高光譜融合BP神經網絡預測薯片中羧甲基賴氨酸含量

王潤博，韓文鳳

（1.河南工業(yè)大學 漯河工學院,河南 漯河 462000；2.浙江工業(yè)職業(yè)技術學院 鑒湖學院，浙江 紹興 312000）

0 引言

馬鈴薯是世界四大糧食作物之一，目前已廣泛種植于我國各地區(qū)，是投資少、見效快、效益高的作物［1］。然而，油炸馬鈴薯片中羧甲基賴氨酸（CML）的含量較高，對消費者的健康構成了威脅，成為制約馬鈴薯類休閑食品發(fā)展的瓶頸［2］。CML是結構穩(wěn)定的一類晚期糖基化終末產物，在體內集聚過量可導致一些慢性疾病的發(fā)生，如心血管疾管、糖尿病、動脈粥樣硬化等。食品中的CML也可以作為評價食品體系美拉德反應中蛋白質化學修飾、羰基應激和脂質氧化的一個首要指標［3］。因此，實現(xiàn)CML含量的實時在線無損檢測十分必要。

目前，計算機視覺［4，5］已應用于食品檢測等各方面。高光譜成像技術作為其中一種快速、無損的分析方式，普遍應用于肉類［6］、微生物［7］、農產品［8，9］、堅果［10］、乳制品［11］等眾多工業(yè)檢測中［12］。Arif C M M.等人［13］驗證從550～690nm波長范圍可以對肌肉類型、顏色穩(wěn)定性和貯藏期的野牛肌肉樣品的新鮮度進行分類和預測。Antonio F等人［14］采集每個橄欖450～1050 nm的高光譜圖像建立模型，檢測炭疽病病毒非常有效。Lin D等人［15］采集菊苣五個時期350～2500 nm的高光譜圖像，利用光譜反射率估算出菊苣Cu含量。

本文采集自制油炸薯片第250～900個波段（即498.48～830.11nm）的高光譜圖像，融合BP神經網絡預測薯片中CML含量，為探尋CML含量無損檢測方法提供依據。

1 材料與方法

1.1 自制薯片

每次稱量100 g馬鈴薯粉、100 g水，揉成面團再做成1 cm厚的面塊，熟化，冷卻，切片（1.5 mm），油炸。表1為制作薯片不同的油炸溫度和時間，共五個等級。

表1 自制薯片所用溫度和時間

1.2 實驗儀器

薯片樣本高光譜圖像是用高光譜成像采集系統(tǒng)獲?。ㄒ妶D1）。高光譜成像采集系統(tǒng)包括高光譜成像儀（Inno-Spec IST50—3810）、4個500瓦的光纖鹵素燈（德國ESYLUX 90000420108）、計算機及傳送裝置。成像儀采集圖像數(shù)據時，其上的線陣探測器在薯片運行的垂直方向作橫向掃描，得到的是所有像素點在1288個波段處的圖像數(shù)據。同時隨著薯片的前進，完成所需區(qū)域圖像數(shù)據的采集。由計算機SICap-STVR V1.0.x軟件平臺驅動成像儀，實時控制和記錄高光譜數(shù)據。

圖1 高光譜圖像采集系統(tǒng)

1.3 實驗方法

1.3.1 樣品中羧甲基賴氨酸含量的測定

采用液相色譜-質譜法，按照相關文獻中液相和質譜檢測條件，對油炸薯片中CML含量進行測定［16］。

1.3.2 光譜預處理方法

光譜預處理可以減少非薯片樣本信息的干擾，消除噪聲，提高模型預測能力及穩(wěn)健性。本文采用多元散射校正（multiplicative scatter correction，msc）和標準正態(tài)變量變換（standard normal variate，snv）兩種常用的光譜預處理方式對薯片原始光譜信息進行處理。

多元散射校正［17］是用以消除試驗對象的不均勻性所產生的散射，因為在一些條件下由散射引起的光譜差異會比實驗對象內部成分引起的差異還要大。

標準正態(tài)變量變換［18］也是消除因為散射引起的光譜差異，但跟msc不一樣的是，snv只是將原始光譜標準正態(tài)化。

1.3.3 高光譜圖像的采集

首先采集標準高光譜全白圖像和全黑圖像，然后稱取備好的薯片粉末（45±0.2）g，將其作為待測樣本，均勻地平鋪在規(guī)格為100 mm的培養(yǎng)皿中，放置在傳送帶上，設置傳送裝置的速度為1.25 mm/s。成像儀的光譜范圍是371.05～1023.82 nm，分辨率為2.8 nm。設定掃描范圍是Width 800、Height 800，即圖像掃描行數(shù)為每幅800行，每行掃描的像素點數(shù)為800個，每個樣本共1288幅圖像。最后，對薯片原始高光譜圖像數(shù)據塊進行黑白標定。

實驗中，每類薯片分別有50個樣本，五類樣品共250個樣本。各類薯片樣本的可見光圖像如圖2所示。

圖2 薯片的可見光圖像

1.3.4 BP神經網絡

BP神經網絡［19］是一個按照誤差向前傳播的多層網絡，可以計算比較困難的非線性問題，例如基于神經網絡預測鈦合金的銑削力［20］等。本文運用BP神經網絡模型建立光譜與薯片中CML含量之間的映射關系，首先提取第250～900個波段下薯片高光譜圖像的平均光譜反射值；然后運用主成分融合，建立穩(wěn)健可靠的BP神經網絡模型。

光譜數(shù)據和模型的建立均在軟件MATLAB R2014中完成。

2 結果與分析

2.1 光譜預處理

采用msc和snv兩種常用的光譜預處理方法，消除固體顆粒、表面散射及光程變化對薯片光譜值的影響。圖3（a）是250個樣品1288個波段的原始平均光譜反射值；圖3（b）是選取樣品第250到900個波段的原始平均光譜反射值并進行黑白校正得到的；圖3（c）是圖3（b）經過多元散射校正后的光譜圖；圖 3（d）是圖 3（b）經過標準正態(tài)變換后的光譜圖。

圖3 250個油炸薯片樣本的光譜曲線

2.2 薯片中羧甲基賴氨酸含量的測定結果

每種薯片樣品進行多次液相色譜-質譜法平行實驗測定，并將平均值作為薯片樣品的CML含量指標值，具體數(shù)據如表2所示。從表2看出，在油炸溫度為180℃時，隨著時間的延長，CML含量逐漸增多；而在220℃時，油炸時間240 s比80 s時的CML含量減少較多，僅為5.17 μg/g。

表2 五類薯片樣本的CML含量測定結果

這說明，薯片中CML含量與溫度和時間不符合一般規(guī)律。如果采用儀器檢測、酶聯(lián)免疫或熒光傳感檢測幾種方法，各有缺點，即使應用最為廣泛的液相色譜-質譜法也耗時耗力，價格昂貴［21］。因此本文采用高光譜圖像技術融合BP神經網絡，借助液相色譜-質譜法測定的結果建立模型預測CML含量，達到薯片中CML含量的快速無損檢測。

2.3 采用BP神經網絡建立預測模型

分別采用經msc和snv處理后的第250～900個波段的光譜數(shù)據，并對這651列光譜數(shù)據運用主成分融合，選取代表原始信息99.99%以上的前10個主成分作為神經網絡的輸入變量部分，設計模型結構，確定傳遞函數(shù)和訓練函數(shù)，設置學習速率、誤差、迭代次數(shù)等參數(shù)，建立具有穩(wěn)健性和精確度的BP神經網絡預測模型。

（1）基于msc預處理的光譜數(shù)據所建立的BP神經網絡：預測模型的結構為13-10-1,隱含層和輸出層的傳遞函數(shù)分別為tansig和logsig，訓練函數(shù)為traincgf。迭代595次，運行3 s，預測結果如圖4（a）所示。

（2）基于snv預處理的光譜數(shù)據所建立的BP神經網絡：預測模型的結構為10-6-1,隱含層和輸出層的傳遞函數(shù)分別為tansig和logsig，訓練函數(shù)為traincgf。迭代1282次，運行5 s，預測結果如圖4（b）所示。

圖4 不同光譜預處理方法建立BP神經網絡模型結果對比

2.4 對比結果

預測結果和實測值相對誤差不超過5%認為預測正確，表3是兩種光譜預處理方式的CML預測結果對比。

表3 不同預處理方式CML預測結果的對比

2.5 最優(yōu)預測模型的選擇與穩(wěn)健性分析

對比顯示，基于第250～900個波段下每個薯片樣本高光譜圖像的平均光譜反射值，經msc和snv兩種光譜預處理方式建立的BP神經網絡模型，預測結果沒有明顯差距，均能較好預測油炸薯片中CML含量。為測試兩種模型的穩(wěn)健性，不改變BP神經網絡參數(shù)，從薯片樣品的高光譜信息中，隨機抽取3組訓練集，分別對預測模型進行測試，結果對比如表4所示。

表4 不同測試集的預測結果

3 結論

以不同CML含量的油炸薯片為檢測對象，用高光譜成像采集系統(tǒng)采集其在1288個波段下的圖像，再經過msc和snv預處理后，提取第250～900波段下圖像的平均光譜反射值，最后建立BP神經網絡模型。結果顯示，高光譜融合BP神經網絡建立CML含量預測模型可以預測CML含量；兩種光譜預處理方法預測正確率均為99.57%，相關系數(shù)為0.9987，均方根誤差略有不同。經過驗證，該預測模型具有較高的穩(wěn)健性和可信度。該研究能夠實現(xiàn)CML含量的準確預測，可為其快速無損檢測提供重要依據。