基于SG-CARS-IBP...物可见_近红外光谱无损检测_张伏.pdf

第 卷，第期 光谱学与光谱分析 ，年月 ，基于 的圣女果可溶性固形物可见 近红外光谱无损检测张伏，曹炜桦，崔夏华，王新月，付三玲，张亚坤河南科技大学农业装备工程学院，河南 洛阳 机械装备先进制造河南省协同创新中心，河南 洛阳 江苏大学现代农业装备与技术教育部重点实验室，江苏 镇江 河南科技大学物理工程学院，河南 洛阳 摘要圣女果可溶性固形物（）含量对圣女果内部品质影响至关重要，但基于高光谱成像及介电性质特征的 检测技术存在局限性，且目前鲜见圣女果 无损检测模型。为实现圣女果 的无损检测，提出基于圣女果可见近红外光谱特征的 预测模型构建，及改进的 神经网络算法研究，以期解决圣女果内部品质的快速无损检测。以圣女果为研究对象，试验样本 个，将其划分为训练集 个和测试集 个，采用可见近红外光谱采集系统获取 范围内的圣女果表面反射强度，经光谱校正得样本反射率，为增强信噪比，截取 范围内的光谱波段作为有效波段进行分析。通过对比三种预处理模型，对有效波段进行 平滑（）预处理，建立 神经网络预测模型，测试集决定系数（）和均方根误差（）分别为 和 ；在此基础上，对 神经网络的网络结构进行改进，寻求 神经网络最优预测结构，计算输出层与期望值间误差，调整网络结构参数，将隐含层学习率和神经元个数分别设置为 和，建立改进的 神经网络模型（），测试集和 分别为 和 ；通过竞争自适应重加权采样算法（）筛选出 个特征波段，测试集和 分别为 和 ，同时检测速度显著提升。研究结果表明：经过改进的 神经网络模型性能明显提高，通过 提取特征波段后，测试集提高了 ，降低了 ，检测速度明显提升。采用 提取特征波段的改进 神经网络模型（）具有明显的优越性，模型较为适合圣女果 无损检测研究。该研究可为圣女果 的高效无损检测提供参考。关键词可见近红外光谱；圣女果；改进 神经网络模型；竞争自适应重加权采样算法中图分类号：文献标识码：（）收稿日期：，修订日期：基金项目：国家自然科学基金项目（），河南省科技攻关计划项目（），现代农业装备与技术教育部重点实验室和江苏省农业装备与智能化高技术重点实验室开放基金课题（），河南省高等教育教学改革研究与实践项目（研究生教育）成果（）资助作者简介：张伏，年生，河南科技大学农业装备工程学院教授 ：通讯作者 ：引言圣女果可溶性固形物含量（），直接反映了圣女果内外部品质及成熟度，是圣女果口感风味和品质重要指标，对圣女果 无损检测具有重要的研究意义和应用价值。目前对果蔬品质检测多采用高光谱成像检测、介电性质检测及可见近红外光谱检测技术。高光谱成像检测技术结合果蔬的图像特征和光谱特性，充分反映果蔬的外观、颜色、成分含量等内外部品质，是当代果蔬品质检测热点技术之一。姜凤利等采用双孢蘑菇的光谱和纹理信息进行建模，判别模型识别正确率达 。等采用高光谱成像技术对苹果 检测，其 和 模型的分别为 和 。高光谱成像检测技术作为当前较热门的品质检测技术，得到广泛应用，但在高光谱的穿透深度、入射光源的合理使用、图像信息处理效率等方面仍存在众多不足。介电性质检测方法，利用果蔬内部电场分布和电场强度变化，对品质参数和介电性质参数建立预测模型，目前该技术主要应用于对果蔬内部品质的检测。王若琳等结合多种分类模型分析苹果在不同频率处电学特征值，采用主成分分析判别好果与病果，为水心病果品检测提供新方法。唐玉荣等研究基于介电性质的库尔勒香梨 ，在 频率下，验证香梨 与硬度相关性。果蔬的介电性质虽与其品质有明显相关性，但在其介电性质检测时仍会受频率等因素影响，不可控因素较多，存在技术局限性。可见近红外光谱技术根据果蔬在不同波长光线照射下所具有的光学特性而 建 立 的 与 果 蔬 品 质 评 价 指 标 之 间 的 关 系。等 在对梨的可见近红外光谱检测中发现，和 处信息为 重要光谱区域。等 基于可见近红外光谱技术对芒果 进行研究，采用 模型训练得出其 为 。徐赛等 采用 处 光 谱 信 息 实 现 菠 萝 水 心 病 无 损 检 测，正 确 率达 。上述研究表明，圣女果内部品质可见近红外光谱快速无损检测技术具有可行性和应用前景，可避免高光谱成像技术对光源和测量环境的高要求，也可有效减少介电性质检测中不可控因素的影响，具有简单易用、稳定性高等优点。本研究基于可见近红外光谱技术展开对圣女果可溶性固形物含量的检测。实验部分 材料试验所用圣女果样本来自河南省洛阳市某采摘园，试验采集样本均满足果实完整、无裂痕、外观颜色相近等要求。对样本表面擦洗干净并依次编号，便于试验检测精准，如图。图圣女果样本 仪器试验采用的可见近红外光谱采集系统包括微型光纤光谱仪（，）、光 源（，）、光学光纤（，）、数显折光仪和计算机等，如图（，）所示。光谱仪扫描范围为 ，光学分辨率为 。采用光谱仪配套的 软件获取处理光谱数据。数显折光仪的测量范围是，分辨率 ，精度 ，采用数显折光仪测量圣女果 值。试 验 数 据 分 析 软 件 为 、。光谱采集采集系统预热 后采集暗光谱和参考光谱进行校正，为避免杂光干扰，测量时处在黑暗环境中，在不损坏样本情况下，光纤探头紧贴样本表面，每个果实测量最大横径处两个点的光谱反射强度，如图，即每个果实有二组数据，取二组数据平均值作为该样本光谱反射强度测试值。图试验仪器与设备（）：光谱仪；（）：数显折光仪；（）：检测系统结构示意图 （）：；（）：；（）：图采集位置示意图 通过 软件把采集的光谱数据导入计算机并对其分析，处理后得到 波长范围的平均光谱反射强度曲线，如图。为提高光谱测量精度，增强光谱信噪比，剔除 和 两段光谱信号噪声较大的区域，故本研究实际有效波长范围是 。通过式（）计算果实反射率值。（）式（）中，为果实反射率；为果实反射强度；为暗光谱；为参考光谱。测量过程中，每隔 采集一次暗光谱和参考光谱重新进行校正，以确保测量准确性。另外，在试验操作过程中，操作人员穿深色衣服，最大限度地有助于减少操作员衣服光线反射干扰而产生误差。建模方法和模型评价标准 神经网络预测模型（）神经网络算法 是一种多层前馈光谱学与光谱分析第 卷神经网络，其隐含层可有一层或多层，各层之间全连接，同层之间无连接，如图。激励函数（）为式（）（）（）图原始光谱平均反射率曲线图 图 神经网络模型 神经网络隐含层输出为（）（）式（）中，为输入层的节点个数；为输入层到隐含层的权重。输出层输出为（）式（）中，为隐含层的节点个数；为隐含层到输出层的权重；为隐含层到输出层的偏置。竞争性自适应重加权算法竞 争 性 自 适 应 重 加 权 算 法（，）是一种波长选择算法，选择 模型中回归系数绝对值大的波长点，去掉权重小的波长点，采用交叉验证选出预测均方根误差（）值最低的子集，可有效寻出最优变量组合。算法利用蒙特卡洛（）与指数衰减函数（）选出绝对值大的回归系数相应波长，选出波长对应数据进行自适应重加权采样（）并建立 模型，计算其交叉验证均方根误差（）。重复上述步骤，将剩余波长组成的新子集代入计算，选取 最小的波长子集为最优波长。模型评价标准预测模型精度评价由决定系数和决定系数 值确定，值越大，值越小，说明拟合效果越好，模型精确度及稳定性越好。计算方法见式（）和式（）（?）（?）（）（?）（）式中，?为第个研究样本的预测值；为第个研究样本的真实值；?为所有研究样本的平均值；为样本个数。结果与讨论 训练集与测试集划分将采集到的 个满足试验要求的圣女果样本表面擦洗干净，并依次编号，通过数显折光仪测量圣女果样本的可溶性固形物含量，所测的 值统计结果如表。表圣女果 实测值统计表 最大值最小值平均值 值 从全部样本中选取 个作为训练集和 个作为测试集，对圣女果样本 值预测模型进行分析，并通过和 对预测模型进行评价，找到最优预测模型，以此提高圣女果 检测精度。光谱数据预处理由于光谱仪获取的光谱数据除含被测样本成分信息外，还易受杂散光、基线漂移、噪声、样本背景等信息干扰，从而影响建模效果，故在建立模型前先对光谱数据预处理，以此降低各种非目标因素对检测信息的影响，以期提高模型精度，建立更稳定可靠的数学模型。本研究采用 平滑、归一化（）、标准正态变量变换（，）对光谱数据进行预处理。其中 平滑可有效降低高频噪声的影响，归一化可提高模型寻优的稳定性，可消除许多因素对光谱的影响。在全波段数据基础上，建立圣女果 的 神经网络预测模型，通过模型评价来确定最佳预处理方法。在试验所设定范围内，不同预处理方法与 建模结果如图（，），与 结果如表。第期张伏等：基于 的圣女果可溶性固形物可见近红外光谱无损检测图不同预处理方法与 建模结果（）：预测模型；（）：预测模型；（）：预测模型 （）：；（）：；（）：表圣女果 不同预处理方法与 建模结果 预处理方法 平滑归一化 三种预处理方法中经 平滑预处理后的光谱数据预测模型最优。经 平滑预处理后的光谱数据图如图。图 平滑预处理后光谱平均反射率曲线图 模型分析 神经网络预测模型建立本研究提出 （），即改进的 神经网络，通过计算输出层与期望值之间的误差来调整网络结构参数，从而使误差变小，隐含层神经元个数设置为。神经网络模型如图。图 神经网络模型 由于学习率太小或太大可能造成模型收敛速度过慢或不收敛，通过模型计算，将学习率设置为 。式（）是一种自适应学习速率的调整公式（）（）（）（）（）式（）中，为学习速率；为训练次数；，条件（）和（）分别定义为：（）：网络前次迭代的平方误差函数梯度值（）；（）：网络前次迭代的平方误差函数梯度值（）。神经网络通过修改上述超参数使得模型表现得更光谱学与光谱分析第 卷好。预 测 模 型 的和 分 别 为 和 ，网络预测模型如图。图 预测模型 降维 算法提取特征参数过程如图，由图（）易见，在筛选变量时逐渐由采样早期的“粗略筛选”过渡为“精细筛选”，极大提升算法效率，减少有效变量个数。由图（）可知，采样次数为 时达到最小值，表明在第 次采样运算中，可见近红外光谱中与圣女果 值预测大量无关信息被去除，次采样后 值开始递增，表明某些关键信息被剔除导致模型性能变差。图（）中“”线标示出最小 值所对应采样次数。图 通过 选择特征波长（）：波长变量数目变化图；（）：变化图；（）：变量回归系数路径图 （）：；（）：；（）：基于第、次采样中获得的变量子集建立的 模型交叉验证 最小，因此，该子集被定义为关键变量子集，提取的变量子集在图 中 间的 个 变 量，分 别 为 第 ，和 变量，即对应 ，和 处的波长。图 选择特征波长后的光谱平均反射率曲线 预测模型的和 分别为 和 ，网络预测模型如图。图 预测模型 讨论 ，和 预测分析模型的和 结果如表。由表可见，经 平滑预处理后的光谱数据在 预测分析模型下的相较于原始 模型提高了 ，降低了 ，模型预测效果明显优于 模型。基于 提取特征变量，得到 个有效变量，对 个变量建立 模型，发现和 分别为 和 ，预测分析模型下的相比于原始 模型提高了 ，降低了 ，模型预测效果优于 模型，可能是由于经过有效信息的提取，与圣女果 值强相关变量第期张伏等：基于 的圣女果可溶性固形物可见近红外光谱无损检测被保留，弱相关变量均被剔除。经过 进行特征波长提取后输入变量数量由 个减少为 个。综合考虑与 ，认为 是圣女果无损检测的较优模型。表圣女果 不同预测分析模型结果 指标 结论为实现圣女果内部品质的无损检测，对圣女果可溶性固形物（）进行了试验研究和分析。（）采用 平滑法对所采集的光谱数据进行平滑去噪预处理，确定 波段的光谱数据为有效光谱。（）采用 神经网络算法对预处理后的光谱数据进行预测分析，和 分别为 和 。对 进行改进，隐含层神经元个数设置为；学习率设置为 ，建立 预测模型，测试集和 分别为 和 。（）提取特征波长后的 个特征作为输入变量建立 模型，最终测试集和 分别达到 和 ，速度得到明显提升。研究结果表明经 提取特征波长后的 算法可明显提高 神经网络的预测性能，实现圣女果 无损检测。本研究 为 圣 女 果 的高效无损检测 提 供 新 思 路 和方法。，（冯岩，李朝平，朱龙英，等）（分子植物育种）