孫曉榮, 周子健, 劉翠玲, 付新鑫, 竇 穎

(北京工商大學 計算機與信息工程學院 食品安全大數(shù)據(jù)技術(shù)北京市重點實驗室，北京 100048)

0 引 言

3小麥粉中灰分含量是指經(jīng)高溫灼燒后殘留下的無機成分占小麥粉的百分比。高溫處理不但耗能費時更會帶來不必要的浪費。近幾年，研究人員將近紅外光譜(near infrared,NIR)技術(shù)結(jié)合化學計量學的相關(guān)算法應(yīng)用于小麥粉的品質(zhì)檢測[1]。偏最小二乘(partial least squares,PLS)法是回歸預(yù)測常用的建模方法，但在光譜檢測實驗中存各種因素，會影響PLS模型的準確性和穩(wěn)定性，引入譜區(qū)優(yōu)化和光譜預(yù)處理格外重要[2,3]。馬世榜等人利用牛肉近紅外光譜結(jié)合遺傳算法(genetic algorithm,GA)建立了其pH值定量模型，結(jié)果表明經(jīng)該優(yōu)化波長后的模型預(yù)測準確性明顯高于原始光譜所建模型[4]，實驗證明光譜預(yù)處理效果明顯，GA具有全局搜索最優(yōu)特點，可以應(yīng)用于許多研究領(lǐng)域，并成為譜區(qū)優(yōu)化非常有效的方法之一。

本文對比多種光譜預(yù)處理方法結(jié)合GA建立PLS定量分析實現(xiàn)模型優(yōu)化，以快速準確分析小麥粉中灰分含量。

1 材料與方法

1.1 材料與儀器

所用130份小麥粉樣本均取自古船面粉廠不同批次以及不同種類的小麥粉產(chǎn)品，待測組分真實值均來自古船面粉廠依據(jù)傳統(tǒng)國標法測得的實驗數(shù)據(jù)。采用德國布魯克(Bruker)公司Vertex 70傅里葉紅外光譜儀采集小麥粉樣本的近紅外光譜。光譜數(shù)據(jù)分析在MATLAB 2014環(huán)境下完成。儀器參數(shù)設(shè)置：分辨率8/cm，樣本掃描次數(shù)64次，背景掃描次數(shù)64次，采集光譜范圍12 000～4 000/cm，光闌設(shè)置6 mm，掃描速度10 kHz。

1.2 實驗方法

1.2.1 光譜預(yù)處理作用與方法

引入光譜預(yù)處理可以有效消除近紅外光譜存在固有缺陷，提高模式識別的準確度。

本實驗研究結(jié)合樣本特性和預(yù)處理方法功能，對比分析最終選擇了5種預(yù)處理方法，分別為矢量歸一化、Savitsky-Golay(SG)卷積平滑法、導數(shù)法、標準正態(tài)變量變換(standard normal variable transform,SNV)校正以及多元散射校正(multiplicative scatter correction,MSC)[5,6]。

1.2.2 GA

傳統(tǒng)的優(yōu)化方法[7,8]，如相關(guān)系數(shù)法和蒙特卡羅法等，多是建立譜區(qū)和待測組分之間的關(guān)系來篩選波長，這需要研究人員具有很強的化學素養(yǎng)和相關(guān)經(jīng)驗，難以實現(xiàn)自動化檢索；而隨機優(yōu)化方法[9～11]如粒子群算法，模擬退火算法，GA等，能夠自動檢索復雜問題，對不同對象自適應(yīng)性的分析并快速找出最優(yōu)解。本文選擇用GA優(yōu)化譜區(qū)，避免因化學專業(yè)知識的欠缺影響模型結(jié)果。

算法過程包括：選擇、交叉、變異，通過迭代的手段，根據(jù)目標函數(shù)值留下較優(yōu)變量，去除較差變量，最終實現(xiàn)特征變量優(yōu)選，算法屬于自適應(yīng)的全局搜索算法，其中最重要的選擇環(huán)節(jié)依據(jù)適應(yīng)度函數(shù)，選擇優(yōu)良個體[13]。

1.2.3 適應(yīng)度函數(shù)

用于區(qū)分個體優(yōu)劣，提升整體優(yōu)勢[14,15]?？蛇x擇校正模型的相關(guān)系數(shù)R2、校正標準偏差(root mean square error of calibration,RMSEC)或者預(yù)測標準偏差(root mean square error of prediction,RMSEP)。3者均為評價校正模型的重要參數(shù)。

1.3 數(shù)據(jù)處理

實驗中，利用OPUS7.0軟件將采集的光譜轉(zhuǎn)換為數(shù)據(jù)點格式以及單一PLS回歸預(yù)測曲線，光譜預(yù)處理+GA結(jié)合PLS由MATLAB 2014軟件完成。

2 結(jié)果與分析

2.1 采集樣品的近紅外光譜

實驗中共130份小麥粉樣本，基于SPXY樣本劃分法選取其中106份樣本作為校正集，24份樣本作為測試集。實驗每隔30 min采集一次背景光譜，并保持室內(nèi)恒溫26 ℃。光譜儀器掃描次數(shù)設(shè)置為64 次，分辨率為 8/cm,采集部分小麥粉樣本近紅外光譜如圖1所示。

圖1 部分小麥粉樣本的近紅外光譜

2.2 建立面粉中灰分含量定量模型

選用歸一化、導數(shù)、SNV、MSC、SG平滑5種常用光譜預(yù)處理方法，按照一定關(guān)系排列成11種組合，分別對面粉中灰分定量分析模型進行光譜處理，旨在最大程度消除與光譜數(shù)據(jù)無關(guān)信息和噪聲，提升校正模型的預(yù)測性能和穩(wěn)健性，通過對結(jié)果對比分析，找出最適合面粉檢測的預(yù)處理方法。模型基于11種預(yù)處理組合分別建立PLS全譜模型,實驗結(jié)果表明，光譜經(jīng)過平滑結(jié)合歸一化和平滑結(jié)合一階導數(shù)預(yù)處理組合優(yōu)化后建模，預(yù)測準確性和穩(wěn)健性均優(yōu)于原始光譜建立的定量模型。SG平滑分別結(jié)合SNV和MSC預(yù)處理組合準確性明顯提高，但是模型穩(wěn)健性不足。其余組合所見模型在滿足模型穩(wěn)健性的情況下，預(yù)測準確性過低，反之，穩(wěn)健性不足。

2.3 GA-PLS建模參數(shù)選擇

實驗在建立基于遺傳算法優(yōu)化波長的小麥粉中灰分含量PLS定量模型時，相關(guān)系數(shù)R2和RMSEC隨特征波長數(shù)量變化如圖2所示，模型參數(shù)在特征波長數(shù)量為80時趨于平穩(wěn)。因此，GA種群規(guī)模設(shè)定為30，最大迭代次數(shù)設(shè)定為150次，提取特征波長數(shù)量為80個，適應(yīng)度函數(shù)選擇RMSEP。

圖2 R2和RMSEC隨特征波長數(shù)量變化

2.4 光譜預(yù)處理結(jié)合GA-PLS定量模型建立

基于光譜預(yù)處理結(jié)合遺傳算法篩選波長，建立關(guān)于小麥粉灰分定量分析模型，實驗挑選部分預(yù)處理方法與GA結(jié)合優(yōu)化后模型，參數(shù)結(jié)果如表1所示。

在模型評價方面，除使用相關(guān)系數(shù)R2和預(yù)測標準偏差RMSEP來評價模型預(yù)測準確性外，還引入穩(wěn)健性參數(shù)RMSEP/RMSEC和剩余預(yù)測偏差(residual prediction deviation,RPD)2個評價指標。模型穩(wěn)健性是描述模型容許光譜變動的包容能力，即模型抗干擾能力。國際谷物化學組織(Inter-national Cereal Chemists,ICC)規(guī)定在正常容變范圍之內(nèi)RMSEP/RMSEC應(yīng)小于1.2，若穩(wěn)健性參數(shù)大于1.2則說明模型穩(wěn)健性不足；另外,使用RPD對預(yù)測精度進行進一步評價,即RPD=SD/RMSEP(SD為驗證集標準偏差)。如果RPD≥3,說明預(yù)測效果良好,建立的定量分析模型可用于實際檢測；如果2.5

表1 近紅外光譜經(jīng)預(yù)處理結(jié)合遺傳算法優(yōu)化模型結(jié)果(灰分)

由實驗結(jié)果得出：灰分含量全譜PLS定量模型相關(guān)系數(shù)R2為70.31，RMSEC為0.077 5，RMSEP為0.091 4，RPD為1.345，RMSEP/RMSEC為1.18，模型經(jīng)遺傳算法篩選特征波長后，預(yù)測準確性和穩(wěn)健性均有大幅提高，結(jié)合適合的光譜預(yù)處理方法后，模型得到了更完整的優(yōu)化。綜合模型的準確性與穩(wěn)健性參數(shù)，SG平滑(25)點+SNV結(jié)合GA優(yōu)化模型結(jié)果最為理想，相關(guān)系數(shù)R2為97.46，RMSEC為0.022 6，RMSEP為0.021 3，RPD達到了5.781 7，模型穩(wěn)健性良好。

近紅外光譜經(jīng)SG平滑(25)+SNV預(yù)處理后譜圖如圖3所示。

圖3 SG平滑(25)+SNV法預(yù)處理后小麥粉的近紅外光譜

SG平滑(25)+SNV結(jié)合GA優(yōu)化的灰分PLS校正集定量分析模型如圖4所示。

圖4 SG平滑(25)+SNV+GA的灰分PLS校正集定量模型

SG平滑(25)+SNV結(jié)合GA優(yōu)化的灰分PLS驗證集定量分析模型如圖5所示。

圖5 SG平滑(25)+SNV+GA的灰分PLS驗證集定量模型

3 結(jié) 論

在不同光譜預(yù)處理組合方式與波長篩選方法做了大量實驗，旨在優(yōu)化小麥粉近紅外光譜定量分析模型，使模型具備良好的預(yù)測準確性與穩(wěn)健性。在實驗過程中探討了11種光譜預(yù)處理組合方式對模型評價參數(shù)的影響，以及不同預(yù)處理組合結(jié)合GA篩選波長對優(yōu)化模型評價參數(shù)的影響。在眾多預(yù)處理組合中，SG平滑+SNV與GA相結(jié)合后模型的預(yù)測準確性最好，且RPD結(jié)果較好,屬于可接受范圍內(nèi)，表明模型穩(wěn)健性良好。利用該模型可以應(yīng)用于小麥粉品質(zhì)快速檢測的生產(chǎn)活動中，減少生產(chǎn)工廠的人力投入，提升企業(yè)經(jīng)濟效益，降低食品監(jiān)管部門的工作強度。

參考文獻:

[1] 劉翠玲,吳勝男,孫曉榮,等.基于近紅外光譜的面粉灰分含量快速檢測方法[J].農(nóng)機化研究,2013,35(4):144-147.

[2] 周 揚,戴曙光,呂 進,等.光譜預(yù)處理對近紅外光譜快速檢測黃酒酒精度的影響[J].光電工程,2011,38(4):54-58.

[3] 褚小立,袁洪福,陸婉珍.近紅外分析中光譜預(yù)處理及波長選擇方法進展與應(yīng)用[J].化學進展,2004,16(4):528-542.

[4] 吳靜珠,劉 倩,陳 巖，等.基于近紅外與高光譜技術(shù)的小麥種子多指標檢測方法[J].傳感器與微系統(tǒng)，2016，35(7):42-44.

[5] 馬世榜,湯修映,徐 楊,等.可見/近紅外光譜結(jié)合遺傳算法無損檢測牛肉pH值[J].農(nóng)業(yè)工程學報,2012,28(18):263-268.

[6] 張 欣,單 楊,李水芳.基于多元散射校正和偏最小二乘(MSC/PLS)的傅里葉變換近紅外光譜檢測蜂蜜中還原糖[J].安全與檢測,2009,25(6):109-112.

[7] 彭云發(fā),詹 映,彭海根,等.用遺傳算法提取南疆紅棗總糖的近紅外光譜特征波長[J].食品工業(yè)科技,2015,36(3):303-307.

[8] 張國平.食品機械平面四桿機構(gòu)的遺傳算法優(yōu)化設(shè)計[J].食品與機械,2010,26(3):117-144.

[9] 張金權(quán)，李 榕，溫 俊，等.基于近紅外TOF傳感器的姿勢識別研究[J].傳感器與微系統(tǒng)，2015,34(7):33-36.

[10] 石吉勇,殷曉平,鄒小波,等.基于模擬退火波長優(yōu)化的草莓堅實度近紅外光譜檢測[J].農(nóng)業(yè)機械學報,2010,41(9):99-103.

[11] 谷筱玉,徐可欣,汪 曣.波長選擇算法在近紅外光譜法中藥有效成分測量中的應(yīng)用[J].光譜學與光譜分析,2006,26(9):1618-1620.

[12] 林 萍,陳永明.利用可見近紅外光譜技術(shù)快速鑒別大米品種[J].江蘇農(nóng)業(yè)科學,2014,43(12):320-322.

[13] 褚小立.化學計量學方法與分子光譜分析技術(shù)[M].北京:化學工業(yè)出版社,2011:83-84.

[14] Zou X B,Zhao J W.Variables selection methods in near-infrared spectroscopy[J].Analytica Chimica Acta,2010,667(1/2):14-23.

[15] 徐承愛,林 偉 ,肖 紅.一種基于加權(quán)海明距離的自適應(yīng)遺傳算法[J].華南師范大學學報,2015,47(6):121-127.

[16] 劉 瑩,胡云龍.基于 ARM9 的近紅外山茶油無損檢測儀研究[J].傳感器與微系統(tǒng),2013,32(4):72-75.