潘磊慶，鄭 劍，史嬌智，袁 建，屠 康，*

(1.南京農業(yè)大學食品科技學院，江蘇南京210095;2.浙江農林大學農業(yè)與食品科學學院，浙江臨安311300;3.南京財經大學食品科學與工程學院，江蘇南京210046)

板栗(Chinese chestnut)，又名栗，營養(yǎng)豐富，是良好的營養(yǎng)保健品。我國是世界最大的板栗生產國，板栗品質優(yōu)良，口感香甜，去衣方便，易于加工，在國際市場享有盛譽［1］。但是，在貯藏和加工過程中，板栗易發(fā)生褐變，使板栗的口感和營養(yǎng)下降［2］。目前，對于加工中褐變板栗的剔除主要采取肉眼觀察、人工揀出的方法。由于板栗形狀不規(guī)則，成品復雜，導致人工方法檢測效率較低，檢測結果差異較大。近年來，利用近紅外光譜(NIR)分析技術快速、簡便和無損地對農產品進行品質分析，已廣泛成功應用于各個領域，如芒果甜度［3］、玉米粒損傷［4］和芝麻油摻偽等［5］。目前也有一些利用近紅外光譜對板栗含水率、蟲害和霉變無損檢測的研究，但不涉及板栗褐變檢測。周竹等［6］利用近紅外光譜結合神經網(wǎng)絡檢測霉變板栗，準確率達94.47%。劉潔等［7］采用近紅外光譜技術檢測板栗的含水率，對帶殼板栗預測相關系數(shù)為0.847，栗仁為0.765。展慧等［8］用近紅外光譜和機器視覺融合檢測板栗缺陷，準確率達到90%。主成分分析(Principal component analysis，PCA)和BP神經網(wǎng)絡(Back propagation neural network)是較為常用的統(tǒng)計和分析方法。PCA能夠在保留主要光譜信息的前提下選擇較少的新變量來代替較多的舊變量，能夠成功解決由于譜帶的重疊而無法分析的困難［9－10］。BP神經網(wǎng)絡能夠實現(xiàn)輸入與輸出之間的高度非線性映射，從微觀結構與功能上對人腦神經系統(tǒng)的模擬而建立起來的一類模型，具有非線性、學習能力和自適應型，是模擬人的智能的一條重要途徑［10］，已成功用于農產品的品質檢測和分級［11－14］。本實驗主要利用近紅外光譜技術檢測板栗褐變，對原始光譜進行預處理后采用主成分分析提取特征光譜信息，結合神經網(wǎng)絡對帶殼和去殼板栗褐變進行檢測分級，為了提高分級準確率，研究基于共軛梯度調整算法(Scaled conjugate gradient)的BP神經網(wǎng)絡的分級效果，以期為板栗加工和貯藏中褐變的自動化分級提供技術支持。

1 材料與方法

1.1 材料與儀器

本實驗的板栗 浙江省麗水市云和縣，品種“毛板紅”，共763枚，分別用于帶殼和去殼板栗的褐變分析。要求板栗新鮮，形態(tài)完整、品質完好、無腐爛變質、潔凈、無異味、無蟲害、無異常外來水分。所用板栗單顆質量為9.8～12.6g，果徑尺寸為長2.62～3.24cm，寬2.08～2.51cm，厚1.44～2.20cm。

采用加拿大ABB公司的近紅外儀器MB3600獲取板栗近紅外光譜，光譜的掃描范圍為12000～4000cm－1，平均分辨率為 16cm－1，掃描次數(shù) 64，共采集519個點。掃描板栗平面和背面各1次，2次光譜平均作為板栗的近紅外光譜。

1.2 樣品處理

褐變的板栗通過熱水浴處理不同時間得到。根據(jù)褐變程度自定義為4個等級，無褐變?yōu)?級，褐變面積在0～25%為1級，褐變面積在25%～50%為2級，褐變面積在50%以上為3級。帶殼板栗熱水浴處理后先進行光譜檢測，后剝殼確定板栗褐變等級;去殼板栗則先剝殼后進行熱水浴處理，確定褐變等級，接著進行光譜檢測。不同褐變等級板栗如圖1所示。為了降低長時間放置對板栗褐變的影響，處理后的板栗放入碎冰中貯藏，以便進行后續(xù)檢測。共得到去殼板栗400枚，其中，0級、1級、2級、3級褐變分別91、110、99、100 個;帶殼板栗 363 個，其中，0級、1 級、2 級、3 級褐變分別83、89、81、110 個。

圖1 板栗褐變等級Fig.1 Chinese chestnut browning grade

1.3 數(shù)據(jù)分析與處理

光譜數(shù)據(jù)以ASCLL碼形式導出進行處理。利用EXCEL2010進行簡單的數(shù)據(jù)處理，The Unscrambler V9.7軟件進行光譜預處理，SPSS18.0進行主成分分析和神經網(wǎng)絡模型構建。

經典的基于梯度下降算法的BP神經網(wǎng)路實質上是無約束的最速下降法，存在一些缺陷，如網(wǎng)絡的泛化不理想，容易陷入局部極小和收斂速度緩慢等［15］。而在經典BP算法基礎上改進而來的共軛梯度算法在收斂速度上有大幅度的提高，同時網(wǎng)絡的準確率高，推廣能力強。共軛梯度法的計算步驟和最速下降梯度法差別不大，主要差別在于搜索方向不同，即每一步的方向不是梯度的負方向，而是一種共軛的方向。由原來的負梯度方向加上一個修正項得到共軛方向，也就是使得最速下降法具有共軛性，從而提高算法的有效性和可靠性。共軛梯度法應用于神經網(wǎng)絡中的目的是求誤差函數(shù)E(w)的最小值，算法主要是利用共軛梯度方向來修正權值，使權值的確定更為快速［16－17］。

徑向基函數(shù)神經網(wǎng)絡是一種具有單隱層的3層前饋網(wǎng)絡，由輸入層、隱層和輸出層組成，能以任意精度逼近任意連續(xù)函數(shù)，其算法原理在一定程度上也克服了BP網(wǎng)絡學習速度較慢、需要調節(jié)的參數(shù)多等缺點，是一種較理想的非線性計算工具［18－19］。

2 結果與分析

2.1 板栗樣本的近紅外吸收光譜

去殼和帶殼共8個典型的板栗近紅外吸收光譜曲線如圖2所示。可以看出帶殼板栗和去殼板栗的近紅外光譜形狀較相似，在 4520、5400、7452cm－1附近有較強的吸收峰，但是吸收強度差異明顯，去殼板栗對近紅外光譜的吸收遠比帶殼板栗小的多，這可能是帶殼板栗表面粗糙不平造成的。而且不同等級的板栗光譜有差異，0級和3級差異較大，1級和2級差異較小，這也為板栗褐變的檢測和分級奠定了基礎。為了排除各種干擾因素對光譜的干擾，充分從光譜中提取有效特征信息，光譜的預處理是必要的。預實驗確定板栗的原始光譜采用Savitzky－Golay平滑和標準正態(tài)變量變換(SNV)方法對板栗光譜進行預處理，SNV可以減少表面散射特性和光程變化對光譜產生的影響，Savitky－Golay平滑用于濾除高頻噪聲。

圖2 不同等級板栗的典型近紅外吸收光譜Fig.2 Typical near infrared spectra of Chestnut at different grade with shell and without shell

2.2 光譜的主成分提取

所有波段從12000～4000cm－1共有519個點，若采用全光譜計算時，輸入量太多，計算量大，而且有些波段樣品的光譜信息很弱，光譜之間存在較強的線性關系。對原光譜矩陣進行降維的一種有效的方法是使用主成分分析的得分(Scores)矩陣代替原光譜矩陣，把原變量空間變換成新的主成分空間，PCA主成分是數(shù)據(jù)在方差變化最大的方向的投影［20］。所以在主成分分析的基礎上，選取包含主要原始的主要光譜信息的主成分得分作為神經網(wǎng)絡的輸入變量。采用SPSS軟件進行主成分分析，分別設定不同的特征值確定所用主成分的數(shù)目及累計貢獻率。主成分貢獻率表示該主成分反映原始指標的信息量，累積貢獻率表示相應幾個主成分累積反映原始指標變量的信息總量。取特征值分別大于1、0.1、0.01，獲得不同數(shù)目的主成分得分作為神經網(wǎng)絡的輸入變量。特征值不同，主成分的貢獻率不同，為了考察不同的主成分數(shù)目對于神經網(wǎng)絡模型的精度，分別取特征值大于1、0.1、0.01的主成分。對去殼板栗，主成分數(shù)目分別為 5、8、14，主成分累積貢獻率為99.76%、99.94%、99.99%;對帶殼板栗，主成分數(shù)目分別為 5、10、17，主成分累積貢獻率為 99.60%、99.94%、99.99%。

2.3 神經網(wǎng)絡模型構建及主成分數(shù)目的確定

所有樣品分為3組，分別為訓練組70%，測試組20%和驗證組10%，識別率為網(wǎng)絡運行5次的平均結果。構建的基于共軛梯度調整算法的BP神經網(wǎng)絡參數(shù)為:隱層激活函數(shù)為Hyperbolic tangent，輸出層函數(shù)為Softmax，誤差函數(shù)為Cross－entroy，目標誤差為0.001，初始 λ 值為0.0000005，σ 為0.00005，間隔偏移量為±0.5，隱層數(shù)為1，輸出層數(shù)目為4，分別為0、1、2、3，對應不同的板栗褐變等級。在模型建立過程中，對提取的特征數(shù)據(jù)進行標準化處理，xi為近紅外光譜值，為平均值，σ為標準差，z為標準化后的值。標準化后所有數(shù)據(jù)均值為0，方差為1。去殼組板栗和帶殼組板栗神經網(wǎng)絡的訓練時間均小于1s，訓練集結果如表1所示。對去殼組板栗，主成分數(shù)目為5時，網(wǎng)絡節(jié)點數(shù)為3，0級和3級板栗褐變準確率較高，1級和2級準確率較低，總體準確率為77.5%。主成分數(shù)目為8和14時，隱層節(jié)點數(shù)為5和7，神經網(wǎng)絡訓練的準確率均達到100%，訓練結果理想。這也反映雖然前5個主成分的貢獻率很高，但并不能包含所有的重要信息，主成分達到8時，多出的0.18%的信息對去殼板栗褐變等級識別仍然重要。對帶殼組板栗，主成分為5、10、14時，隱層節(jié)點數(shù)分別為4、5、4，總體的準確率分別為57.8%、65.3%、62.5%，褐變的訓練準確率普遍較低，這可能主要是板栗外殼嚴重影響了近紅外光譜與內部板栗的相互作用，使得近紅外信號并不能正確反映出板栗仁的褐變等級。展慧等利用近紅外檢測板栗水分的研究結果也表明近紅外對去殼板栗水分的檢測精度高于帶殼板栗［7］。相對來看，主成分為10時，帶殼板栗的褐變訓練準確率最高。為了確定最合適的主成分數(shù)目因子，需要結合神經網(wǎng)絡測試集的準確率來確定。

表1 不同主成分因子數(shù)的訓練集識別率Table 1 The training recognition rates with different principal component factors

表2為不同主成分數(shù)目時，神經網(wǎng)絡測試集的準確率。從表中可以看出，主成分數(shù)目為8和14，去殼組板栗褐變測試準確率較高，主成分數(shù)目為5時最低，這與神經網(wǎng)路訓練集準確率類似，但相比較來看，主成分數(shù)目為8時，板栗褐變總體測試準確率較高，而且測試集的準確率與訓練集相比下降較小，說明構建的網(wǎng)絡穩(wěn)定性較好。主成分數(shù)目為14時，板栗褐變總體測試準確率下降稍多，可能原因是較多的主成分作為輸入，給網(wǎng)絡引入了較多的噪聲。因此，確定去殼組板栗的主成分因子數(shù)為8，最終確定的神經網(wǎng)絡輸入變量為前8個主成分得分。隨著主成分數(shù)目的不同，帶殼組板栗測試集褐變識別準確率變化趨勢與去殼組板栗相同，但總體準確率較低。主成分數(shù)目為5和17，準確率較低，主成分數(shù)目為10時，相對較高。因此，確定構建帶殼組板栗褐變識別的神經網(wǎng)絡輸入變量為前10個主成分得分。

表2 不同主成分因子數(shù)的測試集識別率Table 2 Testing recognition rates of different principal component factors

2.4 神經網(wǎng)絡的驗證和比較

為了驗證和比較基于共軛梯度調整算法(Scaled conjugate gradient)的BP神經網(wǎng)絡(Neural network)(SBP)性能，比較了經典的基于動量梯度下降(Gradient descent with momentum)算法BP神經網(wǎng)絡(GBP)和徑向基函數(shù)(Radial basis function，RBF)神經網(wǎng)路驗證集的預測精度。神經網(wǎng)絡的輸入數(shù)目為前面確定的主成分(PCs)，去殼板栗為前8個主成分，帶殼板栗為前10個主成分。隱層數(shù)為1，輸出層數(shù)目為 4，分別為 0、1、2、3，對應不同的板栗褐變等級。主成分得分在輸入之前進行與SBP網(wǎng)絡一樣的標準化處理。對于PCA－SBP網(wǎng)絡，隱層激活函數(shù)為Hyperbolic tangent，輸出層函數(shù)為Softmax，誤差函數(shù)為Cross－entroy，目標誤差為 0.001，初始 λ 值為0.0000005，σ 為0.00005，間隔偏移量為 ±0.5。對于PCA－GBP神經網(wǎng)絡，隱層激活函數(shù)為 Hyperbolic tangent，輸出層函數(shù)為 Softmax，誤差函數(shù)為 Crossentroy，目標誤差為0.001，初始學習速率為0.4，動量因子為0.9，間隔偏移量為±0.5。對于PCA－RBF網(wǎng)絡，隱層激活函數(shù)為Sofmax，輸出層函數(shù)為Identity，誤差函數(shù)為Sum of Suqare。

不同網(wǎng)絡隱層節(jié)點數(shù)和驗證集的預測精度結果如表3所示。從表中可以看出，驗證集結果表明提出的板栗褐變等級預測的PCA－SBP神經網(wǎng)絡模型，對于樣本輸入有很好的預測效果，對去殼組不同的褐變等級，PCA－SBP模型分級準確性達到100%，比PCA－GBP和 PCA－RBF模型分別高出 7.5%和15.0%。對帶殼組板栗褐變分級準確率也相對較高，比PCA－GBP和PCA－RBF模型分級準確率分別提高8.4%和11.2%。因此，對板栗褐變近紅外光譜數(shù)據(jù)進行主成分分析，然后構建基于共軛梯度調整算法的BP神經網(wǎng)絡分級準確率最高，網(wǎng)絡穩(wěn)定，特別是對去殼板栗褐變分級效果最好。

表3 模型驗證集結果比較Table 3 Comparison between different models for the validation set

3 結論

以帶殼板栗和去殼板栗為研究對象，采用近紅外吸收光譜檢測板栗的褐變，對預處理后的光譜采用主成分分析，提取光譜的特征信息，結果表明，對去殼板栗主成分數(shù)目為8和帶殼板栗主成分數(shù)目為10，構建的基于共軛梯度調整算法的BP神經網(wǎng)絡的訓練集準確率與預測準確率很接近，而且精度最高，模型穩(wěn)定，檢測準確率均優(yōu)于傳統(tǒng)的基于動量梯度下降BP神經網(wǎng)絡及RBF神經網(wǎng)絡。與去殼板栗檢測準確率相比較，構建的近紅外光譜檢測模型更適用于去殼板栗褐變檢測，而對帶殼板栗的褐變檢測準確率較低，效果不理想，主要的原因可能是近紅外光不能較好的穿透外殼，充分反映板栗仁的褐變情況，近紅外光譜主要反映了熱水浴對板栗外殼的影響。進一步的研究中，需要結合其他技術如X射線成像、核磁共振成像等技術，進行信息融合提高帶殼板栗褐變檢測的準確率。

［1］徐同成，王文亮，劉潔，等.板栗制品開發(fā)現(xiàn)狀及發(fā)展趨勢［J］.中國食物與營養(yǎng)，2011，17(8):17－19.

［2］生吉萍，何樹林，胡小松，等.板栗栗仁褐變及其控制方法研究［J］.食品與機械，2000，75(1):18－19.

［3］Jha S N，Jaiswal P，Narsaiah K，et al.Non－ destructive prediction of sweetness of intact mango using near infrared spectroscopy［J］.Scientia Horticulturae，2012，138:171－175.

［4］Esteve Agelet L，Ellis D D，Duvick S，et al.Feasibility of near infrared spectroscopy for analyzing corn kernel damage and viability of soybean and corn kernels［J］.Journal of Cereal Science，2012，55(2):160－165.

［5］劉燕德，萬常斕.芝麻油摻偽的近紅外透射光譜檢測技術［J］.農業(yè)機械學報，2012，43(7):136－140.

［6］周竹，劉潔，李小昱，等.霉變板栗的近紅外光譜和神經網(wǎng)絡方法判別［J］.農業(yè)機械學報，2009，40(21):109－112.

［7］劉潔，李小昱，李培武，等.基于近紅外光譜的板栗水分檢測方法［J］.農業(yè)工程學報，2010，26(2):338－341.

［8］展慧，李小昱，周竹，等.基于近紅外光譜和機器視覺融合技術的板栗缺陷檢測［J］.農業(yè)工程學報，2011，27(2):345－349.

［9］何勇，李曉麗，邵永妮.基于主成分分析和神經網(wǎng)絡的近紅外光譜蘋果種鑒別方法研究［J］.光譜學與光譜分析，2006，26(5):850－853.

［10］祝詩平.基于PCA與GA的近紅外光譜建模樣品選擇方法［J］.農業(yè)工程學報，2008，24(9):126－130.

［11］張益波，何歡，孟慶繁，等.近紅外光譜結合徑向基神經網(wǎng)絡在云芝菌絲體無損分析中的應用［J］.光學學報，2010，30(12):3552－3557.

［12］徐麗娜.神經網(wǎng)絡控制［M］.北京:電子工業(yè)出版社，2003

［13］潘磊慶，屠康，蘇子鵬，等.基于計算機視覺和神經網(wǎng)絡檢測雞蛋裂紋的研究［J］.農業(yè)工程學報，2007，23(5):154－158.

［14］Pan Leiqing，Zhan Ge，Tu Kang，et al.Eggshell crack detection based on computer vision and acoustic response by means of back propagation artificial neural network［J］.European Food Research and Technology，2011，233(3):457－463.

［15］Liu Fei，He Yong.Classification of brands of instant noodles using Vis/NIR spectroscopy and chemometrics［J］.Food Research International，2008，41(5):562－567.

［16］胡方明，簡琴，張秀君.基于BP神經網(wǎng)絡的車型分類器［J］.西安電子科技大學學報:自然科學版，2005，32(3):439－442.

［17］Martin FodsletteMoller.A scaled conjugategradient algorithm for fast supervised learning［J］.Neural networks，1993，6:525－533.

［18］M T Hagan，H B Demuth，M H Beale.Neural Network Design［M］.Boston，USA:PWS Publishing，1996.

［19］陳昌華，譚俊，尹健康，等.基于PCA－RBF神經網(wǎng)絡的煙田土壤水分預測［J］.農業(yè)工程學報，2010，26(8):85－90.

［20］陸婉珍，袁洪福，徐廣通，等.現(xiàn)代近紅外光譜分析技術(第二版)［M］.北京:中國石化出版社，2007.