王俊平

徐 剛2

(1. 湖北職業(yè)技術(shù)學(xué)院，湖北 孝感 432000；2. 湖北工程學(xué)院，湖北 孝感 432000)

在采摘、儲(chǔ)運(yùn)等物流環(huán)節(jié)中，果蔬腐損率達(dá)20%～30%，年損失可達(dá)1 000億元，主要是不同成熟度的果蔬混裝在一起造成的[1]。近年來，國內(nèi)外有大量研究人員對(duì)食品檢測(cè)技術(shù)進(jìn)行研究，也有一些較為突出的成果，如機(jī)器視覺、電子感官、高光光譜成像等檢測(cè)技術(shù)。張政等[2]提出了一種基于機(jī)器視覺的香蕉果肉缺陷預(yù)測(cè)方法。結(jié)果表明，與傳統(tǒng)方法相比，該方法的預(yù)測(cè)精度較高，總體精度為88.9%。周靖宇等[3]提出了一種基于近紅外技術(shù)和偏最小二乘法的無花果成熟度檢測(cè)方法。結(jié)果表明，該方法在訓(xùn)練集和測(cè)試集的分類準(zhǔn)確率分別達(dá)到99.59%和99.15%。張義志等[4]對(duì)高光譜技術(shù)在農(nóng)產(chǎn)品成熟度檢測(cè)中的應(yīng)用進(jìn)行研究，指出了應(yīng)用中存在的問題，并提出了改進(jìn)措施。楊晨昱等[5]將近紅外光譜技術(shù)和電子鼻技術(shù)分別應(yīng)用于蘋果霉心病的無損檢測(cè)。結(jié)果表明，電子鼻和近紅外光譜能較好地鑒別蘋果霉心病，準(zhǔn)確率達(dá)到87.7%和86.2%。然而，機(jī)器視覺只提供相對(duì)單一的視覺信息，電子感官獲取信息有一定的局限性，高光譜檢測(cè)技術(shù)中的數(shù)據(jù)量巨大且難以處理。多源信息融合問題尚未形成一個(gè)具有基本理論框架的有效融合模型。

番茄屬于世界三大貿(mào)易性蔬菜之一，具有易腐性。試驗(yàn)擬提出一種基于多源信息融合的番茄成熟度檢測(cè)方法。以機(jī)器視覺篩選出的6個(gè)顏色特征和電子鼻篩選出的10個(gè)氣味特征為基礎(chǔ)，建立番茄成熟度檢測(cè)的最小二乘支持向量機(jī)模型，以期為果蔬成熟度檢測(cè)方法的發(fā)展提供參考。

1 系統(tǒng)原理

1.1 機(jī)器視覺采集系統(tǒng)

通過機(jī)器視覺實(shí)現(xiàn)對(duì)番茄成熟度的檢測(cè)。首先，樣本圖像由相機(jī)拍攝，然后發(fā)送到處理單元(如計(jì)算機(jī))。通過數(shù)字處理，可以掌握目標(biāo)區(qū)域的顏色、紋理、大小和形狀等特征。然后通過一系列判斷條件得到識(shí)別結(jié)果，實(shí)現(xiàn)機(jī)器視覺系統(tǒng)的識(shí)別功能。所使用的機(jī)器視覺硬件系統(tǒng)分為兩大部分：圖像采集系統(tǒng)和計(jì)算機(jī)[6]。圖1為機(jī)器視覺采集系統(tǒng)的結(jié)構(gòu)。

1.2 電子鼻采集系統(tǒng)

1. 相機(jī) 2. 燈箱 3. 樣品臺(tái) 4. 光源 5. 樣本 6. 計(jì)算機(jī)圖1 機(jī)器視覺系統(tǒng)結(jié)構(gòu)Figure 1 Mechanical vision system structure

1. 集氣室 2. 氣路管道 3. 泵 4. 氣味反應(yīng)室 5. 傳感器6. 計(jì)算機(jī) 7. 氧氣罐 8. 氧氣圖2 電子鼻系統(tǒng)結(jié)構(gòu)Figure 2 Electronic nose system structure

電子鼻是一種新型的智能裝置，可以模擬動(dòng)物的嗅覺，識(shí)別揮發(fā)性氣味[7]。電子鼻結(jié)構(gòu)如圖2所示，由4個(gè)主要部分組成：氣體采樣、傳感器陣列、信號(hào)處理、氣路清洗[8]。氣體采樣系統(tǒng)將氣味吸附到氣體傳感器上，氣體傳感器陣列吸收氣味并產(chǎn)生信號(hào)，這類似于人類細(xì)胞感知?dú)馕兜倪^程，呼氣和吸入的過程也類似。信號(hào)處理系統(tǒng)可以對(duì)獲取的氣味信息進(jìn)行分析與判斷，數(shù)據(jù)處理后輸出識(shí)別結(jié)果。氣路清洗是通過氧氣對(duì)氣管和氣室進(jìn)行清洗。

2 多源信息融合

多源信息融合是將機(jī)器視覺和電子鼻采集信息進(jìn)行融合，以機(jī)器視覺篩選出顏色特征變量和電子鼻篩選出氣味特征變量進(jìn)行特征融合。通過番茄各彩色單通道圖像的灰色均值箱線圖選取的6個(gè)有效顏色特征。通過番茄中的揮發(fā)性氣體選擇了10個(gè)電子鼻傳感器。建立番茄成熟度檢測(cè)的最小二乘支持向量機(jī)模型。融合過程如圖3所示。

圖3 多源信息融合過程Figure 3 Multi source information fusion process

2.1 圖像特征提取

文中采用機(jī)器視覺常用的RGB、HSV和CIEL*a*b*模型，從這9個(gè)顏色特征中進(jìn)行選擇[9]。根據(jù)SB/T 10331—2000，對(duì)成熟度判定方法進(jìn)行制定，將番茄劃分為6個(gè)不同成熟度(綠熟期、轉(zhuǎn)色期、半熟期、成熟期、完熟期、腐敗期)，如圖4所示。

圖4 番茄不同成熟度Figure 4 Different maturity of tomato

從6個(gè)成熟度等級(jí)的番茄各彩色單通道圖像的灰色均值箱線圖可以看出。R、V和b*均呈凸形排列，在成熟時(shí)到達(dá)凸頂，但重疊區(qū)域較多，很難區(qū)分。G、B、H和L*均呈下降排列。G可以區(qū)分一個(gè)等級(jí)：成熟期。B準(zhǔn)確區(qū)分了半成熟期之前和成熟期之后的番茄。H可以區(qū)分4個(gè)等級(jí)：綠熟期、轉(zhuǎn)色期、半熟期與成熟期，但很難區(qū)分腐爛期和完熟期。L*可以區(qū)分一個(gè)等級(jí)：成熟期。在S和a*箱線圖中，箱子基本上呈上升趨勢(shì)。S可以區(qū)分前3個(gè)等級(jí)。a*可以區(qū)分前4個(gè)等級(jí)[10]。

綜上所述，在RGB、HSV和CIEL*a*b*3種顏色模型中共選取6種有效顏色特征(G、B、H、S、L*和a*)。

2.2 氣體特征提取

將番茄樣品放入500 mL燒杯中進(jìn)行密封，控制與儲(chǔ)存相同的溫濕度富集其揮發(fā)性氣體20 min，通過電子鼻檢測(cè)頂空氣體[11]。共采集450 s，間隔1 s。對(duì)108個(gè)番茄樣本進(jìn)行采樣。構(gòu)建氣體傳感器陣列(10個(gè)氧化物半導(dǎo)體傳感器)提取電子鼻傳感器信息，選取441～450 s采集數(shù)據(jù)平均值作為氣味特征值，共10個(gè)。

2.3 改進(jìn)的最小二乘支持向量機(jī)模型

支持向量機(jī)(Support Vector Machines，SVM)是近年發(fā)展起來的一種新的學(xué)習(xí)方法[12]。相比于神經(jīng)網(wǎng)絡(luò)，理論上，它提供了最佳的整體效益，解決神經(jīng)網(wǎng)絡(luò)中局部極小問題[13]。通過對(duì)支持向量機(jī)建模技術(shù)的深入研究和廣泛應(yīng)用，出現(xiàn)了很多改進(jìn)方法。

最小二乘支持向量機(jī)(LS-SVM)就是SVM的改進(jìn)方法。提高了求解速度和收斂精度。采用LS-SVM建立番茄成熟度模型，如式(1)所示[14]。

(1)

式中：

y——輸出向量；

N——樣本個(gè)數(shù)；

αk——拉格朗日因子；

b——偏置項(xiàng)；

K(x,xk)——徑向基核函數(shù)，如式(2)所示[15]。

(2)

式中：

x——m維數(shù)輸入向量；

xk——第k個(gè)徑向基函數(shù)的中心；

σ——核參數(shù)；

‖x-xk‖——向量x-xk的范數(shù)。

LS-SVM建模需要考慮的主要參數(shù)有：輸入層數(shù)、輸出層數(shù)、正則化參數(shù)、核函數(shù)等[16]。在LS-SVM的建模過程中，需要確定兩個(gè)參數(shù)：懲罰參數(shù)C和核參數(shù)σ。C值越小，偏差懲罰越小，支持向量機(jī)的回歸曲線越平滑，越有可能訓(xùn)練不足。C值越高，偏差懲罰越高，可能導(dǎo)致過度學(xué)習(xí)。如果σ較小，可能會(huì)發(fā)生局部優(yōu)化，導(dǎo)致LS-SVM的過度訓(xùn)練。相反，如果σ較大，可能會(huì)出現(xiàn)訓(xùn)練不足的情況。

在LS-SVM回歸參數(shù)優(yōu)化分析中，以C和σ組合獲得的均方誤差(MSE)最小為目標(biāo)，在最優(yōu)參數(shù)下建模。通過訓(xùn)練集的交叉驗(yàn)證均方根誤差(RMSECV)、相關(guān)系數(shù)(Rc)和測(cè)試集的均方根誤差(RMSEP)、相關(guān)系數(shù)(Rp)對(duì)模型的性能進(jìn)行全面評(píng)估。相關(guān)系數(shù)越高，模型對(duì)數(shù)據(jù)的擬合能力越強(qiáng)。均方誤差越小，模型越精確。

訓(xùn)練集相關(guān)系數(shù)(Rc)與測(cè)試集相關(guān)系數(shù)(Rp)越接近1，模型的預(yù)測(cè)精度越高。相關(guān)系數(shù)R計(jì)算如式(3)所示[17]。

(3)

式中：

R——相關(guān)系數(shù)；

訓(xùn)練集均方根誤差(RMSECV)如式(4)所示[18]。

(4)

式中：

n——測(cè)試集樣本。

測(cè)試集均方根誤差(RMSEP)如式(5)所示[19]。

(5)

式中：

m——預(yù)測(cè)集樣本。

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)參數(shù)

試驗(yàn)設(shè)備為聯(lián)想PC，操作系統(tǒng)為windows 10 64位旗艦，Intel i5 2450m CPU、2.5 GHz頻率、8 GB內(nèi)存[20]。相機(jī)采用德國Manta G-125C，鏡頭采用Computar M0814-MP2。電子鼻傳感器為TGS813、TGS816、TGS822、TGS825、TGS832、TGS880、TGS2600-B00、TGS2610-BOO、TGS2611-C00、TGS2620-A00。設(shè)置的番茄貯藏溫度為20 ℃，濕度為85%RH，電子鼻檢測(cè)與貯藏溫濕度相同。釆用英國Stable Micro Systems公司的TA.XT.Plus型質(zhì)構(gòu)分析儀對(duì)番茄表面硬度進(jìn)行測(cè)量，采用日本島津公司的LC-20AB型高效液相色譜儀對(duì)番茄果實(shí)中的番茄紅素含量進(jìn)行測(cè)量。試驗(yàn)中，融合函數(shù)的主成分作為自變量，番茄成熟度、硬度和紅色素作為因變量。總共108組數(shù)據(jù)，按照2∶1的比例隨機(jī)分為訓(xùn)練集和測(cè)試集。建立了番茄成熟度檢測(cè)模型。主成分?jǐn)?shù)為5分，懲罰參數(shù)C=64和核參數(shù)σ=0.044 2。建立番茄硬度預(yù)測(cè)模型，主成分?jǐn)?shù)為7，懲罰參數(shù)C=0.707 1和核參數(shù)σ=0.176 8。建立了番茄紅素的預(yù)測(cè)模型。主成分?jǐn)?shù)為7，懲罰參數(shù)C=8和核參數(shù)σ=0.062 5。在參數(shù)優(yōu)化之前，將自變量標(biāo)準(zhǔn)化為[-1,1]，因變量標(biāo)準(zhǔn)化為[0,1]。

3.2 試驗(yàn)分析

3.2.1 成熟度識(shí)別 為了驗(yàn)證文中多源融合方法的優(yōu)越性，分別建立番茄成熟度模型進(jìn)行對(duì)比分析(機(jī)器視覺LS-SVM模型、電子鼻LS-SVM模型、多源融合LS-SVM模型)。表1為采用不同方法建立的番茄成熟度識(shí)別模型的識(shí)別結(jié)果。

表1 不同方法番茄成熟度判別模型結(jié)果Table 1 Different methods of tomato maturity discriminant model results

由表1可知，多源信息融合的LS-SVM模型測(cè)試集識(shí)別準(zhǔn)確率最高，為98.03%。機(jī)器視覺LS-SVM模型測(cè)試集識(shí)別準(zhǔn)確率為88.09%，電子鼻LS-SVM模型測(cè)試集識(shí)別準(zhǔn)確率為84.02%。這是因?yàn)椴煌墒於鹊姆杨伾町愂侨庋劭梢姷模瑱C(jī)器視覺提取的顏色特征可以反映番茄存在的差異，而電子鼻檢測(cè)氣體受番茄物質(zhì)含量的影響，可變因素較多。因此，相比于電子鼻LS-SVM模型，機(jī)器視覺LS-SVM模型的識(shí)別準(zhǔn)確率更高。在融合技術(shù)中，顏色和氣味特征的融合彌補(bǔ)了單一技術(shù)存在的不足，識(shí)別精度高于單一技術(shù)。

3.2.2 硬度預(yù)測(cè) 表2為不同方法建立的番茄硬度預(yù)測(cè)模型的預(yù)測(cè)結(jié)果。

表2 不同方法番茄硬度預(yù)測(cè)模型結(jié)果Table 2 Results of tomato hardness prediction models by different methods

從表2可以看出，多源信息融合的LS-SVM模型在訓(xùn)練集中的預(yù)測(cè)性能略低于機(jī)器視覺LS-SVM模型，但測(cè)試集的預(yù)測(cè)效果較優(yōu)。相比于電子鼻LS-SVM模型，多源信息融合的LS-SVM模型在硬度預(yù)測(cè)中有了顯著提高，其中Rp由0.783 9提高到0.914 3。這是因?yàn)橥ㄟ^機(jī)器視覺提取的顏色特征能夠更好地反映果實(shí)成熟期，隨著番茄越來越熟，其硬度往往會(huì)顯著降低。融合技術(shù)結(jié)合顏色和氣味特征獲取的數(shù)據(jù)信息更多，但也引入了一些冗余信息，因此在訓(xùn)練集中，相比于機(jī)器視覺LS-SVM模型，多源信息融合的LS-SVM模型預(yù)測(cè)性降低，Rc由0.934 1降低到0.922 0。硬度變化是由果膠降解引起，而電子鼻缺乏這一類的檢測(cè)手段，因此性能低于機(jī)器視覺LS-SVM模型。

3.2.3 番茄紅素預(yù)測(cè) 表3為不同方法建立的番茄紅素預(yù)測(cè)模型的預(yù)測(cè)結(jié)果。

表3 不同方法番茄紅素預(yù)測(cè)模型結(jié)果Table 3 Results of different methods of lycopene prediction model

從表3可以看出，多源信息融合的LS-SVM模型對(duì)番茄紅素的預(yù)測(cè)能力優(yōu)于機(jī)器視覺LS-SVM模型和電子鼻LS-SVM模型，Rc略高，RMSECV降低明顯。Rp增加明顯，RMSEP介于兩者中間。這是因?yàn)闄C(jī)器視覺提取的顏色特征能夠更好地反映番茄成熟度。番茄紅素是成熟番茄的主要顏色物質(zhì)，隨著番茄越來越成熟，含量不斷增加。所以機(jī)器視覺LS-SVM模型對(duì)番茄紅素的預(yù)測(cè)更加精準(zhǔn)。然而，番茄紅素不溶于水、不易揮發(fā)，而電子鼻缺乏這一類的檢測(cè)手段。相比于電子鼻LS-SVM模型，機(jī)器視覺LS-SVM模型對(duì)番茄紅素的預(yù)測(cè)效果更優(yōu)。融合技術(shù)結(jié)合顏色和氣味特征獲取的信息更加全面。因此，多源信息融合的LS-SVM模型預(yù)測(cè)能力最優(yōu)，在番茄成熟度檢測(cè)中是可行和有效的。

4 結(jié)論

研究提出了一種基于多源信息融合的番茄成熟度檢測(cè)方法，以機(jī)器視覺篩選出6個(gè)顏色特征和電子鼻篩選出10個(gè)氣味特征為基礎(chǔ)，建立了番茄成熟度檢測(cè)的最小二乘支持向量機(jī)模型。結(jié)果表明，與單一方法相比，多源融合方法在成熟度識(shí)別、番茄硬度和番茄紅素預(yù)測(cè)方面有一定的改進(jìn)。成熟度識(shí)別在訓(xùn)練集中達(dá)到100%，在測(cè)試集中達(dá)到98.3%。硬度預(yù)測(cè)中訓(xùn)練集相關(guān)系數(shù)為0.922 0，訓(xùn)練集均方根誤差為0.008 1，測(cè)試集相關(guān)系數(shù)為0.914 3，測(cè)試集均方根誤差為0.008 1。紅素預(yù)測(cè)中的訓(xùn)練集相關(guān)系數(shù)為0.932 8，訓(xùn)練集均方根誤差為0.005 4，測(cè)試集相關(guān)系數(shù)為0.902 0，測(cè)試集均方根誤差為0.027 2。試驗(yàn)對(duì)番茄成熟度檢測(cè)方法的研究尚處于起步階段，僅對(duì)番茄成熟度進(jìn)行了檢測(cè)。后續(xù)將進(jìn)一步擴(kuò)大檢測(cè)對(duì)象以增強(qiáng)其適用性。