王新龍 李 翔

(1. 長治學院，山西 長治 046011；2. 陜西科技大學，陜西 西安 710021)

受屠宰方式、儲存手段等因素影響，牛肉品質(zhì)可以劃分為正常肉、白肌肉、黑干肉和摻假肉等類型[1-5]，人工感官識別是目前常見的識別手段，其主觀性強、勞動強度大、結(jié)果可信度低[6]。隨著近紅外光譜技術(shù)的快速發(fā)展，光譜技術(shù)應(yīng)用于品質(zhì)識別與鑒定已成為熱點研究領(lǐng)域之一。由于光譜中包含了大量被測物品信息，如何高效地對光譜特征進行提取篩選以實現(xiàn)高精度識別是當前亟需解決的難題。張保霞[7]利用主成分分析法對豬肉光譜進行降維處理，提取出豬肉光譜特征，并采用支持向量機進行品質(zhì)辨識，該方法識別精度可以達到92.31%以上，但是，該方法提取的特征能否保持原始數(shù)據(jù)分類能力有待進一步研究。吳葉蘭等[8]采用主成分分析法對高光譜成像特征進行篩選，并利用隨機森林模型進行識別，有效分辨出了柑橘病蟲害葉，但是主成分分析法對噪聲魯棒性不強，誤差較大?？椎旅鞯萚9]面對海量光譜數(shù)據(jù)，采用稀疏主成分分析法進行特征提取，得到的分類準確率比主成分分析法提高了5%，但是該方法采用網(wǎng)格搜索法配置支持向量機模型參數(shù)，容易陷入局部最優(yōu)，影響了識別精度。

牛肉品質(zhì)識別過程需要進行大量數(shù)據(jù)樣本訓練，而以往研究往往忽略了數(shù)據(jù)差異性對識別精度的影響，尤其是當訓練樣本存在較多異常點時，得到的識別結(jié)果是不可靠的。為了降低數(shù)據(jù)差異性以及光譜特征冗余度對牛肉品質(zhì)識別的影響，研究擬采用DPeak[10]對牛肉光譜進行分類，使得同類內(nèi)數(shù)據(jù)有更多的相似性，不同類數(shù)據(jù)具有更多的差異性；設(shè)計分類光譜特征提取機制，盡可能降低數(shù)據(jù)維度，并最大限度保持原始數(shù)據(jù)辨識能力；運用獅群算法[11-12]對分類支持向量機(SVM)模型參數(shù)進行優(yōu)化，得到最優(yōu)模型參數(shù)配置；并建立融合分類特征提取和SVM的牛肉品質(zhì)識別模型，以提高牛肉品質(zhì)分類識別精度。

1 材料與方法

1.1 材料與設(shè)備

正常肉、白肌肉、黑干肉試驗樣本：取生鮮牛肉股二頭肌、左右側(cè)背最長肌，每塊樣品去除結(jié)締組織，切割厚度30 mm，并取每塊樣品的局部進行化學分析以確定所屬品質(zhì)，市售；

摻假牛肉樣本：指定合成牛肉生產(chǎn)商，按5%，10%，15%，20%，25%比例在牛肉中摻加鴨肉，并于-30 ℃冷凍，冷藏解凍24 h后制成摻假牛肉樣品。

1.2 試驗方法

所有樣品統(tǒng)一標簽備注，按正常肉∶白肌肉∶黑干肉∶摻假肉為1∶1∶1∶1的比例選取300個樣本組成訓練樣本集，隨機選取4類牛肉80個組成測試集。結(jié)合化學分析的pH值、乳酸含量、肌糖原、摻假比例等指標[13]，建立牛肉品質(zhì)指數(shù)與品質(zhì)類別對應(yīng)表，并采用專家判定法[14]按表1對每個訓練樣本、測試樣本品質(zhì)指數(shù)進行賦值。

表1 牛肉品質(zhì)指標與品質(zhì)類別對應(yīng)表Table 1 Corresponding table of beef quality index and quality category

利用近紅外光譜儀采集樣本全波段(FS)數(shù)據(jù)，得到訓練樣本FS數(shù)據(jù)集合和測試樣本FS數(shù)據(jù)集合。對于訓練樣本FS數(shù)據(jù)集合，設(shè)計改進的DPeak算法(IDPeak)進行聚類分析，得到多個FS分類；定義分類牛肉光譜特征提取目標函數(shù)，采用改進LSO(ILSO)進行求解，提取到每個分類最佳光譜特征子集；利用改進ILSO對分類SVM參數(shù)進行優(yōu)化，建立融合分類特征提取和SVM的牛肉品質(zhì)識別模型。對于測試樣本FS數(shù)據(jù)集合，找到每個待測試樣本光譜數(shù)據(jù)對應(yīng)的分類，利用該分類識別模型提取特征參數(shù)，并進行牛肉品質(zhì)識別，最終得到識別結(jié)果，牛肉品質(zhì)識別方法示意圖見圖1。

圖1 牛肉品質(zhì)識別方法示意圖Figure 1 Schematic diagram of beef quality identification method

2 牛肉品質(zhì)識別

2.1 改進獅群算法

獅群算法(LSO)設(shè)置獅王、母獅、幼獅3種類型個體，分別執(zhí)行不同的更新進化策略，其算法核心在于平衡局部搜索與全局搜索，具有較好的收斂能力[15-16]。LSO缺陷主要有：幼獅等概率選取獅王、母獅、反向?qū)W習進行進化，導致算法初期不利于大范圍搜索，算法后期影響了收斂速度；公獅、母獅只選擇向自身歷史最優(yōu)解和當前公獅、母獅群體最優(yōu)解進行學習，容易陷入局部最優(yōu)；個體進化控制系數(shù)隨機選取，不利于保持種群多樣性。為此提出ILSO，自適應(yīng)調(diào)整幼獅不同學習進化的個體規(guī)模，增加獅王、母獅學習對象種類，設(shè)計改進的進化控制系數(shù)，并以概率的形式接受不好的解。

2.1.1 自適應(yīng)學習 以最小值優(yōu)化問題為例(目標優(yōu)化函數(shù)為f)，LSO種群規(guī)模為Q、最大迭代次數(shù)Tmax、幼獅個體數(shù)量為Nc。t時刻，種群最優(yōu)解、最差解為Xb(t)、Xw(t)，采取向獅王、母獅和反向進化學習的幼獅個體數(shù)量分別為Nc,1、Nc,2、Nc,3。

(1)

(2)

Nc，2=Nc-Nc,1-Nc,2，

(3)

式中：

γ1、γ2——個體數(shù)量控制系數(shù)；

ε——極小常數(shù)。

由式(1)～式(3)可知，算法初期，幼獅更多的個體向具有更優(yōu)目標函數(shù)值的獅王位置進行移動，加速了算法收斂速度；隨著迭代次數(shù)的增加，種群整體趨向全局最優(yōu)解，此時，幼獅更多的個體執(zhí)行反向進化操作，提高了算法跳出局部極值的概率和收斂精度。

2.1.2 學習對象擴展與進化控制t時刻，對于XL,i(t)、母獅XM,j(t)，引入種群其他個體信息以擴展搜索空間：

XL,i(t)=ωXb(t)+rand(-1,1)[pL,i-XL,i(t)]+rand(-1,1)[XL,i(t)-XL,a(t)]，

(4)

XM,j(t)=ωXb(t)+rand(-1,1)[XM,j(t)-XM,b(t)]+rand(-1,1)[XM,j(t)-XM,c(t)]，

(5)

(6)

式中：

ω(ωmin、ωmax)——進化控制系數(shù)(邊界)；

pL,i-XL,i(t)——歷史最優(yōu)解；

XL,a(t)[XM,b(t)、XM,c(t)]——公獅(母獅)其他個體；

f、favg——LSO當前個體目標函數(shù)值、種群目標函數(shù)平均值。

由式(4)～式(6)可知，獅王(母獅)迭代進化中引入種群最優(yōu)解和其他公獅(母獅)個體信息，并根據(jù)自身目標函數(shù)值動態(tài)調(diào)整向種群最優(yōu)解學習進化程度，有效擴展了種群搜索空間，提高了算法收斂精度。

2.1.3 概率進化 當獅群內(nèi)個體Xi(t)執(zhí)行完設(shè)定的更新策略后得到新的個體Xi,new(t)，若Xi,new(t)目標函數(shù)值優(yōu)于Xi(t)，則用Xi,new(t)替代Xi(t)；否則，以概率p接受Xi,new(t)：

(7)

式中：

α——比例系數(shù)。

根據(jù)馬爾科夫鏈理論[17]，采用概率的形式接受不好的解，使得ILSO算法能夠以概率1收斂于全局最優(yōu)解。從ILSO算法實現(xiàn)可知，對于D維優(yōu)化問題，算法種群初始化復雜度O(Q)，算法迭代一次復雜度為O(QlgD)，總計算復雜度為TmaxO(QlgD)+O(Q)≈TmaxO(QlgD)。

2.2 IDPeak聚類分析

增加訓練樣本規(guī)模能改善模型訓練效果，有利于提高識別精度，但是，訓練樣本規(guī)模增加的同時，也帶入了大量噪聲、孤立點等信息，若不妥善處理數(shù)據(jù)樣本差異性，得到的識別結(jié)果往往是不可靠的。為此，引入改進DPeak算法(IDPeak)對訓練樣本進行聚類分析，降低數(shù)據(jù)差異性對識別精度的影響。DPeak算法作為一種粒度計算模型，具有參數(shù)簡單、魯棒性強等特點，對于大部分數(shù)據(jù)類型都有著很好的適應(yīng)性[18]。對于牛肉光譜訓練樣本數(shù)據(jù)集合Θ={Si}i=1,…,N，每個樣本Xi由n個波段組成Si=(si1,…,sin)，設(shè)Si到Sj的歐式距離為dij，DPeak定義局部密度ρi、最近點距離δi、分類判定參數(shù)γi：

(8)

式中：

dc——截斷距離(DPeak算法唯一設(shè)定參數(shù))，m。

DPeak基于ρi、δi、γi建立決策圖，將數(shù)據(jù)點劃分為離群點、密度峰值點和正常點，并選取決策圖右上方的點為聚類(分類)中心。對于多孤立點復雜聚類問題，DPeak聚類效果不佳，且dc的取值大小直接影響了ρi、δi、γi，為此，設(shè)計改進DPeak(IDPeak)算法，采用核距離Dij對Si到Sj的距離進行描述，并利用ILSO求解最佳截斷距離：

Dij=‖Φ(Sj)-Φ(Si)‖2，

(9)

式中：

Φ(·)——核函數(shù)(文中選取高斯函數(shù))。

參照文獻[19]提出的邦費羅尼指數(shù)，定義聚類效果評價指標(CEEI)：

(10)

式中：

CEEI——聚類效果評價指標。

CEEI取值越小，聚類效果越優(yōu)[19]。CEEI涉及σ、dc兩個參數(shù)，采用ILSO對CEEI優(yōu)化，將個體編碼Xi等效為Xi=(σi,dc,i)，目標函數(shù)為f(X)=minCEEI。通過ILSO迭代進化，最終得到最佳截斷距離dc,max。圖2為IDPeak對4個典型數(shù)據(jù)集的聚類結(jié)果，其與FCM、DPeak聚類正確率對比見表2。由圖2和表2可知，IDPeak聚類結(jié)果更優(yōu)。

表2 評價指標對比結(jié)果Table 2 Comparison results of evaluation indexes %

圖2 IDPeak典型數(shù)據(jù)集聚類結(jié)果Figure 2 Clustering results of typical IDPeak data sets

2.3 分類特征提取

(11)

(12)

(13)

式中：

Η——類間相似度矩陣且為常數(shù)矩陣；

U——相關(guān)性矩陣。

分類特征提取的目的是通過確定V表達形式，使得提取到的特征波段盡可能保持原始數(shù)據(jù)的分類能力，為此，利用IDPeak對CL,i進行聚類分析，以驗證提取后波段特征的分類能力。式(13)中Η反映了IDPeak分類后的類間相似程度，U反映了Sij與類的相關(guān)性，可以采用最大信息系數(shù)法[20]求解。

當TZT取最小值時對應(yīng)的V即為最佳特征波段提取向量Vbest，為此，采用ILSO對TZT最小值問題進行優(yōu)化，將個體編碼Xi等效為Xi=V，目標函數(shù)為f(X)=minTZT。由于TZT最小值問題屬于離散問題，對ILSO對應(yīng)的式(4)、式(5)進化方式進行離散化理解，即ωXb(t)理解為隨機選取Xb(t)內(nèi)ω個編碼位進行替代操作，rand(-1,1)[XM,j(t)-XM,b(t)]理解為隨機選取[rand(-1,1)×m]個編碼位進行替代操作[m為XM,j(t)、XM,b(t)不同編碼位的個數(shù)]。

2.4 分類識別模型

(14)

式中：

y——模型輸出；

K(·)——核函數(shù)，參數(shù)為θ；

λ——懲罰參數(shù)；

b——超平面偏差。

(15)

式中：

W——訓練次數(shù)；

ILSO循環(huán)迭代進化，最終得到分類CL,i的SVM模型最佳參數(shù)組合(λ,θ)best,i。對于測試樣本FS數(shù)據(jù)集合Θs={Zi}，牛肉品質(zhì)識別實現(xiàn)過程為：根據(jù)Zi與Θ={Si}i=1,…,N每個分類中心的距離判定其所屬分類，采用1stDer等方法數(shù)據(jù)預(yù)處理后，利用該分類對應(yīng)的最佳特征波段提取向量特征波段，將其作為分類SVM模型輸入，通過SVM模型識別預(yù)測，最終完成Zi牛肉品質(zhì)識別。

3 結(jié)果與分析

采用Thermo公司生產(chǎn)的AntarisⅡ型近紅外光譜儀進行全波段掃描，光譜采集軟件為Avasoft7.4版本，數(shù)據(jù)處理軟件為MATLAB2017a，圖3為試驗方法示意圖。

圖3 試驗方法示意圖Figure 3 Schematic diagram of test method

3.1 分類特征提取

由表3可知，IDPeak算法將訓練數(shù)據(jù)集劃分為7個分類，對于每個分類，無論是直接進行特征提取，還是先經(jīng)過1stDer預(yù)處理再進行特征提取，每個分類提取到的特征波段是不同的，表明不同類數(shù)據(jù)具有較大的差異性，且數(shù)據(jù)經(jīng)過預(yù)處理后，特征波段也發(fā)生了變化，這種差異性和特征變化會影響最后識別精度。由圖4可知，相比于LSO、PSO算法，ILSO收斂速度更快，收斂精度更高。由表4可知，不同分類中同時包含了多種品質(zhì)類型的牛肉樣本，例如，對于“分類7”，同時包含了正常肉、黑干肉和摻假肉3種牛肉品質(zhì)類型，表明不同牛肉品質(zhì)的樣本在光譜特性上有相似性，進一步驗證了采用分類進行牛肉品質(zhì)識別的重要性。

表3 分類結(jié)果與分類特征波段提取結(jié)果Table 3 Classification results and classification feature band extraction results

表4 每個分類樣本對應(yīng)牛肉品質(zhì)類型及個數(shù)Table 4 Number of samples and beef quality type of each classification

圖4 ILSO優(yōu)化CEEI、TZT收斂曲線Figure 4 ILSO optimization and convergence curve

3.2 牛肉品質(zhì)識別和對比試驗

利用測試樣本數(shù)據(jù)集合驗證文中所提融合分類特征提取和ILSO優(yōu)化SVM識別模型(IDPeak-ILSO-SVM)精度，表5給出了識別精度結(jié)果。

設(shè)置對比試驗場景1：不對訓練樣本進行聚類，采用主成分分析法(PCA)和文中提出的最佳特征提取方法(CEEI)對訓練樣本進行特征提取，采用文中提出的ILSO優(yōu)化SVM模型(ILSO-SVM)進行識別，表6給出了識別精度對比結(jié)果。

設(shè)置試驗場景2：利用DPeak、IDPeak對訓練樣本進行聚類，采用CEEI提取特征波段，并運用RF、ILSO-SVM進行識別，表6給出了識別精度對比結(jié)果。

由表5～表7可知，不同數(shù)據(jù)預(yù)處理方法對識別精度影響不同，相比于多元散射校正(MSC)、標準正態(tài)變換(SNV)預(yù)處理方法以及原始數(shù)據(jù)，經(jīng)1stDer預(yù)處理后的識別精度更高，而MSC表現(xiàn)最差。未進行聚類分析時，經(jīng)1stDer預(yù)處理后，ILSO-SVM對4種牛肉品質(zhì)的識別精度分別為92.4%，91.7%，92.8%，91.1%；采用DPeak算法進行聚類分析時，ILSO-SVM的識別精度分別為93.1%，92.8%，93.4%，93.5%；采用IDPeak算法進行聚類分析時，ILSO-SVM的識別精度分別為99.6%，99.1%，99.9%，99.5%，表明利用IDPeak算法進行聚類分析，降低了數(shù)據(jù)差異性對識別精度的影響。

表5 IDPeak-ILSO-SVM模型識別精度Table 5 IDPeak-ILSO-SVM recognition accuracy %

由表6可知(以1stDer預(yù)處理數(shù)據(jù)為例)，未提取特征波段，ILSO-SVM的識別精度分別為82.6%，81.5%，79.6%，80.5%；采用PCA提取特征波段時，ILSO-SVM的識別精度分別為88.4%，89.3%，86.2%，87.5%；采用CEEI進行特征提取時，ILSO-SVM的識別精度分別為92.4%，91.7%，92.8%，91.1%(未進行聚類分析的情況下)，表明利用CEEI提取到的特征波段的識別能力優(yōu)于PCA算法，識別精度更高。由表7可知，采用IDPeak算法聚類分析、CEEI分類特征提取，RF的識別精度分別為94.2%，93.6%，92.7%，94.6%，低于ILSO-SVM識別精度，表明采用ILSO對SVM進行參數(shù)配置，提高了模型的識別精度。

表6 試驗場景1下ILSO-SVM模型識別精度對比Table 6 Comparison of recognition accuracy under comparative test scenario 1 %

表7 試驗場景2下模型算法識別精度對比Table 7 Comparison of recognition accuracy under comparative test scenario 2 %

為進一步驗證所提IDPeak-ILSO-SVM性能，與SSA-SVM[7]、1stDer-PCA-SVM[8]進行對比，每種方法獨立運行30次，選取識別精度均值、均方根誤差均值為評價指標，對比結(jié)果見表8。由表8可知，相比于其他2種識別模型，IDPeak-ILSO-SVM的識別精度均值、均方根誤差均值更優(yōu)，識別精度提高了約5.02%～8.30%，更適用于牛肉品質(zhì)識別。

表8 不同識別方法評價指標對比Table 8 Comparison of evaluation indexes of different identification methods

4 結(jié)論

對正常肉、白肌肉、黑干肉、摻假肉4種牛肉品質(zhì)類型識別問題進行研究，提出了基于分類特征提取和深度學習的牛肉品質(zhì)識別方法。結(jié)果表明，通過設(shè)計改進DPeak算法、最佳分類特征波段提取策略和ILSO優(yōu)化SVM模型，降低了數(shù)據(jù)差異性以及特征冗余度對識別精度的影響，識別精度更高。下一步，將圍繞提高在線牛肉品質(zhì)識別精度問題進行研究。