黃越輝 李 捷 陳達(dá)暢

（武漢輕工大學(xué)，湖北武漢 430023）

0 引言

煙葉作為一種經(jīng)濟(jì)作物，在我國(guó)廣泛種植。煙葉從農(nóng)田采收到制成卷煙，需要1～2 年的時(shí)間，煙葉吸濕性強(qiáng)，富集霉菌生長(zhǎng)所需要的營(yíng)養(yǎng)物質(zhì)，極易發(fā)生霉變從而影響經(jīng)濟(jì)價(jià)值。目前，檢測(cè)煙葉霉變的方法主要分為三種：①人工視覺、嗅覺和感官評(píng)吸。②光譜儀采集近紅外光譜。③霉菌培養(yǎng)計(jì)數(shù)。這三種方法存在繁瑣、費(fèi)時(shí)、成本高等缺點(diǎn)。因此，在煙葉霉變快速檢測(cè)中需要一種操作簡(jiǎn)單、結(jié)果準(zhǔn)確、易攜帶的檢測(cè)方法。

當(dāng)前隨著電路工藝的突飛猛進(jìn)，電子鼻越來(lái)越小型化，電子鼻技術(shù)在農(nóng)業(yè)、環(huán)境、食品等行業(yè)有廣泛的應(yīng)用。尹遜玉[1]利用BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)分類以實(shí)現(xiàn)對(duì)不同品質(zhì)咖啡的識(shí)別。李爽[2]使用LIBSVM 對(duì)養(yǎng)殖場(chǎng)空氣進(jìn)行檢測(cè)識(shí)別，從而調(diào)控雞舍養(yǎng)殖環(huán)境。陶懷亮[3]使用PCA 降維后，用Arduino分類器鑒別花椒品種的方案。

近些年，電子鼻檢測(cè)設(shè)備逐漸使用人工智能識(shí)別技術(shù)用于識(shí)別和區(qū)分各種作物的霉變。隨著深度學(xué)習(xí)技術(shù)的不斷發(fā)展，科研人員更多地應(yīng)用電子鼻技術(shù)并結(jié)合人工智能算法來(lái)快速檢測(cè)經(jīng)濟(jì)作物的質(zhì)量。羅禮純[4]使用殘差神經(jīng)網(wǎng)絡(luò)模型識(shí)別大黃魚新鮮度。張珊珊等[5]提出一種小型的基于通道注意力的卷積神經(jīng)網(wǎng)絡(luò)（Channel Attention Convolutional Neural Networks，CA-CNN）的深度挖掘特征方法用于中國(guó)白酒真假鑒別。王首程等[6]采用電子舌和電子鼻結(jié)合密集卷積網(wǎng)絡(luò)— 極限學(xué)習(xí)機(jī)（DenseNet Extreme Learning Machine，DenseNet-ELM）模型對(duì)陳醋釀造年限進(jìn)行快速檢測(cè)。

基于已有研究，針對(duì)小樣本煙葉霉變識(shí)別檢測(cè)，使用深度學(xué)習(xí)作為霉變檢測(cè)識(shí)別方法。但深度學(xué)習(xí)，如卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）等需要大量樣本作為數(shù)據(jù)集進(jìn)行訓(xùn)練，而在實(shí)際樣本采樣中，由于開發(fā)周期短，難以采集到所有品種的煙葉。因此本文提出一種基于深度卷積對(duì)抗生成網(wǎng)絡(luò)（DCGAN）和一維卷積神經(jīng)網(wǎng)絡(luò)（1DCNN）相結(jié)合的模型DCGAN-1DCNN 來(lái)識(shí)別煙葉的霉變狀態(tài)，利用DCGAN 對(duì)小樣本霉變數(shù)據(jù)進(jìn)行擴(kuò)充，結(jié)合卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)霉變特征，從而實(shí)現(xiàn)對(duì)煙葉霉變檢測(cè)的廣譜性，并設(shè)計(jì)了一套便攜式電子鼻設(shè)備作為DCGAN-1DCNN 模型的煙葉霉變數(shù)據(jù)集采集和識(shí)別方法測(cè)試驗(yàn)證裝置。

1 算法原理

1.1 DCGAN算法原理

DCGAN 由GAN 和CNN 兩個(gè)網(wǎng)絡(luò)結(jié)合構(gòu)成，融合了CNN 網(wǎng)絡(luò)提取目標(biāo)特征的能力以及GAN網(wǎng)絡(luò)的學(xué)習(xí)能力，具有較強(qiáng)的網(wǎng)絡(luò)穩(wěn)定性。DCGAN 實(shí)際上是一個(gè)博弈論的方法，由兩個(gè)神經(jīng)網(wǎng)絡(luò)相互博弈學(xué)習(xí)生成性能更好的模型，即由生成器網(wǎng)絡(luò)模型（Generative Model，G）和判別器網(wǎng)絡(luò)模型（Discriminative Model，D）進(jìn)行二元博弈訓(xùn)練[7]。其流程如圖1 所示，將幅度分布服從高斯分布，功率譜密度服從均勻分布的隨機(jī)噪聲（Z）輸入生成器中，生成器輸出新產(chǎn)生的樣本G（Z）。將G（Z）和原始數(shù)據(jù)（x）傳輸?shù)借b別器D中，鑒別器D對(duì)G（Z）和x進(jìn)行區(qū)分，原始數(shù)據(jù)輸出結(jié)果為D（x），新產(chǎn)生樣本輸出結(jié)果為D（G（Z）），將輸出結(jié)果反饋給生成器，生成器根據(jù)結(jié)果不斷優(yōu)化的同時(shí)，鑒別器也在不斷更新參數(shù)，在兩者博弈中，鑒別器的目標(biāo)是D（x）→1，D（G（Z））→0。生成器的目標(biāo)是D（G（Z））→1，因此，DCGAN優(yōu)化的目標(biāo)函數(shù)如公式（1）所示

圖1 DCGAN結(jié)構(gòu)框圖

1.1.1 DCGAN生成器原理

深度卷積對(duì)抗生成網(wǎng)絡(luò)的生成器，實(shí)質(zhì)上是由多個(gè)二維轉(zhuǎn)置卷積層（Conv2d_transpose）、批量歸一化（Batch Normalization）、激活函數(shù)（ReLU）的堆疊，圖2 是DCGAN 模型生成器網(wǎng)絡(luò)的具體結(jié)構(gòu)，生成器結(jié)構(gòu)可總體分為三個(gè)部分，第一個(gè)部分中包括全連接操作（Linear）、reshape 操作、批量歸一化操作和非線性激活函數(shù)（ReLU），第二個(gè)部分中包括二維轉(zhuǎn)置卷積操作、批量歸一化操作和非線性激活函數(shù)（Re-LU），第三個(gè)部分中包括二維轉(zhuǎn)置卷積操作和非線性激活函數(shù)（Tanh）。

圖2 DCGAN生成器網(wǎng)絡(luò)結(jié)構(gòu)

1.1.2 DCGAN鑒別器原理

深度卷積對(duì)抗生成網(wǎng)絡(luò)的鑒別器，其實(shí)是利用CNN 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行的分類識(shí)別，和傳統(tǒng)CNN 結(jié)構(gòu)不同的是，通過(guò)設(shè)置二維卷積的步長(zhǎng)來(lái)代替?zhèn)鹘y(tǒng)CNN 結(jié)構(gòu)中的池化層，從而可以大幅縮減訓(xùn)練參數(shù)。圖3 給出了DCGAN 模型鑒別器網(wǎng)絡(luò)的具體結(jié)構(gòu)，鑒別器網(wǎng)絡(luò)總體分為二個(gè)部分，第一部分包括二維卷積操作、批量歸一化操作和非線性激活函數(shù)（Leak ReLU），第二個(gè)部分包括reshape 操作、全連接操作（Linear）、Sigmoid函數(shù)輸出鑒別結(jié)果。

圖3 DCGAN鑒別器網(wǎng)絡(luò)結(jié)構(gòu)

1.2 1DCNN算法原理

一維卷積神經(jīng)網(wǎng)絡(luò)通過(guò)多個(gè)濾波器對(duì)輸入數(shù)據(jù)進(jìn)行多次卷積與池化運(yùn)算，從而自適應(yīng)提取數(shù)據(jù)內(nèi)部的高級(jí)特征[8]。1DCNN 精簡(jiǎn)輸入模型前的數(shù)據(jù)預(yù)處理，可將原始數(shù)據(jù)直接輸入模型中，識(shí)別準(zhǔn)確率高。其結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層和輸出層組成，如圖4所示。卷積層由多個(gè)卷積核構(gòu)成，通過(guò)反向傳播算法得出卷積核參數(shù)[9]，卷積層的作用是提取目標(biāo)更深層的特征，通過(guò)設(shè)置卷積核的步長(zhǎng)在輸入信號(hào)中依次滑動(dòng)來(lái)實(shí)現(xiàn)。卷積運(yùn)算如公式（2）所示：

圖4 1DCNN結(jié)構(gòu)框架圖

式中，f為激活函數(shù)，Mj為輸入時(shí)設(shè)定，l為輸入的長(zhǎng)度，Xl-1i為輸入信號(hào)的待卷積區(qū)域，Wlji為卷積核矩陣，bj為提高網(wǎng)絡(luò)表達(dá)能力而設(shè)置的卷積核偏置系數(shù)。

池化層的作用是對(duì)卷積層輸出進(jìn)行采樣，減少系統(tǒng)的計(jì)算量，同時(shí)可以防止系統(tǒng)過(guò)擬合，提升網(wǎng)絡(luò)泛化能力，目前主流使用最大池化和平均池化兩種方法。

Droupout 層作用是隨機(jī)失活一半神經(jīng)元，其作用是防止模型過(guò)擬合，提升模型泛化能力。

全連接層的作用是整合卷積層和池化層所提取的目標(biāo)局部特征，輸出一維矩陣給輸出層。

輸出層使用激活函數(shù)，其又稱歸一化指數(shù)函數(shù)。激活函數(shù)可以增強(qiáng)網(wǎng)絡(luò)的表達(dá)能力，常用的函數(shù)有Sigmoid 函數(shù)、Tanh 函數(shù)、ReLU 函數(shù)。Softmax 函數(shù)是二分類函數(shù)Sigmoid 在多分類上的推廣如公式（3）所示，作用是將二分類的結(jié)果以概率的形式表現(xiàn)出來(lái)。

式中，x為樣本，P（y|x）為j= 1時(shí)的概率。

2 DCGAN和1DCNN算法融合

為了解決因?qū)嶒?yàn)樣本不同而導(dǎo)致模型訓(xùn)練數(shù)據(jù)集較少的問(wèn)題，需要利用生成對(duì)抗網(wǎng)絡(luò)來(lái)擴(kuò)充數(shù)據(jù)集。傳統(tǒng)GAN 網(wǎng)絡(luò)的生成器采用從隨機(jī)噪聲中映射到數(shù)據(jù)分布的映射關(guān)系，生成與真實(shí)數(shù)據(jù)樣本相似的假數(shù)據(jù)，這種方式很難采集到樣本更深層的特征，訓(xùn)練時(shí)容易導(dǎo)致模式崩潰。針對(duì)這個(gè)問(wèn)題，DCGAN 網(wǎng)絡(luò)的生成器使用轉(zhuǎn)置CNN 網(wǎng)絡(luò)，通過(guò)增加卷積的層數(shù)，更好地提取樣本的深層特征。

傳統(tǒng)CNN 網(wǎng)絡(luò)對(duì)數(shù)據(jù)可以進(jìn)行較好的分類識(shí)別，但是由于維度較多，存在計(jì)算量大的問(wèn)題，本文主要對(duì)氣體傳感器信號(hào)進(jìn)行分類識(shí)別，均為黑白一維圖像，故采用1DCNN 便能很好地進(jìn)行分類識(shí)別。

針對(duì)這些問(wèn)題，本文提出一種基于DCGAN-1DCNN 的分類器方法，利用DCGAN 擴(kuò)充樣本數(shù)據(jù)集，1DCNN 對(duì)數(shù)據(jù)集分類識(shí)別，來(lái)檢測(cè)煙葉霉變問(wèn)題，網(wǎng)絡(luò)結(jié)構(gòu)如圖5 所示。將MEMS 氣體傳感器采集的原始電壓信號(hào)轉(zhuǎn)換成二維灰度圖像，再將二維灰度圖像分成訓(xùn)練集和測(cè)試集兩部分，利用DCGAN 擴(kuò)充訓(xùn)練集，得到煙葉霉變的增強(qiáng)數(shù)據(jù)集，將增強(qiáng)數(shù)據(jù)集和測(cè)試集輸入一維卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到霉變識(shí)別模型。

圖5 煙葉霉變檢測(cè)方法框架

3 實(shí)驗(yàn)驗(yàn)證

3.1 煙葉霉變識(shí)別硬件平臺(tái)設(shè)計(jì)

本研究采用ARM架構(gòu)的STM32F103系列作為主控MCU 芯片。由MCU 的ADC 對(duì)氣體傳感器陣列進(jìn)行電壓采集獲得響應(yīng)數(shù)據(jù)，將采集獲得的數(shù)據(jù)打包通過(guò)Wi-Fi 藍(lán)牙模塊或USB 通信模塊發(fā)送至上位機(jī)，用訓(xùn)練完成的煙葉霉變識(shí)別模型對(duì)煙葉霉變氣體數(shù)據(jù)進(jìn)行分類識(shí)別。針對(duì)煙葉霉變所產(chǎn)生的揮發(fā)性化合物，參照楊蕾[10]對(duì)霉變煙葉揮發(fā)性及半揮發(fā)性成分分析，確定待測(cè)目標(biāo)氣體主要為甲烷、VOC、氫氣、乙醇、丙酮5 種，綜合考慮傳感器成本、功耗、體積、靈敏度，故選擇GM-502B、GM-512B、GM-402B、GM-302B、GM-702B 這5 個(gè)MEMS氣體傳感器、一個(gè)溫濕度傳感器組成氣體傳感器陣列，如表1。

表1 傳感器參數(shù)

根據(jù)氣體傳感器陣列和STM32F103 數(shù)據(jù)手冊(cè)要求，完善其他外圍電路以及系統(tǒng)軟件設(shè)計(jì)后，完成煙葉霉變便攜式電子鼻樣機(jī)，經(jīng)功能測(cè)試，符合設(shè)計(jì)要求，圖6 給出了煙草霉變識(shí)別便攜式電子鼻的實(shí)物圖。

圖6 便攜式電子鼻實(shí)物圖

3.2 數(shù)據(jù)獲取

3.2.1 數(shù)據(jù)集采集

本實(shí)驗(yàn)的煙葉來(lái)源：湖南某煙廠提供的醇化1 年左右的正常煙葉樣本。將煙葉樣本分成20 份，將其中10 份樣本放入模擬高溫高濕環(huán)境，加快煙葉霉變速度，總計(jì)得到10 份霉變煙葉樣本。

采集設(shè)備為本文設(shè)計(jì)的便攜式電子鼻，實(shí)驗(yàn)參數(shù)設(shè)置嚴(yán)格按照表2，實(shí)驗(yàn)過(guò)程如下：

表2 實(shí)驗(yàn)參數(shù)設(shè)置

（1）初始條件下，取一定量的煙葉置于取氣瓶中靜置10 min，保證煙葉可揮發(fā)氣體充滿取氣瓶。

（2）數(shù)據(jù)采集前，打開氣泵，使用潔凈空氣對(duì)氣室進(jìn)行清洗90 s。

（3）數(shù)據(jù)采集時(shí)，將MCU 的ADC 設(shè)置為0.1 s采集一次，每個(gè)樣本的采集時(shí)長(zhǎng)設(shè)置為30 s。

本文設(shè)計(jì)的煙葉霉變便攜式電子鼻一共有5 個(gè)MEMS 傳感器，將MCU 的ADC 采集間隔設(shè)置為0.1s，每份樣本重復(fù)采集5次，因此可以得到原始數(shù)據(jù)集100 個(gè)。其中霉變數(shù)據(jù)集50 個(gè)，編號(hào)為0；未霉變數(shù)據(jù)50個(gè)，編號(hào)為1。煙葉數(shù)據(jù)集結(jié)構(gòu)如表3所示。

表3 數(shù)據(jù)集介紹

3.2.2 數(shù)據(jù)集增強(qiáng)

由于原有煙葉霉變數(shù)據(jù)集數(shù)量太少，不足以支撐1DCNN 網(wǎng)絡(luò)訓(xùn)練出泛化性能較好的卷積神經(jīng)網(wǎng)絡(luò)，故使用DCGAN 增強(qiáng)原有數(shù)據(jù)集。經(jīng)過(guò)多輪迭代后，DCGAN 生成800 張數(shù)據(jù)圖像，生成的煙葉霉變二維灰度圖像可以提升1DCNN在訓(xùn)練時(shí)的泛化能力。

將新生成的煙葉數(shù)據(jù)集加入原始數(shù)據(jù)集，并打亂數(shù)據(jù)集標(biāo)簽順序，新的數(shù)據(jù)集結(jié)構(gòu)及數(shù)量如表4所示。

表4 增強(qiáng)后的數(shù)據(jù)集

3.3 模型訓(xùn)練

將增強(qiáng)后的數(shù)據(jù)集輸入1DCNN 中進(jìn)行訓(xùn)練，損失函數(shù)選用交叉熵函數(shù)，網(wǎng)絡(luò)迭代次數(shù)設(shè)置為100次。損失函數(shù)：

其中，yi表示真實(shí)樣本i的標(biāo)簽，未霉變?yōu)?，霉變?yōu)?，Pi表示預(yù)測(cè)樣本i被預(yù)測(cè)為未霉變的概率。

將預(yù)測(cè)值與真實(shí)值進(jìn)行比較，得到實(shí)際正類預(yù)測(cè)為正類（True Positive，TP），實(shí)際正類預(yù)測(cè)為負(fù)類（False Negative，F(xiàn)N），實(shí)際負(fù)類預(yù)測(cè)為正類（False Positive，F(xiàn)P）和實(shí)際負(fù)類預(yù)測(cè)為負(fù)類（True Negative，TN）的數(shù)量，準(zhǔn)確率（accuracy） 是所有實(shí)際正類預(yù)測(cè)為正類（TP）占所有被檢索樣例（TP+FN+FP+TN）的數(shù)量，可以用式（5）表示：

將DCGAN-1DCNN與CNN、BP、SVM等多種不同訓(xùn)練方法進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表5 所示。從表中可以得出，雖然這幾種電子鼻識(shí)別算法準(zhǔn)確率均在90%以上，但是DCGAN-1DCNN 識(shí)別準(zhǔn)確率更高，因此作為小樣本煙葉霉變識(shí)別在電子鼻上的應(yīng)用更為合適。

表5 不同算法對(duì)比

4 結(jié)論

本文在DCGAN 網(wǎng)絡(luò)的基礎(chǔ)上融合1DCNN網(wǎng)絡(luò)來(lái)解決小樣本煙葉數(shù)據(jù)集難以支撐深度學(xué)習(xí)訓(xùn)練的問(wèn)題，利用DCGAN 擴(kuò)充小樣本數(shù)據(jù)集后，使用1DCNN 來(lái)分類識(shí)別。在設(shè)計(jì)的煙葉霉變便攜式電子鼻上進(jìn)行數(shù)據(jù)采集、驗(yàn)證、對(duì)比實(shí)驗(yàn)，其中DCGAN-1DCNN 識(shí)別準(zhǔn)確率最高可達(dá)96.2%，高于CNN、BP、SVM，并且將其應(yīng)用到煙葉霉變便攜式電子鼻上。