高光谱成像技术结合遗传算法和BP神经网络的南疆骏枣总糖含量建模分析

2018-03-05李伟伟罗华平孔维楠

江苏农业科学 2018年1期

李伟伟，罗华平，2，3，孔维楠

(1.塔里木大学机械电气化工程学院，新疆阿拉尔 843300；2.新疆维吾尔自治区普通高等学校现代农业工程重点实验室，新疆阿拉尔 843300；3.南疆农业农机化研究中心，新疆阿拉尔 843300)

南疆骏枣营养价值高，其品质深受人们关注。由于南疆特殊的地理环境和气候条件，特别是昼夜温差大、光照时间长、有效积温高等条件，孕育了南疆骏枣优良的品质，如粒大饱满、营养价值高，深受人们的喜爱。总糖含量是南疆骏枣品质信息的常规性指标，它对红枣进一步分级和销售有重要的影响。传统的检测方法不仅耗时费力，还对样品产生侵入式破坏，且分析速度慢、损害环境，严重影响红枣的分级和销售质量。因此迫切需要一种简单、快速、无损的品质检测方法，保证南疆骏枣的发展。

近年来，高光谱成像技术应用在农产品品质检测方面已成为一个研究热点[1]。传统的光谱技术只能对农产品的光谱信息进行处理，不能获取样品的图像信息。新一代的无损检测技术——高光谱成像技术的诞生，弥补了近红外(near infrared，NIR)光谱技术的弊端，同时获得样品的图像信息和光谱信息，可以综合反映农产品的品质信息[2]。目前，在农产品检测方面，高光谱图像技术应用于鲜枣的损伤、可溶性固形物含量检测[3]、小黄瓜的水分无损检测[4]、苹果的硬度与糖度的检测[5]、马铃薯的淀粉含量检测[6]、柑橘的缺陷检测[7]、长枣表面农药残留检测[8]等内外部品质的检测。研究结果表明，高光谱图像技术在农产品品质检测方面拥有广阔的前景。

1 材料与方法

1.1 仪器设备及软件

Hyperspectral Sorting System高光谱分选系统(900～1 700 nm，光谱分辨率5 nm，256个波段)。如图1所示，该系统由高光谱成像光谱仪、电荷耦合器件(CCD)相机、探测器(类型InGaAs)、成像镜头、电控位移平台、计算机组成。高光谱图像数据分析软件为ENVI 4.6和Matlab 2013a。

1.2 试验材料与总糖测定

试验材料为2015年9月采集于新疆生产建设兵团阿拉尔市10团的白熟期骏枣，选出大小均匀、无破损的红枣120颗，进行编号及除尘等处理。

红枣总糖含量测定采用国标法，即直接滴定法，按照 GB/T 12456—2008《食品中总糖的测定》执行。

1.3 高光谱图像的采集及反射光谱的获取

1.3.1 高光谱图像的采集采集南疆骏枣样品的高光谱图像系统设置：光谱扫描范围900～1 700 nm，光谱分辨率 5 nm，扫描速度100张/s，相机像素320×256，CCD相机的曝光时间20 ms，电控位移平台速度17.3 mm/s，相机高度 36 cm，行程25 cm。

由于光源的强度在各个波段下分布不均匀、样品形状不规则及暗电流的存在，需对所获高光谱图像进行黑白校正，消除噪声影响。样品采集相同系统条件下，扫描白色校正板得到的全白图像W，关闭相机镜头进行图像采集得到的全黑图像B，然后再采集样品光谱图像[9]。黑白校正公式如下：

式中：R为校正后高光谱图像；I为原始高光谱图像。

1.3.2 反射光谱的获取校正后的南疆骏枣高光谱图像在ENVI 4.6中打开，选取表面1个感兴趣区域(简称ROI)(60～100个像素点)，计算其平均反射光谱，得到原始反射光谱[10]，如图2所示。

1.4 算法及原理

遗传算法(GA)借鉴生物界的自然选择和遗传机制，利用选择、交换和突变等算子操作，随着遗传迭代的不断进行，使得目标函数值较优的变量被保留，较差的变量被淘汰，最终得到最优的结果。遗传算法的实现包括5个基本要素：参数编码、群体的初始化、适应度函数的设计、遗传操作设计、收敛判据和变量的选取[11]。具体的实现流程如图3所示。

反向传播(back propagation，简称BP)神经网络(neural network)是由非线性变换神经单元组成的前馈型多层神经网络，主要由3部分组成：输入层、隐含层和输出层。输入信息按从输入层经隐含层到输出层计算的方向进行，阈值和权值则按照输出到输入的方向进行修正，从而实现了信息的正向传递和误差的反向传播[12]。

2 结果与分析

2.1 反射光谱的预处理

分别采用均值中心化(mean centering，MC)、矢量归一化(vector normalization)、标准正态变量变换(standard normal variate transformation，SNV)、多元散射校正(multiplicative scatter correction，MSC)、导数法对光谱进行预处理。其中多元散射校正处理后的光谱见图4。