件下具有晶體性不可逆的特點(diǎn)， 在加入足量水情況下， 將其混合液加熱、 升溫， 淀粉吸水膨脹、 溶解呈現(xiàn)出這種特性， 而這一現(xiàn)象稱為糊化現(xiàn)象。 其中堿消值是能夠直接反應(yīng)糊化特性的主要特征指標(biāo)， 堿消值越低， 糊化溫度越高， 直鏈淀粉含量越高， 而小米米粉口感粘糯性變差[1-2]， 最終影響小米產(chǎn)品的市場(chǎng)價(jià)格。 通常利用人工評(píng)級(jí)、 冷堿糊化法和粘度速測(cè)儀(rapid visco analyser, RVA)測(cè)定淀粉粘度特征值來(lái)評(píng)價(jià)小米米粉的糊化特性及品質(zhì)[3]； 而人工評(píng)級(jí)人為因素大， 結(jié)果不可靠； 冷堿糊化法和RVA粘度測(cè)定耗時(shí)， 破壞樣品理化特性， 并且制備樣品操作程序繁瑣， 成本太高， 因此， 樣品批量處理和實(shí)現(xiàn)快速檢測(cè)存在一定困難。

高光譜技術(shù)是一種通過精確采集被測(cè)物每個(gè)像素點(diǎn)的連續(xù)光譜信息， 并對(duì)被測(cè)樣品的感興趣區(qū)域(region of interest， ROI)數(shù)據(jù)提取和處理， 從而反映被測(cè)物組成成分和分子結(jié)構(gòu)的無(wú)損檢測(cè)技術(shù)， 具有檢測(cè)效率高， 不破壞被測(cè)樣品的理化特性， 檢測(cè)時(shí)間短并具有線上實(shí)時(shí)分析等特點(diǎn)。 目前高光譜技術(shù)已廣泛被應(yīng)用在土壤和農(nóng)產(chǎn)品的分類、 成分反演等農(nóng)業(yè)檢測(cè)相關(guān)工作中[3-14]。 Shao等利用高光譜成像結(jié)合化學(xué)計(jì)量學(xué)方法對(duì)不同種類的米粉進(jìn)行分類、 判別， 運(yùn)用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)采樣法(competitive adaptive reweighted sampling， CARS)建立最小二乘支持向量機(jī)回歸模型， 對(duì)品種分類的結(jié)果最好[4]； Chen等采用連續(xù)投影算法結(jié)合多元線性回歸對(duì)谷子蛋白質(zhì)、 糖類和粗脂肪含量進(jìn)行近紅外光譜特性分析， 結(jié)果表明利用谷子近紅外光譜數(shù)據(jù)能夠反演谷子中蛋白質(zhì)和糖類含量[5]； Chen等運(yùn)用隨機(jī)蛙跳(random frog， RF)算法提取特征波段結(jié)合高斯過程回歸預(yù)測(cè)木材含水模型效果最好[6]。 當(dāng)前， 小米米粉的高光譜研究主要集中在品種分類和成分反演等方面[4-5]， 而針對(duì)小米米粉糊化特性的研究相關(guān)報(bào)道仍然較少。

以晉東南地區(qū)“羊肥小米”主產(chǎn)地采集到的小米米粉作為實(shí)驗(yàn)樣本， 運(yùn)用高光譜儀器采集小米米粉光譜數(shù)據(jù)， RVA儀器測(cè)定小米米粉堿消值指標(biāo)， 結(jié)合化學(xué)計(jì)量方法， 建立快速檢測(cè)小米米粉堿消值預(yù)測(cè)模型， 旨在尋求一種快速、 無(wú)損、 低成本預(yù)測(cè)小米米粉堿消值的方法。 通過探索小米米粉糊化特性與高光譜之間的聯(lián)系， 間接反映小米米粉中直鏈淀粉占比， 為小米米粉品質(zhì)評(píng)級(jí)及加工提供參考依據(jù)， 進(jìn)而為小米米粉堿消值傳感器的開發(fā)提供理論支撐。

1 實(shí)驗(yàn)部分

1.1 樣本制備

樣本材料“羊肥小米”收獲于山西省長(zhǎng)治市武鄉(xiāng)縣。 在大田收獲季采集實(shí)驗(yàn)樣本材料過程中， 采用棋盤式取樣法取樣， 取樣點(diǎn)數(shù)1 800個(gè)， 單點(diǎn)采樣面積2 m2， 將相鄰5個(gè)采樣點(diǎn)采集到的材料混勻， 得到實(shí)驗(yàn)樣本358份經(jīng)清選、 自然晾曬、 去殼、 研磨、 過80目篩， 取得待測(cè)小米米粉樣品， 并采用四分法取樣[7]， 被測(cè)樣品先用于小米米粉高光譜數(shù)據(jù)采集， 然后進(jìn)行實(shí)驗(yàn)室堿消值測(cè)定。

1.2 儀器與數(shù)據(jù)采集

采用美國(guó)Headwall Photonics公司的高光譜成像儀采集光譜數(shù)據(jù)。 該設(shè)備工作組件主要包括： 高光譜成像儀(光圈1.4， 焦距25 mm)、 鎢絲燈、 可移動(dòng)式掃描平臺(tái)、 電腦等。 數(shù)據(jù)采集設(shè)備參數(shù)為： 光譜通道步長(zhǎng)4.715 nm， 采集范圍900～1 700 nm， 共包含170個(gè)波段。 為能采集到清晰圖像， 調(diào)整平臺(tái)移動(dòng)速度為16 mm·s-1， 曝光時(shí)間0.9 ms， 被測(cè)樣品上表面距鏡頭300 mm。

實(shí)驗(yàn)前， 采集暗背景(反射率0.1%)圖像B， 掃描白背景(反射率99.9%)圖像W， 采集樣品的絕對(duì)圖像I， 根據(jù)式(1)校正為相對(duì)圖像X[8]。 每采集3幅高光譜圖像， 重復(fù)一次光譜校正。

(1)

進(jìn)行高光譜數(shù)據(jù)采集時(shí)， 將被測(cè)樣品裝入直徑5 cm， 高度1 cm的圓形試驗(yàn)器皿內(nèi)， 采樣過程中要保證樣品表面處理平整、 緊實(shí)， 將被測(cè)樣品置于推掃平臺(tái)上， 每份樣品推掃三次， 采集光譜數(shù)據(jù)， 同一樣品3次推掃， 取均值、 編號(hào)， 按實(shí)驗(yàn)時(shí)序保存。

1.3 小米米粉堿消值測(cè)定

采用澳大利亞Newport公司生產(chǎn)粘度分析儀， 根據(jù)GB/T 24852—2010方法測(cè)得小米米粉堿消值[9]。

1.4 小米米粉高光譜數(shù)據(jù)處理方法

光譜數(shù)據(jù)采集時(shí)， 在被測(cè)樣品感興趣區(qū)域ROI， 按像素點(diǎn)逐一選擇， 提取光譜數(shù)據(jù)矩陣， 并進(jìn)行均值運(yùn)算， 得到每個(gè)樣品在各個(gè)光譜波段的平均光譜值。 利用Kennard-Stone算法(K-S)將光譜數(shù)據(jù)按照2∶1分為訓(xùn)練集和預(yù)測(cè)集[10-11]。 對(duì)光譜數(shù)據(jù)全波段、 CARS[4，12]和RF[6，13]算法選擇特征波段后建立偏最小二乘回歸(partial least square regression， PLSR)預(yù)測(cè)模型， 模型評(píng)估利用相關(guān)系數(shù)(correlation coefficient，R)值。 為消除噪聲對(duì)光譜數(shù)據(jù)的影響， 提高模型預(yù)測(cè)精度， 進(jìn)一步對(duì)原始光譜數(shù)據(jù)分別運(yùn)用S-G， 多元散射校正(multiplicative scatter correction， MSC)和S-G+MSC進(jìn)行預(yù)處理[14]， 再利用CARS和RF法選擇特征波段， 建立PLSR模型。 光譜數(shù)據(jù)處理軟件主要有The Unscrambler X 10.1(CAMO， Norway)和MATLAB 2018a(The MathWorks， USA)。

2 結(jié)果與討論

2.1 小米米粉堿消值統(tǒng)計(jì)分析

稱重(3±0.01) g小米米粉樣品(按12%濕基校準(zhǔn))與(25±0.1) mL水(按12%濕基校準(zhǔn))在鋁盒中混勻， 置于RVA分析儀中進(jìn)行堿消值檢測(cè)， 3次重復(fù)測(cè)量堿消值， 取每份樣品3次測(cè)量均值為該實(shí)驗(yàn)最終值。 小米米粉堿消值統(tǒng)計(jì)結(jié)果見表1。

表1 小米米粉堿消值統(tǒng)計(jì)結(jié)果

2.2 小米米粉光譜特性

圖1為小米米粉平均光譜曲線， 由于靠近光譜量程首尾兩端(≤900 nm和≥1 700 nm)， 光譜反射率噪聲較大， 故截取光譜可用范圍為950～1 650 nm， 光譜數(shù)降為148條， 在每幅圖像中的ROI提取光譜數(shù)據(jù)， 經(jīng)均值運(yùn)算后組成358×148待數(shù)據(jù)處理的光譜數(shù)據(jù)矩陣。 從圖1可看出， 曲線吸收峰值主要集中在980， 1 210和1 450 nm附近， 其中980和1 210 nm處主要受被測(cè)樣品淀粉影響， 1 450 nm處受被測(cè)樣品中水分子吸收影響[12]。 利用小米米粉全波段繪制成的光譜曲線變化平滑， 但會(huì)存在數(shù)據(jù)重疊、 平移和微小噪聲的問題。 為提高精度， 對(duì)特征波段提取后的數(shù)據(jù)矩陣進(jìn)行預(yù)處理。

圖1 小米米粉平均光譜曲線

2.3 特征波段的選擇

2.3.1 CARS特征波段選擇

CARS是借鑒達(dá)爾文進(jìn)化論“優(yōu)勝劣汰”的理論思想， 數(shù)據(jù)處理采用該算法進(jìn)行光譜特征波段快速選擇[10]。 圖2為CARS選擇特征波段的過程和主要參數(shù)的變化曲線， 其中圖2(a)表示被測(cè)樣品數(shù)隨采樣次數(shù)增加的變化趨勢(shì)； 圖2(b)中可以看出通過交叉檢驗(yàn)(cross validation， CV)得到隨采樣次數(shù)增加均方根誤差(root mean square error cross validation， RMSECV)的變化曲線， 該曲線在1—26平滑下降， 27—50逐步階梯狀回升， 最小值出現(xiàn)在26， 此點(diǎn)處RMSECV達(dá)到最小值； 從圖2(c)中回歸系數(shù)(regression coefficients， RC)， 變量最優(yōu)選擇出現(xiàn)在圖2(c)中藍(lán)色星號(hào)豎線標(biāo)注的位置， 在這點(diǎn)處盡可能多的保留了變量信息并選擇出特征波段。 經(jīng)過CARS特征波段選擇， 共有16條特征波段被選出， 分別為964， 1 006， 1 053， 1 166， 1 171， 1 195， 1 213， 1 218， 1 223， 1 246， 1 298， 1 308， 1 350， 1 378， 1 444和1 529 nm。 其中964， 1 006和1 053 nm在O—H三級(jí)倍頻附近(980 nm)， 1 166， 1 171， 1 195， 1 213， 1 218， 1 223， 1 246， 1 298， 1 308， 1 350和1 378 nm在C—H二級(jí)倍頻及組合頻附近(1 220， 1 360 nm)， 1 444 nm此處O—H鍵與樣品中水分子的吸收峰重合[12](1 450 nm)與淀粉的近紅外特性相應(yīng)。

圖2 利用CARS算法的特征變量選擇

2.3.2 RF特征波段選擇

RF是以統(tǒng)計(jì)學(xué)思想為理論基礎(chǔ)， 通過重復(fù)計(jì)算各變量被選概率來(lái)評(píng)價(jià)變量， 具有不易過擬合優(yōu)點(diǎn)[11]。 RF算法運(yùn)行前， 先設(shè)置相關(guān)參數(shù)(迭代參數(shù)、 運(yùn)行次數(shù)、 初始跳轉(zhuǎn)變量、 候選變量集被選概率等)， 依據(jù)相關(guān)文獻(xiàn)[13]選擇0.4作為特征變量閾值， 運(yùn)行次數(shù)50次， 將運(yùn)算后的均值作為變量評(píng)價(jià)的標(biāo)準(zhǔn)， 每個(gè)波長(zhǎng)被選擇的可能性(selection probability， SP)如圖3所示。 在SP曲線中， 可以發(fā)現(xiàn)有些特征值具有極高的SP值， 這些峰值與小米米粉堿消值有極高的相關(guān)性。 最終選出10條特征波段， 分別為964， 1 053， 1 171， 1 195， 1 218， 1 223， 1 242， 1 270， 1 275和1 279 nm。 采用RF與CARS選出特征波段大部分重疊， 這些特征波段與C—H和O—H鍵的倍頻吸收有關(guān)系， 并與淀粉的近紅外特性相應(yīng)。 執(zhí)行CARS和RF運(yùn)行結(jié)果雖均為隨機(jī)， 但為保證波段選擇的有效性， 兩種算法通過多次運(yùn)算(均設(shè)定50次)， 從而達(dá)到減少隨機(jī)因素的影響[10]。

圖3 利用RF算法的光譜波段被選概率

2.4 小米米粉堿消值的PLSR回歸模型建立

表2列出采用全波段(RAW)和特征波段(CARS、 RF提取)建立的小米米粉堿消值偏最小二乘回歸模型。 從結(jié)果看出用RAW建立的PLSR，Rp值最高為0.77； 采用CARS、 RF提取特征波段建立的PLSR，Rp值分別為0.72和0.7，Rp值降低； 究其原因在于這兩種方法只提取到了部分與O—H鍵和C—H鍵光譜特性有關(guān)的光譜數(shù)據(jù)[12-13]， 而導(dǎo)致其他相關(guān)數(shù)據(jù)信息的丟棄。 通過采用CARS、 RF提取特征波段建立的PLSR，Rp值與運(yùn)用RAW建立的PLSR接近， 這反映了采用CARS和RF建模具有可行性， 可以對(duì)小米米粉高光譜反射率進(jìn)行堿消值的預(yù)測(cè)。

表2 不同特征波段提取方法PLSR模型結(jié)果

為了提高模型預(yù)測(cè)精度， 基于表2運(yùn)算結(jié)果， 對(duì)光譜數(shù)據(jù)預(yù)處理， 從表3中可看出， MSC處理后光譜數(shù)據(jù)[14]Rp值達(dá)到0.83， 精度最高。 因此， 對(duì)原始光譜數(shù)據(jù)采用MSC預(yù)處理所得到的回歸模型， 數(shù)據(jù)集的擬合程度較高， 訓(xùn)練集與校正集的擬合情況如圖4所示。

表3 不同預(yù)處理方法對(duì)原始數(shù)據(jù)PLSR模型分析結(jié)果

圖4 采用MSC預(yù)處理下的訓(xùn)練集和預(yù)測(cè)集擬合情況

對(duì)MSC預(yù)處理的光譜數(shù)據(jù)分別進(jìn)行二次CARS和RF特征波段提取， 從表4中可看出， 兩種算法各選擇10條特征波段， 前者選出964， 978， 992， 1 053， 1 166， 1 218， 1 246， 1 270， 1 275和1 553 nm， 后者選出978， 992， 1 053， 1 171， 1 195， 1 218， 1 242， 1 246， 1 270和1 275 nm， 從以上數(shù)據(jù)結(jié)果可以看出經(jīng)MSC預(yù)處理后提取的特征波段數(shù)量減少， 但與未進(jìn)行預(yù)處理的回歸模型相比，Rp值變化不大， 這也說明CARS和RF具有一定的穩(wěn)定性， 可以作為小米米粉高光譜反射率預(yù)測(cè)堿消值的參考方法。

表4 采用MSC預(yù)處理下的不同特征波長(zhǎng)提取方法PLSR預(yù)測(cè)模型結(jié)果

從以上數(shù)據(jù)處理結(jié)果看， 在不破壞小米米粉內(nèi)部理化特性的情況下， 采用MSC預(yù)處理光譜數(shù)據(jù)， 建立快速檢測(cè)小米米粉堿消值預(yù)測(cè)模型， 能夠反演小米米粉堿消值。 從而反映小米米粉中直鏈淀粉的占比， 進(jìn)而為小米米粉品質(zhì)評(píng)級(jí)、 加工及小米米粉堿消值傳感器的開發(fā)提供參考依據(jù)和數(shù)據(jù)支撐。

3 結(jié) 論

采用高光譜技術(shù)可以實(shí)現(xiàn)小米米粉堿消值快速檢測(cè)， 進(jìn)一步為小米米粉品質(zhì)評(píng)級(jí)及加工提供參考依據(jù)， 主要結(jié)論為：

(1)采用全光譜波段、 CARS和RF提取特征波段建立的小米米粉堿消值偏最小二乘回歸模型， 結(jié)果表明三者Rp值較為相近， 全波段最高Rp為0.77， 同時(shí)采用CARS和RF建模具有可行性， 能夠利用小米米粉高光譜反射率反演其堿消值。

(2)采用MSC預(yù)處理原始數(shù)據(jù)并作出PLSR模型分析，Rp值達(dá)到0.83。 對(duì)經(jīng)MSC預(yù)處理的數(shù)據(jù)集， 再次作CARS和RF特征波段提取， 建立回歸模型。 實(shí)驗(yàn)結(jié)果能夠?yàn)樾∶酌追燮焚|(zhì)評(píng)級(jí)、 加工及堿消值傳感器的開發(fā)提供參考依據(jù)和數(shù)據(jù)支撐。