白 雪， 李明利， 徐雷鈞，2

(1.江蘇大學(xué)電氣信息工程學(xué)院，江蘇鎮(zhèn)江 212013； 2.東南大學(xué)毫米波國(guó)家重點(diǎn)實(shí)驗(yàn)室，江蘇南京 210096)

隨著生活水平的不斷提高，人們更加注重雜糧所獨(dú)有的食療保健等功能，如具有很高的食療價(jià)值的小米(SetariaitalicalL.)、蕎麥等[1]。小米作為我國(guó)主要的糧食之一，含有豐富的營(yíng)養(yǎng)成分，具有清熱解渴、健脾胃等功效，受溫濕度、水分等影響，儲(chǔ)藏不當(dāng)將導(dǎo)致蟲蛀和霉變等，嚴(yán)重危及消費(fèi)者的身心健康。因此，實(shí)現(xiàn)小米品質(zhì)便捷、高效的檢測(cè)至關(guān)重要[2]。

目前，近紅外光譜、電子鼻、核磁共振和機(jī)器視覺等技術(shù)常被用來實(shí)現(xiàn)小米的檢測(cè)[3]，而其中有的方法采用間接分析技術(shù)，抗干擾性差，有的方法則是成本高、精度低，檢測(cè)范圍有限，這便要求設(shè)計(jì)和開發(fā)一種新型、快速和無損的小米品質(zhì)檢測(cè)技術(shù)及測(cè)試儀器。太赫茲(THz)是位于微波和紅外波段之間、頻率范圍為0.1～10 THz、輻射波長(zhǎng)為0.03～3 mm 的電磁波。近年來，超快激光和半導(dǎo)體技術(shù)的迅速發(fā)展，極大地促進(jìn)了THz技術(shù)進(jìn)步，并被應(yīng)用于通信、生物等領(lǐng)域[4-5]。由于THz波的高透射、低能量和指紋譜等獨(dú)特優(yōu)勢(shì)，成為了農(nóng)產(chǎn)品檢測(cè)領(lǐng)域的新興技術(shù)，Kim等提出采用THz技術(shù)對(duì)食品農(nóng)殘?jiān)缙跈z測(cè)，并對(duì)幾種常用農(nóng)藥測(cè)試分析[6]。Akagi等利用THz設(shè)備對(duì)低聚麥芽糖、乳糖等壓片樣品成像探測(cè)[7]。付秀華等利用THz技術(shù)分別對(duì)添加滑石粉、不同年份、不同發(fā)芽階段的小麥樣品檢測(cè)分析[8-10]。梁川等以玉米為對(duì)象，針對(duì)高油玉米不同部位、玉米胚乳和胚、儲(chǔ)糧害蟲判定等進(jìn)行了THz光譜檢測(cè)與分析[11-13]。通過已有研究發(fā)現(xiàn)，對(duì)雜糧谷物質(zhì)變檢測(cè)的研究相對(duì)較少，如蟲蛀、霉變和正常小米的早期識(shí)別等。

本試驗(yàn)采用THz-TDS技術(shù)在室溫下以霉變、蟲蛀和正常小米為研究對(duì)象，利用0～1.6 THz頻段的吸收譜信息研究多種預(yù)處理和特征波長(zhǎng)提取對(duì)PLS-DA預(yù)測(cè)性能的影響。利用所選特征波長(zhǎng)構(gòu)建PSO-SVM、IPSO-SVM識(shí)別模型，對(duì)提出的改進(jìn)IPSO優(yōu)化SVM算法驗(yàn)證分析，探索快速、高效和無損的小米品質(zhì)識(shí)別方法。

1 材料與方法

1.1 試驗(yàn)裝置及樣品制備

試驗(yàn)于2017年在江蘇大學(xué)國(guó)家重點(diǎn)學(xué)科基地進(jìn)行，采用日本Advantest公司生產(chǎn)的TAS7x00TS太赫茲時(shí)域光譜探測(cè)儀，裝置如圖1所示。試驗(yàn)設(shè)置0～3 THz，精度0.1 mm，系統(tǒng)信噪比5 000，頻譜分辨率3.8 GHz。為避免空氣中水蒸氣的影響，探測(cè)裝置處于濕度小于3%、溫度為21 ℃的氮?dú)猸h(huán)境的隔離箱內(nèi)。

霉變、蟲蛀和正常小米樣品均由江蘇大學(xué)食品與生物工程學(xué)院提供，經(jīng)粉碎、研磨、干燥和過濾獲得各樣品粉末。經(jīng)300目篩過濾后用5 MPa的壓力壓制成直徑6 mm、厚度 1.2 mm、質(zhì)地均勻的平面薄片(質(zhì)量0.1 g)，表面平滑無痕。同一樣品多點(diǎn)掃描，取相鄰3點(diǎn)均值，利用模糊C均值聚類法進(jìn)行聚類剔除異常樣品，然后采用KS(Kennard-Stone)法劃分訓(xùn)練集和測(cè)試集，最終訓(xùn)練集、測(cè)試集分別為90、45組。

1.2 粒子群(PSO)優(yōu)化算法

PSO是繼遺傳、蟻群等算法后的又一種新的群體智能算法，數(shù)學(xué)描述如下[14]：

(1)

1.3 改進(jìn)IPSO算法

為擺脫局部最優(yōu)解和提高粒子有效性，對(duì)基于RBF核函數(shù)的SVM的PSO尋優(yōu)過程改進(jìn)[15-17]，方案如下：

(1)增加微調(diào)因子ε、引導(dǎo)因子α、位置因子p和速度因子v，粒子飛行速度和位置如下：

(2)

式中：c1、c2滿足c=cS+i(cT-cS)/it，cS、cT為c1和c2的初始值和終止值，i和it為當(dāng)前和總迭代次數(shù)；收斂因子ξ∈[0.70，1.25]，作用于收斂后期，用于提高優(yōu)化效率；微調(diào)因子ε，加強(qiáng)微調(diào)幅度以避免局部極值；引導(dǎo)因子α=k+rand()，調(diào)節(jié)系數(shù)k∈[0.1，1]；計(jì)算粒子當(dāng)前位置與全局最優(yōu)粒子的距離d及速度V，一旦粒子非常接近Gid(d

(2)添加隨迭代次數(shù)而自適應(yīng)改變的慣性權(quán)重W。

(3)

W隨迭代次數(shù)線性增加，作用于收斂后期增強(qiáng)其全局搜索能力，較大W可以增強(qiáng)全局搜索能力，較小W強(qiáng)化局部搜索能力，Wmax、Wmin為慣性權(quán)重的最大值和最小值，取值[0.7，1.5]。達(dá)到迭代閾值iT時(shí)則重置w，非全局最優(yōu)粒子重新初始化，增加搜索范圍。

(3)引入自優(yōu)化調(diào)節(jié)機(jī)制，增加動(dòng)態(tài)感知機(jī)制F，預(yù)設(shè)響應(yīng)閾值FT，計(jì)算適應(yīng)度f(wàn)i、Δfi。

(4)

(5)

式中：Δfi=fi+1-fi，F(xiàn)i為Δfi絕對(duì)值之和，表征外部環(huán)境改變量。Fi≠0，說明外部環(huán)境已改變，使粒子具有感知外部環(huán)境變化的能力，當(dāng)Fi大于響應(yīng)閾值FT時(shí)，保持之前全局和局部最優(yōu)解，按式(4)重新初始化當(dāng)前粒子速度和位置。

將改進(jìn)PSO算法應(yīng)用于訓(xùn)練SVM，改進(jìn)IPSO-SVM建模流程如下：(1)初始化粒子群，在參數(shù)允許范圍內(nèi)，確定種群數(shù)目，初步設(shè)定學(xué)習(xí)因子c1、c2的起始值和終止值cS、cT；總迭代次數(shù)it和迭代閾值iT；慣性權(quán)重的Wmax、Wmin；微調(diào)參數(shù)和動(dòng)態(tài)響應(yīng)閾值FT等參數(shù)；(2)將每個(gè)粒子的個(gè)體極值Pid設(shè)置為當(dāng)前位置，計(jì)算每個(gè)粒子的適應(yīng)度，將適應(yīng)度最好的粒子所對(duì)應(yīng)的個(gè)體極值作為最初的全局極值Gid；(3)依據(jù)式(2)、式(3)進(jìn)行迭代計(jì)算更新粒子的速度和位置，產(chǎn)生新種群，計(jì)算和更新適應(yīng)度，比較并更新局部、全局極值；(4)計(jì)算并判定d和V，若dFT則按照式(5)更新粒子速度和位置，返回到步驟(3)；(6)判斷是否滿足終止條件，若達(dá)到最大迭代次數(shù)或所得解不再變化就終止迭代，輸出最優(yōu)解，否則返回到步驟(3)。

2 結(jié)果與分析

2.1 不同品質(zhì)小米THz光譜分析

通過掃描樣品和空樣品分別得到樣品和參考信號(hào)的THz光譜信息，為消除隨機(jī)噪聲，減小測(cè)量誤差，多點(diǎn)掃描取均值作為樣品的有效光譜。不同品質(zhì)小米和參考信號(hào)的THz時(shí)頻域譜如圖2所示，樣品對(duì)THz波的吸收和色散造成的相位和幅值相對(duì)參考信號(hào)均存在不同程度的延遲和衰減。頻譜圖顯示參考頻率范圍是0～2.7 THz，樣品對(duì)高頻段部分的吸收較多導(dǎo)致有效頻帶變窄。

由圖3可知，不同品質(zhì)小米的吸收系數(shù)隨頻率的增加而增加，折射率譜相反，霉變、蟲蛀小米的吸收系數(shù)和折射率均低于正常小米。有效頻段內(nèi)雖存在各自特征吸收峰，但吸收峰的位置相似，并沒有顯著區(qū)別，為此，不能完全依靠特征吸收峰鑒別其品質(zhì)，要用模式識(shí)別方法進(jìn)一步建模分析。因此，制作150個(gè)樣品選取0～1.6 THz的吸收譜進(jìn)行小米品質(zhì)識(shí)別的研究，并提出了一種新型的IPSO優(yōu)化SVM的方法。

2.2 THz光譜處理及分類模型

2.2.1 光譜預(yù)處理及特征信息提取 由于儀器和測(cè)量環(huán)境等因素的影響，所測(cè)數(shù)據(jù)中不可避免地包含部分噪聲[18]。為了減弱和消除各種非目標(biāo)因素對(duì)光譜的影響，凈化譜圖信息，得到精確的預(yù)測(cè)結(jié)果，采用標(biāo)準(zhǔn)正態(tài)交換(SNV)、多元散射校正(MSC)、直接正交信號(hào)校正(DSOC)、S-G(SavitZky-Golay)等對(duì)原始THz光譜數(shù)據(jù)預(yù)處理是十分必要的。

不同方式預(yù)處理后再經(jīng)主成分(PCA)提取累計(jì)貢獻(xiàn)率達(dá)到95%的主成分，建立基于PLS算法的小米品質(zhì)與THz吸收譜之間的PLS-DA預(yù)測(cè)模型，引用確定系數(shù)R2，均方根誤差RMSE和準(zhǔn)確率評(píng)定模型，優(yōu)選最佳預(yù)處理方式。采用 leave-one-out交叉驗(yàn)證法對(duì)模型驗(yàn)證，交互驗(yàn)證均方根RMSECV越小，交互決定系數(shù)Rcv2越接近1，模型預(yù)測(cè)性能越好，不同方式預(yù)處理后所建模型的結(jié)果詳見表1，DSOC+SNV+S-G預(yù)處理后經(jīng)PCA后的模型優(yōu)于其他模型。

DSOC+SNV+S-G預(yù)處理后經(jīng)PCA的累計(jì)貢獻(xiàn)率達(dá)到95%的前13個(gè)主成分柱狀圖和前3主成分得分示意如圖4所示，表明具有聚類趨勢(shì)，但存在一定交互現(xiàn)象。建模交叉驗(yàn)證結(jié)果表明RMSECV為0.180 2，Rcv2為0.992 7時(shí)模型性能最佳，回代訓(xùn)練集和測(cè)試集準(zhǔn)確率分別為100.00%、91.11%。其中測(cè)試集的預(yù)測(cè)結(jié)果如圖5所示，預(yù)測(cè)偏差集中分布在0.25附近，仍有4組大于0.5。為提高模型準(zhǔn)確率，采用特征波長(zhǎng)提取方法優(yōu)選特征，如連續(xù)投影法(SPA)、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法(CARS)和遺傳偏最小二乘(GAPLS)等，利用所選特征波長(zhǎng)構(gòu)建PLS-DA模型。

表1 不同方式預(yù)處理的PLS-DA模型的識(shí)別效果

由表2可知，CARS處理得37個(gè)候選波長(zhǎng)，再經(jīng)SPA二次優(yōu)選16個(gè)特征波長(zhǎng)所對(duì)應(yīng)的吸收系數(shù)構(gòu)建PLS-DA模型性能最佳，即CARS+SPA方式最佳，所選特征結(jié)果如圖6所示，發(fā)現(xiàn)大多分布在峰值谷值點(diǎn)處，其測(cè)試集準(zhǔn)確率達(dá)到93.33%，霉變組誤判數(shù)最多。結(jié)果表明，DSOC+SNV+S-G和CARS+SPA是最佳預(yù)處理和特征提取方式，后續(xù)工作均在此基礎(chǔ)上進(jìn)行。

表2 特征壓縮和特征波長(zhǎng)提取建模結(jié)果

注：誤判數(shù)依次表示正常、蟲蛀和霉變誤判個(gè)數(shù)。

2.2.2 PSO-SVM和IPSO-SVM識(shí)別模型 利用基于徑向基內(nèi)核(RBF)的支持向量機(jī)(SVM)和10折交叉驗(yàn)證的方法建立樣品THz吸收系數(shù)譜與其品質(zhì)之間的PSO-SVM、IPSO-SVM 分類模型。利用粒子群算法(PSO)快速尋找SVM最優(yōu)懲罰參數(shù)c，RBF核函數(shù)參數(shù)g，采用最優(yōu)參數(shù)構(gòu)建SVM模型。經(jīng)多次優(yōu)化，最終設(shè)定種群規(guī)模粒子數(shù)為20，一般粒子數(shù)過大將降低迭代速度，過小將導(dǎo)致各粒子學(xué)習(xí)的對(duì)象較少，導(dǎo)致陷入局部最優(yōu)解而停滯不前[19]，學(xué)習(xí)因子c1=1.5、c2=1.7，迭代次數(shù)100，交互驗(yàn)證10次。PSO優(yōu)化適應(yīng)度與迭代次數(shù)曲線如圖7所示，適應(yīng)度逐步增大，在迭代次數(shù)為87時(shí)逐步趨于穩(wěn)定，最大適應(yīng)度94.44，優(yōu)化所得RBF核函數(shù)參數(shù)g=17.430 9、懲罰參數(shù)c=0.305 1所建PSO-SVM模型測(cè)試集的預(yù)測(cè)準(zhǔn)確率為95.55%，分類結(jié)果如圖8所示。

IPSO-SVM模型在迭代次數(shù)、種群規(guī)模等參數(shù)與PSO-SVM相同情況下，經(jīng)多次優(yōu)化確定學(xué)習(xí)因子c1的起始值cs和終止值cT分別為1.0、2.45，c2取值[1.35，2.25]；收斂因子ξ=0.785；微調(diào)因子ε=0.85；k=0.05，即引導(dǎo)因子α=0.05+ramd()；慣性權(quán)重Wmax、Wmin和迭代次數(shù)閾值iT分別為1.5、0.7和60；位置因子p=0.1，速度因子v=0.05；響應(yīng)閾值FT=75，優(yōu)化適應(yīng)度見圖7，在迭代次數(shù)為70時(shí)逐步趨于穩(wěn)定，最大適應(yīng)度97.54，綜合最優(yōu)迭代次數(shù)和運(yùn)行時(shí)間這2點(diǎn)考慮，改進(jìn)IPSO優(yōu)化參數(shù)優(yōu)于PSO算法，IPSO優(yōu)化所得最佳參數(shù)g、c分別為15.459 3、0.813 7時(shí)，IPSO-SVM模型的性能最佳，訓(xùn)練集和測(cè)試集識(shí)別準(zhǔn)確率分別達(dá)到100.00%、97.78%，優(yōu)于PSO-SVM模型，結(jié)果可見表3。圖9分析了收斂因子ξ和響應(yīng)閾值FT參數(shù)對(duì)IPSO-SVM模型性能的影響，在其他參數(shù)為最優(yōu)時(shí)分別改變收斂因子ξ和響應(yīng)閾值FT，主要分析參數(shù)變化對(duì)模型優(yōu)化時(shí)間和測(cè)試集識(shí)別準(zhǔn)確率的影響，以此為指標(biāo)選出最優(yōu)調(diào)制參數(shù)。

由表3可知，與PLS-DA模型相比，PSO-SVM和IPSO-SVM的性能均有所提高，其中IPSO-SVM預(yù)測(cè)性能優(yōu)于其他分類模型，建模和預(yù)測(cè)運(yùn)算時(shí)間均少于其他模型，預(yù)測(cè)準(zhǔn)確率有所提高，其測(cè)試集準(zhǔn)確率達(dá)到了97.78%。改進(jìn)IPSO通過引入微調(diào)參數(shù)和更新機(jī)制等有效地解決了傳統(tǒng)PSO尋優(yōu)過程易陷入局部最優(yōu)解的問題，提高了粒子的有效性和多樣性，改善了SVM的收斂速度和分類精度，繼而提高了小米品質(zhì)識(shí)別精度和識(shí)別速度。

3 討論

目前，THz技術(shù)不像其他光譜技術(shù)那么成熟，將它與化學(xué)計(jì)量學(xué)方法結(jié)合實(shí)現(xiàn)谷物品質(zhì)快捷、高效識(shí)別的廣泛應(yīng)用仍是一個(gè)重要挑戰(zhàn)。主要是因?yàn)門Hz探測(cè)系統(tǒng)具有體積龐大、集成化程度低、成本高等限制因素；此外，溫度、水分等測(cè)試條件[20]對(duì)探測(cè)結(jié)果的準(zhǔn)確性、可靠性也有較大影響，樣品本身特征如厚度、密度等對(duì)探測(cè)結(jié)果也具有一定影響。若要THz技術(shù)擺脫試驗(yàn)條件實(shí)現(xiàn)廣泛的應(yīng)用，須要進(jìn)一步完善THz探測(cè)裝置和探測(cè)手段。

表3 不同模型預(yù)測(cè)結(jié)果

利用THz-TDS技術(shù)實(shí)現(xiàn)霉變、蟲蛀和正常小米THz光譜特性分析，發(fā)現(xiàn)不同品質(zhì)的小米在有效頻段的吸收系數(shù)和折射率譜具有一定差異，蟲蛀、霉變吸收系數(shù)和折射率均低于正常小米。但在整個(gè)研究過程中，也存在部分問題，主要是樣品的種類不足，只用了1個(gè)品種小米的3種品質(zhì)，沒有考慮更多品種小米的品質(zhì)等問題，將來須要對(duì)多種類小米品質(zhì)進(jìn)行研究，同時(shí)如何避免溫度、水分、樣品厚度、表面形態(tài)等對(duì)探測(cè)結(jié)果的影響也是一重要研究課題。

選取有效波段的吸收系數(shù)用于小米品質(zhì)鑒別研究，比較不同預(yù)處理和特征波長(zhǎng)提取方式對(duì)PLS-DA模型的影響，獲得了最佳預(yù)處理和特征提取方式DSOC+SNV+S-G和CARS+SPA。在此基礎(chǔ)上利用所選的特征波長(zhǎng)構(gòu)建PSO-SVM和IPSO-SVM分類模型，探索新型、高效的小米品質(zhì)鑒別方法，實(shí)現(xiàn)定性識(shí)別算法的研究，除了采用更加充足的樣品，還要對(duì)樣品制備方式、探測(cè)方式和化學(xué)計(jì)量學(xué)方法進(jìn)一步研究。

4 結(jié)論

本試驗(yàn)以小米樣品為研究對(duì)象，結(jié)合THz技術(shù)提出了一種新改進(jìn)粒子群(IPSO)優(yōu)化支持向量機(jī)(SVM)的分類方法，構(gòu)建IPSO-SVM模型，解決了傳統(tǒng)粒子群尋優(yōu)過程易陷入局部最優(yōu)點(diǎn)的問題，提高了粒子的有效性，模型訓(xùn)練速度和穩(wěn)健性也得到改善，其測(cè)試集準(zhǔn)確率達(dá)到97.78%。此外，還使用了其他分類方法(PLS-DA、PSO-SVM)實(shí)現(xiàn)小米品質(zhì)鑒別，從分類準(zhǔn)確率和運(yùn)算時(shí)間的角度考慮，IPSO-SVM模型均優(yōu)于其他分類方法。因此，利用THz技術(shù)結(jié)合IPSO-SVM算法可以作為一種有效的小米品質(zhì)鑒別方法，為THz-TDS技術(shù)在谷物的種類、年份和成分等檢測(cè)方面的應(yīng)用提供了快捷、高效和無損的試驗(yàn)方法。