基于“深度”神經(jīng)網(wǎng)絡(luò)的貯藏期柚果品質(zhì)檢測模型研究

孫瀟鵬，林 建，郭海龍，肖心遠，陸華忠

（1.廣東交通職業(yè)技術(shù)學(xué)院 汽車與工程機械學(xué)院，廣州 510650；2.福建農(nóng)林大學(xué) 機電工程學(xué)院，福州 350028；3.華南農(nóng)業(yè)大學(xué) 工程學(xué)院，廣州 510642）

0 引言

柚（Citrus maxima）是蕓香科柑橘屬，俗稱香欒、文旦和胡柑等，廣泛分布于廣東和福建地區(qū)，果面光澤、汁水飽滿，呈甜或酸甜味，果皮厚，果肉間存白色海綿層，常遭受各種生理性失調(diào)，影響內(nèi)部品質(zhì)，如汁胞?；?，表現(xiàn)為汁液囊變硬，干燥，果肉可食率降低［1］。

可溶性固形物（SSC）含量、可滴定酸（TA）含量、汁胞含水率和可食率均是柚果內(nèi)部品質(zhì)評價的重要指標(biāo)，僅用單一指標(biāo)檢測存在隨機性和局限性。本文旨在通過探究柚果內(nèi)部品質(zhì)隨貯藏時間變化規(guī)律，發(fā)掘綜合品質(zhì)指標(biāo)，再結(jié)合多特征融合與“深度”神經(jīng)網(wǎng)絡(luò)模型，以期為提升厚皮水果內(nèi)部品質(zhì)的無損檢測效率和精度提供參考。

1 材料與方法

1.1 試驗對象與儀器

試驗對象源自梅州地區(qū)的紅肉蜜柚和沙田柚，剔除畸形果，篩選果形端正且成熟的柚果各300個。

理化測定儀器：PAL-Grape Must型數(shù)顯折射儀（ATAGO中國分公司）；HTP312型天平稱（上?；ǔ彪娖饔邢薰荆?-300（Ⅲ型）游標(biāo)卡尺（上海申韓量具有限公司）；100 mL型酸堿中和滴定儀（江蘇博雅教學(xué)設(shè)備有限公司）；DHG-9030A型電熱鼓風(fēng)干燥箱（上海一恒科學(xué)儀器有限公司）。

設(shè)備儀器：QE-Pro型光譜儀（美國海洋光學(xué)公司）；光照系統(tǒng)采用12組100 W石英鹵素?zé)簦浜献匝邪l(fā)聚甲醛樹脂材質(zhì)托盤使用［2］；動力系統(tǒng)采用TCH28-750-30SB型臥式變頻減速電機（深圳市鑫臺創(chuàng)電機有限公司），3G3JZ-AB007型歐姆龍變頻器（上海攝提信息科技有限公司）；稱重系統(tǒng)采用352C33型壓電式加速度傳感器（美國PCB Piezotronics公司），HBW PW6DC3MR型電阻應(yīng)變式稱重傳感器（廣州眾鑫自動化科技有限公司）；機器視覺系統(tǒng)采用OSG230-150UM型高速工業(yè)相機（YVSION公司），配套M1224-MPW2型鏡頭（日本Computar公司）。

1.2 試驗樣機與原理

自搭建柚果內(nèi)部品質(zhì)在線檢測樣機，如圖1所示。開機后完成光譜校正及參數(shù)設(shè)定。試驗開始，柚果依次完成動態(tài)稱重、圖像信息獲取和光譜特征采集。人機交互系統(tǒng)控制各類軟件進行數(shù)據(jù)處理和分析，并完成柚果綜合品質(zhì)的模型預(yù)測。

圖1 柚果內(nèi)部品質(zhì)在線檢測樣機Fig.1 The online detection prototype of internal quality of pomelo

1.3 試驗方法

1.3.1 光譜預(yù)處理可見-近紅外透射原始光譜如圖2所示。

圖2 可見-近紅外透射原始光譜Fig.2 The origin spectra of samples of visible and near-infrared transmittance

使用試驗樣機配套軟件設(shè)定光譜采集參數(shù)（積分時間200 ms，積分次數(shù)3次）并存儲數(shù)據(jù)［3］，選擇透射率作為光譜參數(shù)，如下式所示［4］：

式中 T——柚果的透射率，%；

Is——柚果的光譜透射強度，cd；

Ib——暗背景的光譜透射強度，cd；

Iw——亮背景的光譜透射強度，cd。

光譜預(yù)處理采用Savitzky-Golay（SG）多項式平滑和標(biāo)準(zhǔn)正態(tài)變量變換（standard normalized variable，SNV），可消除光譜因散射所產(chǎn)生的差異，剔除冗余信息，提高光譜分辨率和模型性能。

1.3.2 特征波長選取

原始光譜經(jīng)預(yù)處理后，采用遺傳算法（Genetic Algorithm，GA）進行特征波長選取，其為一種變量篩選方法，以適應(yīng)度函數(shù)為依據(jù)，對群體中個體施加遺傳操作（選擇、交叉和變異等），實現(xiàn)個體結(jié)構(gòu)重組及迭代優(yōu)化［5］。

1.3.3 果形描述子提取

參考我國農(nóng)業(yè)標(biāo)準(zhǔn)，果形指數(shù)即果梗至果蒂的垂直距離與最大橫切果面直徑的比值［6］。為尋求描述果形的圖像特征提取方法，使用機器視覺系統(tǒng)配合MATLAB軟件提取并估算果形，提出“形狀描述子”表征果形信息［7］，其包括最小外切圓與最大內(nèi)切圓的半徑之比（SR/r）。通過對圖像閾值二值化，無關(guān)孔洞進行填充和像素值求和，得邊界面積記作S，計算如下式：

式中 yi——邊界輪廓點的像素縱坐標(biāo)；

xi——邊界輪廓點的像素橫坐標(biāo)。

先獲取目標(biāo)區(qū)域質(zhì)心坐標(biāo)，再如式（3）獲取單像素寬度的邊界輪廓像素點集，計算其到質(zhì)心的距離并找出最小距離，以此為半徑旋轉(zhuǎn)一周的軌跡為最大內(nèi)切圓；質(zhì)心至外部輪廓線最遠點為半徑，以此半徑圍繞質(zhì)心旋轉(zhuǎn)一周的軌跡為最小外切圓，如圖3所示。并根據(jù)式（4）計算，并最終得到SR/r：

圖3 最大內(nèi)切圓與最小外切圓Fig.3 The maximum inner tangent circle and the minimum outer tangent circle

式中 X（plot）——目標(biāo)區(qū)域形心點的橫坐標(biāo)；

Y（plot）——目標(biāo)區(qū)域形心點的縱坐標(biāo)。

果形描述子（RatioL/W）是最小外接矩形長寬比，表征果形端正程度。長即為柚果的最大縱徑（Hmax），寬即為柚果的最大橫徑（Wmax）。若柚果的果形不端正，其RatioL/W值較小，且<1.1；反之，若柚果的果形端正，則RatioL/W值較大，且≥1.1。

1.3.4 動態(tài)稱重測量

動態(tài)稱重系統(tǒng)中，空載靜態(tài)下的輸出電壓（U0）和加載標(biāo)準(zhǔn)砝碼下的輸出電壓（Uref）可由稱重傳感器校準(zhǔn)得到，因此唯有通過算法從非穩(wěn)態(tài)且受干擾的輸出信號中測得動態(tài)稱重算法估算質(zhì)量與被測果品質(zhì)量成一定比例關(guān)系的輸出電壓（U），最終得到被測果品的質(zhì)量估算值（M），計算如下式：

式中 Mref——用于校準(zhǔn)的標(biāo)準(zhǔn)砝碼質(zhì)量，1 000 g；

k——轉(zhuǎn)換系數(shù)。

1.3.5 理化指標(biāo)測定與可食率

參考標(biāo)準(zhǔn)NY/T 1841-2010《蘋果中可溶性固形物、可滴定酸無損傷快速測定 近紅外光譜法》，從檢測區(qū)域切取部分樣本果肉，用紗布包裹擠出果汁，使用數(shù)顯折射儀讀取SSC，使用酸堿中和滴定儀對TA進行測定，如下式所示：

式中 C——NaOH溶液濃度，mol/L；

V——滴定試液時消耗NaOH溶液的體積，mL；

V0——空白試驗時消耗NaOH溶液的體積，mL；

K——酸的換算系數(shù)，柑橘屬中主要含檸檬酸，取0.064；

F——試液的稀釋倍數(shù)；

M——試樣的質(zhì)量數(shù)值，g。

依據(jù)國家標(biāo)準(zhǔn)GB 5009.3-2016《食品中水分的測定》細化試驗步驟。首先，去除柚果果皮，取出囊瓣去除囊衣和種籽，分離出汁胞；其次，取無塵紙墊于潔凈燒杯內(nèi)，加熱干燥后稱重，再將果肉放入燒杯，再次稱重；最后，將其放入80 ℃的電熱鼓風(fēng)干燥箱進行48 h烘干，得到烘干后樣本、無塵紙和燒杯總質(zhì)量，其汁胞含水率（MC），如下式計算：

式中 m1——燒杯、無塵紙和柚果鮮汁胞的總質(zhì)量，g；

m2——燒杯、無塵紙和柚果干汁胞的總質(zhì)量，g；

m3——燒杯和無塵紙的質(zhì)量，g。

根據(jù)SN/T 0629-1997《出口柚檢驗規(guī)程》的抽檢方法，清洗并擦拭樣品，測得總重為Mt；分離樣品后得到果皮、種籽和囊壁，分別測其重量為M1，M2，M3，可食率（E）如下式計算［8］：

1.3.6 綜合品質(zhì)指標(biāo)構(gòu)建

柚果內(nèi)部品質(zhì)的檢測指標(biāo)包括：SSC，TA，MC，E等。多個品質(zhì)指標(biāo)的檢測任務(wù)繁重且易造成信息重疊。為進一步實現(xiàn)模型快速、穩(wěn)定且準(zhǔn)確的檢測，使用因子分析法將多個品質(zhì)指標(biāo)轉(zhuǎn)化成一個綜合指標(biāo)，用于表征和預(yù)測其內(nèi)部品質(zhì)。

使用SPSS軟件基于概率回歸模型，經(jīng)KMO檢驗和Bartlett球形度檢測判定數(shù)據(jù)是否符合要求，最終得到公因子方差和成分矩陣等［9］。經(jīng)Bartlett球形度檢測的P＜0.05，證明各品質(zhì)指標(biāo)間不獨立；KMO取樣適切性量＞0.5，表明各變量間有較強的偏相關(guān)性。通過因子分析，得到主成分特征值和累積貢獻率，邏輯回歸法得成分系數(shù)矩陣，提取主因子式即綜合品質(zhì)指標(biāo)。

1.3.7 “深度”神經(jīng)網(wǎng)絡(luò)與模型評價

采用端對端學(xué)習(xí)的人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）稱為深度學(xué)習(xí)（Deep Learning，DL）模型。通過神經(jīng)網(wǎng)絡(luò)不同功能的層對輸入層數(shù)據(jù)進行處理，將末端輸出層作為預(yù)測學(xué)習(xí)，隱含層的層數(shù)出現(xiàn)2個及以上作為訓(xùn)練學(xué)習(xí)，實現(xiàn)MATLAB軟件對數(shù)據(jù)的特征提取。隨著層數(shù)加深，輸出結(jié)果從具體到抽象，最終實現(xiàn)“深度”神經(jīng)網(wǎng)絡(luò)模型的功能［10］，如圖4所示。

圖4 多層感知器前饋神經(jīng)網(wǎng)絡(luò)及方法的神經(jīng)元Fig.4 Multi-layer perceptron feedforward neural networks and enlarged neurons

其中，wji為輸入信號加權(quán)值；θ為輸入信號的加權(quán)乘積閾值；f（θ）是輸入信號與輸出信號的激勵函數(shù)。BP神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BPNN）是通過系統(tǒng)內(nèi)輸入連續(xù)或集散性原始數(shù)據(jù)，經(jīng)反向傳播算法計算，輸入或輸出變量間非線性映射的前饋性神經(jīng)網(wǎng)絡(luò)。BPNN的輸入與輸出之間變換關(guān)系如下式所示：

其中，nq-1為第q層神經(jīng)元個數(shù)；wijq為第q層第i個神經(jīng)元的連接權(quán)系數(shù)；xjq-1=f（siq）=1/（1+e-μsiq）；i=1，2，…，nq；j=1，2，…，nq；q=1，2，…，n。

模型評價指標(biāo)主要包括絕對系數(shù)（R2）和均方根誤差（RMSE）等，如下式所示［11］：

2 結(jié)果與分析

2.1 柚果內(nèi)部品質(zhì)隨貯藏時間變化規(guī)律

以15 d為1個試驗階段，開展為期120 d的柚果（蜜柚和沙田柚）貯藏期試驗，監(jiān)測其內(nèi)部品質(zhì)（SSC，TA，MC和E）隨貯藏時間增長的變化規(guī)律。

2.1.1 可食率隨貯藏時間變化規(guī)律

可食率以每次樣本的測算均值作為特征參數(shù)，試驗結(jié)果如表1所示。隨著貯藏時間的增加，伴隨汁胞?；『又?，果皮厚度和果皮占果重率均有增大趨勢，而果肉占果重率則明顯減少。汁胞含水率減少伴隨著果皮的二次生長，同時伴隨樣本體積減小?？墒陈孰S著貯藏時間增加而降低，伴隨著果重減小。

表1 貯藏期柚果的可食率與其特征參數(shù)Tab.1 Edible rate and characteristic parameters of pomeloes during storage

2.1.2 理化指標(biāo)隨貯藏時間變化規(guī)律

如圖5（a）所示，柚果果實中SSC含量先增后降，貯藏至45 d時達到峰值。貯藏期果實中SSC增大是采后存在后熟，果實中淀粉等大分子物質(zhì)降解為可溶性小分子物質(zhì)。貯藏期45～120 d，SSC含量逐漸減小致使果實呼吸代謝，果實中糖、維生素等成分被消耗，誘因是汁胞?；『Γ?2］。蜜柚較沙田柚，SSC值變化較大，可能是貯藏后期蜜柚果肉的SSC轉(zhuǎn)化為不溶性物質(zhì)（纖維素、半纖維素和果膠等）輸送向果皮，果實由物質(zhì)代謝轉(zhuǎn)向抗逆次生代謝，使果蒂部的果肉開始失水，?；F(xiàn)象出現(xiàn)并加重［13］。如圖5（b）所示，隨貯藏時間延長，TA含量先上升后下降，蜜柚采后貯藏至30 d時達到峰值；沙田柚TA含量顯著增加，采后貯藏至60 d時達到峰值。TA值升高主要是因為枯水發(fā)生，偏酸風(fēng)味被果農(nóng)稱為“回酸”。采后貯藏75～120 d，TA含量逐漸下降，果實進入生理衰老階段［14］。

圖5 柚果在貯藏期的可溶性固形物含量和可滴定酸變化Fig.5 Changes in soluble solids content and titratable acid of pomelo in storage period

蜜柚和沙田柚在貯藏期的汁胞含水率變化如圖6所示。

圖6 蜜柚和沙田柚在貯藏期的汁胞含水率變化Fig.6 Changes in moisture content of honey pomelo and Shatian pomelo during storage

在貯藏期，果實中水分在果瓣之間、果肉和果皮之間彼此運送，?；止^正常果輸送速度更快。故MC降低可能是果實內(nèi)水分向外蒸發(fā)，以及汁胞?；鸷粑x增加等［15］。由于汁胞?；『﹂_始于蜜柚掛果成熟后，及沙田柚采后貯藏后，前者較后者，?；_始時間更早。隨著貯藏時間延長，MC依次降低，且下降速率更快。

2.2 柚果單一品質(zhì)指標(biāo)模型建立與校驗

以貯藏期沙田柚為例，多特征信息（特征波長、SR/r、RatioL/W和M）融合為模型輸入端，內(nèi)部品質(zhì)指標(biāo)（SSC，TA，MC和E）分別為模型輸出，其校驗及預(yù)測結(jié)果如圖7所示。

圖7 貯藏期沙田柚內(nèi)部品質(zhì)指標(biāo)的BPNN模型Fig.7 BPNN model of various indexes of internal quality for Shatian pomelo during storage period

通過校驗集決定系數(shù)（Rc2）、校驗集均方根誤差（RMSEC）、預(yù)測集決定系數(shù)（Rp2）和預(yù)測集均方根誤差（RMSEP）判定各模型校驗及預(yù)測能力依次是E＞MC＞TA＞SSC。

2.3 柚果綜合品質(zhì)檢測模型建立與校驗

使用人機交互操作系統(tǒng)內(nèi)SPSS軟件，將柚果內(nèi)部品質(zhì)指標(biāo)（SSC，TA，MC和E）經(jīng)Bartlett球形度檢測的P<0.05，說明各變量間不獨立；其KMO取樣適切性量數(shù)為0.764＞0.5，適合進行因子分析。因子分析中，公因子方差如表2所示。

表2 柚果內(nèi)部品質(zhì)指標(biāo)的公因子方差Tab.2 Common factor variance of internal quality indicators of honey pomelo

4個內(nèi)部品質(zhì)指標(biāo)的公因子方差都較高，各變量間信息損失少，對各指標(biāo)均有較好的解釋能力，因子分析的結(jié)果較為理想。因子分析中采用PCA法［16］，對于蜜柚和沙田柚而言，前2個主成分因子貢獻率分別達到89.250%和90.424%，能夠很好地解釋原始變量。綜合評價使用邏輯回歸法求得各成分的得分系數(shù)矩陣［17］，如表3所示。

表3 各成分得分系數(shù)矩陣Tab.3 Scoring coefficient matrix for each component

所提取成分矩陣的主因子表達式，即蜜柚及沙田柚內(nèi)部綜合品質(zhì)指標(biāo)，分別為HP和STP，如下式所示：

按kennard-stone法2：1劃分樣本集［18］，多特征異質(zhì)信息經(jīng)數(shù)據(jù)級融合作為模型輸入端，以綜合品質(zhì)指標(biāo)為預(yù)測輸出端，構(gòu)建多特征融合的柚果內(nèi)部綜合品質(zhì)檢測模型，如圖8所示。

圖8 柚果內(nèi)部綜合品質(zhì)的BPNN模型Fig.8 BPNN model of comprehensive internal quality of pomelo

模型中，Rc2均在0.980 0以上，RMSEC分別為0.139 5，0.450 7；Rp2均在0.930 0以上，RMSEP分別為0.731 8，1.487 7。結(jié)果表明，綜合品質(zhì)指標(biāo)可替代單一品質(zhì)指標(biāo)，用于表征和預(yù)測貯藏期柚果內(nèi)部品質(zhì)優(yōu)劣，且具備檢測速度快和精度高等優(yōu)勢。

3 結(jié)語

本文通過自搭建柚果內(nèi)部品質(zhì)在線檢測樣機，探究使用多特征融合和“深度”神經(jīng)網(wǎng)絡(luò)算法，通過構(gòu)建綜合品質(zhì)指標(biāo)，完成柚果內(nèi)部綜合品質(zhì)模型預(yù)測。結(jié)果表明：可見-近紅外透射光譜經(jīng)預(yù)處理和GA算法特征選取，融合機器視覺果形描述子（RatioL/W和SR/r）和動態(tài)質(zhì)量，建立BP神經(jīng)網(wǎng)絡(luò)模型，分別對蜜柚和沙田柚內(nèi)部綜合品質(zhì)檢測，Rp2均達到0.930 0以上，與之對應(yīng)的RMSEP分別為0.731 8，1.487 7，均體現(xiàn)準(zhǔn)確率高、通用性強和檢測速度快等優(yōu)勢。