基于高光谱及BP神经网络的苹果无损检测技术研究①

2024-01-06汪继芳杜传来邹小倩林春寅郝云彬

佳木斯大学学报（自然科学版） 2023年6期

汪继芳, 杜传来,*, 邹小倩, 林春寅, 郝云彬

(1.安徽科技学院,安徽滁州 233100; 2.杭州锐德生命科技有限公司,浙江杭州 310000)

0 引言

果作为我国最大宗消费水果,其品质评定主要从外观品质、物理品质和内部品质三个方面进行[1-3]。随着对苹果的消费需求升级和多样化,通过无损检测实现糖度的分级能够满足果汁生产、食用等差异化需求的同时实现价值优化[4-5]。无损检测技术在农产品检测中得到日益广泛的应用,与人工方式相比有重复性强、高效率、高精度、无损的优点;与机械分级相比,其功能更强大,能检测农产品内部缺陷,实现形状分级[6]。

目前近红外光谱技术是重要的无损检测技术之一,国内外学者进行了相关的研究工作[7-9]。一方面,研究集中在对苹果霉心病及水心病等缺陷的研究[10-12],如Clara Shenderey[13]等用可见-近红外小型光谱仪实现苹果霉心病无损在线检测,采用典型判别分析和偏最小二乘法建立判断模型取得了较好的预测精度。王若琳[14]采用RBF人工神经网络模型对水心病果识别取得了很好的效果。另一方面,通过光谱技术检测苹果的内部的糖度、酸度、可溶性固形物含量、维生素含量等特性[15-16]。如Els 等[17]采用近红外光谱对苹果的可溶性固形物含量和硬度进行检测,发现了参数与光谱的关联性。吕赫一[18]采用近红外光谱技术来检测苹果中的农药残留和可溶性固形物含量,运用基于小波包变换的离散度分析等方法,筛选光谱中的特征变量,。最后结合不同的光谱预处理方法,建立了偏最小二乘、支持向量机两种苹果可溶性固形物预测模型。赵杰文等[19]利用近红外光谱仪对水晶富士苹果进行糖度检测,采用主成分回归(PCR)和偏最小二乘法(PLS)对试验数据进行统计分析。

近红外高光谱技术具有多波段、高分辨率和图谱合一的特点,把二维图像和光谱技术融为一体,被广泛的应用于不同行业的无损检测领域,具有检测速度快、检测效率高等优点,但由于高光谱技术本身的高维特性和光谱数据处理方法的差异造成了模型的多样性,需要对基于近红外高光谱技术分析的水果品质快速无损检测方法进行进一步优化。本课题采用的GaiaField高光谱成像仪扫描完整苹果的短波近红外慢反射光谱,采用BP神经网络建立苹果糖度、硬度、PH值的数学模型,模型的相关系数均在0.86,从而能够方便、快速准确的检测苹果内部品质,为实现对苹果的光谱无损在线检测与分级提供了一种有效途径。

1 试验与方法

1.1 试验材料及装置

实验材料为山东红富士苹果120个。试验设备包括:GaiaField N17E高光谱成像仪(工作谱区:900nm～1700nm)、糖度计、硬度计,笔记本电脑、高光谱光源等。

1.2 光谱采集系统

试验所采用光谱信号采集系统如图1(a)所示,系统包括GaiaField高光谱成像仪、500W的卤素灯源、计算机及背景板等。GaiaField高光谱成像仪将成像光谱仪和各种探测器(CCD、InGaAs 面阵探测器等)进行了集成,可同时、快速获取光谱和影像信息以进行无损检测分析。

1.3 苹果参数测量方法与步骤

1.3.1 苹果糖度测定

待测苹果汁滴在糖度计镜面中间,关上辅助凌镜,静置1min,读出镜筒内蓝色分界线处的读数,连续测定不同样品,需用清水洗净再测。120个苹果样本分为90个训练集和30个预测集,所测得苹果糖度结果见表1,数值有一定差异,平均值为12.17g/100g和12.43g/100g。

表1 苹果糖度(g/100g)测量值统计

1.3.2 苹果硬度测定

在苹果表面削皮,略大于硬度计的探头面积,将硬度计探头垂直对准苹果测试部位,匀速插入到指定刻度,从硬度计上直接读数,果实硬度以kg/cm2表示。采用硬度计测量苹果的硬度,硬度测量结果见表2,硬度的平均值为6.66kg/cm2和7.46kg/cm2。

表2 苹果硬度(kg/cm2))测量值统计

1.3.3 苹果pH值测定

采用酸度计测量苹果汁的pH值,pH值测量结果见表3,pH值的平均值为4.29和4.37。

表3 苹果pH测量值统计

1.3.4 苹果的光谱信号采集

采用光谱仪对每个苹果样品转换不同角度重复扫描三次,扫描区间:900nm～1700nm。图2(a)所示为所采集的原始光谱信号,图2(b)所示为某一点光谱信号。

2 BP神经网络模型建立

2.1 光谱信号预处理

将采集到的反射率光谱首先经过反射率校准消除散射对光谱的影响,提高信噪比,增强光谱与糖度的相关性。采用Matlab软件编程对苹果光谱数据进行预处理。读取光谱信息截取苹果轮廓并取苹果感兴趣区域如图3,提取256个波段,经对比取点光谱全波段特征和取平均值光谱全波段特征进行比较见图4,取平均值光谱全波段优于取点光谱全波段。感兴趣区域选取原则尽量选择光谱强度较大区域,去除果梗和果萼。区域不宜过大,过大会显著增加计算量。

图3 苹果取值区域

图4 取点与取平均值效果对比

2.2 糖度、硬度、PH值的BP神经网络模型的建立

采用BP神经网络建立糖度、硬度、PH值的通用预测模型。BP神经网络模型的模型结构见图5,包含输入层、输出层和隐含层。数据从输入层输入,经处理传输到隐含层,隐含层经过权值、阈值等运算后到输出层。输出层输出预测值与期望值做比较,若有误差,则反向传播该误差,再经权值、阈值调整,使网络输出逐渐与期望值一致。在进行BP神经网络建模时采用主成分提取进行光谱数据降维,降低模型计算量,在不丢失主要光谱主要信息的前提下剔除了噪音。

主成分分析作为一种降维算法,即交的特征空间,将原始的(n>k)维数据映射到这个构建出来的k维特征空间上,实现数据降维。运用维数较少的主成分来表示高维度的光谱矩阵。此算法中提取的主成分个数k的选取至关重要,k值过大会则提取主成分过多,计算量偏大,k值过少则提取的主成分少易遗失部分重要信息。采用Matlab计算特征的累计贡献率,将特征的累计贡献率不小于0.9的维数作为PCA降维后特征的个数,计算结果为7个主成分。

图5 BP神经网络模型视图

图6 BP神经网络模型训练性能图

图7所示为BP神经网络回归图,其中(a),(b),(c),(d)分别为训练、验证、测试及总的回归结果。

图7 BP神经网络回归图

采用Matlab软件编程建立苹果糖度、硬度、PH值BP神经网络通用模型。选取苹果的感兴趣区域高光谱信号,取256个敏感谱段,运用主成份分析,取7个主成份,对波段的特征做了变换,降低数据维度,根据提取的7个主成分信息作为神经网络的输入变量,进行BP神经网络建模,设定网络层为输入层、输出层、隐含层3层,隐含层,节点数为15,最大训练次数目标值为1000。