基于多模型融合的干燥過程中毛豆含水率、顏色高光譜圖像無損檢測

趙偉彥,黃 敏,朱啟兵

(江南大學 輕工過程先進控制教育部重點實驗室,江蘇無錫 214122)

?

基于多模型融合的干燥過程中毛豆含水率、顏色高光譜圖像無損檢測

趙偉彥,黃 敏*,朱啟兵

(江南大學 輕工過程先進控制教育部重點實驗室,江蘇無錫 214122)

毛豆的顏色和含水率是反映毛豆品質的兩個重要參數,本文報道了一種利用多模型融合方法提高干燥過程中毛豆顏色和含水率高光譜圖像無損檢測精度的方法。該方法利用平均值,熵,相對散度,標準差等特征實現對高光譜圖像的特征提取;并分別利用這四類特征建立毛豆顏色、含水率的偏最小二乘預測子模型;最終通過對各預測子模型的加權融合獲得最終的預測結果,達到提高干燥過程中毛豆顏色和含水率無損檢測精度的目的。相比于單特征模型,多模型融合后的顏色預測均方根誤差RMSEP降低了4.3%;含水率的預測均方根誤差RMSEP降低了7.7%。T統計檢驗表明:融合模型性能顯著地優于單一特征模型。

干燥毛豆,多模型融合,高光譜圖像技術,干燥過程

毛豆又名菜用大豆、枝豆,是以幼嫩莢果和豆粒作為蔬菜食用的一種大豆,由于其兼具營養與保健雙重功能[1-2],深受國內外消費者的青睞。為了提高毛豆的經濟價值和延長毛豆的儲藏期和貨架期,生產廠家常通過干燥的方式將毛豆脫水預處理或制成具有獨特風味的休閑食品。毛豆的顏色和含水率是反映干燥后毛豆品質的兩個重要參數,也是判斷干燥工藝參數設定合理性與否的重要標準[3]。傳統的毛豆顏色檢測方法是用測色色差計進行接觸式測量,其測量精度受色差計與測試樣本的接觸面積等因素的較大影響,為了減少測量誤差,通常需要進行對同一測試樣本的多次重復測量[4-5]。含水率的測量通常采用烘箱烘干或者費舍爾滴定的破壞性測量方法,無法實現全樣本測量[6]。由于上述測量方法無法實現顏色和含水率參數的同時測量,存在著費時費力的缺點。近年來,利用近紅外光譜技術、高光譜圖像技術等進行農產品顏色、水分等內部品質指標的快速無損檢測方法被廣泛的研究和報道[7-9]。

高光譜圖像技術是一種結合了圖像和光譜兩種技術優勢為一體的無損檢測新方法,其在農產品品質無損檢測技術中的應用得到了廣泛的研究報道[10-14]。利用高光譜圖像進行農產品無損檢測時,其檢測精度依賴于高光譜圖像的特征提取和檢測模型的設計。目前常用的方法是通過對不同特征的建模精度進行比較,從而選擇具有較好建模精度的子特征集合作為預測模型的輸入特征,并建立其與對應品質的無損檢測模型。由于受樣本收集范圍的限制,這一方法往往導致預測模型的泛化能力難以保證。信息融合方法是提高預測(分類)模型性能的一種有效方法,其基本思想是利用計算機技術將來自多傳感器或多源的觀測信息進行分析、綜合處理,從而得到被測目標的決策和估計值。相比于單一傳感器或者單源信息,信息融合方法通過對信息多級別、多方面組合導出更多有用信息,從而提高了對被測目標的決策和估計精度[15]。由于信息融合的諸多優點使其在農產品無損檢測方面得到越來越廣泛的應用,國內外學者對此做了大量的研究并取得了很多成果[16-18]。本文以干燥過程中毛豆顏色、含水率的高精度無損檢測為目標,比較了不同高光譜圖像特征條件下,毛豆顏色、含水率檢測模型的精度;在此基礎上,引入多模型融合思想,達到提高干燥過程中毛豆顏色和含水率多指標同步高精度無損檢測的目的。

1 材料和方法

1.1 材料與儀器

本實驗所用毛豆樣本采購于浙江省慈溪市海通食品有限公司的毛豆種植基地,毛豆的品種是75-3,成熟度為8.5至9成之間。新鮮毛豆經過清洗、去皮、漂燙后,放入溫度4℃、濕度為95%的冷藏庫內保存,以備下一步實驗使用,保存時間不超過3d。漂燙方式采用電磁爐加熱。采用脈沖噴動微波真空干燥(PSMVD)設備對毛豆進行干燥,該實驗裝置脈沖噴動系統帶有一套空氣處理裝置及空氣流量調節與分配裝置,空氣處理量為1m3/min。熱量供給系統由微波提供熱量,微波的輸出功率能夠在0～0.8kW連續調整。真空系統采用水環式真空泵,冷卻器溫度范圍在-15～10℃。干燥倉內壓力可以在3.5～100kPa內調節[19]。

在本實驗中,脈沖噴動的頻率設置為噴動間隔時間為1s,每次噴動時間維持3s。干燥倉內真空壓力波動范圍設定在(9±1)kPa,功率為516W,每次干燥毛豆樣本質量為(200±0.5)g,干燥時間分別為10、20、30、40、50、60、70和80min,每個干燥時間實驗重復3次。

1.2 高光譜反射圖像采集系統

實驗中使用高光譜反射圖像采集系統如圖1所示。該系統主要包括高光譜成像單元,光源系統、樣本輸送平臺和裝有圖像采集卡的PC機組成。其中高光譜成像單元由CCD攝像機(pixelfly QE IC*285AL,Cooke,USA)和圖像光譜儀(1003A-10140 HyperspcTM VNIR C-Series,Headwall Photonics Inc.,USA)兩部分組成;光源系統為150W的直流鹵素燈(3250K,Techniquip,USA),為了在圖像不失真的前提下獲得最佳的圖像采集效果,在圖像采集之前需要對高光譜成像系統進行校正和調試,確定出最佳系統參數如下:圖像采集的曝光時間為250ms,物距25cm,線掃描步長80μm,掃描寬度50mm,binning為10,即實際波段間隔為6.44nm,在400～1000nm波長范圍內共獲得94個波段。采集結束時得到大小為1392×625×94的圖像立方體。圖像采集時將干燥毛豆樣本每10個為一組按兩排排放到20cm×20cm的黑色載物板上,垂直放到高光譜掃描單元的下方,為了減弱外部光源的干擾整個采集過程在密閉黑箱中進行。每6組樣本測量后,采集1次白板和暗電流圖像,以用于圖像校正。

圖1 高光譜反射圖像采集系統Fig.1 Schematic of the hyperspectral reflectance imaging system

1.3 標準值測量

在本實驗研究中,毛豆顏色采用CR-400色差計(Konica Minolta Sensing,Inc.,Japan)進行測量[20],用色差(ΔE)來描述干燥過程中的樣本顏色的變化,其計算公式如(1)所示。

式(1)

含水率測量采用國標(GB/T8858-88)的烘箱方法[21]。將樣本放置在105℃的烘箱(Binder FED,Berlin,Germany)干燥到恒定質量(大約7～8h)后,利用精度為0.0001g分析天平(漢平FA1104,上海,中國)獲得干燥前后的質量,按照公式(2)計算得到毛豆的含水量MC。

式(2)

式中；mt為烘箱干燥前的毛豆質量;md為烘箱干燥后的干物質質量。

在本實驗中,共得到234個毛豆顏色樣本(0～80min共9類干燥時間,每類26個樣本左右)和272個毛豆含水率樣本(0～80min共9類干燥時間,每類30個樣本左右)。

1.4 數據分析

1.4.1 高光譜圖像數據預處理 為了減少光源波動和噪聲的影響,原始毛豆高光譜圖像通過公式(3)校正:

式(3)

其TR為校正后的干燥毛豆的相對反射圖像,TA、TG、TD分別是樣本的反射圖像、白板圖像和CCD檢測器的暗電流圖像。后期所有的分析都在校正后的圖像TR的基礎上進行。

1.4.2 毛豆豆粒的高光譜圖像特征提取 首先在718.2nm波段下利用自適應閾值法[22]提取干燥后毛豆輪廓,并進行必要的膨脹、腐蝕、開、閉運算以減少微小的裂紋。在此之后,將718.2nm波段下提取到的毛豆輪廓投射到其它波段,作為對應波段下毛豆的輪廓圖像,分別在400～1000nm共94個波段下提取毛豆輪廓范圍內的平均值(Mean Value,MV),熵值(Entropy Value,EV),相對散度(Relative Divergence,RD)以及標準差(Standard Deviation,SD)四類特征。這四類特征中平均值和標準差主要用于提取圖像的光譜信息,而熵值和相對散度主要反映了圖像的紋理特征信息。我們的先期研究表明,上述四類特征的綜合使用,可基本保證高光譜圖像信息的充分挖掘,為后續的預測模型構建提供充分的信息保證。各特征的表達式分別如式(4)～式(7)所示。

平均值計算公式:

式(4)

熵值計算公式:

式(5)

標準差計算公式:

式(6)

相對散度計算公式:

式(7)

1.4.3 用于毛豆顏色和含水率預測的多模型融合方法 傳統的農產品品質無損檢測主要采用單一模型的建模方法,單一模型方法的模型精度嚴重依賴于模型輸入特征變量的選擇。為了獲得高的預測精度,通常需要利用各種算法對各類特征的建模性能比較選擇,這一過程繁瑣費時。更為嚴重的是,這些選擇方法多是依賴于對已有建模樣本精度評價的基礎,當測試樣本發生變化時,容易導致模型預測能力的下降。

式(8)

其中:Yi是指第i個PLS子模型的預測輸出;是指第i個PLS子模型的訓練集的相關系數。

圖2 多模型融合示意圖Fig.2 Schematic of multiple model fusion

1.4.4 訓練、測試樣本劃分及模型性能評價 在建立預測模型之前,需要將總體樣本(232個毛豆顏色樣本和272個毛豆含水率樣本)劃分為訓練和測試樣本集合。其中訓練集合用于建立標準值的預測模型,測試集用于檢驗模型。本文對每種干燥時間條件下(0～80min,步長為10min,共9類干燥時間的含水率和顏色)的樣本進行隨機取樣,抽取3/4樣本組成訓練集,剩余樣本構成測試集。在建立PLS模型時,模型的潛在變量個數采用留一法交叉驗證誤差確定。采用測試集樣本的均方根誤差RMSEP和相關系數Rp作為評價模型性能的指標。RMSEP越小,Rp越高,模型的性能越好。考慮到模型的性能會隨著訓練集、測試集樣本的變化而變化,為了更好地評價模型性能,上述隨機取樣、建模過程被重復10次。取10次的RMSEP、Rp平均值作為最終的指標。同時為了更好地比較不同模型的性能,成對T檢驗也被用于對不同建模方法的性能比較。

2 結果與分析

2.1 四種特征的特征曲線

圖3～圖6給出了不同干燥時間情況下的平均值、相對散度、熵值和標準差四種特征的樣本平均曲線。由四個特征曲線圖可知在430nm和660nm附近形成吸收峰,這是由于葉綠素a和葉綠素b的吸收造成的。除了熵值特征曲線,其它三類特征都在970nm左右出現水分吸收峰。

表1 干燥后毛豆顏色預測結果Table 1 The prediction results of dried soybean’s color

圖3 光譜平均值特征曲線Fig.3 The profile of mean spectra

圖4 相對散度的特征曲線Fig.4 The profile of relative divergence

圖5 熵的特征曲線Fig.5 The profile of entropy value

圖6 標準差的特征曲線Fig.6 The profile of standard deviation

注:帶A表示該模型對單一特征模型有顯著性，表2同。2.2 干燥后毛豆顏色預測結果

表1給出了利用單特征PLS模型、多特征集成PLS模型(不同類型的特征串聯作為PLS模型的輸入)和多模型融合方法得到的干燥后毛豆顏色預測結果。從表中可以看出:利用單一特征進行建模,平均值特征取得測試集均方根誤差RMSEP 0.987的最佳精度;而熵值特征的精度最差,其RMSEP為1.087。當采用多特征集成方式時,MV、EV、RD和SD四個特征的集成獲得的精度最高,其RMSEP為0.989。當采用多模型融合方法時,采用MV、EV、RD和SD四個特征構成的多模型得到了最佳的精度。對10次隨機的預測集樣本均方根誤差的成對檢驗表明:相比于單特征PLS模型,采用多特征集成的PLS模型對毛豆顏色的預測性能并無顯著性提高;而采用4個特征的PLS子模型融合的方法要顯著地優于單一特征和多特征集成模型。與前期文獻[9](Rp=0.862,RMSEP=1.04)相比,多模型的預測結果均有所改善和提高。這是由于通過對信息多級別、多方面融合挖掘出更多有用信息,提高預測效果。

2.3 干燥后毛豆含水率預測結果

表2給出了利用單特征PLS模型、多特征集成PLS模型(不同類型的特征串聯作為PLS模型的輸入)和多模型融合方法得到的干燥后毛豆含水率預測結果。從表中可以看出:利用單一特征進行建模,標準差特征取得測試集均方根誤差RMSEP 3.837%的最佳精度;

表2 干燥后毛豆含水率預測結果Table 2 The prediction results of dried soybean’s moisture content

而熵值特征的精度最差,其RMSEP為6.363%。當采用多特征集成方式時,MV、EV、RD和SD四個特征的集成獲得的精度最高,其RMSEP為3.547%。當采用多模型融合方法時,采用MV和SD兩個特征構成的多模型得到了RMSEP=3.509%,Rp=0.985的最佳精度。對10次隨機的預測集樣本均方根誤差的成對檢驗表明:相比于單特征PLS模型,采用4個特征集成的PLS模型對毛豆含水率的預測性能有顯著性提高;同時采用多模型融合的方法要顯著地優于單一特征模型。與前期文獻[9](Rp=0.973,RMSEP=4.6%)相比,多模型也可提高含水率的無損檢測精度。

圖7和圖8給出了干燥后毛豆顏色和含水率的預測散點圖,從圖中可以看出真實值和預測值有著良好的相關性,說明利用多模型思想結合高光譜技術進行干燥后毛豆顏色和含水率無損檢測是可行的。

圖7 顏色的散點圖Fig.7 The scatter diagram of color

圖8 含水率的散點圖Fig.8 The scatter diagram of moisture content

3 結論

本文利用一種多模型融合方法提高了干燥過程中毛豆顏色和含水率高光譜圖像無損檢測精度。相比于單特征模型,多模型融合后的顏色預測均方根誤差Rmsep降低了4.3%;含水率的預測均方根誤差Rmsep降低了7.7%。T統計檢驗表明:融合模型性能顯著地優于單一特征模型。說明利用多模型融合的方法提高了高光譜圖像無損檢測精度是可行的。

[1]Song J Y,An G H,Kim C J. Color,texture,nutrient contents,and sensory values of vegetable soybeans[Glycine max(L.)Merrill]as affected by blanching[J].Food Chemistry,2003,83(1):69-74.

[2]顧衛紅,鄭洪建,張燕,等. 菜用大豆的國際需求及科研生產動態(綜述)[J].上海農業學報,2002,18(2):45-48.

[3]李愛勤,張緒坤,徐剛,等. 顏色檢測系統及其在果蔬干燥中的應用[J]. 江西科學,2009,27(1):127-131.

[4]Aguilera J M. Drying and dried products under the microscope[J].Food Science and Technology International，2003,9(3):137-143.

[5]Hu Q,Zhang M,Mujumdar AS,et al. Drying of edamame by hot air and vacuum microwave combination[J]. Journal of Food Engineering,2006,77(4):977-982.

[6]Hu Q,Zhang M,Mujumdar A S,et al. Performance evaluation of vacuum microwave drying of edamame in deep-bed drying[J]. Drying Technology,2007,25(4):731-736.

[7]孫俊,武小紅,張曉東,等. 基于高光譜圖像的生菜葉片水分預測研究[J]. 光譜學與光譜分析,2013,33(2):522-526.

[8]周燕,黃傳旭,陳斌. 用近紅外光譜儀器快速檢測小麥水分[J]. 現代科學儀器,2002(6):50-52.

[9]Huang M,Wang Q,Zhang M,et al. Prediction of color and moisture content for vegetable soybean during drying using hyperspectral imaging technology[J]. Journal of Food Engineering,2014,128:24-30.

[10]Huang M,Lu R. Apple mealiness detection using hyperspectral scattering technique[J]. Postharvest Biology and Technology,2010,58(3):168-175.

[11]張偉,潘磊慶,屠康. 利用高光譜透射圖像檢測雞種蛋早期孵化[J]. 農業工程學報,2012,28(21):149-155.

[12]黃培賢,姚志湘,粟暉,等. 高光譜圖像技術在食品無損檢測中的研究進展[J].食品工業科技,2012,33(15):412-417.

[13]趙杰文,劉劍華,陳全勝,等. 利用高光譜圖像技術檢測水果輕微損傷[J].農業機械學報,2008,39(1):106-110.

[14]黃敏,萬相梅,朱啟兵,等. 基于高光譜圖像技術的菜用大豆厚度檢測[J].食品與生物技術學報,2012,31(11):1142-1147.

[15]Khaleghi B,Khamis A,Karray F O,et al. Multi-sensor data fusion:a review of the state of the art[J]. Information Fusion,2013,14(1):28-44.

[16]Natale C D,Paolesse R,Macagnano A,et al. Electronic nose and electronic tongue integration for improved classification of clinical and food samples[J]. Sensors and Actuators B:Chemical,2000,64(1):15-21.

[17]陳全勝,趙杰文,蔡健榮,等.基于近紅外光譜和機器視覺的多信息融合技術評判茶葉品質[J].農業工程學報,2008,24(3):5-10.

[18]展慧,李小昱,周竹,等. 基于近紅外光譜和機器視覺融合技術的板栗缺陷檢測[J]. 農業工程學報,2011,27(2):345-349.

[19]王玉川. 萵苣顆粒負壓微波高效節能均勻干燥機理及工藝研究[D]無錫:江南大學食品學院,2013.

[20]Wang Y,Zhang M,Mujumdar A S,et al. Study of drying uniformity in pulsed spouted microwave-vacuum drying of stem lettuce slices with regard to product quality[J].Drying Technology,2013,31(1):91-101.

[21]GB/5009.3 - 2010,食品安全國家標準-食品中水分的測定[S].

[22]楊暉. 圖像分割的閾值法研究[J]. 遼寧大學學報:自然科學版，2006,33(2):135-137.

Prediction of moisture content and color for vegetable soybeanduring drying process based on multiple model fusion

ZHAO Wei-yan,HUANG Min*,ZHU Qi-bing

(Key Laboratory of Advanced Process Control for Light Industry,Ministryof Education,Jiangnan University,Wuxi 214122,China)

Color and moisture content of vegetable soybean are two important parameters in determining quality of vegetable soybean. In this paper,a multiple model fusion method were proposed to improve the prediction accuracies for color and moisture content of soybean during the drying process. Four feature extraction methods,namely,mean value,entropy value,relative divergence and standard deviation features,were used for extracting features from hyperspectral image,and then four partial least squares regression(PLSR)sub-models for color and moisture content prediction were developed using each feature alone,the multiple models fusion method,which was weighted average over the prediction results from the four sub-models,finally was obtained to improve the prediction accuracies. Compared to PLSR sub-models,the multiple model fusion method achieved consistently better results,with improvements of 4.3% and 7.7% for color and moisture content prediction,respectively. The paired t-test for root-mean-square error of prediction at 5% level of significance showed that the multiple model fusion method was superior over the PLSR sub-models. Hence,this multiple model fusion method provided a simple and robust means for improving color and moisture content prediction of soybean during drying process.

dried soybean;multiple models fusion;Hyperspectral imaging technology;drying process

2014-05-27

趙偉彥(1986-)，男，碩士研究生，研究方向：高光譜圖像技術。

國家自然科學基金項目(61275155,61271384)；江蘇省自然科學基金項目(BK2011148)。

TS207.3

A

1002-0306(2015)05-0267-06

10.13386/j.issn1002-0306.2015.05.048

*通訊作者:黃敏(1974-)， 女，博士，教授，研究方向：農產品無損檢測。