劉海龍 倪金 索麗敏

摘 要：枸杞子具有較高的營養(yǎng)和醫(yī)學(xué)價值，不同產(chǎn)地品種的枸杞品質(zhì)不同，價格也存在一定的差異，但由于缺乏有效的檢測分級手段，枸杞市場魚龍混雜，影響枸杞市場質(zhì)量監(jiān)管。為實(shí)現(xiàn)枸杞快速、無損的品種檢測，本文提出基于傅里葉變換近紅外光譜的枸杞子品種快速區(qū)分方法。利用傅里葉變換近紅外光譜儀采集了青海、寧夏兩個產(chǎn)地6個品種的枸杞子共計648個樣本的光譜數(shù)據(jù)之后，通過多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變換（SNV）、移動平均平滑（MA）、標(biāo)準(zhǔn)化（SS）、Savitzky-Golay平滑濾波（SG）、最大最小歸一化（MMS）、均值中心化（Zero-centered）分別對6個品種枸杞光譜數(shù)據(jù)進(jìn)行預(yù)處理，并使用Python語言和Keras框架分別建立了2種神經(jīng)網(wǎng)絡(luò)模型。試驗(yàn)結(jié)果表明，標(biāo)準(zhǔn)化（SS）處理過后的枸杞光譜數(shù)據(jù)可快速、高效地實(shí)現(xiàn)中寧枸杞子品種判別，為食品安全應(yīng)用提供了技術(shù)支撐。

關(guān)鍵詞：人工神經(jīng)網(wǎng)絡(luò)（ANN）；品種鑒別；近紅外光譜；枸杞子

Identification of Goqizi Species Using Near-Infrared Spectroscopy Combined with Keras Neural Network

LIU Hailong， NI Jin， SUO Limin*

（Heilongjiang Bayi Agricultural University， Daqing 163319， China）

Abstract： Goqizi have high nutritional and medical value. The quality of Goqizi from different regions varies， and there are also certain price differences. However， due to the lack of effective detection and grading methods， the Goqizi market is mixed， which affects the quality supervision of the Goqizi market. To achieve rapid and non-destructive variety detection of Goqizi， this paper proposes a fast identification method for Goqizi varieties based on Fourier transform near-infrared spectroscopy. After using a Fourier transform near-infrared spectrometer to collect spectral data of 648 samples from 6 varieties of Goqizi from two regions of Qinghai and Ningxia， multiple scattering correction （MSC）， standard normal transformation （SNV）， moving average smoothing （MA）， standardization （SS）， Savitzky Golay smoothing filtering （SG）， maximum minimum normalization （MMS） Zero centered preprocessing was performed on the spectral data of 6 varieties of Goqizi， and two neural network models were established using Python language and Keras framework. The experimental results indicate that the standardized （SS） processed spectral data of Goqizi can quickly and efficiently distinguish the varieties of Zhongning Goqizi， providing technical support for food safety applications.

Keywords： Artificial Neural Network（ANN）; variety identification; near infrared spectroscopy; Goqizi

枸杞是目前最具發(fā)展?jié)摿Φ乃幨硟捎妙惤?jīng)濟(jì)植物，因其含有豐富的營養(yǎng)價值和藥用價值而得到消費(fèi)者的普遍接受和信賴，在全國乃至全世界都享有極高的聲譽(yù)[1]。目前，我國枸杞主產(chǎn)區(qū)的絕大多數(shù)栽培品種均引自寧夏枸杞系列品種[2]。研究表明，不同品種或不同產(chǎn)地的枸杞子在多酚、糖類、維生素、氨基酸等化學(xué)成分含量等方面具有較大差異[3-6]。例如，祿璐等[7]研究發(fā)現(xiàn)，46個枸杞原漿產(chǎn)品的主要成分與口感、風(fēng)味具有相關(guān)性；蔣蘭等[8]研究得出多種活性成分能明顯提升枸杞子品質(zhì)，如枸杞多糖含量可作為枸杞果酒釀造工藝的衡量指標(biāo)[9]，枸杞的營養(yǎng)成分是其藥用價值的評價指標(biāo)之一[10]。因此，對不同品種枸杞子進(jìn)行快速、準(zhǔn)確判別，有利于根據(jù)不同枸杞子品種的差異有針對性地開展枸杞資源的利用，提高資源利用率。目前有關(guān)枸杞子分類方面的研究較少。

近紅外光譜是一種介于可見光和中紅外間的電磁波，波長為780～2 526 nm，該區(qū)域的波長能夠記錄C-O、O-H和N-H等化學(xué)鍵振動的倍頻和合頻吸收信息，可以作為獲取信息有效載體對含氫基團(tuán)有機(jī)物的理化性質(zhì)進(jìn)行測量，且可實(shí)現(xiàn)對樣品快速、無損的檢測，現(xiàn)已廣泛運(yùn)用于各農(nóng)產(chǎn)品研究中[11-12]。但光譜數(shù)據(jù)中還包含噪聲、基線漂移采樣環(huán)境干擾等不穩(wěn)定因素，會導(dǎo)致建立模型的精度下降，因此還需要提前對光譜數(shù)據(jù)進(jìn)行預(yù)處理，提高光譜數(shù)據(jù)信噪比和分辨率，從而提高模型預(yù)測的準(zhǔn)確度。

Keras是一種主流的神經(jīng)網(wǎng)絡(luò)框架，其采用Python編寫，高度封裝，能夠在TensorFlow、CNTK或Theano之上運(yùn)行，用戶可以用最小的時間獲得最優(yōu)的實(shí)驗(yàn)結(jié)果，大大降低了神經(jīng)網(wǎng)絡(luò)的使用門檻，減少了構(gòu)建網(wǎng)絡(luò)所耗費(fèi)的時間與精力。目前，該神經(jīng)網(wǎng)絡(luò)框架在醫(yī)學(xué)、自動駕駛、人臉識別等眾多領(lǐng)域都有使用[13-15]。

1 材料與方法

1.1 樣本數(shù)據(jù)來源

用于實(shí)驗(yàn)的枸杞子為產(chǎn)地市購買，分別為中寧

1號、中寧7號、小尖椒（中寧）、青海板型、青海條形，青海1號6個品種。將枸杞子樣品進(jìn)行除雜、干燥后，每個品種選取20粒作為一份樣品，得到青海1號104份、青海板型104份、青海條形106份、小尖椒（中寧）106份、中寧1號106份、中寧7號122，共計648份樣品。將樣本置于近紅外光譜實(shí)驗(yàn)室靜置24 h后進(jìn)行掃描。

采樣儀器為Bruker公司生產(chǎn)的TANGO近紅外光譜儀，測量波數(shù)為11 550～3 950 cm-1，測量樣本的吸光度。每個樣品單獨(dú)掃背景，后掃描32次選取平均光譜作為研究樣本。將樣品數(shù)據(jù)按照7∶3的比例隨機(jī)分為訓(xùn)練集和驗(yàn)證集，劃分后訓(xùn)練集和測試集樣本數(shù)據(jù)量分別為454個和194個，結(jié)合Keras框架進(jìn)行枸杞子品種鑒別研究。

1.2 數(shù)據(jù)預(yù)處理

由于樣本在掃描過程中極易受到檢測環(huán)境、儀器、顆粒大小不均勻和自身因素的影響，使光譜數(shù)據(jù)質(zhì)量下降，產(chǎn)生基線漂移、噪聲、尺度差異等一系列問題，造成模型精度下降。因此對數(shù)據(jù)分別進(jìn)行多元散射校正（MSC）、標(biāo)準(zhǔn)正態(tài)變換（SNV）、移動平均平滑（MA）、標(biāo)準(zhǔn)化（SS）、Savitzky-Golay平滑濾波（SG）、最大最小歸一化（MMS）以及均值中心化（Zero-centered）預(yù)處理，提高信噪比和分辨率，讓模型更具有穩(wěn)健性。通過不同方法預(yù)處理后的光譜圖如圖1所示。

1.3 建立模型

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）的學(xué)習(xí)能力很強(qiáng)，且對于許多非線性問題有極強(qiáng)的映射能力和容錯性[16]?；诜聪騻鞑ニ惴ǎ˙P）的神經(jīng)網(wǎng)絡(luò)作為ANN重要組成部分，在涉及多種非線性因素建模時，相對于傳統(tǒng)的反應(yīng)機(jī)理建模顯示出巨大的優(yōu)勢[17]。基于Keras框架搭建模型1：輸入層—3個隱藏層（8）—輸出層（6）以及模型2：輸入層—3個隱藏層（16）—輸出層（6）的全連接反向傳播神經(jīng)網(wǎng)絡(luò)模型見圖2，使用Sgd隨機(jī)梯度下降法學(xué)習(xí)率為0.05，隱藏層均采用rule激活函數(shù)。面對多分類問題將輸出層激活函數(shù)設(shè)置為softmax，每批次輸入數(shù)據(jù)尺寸為100，損失函數(shù)為交叉熵（CrossEntropy Loss），設(shè)置訓(xùn)練迭代次數(shù)為10 000次。

2 結(jié)果與分析

使用Python語言和Keras框架分別建立了模型1：3個隱藏層（8）—輸出層（6），以及模型2：3個隱藏層（16）—輸出層（6）的神經(jīng)網(wǎng)絡(luò)模型，將通過不同方法預(yù)處理后的數(shù)據(jù)輸入模型訓(xùn)練得到結(jié)果如圖3所示。

分析可知，通過標(biāo)準(zhǔn)化（SS）預(yù)處理后的數(shù)據(jù)在模型1中準(zhǔn)確率達(dá)到了100%，而在模型2中經(jīng)最大最小歸一化（MMS）和標(biāo)準(zhǔn)化（SS）方法預(yù)處理后的數(shù)據(jù)測試結(jié)果準(zhǔn)確度均能達(dá)到100%，證實(shí)了該方法的有效性。

3 結(jié)論

通過對自采的6種不同枸杞子品種的光譜數(shù)據(jù)進(jìn)行7種不同方法預(yù)處理后分別輸入復(fù)雜度不同的兩個Keras搭建的神經(jīng)網(wǎng)絡(luò)模型，最終模型對枸杞品種的鑒別準(zhǔn)確度達(dá)到100%，能夠滿足枸杞品種鑒別的實(shí)際需求。通過SS和MMS兩種預(yù)處理方法均能增大不同品種之間光譜圖的差異，有效提高了近紅外光譜預(yù)測模型的準(zhǔn)確性和魯棒性，為快速無損檢測枸杞品種提供了一種新方法。

參考文獻(xiàn)

[1]逄春梅，李艷萍.枸杞中功能性成分的研究進(jìn)展[J].食品界，2023（4）：116-118.

[2]開建榮，李彩虹，趙丹青，等.寧夏不同地區(qū)不同品種枸杞中元素含量差異分析[J].食品與發(fā)酵工業(yè)，2020，46（7）：257-264.

[3]王秀芬，李靜，方光明，等.枸杞子質(zhì)量評價研究進(jìn)展[J].中國醫(yī)藥導(dǎo)報，2020，17（22）：46-49.

[4]王益民，張珂，許飛華，等.不同品種枸杞子營養(yǎng)成分分析及評價[J].食品科學(xué)，2014，35（1）：34-38.

[5]LIU E J，XIA M Q，BAI J，et al.Chemical characterization and 5α-reductase inhibitory activity of phenolic compounds in goji berries[J].Journal of Pharmaceutical and Biomedical Analysis，2021，201：114119.

[6]孫紅亮.11種枸杞子總黃酮和總硒含量分析[J].分子植物育種，2022，20（18）：6177-6186.

[7]祿璐，閆亞美，米佳，等.枸杞原漿品質(zhì)分析與評價標(biāo)準(zhǔn)構(gòu)建[J].食品工業(yè)科技，2022，43（21）：271-281.

[8]蔣蘭，楊毅，江榮高.枸杞的藥理作用及其加工現(xiàn)狀[J].食品工業(yè)科技，2018，39（14）：330-334.

[9]許引虎，謝再斌，楊萌，等.枸杞果酒釀造工藝的研究進(jìn)展[J].釀酒科技，2023（1）：117-122.

[10]吉德娟，張得芳，王占林，等.有機(jī)栽培下枸杞果實(shí)中營養(yǎng)成分的含量特征[J].青海大學(xué)學(xué)報，2022，40（5）：41-46.

[11]RAHMAWATI L，PAHLAWAN M F R，HARIADI H，et al.Detection of encapsulant addition in butterfly-pea （Clitoria ternatea L.） extract powder using visible–near-infrared spectroscopy and chemometrics analysis[J].Open Agriculture，2022，7（1）：711-723.

[12]ZHU X F，ZHANG C Y，HAO Y J，et al.Effects of corn stover mulch quantity on mid-infrared spectroscopy of soil organic carbon in a no-tillage agricultural ecosystem[J].The Journal of Applied Ecology，2021，32（8）：2685-2692.

[13]劉志雄，潘媛媛.基于Keras的LSTM模型的心肌梗死患者發(fā)病預(yù)測[J].電腦知識與技術(shù)，2022，18（23）：68-70.

[14]蔡默晗，劉晨煜，張辛沅.基于Keras神經(jīng)網(wǎng)絡(luò)模型的車道線識別技術(shù)研究[J].現(xiàn)代計算機(jī)，2022，28（13）：76-78.

[15]儲匯，宋陳，汪晨燦.基于Keras卷積神經(jīng)網(wǎng)絡(luò)的多人臉識別抗干擾研究[J].洛陽理工學(xué)院學(xué)報（自然科學(xué)版），2022，32（1）：62-67.

[16]REN R，LI X M，LI Z，et al.Projected change in precipitation forms in the chinese tianshan mountains based on the back propagation neural network model[J].Journal of Mountain Science，2022，19（3）：689-703.

[17]蔡月芹，趙文杰，王雪.基于近紅外光譜技術(shù)的玉米品種鑒別方法研究[J].江蘇科技信息，2019，36（21）：36-38.