田萬(wàn)春 張貴宇,3 庹先國(guó) 吳昊翰

(1. 四川輕化工大學(xué)人工智能四川省重點(diǎn)實(shí)驗(yàn)室，四川 宜賓 644000；2. 四川輕化工大學(xué)自動(dòng)化與信息工程學(xué)院，四川 宜賓 644000；3. 西南科技大學(xué)信息工程學(xué)院，四川 綿陽(yáng) 621010)

中國(guó)白酒是世界六大蒸餾酒之一，其特有的固態(tài)發(fā)酵釀造工藝是中國(guó)勞動(dòng)人民的智慧結(jié)晶，是依靠經(jīng)驗(yàn)的傳統(tǒng)手工釀造技藝。“生香靠發(fā)酵，提香靠蒸餾”是固態(tài)法白酒釀造經(jīng)驗(yàn)之一[1]?！吧憧堪l(fā)酵”是指酒體風(fēng)味物質(zhì)通過(guò)糧食發(fā)酵產(chǎn)生，受微生物種類(lèi)、數(shù)量及當(dāng)?shù)貧夂驐l件等諸多因素影響，發(fā)酵工藝造就了酒的香型?！疤嵯憧空麴s”是指酒體風(fēng)味物質(zhì)的提取主要靠蒸餾，蒸餾工藝直接影響白酒的產(chǎn)量與品質(zhì)。上甑是蒸餾的最重要工藝之一，要求“探汽上甑，薄層加料”[2]，即在酒蒸汽前鋒即將逸出酒醅表面時(shí)才鋪撒一層薄薄的冷料，從而創(chuàng)造最佳的溶酯條件[3]，最大限度地提取風(fēng)味物質(zhì)。傳統(tǒng)釀造生產(chǎn)中，“探汽”全憑釀造師經(jīng)驗(yàn)把控，如果提前鋪料會(huì)導(dǎo)致酒蒸汽不能順利上升，造成“壓汽”現(xiàn)象，不能有效提取風(fēng)味物質(zhì)，從而影響白酒品質(zhì)；延遲鋪料則會(huì)導(dǎo)致酒蒸汽逸出，造成“跑汽”現(xiàn)象，降低產(chǎn)量。

近年來(lái)，隨著白酒企業(yè)自動(dòng)化轉(zhuǎn)型進(jìn)程的推進(jìn)，白酒自動(dòng)化釀造技術(shù)取得了長(zhǎng)足發(fā)展，同時(shí)也對(duì)“探汽上甑”提出了新的要求，大量的專(zhuān)家學(xué)者對(duì)“探汽”進(jìn)行了深入研究。楊一帆等[4]通過(guò)圖像處理手段分離酒醅圖像中的前景和背景，再檢測(cè)蒸汽溢出區(qū)域確定鋪料區(qū)域，但該方法作用于“跑汽”之后，只能做到見(jiàn)汽鋪料，不能做到“探汽上甑”。張家雙等[5-6]將酒醅表面的紅外圖像進(jìn)行二值化處理，通過(guò)閾值分割的方法提取鋪料區(qū)域。酒醅紅外圖像描述的是酒醅表面溫度分布情況，其灰度值與酒醅表面溫度值存在映射關(guān)系[7]，灰度閾值分割方法本質(zhì)上是設(shè)定溫度閾值分割出高溫區(qū)域。雖然該方法取得了一定成功，但從酒企應(yīng)用情況來(lái)看效果不夠理想，容易造成跑汽、壓汽，影響出酒質(zhì)量和產(chǎn)量。

支持向量機(jī)(SVM)是Vapnik等[8]提出的一種基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的模式分類(lèi)方法，在解決非線性、高維度的小樣本分類(lèi)問(wèn)題上表現(xiàn)出較好性能。其算法原理是在樣本空間中尋找一個(gè)分隔超平面將樣本集分為兩類(lèi)，樣本間的間隔最大時(shí)為最優(yōu)超平面。試驗(yàn)擬提出一種基于灰度直方圖特征與支持向量機(jī)相結(jié)合的探汽方法，通過(guò)從紅外圖像灰度直方圖提取多個(gè)特征，并結(jié)合釀造師上甑經(jīng)驗(yàn)訓(xùn)練SVM模型，獲得較高的探汽效率和準(zhǔn)確率，為實(shí)現(xiàn)自動(dòng)化探汽上甑技術(shù)提供理論依據(jù)。

1 材料與方法

1.1 材料與儀器

1.1.1 試驗(yàn)材料

酒醅：宜賓市云天曲酒廠。

1.1.2 儀器與設(shè)備

紅外熱成像儀：FLIR A310型，美國(guó)菲力爾公司；

甑桶(見(jiàn)圖1)：ZCLZJ200型，自主設(shè)計(jì)。

1. 甑篦 2. 紅外熱成像儀 3. 溫度傳感器 4. 內(nèi)膽 5. 保溫材料 6. 外殼 7. 旋轉(zhuǎn)軸 8. 傳感器信息處理機(jī)構(gòu) 9. 傳感器安裝槽圖1 甑桶結(jié)構(gòu)圖Figure 1 Structure diagram of distilling pot

1.2 方法

1.2.1 圖像采集、標(biāo)記 通過(guò)紅外熱成像儀采集上甑時(shí)甑桶內(nèi)酒醅表面紅外圖像，對(duì)應(yīng)釀造師的上甑操作將圖像標(biāo)記為3類(lèi)。

(1) 等待上甑：紅外圖像表現(xiàn)為無(wú)白熱區(qū)域，圖像整體呈灰暗狀態(tài)，表明酒蒸汽未到達(dá)表層酒醅。

(2) 補(bǔ)料操作：紅外圖像表現(xiàn)為有少量白熱區(qū)域，表明局部區(qū)域酒蒸汽上升較快，通過(guò)補(bǔ)料操作避免“跑汽”現(xiàn)象。

(3) 整層鋪料操作：紅外圖像表現(xiàn)為有大部分白熱區(qū)域，表明酒蒸汽已到達(dá)表層酒醅。

1.2.2 圖像預(yù)處理 采用中值濾波技術(shù)抑制噪聲。

1.2.3 灰度直方圖 將酒醅紅外圖像轉(zhuǎn)換為灰度直方圖，用橫坐標(biāo)表示灰度級(jí)，縱坐標(biāo)表示該灰度級(jí)上出現(xiàn)像素點(diǎn)的概率[9]。按式(1)計(jì)算概率。

(1)

式中：

i——第i級(jí)灰度級(jí)；

ni——第i級(jí)灰度級(jí)的像素?cái)?shù)；

N——紅外圖像的總像素?cái)?shù)；

L——紅外圖像灰度級(jí)。

FLIR A310紅外熱成像儀采集的圖像深度為8位，分辨率為640×480，即紅外圖像總像素為307 200，灰度級(jí)為256。

1.2.4 特征提取 為了進(jìn)一步降低酒醅紅外圖像的數(shù)據(jù)維度及擬合度，減少探汽模型訓(xùn)練時(shí)間、提高探汽準(zhǔn)確度，需進(jìn)一步對(duì)灰度直方圖進(jìn)行特征提取，灰度直方圖統(tǒng)計(jì)特征如表1所示。

單一特征提取不能有效反映酒醅紅外圖像本質(zhì)特征，因此，提取多個(gè)特征訓(xùn)練模型提高探汽準(zhǔn)確性。

1.2.5 分類(lèi)器設(shè)計(jì) 一個(gè)超平面只能從樣本集中分隔出一類(lèi)樣本，因此使用3個(gè)SVM分類(lèi)器組合成探汽分類(lèi)器，依次從樣本集中分隔出3類(lèi)紅外圖像?；叶戎狈綀D特征構(gòu)成的樣本集可表示為：

表1 灰度直方圖統(tǒng)計(jì)特征Table 1 Statistical features of grayscale histogram

D={(x1,y1),(xi,yi),…,(xn,yn)}，

(2)

式中：

(xi,yi)——第i個(gè)樣本點(diǎn)；

xi——第i張紅外圖像的灰度直方圖特征構(gòu)成的向量，i=1,2,…n；

yi——第i張紅外圖像的分類(lèi)標(biāo)簽，yi∈{1,2,3}。當(dāng)yi=1時(shí)，表示圖像i為等待上甑類(lèi)；當(dāng)yi=2、 3時(shí)，分別表示圖像i為補(bǔ)料操作類(lèi)和整層鋪料操作類(lèi)。

在樣本空間中，超平面可描述為：

wTxi+b=0，

(3)

式中：

w——超平面法向量，w=(w1,w2,…,wn)；

n——xi的維度；

b——位移項(xiàng)。

w決定了超平面的方向；b決定了超平面與原點(diǎn)之間的距離[10]。

對(duì)于線性可分的理想情況，假設(shè)存在超平面P能夠?qū)⒛骋活?lèi)紅外圖像從訓(xùn)練樣本集中分隔出來(lái)。令ti=+1表示該類(lèi)紅外圖像，記為正例，ti=-1表示樣本集中剩余的兩類(lèi)紅外圖像，記為負(fù)例，平行且通過(guò)離超平面最近的樣本點(diǎn)的平面P1、P2可定義為：

(4)

距離超平面P最近的訓(xùn)練樣本點(diǎn)使得式(4)中等號(hào)成立，被稱(chēng)為“支持向量”，平面P1、P2到超平面P的距離之和為：

(5)

γ被稱(chēng)為“間隔”，如圖2所示。

圖2 支持向量與間隔Figure 2 Support vectors and intervals

圖2表示線性可分的理想狀態(tài)，通過(guò)試驗(yàn)發(fā)現(xiàn)樣本集中少數(shù)酒醅紅外圖像不能被超平面正確分開(kāi)，于是引入松弛變量ξi≥0，使函數(shù)間隔加上松弛變量≥1[11]。則約束條件為：

yi(wTxi+b)≥1-ξi。

(6)

若要使間隔γ取得最大值獲得最優(yōu)超平面，則需使‖w‖-1最大化，等價(jià)于求取‖w‖2的最小值。對(duì)式(6)的松弛變量ξi增加代價(jià)函數(shù)[12]，則目標(biāo)函數(shù)為：

(7)

式中：

C——懲罰參數(shù)，C>0。

懲罰系數(shù)C代表對(duì)錯(cuò)分樣本的懲罰力度，其值越大表示懲罰越重，模型泛化能力越低。聯(lián)立式(6)、(7)可得一個(gè)凸二次規(guī)劃問(wèn)題，利用拉格朗日乘數(shù)法便可得到其對(duì)偶問(wèn)題[13]：

(8)

式中：

αi——拉格朗日乘子向量，αi=(α1,α2,…,αn)T。

由于酒醅紅外圖像樣本呈非線性分布，因此，采用核函數(shù)將樣本點(diǎn)映射到一個(gè)更高維度的空間中，使其在高維空間中線性可分[14]，以提高探汽準(zhǔn)確性。支持向量機(jī)常用的核函數(shù)有[15]：

多項(xiàng)式核函數(shù)：

(9)

式中：

α——調(diào)節(jié)參數(shù)；

b——可選常數(shù)；

d——最高次項(xiàng)次數(shù)。

高斯核函數(shù)：

(10)

式中：

σ——帶寬，控制徑向作用范圍；

高斯核函數(shù)是特征向量xi，xj歐氏距離的單調(diào)函數(shù)。

Sigmoid核函數(shù)：

(11)

式中：

β——調(diào)節(jié)參數(shù)；

核函數(shù)及其參數(shù)的選取決定了支持向量機(jī)的分類(lèi)性能，對(duì)各個(gè)核函數(shù)依次使用網(wǎng)格搜索選取合適的參數(shù)使其達(dá)到最佳探汽效果，如表2所示。

由表2可知，當(dāng)懲罰參數(shù)C=90、σ=0.081時(shí)，高斯核函數(shù)分類(lèi)效果最佳，正確率達(dá)96%，高于其他核函數(shù)分類(lèi)準(zhǔn)確率，耗時(shí)略長(zhǎng)，但整體效果最好。因此試驗(yàn)選擇高斯核函數(shù)，優(yōu)選懲罰參數(shù)C=90、σ=0.081。

表2 不同核函數(shù)的分類(lèi)效果Table 2 Classification effect of different kernel functions

2 結(jié)果與分析

2.1 紅外圖像分類(lèi)

由圖3可知，不同的蒸汽上升情況在紅外圖像上體現(xiàn)出的白熱化程度不同，蒸汽離酒醅表面越近白熱化程度越高。白熱區(qū)域面積大小與上甑操作存在對(duì)應(yīng)關(guān)系，面積越大，需鋪撒酒醅量越多。因此，可根據(jù)紅外圖像的白熱程度和白熱區(qū)域面積大小對(duì)紅外圖像進(jìn)行分類(lèi)，實(shí)現(xiàn)自動(dòng)化探汽。

圖3 3類(lèi)紅外圖像Figure 3 Three types of infrared images

2.2 中值濾波處理

由圖4可知，噪聲得到了有效抑制，避免了圖像特征模糊[16]，較好地保留了圖像細(xì)節(jié)和減少了圖像邊界失真。

2.3 灰度直方圖處理

由圖5可知，3類(lèi)紅外圖像體現(xiàn)出不同的形態(tài)特征[17]：灰度值分布范圍不同，等待上甑與補(bǔ)料操作的像素灰度值比較集中，整層操作的灰度值則較為分散，離散程度較大；最大概率的灰度值所處灰度級(jí)不同，等待上甑的最大概率灰度值所處灰度級(jí)最低，整層鋪料操作的最大概率灰度值所處灰度級(jí)最高；最大概率值不同，等待上甑的最大概率值最高，整層鋪料操作的最大概率值最低。

由圖5還可知，3類(lèi)紅外圖像在形態(tài)上具有明顯差異，且在一定程度上降低了酒醅紅外圖像的數(shù)據(jù)維度，但仍不能有效反映酒醅紅外圖像的本質(zhì)特征，直接使用灰度直方圖訓(xùn)練探汽模型不能得到理想的探汽效果。

圖4 中值濾波效果圖Figure 4 Median filtering effect graph

圖5 灰度直方圖Figure 5 Grayscale level histogram

2.4 灰度直方圖特征提取

根據(jù)特征公式提取灰度直方圖特征，如表3所示。

由表3可知，蒸汽離酒醅表面越近，紅外圖像白熱化程度越高，其圖像整體越明亮、明暗更分明、紋理更復(fù)雜，平均灰度、標(biāo)準(zhǔn)偏差、信息熵越大；灰度直方圖越不對(duì)稱(chēng)，偏斜度越大，像素值分布越離散，灰度范圍越大；不同類(lèi)紅外圖像間的特征值差異較大，具有可區(qū)分性；同類(lèi)紅外圖像間的特征值差異較小，具有可靠性。綜上，灰度直方圖特征能夠反映蒸汽上升情況，且維度較低，適合作為分類(lèi)器的訓(xùn)練特征。

3 實(shí)驗(yàn)驗(yàn)證

采用上述方法，共采集776張上甑紅外圖像樣本，依據(jù)釀造師的經(jīng)驗(yàn)將圖像分為3類(lèi)：等待上甑圖像，共212張；補(bǔ)料操作圖像，共278張；整層鋪料圖像，共286張。將所有圖像轉(zhuǎn)換為灰度直方圖并提取特征，將67%樣本作為訓(xùn)練集，剩余33%作為測(cè)試集，測(cè)試結(jié)果如表4所示。

表3 特征列表(部分)Table 3 Feature list (part)

表4 訓(xùn)練與測(cè)試結(jié)果Table 4 Training and test results

由表4可知，SVM的平均分類(lèi)正確率達(dá)96%，具有實(shí)用價(jià)值。其中等待上甑圖像與整層鋪料操作圖像分類(lèi)準(zhǔn)確率高，補(bǔ)料操作分類(lèi)準(zhǔn)確率較低，是由于不同的圖像存在有相同或相似的灰度直方圖。等待上甑圖像無(wú)白熱區(qū)域，無(wú)論是圖像視覺(jué)特征還是灰度直方圖統(tǒng)計(jì)特征都與其他圖像差異較大，因此分類(lèi)正確率最高；補(bǔ)料操作與整層鋪料操作圖像都有白熱區(qū)域，某些圖像的白熱區(qū)域在視覺(jué)上表現(xiàn)為面積大小與分布位置不同，視覺(jué)效果差異明顯。因而釀造師將其判斷為不同類(lèi)別，做出不同的上甑操作，而灰度直方圖的差異比較小，導(dǎo)致SVM的分類(lèi)出現(xiàn)誤差。

由表5可知，支持向量機(jī)的探汽準(zhǔn)確度遠(yuǎn)高于邏輯回歸、線性判別分析等算法[18]，因此支持向量機(jī)算法更適合白酒探汽工藝，有助于提高探汽準(zhǔn)確性。

表5 分類(lèi)模型對(duì)比Table 5 Classification model comparison

4 結(jié)論

試驗(yàn)通過(guò)采集酒醅表層的紅外灰度圖像間接獲取溫度分布信息，將探汽問(wèn)題抽象為圖像分類(lèi)問(wèn)題。為了避免前人閾值分割法存在的單一特征分類(lèi)精度低的缺陷，采用多個(gè)特征作為分類(lèi)依據(jù)，同時(shí)結(jié)合SVM算法引入人工探汽經(jīng)驗(yàn)，極大地提高了探汽準(zhǔn)確性和實(shí)用性。使用測(cè)試數(shù)據(jù)對(duì)探汽模型進(jìn)行測(cè)試，正確率為96%，達(dá)到“探汽上甑”工藝要求，能滿(mǎn)足生產(chǎn)需求，對(duì)白酒上甑工藝實(shí)現(xiàn)自動(dòng)化具有積極促進(jìn)作用。試驗(yàn)通過(guò)灰度直方圖提取特征時(shí)，丟失了像素坐標(biāo)信息，使探汽結(jié)果不能直接用于引導(dǎo)上甑機(jī)器人完成鋪料操作，鋪料區(qū)域坐標(biāo)信息的提取將是后續(xù)研究的重點(diǎn)。