溫馮睿， 關(guān)海鷗*， 馬曉丹， 左 鋒， 錢麗麗

1. 黑龍江八一農(nóng)墾大學(xué)信息與電氣工程學(xué)院， 黑龍江 大慶 163000

2. 黑龍江八一農(nóng)墾大學(xué)食品學(xué)院， 黑龍江 大慶 163000

3. 國家雜糧工程技術(shù)研究中心， 黑龍江 大慶 163000

4. 黑龍江省農(nóng)產(chǎn)品加工與質(zhì)量安全重點(diǎn)實(shí)驗(yàn)室， 黑龍江 大慶 163000

引 言

稻谷在儲運(yùn)過程中適宜的溫濕度等環(huán)境下極易發(fā)生霉變， 導(dǎo)致產(chǎn)生多種對人體和牲畜有害的真菌霉素， 嚴(yán)重威脅人與動物的健康， 降低稻谷食用價(jià)值， 也會造成大量的糧食浪費(fèi)， 帶來巨大的經(jīng)濟(jì)損失， 進(jìn)而影響糧食安全， 因此對于霉變稻谷的檢測和霉變程度的鑒別具有重要的意義。 傳統(tǒng)稻谷霉變研究是通過化學(xué)處理后利用電子顯微鏡等儀器， 觀測稻谷中真菌孢子， 用來檢測稻谷霉變情況。 唐芳等[1]提出了一種使用掃描電鏡觀察方法， 通過真菌孢子的數(shù)量來判斷稻谷霉變程度， 該方法存在的不足是耗費(fèi)時(shí)間長， 檢測過程繁瑣。 為檢測糧食的不同霉變程度， 嚴(yán)松等[2]對小麥產(chǎn)生的揮發(fā)性氣體進(jìn)行主成分分析， 檢測了小麥的霉變程度； 庫晶等[3]設(shè)計(jì)了一種電子鼻技術(shù)的稻谷霉變在線檢測系統(tǒng)； 但目前電子鼻對于稻谷霉變的研究多局限在實(shí)驗(yàn)室環(huán)境中， 且在實(shí)際應(yīng)用中， 設(shè)備的靈敏度， 布線等因素都會影響檢測的結(jié)果。 在電子鼻技術(shù)基礎(chǔ)上， 趙天霞等[4]利用PCA算法區(qū)分了未霉變、 輕度霉變、 以及重度霉變的稻谷。 隨著數(shù)字圖像處理技術(shù)快速發(fā)展， 基于機(jī)器視覺的智能信息處理技術(shù)， 被廣泛地應(yīng)用于糧食霉變的檢測研究。 潘磊慶等[5]應(yīng)用機(jī)器視覺獲取五種真菌引起稻谷霉變后圖像， 采用SVM和PLS-DA方法成功劃分了無霉變組、 輕度霉變組、 以及重度霉變組， 機(jī)器視覺技術(shù)存在的不足是無法獲取稻谷內(nèi)部品質(zhì)的信息。 光譜在稻谷霉變檢測中具有可獲得內(nèi)部信息的優(yōu)勢， 因此， 光譜分析技術(shù)已逐漸在稻谷霉變中得到了成功應(yīng)用， 如賴燕華等[6]在特定的范圍內(nèi)獲得煙葉樣本近紅外光譜(near infra-red， NIR)數(shù)據(jù)， 識別了未霉變、 臨近霉變、 以及已霉變的樣品； Lu等[7]通過光譜特征結(jié)合主成分分析對不同生長階段的真菌導(dǎo)致的霉變稻谷， 采用連續(xù)投影算法選擇最佳波長并建立對應(yīng)分類模型； 章林忠等[8]利用近紅外高光譜圖像， 建立了板栗果實(shí)的快速無損檢測和品質(zhì)鑒定方法， 實(shí)現(xiàn)了霉變、 蟲害和正常果實(shí)的定性分析。 蔣大鵬等[9]應(yīng)用近紅外光譜無損快速鑒別霉變的松子； 沈飛等[10]采取霉變稻谷的近紅外光譜數(shù)據(jù)， 利用PCA-DA-PLSR建模方法， 無損檢測了稻谷受有害霉菌污染程度。 但相關(guān)北方寒地稻谷倉儲和南運(yùn)過程中多種復(fù)雜的環(huán)境因素和稻谷收獲時(shí)屬性條件， 基于近紅外光譜圖像技術(shù)的稻谷霉變程度檢測方法鮮有報(bào)道。 本工作以東北寒地稻谷為研究對象， 獲取牡響、 早香、 彩稻三個(gè)品種不同霉變狀態(tài)的近紅外光譜的成像數(shù)據(jù)， 分析NIR圖像多種紋理和頻域特性， 優(yōu)選不同稻谷品種霉變狀態(tài)的光譜特征， 利用BP神經(jīng)網(wǎng)絡(luò)(back propagation, BP)的自適應(yīng)推理機(jī)制， 建立稻谷霉變程度與其近紅外圖像特征之間映射模型， 實(shí)現(xiàn)稻谷霉變程度無損檢測的新方法， 能夠?yàn)榈竟葌}儲時(shí)霉變早期自動快速檢測提供技術(shù)支持。

1 實(shí)驗(yàn)部分

以東北寒地稻谷為研究對象， 分別為： 牡響、 早香、 彩稻三種稻谷， 且均為沒有脫離稻殼的籽實(shí)。 考慮到北糧南運(yùn)中遇到的復(fù)雜情況， 如稻谷在集裝箱中被雨水打濕， 在運(yùn)輸途中倉內(nèi)溫度過高等因素， 將四種健康稻谷各2 kg均勻平鋪在培養(yǎng)盤中， 倒入無菌水?dāng)嚢杈鶆颍?覆膜后放入35～40 ℃的人工氣候箱中， 模擬稻谷發(fā)生復(fù)雜霉變過程。 采用五通道多光譜相機(jī)(Sequoia)， 在近紅外波長為790 nm且?guī)挒?0 nm的參數(shù)條件下， 采集稻谷霉變?nèi)^程的近紅外圖像數(shù)據(jù)。 為減少外界環(huán)境對采集圖像數(shù)據(jù)的干擾， 實(shí)驗(yàn)在標(biāo)準(zhǔn)拍攝箱內(nèi)進(jìn)行， 配備標(biāo)準(zhǔn)的全波段光源， 設(shè)定實(shí)驗(yàn)間隔為24 h， 固定多光譜相機(jī)在距離樣本上方40 cm處垂直拍攝。

稻谷受真菌感染產(chǎn)生霉變后表面存在霉菌， 其表面顏色逐漸變深甚至呈現(xiàn)黑色。 依據(jù)文獻(xiàn)[11]結(jié)合黑龍江稻谷儲運(yùn)的實(shí)際情況， 定義稻谷中霉菌量≤105CFU·g-1為健康稻谷； 霉菌量在105～106CFU·g-1定義為輕度霉變稻谷； 霉菌量≥106CFU·g-1定義為中度霉變稻谷。 選取霉變稻谷的近紅外圖像中大小160×160的中心區(qū)域?yàn)橛行D像(見圖1)， 分析霉變稻谷在790 nm波長的近紅外光譜圖像特性。

圖1 不同霉變程度的稻谷近紅外圖像

2 結(jié)果與討論

2.1 提取稻谷近紅外圖像特征

2.1.1 提取紋理特征

稻谷發(fā)生霉變時(shí)所產(chǎn)生曲霉屬和青霉屬為主的霉菌群， 隨機(jī)分布在籽粒表面， 其近紅外光譜反射值存在差異性分布。 研究稻谷不同霉變程度所成圖像差異性， 計(jì)算霉變稻谷NIR圖像的紋理特征， 分析稻谷霉變時(shí)NIR圖像特性， 可為稻谷儲運(yùn)時(shí)霉變程度的快速檢測提供數(shù)據(jù)指標(biāo)。 依據(jù)文獻(xiàn)[12]設(shè)計(jì)稻谷NIR圖像紋理特征計(jì)算方法， 具體計(jì)算公式如表1所示。

為客觀描述霉變稻谷NIR圖像的清晰度， 應(yīng)用平均梯度G表征NIR圖像的多層次細(xì)節(jié)，G越大表明圖像的層次越多且清晰， 反之， 圖像越模糊， 平均梯度G計(jì)算公式為

(1)

式(1)中，m和n分別為NIR圖像的行數(shù)和列數(shù)，F(xiàn)(i,j)為近紅外圖像的反射值。

霉變稻谷的NIR圖像存在多變的周期性重復(fù)細(xì)節(jié)， 分形維數(shù)可以衡量圖像內(nèi)反射值的強(qiáng)弱， 并且表示其規(guī)則程度， 因此分形維數(shù)作為NIR圖像非常重要的紋理特征， 計(jì)算分形維數(shù)FD公式為

(2)

式(2)中，N(ε)為覆蓋整幅圖像需要的盒子總數(shù)目，ε為原圖像劃分若干子圖像的邊長。

依據(jù)上述霉變稻谷特征計(jì)算方法， 選取健康、 輕度霉變、 中度霉變稻谷各200幅圖像數(shù)據(jù)， 共計(jì)600組近紅外光譜成像樣本， 計(jì)算不同霉變狀態(tài)下稻谷NIR圖像的8個(gè)紋理特征， 三種霉變稻谷圖像的紋理特征分布， 如圖2所示。

圖2 稻谷三種霉變狀態(tài)的紋理特征分布

圖2中為600個(gè)樣本的特征數(shù)據(jù)進(jìn)行歸一化處理后的盒圖， 可以直觀反映每種狀態(tài)稻谷各特征值中最大值、 最小值、 中位數(shù)、 以及50%的數(shù)據(jù)集中區(qū)域。 其中， 健康稻谷特征數(shù)據(jù)中50%樣本的均值集中在0.39～0.68之間， 輕度霉變稻谷在0.62～0.84區(qū)間， 中度霉變稻谷在0.54～0.81之間， 霉變稻谷相較于健康稻谷均值的中位數(shù)有所上升， 反映了霉變稻谷NIR圖像的亮度降低程度。 相對平滑度值， 中度霉變稻谷的矩形框較健康稻谷有所上移， 反映出稻谷在霉變過程中NIR圖像越來越粗糙。 中度霉變稻谷三階距值的中位數(shù)小于輕度霉變稻谷， 表明稻谷NIR圖像逐漸變暗。 對比三種狀態(tài)稻谷的分形維數(shù)， 表征出NIR圖像的規(guī)則程度呈現(xiàn)相近且穩(wěn)定。

2.1.2 近紅外圖像數(shù)據(jù)的反射值頻率分析

由于稻谷在不同霉變狀態(tài)時(shí)， 其霉菌群隨機(jī)分布在籽粒表面， 引起霉變稻谷的近紅外光譜圖像反射值大小的頻率變化。 直方圖可以統(tǒng)計(jì)光譜圖像中具有相同密度的反射值的數(shù)量， 以簡單的方式描述圖像中包含的統(tǒng)計(jì)學(xué)信息， 這種定量研究方式有利于克服定性分析帶來的主觀偏倚。 研究中應(yīng)用直方圖技術(shù)進(jìn)一步分析稻谷不同霉變程度的反射值頻率特性， 根據(jù)文獻(xiàn)[13]提取近紅外圖像有效區(qū)域近紅外光譜反射值的頻率特征， 計(jì)算稻谷NIR圖像直方圖中每個(gè)區(qū)間反射值頻率， 如圖3所示。

圖3中橫軸表示的是稻谷NIR圖像的反射值， 縱軸表示反射值在該區(qū)間內(nèi)的個(gè)數(shù)， 稻谷NIR圖像均有25 600個(gè)反射值， 且主要集中在0.2～0.8之間。 對全部樣本反射值頻率分布的統(tǒng)計(jì)可知， 健康稻谷圖像直方圖的峰值出現(xiàn)在0.6附近， 在0.2～0.3反射值區(qū)間為少數(shù)零散分布， 而輕度和中度霉變的稻谷圖像， 在該反射值區(qū)間有相對較多的分布。 在0.7～0.8健康稻谷圖像的反射值區(qū)間分布較多， 而霉變稻谷的分布相對減少甚至沒有。 由于在發(fā)生霉變后稻谷表面發(fā)灰發(fā)暗， 導(dǎo)致對應(yīng)NIR圖像的反射值直方圖整體向左偏移， 即向反射值較小的方向偏移。 所以在分析稻谷NIR圖像反射值直方圖的基礎(chǔ)上， 提取0.2～0.8步長為0.1的六個(gè)連續(xù)區(qū)間反射值頻率， 作為霉變稻谷NIR圖像的頻率特征， 計(jì)算公式為

圖3 不同霉變程度稻谷反射值分布對比

(3)

2.2 建立稻谷霉變識別BP神經(jīng)網(wǎng)絡(luò)模型

前饋BP神經(jīng)網(wǎng)絡(luò)具有非線性函數(shù)的自適應(yīng)推理機(jī)制， 可以很好地解決稻谷霉變程度與其近紅外圖像特征之間映射關(guān)系。 將提取不同稻谷品種霉變狀態(tài)的光譜特征作為輸入向量， 利用訓(xùn)練好的網(wǎng)絡(luò)模型計(jì)算輸出值并映射至霉變程度的解空間， 完成稻谷霉變自動無損檢測方法。 具體步驟為： (1)采集不同霉變狀態(tài)的稻谷的NIR圖像； (2)計(jì)算NIR圖像14維數(shù)字特征； (3)將數(shù)字向量輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)， 計(jì)算模型前向輸出值； (4)解析稻谷霉變程度編碼向量， 輸出稻谷霉變程度檢測結(jié)果。

2.2.1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與訓(xùn)練網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)

在牡響、 早香、 彩稻三個(gè)品種的不同霉變狀態(tài)中， 選擇健康、 輕度霉變、 中度霉變的稻谷圖像數(shù)據(jù)各180組， 共計(jì)540組特征向量作為訓(xùn)練樣本。 計(jì)算均值、 標(biāo)準(zhǔn)差、 平滑度、 三階距、 一致性、 信息熵、 平均梯度、 分形維數(shù)、 以及在0.2～0.8區(qū)間內(nèi)反射值頻率6個(gè)統(tǒng)計(jì)特征， 共計(jì)14維度的特征指標(biāo)， 確定了神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為14； 稻谷霉變程度為3個(gè)等級， 采用3位二進(jìn)制編碼， 即輸出層節(jié)點(diǎn)數(shù)為3； 依據(jù)隱含層神經(jīng)元數(shù)量確定規(guī)則[14]， 結(jié)合本研究實(shí)際試驗(yàn)情況， 最終確定網(wǎng)絡(luò)隱含層神經(jīng)元節(jié)點(diǎn)數(shù)為60， 所以稻谷霉變程度檢測的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為14-60-3型。 該神經(jīng)網(wǎng)絡(luò)采用梯度下降學(xué)習(xí)算法[15]， 設(shè)定目標(biāo)精度為0.06， 學(xué)習(xí)速度為0.8， 最大學(xué)習(xí)次數(shù)為30 000。 在實(shí)際訓(xùn)練時(shí)迭代次數(shù)為28 455次時(shí)， 達(dá)到目標(biāo)精度的誤差要求。

2.2.2 模型仿真應(yīng)用與評價(jià)

利用全部樣本中剩余的健康、 霉變初期、 中度霉變稻谷圖像的特征向量各20組， 共計(jì)60組特征數(shù)據(jù)作為測試樣本。 仿真應(yīng)用中檢測模型輸出值所對應(yīng)稻谷霉變狀態(tài)(二進(jìn)制編碼)的解碼規(guī)則為： 當(dāng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的計(jì)算值Ymax(y1,y2,y3)=y1， 則y1=1， 其余節(jié)點(diǎn)為0， 對應(yīng)中度霉變稻谷樣本編碼為100； 當(dāng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的計(jì)算值Ymax(y1,y2,y3)=y2， 則y2=1， 其余節(jié)點(diǎn)為0， 對應(yīng)輕度霉變稻谷樣本編碼為010； 當(dāng)網(wǎng)絡(luò)輸出層節(jié)點(diǎn)的計(jì)算值Ymax(y1,y2,y3)=y3， 則y3=1， 其余節(jié)點(diǎn)為0， 對應(yīng)健康變稻谷樣本編碼為001。 至此可以應(yīng)用2.2.1節(jié)已訓(xùn)練好的霉變稻谷檢測模型進(jìn)行測試， 其輸出的仿真結(jié)果， 如圖4所示。

圖4 稻谷霉變檢測模型輸出

圖4中稻谷三種不同霉變程度的識別結(jié)果相對集中， 測試集中健康、 輕度霉變、 中度霉變稻谷的預(yù)測錯誤的樣本數(shù)分為2個(gè)、 2個(gè)和0個(gè)， 對應(yīng)稻谷霉變程度的識別準(zhǔn)確率分別為90%， 90%和100%， 基于BP神經(jīng)網(wǎng)絡(luò)識別模型總體識別準(zhǔn)確率達(dá)到93.33%。 該網(wǎng)絡(luò)模型計(jì)算輸出值和實(shí)際期望值的誤差平均值為0.521 39， 方差為0.137 82， 誤差的標(biāo)準(zhǔn)差為0.371 23。 選取霉變稻谷NIR圖像的特征為基礎(chǔ)， 建立徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為14-281-3型的檢測模型， 仿真試驗(yàn)得到的準(zhǔn)確率僅為63.66%， 其均方根誤差為0.186 27， 而BP神經(jīng)網(wǎng)絡(luò)均方根誤差為0.046 26， 所以基于BP神經(jīng)網(wǎng)絡(luò)的稻谷霉變檢測模型具有明顯的性能優(yōu)勢， 能夠滿足稻谷儲運(yùn)過程中霉變程度檢測實(shí)際需求。

3 結(jié) 論

針對稻谷儲運(yùn)過程發(fā)生霉變時(shí)， 傳統(tǒng)稻谷霉變檢測過程繁瑣且耗時(shí)較長的不足， 提出了基于近紅外光譜圖像處理技術(shù)和神經(jīng)網(wǎng)絡(luò)的稻谷霉變程度檢測模型， 實(shí)現(xiàn)稻谷霉變程度無損檢測的新方法， 能夠?yàn)閭}儲稻谷霉變程度的自動快速檢測提供技術(shù)支持和參考。

(1)應(yīng)用數(shù)字圖像處理技術(shù)結(jié)合光譜圖像分析方法， 提取了近紅外圖像的紋理特征(均值、 標(biāo)準(zhǔn)差、 平滑度、 三階距、 一致性、 信息熵、 平均梯度、 分形維數(shù))以及反射值6個(gè)區(qū)間的頻率(0.2～0.3， 0.3～0.4， 0.4～0.5， 0.5～0.6， 0.6～0.7， 0.7～0.8)， 共計(jì)14個(gè)特征值， 為稻谷霉變檢測提供有效可靠的特征參數(shù)。

(2)以提取的NIR圖像的特征向量為依據(jù)， 利用BP神經(jīng)網(wǎng)絡(luò)自適應(yīng)推理機(jī)制， 建立稻谷霉變程度與其近紅外圖像特征之間非線性映射模型， 該網(wǎng)絡(luò)輸入與輸出之間的相關(guān)系數(shù)R為0.85， 霉變稻谷檢測的準(zhǔn)確率為93.33%， 解決了稻谷霉變程度與NIR光譜成像特征值之間的數(shù)學(xué)建模問題。