基于高光谱成像及神经网络技术检测玉米含水率

李江波,苏忆楠,饶秀勤

(浙江大学 生物系统工程与食品科学学院,杭州310029)

试验研究

基于高光谱成像及神经网络技术检测玉米含水率

李江波,苏忆楠,饶秀勤

(浙江大学 生物系统工程与食品科学学院,杭州310029)

基于高光谱成像及人工神经网络技术对玉米含水率进行了检测。检测波长为450～900 nm,由玉米粒反射光谱图像获取反映其含水率的光谱特征波长。利用人工神经网络建立了玉米粒含水率的预测模型,模型相关系数达到0.98。对含水率预测结果的误差最大绝对值为2.1182,最小绝对值为0.0024。相对误差绝对值的平均值为0.3090,结果表明利用高光谱图像技术对玉米含水率进行无损检测是可行的。

玉米;高光谱图像;含水率;神经网络

1 引言

谷物水分含量是确定其贮藏条件的重要因素之一,在实际生产中一般采用合适的生产流程,将粮食脱粒后送到干燥塔,经过预热、干燥、缓苏,待冷却至常温,达到安全水分14%左右后排出干燥塔。在此过程中,粮食水分在线检测和控制是制约粮食干燥系统的核心技术。

传统的粮食水分检测多是通过干燥或化学方法直接去除粮食中的水分,检测出样品的绝对含水量。其中干燥法主要包括电烘箱法、减压法、红外加热法、微波加热法;化学法包括蒸馏法、卡尔·费休法和碳化钙法等。这些方法的检测精度高,适用于试验室检测,但费时,对粮粒有一定的破坏性,无法实现快速在线检测。

目前的研究表明利用近红外光谱技术检测农产品内部品质是一种非常有效的方法[1-4]。但是,通常光谱技术仅提供对检测对象一个非常小区域的检测,获取的光谱仅代表农产品表面的某些局部区域,缺少对象的空间信息,这一局限性可能造成预测集与测量集信息之间较大差异,从而影响系统的稳定性。

高光谱成像技术是一种图像及光谱的融合技术,可以同时获取研究对象的空间及光谱信息。可以说高光谱成像技术是图像技术与光谱技术的完美结合,近几年在农产品品质无损检测中引起越来越多的关注,成为一个研究热点[5-9]。本文采用高光谱成像技术对玉米含水率进行无损检测研究,并通过相关数据处理方法获得最能反映其含水率特征的最优波长,从而为基于多光谱技术在线检测玉米含水率提供依据。

图1 高光谱成像系统

2 试验材料与方法

2.1 试验材料及水分测定

本试验以玉米作为研究对象。样本于2009年11月购于河南,品种编号为02102,从样本中选取300粒作为研究对象。样本含水率实际值的测量采用LDS-1H型快速电脑水分测定仪。该仪器是由上海青浦绿洲检测仪器有限公司生产的LDS-ID型电脑水分测定仪的升级产品,性能稳定可靠。LDS-1H本身带有称重系统,无需事先称重,能直接测定粮食水分。

2.2 高光谱成像系统

本试验的图像数据是利用如图1所示的基于光谱仪的高光谱成像系统所获取。整个系统主要包括图像光谱仪(Im Specto r V10E-QE,Spectral Imaging Ltd,Oulu,Finland),一套150W的光纤卤素灯(SCHOTT DCRⅢ)可以提供可见近红外波段光谱,一组带有1344个有效像素的线阵CCD摄像机(Hamamastsu),一组输送装置(Zolix, SC300-1A,北京)和计算机(ACER,Inter® CoreTM2 4400@2.00GHz,RAM 1.00G)等部件组成。高光谱仪光谱范围为400～1100 nm,共1024个波段,光谱分辨率2.8 nm。由于小于450 nm和大于900 nm的光谱数据噪声比较大,因此试验仅采用450～900 nm光谱区域的数据进行分析。

2.3 高光谱图像采集

整套系统置于一个表面涂有黑漆的密闭柜中,以避免图像采集时环境光的干扰。为了获得更加精确的数据,在高光谱图像数据采集前,预先根据光源的照度设定好高光谱摄像头曝光时间以保证图像清晰,并调整好输送装置的速度以避免图像空间分辨率失真。经过多次调整及参数优化,最终确定曝光时间为33 m s,图像采集速度为1.23nm/s,物距25 cm。每次取100粒玉米样本,首先由人工将其整齐地摆放在(10×10)黑色背景板上,然后将样本与背景板一块置于载物台上。数据采集时,线阵探测器在光学焦平面的垂直方向做横向扫描,从而获取所扫描空间中每个像素在整个光谱区域的光谱信息,与此同时样本在输送装置的作用下作垂直于摄像机的纵向移动,最终完成整个样本图像的采集。所有图像的获取均基于软件Spectral Cube_v2_75 software(Spectral Imaging Ltd.,Finland)。

2.4 反射光谱校正

由于各波段下光源强度分布不均匀及摄像头中暗电流存在,导致光强分布较弱的波段噪声较大,因此必须对图像进行校正,以消除部分噪声影响[10]。暗校正是为了去除CCD暗电流的影响,全黑的标定图像B可以通过关闭所有电源同时拧上镜头盖获得。然后打开镜头盖及光源扫描反射率为99%标准白色校正板(Spectralon,Labsphere Inc.)得到全白的标定图像W。最后根据公式(1)计算出校正后的图像R。

式中 R——标定后的高光谱图像

I——原始高光谱图像

B——全黑的标定图像

W——全白的标定图像

本研究中所有高光谱图像数据处理是基于ENV I4.6(Research System Inc.,Boulder,Colo., USA.)、Matlab 2008a(The MathWorks Inc.,Natick,USA)及Origin8.0(OriginLab,USA)软件平台。

2.5 反射光谱多元散射校正

获得高光谱图像后,利用ENV I软件选取每粒玉米样本表面一个区域作为感兴趣区域用于计算光谱(450～900 nm)的平均反射量。感兴趣区域大小为900～1000个像素。由于原始光谱散射和偏移的影响,应用多元散射校正MSC(multip lication scatter co rrection)算法对其进行线性化处理。多元散射校正方法是现阶段多波长标定建模常用的一种数据处理方法,经过散射校正后得到的光谱数据可以有效地消除散射的影响,增强了与成分含量相关的光谱吸收信息[11-13]。算法如下:

(1)计算所有样品光谱的平均光谱

(2)将每个样品的光谱与平均光谱进行线性回归,求得回归系数mi,bi, (

3)计算校正后的光谱

式中 i=1、2、3……n

n——表示样本数

j——表示第j个波段数图2表示经过光谱散射校正后的光谱反射值与波长之间的关系曲线。

图2 MSC处理后的反射光谱曲线

3 水分与光谱反射值的回归分析

玉米粒样本含水率与光谱反射量的回归曲线如图3所示。玉米粒样本水分与光谱反射值的相关系数范围在0～0.55之间,其中多个波段超过0.4,并且整个光谱显示出有多个极大值,本试验选取较为典型的4个局部相关系数的极大值对应的波段作为特征波段,即491、772、824和870 nm。

图3 玉米粒含水率与光谱反射的回归曲线

4 基于人工神经网络预测水分

本实验选用人工神经网络预测玉米粒水分,与传统的方法相比,人工神经网络的优点在于信息处理能力强,是不依赖统计特性的分类器。采用BP网络结构,包括输入层、隐含层、输出层三层,输入层单元数为4个,分别为491、772、824和870 nm 4个特征波段,对于隐含层的节点数到目前为止还没有较好的确定理论,只能凭经验或试验估计。在此按照R.P.Gorman的经验估计,在300个训练模式下,隐节点最终估算为5个节点,输出层为1个节点对应水分,结构为4-5-1网络结构。

在模型建立之前,首先从所用的300个样本中提取285(95%)个样本进行训练模型,另15 (5%)个样本用来验证该模型的可靠性。选择非线性的Sigmoid型函数作为模型的作用函数。由于网络学习收敛速度慢,为此在学习率中增加动量项,动量项是学习率在训练中动态变化,动量系数选为0.1。图4所示为训练结果,其相关系数R2为0.98。

图4 玉米粒含水率预测模型训练结果

表1是利用15个样本建立的神经网络进行预测的结果,从结果数据可以看出含水率测试的误差最大绝对值为2.1182,最小绝对值为0.0024。相对误差绝对值的平均值为0.3090,基于这些结果可以看出,利用高光谱图像技术对玉米粒含水率进行无损检测是可行的。

5 结论

本研究基于高光谱成像技术对玉米粒含水率进行了预测。检测波长为450～900 nm,利用多元散射校正对光谱进行了校正。对玉米粒含水率与光谱反射进行了回归分析,491、772、824和870 nm 4个特征波段被选择作为神经网络的输入单元,利用人工神经网络建立了玉米粒含水率的预测模型,模型相关系数达到0.98.含水率预测结果的误差最大绝对值为2.1182,最小绝对值为0.0024。相对误差绝对值的平均值为0.3090,结果表明利用高光谱图像技术对玉米粒含水率进行无损检测是可行的。

表1 应用神经网络对验证集进行玉米粒含水率预测的结果

[1]Hildrum K I,Isaksson T,Nas T,et al.Near infrared reflectance spectroscopy in the p rediction of senso ry p roperties of beef[J].Journal of Near Infrared Spectroscopy,1995,3(2):81-87.

[2]Wen Z,Tao Y.Dual-camera N IR/M IR imaging for stem-end/calyx identification in app le defect sorting [J].Transaction of the ASAE,2000,43(2):449-452.

[3]徐惠荣,应义斌.近红外图像和光谱分析技术在农产品品质无损检测中的应用与展望[J].浙江大学学报,2002,28(4):460-464.

[4]马本学,饶秀勤,应义斌,等.基于近红外漫反射光谱的香梨类别定性分析[J].光谱学与光谱分析,2009, 29(12):3288-3290.

[5]AR IANA D,LU R,GUYER D E.Hyperspectral reflectance imaging for detection of bruises on p ickling cucumbers[J].Computers and Electronics in Agriculture, 2006,53(1):60-70.

[6]Qiao J,NgadiM O,Wang N,etal.Pork quality classification using a hyperspectral imaging system and neural network[J].InternationalJournalof Food Engineering, 2007,3(1):1-12.

[7]Xing J,Symons S,Shahina M,etal.Detection of sp rout damage in Canada Western Red Sp ring wheatwith multip le wavebands using visible/near-infrared hyperspectral imaging[J].Bio system s Engineering,2010,106 (2):188-194.

[8]蔡健荣,王建黑,陈全胜,等.波段比算法结合高光谱图像技术检测柑橘果锈[J].农业工程学报,2009, 25(1):127-131.

[9]Wallays C,Missotten B,Baerdemaeker J De,et al. Hyperspectralwaveband selection foron-line measurementof grain cleanness[J].Biosystems engineering, 2009(104):1-7.

[10]赵杰文,刘剑华,陈全胜,等.利用高光谱图像技术检测水果轻微损伤[J].农业机械学报,2008,39(1): 106-109.

[11]芦永军,曲艳玲,宋敏.近红外相关光谱的多元散射校正处理研究[J].光谱学与光谱分析,2007,27(5): 877-880.

[12]洪添胜,乔军,Ning Wang,等.基于高光谱图像技术的雪花梨品质无损检测[J].农业工程学报,2007,23 (2):151-154.

[13]郭恩有,刘木华,赵杰文,等.脐橙糖度的高光谱图像无损检测技术[J].农业机械学报,2008,39(5):91-93.

Detection ofWa ter Con ten t in Corn Ba sed on Hyperspectra l Imag ing and Neura l Network

L IJiang-bo,SU Yi-nan,RAO Xiu-qin
(College ofBiosystems Engineering and Food Science,Zhejiang University,Hangzhou 310029,China)

Water content is an importantquality attributer.Itwas investigated thatwater content in corn was detected based on hyperspectral imaging and neural network.The detection wavelengths ragion between 450 and 900 nm.The spectrum featureswavelengths forp redicting the water content in corn were obtained by scatting sp ectral images.Subsequently,artificial neural network was used for develop ing a p red iciton model to p redictwater content in corn.The p rediction results showed that the maximal absolute value of error was 2.1182,the minimalabsolute value of errorwas0.0024,the average was0.3090.Therefore,the hyperspectral imaging is an effective method for nondestructive assessing the water content in corn.

corn;hyperspectral imaging;water content;neural network

book=1,ebook=182

TS207.3;TP391

A

1005-1295(2010)06-0001-04

2010-08-02;

2010-08-16

国家科技支撑计划(2008BADA8B04)

李江波(1982-),男,博士生,研究方向为基于计算机视觉技术的水果表面缺陷检测。

饶秀勤(1968-),男,博士,副教授,研究方向为农产品无损检测。通讯地址:310029杭州浙江大学生物系统工程与食品科学学院,E-mail:xq rao@zju.edu.cn。

do i:10.3969/j.issn.1005-1295.2010.06.001