關(guān)于農(nóng)產(chǎn)品無損檢測(cè)中的模式識(shí)別問題分析

郭峰尹琴李虹

（榆陽區(qū)農(nóng)產(chǎn)品質(zhì)量安全監(jiān)測(cè)檢驗(yàn)中心陜西省榆林市719000）

關(guān)于農(nóng)產(chǎn)品無損檢測(cè)中的模式識(shí)別問題分析

郭峰尹琴李虹

（榆陽區(qū)農(nóng)產(chǎn)品質(zhì)量安全監(jiān)測(cè)檢驗(yàn)中心陜西省榆林市719000）

無損檢測(cè)技術(shù)即非破壞檢測(cè)，具體而言，指代在不損毀待測(cè)物初始狀態(tài)、干擾化學(xué)性質(zhì)的基礎(chǔ)上，為得到和待測(cè)物緊密相關(guān)的參數(shù)信息的一種檢查方法。本文筆者結(jié)合現(xiàn)有理論成果，圍繞無損檢測(cè)展開了深入剖析，希望可為農(nóng)產(chǎn)品檢測(cè)提供幫助。

農(nóng)產(chǎn)品；無損檢測(cè)；模式識(shí)別；問題分析

時(shí)代的發(fā)展和經(jīng)濟(jì)的提升，加大了農(nóng)產(chǎn)品的日常需求量，并對(duì)農(nóng)產(chǎn)品品質(zhì)提出嚴(yán)格的標(biāo)準(zhǔn)，為迎合這一需求，攻克原有農(nóng)產(chǎn)品檢測(cè)的不足，亟待提出一種新技術(shù)，在這一背景下，無損檢測(cè)應(yīng)運(yùn)而生。對(duì)農(nóng)產(chǎn)品而言，無損檢測(cè)除能夠?yàn)檗r(nóng)產(chǎn)品質(zhì)量提供保障，還可減少能源用量，控制生產(chǎn)成本，改善勞動(dòng)生產(chǎn)率。

1 無損檢測(cè)概述

無損檢測(cè)技術(shù)屬于一門現(xiàn)代、系統(tǒng)的應(yīng)用學(xué)科，具體是指在不損毀待測(cè)對(duì)象的基礎(chǔ)上，借助農(nóng)產(chǎn)品自身的結(jié)構(gòu)異常，利用內(nèi)部缺陷面向聲光等反應(yīng)所產(chǎn)生的變化，以此來檢驗(yàn)農(nóng)產(chǎn)品，同時(shí)圍繞缺陷類型、基本性質(zhì)、實(shí)際數(shù)量、實(shí)際位置、主要尺寸等進(jìn)行判斷與評(píng)價(jià)。參照無損檢測(cè)原理可將檢測(cè)方法劃分成光學(xué)、聲學(xué)和電學(xué)特性分析等不同方法；品質(zhì)檢測(cè)一般指代果蔬檢測(cè)和分級(jí)；大豆和玉米等谷物檢測(cè)和分級(jí)；參照農(nóng)產(chǎn)品的基本品種和不同的特性，因農(nóng)產(chǎn)品種類的差異，一般應(yīng)選擇對(duì)應(yīng)的檢測(cè)方法與裝置。

2 農(nóng)產(chǎn)品無損檢測(cè)環(huán)節(jié)模式識(shí)別的主要方法和原理

2.1 數(shù)據(jù)預(yù)處理

在無損檢測(cè)工作中，無損檢測(cè)儀器得到的最初數(shù)據(jù)存在出入。例如，新采集的最初數(shù)據(jù)信號(hào)，不僅涵蓋和樣品待測(cè)成分存在關(guān)聯(lián)的信息外，而且包含不同儀器等多種噪聲，由此可知，應(yīng)面向最初數(shù)據(jù)實(shí)施預(yù)處理操作。數(shù)據(jù)預(yù)處理主要指代開展主要處理操作前實(shí)施的部分處理，具體包含歸一化、規(guī)范化與變換等內(nèi)容。

2.2 數(shù)據(jù)降維

無損檢測(cè)獲取的數(shù)據(jù)大多處于相對(duì)偏高維度空間，以依托光譜分析技術(shù)開展的無損檢測(cè)工作為例，得到的光譜波段眾多，甚至高達(dá)上千。數(shù)據(jù)降維主要包含線性與非線性降維，其中后者可細(xì)分成以核函數(shù)為依托的方法和以特征值為依托的方法。

2.3 建模

無論是光譜，還是圖像數(shù)據(jù)均存大量的信息，借此表現(xiàn)物質(zhì)的基本組成和根本性質(zhì)等內(nèi)容，但一般不能直接明確上述信息，也不能構(gòu)建和物質(zhì)目標(biāo)特性相對(duì)應(yīng)的模型。由此可知，初始光譜及圖像實(shí)施數(shù)據(jù)挖掘與特征提取操作后，應(yīng)通過建模算法設(shè)立關(guān)系模型。

3 建立在自編碼網(wǎng)絡(luò)之上的近紅外光譜非線性降維方法

自編碼網(wǎng)絡(luò)的本質(zhì)為流行學(xué)習(xí)非線性降維方法，此方法能夠借助深層神經(jīng)網(wǎng)絡(luò)鍛煉對(duì)高維數(shù)據(jù)進(jìn)行轉(zhuǎn)換，使其成為低維嵌套，同時(shí)，提供高維數(shù)據(jù)和低維嵌套對(duì)應(yīng)的雙向映射，能夠第一時(shí)間明確高維數(shù)據(jù)中優(yōu)良的流形結(jié)構(gòu)，填補(bǔ)原有流形學(xué)習(xí)方法自身的不足。

本文依托AN和PLS，提出了一種綜合性方法，AN/PLS，此種方法先借助AN面向紅外光譜實(shí)施流形學(xué)習(xí)非線性降維操作，然后借助PLS編制回歸模型。利用毛竹筍內(nèi)部的IDFC進(jìn)行驗(yàn)證，得到了NIR與MIR這兩種回歸模型，同時(shí)將AN/PLS編制的回歸模型和以往數(shù)據(jù)預(yù)處理手段、降維方法輔以回歸模型圍繞IDFC預(yù)測(cè)的結(jié)果展開對(duì)比，發(fā)現(xiàn)AN/PLS建模方法具有顯著的精準(zhǔn)性優(yōu)勢(shì)。

4 建立在稀疏表示之上的圖像與光譜歸類辨識(shí)方法

對(duì)農(nóng)產(chǎn)品無損檢測(cè)而言，其定性識(shí)別建模工作中，待測(cè)農(nóng)產(chǎn)品品質(zhì)實(shí)際識(shí)別過程最顯著的問題便是參照K類訓(xùn)練樣本清楚測(cè)試樣本的具體類型?，F(xiàn)階段，較為常用的方法為依托BP神經(jīng)網(wǎng)絡(luò)組建特定的分類模型，把測(cè)試樣本數(shù)據(jù)放至該模型，獲取特定的識(shí)別結(jié)果。該方法較為繁瑣，過程相對(duì)復(fù)雜，難度系數(shù)大，這在某種程度上影響了實(shí)際應(yīng)用。稀疏表示區(qū)別于上述方法，主要借助測(cè)試樣本面向訓(xùn)練樣本形成的投影系數(shù)完成識(shí)別分類，該過程較為便捷。近紅外光譜與圖像是一種特殊信號(hào)，由于本身和所呈現(xiàn)的信息大多數(shù)情形中均具有稀疏特性，進(jìn)而把稀疏表示理論融合至近紅外光譜與圖像分類具有可行性。

若訓(xùn)練樣本共計(jì)有K類，各類訓(xùn)練樣本數(shù)用N來表示，對(duì)應(yīng)的維數(shù)是m維度，通過列向量將其進(jìn)行表示。提供適宜的訓(xùn)練樣本，將其中一類構(gòu)建為對(duì)應(yīng)的矩陣，面向訓(xùn)練樣本集給定全新、合理的樣本矩陣，以此充當(dāng)K類訓(xùn)練樣本集合，基于此可將y的線性改寫為另一種形式，即y=Ax，其中x為系數(shù)向量。若x是稀疏的，依托稀疏表示與壓縮感知理論成果可知，只要攻克最小化范數(shù)問題便可求解成最終的結(jié)果，獲得類別標(biāo)志。

5 建立在向量機(jī)之上的近紅外光譜獨(dú)特建模方法

在農(nóng)產(chǎn)品無損檢測(cè)工作中，定量模型構(gòu)建為主要內(nèi)容，特別是在對(duì)定量建模日益嚴(yán)格的當(dāng)下。由此可知，對(duì)預(yù)測(cè)速度精準(zhǔn)的高效、可行的建模方法展開研究在無損檢測(cè)中發(fā)揮著巨大的作用。相關(guān)向量機(jī)建立在貝葉斯框架之上，它存在和支持向量機(jī)相同的函數(shù)形式，和SVM相同依托核函數(shù)映射把低維空間內(nèi)部的非線性問題進(jìn)行轉(zhuǎn)換，使其變成高維空間層面的線性問題。將其和支持向量機(jī)對(duì)比發(fā)現(xiàn)，這是建立在貝葉斯之上的學(xué)習(xí)模型。

依托先驗(yàn)參數(shù)結(jié)構(gòu)，結(jié)合相關(guān)決策理論刨掉不相關(guān)的點(diǎn)，以此來獲取稀疏化模型。因樣本數(shù)據(jù)迭代學(xué)習(xí)環(huán)節(jié)內(nèi)大多數(shù)參數(shù)的實(shí)際后驗(yàn)證分布都接近零，但非零參數(shù)自身的學(xué)習(xí)樣本區(qū)別于決策域?qū)?yīng)的樣本，僅僅代表數(shù)據(jù)內(nèi)部的原型樣本，由此將上述樣本稱作相關(guān)向量，彰顯數(shù)據(jù)中最顯著的特性。將其和支持向量機(jī)進(jìn)行對(duì)比發(fā)現(xiàn)，前者可大幅減輕核函數(shù)的實(shí)際計(jì)算量，同時(shí)，填補(bǔ)所選函數(shù)一定要符合Mercer條件的不足，主要包含下述三項(xiàng)內(nèi)容：

5.1 模型描述

提供訓(xùn)練樣本集，各個(gè)目標(biāo)值獨(dú)立分布，而每一個(gè)輸入值均為獨(dú)立分布樣本，依據(jù)特定公式用輸入值表示目標(biāo)值，經(jīng)由換算獲得結(jié)構(gòu)矩陣，主要由基函數(shù)構(gòu)成。參照結(jié)構(gòu)風(fēng)險(xiǎn)原則發(fā)現(xiàn)，引入權(quán)值的需率先驗(yàn)高斯分布，最終得到一致超先驗(yàn)證，此種做法的優(yōu)點(diǎn)是保證奇函數(shù)與t存在度量不變形。面向各權(quán)值賦予對(duì)應(yīng)的超參數(shù)屬于RVM的基本特征，并可讓RVM的解呈現(xiàn)稀疏性。

5.2 貝葉斯推理

明確先驗(yàn)后，參照貝葉斯公式，面向各個(gè)未知參數(shù)依據(jù)后驗(yàn)公式進(jìn)行驗(yàn)證，因后驗(yàn)概率無法經(jīng)由分解計(jì)算獲取，所以，應(yīng)通過狄拉克函數(shù)實(shí)施近似計(jì)算，把相關(guān)向量學(xué)習(xí)轉(zhuǎn)換為探索超參數(shù)后驗(yàn)方式這一問題，簡(jiǎn)單來說是求取超參數(shù)后驗(yàn)中對(duì)應(yīng)的峰值，其本質(zhì)為α、β極限化公式。

5.3 超參數(shù)改進(jìn)和預(yù)測(cè)

因無法獲取想要的解析表達(dá)式，進(jìn)行反復(fù)迭代。在具體的計(jì)算環(huán)節(jié)，因大多數(shù)α接近無窮大，所以，可能讓后驗(yàn)誤認(rèn)自身的w當(dāng)做0，出現(xiàn)解的稀疏性。在RVM方法中，其模型權(quán)值近似值通過后驗(yàn)分布均值獲得，并為權(quán)值的極限后驗(yàn)估測(cè)。后驗(yàn)分布彰顯出權(quán)值理想值自身的不確定性，還能夠彰顯模型預(yù)測(cè)自身的不確定性。

6 結(jié)語

模式識(shí)別在農(nóng)產(chǎn)品無損檢測(cè)中占據(jù)著核心的位置。本文依托農(nóng)產(chǎn)品無損檢測(cè)包含的最初采集數(shù)據(jù)涉及的非線性降維與高效建模等內(nèi)容，獲得全新、可行的降維與識(shí)別方法，同時(shí)，把相關(guān)方法應(yīng)用到實(shí)踐活動(dòng)中，得到了驗(yàn)證，這促進(jìn)了模式識(shí)別工作的進(jìn)一步開展。

[1]夏恒.關(guān)于利用振動(dòng)理論對(duì)西瓜成熟度進(jìn)行無損檢測(cè)的研究[D].江蘇理工大學(xué)，2016.

[2]羅陽，何建國，賀曉光，等.農(nóng)產(chǎn)品無損檢測(cè)中高光譜成像技術(shù)的應(yīng)用研究[J].農(nóng)機(jī)化研究，2015（6）：1～7.

[3]吳莉莉，李輝，惠國華，等.傳感器技術(shù)在農(nóng)產(chǎn)品無損檢測(cè)中的應(yīng)用研究[J].江西農(nóng)業(yè)學(xué)報(bào)，2016，22（5）：101～105.

[4]韓小珍，辛世華，王松磊，等.高光譜在農(nóng)產(chǎn)品無損檢測(cè)中的應(yīng)用展望[J].寧夏工程技術(shù)，2015，12（4）：379～384.

[5]孫力，林顥，蔡健榮，等.現(xiàn)代成像技術(shù)在食品/農(nóng)產(chǎn)品無損檢測(cè)中的研究進(jìn)展[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2014（3）：643～650.

TP391.4

A

1004-7344（2016）28-0237-02

2016-9-10

郭峰（1980-），男，助理農(nóng)藝師，本科，主要從事農(nóng)產(chǎn)品質(zhì)量安全監(jiān)測(cè)檢驗(yàn)工作。