吳 爽 李國建 介鄧飛

(福建農(nóng)林大學機電工程學院，福建 福州 350002)

目前，人們對水果內(nèi)部品質(zhì)的要求隨經(jīng)濟水平的不斷提高變得越來越嚴格[1]，而傳統(tǒng)的水果品質(zhì)檢測方法往往屬于有損檢測，已無法滿足對水果內(nèi)部品質(zhì)無損檢測、實時分級的發(fā)展需求。水果內(nèi)部品質(zhì)檢測過程中，常用可溶性固形物(soluble solid content，SSC)表示其糖度[2-3]。近紅外光譜無損檢測技術(shù)無需使用化學試劑，具有操作簡單、快速無損在線實時檢測的特點，已被廣泛應用于水果糖度等內(nèi)部品質(zhì)檢測[4-7]。韓東海等[8]利用Kubota K-BA100R近紅外光譜儀以漫透射光譜檢測方式分別獲取了西瓜頂部和赤道部位的光譜信息，結(jié)合偏最小二乘法(PLS)及主成分回歸法(PCR)建立了關(guān)于含糖量的預測模型，該模型在預測集頂部和赤道部位采集信息的相關(guān)系數(shù)分別為0.952，0.929，預測集均方根誤差(RMSEP)分別為0.666，0.732 °Brix。何洪巨等[9]選取639.3 nm處的光譜反射率與其糖度構(gòu)建了一次線性模型，其決定系數(shù)達0.951，相對均方根誤差為6.78%。Zhang等[10]采用可見/近紅外光譜技術(shù)構(gòu)建了適用于厚皮甜瓜的快速、高魯棒性波段優(yōu)選模型，該模型預測集相關(guān)系數(shù)為0.914 3，RMSEP為 0.835 9 °Brix。錢曼等[11]分別采用連續(xù)投影算法(SPA)和競爭性自適應重加權(quán)算法(CARS)篩出西瓜SSC近紅外光譜變量特征波長，利用PLS得到最佳建模結(jié)果為瓜頂處光譜信息，預測集R2為0.905，RMSEP為0.629 °Brix。

傳統(tǒng)的光譜建模分析方法往往采用線性建模方法或機器學習中的核算法將部分非線性問題轉(zhuǎn)化為線性問題。實際上，水果果實的結(jié)構(gòu)特性和果皮對光的反射和散射是非常復雜的，對自變量間非線性關(guān)系的深度探討可能有助于進一步提高模型的預測準確率。近年來快速發(fā)展的深度學習神經(jīng)網(wǎng)絡(luò)[12-13]也普遍應用于可見/近紅外光譜建模分析。Zhou等[14]針對生菜葉片的可見/近紅外高光譜圖像，使用了支撐向量回歸(SVR)結(jié)合小波變換—堆棧自編碼機(WT-SAE)建模訓練，其預測集的最高決定系數(shù)達0.959 0，RMSEP為0.055 87 mg/kg。Yu等[15]采用堆棧自編碼機(SAE)處理梨的可見/近紅外反射高光譜圖像(380～1 030 nm)，并結(jié)合全連接神經(jīng)網(wǎng)絡(luò)(FNN)實現(xiàn)了SSC含量的預測，其預測集的果實SSC含量決定系數(shù)為0.921，相較于PLSR提高了0.089，相較于LS-SVM提高了0.114。

目前，光譜建模研究往往使用線性模型或基于深度學習模型的簡單應用，但近年來深度學習在圖像領(lǐng)域的研究中，通過改變模型結(jié)構(gòu)、變換卷積順序使模型變得更快速、更準確，但在一維光譜建模研究中應用相對較少，往往停留在簡單的卷積模型應用上，并未對先進的圖像處理模型結(jié)構(gòu)進行學習。因此，為推測圖像處理深度學習模塊是否同樣適用于一維卷積神經(jīng)網(wǎng)絡(luò)，試驗擬選取不同時期、不同糖度的大批量西瓜作為模型建模對象，分別采用K最近鄰法回歸、隨機森林回歸以及兩種不同深度卷積神經(jīng)網(wǎng)絡(luò)模型對西瓜糖度構(gòu)建預測模型，其中針對深度卷積神經(jīng)網(wǎng)絡(luò)，選取同樣計算復雜度下的常規(guī)卷積神經(jīng)網(wǎng)絡(luò)CNN與帶有殘差塊結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)Res-CNN進行探討，旨在為西瓜糖度無損快速檢測裝置的開發(fā)以及提升深度學習結(jié)構(gòu)一維化的模型性能提供依據(jù)。

1 材料與方法

1.1 試驗樣本

選取6～7月不同成熟期西瓜(購買于杭州余杭地區(qū)，品種為“麒麟瓜”)共510個樣本，并于當日送回實驗室，去除形狀不規(guī)則樣品后剩余500個樣本，并對樣本進行編號，22 ℃實驗室環(huán)境下放置24 h，分別采集西瓜樣品的漫透射光譜和測定可溶性固形物含量。

1.2 光譜檢測裝置

光譜采集裝置(圖1)由微型光譜儀、筆記本電腦、光纖、光源等組成。檢測器采用美國海洋光學公司的USB400商用微型光譜儀，光譜分辨率為 1 cm-1，采樣范圍為 220～1 020 nm，數(shù)據(jù)點為 1 044。對西瓜樣品瓜臍位置采用漫透射方式采集光譜，樣本相對檢測器和光源的角度為120°。光源采用8盞150 W鹵鎢燈，總功率1.2 kW，積分時長200 ms，采用SpectraSuite(Ocean Optics Inc, USA)軟件進行光譜采集。

1.3 可溶性固形物含量的測定

1. 透鏡 2. 托盤 3. 光源 4. 西瓜 5. 光照箱 6. 計算機 7. 微型光譜儀 8. 光纖

使用數(shù)字式糖度計(PR-101型，日本ATAGO公司)進行測定，儀器精度為0.1 °Brix，測量范圍為0～45 °Brix。去除西瓜樣本非可食部分，將可食部分切碎后榨汁，濾紙過濾得西瓜樣本汁液，測定汁液可溶性固形物含量。

1.4 數(shù)據(jù)處理與分析方法

西瓜校正集與預測集樣本分布及對應糖度值見表1，校正集與預測集比例為7∶3。針對K最近鄰法回歸和隨機森林回歸，對原始數(shù)據(jù)中680～920 nm范圍的采用PCA算法降維，采取不同主元素數(shù)量保留最佳建模結(jié)果。對于神經(jīng)網(wǎng)絡(luò)選取原始數(shù)據(jù)中680～920 nm范圍的采用式(1) 進行標準差標準化處理。

表1 校正集/預測集樣本分布Table 1 Sample allocation in calibration-set/ prediction-set

(1)

式中：

x*——標準化后的數(shù)值；

x——輸入光譜；

u——自變量x的平均值；

σ——自變量x的方差。

1.4.1 CNN模型的構(gòu)建 常規(guī)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖2所示，該模型由3個卷積層、3個批歸一化層、2個全連接層及1個池化層組成，共含有533 217個訓練參數(shù)。

圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure 2 Architecture of convolution neural network

1.4.2 Res-CNN模型的構(gòu)建 Res-CNN模型結(jié)構(gòu)示意圖如圖3所示，該模型由4個卷積核、5個批歸一化層、2個全連接層及1個池化層組成。Resnet等[17-18]提出bottleneck會導致經(jīng)Res-block的特征數(shù)急劇上升，因此試驗使用的Res-block為輕量級開發(fā)網(wǎng)絡(luò)的Inverted Residual[19]，其結(jié)構(gòu)包含1×1卷積、1×3卷積以及shortcut連接。殘差結(jié)構(gòu)在神經(jīng)網(wǎng)絡(luò)中的使用可以提高模型的學習效率，減緩模型因深度或迭代輪次造成的網(wǎng)絡(luò)退化，1×1卷積核則可以改變通道數(shù)量并加強通道間信息的交互，該模型共含有545 505個訓練參數(shù)。

圖3 含有殘差塊的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Figure 3 Architecture of convolution neural network added Residual-block

1.4.3 KNN回歸 KNN[20-21]是一種既可以用于分類又可以用于回歸的算法。對于給定測試樣本，基于距離度量找出校正集中與選定測試樣本最靠近的K個訓練樣本，試驗所選近鄰評價標準為歐式距離[式(2)]，K值為10，然后基于這K個“鄰居”的信息來進行預測。在回歸任務(wù)中可使用平均法，將K個樣本的實值輸出標記的平均值作為預測結(jié)果。由于KNN的KD樹展開方法為對每個輸入變量求方差做節(jié)點展開并不斷遞歸，因此使用PCA降維減小計算量。

d(x,y)=

(2)

1.4.4 隨機森林回歸 隨機森林[24]為集成學習中的一個算法，其思想為使用多個弱學習器對樣本學習后共同預測結(jié)果。隨機森林算法不僅可以用于分類，還可以用于回歸。使用弱學習器為分類與回歸樹(CART)，該算法以方差作為評價指標，假設(shè)輸入樣本含有m個特征，將樣本通過某一特征的特定數(shù)值劃分為方差較為小的兩個含有(m-1)個特征的子集，并使用同樣的方法對兩個子集進行迭代，每次將一個子集劃分為兩個方差最小的子集，以此通過劃分子類空間的方式將數(shù)據(jù)劃分到預測更準的葉節(jié)點中，最后輸出的回歸值為葉節(jié)點平均值。

2 結(jié)果與分析

由表2可知，KNN在PCA降維數(shù)為8時效果最好，此時8個主成分貢獻率高達99%。KNN回歸使用了保留超過99%信息的主元素進行建模，但無論是在相關(guān)系數(shù)、RMSEC以及RMSEP的表現(xiàn)上都差強人意，校正集中Rc為0.697 7，RMSEC為0.965 0 °Brix，該算法在校正集中難以實現(xiàn)較好的收斂效果，可能由于輸入數(shù)據(jù)維度不足導致無法實現(xiàn)有效回歸，但由于KNN法是一種依賴距離選取鄰居的算法，過多的維度會導致維度災難同樣不利于模型訓練。隨機森林模型出現(xiàn)了較大的過擬合現(xiàn)象，校正集中Rc為0.962 5, RMSEC為0.629 3 °Brix，但預測集中Rp=0.676 5且RMSEP接近1.000 0 °Brix，可能是隨機森林回歸算法中的CART弱學習器在bagging過程中每次選取不同訓練樣本導致模型的誤差期望難以收斂，并且未進行剪枝操作導致模型出現(xiàn)過擬合現(xiàn)象。CNN模型與Res-CNN模型在校正集中的相關(guān)系數(shù)均>0.8，分別為0.813 2，0.875 0，校正集和預測集中的相關(guān)系數(shù)比較接近，CNN差值為0.042 7，Res-CNN差值為0.018 2，均方根誤差也比較穩(wěn)定，其差值分別為0.008，0.564 °Brix，其中Res-CNN的表現(xiàn)均優(yōu)于CNN，兩個模型的計算量近乎相等，說明通過改變模型結(jié)構(gòu)，Res-block在一定程度上提高了模型性能。

表2 不同模型采集光譜建模預測結(jié)果Table 2 Prediction result of different model

3 結(jié)論

試驗主要利用可見/近紅外光譜結(jié)合K最近鄰法回歸、隨機森林回歸以及卷積神經(jīng)網(wǎng)絡(luò)與含有殘差塊的卷積神經(jīng)網(wǎng)絡(luò)兩類深度學習卷積神經(jīng)網(wǎng)絡(luò)對西瓜可溶性固形物含量進行定量分析，并建立模型。其中含有殘差塊的卷積神經(jīng)網(wǎng)絡(luò)的校正集均方根誤差為0.654 0 °Brix，預測集均方根誤差為0.710 4 °Brix，其相關(guān)系數(shù)分別為0.875 0，0.893 2。后續(xù)將進一步深入研究圖像深度學習結(jié)構(gòu)一維化，并不斷優(yōu)化其光譜建模算法。