基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)的大米產(chǎn)地高光譜快速判別

吳靜珠，李曉琪，林 瓏，劉翠玲，劉 志，袁玉偉

（1 北京工商大學(xué) 食品安全大數(shù)據(jù)技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室 北京 100048 2 浙江省農(nóng)業(yè)科學(xué)院 農(nóng)業(yè)部農(nóng)產(chǎn)品信息溯源重點(diǎn)實(shí)驗(yàn)室 杭州 310021）

隨著我國國民生活水平的提高，以東北大米為代表的優(yōu)質(zhì)高端大米日趨受到青睞[1-2]。東北大米以粳米為主，除東北產(chǎn)區(qū)外，我國粳米產(chǎn)區(qū)還包括華東、華北黃淮、西北等地區(qū)。東北平原特有的自然環(huán)境，如土壤肥沃、日照時(shí)間長、晝夜溫差大等為稻米生長提供了良好的條件。真正的東北大米營養(yǎng)價(jià)值高，口感好，腹白小，價(jià)格相對(duì)于我國非東北產(chǎn)地大米較高。然而，目前我國農(nóng)產(chǎn)品市場(chǎng)準(zhǔn)入制度、溯源體系和檢測(cè)手段尚不完善[3-4]，不法商販?zhǔn)芙?jīng)濟(jì)利益驅(qū)動(dòng)制售假冒或是摻偽東北大米的事件頻發(fā)[5]，嚴(yán)重?cái)_亂了我國大米流通市場(chǎng)的秩序，侵犯了消費(fèi)者的權(quán)益。

傳統(tǒng)的大米品質(zhì)檢測(cè)方法多以濕化學(xué)分析方法為主[6-7]，其檢測(cè)精度高，然而普遍存在耗時(shí)長、繁瑣、試樣具有破壞性等弊端，無法滿足我國大米市場(chǎng)監(jiān)督和流通行業(yè)日益增長的快速、無損檢測(cè)需求。高光譜技術(shù)[8]將光譜技術(shù)與成像技術(shù)的優(yōu)勢(shì)相結(jié)合，可用于待測(cè)目標(biāo)的二維幾何空間及一維光譜信息的快速、無損探測(cè)，目前已成為大米品種[9-10]、成分[11-14]、摻偽[15-16]、產(chǎn)地[17-20]檢測(cè)領(lǐng)域的新興熱點(diǎn)。其中，王朝暉等[21]利用高光譜9 個(gè)特征波長對(duì)梅河大米與柳河縣大米進(jìn)行SPSS 判別分析，整體正確率達(dá)95%。孫大文等[22]提出了一種應(yīng)用高光譜成像技術(shù)檢測(cè)大米產(chǎn)地的發(fā)明專利，通過大米高光譜圖像特征提取，并結(jié)合概率神經(jīng)網(wǎng)絡(luò)PNN 建立預(yù)測(cè)模型，可以快速、穩(wěn)定、有效地對(duì)大米產(chǎn)地進(jìn)行分類。Mo 等[23]應(yīng)用可見/近紅外（VNIR） 高光譜成像技術(shù)快速識(shí)別國內(nèi)和進(jìn)口大米原產(chǎn)地，識(shí)別精度可達(dá)99%。上述研究結(jié)果表明高光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)方法、模式識(shí)別方法用于大米產(chǎn)地鑒別等具有較好的應(yīng)用前景。

在市場(chǎng)上出現(xiàn)的東北大米制假情況中，較難識(shí)別的是采用相同品種而非東北產(chǎn)區(qū)的大米售賣。相同品種不同產(chǎn)區(qū)的大米在外觀表征上差異不明顯，而內(nèi)部品質(zhì)存在的差異則很難通過現(xiàn)有技術(shù)手段進(jìn)行直觀、快速地判別。近年來，卷積神經(jīng)網(wǎng)絡(luò)[24-26]以其局部感知和參數(shù)共享等特點(diǎn)在圖像處理領(lǐng)域表現(xiàn)出獨(dú)特的優(yōu)越性。本文探索將卷積神經(jīng)網(wǎng)絡(luò)和高光譜圖像技術(shù)結(jié)合，快速判別相同品種、不同產(chǎn)區(qū)大米的可行性，以期能構(gòu)建符合市場(chǎng)需求，適用范圍廣，穩(wěn)健性好的東北/非東北大米產(chǎn)地快速鑒別模型。

1 材料與方法

1.1 試驗(yàn)材料

東北大米品種主要有長粒香、圓粒香、稻花香和小町米。為建立適用范圍較廣的東北大米產(chǎn)地判別模型，本試驗(yàn)分別從浙江省農(nóng)業(yè)科學(xué)院（2018年6月） 和北京古船米業(yè)有限公司 （2018年11月） 收集了東北產(chǎn)地大米樣本5 份和非東北產(chǎn)地大米樣本共計(jì)10 份，包括黑龍江長粒香1 份，吉林稻花香1 份，吉林圓粒香1 份，遼寧小町米2 份（不同產(chǎn)地），江蘇長粒香1 份，江蘇小町米1 份，浙江圓粒香1 份，安徽小町米1 份，河北小町米1份。每份樣本隨機(jī)取樣100 粒，共計(jì)10×100 顆單粒大米樣本。

1.2 儀器與設(shè)備

SPECIM FX17 高光譜相機(jī)，芬蘭SPECIM 公司。儀器參數(shù)設(shè)置：波長范圍：950～1 700 nm，F(xiàn)WHM 譜寬8 nm，波段數(shù)224 個(gè)，曝光時(shí)間3.8 μs，幀頻40 Hz，空間采樣分辨率640 px/line。

1.3 高光譜圖像采集

采用SPECIM FX17 高光譜相機(jī)采集大米樣本高光譜圖像。將每個(gè)產(chǎn)地的100 顆大米樣本放在10×10 的數(shù)粒板上，然后將數(shù)粒板放置于移動(dòng)載物臺(tái)進(jìn)行成像試驗(yàn)。試驗(yàn)共計(jì)采集10×100 個(gè)單粒大米樣本的高光譜圖像。

1.4 數(shù)據(jù)處理方法及平臺(tái)

1.4.1 高光譜預(yù)處理 首先對(duì)大米樣本高光譜原始數(shù)據(jù)進(jìn)行黑白板校正，以去除暗電流噪聲的影響，獲得大米樣本反射率高光譜圖像；按照大米輪廓，手動(dòng)選取感興趣區(qū)域，并將感興趣區(qū)域內(nèi)所有像素點(diǎn)光譜取平均作為該粒大米樣本光譜，得到1 000 個(gè)大米樣本的光譜數(shù)據(jù)集，如圖1所示。

圖1 大米樣本近紅外光譜Fig.1 Near-infrared spectrums of rice samples

1.4.2 高光譜特征提取 高光譜圖像分類中主要面臨Hughes 現(xiàn)象和維數(shù)災(zāi)難問題，因此本試驗(yàn)采用經(jīng)典的PCA （Principal components analysis，PCA） 方法對(duì)原始高光譜數(shù)據(jù)進(jìn)行降維處理以消除數(shù)據(jù)共線性[17]，同時(shí)還可以借助PCA 分別從光譜維和圖像維對(duì)高光譜圖像進(jìn)行特征提取。

1.4.3 AlexNet 卷積神經(jīng)網(wǎng)絡(luò) 2012年提出的AlexNet 卷積神經(jīng)網(wǎng)絡(luò)掀起了深度學(xué)習(xí)的應(yīng)用熱潮[27]。AlexNet 結(jié)構(gòu)如圖2所示，共有8 層，前5 層為卷積層，后3 層為全連接層。它首次在CNN 中成功應(yīng)用了ReLU、Dropout 和LRN 等。AlexNet 利用ReLU 代替sigmoid 提升了模型的收斂速度；通過LRN 局部響應(yīng)歸一化增強(qiáng)模型的泛化能力；最重要的是采用Dropout 方式可以有效避免小樣本數(shù)據(jù)集訓(xùn)練過程中極易出現(xiàn)的過擬合現(xiàn)象。本文采用AlexNet 卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建大米產(chǎn)地高光譜判別高精度模型。

圖2 AlexNet 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of AlexNet convolutional neural network

AlexNet 網(wǎng)絡(luò)訓(xùn)練的試驗(yàn)平臺(tái)如下：ubuntun16.04＋Caffe；CPU：Intel（R）Core（TM）i7-6700k CPU@4.00GHZ；內(nèi)存：16GB；GPU：NVIDIA GeForce GTX 1070；顯存：64 GB。

2 結(jié)果與分析

2.1 特征波長提取

相同品種不同產(chǎn)區(qū)的大米由于生長的自然環(huán)境不同，因此在內(nèi)部品質(zhì)上有著較為明顯的差異，而近紅外光譜可以反映樣本內(nèi)部成分信息，因此試驗(yàn)擬采用PCA 方法篩選反映產(chǎn)地信息的關(guān)鍵波長。

PCA 分解思路是按照原始數(shù)據(jù)方差遞減順序依次找出相互正交的新坐標(biāo)軸來重構(gòu)原始數(shù)據(jù)。首先采用標(biāo)準(zhǔn)化處理上述原始光譜數(shù)據(jù)集后，再進(jìn)行PCA 分解計(jì)算可得第一、第二和第三主成分的貢獻(xiàn)率分別為95.20%，4.50%，0.22%，其中前兩維主成分累積貢獻(xiàn)率可達(dá)99.70%，涵蓋了原始光譜數(shù)據(jù)的絕大部分信息，因此后續(xù)主要針對(duì)前兩維主成分進(jìn)行深入分析。

PCA 分析中新坐標(biāo)軸的選擇與原始數(shù)據(jù)本身是密切相關(guān)的，其中主成分載荷矩陣主要反映的是主成分與原始數(shù)據(jù)之間的相關(guān)性，載荷矩陣中權(quán)重系數(shù)越大，則其所對(duì)應(yīng)的波長與該主成分關(guān)系越密切。圖3為第一、第二主成分載荷對(duì)應(yīng)的全波長權(quán)重系數(shù)分布圖。根據(jù)最大值選取與第一、二主成分密切相關(guān)的特征波長，則第一主成分對(duì)應(yīng)特征波長為1 396.67 nm，第二主成分對(duì)應(yīng)特征波長為1 467.38 nm。其中1 396.67 nm 附近譜區(qū)主要反映游離水O-H 鍵的一級(jí)倍頻信息以及C-H 鍵的組合頻信息；而1 468.37 nm 附近譜區(qū)主要是N-H 鍵的一級(jí)倍頻，反映了大米蛋白中各種豐富的氨基酸信息。因此，試驗(yàn)選取1 396.67，1 467.38 nm 特征波長圖像進(jìn)行下一步圖像特征提取。

圖3 第一、二主成分載荷權(quán)重分布圖Fig.3 Weight distribution of the loading of the first and second principal component

2.2 特征圖像提取

試驗(yàn)樣本集共包含了4 個(gè)品種的大米，不同品種的大米其外形和紋理特征存在顯著差別，即便是相同品種、不同產(chǎn)區(qū)的大米也會(huì)因?yàn)閮?nèi)部成分的差異，導(dǎo)致大米的外觀品質(zhì)存在微小的差異。PCA 變換可以把多波段圖像中的有用信息集中到數(shù)量盡可能少的新的主成分圖像中，并使這些主成分圖像之間互不相關(guān)，從而大大減少總的數(shù)據(jù)量。因此，試驗(yàn)在上述選取的1 396.67，1 467.38 nm 特征波長圖像上分別做主成分分析。

圖4所示為安徽產(chǎn)地小町米在1 467.38 nm波長處的圖像進(jìn)行PCA 分解得到第一、二、三主成分圖像。從圖4c 可以直觀地看出，第三主成分圖像比第一、二主成分圖像能更好地區(qū)分背景和大米樣本，不僅弱化了放置大米樣本的數(shù)粒板背景，而且還突出顯示大米樣本的圖像特征。這是由于PCA 變換對(duì)噪聲比較敏感，本試驗(yàn)中大米樣本是信號(hào)，數(shù)粒板背景是噪聲，第一、二主成分雖然信息含量比較高，但是此時(shí)噪聲方差明顯大于信號(hào)方差，導(dǎo)致信噪比較低，因此，第一、二主成分分量形成的圖像質(zhì)量不如第三主成分圖像。為確證試驗(yàn)結(jié)果，仍舊選取前三維主成分圖像作為下一步分析輸入。

圖4 1 467.38 nm 波長圖像主成分分析Fig.4 Principal component analysis of the image at 1 467.38 nm

2.3 基于AlexNet 的大米產(chǎn)地鑒別模型的建立與分析

1） 數(shù)據(jù)集準(zhǔn)備。采用網(wǎng)格分割法分別對(duì)1 396.67，1 467.38 nm 特征波長圖像的第一、二、三主成分圖像進(jìn)行逐粒分割，得到單粒大米樣本圖像作為樣本集，共計(jì)2（波長）×3（主成分圖像）=6 組樣本集。每組樣本集包括1 000 個(gè)單粒大米樣本圖像，按4∶1 的比例劃分，得到訓(xùn)練集樣本800個(gè)和測(cè)試集樣本200 個(gè)，訓(xùn)練AlexNet 模型用于大米產(chǎn)地鑒別。

2） 網(wǎng)絡(luò)參數(shù)設(shè)計(jì)。在AlexNet 網(wǎng)絡(luò)的第1 層卷積層，應(yīng)用96 個(gè)11×11 卷積模板對(duì)輸入圖像進(jìn)行濾波，得到的卷積數(shù)據(jù)先進(jìn)行局部響應(yīng)歸一化，然后進(jìn)行池化傳遞到第2 層卷積層中，應(yīng)用256個(gè)5×5 的卷積模板對(duì)圖像進(jìn)行卷積后再進(jìn)行LRN與pooling，第3，4，5 層的卷積模板為3×3，且之后的生成與上一層相似。在全連接層中，dropout_ratio 為0.5，最后輸出為融合的softmax loss，其中訓(xùn)練時(shí)參數(shù)設(shè)置為：學(xué)習(xí)率0.01，迭代次數(shù)5 000。

3） 網(wǎng)絡(luò)訓(xùn)練測(cè)試。試驗(yàn)共計(jì)訓(xùn)練得到6 個(gè)AlexNet 網(wǎng)絡(luò)用于東北/非東北大米產(chǎn)地鑒別模型，測(cè)試結(jié)果如表1所示。

表1 基于AlexNet 的大米產(chǎn)地鑒別模型訓(xùn)練及測(cè)試結(jié)果Table 1 The training and test results of rice origin identification model based on AlexNet

①基于1 467.38 nm 圖像的整體識(shí)別率高于1 396.67 nm，尤其是1 467.38 nm 第三主成分圖像測(cè)試集識(shí)別準(zhǔn)確率達(dá)99.5%，較1 396.67 nm 的最大識(shí)別率提高了17.7%。試驗(yàn)結(jié)果表明，特征波長篩選可以顯著提高模型識(shí)別準(zhǔn)確率，其中基于1 468.37 nm 建立的東北/非東北大米產(chǎn)地鑒別模型表現(xiàn)尤為突出。1 468.37 nm 譜區(qū)附近主要反映的是大米蛋白中各種豐富的氨基酸信息，就本試驗(yàn)結(jié)果而言，大米蛋白質(zhì)能作為區(qū)分東北/非東北產(chǎn)地大米的關(guān)鍵性指標(biāo)之一。

②對(duì)于同一特征波長圖像而言，基于第三主成分圖像建立的AlexNet 模型識(shí)別率最高，第一主成分圖像識(shí)別率最低：其中基于1 467.38 nm 的第三主成分圖像比第一主成分圖像識(shí)別率提高了21.3%，比第二主成分圖像識(shí)別率提高了4.7%；基于1 396.67 nm 的第三主成分圖像比第一主成分提高了22.5%，比第二主成分提高了11.2%。試驗(yàn)結(jié)果表明，圖像特征提取可以有效改善模型的識(shí)別準(zhǔn)確率，并且佐證了2.2 節(jié)中提取的第三主成分圖像能具有更高的信噪比。

3 結(jié)論

本文采集了東北/非東北10 個(gè)產(chǎn)地、4 個(gè)品種、共計(jì)1 000 份大米樣本的近紅外高光譜數(shù)據(jù)，采用PCA 預(yù)處理分別從光譜維度和圖像維度進(jìn)行特征提取，選取1 396.67 nm 和1 467.38 nm 特征波長圖像的第一、二、三主成分作為輸入，結(jié)合AlexNet 深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)訓(xùn)練用于大米產(chǎn)地快速分類的判別模型，最終1 467.38 nm 波長處圖像的第三主成分作為輸入時(shí)，模型識(shí)別準(zhǔn)確率可達(dá)99.5%。試驗(yàn)結(jié)果表明，近紅外高光譜技術(shù)結(jié)合深度學(xué)習(xí)方法有望為大米產(chǎn)地溯源提供快速、無損、高通量、精細(xì)化的檢測(cè)方法。