基于高光譜及BP神經網絡的蘋果無損檢測技術研究①

汪繼芳, 杜傳來,*, 鄒小倩, 林春寅, 郝云彬

(1.安徽科技學院,安徽 滁州 233100; 2.杭州銳德生命科技有限公司,浙江 杭州 310000)

0 引 言

果作為我國最大宗消費水果,其品質評定主要從外觀品質、物理品質和內部品質三個方面進行[1-3]。隨著對蘋果的消費需求升級和多樣化,通過無損檢測實現糖度的分級能夠滿足果汁生產、食用等差異化需求的同時實現價值優化[4-5]。無損檢測技術在農產品檢測中得到日益廣泛的應用,與人工方式相比有重復性強、高效率、高精度、無損的優點;與機械分級相比,其功能更強大,能檢測農產品內部缺陷,實現形狀分級[6]。

目前近紅外光譜技術是重要的無損檢測技術之一,國內外學者進行了相關的研究工作[7-9]。一方面,研究集中在對蘋果霉心病及水心病等缺陷的研究[10-12],如Clara Shenderey[13]等用可見-近紅外小型光譜儀實現蘋果霉心病無損在線檢測,采用典型判別分析和偏最小二乘法建立判斷模型取得了較好的預測精度。王若琳[14]采用RBF人工神經網絡模型對水心病果識別取得了很好的效果。另一方面,通過光譜技術檢測蘋果的內部的糖度、酸度、可溶性固形物含量、維生素含量等特性[15-16]。如Els 等[17]采用近紅外光譜對蘋果的可溶性固形物含量和硬度進行檢測,發現了參數與光譜的關聯性。呂赫一[18]采用近紅外光譜技術來檢測蘋果中的農藥殘留和可溶性固形物含量,運用基于小波包變換的離散度分析等方法,篩選光譜中的特征變量,。最后結合不同的光譜預處理方法,建立了偏最小二乘、支持向量機兩種蘋果可溶性固形物預測模型。趙杰文等[19]利用近紅外光譜儀對水晶富士蘋果進行糖度檢測,采用主成分回歸(PCR)和偏最小二乘法(PLS)對試驗數據進行統計分析。

近紅外高光譜技術具有多波段、高分辨率和圖譜合一的特點,把二維圖像和光譜技術融為一體,被廣泛的應用于不同行業的無損檢測領域,具有檢測速度快、檢測效率高等優點,但由于高光譜技術本身的高維特性和光譜數據處理方法的差異造成了模型的多樣性,需要對基于近紅外高光譜技術分析的水果品質快速無損檢測方法進行進一步優化。本課題采用的GaiaField高光譜成像儀掃描完整蘋果的短波近紅外慢反射光譜,采用BP神經網絡建立蘋果糖度、硬度、PH值的數學模型,模型的相關系數均在0.86,從而能夠方便、快速準確的檢測蘋果內部品質,為實現對蘋果的光譜無損在線檢測與分級提供了一種有效途徑。

1 試驗與方法

1.1 試驗材料及裝置

實驗材料為山東紅富士蘋果120個。試驗設備包括:GaiaField N17E高光譜成像儀(工作譜區:900nm～1700nm)、糖度計、硬度計,筆記本電腦、高光譜光源等。

1.2 光譜采集系統

試驗所采用光譜信號采集系統如圖1(a)所示,系統包括GaiaField高光譜成像儀、500W的鹵素燈源、計算機及背景板等。GaiaField高光譜成像儀將成像光譜儀和各種探測器(CCD、InGaAs 面陣探測器等)進行了集成,可同時、快速獲取光譜和影像信息以進行無損檢測分析。

1.3 蘋果參數測量方法與步驟

1.3.1 蘋果糖度測定

待測蘋果汁滴在糖度計鏡面中間,關上輔助凌鏡,靜置1min,讀出鏡筒內藍色分界線處的讀數,連續測定不同樣品,需用清水洗凈再測。120個蘋果樣本分為90個訓練集和30個預測集,所測得蘋果糖度結果見表1,數值有一定差異,平均值為12.17g/100g和12.43g/100g。

表1 蘋果糖度(g/100g)測量值統計

1.3.2 蘋果硬度測定

在蘋果表面削皮,略大于硬度計的探頭面積,將硬度計探頭垂直對準蘋果測試部位,勻速插入到指定刻度,從硬度計上直接讀數,果實硬度以kg/cm2表示。采用硬度計測量蘋果的硬度,硬度測量結果見表2,硬度的平均值為6.66kg/cm2和7.46kg/cm2。

表2 蘋果硬度(kg/cm2))測量值統計

1.3.3 蘋果pH值測定

采用酸度計測量蘋果汁的pH值,pH值測量結果見表3,pH值的平均值為4.29和4.37。

表3 蘋果pH測量值統計

1.3.4 蘋果的光譜信號采集

采用光譜儀對每個蘋果樣品轉換不同角度重復掃描三次,掃描區間:900nm～1700nm。圖2(a)所示為所采集的原始光譜信號,圖2(b)所示為某一點光譜信號。

2 BP神經網絡模型建立

2.1 光譜信號預處理

將采集到的反射率光譜首先經過反射率校準消除散射對光譜的影響,提高信噪比,增強光譜與糖度的相關性。采用Matlab軟件編程對蘋果光譜數據進行預處理。讀取光譜信息截取蘋果輪廓并取蘋果感興趣區域如圖3,提取256個波段,經對比取點光譜全波段特征和取平均值光譜全波段特征進行比較見圖4,取平均值光譜全波段優于取點光譜全波段。感興趣區域選取原則盡量選擇光譜強度較大區域,去除果梗和果萼。區域不宜過大,過大會顯著增加計算量。

圖3 蘋果取值區域

圖4 取點與取平均值效果對比

2.2 糖度、硬度、PH值的BP神經網絡模型的建立

采用BP神經網絡建立糖度、硬度、PH值的通用預測模型。BP神經網絡模型的模型結構見圖5,包含輸入層、輸出層和隱含層。數據從輸入層輸入,經處理傳輸到隱含層,隱含層經過權值、閾值等運算后到輸出層。輸出層輸出預測值與期望值做比較,若有誤差,則反向傳播該誤差,再經權值、閾值調整,使網絡輸出逐漸與期望值一致。在進行BP神經網絡建模時采用主成分提取進行光譜數據降維,降低模型計算量,在不丟失主要光譜主要信息的前提下剔除了噪音。

主成分分析作為一種降維算法,即交的特征空間,將原始的(n>k)維數據映射到這個構建出來的k維特征空間上,實現數據降維。運用維數較少的主成分來表示高維度的光譜矩陣。此算法中提取的主成分個數k的選取至關重要,k值過大會則提取主成分過多,計算量偏大,k值過少則提取的主成分少易遺失部分重要信息。采用Matlab計算特征的累計貢獻率,將特征的累計貢獻率不小于0.9的維數作為PCA降維后特征的個數,計算結果為7個主成分。

圖5 BP神經網絡模型視圖

圖6 BP神經網絡模型訓練性能圖

圖7所示為BP神經網絡回歸圖,其中(a),(b),(c),(d)分別為訓練、驗證、測試及總的回歸結果。

圖7 BP神經網絡回歸圖

采用Matlab軟件編程建立蘋果糖度、硬度、PH值BP神經網絡通用模型。選取蘋果的感興趣區域高光譜信號,取256個敏感譜段,運用主成份分析,取7個主成份,對波段的特征做了變換,降低數據維度,根據提取的7個主成分信息作為神經網絡的輸入變量,進行BP神經網絡建模,設定網絡層為輸入層、輸出層、隱含層3層,隱含層,節點數為15,最大訓練次數目標值為1000。

3 結果與分析

模型建立完成后,分別選取90個蘋果樣本數據進行預處理及訓練,預測集為30個。模型訓練性能圖見圖6,結果表明,最佳驗證性能是均方誤差為0.994的第三輪。

對訓練集光譜信號做內部交叉證實,然后用得到的校正模型檢驗預測集,并計算相關系數R和均方根誤差RMSE,這兩個值是表征模型精度的相關指標,其中R 越接近1,RMSE越小模型精度越高。表4中所示為BP神經網絡模型預測30個樣本糖度、硬度和PH值的結果。

表4 BP神經網絡模型預測結果

建立的BP神經網絡通用模型可實現同時預測蘋果的糖度、硬度、pH值三個指標。預測結果顯示通用模型對蘋果糖度的預測R為0.85,RMSE為0.69,預測效果最好,PH值的R為0.46,RMSE為0.76,效果較好,硬度R為0.36,RMSE為0.86,效果較差。