李江波,蘇憶楠,饒秀勤

(浙江大學(xué) 生物系統(tǒng)工程與食品科學(xué)學(xué)院,杭州310029)

試驗(yàn)研究

基于高光譜成像及神經(jīng)網(wǎng)絡(luò)技術(shù)檢測(cè)玉米含水率

李江波,蘇憶楠,饒秀勤

(浙江大學(xué) 生物系統(tǒng)工程與食品科學(xué)學(xué)院,杭州310029)

基于高光譜成像及人工神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)玉米含水率進(jìn)行了檢測(cè)。檢測(cè)波長為450～900 nm,由玉米粒反射光譜圖像獲取反映其含水率的光譜特征波長。利用人工神經(jīng)網(wǎng)絡(luò)建立了玉米粒含水率的預(yù)測(cè)模型,模型相關(guān)系數(shù)達(dá)到0.98。對(duì)含水率預(yù)測(cè)結(jié)果的誤差最大絕對(duì)值為2.1182,最小絕對(duì)值為0.0024。相對(duì)誤差絕對(duì)值的平均值為0.3090,結(jié)果表明利用高光譜圖像技術(shù)對(duì)玉米含水率進(jìn)行無損檢測(cè)是可行的。

玉米;高光譜圖像;含水率;神經(jīng)網(wǎng)絡(luò)

1 引言

谷物水分含量是確定其貯藏條件的重要因素之一,在實(shí)際生產(chǎn)中一般采用合適的生產(chǎn)流程,將糧食脫粒后送到干燥塔,經(jīng)過預(yù)熱、干燥、緩蘇,待冷卻至常溫,達(dá)到安全水分14%左右后排出干燥塔。在此過程中,糧食水分在線檢測(cè)和控制是制約糧食干燥系統(tǒng)的核心技術(shù)。

傳統(tǒng)的糧食水分檢測(cè)多是通過干燥或化學(xué)方法直接去除糧食中的水分,檢測(cè)出樣品的絕對(duì)含水量。其中干燥法主要包括電烘箱法、減壓法、紅外加熱法、微波加熱法;化學(xué)法包括蒸餾法、卡爾·費(fèi)休法和碳化鈣法等。這些方法的檢測(cè)精度高,適用于試驗(yàn)室檢測(cè),但費(fèi)時(shí),對(duì)糧粒有一定的破壞性,無法實(shí)現(xiàn)快速在線檢測(cè)。

目前的研究表明利用近紅外光譜技術(shù)檢測(cè)農(nóng)產(chǎn)品內(nèi)部品質(zhì)是一種非常有效的方法[1-4]。但是,通常光譜技術(shù)僅提供對(duì)檢測(cè)對(duì)象一個(gè)非常小區(qū)域的檢測(cè),獲取的光譜僅代表農(nóng)產(chǎn)品表面的某些局部區(qū)域,缺少對(duì)象的空間信息,這一局限性可能造成預(yù)測(cè)集與測(cè)量集信息之間較大差異,從而影響系統(tǒng)的穩(wěn)定性。

高光譜成像技術(shù)是一種圖像及光譜的融合技術(shù),可以同時(shí)獲取研究對(duì)象的空間及光譜信息?？梢哉f高光譜成像技術(shù)是圖像技術(shù)與光譜技術(shù)的完美結(jié)合,近幾年在農(nóng)產(chǎn)品品質(zhì)無損檢測(cè)中引起越來越多的關(guān)注,成為一個(gè)研究熱點(diǎn)[5-9]。本文采用高光譜成像技術(shù)對(duì)玉米含水率進(jìn)行無損檢測(cè)研究,并通過相關(guān)數(shù)據(jù)處理方法獲得最能反映其含水率特征的最優(yōu)波長,從而為基于多光譜技術(shù)在線檢測(cè)玉米含水率提供依據(jù)。

圖1 高光譜成像系統(tǒng)

2 試驗(yàn)材料與方法

2.1 試驗(yàn)材料及水分測(cè)定

本試驗(yàn)以玉米作為研究對(duì)象。樣本于2009年11月購于河南,品種編號(hào)為02102,從樣本中選取300粒作為研究對(duì)象。樣本含水率實(shí)際值的測(cè)量采用LDS-1H型快速電腦水分測(cè)定儀。該儀器是由上海青浦綠洲檢測(cè)儀器有限公司生產(chǎn)的LDS-ID型電腦水分測(cè)定儀的升級(jí)產(chǎn)品,性能穩(wěn)定可靠。LDS-1H本身帶有稱重系統(tǒng),無需事先稱重,能直接測(cè)定糧食水分。

2.2 高光譜成像系統(tǒng)

本試驗(yàn)的圖像數(shù)據(jù)是利用如圖1所示的基于光譜儀的高光譜成像系統(tǒng)所獲取。整個(gè)系統(tǒng)主要包括圖像光譜儀(Im Specto r V10E-QE,Spectral Imaging Ltd,Oulu,Finland),一套150W的光纖鹵素?zé)?SCHOTT DCRⅢ)可以提供可見近紅外波段光譜,一組帶有1344個(gè)有效像素的線陣CCD攝像機(jī)(Hamamastsu),一組輸送裝置(Zolix, SC300-1A,北京)和計(jì)算機(jī)(ACER,Inter? CoreTM2 4400@2.00GHz,RAM 1.00G)等部件組成。高光譜儀光譜范圍為400～1100 nm,共1024個(gè)波段,光譜分辨率2.8 nm。由于小于450 nm和大于900 nm的光譜數(shù)據(jù)噪聲比較大,因此試驗(yàn)僅采用450～900 nm光譜區(qū)域的數(shù)據(jù)進(jìn)行分析。

2.3 高光譜圖像采集

整套系統(tǒng)置于一個(gè)表面涂有黑漆的密閉柜中,以避免圖像采集時(shí)環(huán)境光的干擾。為了獲得更加精確的數(shù)據(jù),在高光譜圖像數(shù)據(jù)采集前,預(yù)先根據(jù)光源的照度設(shè)定好高光譜攝像頭曝光時(shí)間以保證圖像清晰,并調(diào)整好輸送裝置的速度以避免圖像空間分辨率失真。經(jīng)過多次調(diào)整及參數(shù)優(yōu)化,最終確定曝光時(shí)間為33 m s,圖像采集速度為1.23nm/s,物距25 cm。每次取100粒玉米樣本,首先由人工將其整齊地?cái)[放在(10×10)黑色背景板上,然后將樣本與背景板一塊置于載物臺(tái)上。數(shù)據(jù)采集時(shí),線陣探測(cè)器在光學(xué)焦平面的垂直方向做橫向掃描,從而獲取所掃描空間中每個(gè)像素在整個(gè)光譜區(qū)域的光譜信息,與此同時(shí)樣本在輸送裝置的作用下作垂直于攝像機(jī)的縱向移動(dòng),最終完成整個(gè)樣本圖像的采集。所有圖像的獲取均基于軟件Spectral Cube_v2_75 software(Spectral Imaging Ltd.,Finland)。

2.4 反射光譜校正

由于各波段下光源強(qiáng)度分布不均勻及攝像頭中暗電流存在,導(dǎo)致光強(qiáng)分布較弱的波段噪聲較大,因此必須對(duì)圖像進(jìn)行校正,以消除部分噪聲影響[10]。暗校正是為了去除CCD暗電流的影響,全黑的標(biāo)定圖像B可以通過關(guān)閉所有電源同時(shí)擰上鏡頭蓋獲得。然后打開鏡頭蓋及光源掃描反射率為99%標(biāo)準(zhǔn)白色校正板(Spectralon,Labsphere Inc.)得到全白的標(biāo)定圖像W。最后根據(jù)公式(1)計(jì)算出校正后的圖像R。

式中 R——標(biāo)定后的高光譜圖像

I——原始高光譜圖像

B——全黑的標(biāo)定圖像

W——全白的標(biāo)定圖像

本研究中所有高光譜圖像數(shù)據(jù)處理是基于ENV I4.6(Research System Inc.,Boulder,Colo., USA.)、Matlab 2008a(The MathWorks Inc.,Natick,USA)及Origin8.0(OriginLab,USA)軟件平臺(tái)。

2.5 反射光譜多元散射校正

獲得高光譜圖像后,利用ENV I軟件選取每粒玉米樣本表面一個(gè)區(qū)域作為感興趣區(qū)域用于計(jì)算光譜(450～900 nm)的平均反射量。感興趣區(qū)域大小為900～1000個(gè)像素。由于原始光譜散射和偏移的影響,應(yīng)用多元散射校正MSC(multip lication scatter co rrection)算法對(duì)其進(jìn)行線性化處理。多元散射校正方法是現(xiàn)階段多波長標(biāo)定建模常用的一種數(shù)據(jù)處理方法,經(jīng)過散射校正后得到的光譜數(shù)據(jù)可以有效地消除散射的影響,增強(qiáng)了與成分含量相關(guān)的光譜吸收信息[11-13]。算法如下:

(1)計(jì)算所有樣品光譜的平均光譜

(2)將每個(gè)樣品的光譜與平均光譜進(jìn)行線性回歸,求得回歸系數(shù)mi,bi, (

3)計(jì)算校正后的光譜

式中 i=1、2、3……n

n——表示樣本數(shù)

j——表示第j個(gè)波段數(shù)圖2表示經(jīng)過光譜散射校正后的光譜反射值與波長之間的關(guān)系曲線。

圖2 MSC處理后的反射光譜曲線

3 水分與光譜反射值的回歸分析

玉米粒樣本含水率與光譜反射量的回歸曲線如圖3所示。玉米粒樣本水分與光譜反射值的相關(guān)系數(shù)范圍在0～0.55之間,其中多個(gè)波段超過0.4,并且整個(gè)光譜顯示出有多個(gè)極大值,本試驗(yàn)選取較為典型的4個(gè)局部相關(guān)系數(shù)的極大值對(duì)應(yīng)的波段作為特征波段,即491、772、824和870 nm。

圖3 玉米粒含水率與光譜反射的回歸曲線

4 基于人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)水分

本實(shí)驗(yàn)選用人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)玉米粒水分,與傳統(tǒng)的方法相比,人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)在于信息處理能力強(qiáng),是不依賴統(tǒng)計(jì)特性的分類器。采用BP網(wǎng)絡(luò)結(jié)構(gòu),包括輸入層、隱含層、輸出層三層,輸入層單元數(shù)為4個(gè),分別為491、772、824和870 nm 4個(gè)特征波段,對(duì)于隱含層的節(jié)點(diǎn)數(shù)到目前為止還沒有較好的確定理論,只能憑經(jīng)驗(yàn)或試驗(yàn)估計(jì)。在此按照R.P.Gorman的經(jīng)驗(yàn)估計(jì),在300個(gè)訓(xùn)練模式下,隱節(jié)點(diǎn)最終估算為5個(gè)節(jié)點(diǎn),輸出層為1個(gè)節(jié)點(diǎn)對(duì)應(yīng)水分,結(jié)構(gòu)為4-5-1網(wǎng)絡(luò)結(jié)構(gòu)。

在模型建立之前,首先從所用的300個(gè)樣本中提取285(95%)個(gè)樣本進(jìn)行訓(xùn)練模型,另15 (5%)個(gè)樣本用來驗(yàn)證該模型的可靠性。選擇非線性的Sigmoid型函數(shù)作為模型的作用函數(shù)。由于網(wǎng)絡(luò)學(xué)習(xí)收斂速度慢,為此在學(xué)習(xí)率中增加動(dòng)量項(xiàng),動(dòng)量項(xiàng)是學(xué)習(xí)率在訓(xùn)練中動(dòng)態(tài)變化,動(dòng)量系數(shù)選為0.1。圖4所示為訓(xùn)練結(jié)果,其相關(guān)系數(shù)R2為0.98。

圖4 玉米粒含水率預(yù)測(cè)模型訓(xùn)練結(jié)果

表1是利用15個(gè)樣本建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)的結(jié)果,從結(jié)果數(shù)據(jù)可以看出含水率測(cè)試的誤差最大絕對(duì)值為2.1182,最小絕對(duì)值為0.0024。相對(duì)誤差絕對(duì)值的平均值為0.3090,基于這些結(jié)果可以看出,利用高光譜圖像技術(shù)對(duì)玉米粒含水率進(jìn)行無損檢測(cè)是可行的。

5 結(jié)論

本研究基于高光譜成像技術(shù)對(duì)玉米粒含水率進(jìn)行了預(yù)測(cè)。檢測(cè)波長為450～900 nm,利用多元散射校正對(duì)光譜進(jìn)行了校正。對(duì)玉米粒含水率與光譜反射進(jìn)行了回歸分析,491、772、824和870 nm 4個(gè)特征波段被選擇作為神經(jīng)網(wǎng)絡(luò)的輸入單元,利用人工神經(jīng)網(wǎng)絡(luò)建立了玉米粒含水率的預(yù)測(cè)模型,模型相關(guān)系數(shù)達(dá)到0.98.含水率預(yù)測(cè)結(jié)果的誤差最大絕對(duì)值為2.1182,最小絕對(duì)值為0.0024。相對(duì)誤差絕對(duì)值的平均值為0.3090,結(jié)果表明利用高光譜圖像技術(shù)對(duì)玉米粒含水率進(jìn)行無損檢測(cè)是可行的。

表1 應(yīng)用神經(jīng)網(wǎng)絡(luò)對(duì)驗(yàn)證集進(jìn)行玉米粒含水率預(yù)測(cè)的結(jié)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]徐惠榮,應(yīng)義斌.近紅外圖像和光譜分析技術(shù)在農(nóng)產(chǎn)品品質(zhì)無損檢測(cè)中的應(yīng)用與展望[J].浙江大學(xué)學(xué)報(bào),2002,28(4):460-464.

[4]馬本學(xué),饒秀勤,應(yīng)義斌,等.基于近紅外漫反射光譜的香梨類別定性分析[J].光譜學(xué)與光譜分析,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]蔡健榮,王建黑,陳全勝,等.波段比算法結(jié)合高光譜圖像技術(shù)檢測(cè)柑橘果銹[J].農(nóng)業(yè)工程學(xué)報(bào),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]趙杰文,劉劍華,陳全勝,等.利用高光譜圖像技術(shù)檢測(cè)水果輕微損傷[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2008,39(1): 106-109.

[11]蘆永軍,曲艷玲,宋敏.近紅外相關(guān)光譜的多元散射校正處理研究[J].光譜學(xué)與光譜分析,2007,27(5): 877-880.

[12]洪添勝,喬軍,Ning Wang,等.基于高光譜圖像技術(shù)的雪花梨品質(zhì)無損檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2007,23 (2):151-154.

[13]郭恩有,劉木華,趙杰文,等.臍橙糖度的高光譜圖像無損檢測(cè)技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),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

國家科技支撐計(jì)劃(2008BADA8B04)

李江波(1982-),男,博士生,研究方向?yàn)榛谟?jì)算機(jī)視覺技術(shù)的水果表面缺陷檢測(cè)。

饒秀勤(1968-),男,博士,副教授,研究方向?yàn)檗r(nóng)產(chǎn)品無損檢測(cè)。通訊地址:310029杭州浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院,E-mail:xq rao@zju.edu.cn。

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