彭彥昆 霍道玉 左杰文 孫 晨 胡黎明 王亞麗
(1.中國農(nóng)業(yè)大學工學院, 北京 100083; 2.國家農(nóng)產(chǎn)品加工技術裝備研發(fā)分中心, 北京 100083)
我國是豆類生產(chǎn)和消費大國,隨著人們生活水平的提高,對豆類品質(zhì)提出了更高的要求[1]。我國是傳統(tǒng)的農(nóng)業(yè)大國,豆類產(chǎn)業(yè)在我國經(jīng)濟領域占有重要地位[2]。豆類主要分為大豆和雜豆。蛋白質(zhì)和脂肪含量是衡量大豆品質(zhì)的兩個重要指標[3],蛋白質(zhì)和淀粉含量是衡量雜豆品質(zhì)的重要指標[4],我國大豆國家標準(GB 1352—2009)中規(guī)定了高油大豆的粗脂肪含量等級標準和高蛋白大豆的蛋白質(zhì)含量等級標準,對于不同等級的大豆收購價格不同。因此,研究豆類品質(zhì)快速、無損檢測方法及便攜式裝置具有重要意義。
可見/近紅外光譜技術具有無損、操作簡單、處理量大、客觀準確、快速無污染等優(yōu)點[5],已被廣泛用于大豆[6-7]、玉米[8-9]、小麥[10-11]、大米[12-13]等糧食作物的品質(zhì)檢測中。
國內(nèi)外豆類品質(zhì)成分含量無損檢測研究中,文獻[14]設計了基于光譜特征波長的便攜式大豆粗脂肪含量檢測系統(tǒng),采用模塊化設計并制作了裝置。采用該系統(tǒng)對48個樣本進行數(shù)據(jù)采集并建立模型,其校正集相關系數(shù)為0.809 3,交叉驗證均方根誤差為1.251 8,預測集相關系數(shù)為0.798 6,均方根誤差為1.301 3,預測效果尚有待提升。文獻[7]以迅捷光遠科技有限公司IAS-2000型便攜式近紅外光譜儀對大豆蛋白含量開展研究,通過間隔偏最小二乘法建立模型,校正集相關系數(shù)為0.962,交叉驗證均方根誤差為0.396,驗證集相關系數(shù)為0.954,均方根誤差為0.498,建模效果較好,但其功能單一,不能檢測其它豆類品質(zhì)。丹麥福斯公司開發(fā)的近紅外谷物分析儀能測量多種豆類及其指標,但體積及重量較大,不適合攜帶到現(xiàn)場進行實時檢測。另外,這些研究對檢測后的數(shù)據(jù)沒有系統(tǒng)化管理,缺少對數(shù)據(jù)的再次利用,沒有對各地區(qū)豆類品質(zhì)情況進行統(tǒng)計分析以及監(jiān)控。物聯(lián)網(wǎng)技術是通過各種信息傳感設備,實現(xiàn)物和物之間信息交換的一種網(wǎng)絡技術[15-16],近年來廣泛應用于農(nóng)產(chǎn)品檢測行業(yè)中。因此,綜合利用光譜檢測技術和物聯(lián)網(wǎng)技術,在實現(xiàn)豆類樣品檢測的基礎上完成對其品質(zhì)的實時監(jiān)控。
本文擬開發(fā)便攜式豆類主要品質(zhì)智能檢測裝置,通過提出的旋轉(zhuǎn)一周間歇采集多次光譜求平均值分析方法,進一步提高設備檢測性能。以黃豆為研究對象建立蛋白質(zhì)、粗脂肪、淀粉質(zhì)量分數(shù)預測模型,并驗證裝置的穩(wěn)定性和準確性。基于物聯(lián)網(wǎng)技術編寫豆類品質(zhì)實時監(jiān)控系統(tǒng),以實現(xiàn)對各地區(qū)豆類情況實時監(jiān)控。
基于可見/近紅外光譜儀,開發(fā)了豆類主要品質(zhì)智能檢測裝置,主要包括控制單元、光源單元、散熱單元、顯示單元、機械結(jié)構(gòu)單元等,裝置的工作原理圖如圖1所示??刂茊卧撠熆刂菩D(zhuǎn)機構(gòu)轉(zhuǎn)動和光譜儀信號采集;光源單元負責發(fā)出穩(wěn)定強度的光;散熱單元負責裝置的整體散熱,防止出現(xiàn)過熱的情況;顯示單元負責顯示采集的豆類數(shù)據(jù)情況;機械結(jié)構(gòu)單元負責裝置旋轉(zhuǎn)一定的角度。
圖1 豆類主要品質(zhì)檢測裝置原理圖
本單元由光譜儀、微型計算機、單片機、步進電機驅(qū)動器等組成。其中光譜儀是整個裝置的核心部件,其性能對整個裝置的檢測結(jié)果起決定性的因素。由于豆類是顆粒狀物質(zhì),相比于透射方式,反射光譜信號強度較好,本裝置采用近紅外光譜漫反射的方式,如圖2所示。
圖2 采集方式示意圖
豆類的蛋白質(zhì)、粗脂肪、淀粉等成分吸收波段主要集中在長波近紅外區(qū)域[17],故所選光譜儀為濱松C14486GA微型光譜儀,波長范圍和穩(wěn)定性可滿足豆類品質(zhì)定量分析,且尺寸小、重量輕,設備穩(wěn)定,對外部環(huán)境要求不高,符合二次開發(fā)的要求,光譜儀具體參數(shù)如表1所示。
表1 C14486GA微型光譜儀參數(shù)
微型計算機選用WalkFish公司的M1K_J4125型迷你主機,其CPU為四核處理器,運行內(nèi)存為8 GB,且尺寸僅有135 mm×45 mm×15 mm,質(zhì)量僅有85 g,可供自行編寫的C/C++軟件程序運行。
單片機采用尺寸小巧的Arduino NodeMC-U,與步進電機驅(qū)動器相連作為旋轉(zhuǎn)機構(gòu)內(nèi)步進電機的控制器。
為方便用戶使用本裝置,不用鼠標便可檢測豆類品質(zhì)情況,采用可供觸摸控制的5英寸液晶顯示屏,尺寸為121 mm×95 mm×10 mm,質(zhì)量為259 g,微型計算機通過HDMI線連接顯示屏并負責顯示屏的供電。
旋轉(zhuǎn)機構(gòu)內(nèi)部由步進電機(步距角1.8°)、大小齒輪、支撐架、光譜采集模塊等硬件組成,其結(jié)構(gòu)如圖3所示。通過步進電機控制小齒輪帶動大齒輪轉(zhuǎn)動,進而帶動樣品杯轉(zhuǎn)動。
圖3 旋轉(zhuǎn)機構(gòu)結(jié)構(gòu)圖
光源單元由6個鹵素燈、反光杯和光纖組成,鹵素燈光源光譜波段為300~2 600 nm,覆蓋了可見/近紅外光譜的波段,為本裝置提供穩(wěn)定強度的光源,其結(jié)構(gòu)示意圖如圖4所示。
圖4 光源結(jié)構(gòu)示意圖
殼體合理設計有助于內(nèi)部零部件空間分配,減小不必要的空間,還可以對內(nèi)部部件起保護支撐的作用。檢測裝置整體結(jié)構(gòu)采用SolidWorks軟件設計,其外觀結(jié)構(gòu)如圖5所示,整機尺寸為230 mm×225 mm×145 mm,質(zhì)量為3.1 kg,其外部由微型液晶顯示屏、風扇、鋁合金外殼等組成。在操作時,樣品杯內(nèi)盛滿被測豆類樣品并將其壓實,放在裝置上側(cè)進行檢測。
圖5 豆類主要品質(zhì)檢測裝置圖
本文選用黃豆建立模型,從我國淮北地區(qū)選取5個廣泛種植的黃豆品種,其名稱分別為“中黃57”、“菏豆33”、“菏豆12”、“中黃13”和“中黃37”。按照GB 5491-85進行取樣,每個品種制備16個樣品,每個樣品100 g,共80個樣本,將其分裝于封口塑料袋中,編號保存于4℃的冰箱中。本文中校正集與預測集按照3∶1進行分組,校正集60個樣本,預測集20個樣本。黃豆蛋白質(zhì)含量標準理化值依據(jù)文獻[18]所規(guī)定的凱氏定氮法進行測量;粗脂肪含量標準理化值依據(jù)文獻[19]所規(guī)定的索氏抽提法進行測量;淀粉含量標準理化值依據(jù)文獻[20]規(guī)定的酸水解法進行測量。對每個樣本測量3次,最終結(jié)果為3次測量的平均值。
由于豆類屬于顆粒狀物質(zhì),顆粒之間有間隙,從而影響裝置的穩(wěn)定性以及準確性,因此,在采集豆類近紅外光譜時,采集過程中分為靜態(tài)采集1次以及裝置旋轉(zhuǎn)一周采集樣本2、4、6、8、10、12、14、16、18、20次光譜求平均值。由于本裝置采用步進電機,故可以根據(jù)步進角來決定旋轉(zhuǎn)角度,將樣品杯一周360°進行等分,并累加初始角度。裝置旋轉(zhuǎn)到進行靜態(tài)采集的角度如表2所示。為減少采集過程中的不穩(wěn)定性等因素,裝置采用的是旋轉(zhuǎn)間歇靜態(tài)采集被測豆類樣品的光譜。初始采集角度計算公式為
表2 旋轉(zhuǎn)角度
(1)
式中n——光譜采集次數(shù),取2、4、…、20
An——初始采集角度,(°)
本裝置檢測豆類品質(zhì)含量基于漫反射光譜,其反射率計算公式[21]為
(2)
式中R——光譜反射率,%
Ib——黑參考光譜反射強度,cd
Iw——白參考光譜反射強度,cd
Is——樣本光譜反射強度,cd
受豆類顆粒不均勻的影響,反射到光纖中的光譜會發(fā)生變化,不同豆類各取30個樣本,對同一樣本采用不同采集次數(shù)重復測量20次,在每次重復測量時需要將樣品倒出再裝入樣品杯并壓實,避免每次重復測量時底部豆類形態(tài)一致的情況,影響裝置的測量準確度,分析重復測量所有樣本原始光譜反射率的變異系數(shù),得出最低光譜變異系數(shù)對應的采集光譜次數(shù)。
由于光散射會影響近紅外光譜,而且隨機噪聲、裝置加工誤差以及測樣條件不同會對裝置效果產(chǎn)生影響[22],因此需要采用預處理來消除原始光譜中的噪聲信號,提高光譜的信噪比[23]。本文采用6種預處理方式,分別為多元散射校正(Multiplicative correction,MSC)、標準正態(tài)變量變換(Standard normal variate,SNV)、歸一化(Normalize, Nor)、S-G平滑結(jié)合標準正態(tài)能量變換(SG-SNV)、S-G平滑結(jié)合多元散射校正(SG-MSC)、S-G平滑結(jié)合歸一化(SG-Nor)[24]。通過對比不同光譜預處理方式對所建立的偏最小二乘模型結(jié)果的影響,得出適合該研究的最優(yōu)預處理方式。采用校正集相關系數(shù)Rc、校正集均方根誤差(Root mean square error of calibration,RMSEC)、預測集相關系數(shù)Rp、預測集均方根誤差(Root mean square error of prediction,RMSEP)對光譜預測模型進行評價[25]。本文分析過程均在Matlab R2016b中完成。
在本研究中,測得的黃豆樣本品質(zhì)成分含量見表3。
表3 黃豆樣本品質(zhì)含量檢測結(jié)果
對于黃豆各品質(zhì)校正集含量范圍均包括了預測集含量范圍,為建立模型提供了有利條件[25]。
針對諧振式光學陀螺信號檢測系統(tǒng)對鎖相放大器中低通濾波器提出的40 MHz采樣率、低截止頻率及其調(diào)節(jié)的便捷性和階數(shù)可調(diào)的要求,通過簡化算法,設計了慣性低通數(shù)字濾波器可滿足以上需求。
在光譜采集之前,打開光譜儀與光源先預熱 30 min,保證光源以及光譜儀的穩(wěn)定性。各取30個不同尺寸的黃豆、紅豆、黑豆、綠豆樣本,對同一樣本重復采集20次,以30個樣本全波段光譜變異系數(shù)平均值來衡量采集光譜的穩(wěn)定性,結(jié)果如表4所示。
表4 不同采集次數(shù)光譜變異系數(shù)
從表4中可以看出,由于豆類顆粒大小不同,其全光譜的變異系數(shù)平均值也不同,使用相機拍攝的4種豆類圖像如圖6所示。
圖6 不同豆類大小對比
在上述豆類中,黑豆尺寸最大,裝入樣品杯測量時黑豆與黑豆之間的間隙較大,使得黑豆的變異系數(shù)相較其它3種豆高,采集1次光譜的變異系數(shù)為4.479%,最不穩(wěn)定,隨著采集次數(shù)的增加,黑豆變異系數(shù)逐漸減小,采集16次以上光譜求平均值得到的光譜變異系數(shù)變化不大,考慮節(jié)省采集時間,選取16次為黑豆采集次數(shù);黃豆尺寸次之,采集1次光譜變異系數(shù)為4.416%,在采集16次光譜之后變異系數(shù)變化不大,選取16次為黃豆的光譜采集次數(shù);紅豆尺寸比黃豆小,采集1次光譜變異系數(shù)為3.735%,在采集14次光譜之后變異系數(shù)變化不大,選取14次為紅豆的光譜采集次數(shù);綠豆尺寸最小,采集1次光譜變異系數(shù)為3.271%,在采集8次光譜之后變異系數(shù)變化不大,而且其變異系數(shù)是所有豆類中最小的,選取8次為綠豆的光譜采集次數(shù)。顆粒尺寸越小,其光譜變異系數(shù)也就越小,分析其原因是因為顆粒越小,豆與豆之間間隙也就越小,減弱了光的散射,所以其光譜穩(wěn)定性就越好。
對劃分了校正集和預測集的黃豆樣品,采集其光譜與內(nèi)部品質(zhì)成分含量測量值建立偏最小二乘(Partial least squares,PLS)關系模型,進一步分析預測效果。表5為經(jīng)過不同預處理方式得到的光譜數(shù)據(jù)PLS建模結(jié)果,可以看出,經(jīng)過預處理后的模型相比于原始光譜得到了改善,分析其原因可能是因為預處理消除或降低了原始光譜噪聲對數(shù)據(jù)的影響。在所建立的模型中,蛋白質(zhì)、粗脂肪、淀粉質(zhì)量分數(shù)模型分別經(jīng)過SG-MSC、SNV、SNV預處理后優(yōu)于其余預處理方法,原因可能是因為其它預處理方式引入了無關因素對數(shù)據(jù)產(chǎn)生影響,其最佳預測集相關系數(shù)Rp分別為0.974 6、0.950 5、0.960 7,均方根誤差(RMSEP)分別為0.249%、0.572%、0.623%。
表5 黃豆蛋白質(zhì)、脂肪、淀粉含量全波長PLS建模結(jié)果
為方便用戶查看被檢豆類品質(zhì)參數(shù),設計實時分析軟件,可供用戶實時查看檢測數(shù)據(jù)。基于MFC框架編寫了豆類品質(zhì)檢測裝置實時分析軟件,該軟件分為參數(shù)設置、檢測控制、光譜顯示和檢測結(jié)果顯示4部分。參數(shù)設置部分可以設置裝置的積分時間以及采集裝置黑白參考;檢測控制部分可以控制旋轉(zhuǎn)機構(gòu)進行旋轉(zhuǎn)和光譜儀采集光譜;光譜顯示部分可以將采集的黑白參考以及被測豆的光譜顯示出來;結(jié)果顯示部分是將預處理后的預測值顯示在屏幕上。
將建立的豆類各品質(zhì)參數(shù)最佳預測模型數(shù)據(jù)導入到txt文件中,軟件在執(zhí)行過程中會將txt文件中模型數(shù)據(jù)轉(zhuǎn)成數(shù)組格式加載在計算機內(nèi)存中,在采集過程中,軟件自動對光譜進行預處理并代入提前植入的模型中預測豆類主要品質(zhì)含量,樣品的最終檢測結(jié)果會顯示在如圖7所示的軟件界面上,其執(zhí)行流程如圖8所示。
圖7 豆類品質(zhì)成分含量檢測軟件界面
圖8 軟件工作流程圖
選擇40個新的黃豆樣品(參照國家標準方法測定出黃豆粗脂肪、蛋白質(zhì)、淀粉質(zhì)量分數(shù)分別為15.86%~22.02%、38.63%~41.70%、10.60%~17.28%),對其進行試驗驗證,驗證效果通過獨立相關系數(shù)Ri,獨立驗證均方根誤差來評價裝置的穩(wěn)定性和準確性。最終驗證結(jié)果如表6所示。
表6 獨立驗證試驗結(jié)果
黃豆各品質(zhì)實測值與預測值散點圖如圖9所示。為測試裝置的穩(wěn)定性,每個樣品重復檢測20次,以20次檢測結(jié)果的平均偏差衡量裝置的穩(wěn)定性,40個樣品使用上述模型測量20次蛋白質(zhì)、粗脂肪、淀粉質(zhì)量分數(shù)的平均偏差分別為0.409%、0.623%、0.637%,各參數(shù)重復測量20次變異系數(shù)分別為1.257%、0.896%、0.964%。結(jié)果表明,此裝置對測量豆類品質(zhì)含量具有良好的檢測精度和穩(wěn)定性。
圖9 裝置測試結(jié)果散點圖
為方便豆類收購商了解各地區(qū)豆類品質(zhì)成分含量狀況以及時收購和客戶更新模型數(shù)據(jù)信息,基于Web開發(fā)中的B/S架構(gòu),使用Tomcat作為Web端服務器,前后端采用基于Java語言的若依開源框架,開發(fā)了豆類品質(zhì)網(wǎng)絡監(jiān)控系統(tǒng),將此系統(tǒng)和MySQL數(shù)據(jù)庫部署在阿里云服務器上。
本系統(tǒng)主要由用戶角色和管理角色組成,其組成結(jié)構(gòu)如圖10所示。
圖10 豆類品質(zhì)監(jiān)控系統(tǒng)功能結(jié)構(gòu)框圖
用戶角色主要包括用戶登錄、裝置模型下載、模型模糊查詢的功能,如圖11所示。
圖11 用戶角色界面
管理員角色可登錄此系統(tǒng)、模型上傳、查看各地區(qū)豆類主要品質(zhì)成分含量數(shù)據(jù)、數(shù)據(jù)導出至Excel表格以及對用戶角色進行管理的功能,如圖12所示。管理員角色還可以給用戶設置不同的訪問權(quán)限,兩者之間的界面功能是不相同的。
圖12 管理角色界面
(1)為改善在豆類顆粒品質(zhì)分析檢測過程中受顆粒度、表面不均勻的影響,提高豆類主要品質(zhì)測定中的準確性及穩(wěn)定性,本文開發(fā)了一種旋轉(zhuǎn)式采集光譜的裝置,主要包括控制單元、光源單元、散熱單元、顯示單元、機械結(jié)構(gòu)單元等。
(2)基于所設計的豆類品質(zhì)含量無損檢測裝置,對選取豆類樣品重復采集20次,在裝置旋轉(zhuǎn)采集過程中,隨著采集次數(shù)的增加,其光譜變異系數(shù)平均值逐漸減小直至平穩(wěn),黑豆采集16次、黃豆16次、紅豆14次、綠豆8次以上光譜變化不大。以黃豆為例,對其品質(zhì)參數(shù)建立PLS模型,結(jié)果表明,蛋白質(zhì)、粗脂肪、淀粉質(zhì)量分數(shù)預測的模型最優(yōu)預處理方式分別為SG-MSC、SNV、SNV,其預測集相關系數(shù)Rp分別為0.974 6、0.950 5、0.960 7,均方根誤差分別為0.249%、0.572%、0.623%。
(3)基于MFC開發(fā)工具,采用C/C++語言編寫了豆類檢測軟件,實現(xiàn)快速檢測豆類主要品質(zhì)含量的“一鍵式操作”。另外,檢測軟件可填入被檢豆類品種與地區(qū),通過軟件中的“檢測”按鈕自動上傳至云端MySQL數(shù)據(jù)庫。
(4)取40個新黃豆樣品對所建立的各品質(zhì)參數(shù)最佳預測模型進行驗證,蛋白質(zhì)、粗脂肪、淀粉質(zhì)量分數(shù)的獨立驗證相關系數(shù)Ri分別為0.941 1、0.943 9、0.933 4,獨立驗證均方根誤差分別為0.465%、0.604%、0.673%,重復測量20次的平均偏差分別為0.409%、0.623%、0.637%,各參數(shù)重復測量20次變異系數(shù)分別為1.257%、0.896%、0.964%。
(5)基于若依開發(fā)框架,采用Java語言編寫網(wǎng)絡監(jiān)控系統(tǒng),管理端可通過此系統(tǒng)監(jiān)控各地區(qū)豆類品質(zhì)情況;用戶端可從系統(tǒng)中下載或更新所需檢測的豆類具體品種模型。