李江波,蘇憶楠,饒秀勤

(浙江大學 生物系統(tǒng)工程與食品科學學院,杭州310029)

試驗研究

基于高光譜成像及神經(jīng)網(wǎng)絡(luò)技術(shù)檢測玉米含水率

李江波,蘇憶楠,饒秀勤

(浙江大學 生物系統(tǒng)工程與食品科學學院,杭州310029)

基于高光譜成像及人工神經(jīng)網(wǎng)絡(luò)技術(shù)對玉米含水率進行了檢測。檢測波長為450～900 nm,由玉米粒反射光譜圖像獲取反映其含水率的光譜特征波長。利用人工神經(jīng)網(wǎng)絡(luò)建立了玉米粒含水率的預(yù)測模型,模型相關(guān)系數(shù)達到0.98。對含水率預(yù)測結(jié)果的誤差最大絕對值為2.1182,最小絕對值為0.0024。相對誤差絕對值的平均值為0.3090,結(jié)果表明利用高光譜圖像技術(shù)對玉米含水率進行無損檢測是可行的。

玉米;高光譜圖像;含水率;神經(jīng)網(wǎng)絡(luò)

1 引言

谷物水分含量是確定其貯藏條件的重要因素之一,在實際生產(chǎn)中一般采用合適的生產(chǎn)流程,將糧食脫粒后送到干燥塔,經(jīng)過預(yù)熱、干燥、緩蘇,待冷卻至常溫,達到安全水分14%左右后排出干燥塔。在此過程中,糧食水分在線檢測和控制是制約糧食干燥系統(tǒng)的核心技術(shù)。

傳統(tǒng)的糧食水分檢測多是通過干燥或化學方法直接去除糧食中的水分,檢測出樣品的絕對含水量。其中干燥法主要包括電烘箱法、減壓法、紅外加熱法、微波加熱法;化學法包括蒸餾法、卡爾·費休法和碳化鈣法等。這些方法的檢測精度高,適用于試驗室檢測,但費時,對糧粒有一定的破壞性,無法實現(xiàn)快速在線檢測。

目前的研究表明利用近紅外光譜技術(shù)檢測農(nóng)產(chǎn)品內(nèi)部品質(zhì)是一種非常有效的方法[1-4]。但是,通常光譜技術(shù)僅提供對檢測對象一個非常小區(qū)域的檢測,獲取的光譜僅代表農(nóng)產(chǎn)品表面的某些局部區(qū)域,缺少對象的空間信息,這一局限性可能造成預(yù)測集與測量集信息之間較大差異,從而影響系統(tǒng)的穩(wěn)定性。

高光譜成像技術(shù)是一種圖像及光譜的融合技術(shù),可以同時獲取研究對象的空間及光譜信息。可以說高光譜成像技術(shù)是圖像技術(shù)與光譜技術(shù)的完美結(jié)合,近幾年在農(nóng)產(chǎn)品品質(zhì)無損檢測中引起越來越多的關(guān)注,成為一個研究熱點[5-9]。本文采用高光譜成像技術(shù)對玉米含水率進行無損檢測研究,并通過相關(guān)數(shù)據(jù)處理方法獲得最能反映其含水率特征的最優(yōu)波長,從而為基于多光譜技術(shù)在線檢測玉米含水率提供依據(jù)。

圖1 高光譜成像系統(tǒng)

2 試驗材料與方法

2.1 試驗材料及水分測定

本試驗以玉米作為研究對象。樣本于2009年11月購于河南,品種編號為02102,從樣本中選取300粒作為研究對象。樣本含水率實際值的測量采用LDS-1H型快速電腦水分測定儀。該儀器是由上海青浦綠洲檢測儀器有限公司生產(chǎn)的LDS-ID型電腦水分測定儀的升級產(chǎn)品,性能穩(wěn)定可靠。LDS-1H本身帶有稱重系統(tǒng),無需事先稱重,能直接測定糧食水分。

2.2 高光譜成像系統(tǒng)

本試驗的圖像數(shù)據(jù)是利用如圖1所示的基于光譜儀的高光譜成像系統(tǒng)所獲取。整個系統(tǒng)主要包括圖像光譜儀(Im Specto r V10E-QE,Spectral Imaging Ltd,Oulu,Finland),一套150W的光纖鹵素燈(SCHOTT DCRⅢ)可以提供可見近紅外波段光譜,一組帶有1344個有效像素的線陣CCD攝像機(Hamamastsu),一組輸送裝置(Zolix, SC300-1A,北京)和計算機(ACER,Inter? CoreTM2 4400@2.00GHz,RAM 1.00G)等部件組成。高光譜儀光譜范圍為400～1100 nm,共1024個波段,光譜分辨率2.8 nm。由于小于450 nm和大于900 nm的光譜數(shù)據(jù)噪聲比較大,因此試驗僅采用450～900 nm光譜區(qū)域的數(shù)據(jù)進行分析。

2.3 高光譜圖像采集

整套系統(tǒng)置于一個表面涂有黑漆的密閉柜中,以避免圖像采集時環(huán)境光的干擾。為了獲得更加精確的數(shù)據(jù),在高光譜圖像數(shù)據(jù)采集前,預(yù)先根據(jù)光源的照度設(shè)定好高光譜攝像頭曝光時間以保證圖像清晰,并調(diào)整好輸送裝置的速度以避免圖像空間分辨率失真。經(jīng)過多次調(diào)整及參數(shù)優(yōu)化,最終確定曝光時間為33 m s,圖像采集速度為1.23nm/s,物距25 cm。每次取100粒玉米樣本,首先由人工將其整齊地擺放在(10×10)黑色背景板上,然后將樣本與背景板一塊置于載物臺上。數(shù)據(jù)采集時,線陣探測器在光學焦平面的垂直方向做橫向掃描,從而獲取所掃描空間中每個像素在整個光譜區(qū)域的光譜信息,與此同時樣本在輸送裝置的作用下作垂直于攝像機的縱向移動,最終完成整個樣本圖像的采集。所有圖像的獲取均基于軟件Spectral Cube_v2_75 software(Spectral Imaging Ltd.,Finland)。

2.4 反射光譜校正

由于各波段下光源強度分布不均勻及攝像頭中暗電流存在,導(dǎo)致光強分布較弱的波段噪聲較大,因此必須對圖像進行校正,以消除部分噪聲影響[10]。暗校正是為了去除CCD暗電流的影響,全黑的標定圖像B可以通過關(guān)閉所有電源同時擰上鏡頭蓋獲得。然后打開鏡頭蓋及光源掃描反射率為99%標準白色校正板(Spectralon,Labsphere Inc.)得到全白的標定圖像W。最后根據(jù)公式(1)計算出校正后的圖像R。

式中 R——標定后的高光譜圖像

I——原始高光譜圖像

B——全黑的標定圖像

W——全白的標定圖像

本研究中所有高光譜圖像數(shù)據(jù)處理是基于ENV I4.6(Research System Inc.,Boulder,Colo., USA.)、Matlab 2008a(The MathWorks Inc.,Natick,USA)及Origin8.0(OriginLab,USA)軟件平臺。

2.5 反射光譜多元散射校正

獲得高光譜圖像后,利用ENV I軟件選取每粒玉米樣本表面一個區(qū)域作為感興趣區(qū)域用于計算光譜(450～900 nm)的平均反射量。感興趣區(qū)域大小為900～1000個像素。由于原始光譜散射和偏移的影響,應(yīng)用多元散射校正MSC(multip lication scatter co rrection)算法對其進行線性化處理。多元散射校正方法是現(xiàn)階段多波長標定建模常用的一種數(shù)據(jù)處理方法,經(jīng)過散射校正后得到的光譜數(shù)據(jù)可以有效地消除散射的影響,增強了與成分含量相關(guān)的光譜吸收信息[11-13]。算法如下:

(1)計算所有樣品光譜的平均光譜

(2)將每個樣品的光譜與平均光譜進行線性回歸,求得回歸系數(shù)mi,bi, (

3)計算校正后的光譜

式中 i=1、2、3……n

n——表示樣本數(shù)

j——表示第j個波段數(shù)圖2表示經(jīng)過光譜散射校正后的光譜反射值與波長之間的關(guān)系曲線。

圖2 MSC處理后的反射光譜曲線

3 水分與光譜反射值的回歸分析

玉米粒樣本含水率與光譜反射量的回歸曲線如圖3所示。玉米粒樣本水分與光譜反射值的相關(guān)系數(shù)范圍在0～0.55之間,其中多個波段超過0.4,并且整個光譜顯示出有多個極大值,本試驗選取較為典型的4個局部相關(guān)系數(shù)的極大值對應(yīng)的波段作為特征波段,即491、772、824和870 nm。

圖3 玉米粒含水率與光譜反射的回歸曲線

4 基于人工神經(jīng)網(wǎng)絡(luò)預(yù)測水分

本實驗選用人工神經(jīng)網(wǎng)絡(luò)預(yù)測玉米粒水分,與傳統(tǒng)的方法相比,人工神經(jīng)網(wǎng)絡(luò)的優(yōu)點在于信息處理能力強,是不依賴統(tǒng)計特性的分類器。采用BP網(wǎng)絡(luò)結(jié)構(gòu),包括輸入層、隱含層、輸出層三層,輸入層單元數(shù)為4個,分別為491、772、824和870 nm 4個特征波段,對于隱含層的節(jié)點數(shù)到目前為止還沒有較好的確定理論,只能憑經(jīng)驗或試驗估計。在此按照R.P.Gorman的經(jīng)驗估計,在300個訓(xùn)練模式下,隱節(jié)點最終估算為5個節(jié)點,輸出層為1個節(jié)點對應(yīng)水分,結(jié)構(gòu)為4-5-1網(wǎng)絡(luò)結(jié)構(gòu)。

在模型建立之前,首先從所用的300個樣本中提取285(95%)個樣本進行訓(xùn)練模型,另15 (5%)個樣本用來驗證該模型的可靠性。選擇非線性的Sigmoid型函數(shù)作為模型的作用函數(shù)。由于網(wǎng)絡(luò)學習收斂速度慢,為此在學習率中增加動量項,動量項是學習率在訓(xùn)練中動態(tài)變化,動量系數(shù)選為0.1。圖4所示為訓(xùn)練結(jié)果,其相關(guān)系數(shù)R2為0.98。

圖4 玉米粒含水率預(yù)測模型訓(xùn)練結(jié)果

表1是利用15個樣本建立的神經(jīng)網(wǎng)絡(luò)進行預(yù)測的結(jié)果,從結(jié)果數(shù)據(jù)可以看出含水率測試的誤差最大絕對值為2.1182,最小絕對值為0.0024。相對誤差絕對值的平均值為0.3090,基于這些結(jié)果可以看出,利用高光譜圖像技術(shù)對玉米粒含水率進行無損檢測是可行的。

5 結(jié)論

本研究基于高光譜成像技術(shù)對玉米粒含水率進行了預(yù)測。檢測波長為450～900 nm,利用多元散射校正對光譜進行了校正。對玉米粒含水率與光譜反射進行了回歸分析,491、772、824和870 nm 4個特征波段被選擇作為神經(jīng)網(wǎng)絡(luò)的輸入單元,利用人工神經(jīng)網(wǎng)絡(luò)建立了玉米粒含水率的預(yù)測模型,模型相關(guān)系數(shù)達到0.98.含水率預(yù)測結(jié)果的誤差最大絕對值為2.1182,最小絕對值為0.0024。相對誤差絕對值的平均值為0.3090,結(jié)果表明利用高光譜圖像技術(shù)對玉米粒含水率進行無損檢測是可行的。

表1 應(yīng)用神經(jīng)網(wǎng)絡(luò)對驗證集進行玉米粒含水率預(yù)測的結(jié)果

[1]Hildrum K I,Isaksson T,Nas T,et al.Near infrared reflectance spectroscopy in the p rediction of senso ry p roperties of beef[J].Journal of Near Infrared Spectroscopy,1995,3(2):81-87.

[2]Wen Z,Tao Y.Dual-camera N IR/M IR imaging for stem-end/calyx identification in app le defect sorting [J].Transaction of the ASAE,2000,43(2):449-452.

[3]徐惠榮,應(yīng)義斌.近紅外圖像和光譜分析技術(shù)在農(nóng)產(chǎn)品品質(zhì)無損檢測中的應(yīng)用與展望[J].浙江大學學報,2002,28(4):460-464.

[4]馬本學,饒秀勤,應(yīng)義斌,等.基于近紅外漫反射光譜的香梨類別定性分析[J].光譜學與光譜分析,2009, 29(12):3288-3290.

[5]AR IANA D,LU R,GUYER D E.Hyperspectral reflectance imaging for detection of bruises on p ickling cucumbers[J].Computers and Electronics in Agriculture, 2006,53(1):60-70.

[6]Qiao J,NgadiM O,Wang N,etal.Pork quality classification using a hyperspectral imaging system and neural network[J].InternationalJournalof Food Engineering, 2007,3(1):1-12.

[7]Xing J,Symons S,Shahina M,etal.Detection of sp rout damage in Canada Western Red Sp ring wheatwith multip le wavebands using visible/near-infrared hyperspectral imaging[J].Bio system s Engineering,2010,106 (2):188-194.

[8]蔡健榮,王建黑,陳全勝,等.波段比算法結(jié)合高光譜圖像技術(shù)檢測柑橘果銹[J].農(nóng)業(yè)工程學報,2009, 25(1):127-131.

[9]Wallays C,Missotten B,Baerdemaeker J De,et al. Hyperspectralwaveband selection foron-line measurementof grain cleanness[J].Biosystems engineering, 2009(104):1-7.

[10]趙杰文,劉劍華,陳全勝,等.利用高光譜圖像技術(shù)檢測水果輕微損傷[J].農(nóng)業(yè)機械學報,2008,39(1): 106-109.

[11]蘆永軍,曲艷玲,宋敏.近紅外相關(guān)光譜的多元散射校正處理研究[J].光譜學與光譜分析,2007,27(5): 877-880.

[12]洪添勝,喬軍,Ning Wang,等.基于高光譜圖像技術(shù)的雪花梨品質(zhì)無損檢測[J].農(nóng)業(yè)工程學報,2007,23 (2):151-154.

[13]郭恩有,劉木華,趙杰文,等.臍橙糖度的高光譜圖像無損檢測技術(shù)[J].農(nóng)業(yè)機械學報,2008,39(5):91-93.

Detection ofWa ter Con ten t in Corn Ba sed on Hyperspectra l Imag ing and Neura l Network

L IJiang-bo,SU Yi-nan,RAO Xiu-qin
(College ofBiosystems Engineering and Food Science,Zhejiang University,Hangzhou 310029,China)

Water content is an importantquality attributer.Itwas investigated thatwater content in corn was detected based on hyperspectral imaging and neural network.The detection wavelengths ragion between 450 and 900 nm.The spectrum featureswavelengths forp redicting the water content in corn were obtained by scatting sp ectral images.Subsequently,artificial neural network was used for develop ing a p red iciton model to p redictwater content in corn.The p rediction results showed that the maximal absolute value of error was 2.1182,the minimalabsolute value of errorwas0.0024,the average was0.3090.Therefore,the hyperspectral imaging is an effective method for nondestructive assessing the water content in corn.

corn;hyperspectral imaging;water content;neural network

book=1,ebook=182

TS207.3;TP391

A

1005-1295(2010)06-0001-04

2010-08-02;

2010-08-16

國家科技支撐計劃(2008BADA8B04)

李江波(1982-),男,博士生,研究方向為基于計算機視覺技術(shù)的水果表面缺陷檢測。

饒秀勤(1968-),男,博士,副教授,研究方向為農(nóng)產(chǎn)品無損檢測。通訊地址:310029杭州浙江大學生物系統(tǒng)工程與食品科學學院,E-mail:xq rao@zju.edu.cn。

do i:10.3969/j.issn.1005-1295.2010.06.001