孫 俊，唐 凱，毛罕平，張曉東，武小紅，高洪燕

基于MEA-BP神經(jīng)網(wǎng)絡(luò)的大米水分含量高光譜技術(shù)檢測(cè)

孫 俊1,2，唐 凱1，毛罕平2，張曉東2，武小紅1，高洪燕2

（1.江蘇大學(xué)電氣信息工程學(xué)院，江蘇 鎮(zhèn)江 212013；2.江蘇大學(xué) 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 鎮(zhèn)江 212013）

利用高光譜技術(shù)對(duì)儲(chǔ)藏大米的水分含量進(jìn)行檢測(cè)。本實(shí)驗(yàn)以120 個(gè)大米樣本為研究對(duì)象，采集所有大米樣本的高光譜圖像，利用多元散射校正的預(yù)處理方法對(duì)大米樣本原始光譜數(shù)據(jù)進(jìn)行降噪處理。由于原始高光譜數(shù)據(jù)量大且冗余性強(qiáng)，故利用逐步線性回歸分析方法對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行特征提取。最后建立BP神經(jīng)網(wǎng)絡(luò)的大米水分定量檢測(cè)模型，由于建模效果沒(méi)有達(dá)到預(yù)期目標(biāo)，因此引入遺傳算法（genetic algorithm，GA）和思維進(jìn)化算法（mind evolutionary algorithm，MEA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。對(duì)BP、GA-BP、MEA-BP 3 種大米水分預(yù)測(cè)模型進(jìn)行比較，3 種模型的預(yù)測(cè)集決定系數(shù)都達(dá)到0.86以上，其中MEA-BP模型具有最佳的預(yù)測(cè)效果，預(yù)測(cè)集決定系數(shù)達(dá)到0.966 3，且均方根誤差為0.81%。

高光譜；大米；水分含量；BP神經(jīng)網(wǎng)絡(luò)；遺傳算法；思維進(jìn)化算法

大米是重要的糧食作物，全球半數(shù)以上的人口以大米為主食[1]。大米安全度夏的水分含量標(biāo)準(zhǔn)一般認(rèn)為是14.0%[2]，而據(jù)報(bào)道稻谷加工出的大米水分控制在14.5%～16.0%，能保證整精米率及保持米的質(zhì)構(gòu)和酶活力，增加米飯的食味品質(zhì)[3-4]。目前，大米生產(chǎn)商對(duì)各種包裝的成品大米一律注明保質(zhì)期6 個(gè)月，這是很粗放、很不科學(xué)的[5]。儲(chǔ)藏大米隨著儲(chǔ)藏條件和時(shí)間的變化表現(xiàn)出不同的水分散失率，因此參照固定值作為大米含水率無(wú)法滿足大米安全儲(chǔ)藏的要求，只有準(zhǔn)確測(cè)量其含水率，才能優(yōu)化選擇儲(chǔ)藏條件。大米在高溫高濕的條件下，呼吸強(qiáng)度極高，容易發(fā)熱，大米含水量超過(guò)安全標(biāo)準(zhǔn)時(shí)，發(fā)熱情況就極易發(fā)生，隨著儲(chǔ)藏時(shí)間的延長(zhǎng)，更易使大米發(fā)熱霉變，甚至產(chǎn)生有毒物質(zhì)，這不僅嚴(yán)重影響了大米的實(shí)用品質(zhì)，甚至威脅著消費(fèi)者的生命安全[6-7]。因此如何快速、準(zhǔn)確檢測(cè)儲(chǔ)藏大米的水分含量具有十分重要的意義。

傳統(tǒng)的大米水分檢測(cè)是參照GB5497—1985《糧食、油料水分測(cè)定法》測(cè)定的，但是這些檢測(cè)方法的操作步驟過(guò)于繁瑣，檢測(cè)時(shí)間較長(zhǎng)且容易受到諸多外界因素的干擾。高光譜技術(shù)作為近些年發(fā)展起來(lái)的一種快速無(wú)損檢測(cè)技術(shù)，已廣泛應(yīng)用于農(nóng)產(chǎn)品和食品品質(zhì)的分析檢測(cè)中[8-12]。此外國(guó)內(nèi)外已有一些專家學(xué)者利用高光譜技術(shù)對(duì)農(nóng)產(chǎn)品和食品中各成分含量進(jìn)行無(wú)損檢測(cè)。例如李丹等[13]研究表明利用高光譜圖像技術(shù)能夠準(zhǔn)確的檢測(cè)小黃瓜的水分；孫俊等[14]利用高光譜技術(shù)對(duì)生菜葉片的水分進(jìn)行了檢測(cè)研究；文韜等[15]利用高光譜技術(shù)對(duì)霉變稻谷中的脂肪酸含量的成功檢測(cè)；吳迪等[16]建立一種基于高光譜成像技術(shù)結(jié)合連續(xù)投影算法對(duì)葡萄果皮花色苷含量的檢測(cè)方法。但是國(guó)內(nèi)外鮮有利用高光譜技術(shù)對(duì)大米水分含量進(jìn)行無(wú)損檢測(cè)的報(bào)道。本實(shí)驗(yàn)以大米作為研究對(duì)象，利用高光譜技術(shù)對(duì)大米水分含量進(jìn)行檢測(cè)，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，通過(guò)遺傳算法（genetic algorithm，GA）和思維進(jìn)化算法（mind evolutionary algorithm，MEA）優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，利用優(yōu)化后的權(quán)值和閾值建立新的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

1 材料與方法

1.1 材料

實(shí)驗(yàn)前在鎮(zhèn)江市歐尚超市購(gòu)買10 kg優(yōu)質(zhì)金龍魚(yú)大米，然后立即送往實(shí)驗(yàn)室進(jìn)行大米樣本的制備。為了測(cè)定買來(lái)大米的初始水分含量，本實(shí)驗(yàn)采用GB 5497—1985中105 ℃恒重法檢測(cè)測(cè)定出大米的初始水分含量，測(cè)得大米的初始水分含量為13.86%。然后稱取120 份大米，每份50 g，平均分為10 組，將其置于密封的干燥廣口PP試劑瓶中，并依次在瓶身貼上標(biāo)簽。本實(shí)驗(yàn)設(shè)定同一組大米樣品水分含量相同，不同組水分含量按梯度增加。第1組大米樣品水分含量設(shè)定為14%，之后每一組樣品水分含量按1.5%的水分梯度遞增。對(duì)于每一個(gè)樣品先根據(jù)大米水分含量求出所添加的蒸餾水的質(zhì)量，已知樣品的水分含量CMW、初始水分含量CMW0以及樣品的質(zhì)量m0，因此可以求出蒸餾水的質(zhì)量mw，然后用注射器向樣品中緩慢滴入質(zhì)量為mw的蒸餾水。每次向樣品中添加蒸餾水之后將樣品經(jīng)多次搖勻，然后密封保存于實(shí)驗(yàn)室陰涼干燥處24 h，使水分得到充分吸收。大米水分含量的計(jì)算如公式（1）所示：

1.2 儀器與設(shè)備

ImSpector V10E型高光譜圖像系統(tǒng) 芬蘭Spectral Imaging有限責(zé)任公司；Fiber-Lite DC950 Illuminator 150 W光纖鹵素?zé)?美國(guó)Dolan Jenner Industries公司；Zolix SC30021A精密電控平移臺(tái) 北京Zolix公司；SC100控制箱 中國(guó)北京光學(xué)儀器廠；電熱風(fēng)機(jī)恒溫干燥箱中國(guó)天津宏承諾儀器有限公司；分辨率為0.001 g的微量天平測(cè)量?jī)x 中國(guó)杭州萬(wàn)特衡器有限公司。

1.3 高光譜圖像數(shù)據(jù)的采集

經(jīng)過(guò)預(yù)實(shí)驗(yàn)確定高光譜圖像采集系統(tǒng)的最佳參數(shù)如下：電荷耦合元件相機(jī)的曝光時(shí)間為20 ms，移動(dòng)平臺(tái)的速率為1.25 mm/s，光譜儀的分辨率為5 nm。由于在高光譜成像系統(tǒng)中光源強(qiáng)度分布不均勻且有暗電流的存在，需要對(duì)高光譜成像系統(tǒng)進(jìn)行黑白標(biāo)定[17]。實(shí)驗(yàn)時(shí)將大米樣本均勻的平鋪滿廣口PP試劑瓶白色小圓蓋，然后將樣本緩慢的放到鋪有白紙的移動(dòng)平臺(tái)中心處，關(guān)閉控制箱暗箱門，然后對(duì)樣本進(jìn)行高光譜圖像的采集。依次采集120 個(gè)大米樣本的高光譜圖像。

1.4 建模算法

1.4.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[18]。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)通常具有三層及三層以上神經(jīng)元的神經(jīng)網(wǎng)絡(luò)，包括輸入層，隱含層和輸出層，本實(shí)驗(yàn)構(gòu)建三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)[19]。BP神經(jīng)網(wǎng)絡(luò)[20-21]具體訓(xùn)練過(guò)程如下：

1）神經(jīng)網(wǎng)絡(luò)初始化。初始化輸入層節(jié)點(diǎn)數(shù)n、隱含層節(jié)點(diǎn)數(shù)l、輸出層節(jié)點(diǎn)數(shù)m，初始化輸入層與輸出層神經(jīng)元之間的連接權(quán)值Wij，隱含層與輸出層之間權(quán)值Wjk，初始化隱含層和輸出層閾值分別為a、b，給定學(xué)習(xí)速率η和神經(jīng)元激勵(lì)函數(shù)f，神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值一般是通過(guò)隨機(jī)初始化為[－0.5, 0.5]區(qū)間的隨機(jī)數(shù)。

2）計(jì)算隱含層輸出。

式中：Yk為輸出層。

4）計(jì)算誤差。根據(jù)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)輸出Y與期望輸出O計(jì)算網(wǎng)絡(luò)預(yù)測(cè)誤差。

5）更新權(quán)值和閾值。通過(guò)步驟4），若誤差不滿足條件則對(duì)權(quán)值和閾值進(jìn)行更新，經(jīng)過(guò)反復(fù)訓(xùn)練，直到誤差滿足條件則停止訓(xùn)練，得出最優(yōu)權(quán)值和閾值。

式中：X為輸入變量；Hj為隱含層的輸出。

3）計(jì)算輸出層。

式中：aj、bk為不斷更新的閾值。

1.4.2 GA-BP神經(jīng)網(wǎng)絡(luò)

GA是一類借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)搜索算法，是從隨機(jī)產(chǎn)生的初始解開(kāi)始搜索，通過(guò)一定的選擇、交叉、變異操作逐步迭代以產(chǎn)生新的解。其中染色體的好壞用適應(yīng)度值來(lái)衡量，根據(jù)適應(yīng)度的好壞從上一代中選擇一定數(shù)量的優(yōu)秀個(gè)體，通過(guò)交叉變異形成下一代群體，經(jīng)過(guò)若干代進(jìn)化之后，算法收斂于最好的染色體（問(wèn)題全局最優(yōu)解），然后按照編碼規(guī)則對(duì)這個(gè)最好的染色體進(jìn)行解碼，即用于建立BP神經(jīng)網(wǎng)絡(luò)模型初始權(quán)值和閾值[22]。GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)主要分為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、GA優(yōu)化權(quán)值和閾值、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練和預(yù)測(cè)[23]。其中BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是根據(jù)實(shí)驗(yàn)樣本的輸入和輸出參數(shù)個(gè)數(shù)確定的。

1.4.3 MEA-BP神經(jīng)網(wǎng)絡(luò)

MEA是孫承意等[24]針對(duì)進(jìn)化算法訓(xùn)練時(shí)間長(zhǎng)、早熟等不完善之處提出的新算法。MEA引用GA中“群體”與“進(jìn)化”的核心內(nèi)容的同時(shí)，還在算法中引入“趨同”與“異化”算子。MEA是一種通過(guò)迭代進(jìn)行優(yōu)化的學(xué)習(xí)算法，進(jìn)化過(guò)程的每一代的所有個(gè)體組合成一個(gè)群體，一個(gè)群體中包含若干數(shù)量的子群體，子群體包括兩類：優(yōu)勝子群體和臨時(shí)子群體，本實(shí)驗(yàn)優(yōu)勝子群體和臨時(shí)子群體個(gè)數(shù)都設(shè)置為5。趨同是在子群體內(nèi)進(jìn)行選擇，而異化是在整個(gè)群體范圍內(nèi)進(jìn)行選擇。在系統(tǒng)運(yùn)行中，趨同與異化過(guò)程同時(shí)進(jìn)行，相輔相成，共同提高整個(gè)系統(tǒng)的全局搜索效率。當(dāng)優(yōu)勝子群體中各個(gè)子群體都己成熟（得分不再增加），而且在各個(gè)子群體周圍均沒(méi)有更好的個(gè)體，則不需要執(zhí)行趨同操作；臨時(shí)子群體中得分最高的子群體的得分均低于優(yōu)勝子群體中任意子群體的得分時(shí)，也不需要執(zhí)行異化操作，此時(shí)系統(tǒng)達(dá)到全局最優(yōu)值[25]。MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的具體實(shí)施步驟如下[26]：

1）產(chǎn)生訓(xùn)練集和測(cè)試集。本實(shí)驗(yàn)將樣本按照3∶1比例分為校正集和預(yù)測(cè)集。

2）初始種群、優(yōu)勝子種群和臨時(shí)子種群的產(chǎn)生。MATLAB軟件提供了初始種群產(chǎn)生函數(shù)initpop generate()、子種群產(chǎn)生函數(shù)subpop generate()，因此可方便地產(chǎn)生初始種群、優(yōu)勝子種群和臨時(shí)子種群。

3）首先執(zhí)行趨同操作，然后利用種群成熟判別函數(shù)ismature()判定各個(gè)子群體是否成熟。若成熟則趨同操作結(jié)束，若不成熟，則以新的中心產(chǎn)生子種群，之后再進(jìn)行趨同操作，直至子種群成熟。在每個(gè)子群體內(nèi)搜索出得分最高的個(gè)體，并將此個(gè)體的得分作為該子群體的得分。

4）若臨時(shí)子群體得分高于優(yōu)勝子群體的子群體

進(jìn)行異化操作，該臨時(shí)子群體的個(gè)體替代優(yōu)勝子群體中的個(gè)體，原處于優(yōu)勝子群體中的個(gè)體被釋放；如果臨時(shí)子群得分低于任意一個(gè)優(yōu)勝子群，則該子群被釋放。

5）當(dāng)滿足迭代停止的條件時(shí)，結(jié)束優(yōu)化過(guò)程，不滿足則繼續(xù)執(zhí)行優(yōu)化。

6）依據(jù)編碼規(guī)則，解碼最優(yōu)個(gè)體，得到對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。將優(yōu)化后的神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，利用訓(xùn)練集樣本對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

2 結(jié)果與分析

2.1 感興趣區(qū)域的提取

在高光譜數(shù)據(jù)提取之前首先需要確定高光譜圖像的感興趣區(qū)域（region of interest，ROI），ROI選取的好壞直接影響之后建立的模型預(yù)測(cè)精度[27]。在做高光譜采集實(shí)驗(yàn)時(shí)，大米與瓶蓋交界處會(huì)產(chǎn)生部分陰影區(qū)域，因此本實(shí)驗(yàn)利用ENVI軟件通過(guò)圖像分割技術(shù)將單個(gè)大米樣本從背景中分離出來(lái)，實(shí)驗(yàn)統(tǒng)一在樣本的中心區(qū)域手動(dòng)選取大小為30像素×30像素的正方形區(qū)域作為ROI。然后求取ROI內(nèi)所有像素點(diǎn)光譜的平均值作為該大米樣本的光譜值，依次提取所有大米樣本的平均光譜值。

2.2 光譜預(yù)處理結(jié)果

在大米樣本的采集過(guò)程中由于受硬件的影響，獲取的樣本數(shù)據(jù)在開(kāi)始和結(jié)束時(shí)受噪聲影響較大，因此本實(shí)驗(yàn)剔除開(kāi)始14 個(gè)波段，結(jié)束5 個(gè)波段，最終采用的波段范圍為920.54～1 748.85 nm，利用MATLAB軟件繪制所有大米樣本原始光譜曲線圖，如圖1A所示。從圖中容易看出前4 個(gè)樣本誤差較大，手動(dòng)剔除前4 個(gè)樣本。由于光譜數(shù)據(jù)主要受電噪音、光散射、基線漂移、光程變化等因素的干擾[28]，因此本實(shí)驗(yàn)利用多元散射校正（multiplescattering correction，MSC）對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，多元散射校正可以減少表面的散射特性對(duì)光譜產(chǎn)生的影響。預(yù)處理后的大米光譜曲線圖如圖1B所示。

圖 1 原始（A）和MSC預(yù)處理后（B）的光譜曲線圖Fig. 1 Original spectra before (A) and after (B) MSC pretreatment

2.3 特征波長(zhǎng)的選取

原始高光譜數(shù)據(jù)具有波段多、數(shù)據(jù)量大、冗余性強(qiáng)等特點(diǎn)，若直接用全波段數(shù)據(jù)進(jìn)行數(shù)據(jù)建模就會(huì)導(dǎo)致建模效率低、模型的性能差，因此本實(shí)驗(yàn)從特征選擇的角度對(duì)高光譜數(shù)據(jù)進(jìn)行降維[29]。實(shí)驗(yàn)采用SPSS軟件對(duì)高光譜數(shù)據(jù)進(jìn)行降維，利用逐步線性回歸分析方法進(jìn)行變量的篩選，最終選擇出12 個(gè)特征波長(zhǎng)1 163.9、1 363.8、1 170.7、1 354.4、1 594.4、1 417.2、1 373.2、1 323.0、1 345.0、1 382.6、1 351.3、1 608.3 nm。

2.4 預(yù)測(cè)模型與結(jié)果分析

2.4.1 預(yù)測(cè)模型

構(gòu)建3 層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，其中輸入層的神經(jīng)元個(gè)數(shù)為12 個(gè)，即特征波長(zhǎng)個(gè)數(shù)，輸出層神經(jīng)元個(gè)數(shù)為1，即大米的水分含量；在3 層網(wǎng)絡(luò)中，隱含層神經(jīng)元個(gè)數(shù)n2和輸入層神經(jīng)元個(gè)數(shù)n1之間有近似關(guān)系：n2=2×n1+ 1[30]，由公式可知模型的隱含層神經(jīng)元個(gè)數(shù)為25 個(gè)。輸入層到輸出層的傳遞函數(shù)為正切S形傳遞函數(shù)，隱含層到輸出層的傳遞函數(shù)為對(duì)數(shù)S形傳遞函數(shù)。本實(shí)驗(yàn)利用Levenberg-Marquardt算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，具體網(wǎng)絡(luò)參數(shù)設(shè)置為訓(xùn)練次數(shù)1 000 次，訓(xùn)練目標(biāo)0.001，學(xué)習(xí)速率為0.1。本實(shí)驗(yàn)大米樣本按3∶1的比例分為校正集和驗(yàn)證集，其中87 個(gè)為校正集，29 個(gè)為預(yù)測(cè)集。利用特征波段對(duì)數(shù)據(jù)進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的建模。由于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)收斂速度太慢、不能保證收斂到全局最小點(diǎn)、網(wǎng)絡(luò)結(jié)構(gòu)的不易確定，本實(shí)驗(yàn)引入GA和MEA對(duì)其權(quán)值和閾值進(jìn)行優(yōu)化，再將優(yōu)化后的權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行訓(xùn)練，以期達(dá)到更佳的建模效果。對(duì)于MEABP模型訓(xùn)練結(jié)果分析，結(jié)果如圖2所示，其中圖中的得分代表訓(xùn)練集均方根誤差的倒數(shù)。對(duì)比圖2A、B：當(dāng)優(yōu)勝子群體中各個(gè)子群體都已成熟（得分不再增加），而且在各個(gè)子群體周圍均沒(méi)有更好的個(gè)體，則不需要執(zhí)行趨同操作。臨時(shí)子群體中得分最高的子群體的分?jǐn)?shù)均低于優(yōu)勝子群體中任意子群體的得分，因此也不需要執(zhí)行異化操作，此時(shí)系統(tǒng)達(dá)到全局最優(yōu)值。然后按照編碼規(guī)則對(duì)這個(gè)最優(yōu)個(gè)體進(jìn)行解碼，即為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值。

圖 2 優(yōu)勝子群（A）、臨時(shí)子群（B）趨同過(guò)程Fig. 2 Convergence of the superior (A) and temporary (B) subgroups

2.4.2 BP與GA-BP和MEA-BP模型結(jié)果分析

首先利用12 個(gè)特征波長(zhǎng)建立BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，然后引入MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行建模，為了讓MEA-BP預(yù)測(cè)結(jié)果更有說(shuō)服力，將優(yōu)化前后的建模結(jié)果與GA-BP建模結(jié)果進(jìn)行對(duì)比，結(jié)果如表1所示，預(yù)測(cè)集預(yù)測(cè)結(jié)果對(duì)比如圖3所示，從表1和圖3可以看出，經(jīng)過(guò)GA和MEA優(yōu)化后的模型的預(yù)測(cè)效果有了明顯地提升，預(yù)測(cè)集的決定系數(shù)都達(dá)到了0.92以上。其中MEABP模型較GA-BP模型具有更優(yōu)的模型效果，預(yù)測(cè)集決定系數(shù)達(dá)到了0.966 3。

表 1 BP與GA-BP和MEA-BP模型結(jié)果比較Table 1 Comparison among BP, GA-BP and MEA-BP models

圖 3 預(yù)測(cè)集預(yù)測(cè)結(jié)果對(duì)比Fig. 3 Comparison of validation results for the prediction set

3 結(jié) 論

首先利用高光譜圖像采集系統(tǒng)獲取120 個(gè)大米樣本的高光譜圖像，采用MSC對(duì)高光譜數(shù)據(jù)進(jìn)行降噪處理，然后通過(guò)逐步線性回歸方法提取出12 個(gè)特征波長(zhǎng)，建立了特征波長(zhǎng)條件下的BP、GA-BP和MEA-BP 3 種水分預(yù)測(cè)模型。經(jīng)對(duì)比分析發(fā)現(xiàn)：經(jīng)過(guò)GA和MEA算法優(yōu)化后的預(yù)測(cè)模型比BP預(yù)測(cè)模型效果更好，校正集和預(yù)測(cè)集的決定系數(shù)均達(dá)到0.92以上。其中，MEA-BP模型中，大米樣本光譜數(shù)據(jù)信息與含水量的決定系數(shù)R2更高（預(yù)測(cè)集0.966 3）。由此可見(jiàn)，MEA-BP模型具有更好地預(yù)測(cè)能力。結(jié)果表明，利用高光譜分析技術(shù)用于檢測(cè)儲(chǔ)藏大米的水分含量是可行的，其能夠快速、有效、無(wú)損檢測(cè)大米的水分含量。

[1] 李湘, 郭東權(quán), 陳云堂, 等. 電子束輻照對(duì)大米營(yíng)養(yǎng)和蒸煮品質(zhì)的影響[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2012, 28(15): 251-257. DOI:10.3969/ j.issn.1002-6819.2012.15.040.

[2] 潘巨忠, 曹鵬, 薛旭初, 等. 不同含水量大米儲(chǔ)藏效果研究[J]. 煙臺(tái)大學(xué)學(xué)報(bào)(自然科學(xué)與工程版), 2006, 19(1): 36-40. DOI:10.3969/ j.issn.1004-8820.2006.01.008.

[3] 李益良, 潘朝松, 江欣, 等. 小包裝優(yōu)質(zhì)鮮米品質(zhì)變化及保鮮期的研究[J]. 糧食儲(chǔ)藏, 2005, 34(1): 31-37. DOI:10.3969/ j.issn.1000-6958.2005.01.008.

[4] 馬濤, 毛闖, 趙琨. 大米水分與食味品質(zhì)和儲(chǔ)藏關(guān)系的研究[J]. 糧食與飼料工業(yè), 2007(5): 3-4. DOI:10.3969/j.issn.1003-6202.20 07.05.002.

[5] 陳慧, 孫旭璐, 彭文怡, 等. 影響大米儲(chǔ)藏保質(zhì)期的主要因素研究[J]. 糧食與油脂, 2016, 29(2): 27-29. DOI:10.3969/ j.issn.1008-9578.2016.02.007.

[6] PE?A-MéNDEZ E M, HERNáNDEZ-SUáREZ M, DIAZ ROMERO C, et al. Characterization of various chestnut cultivars by means of chemometrics approach[J]. Food Chemistry, 2008, 107(1): 537-544. DOI:10.1016/j.foodchem.2007.08.024.

[7] 王立峰, 陳超, 楊精華, 等. 大米小包裝儲(chǔ)藏過(guò)程中脂類及微觀結(jié)構(gòu)的變化[J]. 中國(guó)農(nóng)業(yè)科學(xué), 2015, 48(9): 1807-1817. DOI:103864/ j.issn.0578-1752.2015.09.14.

[8] 張保華, 李江波, 樊書(shū)祥, 等. 高光譜成像技術(shù)在果蔬品質(zhì)與安全無(wú)損檢測(cè)中的原理及應(yīng)用[J]. 光譜學(xué)與光譜分析, 2014, 34(10): 2743-2751. DOI:10.3964/j.issn.1000-0593(2014)10-2743-09.

[9] 洪添勝, 李震, 吳春胤, 等. 高光譜圖像技術(shù)在水果品質(zhì)無(wú)損檢測(cè)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2007, 23(11): 280-285. DOI:10.3321/ j.issn:1002-6819.2007.11.052.

[10] 劉建學(xué), 楊瑩, 韓四海, 等. 高光譜成像技術(shù)在食品品質(zhì)無(wú)損檢測(cè)中的應(yīng)用[J]. 食品工業(yè)科技, 2016, 37(3): 389-393. DOI:10.13386/ j.issn1002-0306.2016.03.073.

[11] 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(wú)損檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2007, 23(2): 151-155. DOI:10.3321/ j.issn:1002-6819.2007.02.030.

[12] 蔣蘋(píng), 羅亞輝, 胡文武, 等. 基于高光譜的油茶籽內(nèi)部品質(zhì)檢測(cè)最優(yōu)預(yù)測(cè)模型研究[J]. 農(nóng)機(jī)化研究, 2015(7): 56-60. DOI:10.13427/j.cnki. njyi.2015.07.013

[13] 李丹, 何建國(guó), 劉貴珊, 等. 基于高光譜成像技術(shù)的小黃瓜水分無(wú)損檢測(cè)[J]. 紅外與激光工程, 2014, 43(7): 2393-2397. DOI:10.3969/ j.issn.1007-2276.2014.07.060.

[14] 孫俊, 武小紅, 張曉東, 等. 基于高光譜圖像的生菜葉片水分預(yù)測(cè)研究[J]. 光譜學(xué)與光譜分析, 2013, 33(2): 522-526. DOI:10.3964/ j.issn.1000-0593 (2013)02-0522-05.

[15] 文韜, 洪添勝, 李立君, 等. 基于高光譜技術(shù)的霉變稻谷脂肪酸含量無(wú)損檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(18): 233-239. DOI:10.11975/ j.issn.1002-6819.2015.18.032.

[16] 吳迪, 寧紀(jì)鋒, 劉旭, 等. 基于高光譜成像技術(shù)和連續(xù)投影算法檢測(cè)葡萄果皮花色苷含量[J]. 食品科學(xué), 2014, 35(8): 57-61. DOI: 10.7506/spkx1002-6630-201408010.

[17] 孫俊, 金夏明, 毛罕平, 等. 基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2014, 30(10): 167-173. DOI:10.3969/j.issn.1002-6819.2014.10.021.

[18] 朱文學(xué), 孫淑紅, 陳鵬濤, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的牡丹花熱風(fēng)干燥含水率預(yù)測(cè)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2011, 42(8): 128-130. DOI:10.3969/ j.issn.1000-1298.2011.08.025.

[19] 卓金武, 李必文, 魏永生, 等. MATLAB在數(shù)學(xué)建模中的應(yīng)用[M]. 2版. 北京: 北京航空航天大學(xué)出版社, 2014: 122-123.

[20] 趙辰, 南星恒. 基于MEA-BP神經(jīng)網(wǎng)絡(luò)的財(cái)務(wù)危機(jī)預(yù)警研究[J].財(cái)會(huì)通訊, 2016(1): 43-46. DOI:10.16144/j.cnki.issn1002-8072.2016.01.013.

[21] 張以帥, 賴惠鴿, 李勇, 等. 基于MEA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的天然氣短期負(fù)荷預(yù)測(cè)[J]. 自動(dòng)化與儀表, 2016(5): 15-19.

[22] 馬永杰, 云文霞. 遺傳算法研究進(jìn)展[J]. 計(jì)算機(jī)應(yīng)用研究, 2012, 29(4): 1201-1206. DOI:10.3969/j.issn.1001-3695.2012.04.001.

[23] 劉奕君, 趙強(qiáng), 郝文利. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的瓦斯?jié)舛阮A(yù)測(cè)研究[J]. 礦業(yè)安全與環(huán)保, 2015, 42(2): 56-60. DOI:10.3969/ j.issn.1008-4495.2015.02.014.

[24] 孫承意, 孫巖, 謝克明. 思維進(jìn)化: 高效率的進(jìn)化計(jì)算方法[C]//全球智能控制與自動(dòng)化大會(huì)會(huì)議論文集. 合肥: 中國(guó)科學(xué)技術(shù)大學(xué), 2000: 118-121.

[25] 黃俊, 馮勇健. 基于思維進(jìn)化神經(jīng)網(wǎng)絡(luò)的真空隔熱板真空度測(cè)量精度改進(jìn)方法研究[J]. 真空科學(xué)與技術(shù)學(xué)報(bào), 2015, 35(5): 528-532. DOI:10.13922/j.cnki.cjovst.2015.05.02.

[26] 趙瑞勇, 周新志. 基于MEA-BP的微波加熱褐煤溫度預(yù)測(cè)[J]. 傳感器與微系統(tǒng), 2016, 35(10): 43-48. DOI:10.13873/J.1000-9787(2016)10-0043-03.

[27] 孫俊, 金夏明, 毛罕平, 等. 基于高光譜圖像的生菜葉片氮素含量預(yù)測(cè)模型研究[J]. 分析化學(xué), 2014, 42(5): 672-677. DOI:10.3724/ SP.J.1096.2014.31120.

[28] 郭紅艷, 劉貴珊, 吳龍國(guó), 等. 基于高光譜成像的馬鈴薯環(huán)腐病無(wú)損檢測(cè)[J]. 食品科學(xué), 2016, 37(12): 203-207. DOI:10.7506/spkx1002-6630-201612036.

[29] 黃雙萍, 洪添勝, 岳學(xué)軍, 等. 基于高光譜的柑橘葉片氮素含量多元回歸分析[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2013, 29(5): 132-138. DOI:10.3969/ j.issn.1002-6819.2013.05.018.

[30] 郁磊, 史峰, 王輝, 等. 智能算法30 個(gè)案例分析[M]. 2版. 北京: 北京航空航天大學(xué)出版社, 2015: 29-30.

Hyperspectral Detection of Moisture Content in Rice Based on MEA-BP Neural Network

SUN Jun1,2, TANG Kai1, MAO Hanping2, ZHANG Xiaodong2, WU Xiaohong1, GAO Hongyan2
(1. School of Electrical and Information Engineering, Jiangsu University, Zhenjiang 212013, China; 2. Key Laboratory of Modern Agricultural Equipment and Technology, Ministry of Education, Jiangsu University, Zhenjiang 212013, China)

In this paper, hyperspectral technology was used to detect the moisture content in rice. Hyperspectral images of 120 rice samples were collected and preprocessed by multiple scatter correction (MSC). Due to the large amount of original spectral data and their strong redundancy, a stepwise regression (SWR) analysis method was adopted for feature extraction after preprocessing. Finally, a quantitative prediction model for rice moisture content was built based on BP neural network with and without optimization of weight and threshold optimized using genetic algorithm (GA) and mind evolutionary algorithm (MEA), respectively. A comparison was made among BP, GA-BP and MEA-BP prediction models, of which the determination coefficients for the prediction set were all above 0.86. The results showed that the prediction performance of MEA-BP model was the best among these three models with a determination coefficient for the validation set of 0.966 3, and a root mean square error of 0.81%.

hyperspectral; rice; moisture content; BP neural network; genetic algorithm; mind evolutionary algorithm

10.7506/spkx1002-6630-201710044

TS201；S379

A

1002-6630（2017）10-0272-05

孫俊, 唐凱, 毛罕平, 等. 基于MEA-BP神經(jīng)網(wǎng)絡(luò)的大米水分含量高光譜技術(shù)檢測(cè)[J]. 食品科學(xué), 2017, 38(10): 272-276.

DOI:10.7506/spkx1002-6630-201710044. http://www.spkx.net.cn

SUN Jun, TANG Kai, MAO Hanping, et al. Hyperspectral detection of moisture content in rice based on MEA-BP neural network[J]. Food Science, 2017, 38(10): 272-276. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201710044. http://www.spkx.net.cn

2016-07-15

國(guó)家自然科學(xué)基金面上項(xiàng)目（31471413）；江蘇高校優(yōu)勢(shì)學(xué)科建設(shè)工程資助項(xiàng)目PAPD（蘇政辦發(fā)2011 6號(hào)）；

江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)重點(diǎn)實(shí)驗(yàn)室開(kāi)放基金項(xiàng)目（NZ201306）；江蘇省六大人才高峰資助項(xiàng)目（ZBZZ-019）

孫?。?978—），男，教授，博士，研究方向?yàn)橛?jì)算機(jī)技術(shù)在農(nóng)業(yè)工程中的應(yīng)用。E-mail：sun2000jun@ujs.edu.cn