蔡健榮, 黃楚鈞, 馬立鑫, 翟利祥, 郭志明, 3*

1. 江蘇大學(xué)食品與生物工程學(xué)院, 江蘇 鎮(zhèn)江 212013

2. 江蘇省智能農(nóng)業(yè)與農(nóng)產(chǎn)品加工國際合作聯(lián)合實(shí)驗(yàn)室, 江蘇 鎮(zhèn)江 212013

3. 現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室(江蘇大學(xué)), 江蘇 鎮(zhèn)江 212013

引 言

柑橘是我國消費(fèi)量最高的水果品種之一, 因其水分含量高、 營養(yǎng)豐富且風(fēng)味獨(dú)特而日益受到消費(fèi)者的青睞。 隨著人們生活水平的不斷改善, 消費(fèi)者由柑橘的大小、 顏色等外部品質(zhì), 轉(zhuǎn)向更加關(guān)注柑橘以可溶性固形物含量(soluble solids content, SSC)為主的內(nèi)在品質(zhì)。 因此柑橘產(chǎn)業(yè)需要內(nèi)部品質(zhì)快速無損檢測技術(shù)進(jìn)行分級(jí)和評(píng)價(jià), 提高柑橘品質(zhì)一致性與商品化處理水平。

近年來, 無損檢測技術(shù)由于其低能耗、 實(shí)時(shí)、 快速等特點(diǎn)被廣泛使用, 主要包括光譜、 電子鼻、 機(jī)器視覺、 超聲傳感、 核磁共振等技術(shù)[1]。 其中近紅外光譜技術(shù)由于能夠從特定波段反映出待測物內(nèi)不同的化學(xué)組分, 被廣泛用于水果內(nèi)部品質(zhì)的檢測。 目前已開發(fā)了便攜式水果內(nèi)部品質(zhì)無損檢測設(shè)備[2]。 這些便攜式設(shè)備主要以微型光譜儀為核心, 輔助嵌入式系統(tǒng)、 光源、 電源、 散熱器等, 已用于檢測蘋果[3]、 大桃[4]、 獼猴桃[5]、 番茄[6]等水果的多種品質(zhì)指標(biāo)。 但是光源多為鹵鎢燈, 能耗高且易導(dǎo)致水果熱損傷, 影響檢測精度; 光譜儀的探測器響應(yīng)范圍寬, 導(dǎo)致采集的光譜包含大量冗余信息, 影響計(jì)算速度和成本; 部分設(shè)備需與計(jì)算機(jī)連接采集光譜, 攜帶不便; 每臺(tái)儀器獨(dú)自建模, 人工操作復(fù)雜, 這些因素已成為水果內(nèi)部品質(zhì)無損檢測未能實(shí)用化的技術(shù)瓶頸[7]。

本研究設(shè)計(jì)基于寬譜LED光源及云技術(shù)的便攜式柑橘內(nèi)部品質(zhì)檢測系統(tǒng), 其中采用寬譜LED光源和特征響應(yīng)窄帶光電探測器, 滿足便攜、 操作簡便、 低成本、 低功耗等需求; 結(jié)合基于物聯(lián)網(wǎng)的云端數(shù)據(jù)系統(tǒng), 便于模型優(yōu)化更新。 同時(shí), 設(shè)計(jì)了一種新的一維卷積神經(jīng)網(wǎng)絡(luò), 用于分析柑橘的可溶性固形物含量。 該算法相比于傳統(tǒng)偏最小二乘法等多元校正算法, 克服了運(yùn)算速度慢, 預(yù)測不準(zhǔn)確的缺點(diǎn)。 進(jìn)一步研究遷移學(xué)習(xí)方法在裝置之間的模型傳遞以提升其拓展性。 為提高我國柑橘的經(jīng)濟(jì)附加值, 提高農(nóng)民的經(jīng)濟(jì)效益提供幫助。

1 實(shí)驗(yàn)部分

1.1 硬件系統(tǒng)設(shè)計(jì)

柑橘可溶性固形物含量手持式無損檢測系統(tǒng)由手持式柑橘可溶性固形物含量無損檢測儀與柑橘光譜儀云端數(shù)據(jù)系統(tǒng)兩部分構(gòu)成。 手持式無損檢測儀獲取的柑橘光譜數(shù)據(jù), 通過4G/5G模塊上傳到云端服務(wù)器, 光譜數(shù)據(jù)可在云端數(shù)據(jù)平臺(tái)查看和下載。 此外, 模型可上載至云服務(wù)器, 便于模型更新, 檢測系統(tǒng)將光譜數(shù)據(jù)上傳后調(diào)用云模型進(jìn)行計(jì)算, 檢測結(jié)果返回至液晶顯示屏, 整體所用時(shí)間<2 s。

手持式水果內(nèi)部品質(zhì)無損檢測儀的裝置結(jié)構(gòu)圖如圖1所示, 其硬件系統(tǒng)主要由寬譜LED光源、 微型光譜儀、 單片機(jī)及其相關(guān)電路、 可充電鋰電池、 黑色軟墊圈、 液晶顯示屏、 通訊模塊等部分組成。 無損檢測儀尺寸為50 mm×120 mm×30 mm, 可以單手完成操作。

圖1 手持式柑橘可溶性固形物含量無損檢測儀示意圖

在近紅外光譜技術(shù)無損檢測水果可溶性固形物含量的過程中, 通常需要檢測器在700～900 nm波段具有較高的靈敏度, 這是由于與可溶性固形物相關(guān)的含氫基團(tuán)在該波段有響應(yīng)。 一般的無損檢測裝置通常選用鹵素?zé)艄庠? 但鹵素?zé)舫杀靖? 功率大, 產(chǎn)熱多。 本研究定制化開發(fā)波長范圍在600～1 000 nm均具有高照度的LED光源, 比較適合柑橘可溶性固形物含量無損檢測。 為提高柑橘光譜漫反射式區(qū)域性信號(hào)采集的代表性, 光源模塊設(shè)計(jì)過程選用14個(gè)呈圓周對(duì)稱排布的定制寬譜LED頻閃光源, 該光源主要增強(qiáng)了LED光源在750～900 nm波段范圍的能量, 且每個(gè)燈珠的功率僅為3 mW。 相較于鹵素?zé)? 具有功耗低、 使用壽命長、 體積小的優(yōu)點(diǎn)。

隨著微機(jī)電加工技術(shù)的發(fā)展, 微型可見/近紅外光譜儀的開發(fā)廣受關(guān)注, 因此近年來國內(nèi)外研究人員開發(fā)的基于可見/近紅外光譜技術(shù)的便攜式檢測設(shè)備, 大多使用微型光譜儀作為硬件系統(tǒng)的核心。 本系統(tǒng)光譜采集模塊選用C14384MA-01超緊湊型可見近紅外光電傳感器(日本, 濱松), 其體積為11.5 mm×4.0 mm×3.1 mm, 質(zhì)量為0.3 g, 光學(xué)分辨率為1 000 nm, 波長響應(yīng)范圍為640～1 050 nm, 成本低的同時(shí)具有結(jié)構(gòu)緊湊、 精密度高、 重量輕的特點(diǎn)。 用漫反射的方式采集柑橘光譜, 檢測時(shí)柑橘樣本置于探頭上, 使其赤道部位緊貼中心位置的接收探測器, LED光源發(fā)出的光經(jīng)與水果作用后, 光譜信號(hào)被光電探測器獲取, 并進(jìn)行相應(yīng)的模組轉(zhuǎn)換。

手持式水果內(nèi)部品質(zhì)無損檢測系統(tǒng)的示意圖如圖2所示。 RISC微處理器選用ARM(Advanced RISC Machine)處理器, 主要功能模塊由可編程邏輯門陣列(field programmable gate Array, FPGA)負(fù)責(zé)實(shí)現(xiàn)。 柑橘光譜信號(hào)被分光傳感器接受后, 經(jīng)16位ADC模數(shù)轉(zhuǎn)換芯片轉(zhuǎn)換成數(shù)字模擬信號(hào)。 之后光譜數(shù)據(jù)通過4G/5G模塊傳到水果光譜儀云端數(shù)據(jù)系統(tǒng)中, 調(diào)用云端模型進(jìn)行SSC預(yù)測, 預(yù)測結(jié)果將傳回手持式儀器, 并在液晶顯示屏上顯示。 此外ARM上還添加了溫度傳感器接口, 可以得到光譜采集時(shí)段的溫度數(shù)據(jù), 后續(xù)可進(jìn)行溫度補(bǔ)償以提高檢測精度。

圖2 手持式柑橘可溶性固形物含量可見/近紅外無損檢測系統(tǒng)示意圖

1.2 水果光譜儀云端數(shù)據(jù)系統(tǒng)設(shè)計(jì)

水果光譜儀云端數(shù)據(jù)系統(tǒng)是一個(gè)基于物聯(lián)網(wǎng)技術(shù)的數(shù)據(jù)庫系統(tǒng), 可以通過4G/5G模塊與手持式無損檢測終端進(jìn)行交互。 其主要功能模塊如圖3所示, 主要包括用戶庫、 設(shè)備庫、 檢測數(shù)據(jù)庫和模型庫。 用戶庫包括普通用戶和管理員, 普通用戶可以管理用戶信息與查詢信息, 管理員有維護(hù)數(shù)據(jù)及管理其他用戶的權(quán)限。 設(shè)備庫可以查詢每臺(tái)設(shè)備的硬件信息, 還可以修改曝光時(shí)間以及脈寬調(diào)制值等光譜采集參數(shù)。 成功采集光譜后, 檢測數(shù)據(jù)庫支持下載光譜數(shù)據(jù), 同時(shí)還會(huì)顯示檢測時(shí)段溫度等相關(guān)信息。 此外, 模型庫還可以調(diào)用云模型直接計(jì)算得到柑橘可溶性固形物含量, 具有較高的實(shí)用性。

圖3 水果光譜儀云端數(shù)據(jù)系統(tǒng)功能模塊

1.3 材料及柑橘光譜采集

在鎮(zhèn)江當(dāng)?shù)厮袌霾少復(fù)庥^均勻、 無損傷病害的澳洲柑橘180個(gè), 先在室溫20 ℃的實(shí)驗(yàn)室內(nèi)放置12 h備用, 以消除溫度對(duì)模型的影響。 采用手持式無損檢測儀采集光譜, PWM(pulse width modulation)值設(shè)置為60, 積分時(shí)間設(shè)置為80 ms, 設(shè)備參數(shù)均在云端數(shù)據(jù)系統(tǒng)進(jìn)行調(diào)整。 獲取柑橘光譜前先使用標(biāo)準(zhǔn)聚四氟乙烯白板采集參考光譜3次以避免錯(cuò)誤。 柑橘光譜均在赤道位置采集, 柑橘樣品每旋轉(zhuǎn)120°采集一次光譜并標(biāo)記位置, 三次采集的平均光譜為最終樣品光譜, 同時(shí)采集實(shí)時(shí)暗光譜數(shù)據(jù)。 得到的光譜數(shù)據(jù)通過lg(1/T)公式轉(zhuǎn)化為相對(duì)吸光度, 其中T為柑橘樣本的反射率。

1.4 柑橘可溶性固形物含量測定

為確保柑橘SSC檢測的準(zhǔn)確性, 柑橘SSC通過傳統(tǒng)破壞性測試獲得。 每個(gè)樣本將標(biāo)記處的果肉擠壓獲得果汁, 用溫度校正數(shù)字折射儀(ATAGO RX-5000a. Japan)測量可溶性固形物含量, 之后進(jìn)行讀數(shù)并記錄。 在剔除異常數(shù)據(jù)后, 剩余樣本數(shù)量為159。 隨機(jī)選擇其中30組光譜數(shù)據(jù)用于遷移學(xué)習(xí)的比較驗(yàn)證, 其余柑橘樣本用Kennard-Stone法按照3∶2的比例隨機(jī)劃分為校正集與預(yù)測集[8], 柑橘樣本可溶性固形物含量實(shí)測值如表1所示, 可以發(fā)現(xiàn)校正集的可溶性固形物含量范圍要大于預(yù)測集, 這有助于提高模型的穩(wěn)健性。

表1 柑橘可溶性固形物含量測定統(tǒng)計(jì)結(jié)果

1.5 光譜數(shù)據(jù)處理

1.5.1 一維卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)是深度神經(jīng)網(wǎng)絡(luò)的一個(gè)子集, 被廣泛應(yīng)用于計(jì)算機(jī)視覺等領(lǐng)域[9]。 由于近紅外光譜可以反映含氫基團(tuán)振動(dòng)的倍頻和合頻吸收, 反應(yīng)物質(zhì)化學(xué)成分以及含量的相關(guān)信息, 因此可以將連續(xù)的近紅外光譜曲線看作一維方向上相關(guān)聯(lián)的像素點(diǎn), 該性質(zhì)使卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于近紅外光譜分析具有可行性。 相比于二維卷積神經(jīng)網(wǎng)絡(luò), 一維卷積神經(jīng)網(wǎng)絡(luò)(one dimensional-convolutional neural networks, 1D-CNN)結(jié)構(gòu)更簡潔、 對(duì)硬件需求更低, 適合手持式水果內(nèi)部品質(zhì)無損檢測。

提出了一種新的基于可見/近紅外光譜的1D-CNN模型, 用于對(duì)柑橘可溶性固形物含量的預(yù)測。 它由1個(gè)輸入層、 2個(gè)卷積層、 2個(gè)池化層、 1個(gè)全連接層和1個(gè)輸出層組成。 基于可見光譜的一維CNN操作示意圖如圖4所示, 一維CNN的結(jié)構(gòu)描述如下:

圖4 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

輸入層: 輸入層用于接收一維可見/近紅外光譜數(shù)據(jù), 用于后續(xù)的處理。 其中光譜矩陣的寬度、 高度、 通道數(shù)均設(shè)為1。

卷積層: 卷積層通常用于提取輸入數(shù)據(jù)的特征, 由一維卷積核組成。 卷積是通過在整個(gè)頻譜上滑動(dòng)一個(gè)核(W=[w1,w2,w3, …wN]T), 用一定的步驟, 即“stride”, 來產(chǎn)生一個(gè)新的表現(xiàn)形式來代表光譜曲線, 也稱為輸出特征圖, 其中wi表示一個(gè)權(quán)重。 每個(gè)卷積層可以識(shí)別簡單的光譜特征, 復(fù)雜特征的提取可以通過卷積層的疊加來實(shí)現(xiàn)[10]。

激活函數(shù): 卷積層提取特征后, 將輸出特征映射傳遞給激活函數(shù), 實(shí)現(xiàn)網(wǎng)絡(luò)層的非線性變換。 在卷積層中, 常用的激活函數(shù)為線性整流函數(shù)(ReLU), 其定義為:

ReLU=max(0,WTx+b)

(1)

式(1)中,W為核的權(quán)值,x為輸入的可見/近紅外光譜,b為偏差。 Leaky ReLU函數(shù)屬于對(duì)ReLU函數(shù)改良后的函數(shù)。 相比ReLU函數(shù), LeakyReLU在x≤0時(shí)x中有一個(gè)小小的系數(shù), 可以避免出現(xiàn)很多輸出為0導(dǎo)致無法繼續(xù)學(xué)習(xí)的神經(jīng)元[11]。

池化層: 池化層通常被設(shè)置在卷積層之后, 池化層負(fù)責(zé)將光譜數(shù)據(jù)劃分多個(gè)區(qū)域, 并將各區(qū)域的代表特征提取出來, 重新排列組合成一組新的光譜數(shù)據(jù)。 池化層用于降低卷積層卷積結(jié)果的參數(shù)數(shù)量, 同時(shí)可以篩選特征變量, 有利于減少模型計(jì)算量, 防止過擬合。 池化方式主要包括平均池化、 最大池化。 1D-CNN模型中的池化方式均為最大池化[12]。

全連接層: 全連接層通常位于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的末尾, 包含大量與扁平化層所有元素相連接的神經(jīng)元, 負(fù)責(zé)對(duì)數(shù)據(jù)進(jìn)行全局特征分析, 經(jīng)運(yùn)算處理后輸出結(jié)果。

輸出層: 在輸出層中, 輸出類型決定了將用哪種類型的激活函數(shù), 輸出層的節(jié)點(diǎn)等于目標(biāo)變量的個(gè)數(shù)[13]。 為了預(yù)測柑橘的可溶性固形物含量, 將節(jié)點(diǎn)數(shù)設(shè)為1。 在全連接層后直接用RegressionLayer進(jìn)行回歸分析, 得到預(yù)測的可溶性固形物含量值。

1.5.2 模型訓(xùn)練

1D-CNN網(wǎng)絡(luò)模型的訓(xùn)練將采用自適應(yīng)矩估計(jì)(Adam)算法。 該方法為隨機(jī)梯度下降的一種變體, 且提前迭代終止可以預(yù)防過擬合。 模型訓(xùn)練的相關(guān)參數(shù), 學(xué)習(xí)率Ir=0.001, 最大迭代次數(shù)MaxEpochs=30, 訓(xùn)練集被分成多個(gè)批次, 最小批處理樣本數(shù)BatchSize=10。

1.5.3 模型評(píng)價(jià)方法

為評(píng)估1D-CNN模型的可溶性固形物含量預(yù)測效果, 使用偏最小二乘回歸(partial least squared regression, PLS)、 人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)、 支持向量機(jī)(support vector machines, SVM)三種傳統(tǒng)回歸方法分別建立柑橘可溶性固形物含量預(yù)測模型, 與1D-CNN進(jìn)行對(duì)比。 ANN一般包含輸入層、 隱藏層和輸出層。 ANN的學(xué)習(xí)過程就是根據(jù)訓(xùn)練數(shù)據(jù)來調(diào)整神經(jīng)元之間的連接權(quán)重以及每個(gè)功能神經(jīng)元的閾值。 SVM通過尋找最優(yōu)的線性分類超平面以實(shí)現(xiàn)定量或定性判別。 所有模型均使用與1D-CNN模型相同的數(shù)據(jù)集進(jìn)行模型訓(xùn)練與預(yù)測。 此外, 在一維卷積神經(jīng)網(wǎng)絡(luò)模型中, 由于卷積層、 池化層具有提取近紅外光譜特征波長, 消除無信息變量的作用。 因此相比于其他回歸模型, 無需對(duì)原始光譜進(jìn)行復(fù)雜的預(yù)處理過程。

建立模型時(shí), 以近紅外光譜數(shù)據(jù)作為模型的輸入數(shù)據(jù), 以柑橘的可溶性固形物含量作為參考數(shù)據(jù)。 選取均方根誤差(root mean squares error, RMSE)和Pearson相關(guān)系數(shù)(R)作為模型評(píng)價(jià)的兩個(gè)指標(biāo)。 在標(biāo)定過程中, 利用光譜數(shù)據(jù)和參考數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練。 校正集的RMSE和R(記為RMSEC和Rc)被用來選擇超參數(shù)的最合適值。 在驗(yàn)證過程中, 將選擇的最優(yōu)模型應(yīng)用于驗(yàn)證樣本。 預(yù)測集的RMSE和R(記為RMSEP和Rp)來評(píng)估模型預(yù)測精度。 一般來說, 一個(gè)好的模型應(yīng)該有較高的Rc和Rp值, 較低的RMSEC和RMSEP值。 所有的計(jì)算都是在Windows 11下使用Matlab 2020b軟件(Mathworks Inc., USA)。

1.6 基于卷積神經(jīng)網(wǎng)絡(luò)的模型傳遞

在建立1D-CNN可溶性固形物含量預(yù)測模型的過程中, 由于不同儀器間的光學(xué)響應(yīng)具有一定的偏差, 獲取的近紅外光譜會(huì)產(chǎn)生差距, 進(jìn)而導(dǎo)致原模型在其他儀器上使用精度下降, 重新建模需要消耗大量時(shí)間、 人力和物力。 因此針對(duì)深度學(xué)習(xí)算法, 提出用遷移學(xué)習(xí)方法進(jìn)行模型傳遞的嘗試。

遷移學(xué)習(xí)是指利用數(shù)據(jù)、 任務(wù)或模型之間的相似性, 把從一個(gè)區(qū)域?qū)W習(xí)的信息應(yīng)用于其他區(qū)域的一門技術(shù), 主要研究兩個(gè)不同數(shù)據(jù)分布的領(lǐng)域[14]。 采用基于模型的模型遷移, 即在源域(Source Domin)成功建立一維卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上, 凍結(jié)前面的卷積層不變, 僅調(diào)整新拼接上的全連接層的參數(shù); 最終利用目標(biāo)域(Target Domin)上的數(shù)據(jù)去修正、 調(diào)整新的模型。 可以在僅用少量樣本的條件下完成多臺(tái)儀器模型的訓(xùn)練, 大大減少了手持式設(shè)備開發(fā)過程的工作量。 由于遷移學(xué)習(xí)相比目標(biāo)域重新訓(xùn)練模型省去了卷積池化等特征提取的過程, 模型訓(xùn)練的相關(guān)系數(shù)也得到了相應(yīng)簡化: 學(xué)習(xí)率Ir=5×10-5, 最大迭代次數(shù)MaxEpochs=10, 最小批處理樣本數(shù)BatchSize=1。 在從機(jī)校正集光譜中分別選擇5, 10, 15, 20, 25, 30個(gè)樣本用于遷移學(xué)習(xí)的比較驗(yàn)證, 同時(shí)用主機(jī)的1D-CNN模型對(duì)從機(jī)預(yù)測集進(jìn)行可溶性固形物含量預(yù)測作為對(duì)比。 模型傳遞的效果用預(yù)測均方根誤差RMSEP來評(píng)價(jià)。

2 結(jié)果與討論

2.1 柑橘光譜數(shù)據(jù)分析

由于處于兩端的光譜波段噪聲較大, 不能用于分析, 故截取信噪比較高的541.83～899.40 nm波段, 共計(jì)97個(gè)波段用于后續(xù)的光譜數(shù)據(jù)處理。 圖5為柑橘原始近紅外光譜圖。 可以發(fā)現(xiàn)柑橘光譜在800～900 nm范圍內(nèi)仍有較強(qiáng)響應(yīng), 且樣本之間的光譜特征變化趨勢相似。 全波段有三個(gè)較為明顯的吸收峰, 其中650 nm附近的吸收峰位于葉綠素吸收區(qū), 750 nm附近的吸收峰與碳水化合物和水的含量相關(guān); 860 nm附近的吸收峰可能與溫度和光程的校正相關(guān)[15]。 這說明手持式水果無損檢測儀可以獲取與柑橘可溶性固形物含量相關(guān)的光譜信息, 滿足柑橘可溶性固形物含量無損檢測的要求。

圖5 柑橘樣本的相對(duì)吸光度光譜

2.2 1D-CNN模型分析

對(duì)柑橘光譜進(jìn)行了1D-CNN模型的訓(xùn)練, 訓(xùn)練集網(wǎng)絡(luò)的均方根誤差如圖6所示。 橫坐標(biāo)表示訓(xùn)練迭代次數(shù), 總數(shù)為210次。 可以看出CNN模型的均方根誤差隨迭代次數(shù)增加快速下降, 經(jīng)過50次網(wǎng)絡(luò)訓(xùn)練后訓(xùn)練均方根誤差為0.887, 然后下降速度放緩至收斂, 在210次迭代時(shí)訓(xùn)練均方根誤差最終降低為0.488。 可以看出卷積神經(jīng)網(wǎng)絡(luò)模型穩(wěn)定性與泛化性能較好, 滿足柑橘內(nèi)部品質(zhì)分析的要求。

圖6 1D-CNN網(wǎng)絡(luò)訓(xùn)練圖

經(jīng)優(yōu)化模型參數(shù)后, 用PLS, ANN, SVM三種傳統(tǒng)回歸算法與1D-CNN進(jìn)行比較, 各模型可溶性固形物含量預(yù)測效果如表2所示。 但受限于光電傳感器較低的分辨率, 相關(guān)系數(shù)較低。 可以發(fā)現(xiàn), 各模型回歸性能的排序?yàn)? ANN

表2 不同算法回歸效果

究其原因, 主要是由于一維CNN方法考慮了輸入數(shù)據(jù)的空間信息, 該算法利用空間局部相關(guān)性, 通過增強(qiáng)相鄰層神經(jīng)元之間的局部連接模式來研究原始NIR光譜中的局部模式, 并通過采用權(quán)重共享來降低過擬合的風(fēng)險(xiǎn)。 這些網(wǎng)絡(luò)的每個(gè)卷積層的輸出直接與輸入頻譜的小區(qū)域相關(guān)[16]。 因此, 一維CNN方法可以在訓(xùn)練后識(shí)別輸入數(shù)據(jù)的重要區(qū)域, 避免了原始光譜數(shù)據(jù)中一些微小特征峰的丟失[17]。 研究表明1D-CNN在信號(hào)提取, 特征學(xué)習(xí)及復(fù)雜關(guān)系建模等方面具有一定的優(yōu)勢。

2.3 遷移學(xué)習(xí)傳遞效果

從機(jī)選擇不同數(shù)量的樣本建立1D-CNN遷移學(xué)習(xí)模型, 預(yù)測均方根誤差RMSEP隨校正集樣本數(shù)的變化如圖7所示。 可以發(fā)現(xiàn), 遷移學(xué)習(xí)樣本數(shù)量小于10時(shí), 模型傳遞效果不佳; 隨著樣本數(shù)的增加, RMSEP逐漸減小; 當(dāng)樣本數(shù)量為30時(shí), 柑橘可溶性固形物含量模型傳遞效果最優(yōu), 從機(jī)預(yù)測集RMSEP為0.531。 略低于直接建立校正模型的檢測精度, 但減少了工作量, 這對(duì)于新型手持式柑橘可溶性固形物含量無損檢測系統(tǒng)的開發(fā), 檢測設(shè)備的批量生產(chǎn)具有重要意義。

圖7 使用遷移學(xué)習(xí)方法時(shí)RMSEP隨不同柑橘標(biāo)準(zhǔn)樣本數(shù)量變化

將每臺(tái)儀器建立的柑橘可溶性固形物預(yù)測模型載入云服務(wù)器, 可以實(shí)現(xiàn)云模型調(diào)用、 數(shù)據(jù)存儲(chǔ)與下載、 相關(guān)參數(shù)與結(jié)果顯示等功能。 但儀器的老化、 柑橘品種的更新等外部因素依然會(huì)對(duì)SSC無損檢測精度產(chǎn)生影響, 因此需定期進(jìn)行模型的維護(hù)和更新。 利用基于模型的遷移方法, 定期選擇少量具有代表性的樣本作為新的訓(xùn)練集, 基于原有1D-CNN模型卷積層池化層的參數(shù)不變, 可以重新建立柑橘可溶性固形物預(yù)測模型。 從而實(shí)現(xiàn)云模型的快速更新, 提高云模型的適用性和穩(wěn)定性。

3 結(jié) 論

(1) 基于可見/近紅外光譜技術(shù), 以寬譜LED光源與特征響應(yīng)微型光譜儀為核心配件, 結(jié)合處理與顯示模塊、 電源模塊和4G/5G模塊, 設(shè)計(jì)了手持式柑橘可溶性固形物無損檢測系統(tǒng)。 其中4G/5G模塊與基于物聯(lián)網(wǎng)技術(shù)的水果光譜儀云端數(shù)據(jù)系統(tǒng)相連接, 使系統(tǒng)可以實(shí)現(xiàn)光譜采集參數(shù)修改、 數(shù)據(jù)上傳與下載、 云模型調(diào)用等功能。 儀器大小為11.5 mm×4.0 mm×3.1 mm, 滿足手持式設(shè)備的要求。

(2) 提出了一維卷積神經(jīng)網(wǎng)絡(luò)的柑橘可溶性固形物含量預(yù)測方法, 該網(wǎng)絡(luò)包含7層網(wǎng)絡(luò)結(jié)構(gòu), 采用隨機(jī)梯度下降為迭代法。 用手持式無損檢測系統(tǒng)主機(jī)采集159個(gè)柑橘樣本的光譜并建立1D-CNN回歸預(yù)測模型。 研究結(jié)果表明, 與PLS、 ANN、 SVM等傳統(tǒng)回歸方法對(duì)比, 1D-CNN具有更高的可溶性固形物含量預(yù)測精度:Rp=0.812, RMSEP=0.488。

(3) 用遷移學(xué)習(xí)方法對(duì)從機(jī)進(jìn)行模型傳遞, 探討了從機(jī)訓(xùn)練集樣本數(shù)對(duì)模型傳遞效果的影響。 訓(xùn)練集樣本數(shù)為30時(shí), 1D-CNN模型性能最優(yōu), 從機(jī)預(yù)測集RMSEP達(dá)到0.531, 減少從機(jī)訓(xùn)練時(shí)間同時(shí)保持了模型精度。

研究表明, 柑橘可溶性固形物含量可見/近紅外光譜手持式檢測系統(tǒng)結(jié)合1D-CNN模型可以實(shí)現(xiàn)柑橘可溶性固形物含量的無損、 快速分析, 對(duì)可見/近紅外手持式無損檢測系統(tǒng)開發(fā)具有指導(dǎo)性意義。 此外, 基于云服務(wù)的近紅外光譜分析平臺(tái)的構(gòu)建, 對(duì)近紅外光譜分析網(wǎng)絡(luò)化、 柑橘產(chǎn)業(yè)智能化具有積極的推動(dòng)作用。