激光诱导荧光结合AdaBoost 算法的食用油分类

周孟然，赵晋级，王 煜，胡 锋，来文豪，卞 凯

（1.安徽理工大学 电气与信息工程学院，安徽 淮南 232000；2.南京四方亿能电力自动化有限公司，江苏 南京 211111）

0 引言

随着国民经济水平的提高，食用油在日常生活中发挥着不可替代的作用，快速、准确地识别食用油的种类对于安全使用食用油具有重大意义。当前食用油分类多以化学分析方法为主，例如气相色谱法、液相色谱法、电子鼻法[1]等，这些传统的方法存在分析速度慢和设备昂贵等缺点。一些研究者近些年常采用光谱法对食用油进行识别，如傅里叶变换光谱法[2]、近红外光谱法等，这些光谱方法相对于传统的化学分析方法速度快，但分类准确率却不是很高。

基于以上提出的问题，文中提出一种激光诱导荧光（Laser Induced Fluorescence，LIF）技术和AdaBoost 算法结合的食用油快速、准确识别方法。

激光诱导荧光光谱技术具有分析速度快、灵敏度好、准确率高和抗干扰能力强等优点[3]，在化工、医疗、生物和环境[4]等诸多领域中有广泛的应用[5⁃6]。文献[7]根据LIF 技术快速性的特点，将LIF 技术用于矿井突水种类的检测，文献[8]将LIF 技术应用于土壤中多环芳烃的检测，文献[9]将LIF 技术应用于假酒的识别。文献[10]将LIF 技术结合KNN 算法用于初榨橄榄油的定量分析，该文利用K⁃近邻方法（KNN）对处理过的光谱数据建立模型，这种处理方法可以实现快速对初榨橄榄油的定量分析，但准确率却很低。

本文提出的AdaBoost⁃KNN 算法是在KNN 算法的基础上进行集成，集成之后的分类准确率更高，泛化性能更好，且不需要对光谱数据截取、去噪和降维，节省了大量时间。AdaBoost 算法现已广泛应用于模式识别和图像识别等诸多领域[11⁃13]，但目前，还未看到有文献将AdaBoost 算法应用于植物食用油的分类。

1 理 论

1.1 激光诱导荧光

本文将LIF 技术应用于食用油的分类检测，实验中使用的激光器为405 nm 蓝紫光半导体激光器（北京华源拓达激光技术有限公司），USB2000+光谱仪（美国Ocean Optics）可以接收340～1020 nm 的激光，分辨率为2048。根据激光诱导荧光检测的原理，搭建的激光诱导荧光检测食用油模型如图1 所示。

图1 激光诱导荧光实验系统图

1.2 算法描述

AdaBoost 算法的学习过程实质是在不停学习中改变样本的权值，直到学习的结果误差为0 或者学习器个数达到预设值，然后把所有弱分类器学习的结果按权值综合，输出最终结果。算法流程如下：

输入：训练数据集T=（{x1，y1），（x2，y2），…，（xn，yn）}，

其中，xi∈X，yi∈Y={1，2，3，…}，迭代次数为M。

1）初始化训练样本的权值分布

2）对于m=1，2，…，M

①使用具有权值分布Dm的训练数据集进行学习得到弱分类器Gm(x);

②计算Gm(x)在训练数据集上的分类误差：

③计算Gm(x)在强分类器中所占的权重：

④更新训练数据集的权值分布：

式中zm为归一化因子。

1.3 实验材料

本实验采用的实验材料为5 种植物食用油，分别命名为油样A，B，C，D，E；5 种实验样本的特性如表1 所示。为了尽可能减少环境因素对实验的影响，油样的光谱采集在无光且温度相对恒定的环境中进行，实验中每种油样采集150 组荧光光谱，即5 种油样共采集750 组光谱数据。

原始荧光光谱图如图2 所示。

图2 原始荧光光谱图

由图2 五种油样的荧光光谱可知，不同油样的荧光强度差异主要在400～600 nm 之间。图3 为同一品牌不同食用油的荧光光谱。

图3 同一品牌不同食用油的荧光光谱

表1 实验材料

2 结果分析

2.1 BP 神经网络建模

算法实现平台为Matlab R2017b，BP 算法的学习率设置为0.1，目标设置为0.00004，迭代次数设置为100，随机选择750 组光谱数据中的600 组作为训练集建模，然后通过测试集测试该模型的分类效果。为了减小实验误差，实验100 次取平均值，手动设置隐含层个数，不同隐含层个数下的分类准确率如表2 所示。

表2 不同隐含层个数BP 分类准确率 %

由表2 可以看出，当隐含层个数增加时BP 算法对油样光谱数据的分类效果有所提升，当隐含层个数为5时，该模型对油样光谱数据的分类准确率最好可以达到92.69%。

2.2 AdaBoost⁃BP 算法建模

用AdaBoost⁃BP 对所有的光谱数据随机选择600 组作为训练集进行建模，剩下的150 组作为测试集测试分类效果。首先初始化权重D，迭代次数T设置为100，模型训练过程中，误差曲线如图4 所示。

图4 训练误差曲线

由图4 可知，AdaBoost 算法在油样光谱识别中，训练误差收敛速度很快，在训练迭代3 次之后训练误差已经降为0，表明由原始高维的油样光谱数据训练好的AdaBoost 模型可以用于油样激光诱导荧光光谱识别。AdaBoost 模型的测试结果的分类准确率如表3 所示。

表3 不同隐含层个数AdaBoost⁃BP 的分类准确率 %

由表3 可知，当作为弱分类器BP 隐含层个数为5时，AdaBoost⁃BP 模型对训练集的分类准确率为100%，对测试集的分类准确率为97.14%。由图5 可以明显看出AdaBoost 算法对弱分类器的分类准确率有很明显的提升。

图5 BP 算法与Adaboost⁃BP 算法准确率

2.3 AdaBoost⁃tree 算法建模

初始化样本权重D(x)，迭代次数T设置为100。通过结果分析可知，AdaBoost⁃tree 算法在迭代100 次之后对训练集的分类准确率可以达到100%，对测试集的分类准确率为98.89%。AdaBoost⁃Tree 分类器得到的训练周期上的替换损失如图6 所示，AdaBoost⁃Tree 在训练周期上的泛化误差如图7 所示，由图6 和图7 可以看出替换损失在第4 周期时为0，不断迭代100 次后泛化误差为0.038，具有很强的泛化性能和稳定性。

图6 AdaBoost⁃Tree 在训练周期上的替换损失

2.4 AdaBoost⁃KNN 算法建模

为了得到更高的分类准确率和更好的泛化性能，使用K⁃近邻算法（KNN）作为新的弱分类器对光谱数据建模。使用AdaBoost⁃KNN 算法对随机选择的600 组光谱数据建模。初始化样本权重D()x，迭代次数设置为T=100。AdaBoost⁃KNN 算法在迭代100 次之后对训练集和测试集的分类准确率可以达到100%，AdaBoost⁃KNN 分类器得到的训练周期上的替换损失如图8 所示，AdaBoost⁃KNN 在训练周期上的泛化误差如图7 所示。由图8 可以看出，替换损失在第19 周期时为0，此时的泛化误差也为0。AdaBoost⁃KNN 算法相比于AdaBoost⁃tree 算法分类准确率由98.89%提高到100%，且泛化性能和稳定性更好，更具有实际应用价值。

图7 AdaBoost⁃Tree 与AdaBoost⁃KNN在训练周期上的泛化误差

图8 AdaBoost⁃KNN 在训练周期上的替换损失

3 结 论

选取5 种食用油为实验对象，分别选取4 种算法针对油样的激光诱导荧光光谱的分类进行建模，先比较BP 与AdaBoost⁃BP 模型，得出AdaBoost 集成算法对弱分类器的分类准确率有很明显的提升。然后通过比较AdaBoost ⁃ Tree 模 型 和AdaBoost ⁃ KNN 模 型，得 到AdaBoost⁃KNN 模型对食用油光谱数据的分类效果最好。