王國(guó)梁，王文俊，成 鍇，劉 鑫，趙建貴，李 洪，郭二虎，李志偉,*

（1.山西農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程學(xué)院，山西 太谷 030801；2.山西農(nóng)業(yè)大學(xué)谷子研究所，山西 長(zhǎng)治 046000）

山西省地域特點(diǎn)復(fù)雜，南北縱貫6 個(gè)緯度，屬典型溫帶氣候，獨(dú)特的地域生態(tài)環(huán)境孕育出豐富的雜糧種質(zhì)資源，同時(shí)也決定了谷子種植區(qū)覆蓋全山西省域的特點(diǎn)。小米中含有豐富的碳水化合物及多種維生素等營(yíng)養(yǎng)物質(zhì)，隨著現(xiàn)代人生活品質(zhì)和對(duì)物質(zhì)生活需求的提高以及健康飲食相關(guān)產(chǎn)業(yè)的興起，小米因具有食藥性及營(yíng)養(yǎng)價(jià)值豐富的特點(diǎn)，其深加工產(chǎn)品小米米粉逐漸成為備受喜愛的健康食品。小米米粉的主要營(yíng)養(yǎng)成分為淀粉，淀粉和水混合成懸浮液，在經(jīng)歷加熱、溶解、吸水膨脹過(guò)程后會(huì)出現(xiàn)淀粉糊化的現(xiàn)象，其糊化特征指標(biāo)能為評(píng)價(jià)小米米粉食味品質(zhì)、確定加工工藝提供重要數(shù)據(jù)支撐。目前，小米米粉糊化特征指標(biāo)測(cè)定主要采用快速黏度分析（rapid visco analysis，RVA），但在糊化特征指標(biāo)測(cè)定過(guò)程中，待測(cè)樣品的制備會(huì)破壞其理化特性，且樣品制備操作流程繁瑣，人工、時(shí)間成本較高，因此實(shí)現(xiàn)待測(cè)樣品批量、快速檢測(cè)存在一定困難。

高光譜成像技術(shù)是一種通過(guò)精確反映待測(cè)物感興趣區(qū)域（region of interest，ROI）內(nèi)部各像素點(diǎn)連續(xù)光譜信息，從而獲取待測(cè)物結(jié)構(gòu)組成和化合物分子結(jié)構(gòu)的無(wú)損檢測(cè)技術(shù)，其具有檢測(cè)效率高、不破壞待測(cè)樣品理化特性、人工投入低等特點(diǎn)。當(dāng)前高光譜成像技術(shù)已成為國(guó)內(nèi)外學(xué)者研究熱點(diǎn)，被廣泛應(yīng)用于農(nóng)產(chǎn)品分級(jí)、營(yíng)養(yǎng)成分反演、分類等農(nóng)業(yè)檢測(cè)相關(guān)研究工作中。高光譜數(shù)據(jù)維度大，而傳統(tǒng)特征波段篩選數(shù)量有限，且容易造成有效信息丟失，導(dǎo)致建立回歸模型精度低、泛化能力不強(qiáng)。因此，越來(lái)越多的學(xué)者將計(jì)算機(jī)深度學(xué)習(xí)結(jié)合高光譜成像技術(shù)應(yīng)用于農(nóng)業(yè)檢測(cè)相關(guān)工作中，其中，誤差反向傳播（error back propagation，BP）神經(jīng)網(wǎng)絡(luò)具有非線性映射、自學(xué)習(xí)及自適應(yīng)、泛化及容錯(cuò)能力，因此備受學(xué)者關(guān)注。王浩云等分別采用鳥群、免疫算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立調(diào)理雞肉菌落總述的預(yù)測(cè)模型，結(jié)果表明優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)調(diào)理雞肉菌落總數(shù)快速無(wú)損檢測(cè)，且模型預(yù)測(cè)精確率、收斂速度明顯提高。Xue Jiankai等通過(guò)對(duì)灰狼優(yōu)化算法（grey wolf optimizer，GWO）、粒子群算法（particle swarm optimization，PSO）、引力搜索算法（gravitational search algorithm，GSA）、麻雀搜索算法（sparrow search algorithm，SSA）4 種優(yōu)化算法綜合評(píng)價(jià)，發(fā)現(xiàn)SSA具有迭代時(shí)間短、預(yù)測(cè)精度高等特點(diǎn)。

目前，有關(guān)小米高光譜的研究仍主要集中于高光譜結(jié)合化學(xué)計(jì)量法進(jìn)行產(chǎn)地判別、分類及成分反演方面。為了簡(jiǎn)化原始光譜數(shù)據(jù)前處理過(guò)程及提升BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)性能，本實(shí)驗(yàn)設(shè)計(jì)一種高光譜數(shù)據(jù)提取、預(yù)處理分步運(yùn)算程序，并提出利用SSA優(yōu)化BP算法進(jìn)行待測(cè)樣品糊化特征指標(biāo)回歸、預(yù)測(cè)，旨在尋求一種簡(jiǎn)化高光譜數(shù)據(jù)提取、預(yù)處理流程的方法，并探討SSA優(yōu)化BP算法在小米米粉糊化特征指標(biāo)回歸、預(yù)測(cè)方面的優(yōu)勢(shì)，為高光譜成像結(jié)合計(jì)算機(jī)深度學(xué)習(xí)在小米米粉糊化特性預(yù)測(cè)方面應(yīng)用提供理論支撐。

1 材料與方法

1.1 材料

小米樣本于2020年10月在山西省長(zhǎng)治市武鄉(xiāng)縣收獲。采用棋盤式采樣法取樣，取樣點(diǎn)1 800 個(gè)，采樣面積2 m/點(diǎn)，相鄰5 點(diǎn)取樣混勻，共得358 份實(shí)驗(yàn)原始樣本，按順序編號(hào)、記錄。待晾曬后，經(jīng)清選、礱研，過(guò)80 目篩網(wǎng)，取得待測(cè)樣本，待測(cè)樣先經(jīng)高光譜數(shù)據(jù)采集，后進(jìn)行實(shí)驗(yàn)室糊化特征指標(biāo)測(cè)定。

1.2 儀器與設(shè)備

高光譜成像儀 美國(guó)Headwall Photonics公司；RVA儀 澳大利亞Newport公司。

1.3 方法

1.3.1 高光譜數(shù)據(jù)采集

采用高光譜成像儀（圖1）采集數(shù)據(jù)。近紅外波段采集參數(shù)：波長(zhǎng)范圍900～1 700 nm、通道間隔4.715 nm、步數(shù)為172，近紅外波段中步數(shù)與波長(zhǎng)λ的關(guān)系如式（1）所示。

圖1 高光譜成像儀結(jié)構(gòu)Fig. 1 Photograph of hyperspectral imager

數(shù)據(jù)采集前，待測(cè)樣品裝入直徑3 cm、深1 cm實(shí)驗(yàn)器皿內(nèi)，保證被測(cè)樣品表面平整、緊實(shí)。每份被測(cè)樣品采集光譜數(shù)據(jù)3 次，數(shù)據(jù)按順序編號(hào)、保存。

數(shù)據(jù)采集過(guò)程中，調(diào)整載物臺(tái)平移速率為7.5 mm/s，相機(jī)曝光時(shí)間為0.9 ms，樣品表面距離鏡頭25 mm，用于采集清晰圖像。數(shù)據(jù)采集前，進(jìn)行系統(tǒng)黑白校正，掃描暗背景圖像獲得全黑反射率標(biāo)定值，白背景圖像全白反射率標(biāo)定值，設(shè)備運(yùn)行后采集到被測(cè)樣品實(shí)驗(yàn)圖像反射率，根據(jù)式（2）計(jì)算得到相對(duì)圖像反射率。每采集3 張高光譜圖像，重復(fù)進(jìn)行上述校正過(guò)程。

1.3.2 小米米粉糊化特征指標(biāo)測(cè)定

采用RVA儀，根據(jù)GB/T 24852—2010《大米及米粉糊化特性測(cè)定 快速粘度儀法》測(cè)定小米米粉糊化特征指標(biāo)。稱量（3.00±0.01）g小米粉，與（25.0±0.1）mL水在容器中充分混勻，形成小米米粉糊狀液，將糊狀液放置于RVA內(nèi)進(jìn)行糊化特征指標(biāo)檢測(cè)，重復(fù)3 次實(shí)驗(yàn)，取平均值。糊化特征指標(biāo)為懸浮液在升溫、保溫和冷卻過(guò)程中攪拌器內(nèi)置扭力傳感器檢測(cè)值、懸浮液溫度變化值和測(cè)定時(shí)間值，具體指標(biāo)包括峰值黏度（peak viscosity，PV）、谷值黏度（trough viscosity，TV）、衰減值（breakdown，BD）、最終黏度（final viscosity，F(xiàn)V）、回生值（setback，SB）、峰值時(shí)間（peak time，PT）、糊化溫度（gelatinization temperature，GT）。其中，BD、SB分別為PV與TV、FV與TV的差值，GT為儀器運(yùn)行過(guò)程中樣品黏度達(dá)到PV一半時(shí)對(duì)應(yīng)的溫度。

1.4 數(shù)據(jù)處理與分析

1.4.1 麻雀搜索算法分析

本研究參考文獻(xiàn)[22,28-31]，結(jié)合SSA具有的迭代次數(shù)少、預(yù)測(cè)模型精度高等特點(diǎn)，選用其作為優(yōu)化算法。調(diào)用算法時(shí)，使用虛擬麻雀進(jìn)行食物尋找，種群形式分為發(fā)現(xiàn)者、加入者和預(yù)警者，發(fā)現(xiàn)者與加入者之和為總種群數(shù)，發(fā)現(xiàn)者與加入者按7∶3比例劃分，種群數(shù)可以式（3）的形式表示。

式中：表示待優(yōu)化變量維數(shù)；為麻雀種群數(shù)量。

所有麻雀的適應(yīng)度值可以表示為式（4）。

式中：（）為適應(yīng)度值。運(yùn)行SSA算法時(shí)，具有較好適應(yīng)度值的發(fā)現(xiàn)者在搜索過(guò)程中會(huì)優(yōu)先獲取食物，并負(fù)責(zé)為種群尋覓食物以及為加入者指導(dǎo)覓食方向，相比其他麻雀，發(fā)現(xiàn)者可以獲得更大覓食范圍。根據(jù)式（3）、（4），在每次迭代時(shí)，發(fā)現(xiàn)者位置按式（5）更新。

式中：代表當(dāng)前迭代數(shù)；取值范圍為[1，]；是最大迭代次數(shù)，本實(shí)驗(yàn)中設(shè)置為20；X表示第只麻雀在第維中的位置信息；為取值范圍（0，1]的隨機(jī)數(shù)；（取值范圍[0，1]）和ST（取值范圍[0.5，1]）分別表示預(yù)警值和安全值；為服從正態(tài)分布的隨機(jī)數(shù)；表示一個(gè)內(nèi)部元素都為1的1×的矩陣。當(dāng)＜ST時(shí)，發(fā)現(xiàn)者可以執(zhí)行搜索操作；而當(dāng)≥ST，表示發(fā)現(xiàn)者種群發(fā)出預(yù)警，迅速飛離。

對(duì)于加入者執(zhí)行式（5），監(jiān)視發(fā)現(xiàn)者同時(shí)隨時(shí)準(zhǔn)備與之競(jìng)爭(zhēng)，否則執(zhí)行式（6）。

式中：是發(fā)現(xiàn)者所占最優(yōu)位；是當(dāng)前種群所占極差位；為1和-1的1×矩陣，＝（），當(dāng)＞/2時(shí)，適應(yīng)度值較低的第個(gè)加入者沒有獲得食物，即飛往別處覓食。

預(yù)警者一般占種群數(shù)量的10%～20%，按式（7）更新占位。

式中：為當(dāng)前種群極佳位；為步長(zhǎng)控制參數(shù)；為取值范圍[-1，1]的隨機(jī)數(shù)；f為當(dāng)前個(gè)體適應(yīng)度值；、分別為最佳和最差適應(yīng)度值；為常量，防止分母為零。

按上述運(yùn)算邏輯完成種群位置更新，迭代后，求得最優(yōu)適應(yīng)度值所需相應(yīng)參數(shù)。

1.4.2 小米米粉高光譜數(shù)據(jù)處理與分析

在設(shè)定樣本位置坐標(biāo)范圍內(nèi)，對(duì)像素點(diǎn)逐一選擇并判定，篩選出符合設(shè)定ROI條件的光譜數(shù)據(jù)，組成數(shù)據(jù)矩陣并進(jìn)行均值運(yùn)算。將光譜數(shù)據(jù)按照7∶3分為訓(xùn)練集和測(cè)試集，運(yùn)用BP及SSA優(yōu)化BP算法預(yù)測(cè)小米粉糊化特征指標(biāo)最優(yōu)迭代次數(shù)、最優(yōu)適應(yīng)度值，為更明顯觀察預(yù)測(cè)集與測(cè)試集關(guān)系，突出SSA優(yōu)化BP算法優(yōu)勢(shì)，通過(guò)預(yù)測(cè)集均方誤差（mean squared error，MSE）評(píng)價(jià)兩種算法對(duì)小米米粉糊化特征指標(biāo)的預(yù)測(cè)精度。高光譜數(shù)據(jù)處理軟件主要有基于VB開發(fā)的圖像取點(diǎn)、光譜數(shù)據(jù)預(yù)處理程序和MATLAB 2020b軟件。

2 結(jié)果與分析

2.1 小米米粉糊化特征指標(biāo)測(cè)定結(jié)果

數(shù)據(jù)集統(tǒng)計(jì)結(jié)果如表1所示。小米米粉中淀粉含量占比不同會(huì)導(dǎo)致糊化特性不同，從表中糊化特征指標(biāo)數(shù)據(jù)統(tǒng)計(jì)結(jié)果可以看出樣本間糊化特性存在差異，而高光譜技術(shù)可以利用各樣本反射率變化反映樣本間成分含量的不同，因此通過(guò)運(yùn)用數(shù)據(jù)處理技術(shù)利用高光譜反演樣本糊化特征指標(biāo)，可以實(shí)現(xiàn)小米米粉糊化特性的高光譜預(yù)測(cè)。

表1 小米米粉糊化特征指標(biāo)測(cè)定結(jié)果Table 1 Pasting viscosity properties of millet flour

2.2 高光譜數(shù)據(jù)提取與預(yù)處理

2.2.1 小米米粉高光譜數(shù)據(jù)提取

樣品表面像素點(diǎn)間反射率存在差異，導(dǎo)致建模時(shí)若以少量點(diǎn)繪制成光譜特征曲線誤差較大，為提高模型精度，結(jié)合高光譜成像技術(shù)優(yōu)點(diǎn)，本研究采用圖2所示采樣方式。

圖2 小米米粉高光譜數(shù)據(jù)提取Fig. 2 Hyperspectral data feature extraction of millet flour

在ROI內(nèi)提取大量像素點(diǎn)過(guò)程的選點(diǎn)規(guī)則如式（8）～（10）所示。

式中：（x，y）為當(dāng)前像素點(diǎn)坐標(biāo)信息；（，）為ROI中心位置的坐標(biāo)；、為ROI二維坐標(biāo)軸的半軸長(zhǎng)；Δ、Δ分別為坐標(biāo)軸方向上圖像像素點(diǎn)間隔參數(shù)，在本實(shí)驗(yàn)中設(shè)置取點(diǎn)間隔為1；[]表示對(duì)、取整，保證選擇像素點(diǎn)在ROI內(nèi)。本實(shí)驗(yàn)中像素點(diǎn)選點(diǎn)規(guī)則為沿軸自上到下，沿軸自左到右依次選擇，根據(jù)式（10）限制選點(diǎn)，選擇符合要求像素點(diǎn)2 000 個(gè)，作為原始光譜數(shù)據(jù)。

2.2.2 小米米粉高光譜數(shù)據(jù)預(yù)處理

采用小米米粉高光譜數(shù)據(jù)各個(gè)波段下反射率的算術(shù)平均值集合成平均光譜曲線。算術(shù)平均值在數(shù)據(jù)統(tǒng)計(jì)與分析過(guò)程中具有反應(yīng)靈敏、確定嚴(yán)密、容易獲得和受抽樣變動(dòng)影響小等特點(diǎn)，計(jì)算如式（11）所示。

式中：A為算數(shù)平均值；為ROI采樣點(diǎn)個(gè)數(shù)，本實(shí)驗(yàn)中近紅外高光譜圖像采樣點(diǎn)個(gè)數(shù)設(shè)置為2 000 個(gè)；A為采樣點(diǎn)集中第個(gè)采樣點(diǎn)、第步長(zhǎng)的平均光譜反射率。將每一步長(zhǎng)取值順序排列，便可獲得整個(gè)波段范圍內(nèi)樣品平均光譜曲線。

在實(shí)驗(yàn)中，靠近光譜量程兩端（≤900 nm和≥1 700 nm）的光譜曲線擾動(dòng)較大，因此截取光譜范圍為950～1 650 nm，波段數(shù)降為148 條。如圖3所示，光譜曲線吸收峰主要集中在980、1 200 nm以及1 450 nm波長(zhǎng)處，980 nm和1 200 nm波長(zhǎng)處吸收峰主要受小米米粉淀粉含量的影響，而1 450 nm波長(zhǎng)處為樣品中水分子敏感波段。

圖3 小米米粉平均光譜曲線Fig. 3 Average spectral curves of millet flour

2.3 小米米粉糊化特征指標(biāo)預(yù)測(cè)

設(shè)置發(fā)現(xiàn)者、加入者和預(yù)警者比例為0.7∶0.3∶0.2，運(yùn)行SSA優(yōu)化BP算法。根據(jù)式（12）可得出運(yùn)用SSA優(yōu)化BP算法預(yù)測(cè)小米米粉糊化特征指標(biāo)的最優(yōu)適應(yīng)度值。

式中：和分別為訓(xùn)練集和測(cè)試集的預(yù)測(cè)誤差；mse為均方誤差函數(shù)，運(yùn)用適應(yīng)度函數(shù)求取具有較好結(jié)果的網(wǎng)絡(luò)模型。

圖4顯示出小米米粉糊化特征指標(biāo)隨SSA優(yōu)化BP算法迭代次數(shù)增加誤差變化趨勢(shì)，即隨迭代次數(shù)的增加，7 條曲線均呈下降收斂態(tài)，其中SB、PT預(yù)測(cè)結(jié)果誤差偏大，GT誤差變化率較大，PV、BD預(yù)測(cè)結(jié)果誤差較小。小米米粉糊化特征指標(biāo)的最優(yōu)迭代次數(shù)及適應(yīng)度值如表2所示。

圖4 基于SSA優(yōu)化BP算法對(duì)小米米粉糊化特征指標(biāo)預(yù)測(cè)的誤差變化曲線Fig. 4 Best score prediction of gelatinization characteristics of millet flour based on SSA-BP algorithm

表2 SSA優(yōu)化BP算法處理下小米米粉PV最優(yōu)迭代次數(shù)及適應(yīng)度值Table 2 Optimal iteration and fitness of sample sets based on SSA-BP algorithm

以PV為例，從表2中可以看出，最優(yōu)迭代次數(shù)為13，最優(yōu)適應(yīng)度值能達(dá)到0.050 8。為進(jìn)一步顯著觀察預(yù)測(cè)值與測(cè)試值的關(guān)系，突出SSA優(yōu)化BP算法優(yōu)勢(shì)，分別在測(cè)試樣本集第1、10、20、30、40、50、60、70、80、90、100點(diǎn)設(shè)置觀察窗口，將測(cè)試集PV、BP算法預(yù)測(cè)PV及SSA優(yōu)化BP算法預(yù)測(cè)PV輸出對(duì)比，如圖5所示。

圖5 小米米粉PV值與BP算法及SSA優(yōu)化BP算法預(yù)測(cè)PV值擬合情況Fig. 5 Goodness of fit of experimental values of PV to BP and SSA-optimized BP algorithms

SSA優(yōu)化BP算法所得PV預(yù)測(cè)結(jié)果與測(cè)試結(jié)果的擬合效果明顯好于BP預(yù)測(cè)結(jié)果，如表3所示，SSA優(yōu)化BP算法預(yù)測(cè)值MSE為0.017 5，而BP算法預(yù)測(cè)值MSE為0.026 6，SSA優(yōu)化BP算法預(yù)測(cè)值MSE比BP算法明顯降低。由表3可知，相較于BP算法，運(yùn)用SSA優(yōu)化BP算法求得其他小米米粉糊化特征指標(biāo)預(yù)測(cè)值MSE均降低，表明SSA優(yōu)化BP算法在提高小米米粉糊化特征指標(biāo)預(yù)測(cè)精度、降低MSE方面具有普適性。綜上所述，運(yùn)用該優(yōu)化算法可為高光譜成像結(jié)合計(jì)算機(jī)深度學(xué)習(xí)在小米米粉糊化特征指標(biāo)預(yù)測(cè)方面提供理論支撐。

表3 BP及SSA優(yōu)化BP算法處理下小米米粉特征指標(biāo)預(yù)測(cè)值MSETable 3 MSE for sample prediction sets using BP and SSA-optimized BP algorithms

3 結(jié) 論

本實(shí)驗(yàn)以山西省長(zhǎng)治市武鄉(xiāng)縣所收獲小米研磨后的小米米粉為研究對(duì)象，獲取358 份小米米粉高光譜數(shù)據(jù)集，通過(guò)光譜數(shù)據(jù)提取、預(yù)處理，并以該數(shù)據(jù)矩陣為基礎(chǔ)，分別運(yùn)用BP算法、SSA優(yōu)化BP算法進(jìn)行待測(cè)樣品糊化特征指標(biāo)預(yù)測(cè)，得到以下主要結(jié)論：1）運(yùn)用光譜數(shù)據(jù)提取、預(yù)處理分布運(yùn)算程序，對(duì)樣本高光譜原始數(shù)據(jù)集進(jìn)行批處理，能夠標(biāo)準(zhǔn)化并簡(jiǎn)化光譜數(shù)據(jù)提取、預(yù)處理過(guò)程，從數(shù)據(jù)處理結(jié)果可以看出，該程序在粉末及小顆粒樣本光譜數(shù)據(jù)的提取、預(yù)處理過(guò)程中具有普遍適用性；2）分別運(yùn)用BP算法及SSA優(yōu)化BP算法對(duì)小米米粉糊化各特征指標(biāo)進(jìn)行預(yù)測(cè)，從預(yù)測(cè)值與測(cè)試值間MSE可以看出，運(yùn)用SSA優(yōu)化BP算法能夠提高小米米粉糊化特征指標(biāo)預(yù)測(cè)精度，降低MSE，其中對(duì)PV的預(yù)測(cè)值MSE最低可以達(dá)到0.017 5。

本研究表明，運(yùn)用高光譜數(shù)據(jù)提取、預(yù)處理分步運(yùn)算程序可以簡(jiǎn)化提取小米米粉平均光譜數(shù)據(jù)過(guò)程，結(jié)合SSA優(yōu)化BP算法可以對(duì)待測(cè)樣品糊化特征指標(biāo)進(jìn)行預(yù)測(cè)，能夠?yàn)楦吖庾V成像結(jié)合計(jì)算機(jī)深度學(xué)習(xí)在小米米粉糊化特性預(yù)測(cè)方面應(yīng)用提供理論支撐。