孫 俊，靳海濤，蘆 兵，武小紅，沈繼鋒，戴春霞

基于高光譜圖像及深度特征的大米蛋白質(zhì)含量預(yù)測(cè)模型

孫 俊，靳海濤，蘆 兵，武小紅，沈繼鋒，戴春霞

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

無(wú)損檢測(cè)；光譜分析；模型；高光譜圖像；堆疊自動(dòng)編碼器；深度特征；大米；蛋白質(zhì)含量

0 引 言

中國(guó)的大米生產(chǎn)量居世界首位，大米的消費(fèi)數(shù)量也居世界前列，有超過(guò)半數(shù)的人口將大米作為主食[1]，大米的主要營(yíng)養(yǎng)成分是蛋白質(zhì)，它富含人體所必需的氨基酸、賴氨酸[2]，蛋白質(zhì)含量決定了大米的營(yíng)養(yǎng)品質(zhì)和食味品質(zhì)[3]。因此，蛋白質(zhì)含量是評(píng)價(jià)大米品質(zhì)的重要指標(biāo)。

目前，大米蛋白質(zhì)含量檢測(cè)的主要措施是化學(xué)試劑測(cè)定法[4]，該方法雖然準(zhǔn)確性高，但對(duì)樣本具有破壞性，且消耗化學(xué)試劑量大，成本高。因此，如何快速無(wú)損精確地檢測(cè)大米蛋白質(zhì)含量是當(dāng)前大米生產(chǎn)及儲(chǔ)存中亟需解決的問(wèn)題。

在眾多新興技術(shù)中，光譜技術(shù)可以檢測(cè)目標(biāo)內(nèi)部的特征[5]，文獻(xiàn)[6-7]采用近紅外光譜技術(shù)實(shí)現(xiàn)大米蛋白質(zhì)含量檢測(cè)，效果良好，但光譜技術(shù)缺乏目標(biāo)的空間信息，建模效果有待進(jìn)一步提升；計(jì)算機(jī)視覺(jué)圖像技術(shù)可以對(duì)樣本外部表面信息進(jìn)行分析，但對(duì)于其內(nèi)部的特征無(wú)法反演[8]。高光譜成像技術(shù)可以提取光譜信息和圖像信息，獲取更全面的信息，并可借助于數(shù)學(xué)手段構(gòu)建模型，實(shí)現(xiàn)對(duì)被測(cè)對(duì)象的無(wú)損檢測(cè)[9]，由于其快速、精確、非破壞的特點(diǎn)，高光譜無(wú)損檢測(cè)技術(shù)已經(jīng)被廣泛應(yīng)用于農(nóng)作物品種分類[10]和營(yíng)養(yǎng)元素檢測(cè)[11]等研究中。然而，高光譜圖像數(shù)據(jù)量龐大，波段間相關(guān)性較強(qiáng)，冗余度高，若直接對(duì)高光譜圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，耗時(shí)較長(zhǎng)，且最終效果不理想，會(huì)造成Huges現(xiàn)象[12]。因此，對(duì)高光譜圖像數(shù)據(jù)進(jìn)行降維處理是十分有必要的。

目前，對(duì)高光譜圖像光譜數(shù)據(jù)的降維方法從數(shù)據(jù)相關(guān)性角度分為線性方法和非線性方法。主成分分析法[1]、線性判別方法[13]等作為傳統(tǒng)的線性方法，都是采用線性映射的手段處理高光譜圖像數(shù)據(jù)的，但是高光譜波段間較強(qiáng)的相關(guān)性導(dǎo)致了這些方法在最終處理效果上的不足，而深度學(xué)習(xí)作為非線性方法通過(guò)引入神經(jīng)網(wǎng)絡(luò)先天的非線性，彌補(bǔ)了這些不足[14-16]。堆疊自動(dòng)編碼器（stacked auto-encoder，SAE）[17-18]是一種無(wú)監(jiān)督深度學(xué)習(xí)技術(shù)，分別對(duì)每層深度網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而更加高效地進(jìn)行高光譜圖像數(shù)據(jù)降維處理。

另一方面，對(duì)于高光譜圖像的圖像信息，目前的處理方法是提取其顏色或紋理等特征，趙娟等[19]通過(guò)提取高光譜圖像的紋理特征，建立牛肉的嫩度判別模型，最終精度為94.44%；董高等[20]提取小麥的形態(tài)特征，研究發(fā)現(xiàn)基于形態(tài)特征進(jìn)行建模的效果并不理想。深度學(xué)習(xí)的方法通過(guò)對(duì)整幅圖像進(jìn)行特征提取，可以獲得該高光譜圖像的圖像深度特征，包含了更加全面的信息，目前，還未有相關(guān)文獻(xiàn)對(duì)其報(bào)道。

本文采用SAE對(duì)高光譜圖像的光譜信息和圖像信息及其融合信息分別進(jìn)行特征提取，獲得其深度特征，利用支持向量機(jī)回歸（support vector regression，SVR）建立預(yù)測(cè)模型并采用網(wǎng)格搜索法對(duì)懲罰因子和核參數(shù)進(jìn)行尋優(yōu)，以提高模型的預(yù)測(cè)性能，實(shí)現(xiàn)大米蛋白質(zhì)含量的高效無(wú)損檢測(cè)。

1 材料與方法

1.1 樣本制備與處理

文獻(xiàn)[21]表明，大米在存放過(guò)程中，由于大米蛋白質(zhì)中的氨基酸分解，總蛋白質(zhì)含量呈逐漸減少的趨勢(shì)。為了加速大米內(nèi)部氨基酸反應(yīng)，獲取不同蛋白質(zhì)含量梯度的大米樣本，試驗(yàn)前于鎮(zhèn)江某大型超市購(gòu)買良記金輪膳選泰香米1 kg，共稱取6組樣本，每組100 g，將6組樣本置于BPS-100CL型液晶恒溫恒濕箱內(nèi)（上海一恒科學(xué)儀器有限公司），在45 ℃、95%相對(duì)濕度的條件下分別放置0，24，48，72，96和120 h，取出后在各組樣本中選取30粒大小相近、顆粒飽滿、顏色透明的米粒作為一個(gè)樣本，每組選取70個(gè)樣本，共制備420個(gè)樣本，立即放入密封的試劑瓶中送往高光譜實(shí)驗(yàn)室進(jìn)行高光譜圖像采集。

1.2 高光譜圖像采集及校正

本試驗(yàn)所采用的高光譜成像系統(tǒng)主要包括光纖、鹵素?zé)艄庠矗?900-ER型，Illumination Technologies, USA）、高光譜圖像攝影儀（VNIP-HIS-sMOS，五鈴光學(xué)股份有限公司，中國(guó)臺(tái)灣）、移動(dòng)平臺(tái)控制器和處理器等部分。高光譜圖像攝影儀中的攝像機(jī)為CCD相機(jī)，光譜儀為可見(jiàn)光/近紅外光譜儀，光譜范圍為400～1 000 nm，光譜分辨率為2.8 nm，圖像分辨率為1 024像素×473像素。

將各組樣本均勻平鋪于移動(dòng)平臺(tái)上進(jìn)行圖像采集，移動(dòng)平臺(tái)移動(dòng)速度設(shè)置為1.99 mm/s。由于光源強(qiáng)度分布不均勻及暗電流噪聲的存在，為了提高獲取圖像的信噪比，需要在掃描前對(duì)每個(gè)樣本進(jìn)行黑白標(biāo)定[22]。首先放置白板（反射率約為100%）于移動(dòng)平臺(tái)上，曝光時(shí)間設(shè)置為7 ms，獲得全白標(biāo)定圖像，保持曝光時(shí)間不變，再蓋上CCD相機(jī)鏡頭，獲得反射率約為0的全黑標(biāo)定圖像，隨后取下CCD相機(jī)鏡頭片，放入大米樣本，調(diào)節(jié)曝光時(shí)間為17 ms，獲得未標(biāo)定圖像raw。黑白標(biāo)定后的圖像的反射光強(qiáng)度可表示為

式中、、raw和均為相應(yīng)圖像的反射光強(qiáng)度；E為樣本的曝光時(shí)間，ms；E為全黑標(biāo)定的曝光時(shí)間，ms；E為白板標(biāo)定的曝光時(shí)間，ms。

1.3 蛋白質(zhì)含量測(cè)定

采集高光譜圖像后，采用凱氏定氮法[4]測(cè)定樣本蛋白質(zhì)含量。將各樣本稱質(zhì)量并記錄，置于研缽中研磨至粉末狀，然后移入100 mL定氮瓶，置于消化儀做消化處理至內(nèi)容物全部碳化，隨后進(jìn)行鹽酸標(biāo)準(zhǔn)滴定液滴定。通過(guò)最終消耗的鹽酸標(biāo)準(zhǔn)滴定液體積與氮含量的關(guān)系計(jì)算每個(gè)樣本蛋白質(zhì)含量，蛋白質(zhì)含量計(jì)算公式為

式中為樣本中蛋白質(zhì)含量，g/100g；1為消耗鹽酸標(biāo)準(zhǔn)滴定液體積，mL；2為試劑空白消耗鹽酸標(biāo)準(zhǔn)滴定液體積，mL；為鹽酸標(biāo)準(zhǔn)滴定液濃度，mol/L；為樣本質(zhì)量，g；3為吸收消化液體積，mL；為氮換算蛋白質(zhì)系數(shù)，大米為5.95；100為換算系數(shù)。

高溫高濕條件下不同放置時(shí)間的大米樣本蛋白質(zhì)含量變化趨勢(shì)如圖1所示，通過(guò)試驗(yàn)測(cè)得大米樣本初始蛋白質(zhì)含量為7.78 g/(100 g)，在存放24，48，72，96和120 h后，蛋白質(zhì)含量分別為7.73，7.70，7.68，7.65和7.62 g/(100 g)?？梢?jiàn)，大米樣本在經(jīng)高溫高濕條件下放置處理后，蛋白質(zhì)含量的變化很小，在放置120 h后蛋白質(zhì)含量減少0.16 g/(100 g)。大米在高溫高濕條件下，呼吸作用等各項(xiàng)生理活動(dòng)加快，消耗了部分占總蛋白量很少的生理蛋白（清蛋白、球蛋白），與文獻(xiàn)[21]結(jié)果一致。

注：放置溫度為45℃，相對(duì)濕度為95%，下同。

1.4 樣本感興趣區(qū)域（region of interest，ROI）選取

ROI的提取方式與大小會(huì)影響到最終高光譜圖像數(shù)據(jù)的獲取質(zhì)量[23]。本文ROI提取流程如圖2所示，原始樣本高光譜圖像如圖2a所示，為加強(qiáng)樣本與背景的差異性，使用波段比算法處理高光譜圖像，根據(jù)多個(gè)像素點(diǎn)光譜曲線選取一個(gè)較大反射率（702.36 nm）波長(zhǎng)與一個(gè)較小反射率（502.31 nm）波長(zhǎng)做商運(yùn)算，結(jié)果如圖2b所示。然后采用閾值分割法進(jìn)行處理，經(jīng)多次測(cè)試，閾值選擇0.94時(shí)分割效果最佳，分割得到二值圖如圖2c所示，將該二值圖應(yīng)用掩膜于原始高光譜圖像，選取ROI，如圖2d所示，為方便后續(xù)處理，將ROI圖像尺寸統(tǒng)一為100像素×100像素。

圖2 大米樣本ROI提取流程

1.5 堆疊自動(dòng)編碼器

自動(dòng)編碼器（auto-encoder, AE）主要由編碼器和解碼器兩部分構(gòu)成，在對(duì)輸入樣本進(jìn)行學(xué)習(xí)時(shí)，其目的是通過(guò)編碼和解碼將輸入數(shù)據(jù)在輸出中重構(gòu)出來(lái)[24]。從某種程度而言，AE是一個(gè)小型的深度學(xué)習(xí)模型，該模型主要包括輸入層、隱含層和輸出層3層。

假設(shè)有無(wú)標(biāo)簽的訓(xùn)練樣本，AE的編碼任務(wù)是將輸入訓(xùn)練樣本通過(guò)非線性函數(shù)映射到隱含層，設(shè)為隱含層的神經(jīng)單元激活值，其數(shù)學(xué)表達(dá)式為

定義重構(gòu)誤差為，表示為

通過(guò)不斷修改參數(shù)來(lái)最小化L，此時(shí)的y保留了x的大部分信息[25]。在實(shí)際應(yīng)用中，用到的往往并不是單獨(dú)的一個(gè)AE，而是將多個(gè)AE通過(guò)級(jí)聯(lián)的方式堆疊構(gòu)成的多層AE，這個(gè)多層AE被命名為SAE[26]。SAE模型如圖3所示，該SAE模型由2個(gè)AE堆疊而成，隱含層2作為SAE最終的降維結(jié)果輸出的深度特征。

這種結(jié)構(gòu)使得SAE的隱含層是非線性的，從而具有更準(zhǔn)確的捕獲復(fù)雜數(shù)據(jù)的能力[27]。

1.6 光譜信息與圖像信息融合及深度特征提取

通過(guò)閾值分割法從原始高光譜圖像中提取整個(gè)大米樣本區(qū)域作為ROI，一方面，提取ROI內(nèi)平均光譜信息，每個(gè)高光譜圖像包含478個(gè)波段，故每個(gè)樣本高光譜數(shù)據(jù)維度是478。另一方面，大米中蛋白質(zhì)含量的變化會(huì)導(dǎo)致其顏色、紋理及透明度等變化[28]，為了獲取更加全面的圖像信息，提取ROI中每個(gè)波段的圖像，將ROI提取結(jié)果保存為478幅普通的100像素×100像素RGB圖像，并轉(zhuǎn)換為灰度圖像，圖像尺寸統(tǒng)一為28像素′28像素[29]。為了獲取更加精確的圖像信息，減少噪聲的影響，以光譜曲線的3個(gè)波峰760、930和980 nm為中心，獲?。?40～770 nm）、（910～950 nm）、（960～1 000 nm）3個(gè)波長(zhǎng)范圍內(nèi)的圖像，取每個(gè)像素點(diǎn)對(duì)應(yīng)的灰度均值，獲得該樣本的特征圖像，將每幅圖像扁平歸一化為一維向量，共包含784個(gè)像素點(diǎn)，每個(gè)圖像對(duì)應(yīng)的數(shù)據(jù)維度是784。高光譜圖像數(shù)據(jù)融合方式包括數(shù)據(jù)層融合和特征層融合，由于光譜特征和圖像特征在性質(zhì)上有較大的差異，如果對(duì)兩者進(jìn)行特征層融合，各特征所占比重的不同會(huì)影響最終建模的精度，為避免該問(wèn)題的出現(xiàn)，本文將光譜信息和圖像信息進(jìn)行數(shù)據(jù)層融合，數(shù)據(jù)總維度為1 262，輸入到SAE提取融合信息的深度特征。

1.7 建模方法及評(píng)價(jià)指標(biāo)

大米樣本高光譜圖像的光譜信息與圖像信息融合流程如圖4所示。

圖4 光譜信息與圖像信息融合流程

在SAE提取的光譜深度特征、圖像深度特征及二者融合信息的深度特征基礎(chǔ)上，采用支持向量機(jī)回歸（support vector regression，SVR）建立大米蛋白質(zhì)含量預(yù)測(cè)模型，并引用網(wǎng)格搜索法對(duì)SVR中核參數(shù)和懲罰因子尋優(yōu)。該方法采用5折交叉驗(yàn)證法在[-10,10]選擇最優(yōu)和，步長(zhǎng)設(shè)置為0.5，對(duì)每個(gè)和建立SVR模型并計(jì)算驗(yàn)證集均方根誤差，和最佳值由最小驗(yàn)證集均方根誤差決定[30]。

2 結(jié)果與分析

2.1 基于光譜深度特征的建模結(jié)果與分析

為了獲取更加全面的光譜信息，本文選取整個(gè)大米樣本區(qū)域作為ROI，提取ROI的平均光譜信息作為該樣本的高光譜數(shù)據(jù)。全樣本的原始高光譜曲線如圖5a所示。高光譜數(shù)據(jù)在獲取過(guò)程中，往往會(huì)受到儀器噪聲等因素的影響，存在吸光度的非線性、基線變動(dòng)和附加散射變動(dòng)等問(wèn)題，不可避免產(chǎn)生誤差。為了減少噪聲對(duì)模型的干擾，本文采用基于時(shí)域局部最小二乘法擬合的多項(xiàng)式平滑（savitzky-golay，SG）濾波方法[32]對(duì)原始高光譜曲線進(jìn)行預(yù)處理，經(jīng)過(guò)SG濾波后的高光譜曲線如圖5b所示，與圖5a原始樣本高光譜曲線相比，毛刺減少，曲線平滑度得到有效提升。

大米樣本的高光譜曲線可以有效地表征大米中蛋白質(zhì)等主要成分的化學(xué)信息，蛋白質(zhì)等化學(xué)信息可以通過(guò)C-H官能團(tuán)、O-H官能團(tuán)和N-H官能團(tuán)在特定波長(zhǎng)下的伸縮變動(dòng)體現(xiàn)。由圖5可知，雖然整體的反射光譜曲線波動(dòng)不明顯，沒(méi)有特別明顯的波峰波谷，但在760、930和980 nm仍有小幅度的波峰出現(xiàn)。結(jié)合圖1分析可知，這些特征波段和蛋白質(zhì)中C-H鍵的振動(dòng)和斷裂有直接關(guān)系，這些特征波段處的波動(dòng)正是由于高溫高濕條件下不同放置時(shí)間的大米內(nèi)部蛋白質(zhì)含量不同而引起的，隨著放置時(shí)間的增加，蛋白質(zhì)含量減少，反射率逐漸增加。因此，高光譜曲線可以直觀地反映高溫高濕條件下不同放置時(shí)間大米蛋白質(zhì)含量的差異。

注：圖中反射率曲線對(duì)應(yīng)的樣本放置時(shí)間從下到上依次為0，24，48，72，96和120 h，全樣本量為420個(gè)。

針對(duì)高溫高濕條件下6組不同放置時(shí)間的大米樣本（每組包含70個(gè)樣本，訓(xùn)練集46個(gè)，預(yù)測(cè)集24個(gè)），分別采用3層隱含層SAE尋找最優(yōu)規(guī)模提取光譜深度特征，并利用SVR建立回歸模型，結(jié)果如表1所示，其中預(yù)測(cè)值表示每組樣本中預(yù)測(cè)集樣本的預(yù)測(cè)值均值。

表1 基于光譜深度特征信息的模型預(yù)測(cè)結(jié)果

注：最佳規(guī)模表示SAE數(shù)據(jù)維度和各層神經(jīng)元最佳個(gè)數(shù)。如478-400-290-70表示數(shù)據(jù)維度是478，神經(jīng)元個(gè)數(shù)分別是400、290、70，下同。

Note: Optimal scale means the data dimension and the optimal number of cell of each layer of SAE. E.g. 478-400-290-70 means data dimension is 478, the number of neurons is 400, 290 and 70 respectively, the same below.

對(duì)于SAE隱含層個(gè)數(shù)的設(shè)置，文獻(xiàn)[16]表明，對(duì)于小樣本而言，SAE隱含層個(gè)數(shù)并非越多越好。經(jīng)過(guò)試驗(yàn)，通過(guò)SAE參數(shù)規(guī)模尋優(yōu)，發(fā)現(xiàn)不同組樣本的最佳SAE規(guī)模不同，其中3層隱含層的建模效果普遍較好，而且將最初的478維降低到了較低維度20～90，減小了建模成本，提高了建模效率，與文獻(xiàn)[16]報(bào)道一致。

2.2 基于圖像深度特征的建模結(jié)果與分析

圖像深度特征提取結(jié)果如圖6所示，對(duì)于圖像信息，由于原始圖像尺寸均為100像素′100像素，所含冗余信息較多，故在特征提取前，將圖像尺寸統(tǒng)一為28像素′28像素。以第4組中某樣本為例，其高光譜圖像如圖6a所示，將高光譜圖像扁平化，轉(zhuǎn)換為784維的列向量，為了提高運(yùn)算效率，將該向量歸一化，結(jié)果如圖6b所示，并作為SAE的輸入提取圖像深度特征，結(jié)果如圖6c所示。圖6d是經(jīng)過(guò)SAE解碼重構(gòu)后的圖像信息，經(jīng)對(duì)比發(fā)現(xiàn)，重構(gòu)信息與原始信息大致趨勢(shì)相同。使用與2.1節(jié)相同方法劃分?jǐn)?shù)據(jù)集，采用SVR建立回歸模型，結(jié)果如表2所示。

圖6 圖像深度特征提取結(jié)果

表2 基于圖像深度特征的模型預(yù)測(cè)結(jié)果

2.3 基于光譜與圖像融合信息深度特征的建模結(jié)果與分析

為獲取更加全面的高光譜圖像數(shù)據(jù)，將478維光譜數(shù)據(jù)和784維圖像數(shù)據(jù)進(jìn)行融合，得到1 262維融合信息，輸入到SAE提取深度特征，使用與2.1節(jié)相同方法劃分各組樣本集，采用SVR建立回歸模型。經(jīng)過(guò)試驗(yàn)，建模結(jié)果如表3所示。

表3 基于光譜-圖像融合信息建模結(jié)果

表4 基于全樣本的不同模型預(yù)測(cè)結(jié)果對(duì)比

3 討 論

在已有的研究中，大米的蛋白質(zhì)含量無(wú)損檢測(cè)大都基于近紅外光譜，劉建學(xué)等[33]以二階導(dǎo)數(shù)譜建立大米蛋白質(zhì)含量預(yù)測(cè)模型，預(yù)測(cè)值和測(cè)定值間的相關(guān)系數(shù)達(dá)到0.94；Bagchi等[34]建立SNV-mPLS模型，預(yù)測(cè)糙米和米糠蛋白質(zhì)含量，模型的決定系數(shù)分別為0.918、0.567；Lin等[35]建立了多元線性回歸、偏最小二成回歸和人工神經(jīng)網(wǎng)絡(luò)模型對(duì)大米蛋白質(zhì)含量進(jìn)行數(shù)據(jù)分析，最終多元線性回歸的模型效果最佳，預(yù)測(cè)集決定系數(shù)為0.806，預(yù)測(cè)集標(biāo)準(zhǔn)誤差為0.266%。本文采用SAE提取大米樣本的高光譜圖像光譜深度特征，結(jié)合支持向量機(jī)建立蛋白質(zhì)含量預(yù)測(cè)模型，對(duì)于全樣本的預(yù)測(cè)集決定系數(shù)為0.939 2，均方根誤差為0.115 3 g/(100 g)。模型的效果優(yōu)于上述文獻(xiàn)方法，相較于文獻(xiàn)[34]，本文模型預(yù)測(cè)集決定系數(shù)提升了14.17%，進(jìn)一步驗(yàn)證了本文算法對(duì)于高光譜數(shù)據(jù)特征提取的高效性。

此外，傳統(tǒng)高光譜圖像的圖像信息處理方法主要通過(guò)提取顏色、紋理等特征進(jìn)行建模，但這些特征往往是片面的，最終的建模效果有一定的提升空間。本文首先將高光譜圖像按波段分離，通過(guò)獲取圖像的灰度值均值作為該樣本的特征圖像，最終得到784維的列向量，采用SAE提取其深度特征，結(jié)合支持向量機(jī)回歸建立蛋白質(zhì)含量預(yù)測(cè)模型，最終建模的訓(xùn)練集決定系數(shù)和均方根誤差為0.915 4和0.051 0 g/(100 g)，預(yù)測(cè)集決定系數(shù)和均方根誤差為0.821 0和0.111 8 g/(100 g)，建模效果良好，驗(yàn)證了圖像深度特征提取方法的可行性。

4 結(jié) 論

本研究采用SAE學(xué)習(xí)獲取大米高光譜圖像的光譜、圖像以及二者融合信息的深度特征，并結(jié)合支持向量機(jī)回歸建立大米蛋白質(zhì)含量預(yù)測(cè)模型，得出以下主要結(jié)論：

1）SAE算法提取特征功能強(qiáng)大。經(jīng)由SAE提取深度特征后，基于全部樣本的光譜信息、圖像信息以及二者融合信息的模型預(yù)測(cè)結(jié)果顯示，預(yù)測(cè)集決定系數(shù)分別為0.939 2、0.821 0、0.964 4，且均方根誤差較低，表明SAE適于高光譜圖像數(shù)據(jù)的降維。

2）對(duì)于高光譜圖像的圖像信息，與傳統(tǒng)的提取顏色、紋理等片面信息不同，本文采用SAE提取圖像信息的深度特征，結(jié)果表明，模型的預(yù)測(cè)集決定系數(shù)和均方根誤差分別是0.821 0和0.111 8 g/(100 g)，說(shuō)明該深度特征包含了更加全面的圖像信息，為高光譜圖像的圖像處理方法提供了新思路。

[1] 孫俊，金夏明，毛罕平，等. 高光譜圖像技術(shù)在摻假大米檢測(cè)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(21)：301－307.

Sun Jun, Jin Xiaming, Mao Hanping, et al. Application of hyperspectral imaging technology for detecting adulterate rice [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(21): 301-307. (in Chinese with English abstract)

[2] 賈瀟，趙謀明，賈春曉，等. 大米蛋白與阿魏酸酶法交聯(lián)物的乳化特性和抗氧化穩(wěn)定性[J]. 食品科學(xué)，2017，38(13)：131－137.

Jia Xiao, Zhao Mouming, Jia Chunxiao, et al. Emulsifying properties and antioxidant stability of enzymatically cross-linked products between rice protein and ferulic acid[J]. Food Science, 2017, 38(13): 131－137. (in Chinese with English abstract)

[3] 陳媛，張志國(guó). 大米蛋白研究進(jìn)展[J]. 糧食與油脂，2017，30(7)：13－16.

Chen Yuan, Zhang Zhiguo. Research progress in rice protein [J]. Cereals and oils, 2017, 30(7): 13－16. (in Chinese with English abstract)

[4] 國(guó)家衛(wèi)生和計(jì)劃生育委員會(huì).食品安全國(guó)家標(biāo)準(zhǔn)食品中蛋白質(zhì)的測(cè)定：GB5009.5-2016[S]. 北京: 中國(guó)標(biāo)準(zhǔn)出版社，2016.

[5] 彭彥昆，趙芳，李龍，等. 利用近紅外光譜與PCA-SVM識(shí)別熱損傷番茄種子[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(5)：159－165.

Peng Yankun, Zhao Fang, Li Long, et al. Discrimination of heat-damaged tomato seeds based on near infrared spectroscopy and PCA-SVM method [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 159－165. (in Chinese with English abstract)

[6] 劉明博，李玉鵬，唐延林，等. 大米蛋白質(zhì)含量近紅外光譜檢測(cè)模型研究[J]. 中國(guó)農(nóng)學(xué)通報(bào)，2013(12)：212－216.

Liu Mingbo, Li Yupeng, Tang Yanlin, et al. Study on NIR spectral detection model of rice protein content[J]. Chinese Agricultural Science Bulletin, 2013(12): 212－216. (in Chinese with English abstract)

[7] Miryeong S, Franklineii B, Annam M C, et al. Near-infrared spectroscopy for determination of protein and amylose in rice flour through use of derivatives[J]. Cereal Chemistry, 2004, 81(3): 341－344.

[8] 賈桂鋒，陳偉，馮耀澤. 基于生物散斑圖像和慣性矩譜分析的牛肉摻腐檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(16)：281－286.

Jia Guifeng, Chen Wei, Feng Yaoze. Quantification detection of beef adulteration with spoiled beef based on biospeckle imaging and inertia moment spectrum [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(16): 281－286. (in Chinese with English abstract)

[9] Camps-Valls G, Tuia D, Bruzzone L, et al. Advances in hyperspectral image classification[J]. IEEE Signal Processing Magazine, 2014, 31(1): 45－54.

[10] 劉小丹，馮旭萍，劉飛，等. 基于近紅外高光譜成像技術(shù)鑒別雜交稻品系[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(22)：189－194.

Liu Xiaodan, Feng Xuping, Liu Fei, et al. Identification of hybrid rice strain based on near-infrared hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(22): 189－194. (in Chinese with English abstract)

[11] 孫紅，鄭濤，劉寧，等. 高光譜圖像檢測(cè)馬鈴薯植株葉綠素含量垂直分布[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(1)：149－156.

Sun Hong, Zheng Tao, Liu Ning, et al. Vertical distribution of chlorophyll in potato plants based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 149－156. (in Chinese with English abstract)

[12] 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.

Sun Jun, Jin Xiaming, Mao Hanping, et al. Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 167－173. (in Chinese with English abstract)

[13] 臧卓，林輝，楊敏華. ICA與PCA在高光譜數(shù)據(jù)降維分類中的對(duì)比研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào)，2011，31(11)：18－22.

Zang Zhuo, Lin Hui, Yang Minhua. Comparative study on descending dimension classification of hyperspectral data between ICA algorithm and PCA algorithm[J]. Journal of Central South University of Forestry & Technology, 2011, 31(11): 18－22. (in Chinese with English abstract)

[14] Liu Z, He Y, Cen H, et al. Deep feature representation with stacked sparse auto-encoder and convolutional neural network for hyperspectral imaging-based detection of cucumber defects[J]. Transactions of the ASABE, 2018, 61(2): 425－436.

[15] Yu J, Huang D, Wei Z. Unsupervised image segmentation via Stacked Denoising Auto-encoder and hierarchical patch indexing[J]. Signal Processing, 2017: 143, 346－353.

[16] 孫俊，靳海濤，武小紅，等. 基于低秩自動(dòng)編碼器及高光譜圖像的茶葉品種鑒別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2018，49(8)：316－323.

Sun Jun, Jin Haitao, Wu Xiaohong, et al. Tea variety identification based on low-rank stacked auto-encoder and hyperspectral image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(8): 316－323. (in Chinese with English abstract)

[17] Zhou F F. Improving prediction of self-interacting proteins using stacked sparse auto-encoder with PSSM profiles[J]. International Journal of Biological Sciences, 2018, 14(8): 983－991.

[18] Zhang F, Du B, Zhang L. Saliency-guided unsupervised feature learning for scene classification[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 53(4): 2175－2184.

[19] 趙娟，彭彥昆. 基于高光譜圖像紋理特征的牛肉嫩度分布評(píng)價(jià)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(7)：279－286.

Zhao Juan, Peng Yankun. Distribution of beef tenderness grading based on texture features by hyperspectral image analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(7): 279－286. (in Chinese with English abstract)

[20] 董高，郭建，王成，等. 基于近紅外高光譜成像及信息融合的小麥品種分類研究[J]. 光譜學(xué)與光譜分析，2015，35(12)：3369－3374.

Dong Gao, Guo Jian, Wang Cheng, et al. The classification of wheat varieties based on near infrared hyperspectral imaging and information fusion[J]. Spectroscopy and Spectral Analysis, 2015, 35(12): 3369－3374. (in Chinese with English abstract)

[21] 孫威，劉英. 高氣溫高濕環(huán)境對(duì)大米氨基酸的影響[J]. 武漢輕工大學(xué)學(xué)報(bào)，2013(1)：24－27.

Sun Wei, Liu Ying. Effects of treatment of high temperature and high relative humidity on rice amino acids[J].Journal of Wuhan Polytechnic University, 2013(1): 24－27. (in Chinese with English abstract)

[22] 朱文靜，毛罕平，周瑩，等. 基于高光譜圖像技術(shù)的番茄葉片氮素營(yíng)養(yǎng)診斷[J]. 江蘇大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，35(3)：290－294.

Zhu Wenjing, Mao Hanping, Zhou Ying, et al. Hyperspectral imaging technology of nitrogen status diagnose for tomato leaves[J]. Journal of Jiangsu University: Natural Science Edition, 2014, 35(3): 290－294. (in Chinese with English abstract)

[23] 趙凡，董金磊，郭文川. 高光譜圖像光譜提取區(qū)域?qū)ΛJ猴桃糖度檢測(cè)精度的影響[J]. 現(xiàn)代食品科技，2016(4)：223－228.

Zhao Fan, Dong Jinlei, Guo Wenchuan. Effect of spectral extraction regions in hyperspectral images on the precision in determining the sugar content of kiwifruits[J]. Modern Food Science & Technology, 2016(4): 223－228. (in Chinese with English abstract)

[24] Bengio Y, Lamblin P, Dan P, et al. Greedy layer-wise training of deep networks[J]. Advances in Neural Information Processing Systems, 2007, 19: 153－160.

[25] Baldi P. Autoencoders, unsupervised learning and deep architectures[C]// International Conference on Unsupervised and Transfer Learning Workshop, 2011: 37－50.

[26] Vincent P, Larochelle H, Bengio Y, et al. Extracting and composing robust features with denoising autoencoders[C]// International Conference on Machine Learning, ACM, 2008: 1096－1103.

[27] Jaitly N, Hinton G E. Using an auto-encoder with deformable templates to discover features for automated speech recognition[C]// The 14th Annual Conference of the International Speech Communication Association, Lyon, 2013: 25－29.

[28] 郭玉寶. 大米儲(chǔ)藏陳化中蛋白質(zhì)對(duì)其糊化特性的影響及其相關(guān)陳化機(jī)制研究[D]. 南京: 南京農(nóng)業(yè)大學(xué)，2012.

Guo Yubao. The Effects of Protein on Pasting Properties of Rice During Storage Ageing and its Related Ageing Mechanism[D]. Najing: Nanjing Agricultural University, 2012. (in Chinese with English abstract)

[29] Chen Y, Lin Z, Zhao X, et al. Deep learning-based classification of hyperspectral data[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2014, 7(6): 2094－2107.

[30] Cheng P, Fan W, Xu Y. Quality grade discrimination of Chinese strong aroma type liquors using mass spectrometry and multivariate analysis[J]. Food Research International, 2013, 54(2): 1753－1760.

[31] Guo W, Shang L, Zhu X, et al. Nondestructive detection of soluble solids content of apples from dielectric spectra with ANN and chemometric methods[J]. Food and Bioprocess Technology, 2015, 8(5): 1126－1138.

[32] 孫俊，叢孫麗，毛罕平，等. 基于高光譜的油麥菜葉片水分CARS-ABC-SVR預(yù)測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(5)：178－184.

Sun Jun, Cong Sunli, Mao Hanping, et al. CARS-ABC-SVR model for predicting leaf moisture of leaf-used lettuce based on hyperspectral[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 178－184. (in Chinese with English abstract)

[33] 劉建學(xué)，吳守一，方如明. 近紅外光譜法快速檢測(cè)大米蛋白質(zhì)含量[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2001，32(3)：68－70.

Liu Jianxue, Wu Shouyi, Fang Ruming. Rapid measurement of rice protein content by near infrared spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery, 2001, 32(3): 68－70. (in Chinese with English abstract)

[34] Bagchi T B, Sharma S, Chattopadhyay K. Development of NIRS models to predict protein and amylose content of brown rice and proximate compositions of rice bran[J]. Food Chemistry, 2016, 191: 21－27.

[35] Lin L, Lu F, Chang Y. Prediction of protein content in rice using a near-infrared imaging system as diagnostic technique[J]. International Journal of Agricultural and Biological Engineering, 2019, 12(2): 195－200.

Prediction model of rice protein content based on hyperspectral image and deep feature

Sun Jun, Jin Haitao, Lu Bing, Wu Xiaohong, Shen Jifeng, Dai Chunxia

(212013,)

nondestructive detection; spectrum analysis; models; hyperspectral imaging; stacked auto-encoder; deep feature; rice; protein content

10.11975/j.issn.1002-6819.2019.15.036

S126

A

1002-6819(2019)-15-0295-09

2018-12-11

2019-06-06

國(guó)家自然科學(xué)基金資助項(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)）；江蘇省六大人才高峰資助項(xiàng)目（ZBZZ-019）；常州市科技支撐（社會(huì)發(fā)展）項(xiàng)目（CE20185029）

孫 俊，教授，博士，博士生導(dǎo)師。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。Email：sun2000jun@ujs.edu.cn

孫 俊，靳海濤，蘆兵，武小紅，沈繼鋒，戴春霞. 基于高光譜圖像及深度特征的大米蛋白質(zhì)含量預(yù)測(cè)模型[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(15)：295－303. doi：10.11975/j.issn.1002-6819.2019.15.036 http://www.tcsae.org

Sun Jun, Jin Haitao, Lu Bing, Wu Xiaohong, Shen Jifeng, Dai Chunxia. Prediction model of rice protein content based on hyperspectral image and deep feature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 295－303. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.15.036 http://www.tcsae.org