基于神經(jīng)網(wǎng)絡(luò)的小米產(chǎn)地鑒別研究

摘 要：小米的品質(zhì)與產(chǎn)地息息相關(guān)，產(chǎn)地不同可能導(dǎo)致小米品質(zhì)存在差異。為了實(shí)現(xiàn)小米產(chǎn)地的快速、精確鑒別，保護(hù)優(yōu)質(zhì)小米的品牌效益，以6種不同產(chǎn)地的小米為研究對(duì)象，將近紅外光譜分析技術(shù)與反向傳播（Back-propagation，BP）神經(jīng)網(wǎng)絡(luò)相結(jié)合建立小米產(chǎn)地鑒別模型，使用競爭自適應(yīng)重加權(quán)采樣（Competitive Adaptive Reweighted Sampling，CARS）算法提取特征波長變量，并在此基礎(chǔ)上建立CARS-BP模型，之后將CARS-BP模型與全譜BP神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)（Support Vector Machine，SVM）、偏最小二乘法（Partial Least Square，PLS）、K最近鄰（K-Nearest Neighbor，KNN）分類算法進(jìn)行比較，對(duì)比5種模型鑒別的準(zhǔn)確率。結(jié)果表明：CARS-BP模型對(duì)6種產(chǎn)地小米樣品的產(chǎn)地鑒別平均準(zhǔn)確率達(dá)98.1%，優(yōu)于SVM、PSL和KNN模型。

關(guān)鍵詞：小米；產(chǎn)地鑒別；CARS-BP模型；近紅外光譜

中圖分類號(hào)：O657.33；TS210.7 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-7909-（2023）13-151-4

0 引言

粟是我國北方地區(qū)廣泛種植的一種重要糧食作物［1］，其產(chǎn)品小米因含有大量蛋白質(zhì)、碳水化合物等營養(yǎng)成分，同時(shí)具有降低血糖、改善消化和促進(jìn)睡眠等功效，而深受消費(fèi)者青睞。盡管不同品種和不同產(chǎn)地的小米在外觀上沒有明顯差別，但其口感和營養(yǎng)價(jià)值存在較大差異［2］。例如，梁克紅等［3］研究表明，地域因素對(duì)小米營養(yǎng)品質(zhì)的影響較大，主要對(duì)小米中的蛋白質(zhì)、脂肪、膳食纖維含量產(chǎn)生影響，而品種因素則主要影響小米中的蛋白質(zhì)和脂肪含量；馮耐紅等［4］研究表明，山西省不同品種小米在營養(yǎng)成分（蛋白質(zhì)、脂肪和碳水化合物等）方面存在差異。因此，對(duì)于消費(fèi)者來說，對(duì)不同品種和產(chǎn)地的小米進(jìn)行鑒別非常重要。

目前，小米產(chǎn)地的鑒別方法主要包括形態(tài)鑒別法、遺傳學(xué)方法［5］、拉曼光譜法［6］、液體色譜法［7］及化學(xué)分析法［8］等。然而，形態(tài)鑒別法有主觀性強(qiáng)、誤差大等缺點(diǎn)，其余方法有成本高、耗時(shí)長、有破壞性和操作煩瑣等缺點(diǎn)。因此，建立一種快速、準(zhǔn)確、簡單的小米品種及產(chǎn)地鑒別方法至關(guān)重要。近紅外光譜分析技術(shù)是一種高效快速的現(xiàn)代分析技術(shù)，具有分析速度快、經(jīng)濟(jì)、重現(xiàn)性好、環(huán)境友好等優(yōu)點(diǎn)，被廣泛應(yīng)用于食品、藥品及材料領(lǐng)域的檢測分析［9-10］。筆者以6種不同產(chǎn)地的小米為研究對(duì)象，將近紅外光譜分析技術(shù)與反向傳播（Back-propagation，BP）神經(jīng)網(wǎng)絡(luò)相結(jié)合建立產(chǎn)地鑒別模型，采用競爭自適應(yīng)重加權(quán)采樣（Competitive Adaptive Reweighted Sampling，CARS）算法提取特征波長變量，并建立CARS-BP模型，之后將CARS-BP模型與全譜BP神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)（Support Vector Machine，SVM）、偏最小二乘法（Partial Least Square，PLS）、K最近鄰（K-Nearest Neighbors，KNN）分類算法進(jìn)行比較，旨在實(shí)現(xiàn)小米產(chǎn)地快速、精確鑒別，保護(hù)優(yōu)質(zhì)小米的品牌效益，并為小米的產(chǎn)地鑒別提供新方法。

1 試驗(yàn)材料與方法

1.1 試驗(yàn)儀器與材料

利用TANGO型傅里葉變換紅外光譜儀（德國Bruker公司）對(duì)6個(gè)試驗(yàn)樣品進(jìn)行測試，掃描范圍3 950～11 550 cm-1，掃描次數(shù)32次，分辨率8 cm-1，每條光譜采集的數(shù)據(jù)點(diǎn)數(shù)為1 845個(gè)。6個(gè)試驗(yàn)樣品均為實(shí)地采購，品種及產(chǎn)地信息詳見表1。

1.2 試驗(yàn)方法

1.2.1 光譜數(shù)據(jù)采集

采用積分球漫反射測量方式，采集小米樣品的光譜數(shù)據(jù)。首先，將各品種450 g樣品均分為30等份；其次，將每份樣品置于石英杯中；最后，用傅里葉變換紅外光譜儀對(duì)其自動(dòng)測定，每份樣本測量3次光譜數(shù)據(jù)（每次測量前都將樣本翻動(dòng)搖勻），共計(jì)采集540條光譜數(shù)據(jù)。光譜數(shù)據(jù)采集原理：光源發(fā)出的紅外輻射經(jīng)過干涉儀分成兩個(gè)光路：一個(gè)光路中的光束直接到達(dá)檢測器，稱為參考光；另一個(gè)光路中的光束經(jīng)過樣品后到達(dá)檢測器，稱為樣品光。干涉儀將參考光和樣品光之間的干涉效應(yīng)轉(zhuǎn)換為干涉圖樣。檢測器測量干涉圖樣，并將其轉(zhuǎn)換為光譜圖。

1.2.2 光譜數(shù)據(jù)預(yù)處理

由于測試條件、儀器響應(yīng)及光的散射等原因，樣品光譜中不僅包含樣品本身的信息，而且包含與之相關(guān)的背景信息，如噪聲和基線漂移等。這些背景信息的存在會(huì)影響小米產(chǎn)地鑒別模型的準(zhǔn)確性和穩(wěn)定性。因此，建立模型之前，需要對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，以減少背景信息對(duì)光譜的影響，同時(shí)降低模型的復(fù)雜度并提高穩(wěn)健性。

1.2.3 光譜數(shù)據(jù)特征提取

光譜數(shù)據(jù)特征提取是從原始光譜數(shù)據(jù)中提取出具有代表性和區(qū)分性的光譜特征。其優(yōu)點(diǎn)是可以改善模型性能，提高數(shù)據(jù)的可解釋性和理解性。CARS是一種特征選擇方法，其基本思想是根據(jù)特征的重要性，通過自適應(yīng)調(diào)整樣本權(quán)重，提高特征的區(qū)分度和魯棒性。該方法先利用Relief算法計(jì)算每個(gè)特征的重要性，之后初始化樣本權(quán)重，將每個(gè)樣本的初始權(quán)重設(shè)為相等值。

1.2.4 模型的建立與對(duì)比

首先，通過光譜數(shù)據(jù)采集獲取數(shù)據(jù)；其次，通過數(shù)據(jù)預(yù)處理對(duì)數(shù)據(jù)進(jìn)行降噪提純；最后，通過特征提取降低數(shù)據(jù)的復(fù)雜度，將特征提取的數(shù)據(jù)放入BP神經(jīng)網(wǎng)絡(luò)分類器中，從而建立模型。試驗(yàn)采用BP神經(jīng)網(wǎng)絡(luò)作為鑒別小米產(chǎn)地的分類模型，同時(shí)與全譜BP神經(jīng)網(wǎng)絡(luò)模型、SVM、PLS、KNN分類算法進(jìn)行比較分析。

2 試驗(yàn)結(jié)果與分析

2.1 光譜分析

在3 950～11 550 cm-1波段采集6個(gè)樣品的光譜數(shù)據(jù)，結(jié)果表明，不同樣品在波數(shù)8 442、6 978、5 822、5 342、4 946 cm-1處存在5個(gè)明顯的吸收峰。這些峰主要分布在光譜的低波數(shù)部分，并且隨著波數(shù)的減少，吸光度呈增加趨勢。來自不同產(chǎn)地小米樣品的峰值強(qiáng)度差異可能源于其水分、纖維及淀粉等成分含量的差異，然而總體相似度較高，因此需要進(jìn)一步建立判別模型。

2.2 光譜預(yù)處理

原始光譜數(shù)據(jù)在散射和噪聲的干擾下存在基線漂移現(xiàn)象（線帶較寬），使得數(shù)據(jù)失真，最終導(dǎo)致光譜分析結(jié)果不準(zhǔn)確。經(jīng)多元散射校正（Multiplicative Scatter Correction，MSC）處理后基線漂移現(xiàn)象明顯減少，使得光譜數(shù)據(jù)更加準(zhǔn)確和可靠，與其他預(yù)處理方法相比，MSC處理數(shù)據(jù)的效果最優(yōu)。因此，最終選擇效果最佳的MSC作為預(yù)處理方法。

2.3 光譜數(shù)據(jù)的特征提取

采用CARS方法進(jìn)行特征提取，根據(jù)特征重要性重新調(diào)整樣本權(quán)重，并不斷迭代上述3個(gè)步驟，直到交叉驗(yàn)證誤差最小。如圖1所示，當(dāng)?shù)螖?shù)為16時(shí)，交叉驗(yàn)證誤差達(dá)到最低點(diǎn)，此時(shí)所選用的波長變量數(shù)量從1 845減少至130，達(dá)到了最優(yōu)值。這極大地縮短了模型的運(yùn)算時(shí)間，進(jìn)一步提高了模型的預(yù)測準(zhǔn)確性。

2.4 CARS-BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

通過CARS算法，從原始數(shù)據(jù)中提取了130個(gè)特征波段作為BP神經(jīng)網(wǎng)絡(luò)的輸入。接著將分好的432個(gè)訓(xùn)練集用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，即通過BP算法不斷調(diào)整權(quán)重和偏置值，以使神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果與真實(shí)標(biāo)簽盡可能接近。訓(xùn)練完成后，使用測試集對(duì)訓(xùn)練好的CARS-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行評(píng)估，由圖2可知，在迭代25次之后模型準(zhǔn)確度趨于穩(wěn)定，預(yù)測集樣本的平均準(zhǔn)確率高達(dá)98.1%。

2.5 模型比較分析

為了進(jìn)一步驗(yàn)證CARS-BP神經(jīng)網(wǎng)絡(luò)模型在小米產(chǎn)地鑒別中的效果，以130個(gè)特征波長作為輸入變量，采用全譜BP神經(jīng)網(wǎng)絡(luò)模型、SVM、PLS、KNN分類算法進(jìn)行處理，對(duì)比分析5種模型識(shí)別的準(zhǔn)確率。表2為不同模型對(duì)6種產(chǎn)地小米的鑒別結(jié)果。由表2可知，CARS-BP模型的鑒別效果優(yōu)于其他4種模型。PLS準(zhǔn)確率較低，原因可能是PLS模型在處理訓(xùn)練集數(shù)據(jù)時(shí)存在過擬合問題，導(dǎo)致預(yù)測效果不佳。SVM和KNN分類算法也有較不錯(cuò)的鑒別效果，但準(zhǔn)確率仍需要提高。而全譜BP模型識(shí)別率較低，是因?yàn)楣庾V數(shù)據(jù)變量數(shù)過大存在過多冗余信息，影響了模型對(duì)數(shù)據(jù)主成分的有效判別。CARS-BP模型具有較強(qiáng)的適應(yīng)性和靈活性，既適用于分類和回歸問題，又可以應(yīng)用于非線性和復(fù)雜問題的解決。當(dāng)樣本數(shù)據(jù)量過大時(shí)，CARS-BP模型可以自動(dòng)學(xué)習(xí)數(shù)據(jù)之間的模式和關(guān)系，達(dá)到降低模型復(fù)雜度的效果。

3 結(jié)論

CARS-BP模型具有顯著優(yōu)越性，判別準(zhǔn)確率高達(dá)98.1%。該模型在特征提取和分類任務(wù)中表現(xiàn)出較高的準(zhǔn)確率和穩(wěn)定性。此外，該模型不僅在樣本數(shù)量較少的情況下具有較強(qiáng)的泛化能力，而且適用于復(fù)雜非線性光譜的分析，是一種有效鑒別不同產(chǎn)地小米的方法。

參考文獻(xiàn)：

［1］李星，王海寰，沈群.不同品種小米品質(zhì)特性研究［J］.中國食品學(xué)報(bào)，2017（7）：248-254.

［2］田雪，車前，嚴(yán)偉敏，等.紅外光譜對(duì)不同品種及產(chǎn)地小米的鑒別［J］.光譜學(xué)與光譜分析，2022（6）：1841-1847.

［3］梁克紅，朱大洲，孫君茂.品種與地域?qū)π∶谞I養(yǎng)品質(zhì)的影響研究［J］.食品工業(yè)，2017（4）：192-196.

［4］馮耐紅，侯東輝，楊成元，等.不同品種小米主要營養(yǎng)成分及氨基酸組分評(píng)價(jià)［J］.食品工業(yè)科技，2020（8）：224-229.

［5］司春景.基于蛋白互作的系統(tǒng)遺傳學(xué)方法在植物功能基因鑒別中的應(yīng)用［D］.武漢：華中農(nóng)業(yè)大學(xué)，2021.

［6］沙敏，李良翠，黃家樂，等.拉曼光譜數(shù)據(jù)處理方式對(duì)大米產(chǎn)地鑒別模型的影響［J］.中國食品學(xué)報(bào)，2021（5）：369-376.

［7］BACH E，SZEDMAK S，BROUARD C，et al. Liquid-chromatography retention order prediction for metabolite identification［J］.Bioinformatics，2018（17）：875-883.

［8］MENEZES M L A，HADDAD A N，NASCIMENTO M L F. Functional resonance analysis method and human performance factors identifying critical functions in chemical process safety［J］.IEEE Access，2021（9）：168368-168382.

［9］王燕，李穎，葉樺珍，等.近紅外光譜和支持向量機(jī)用于凌霄花產(chǎn)地鑒別［J］.福州大學(xué)學(xué)報(bào)（自然科學(xué)版），2022（4）：568-573.

［10］YANG J，MA X D，GUAN H，et al. A recognition method of corn varieties based on spectral technology and deep learning model［J］.Infrared Physics amp; Technology，2023（2）：104533.

作者簡介：呂鵬賀（1998—），男，碩士生，研究方向：模式識(shí)別、近紅外光譜技術(shù)；楊冬風(fēng)（1977—），女，博士，副教授，研究方向：模式識(shí)別在農(nóng)業(yè)中的應(yīng)用。