高光譜圖像技術檢測大曲發(fā)酵過程中的水分含量

葉建秋，黃丹平*，田建平，黃丹，羅惠波，王鑫，張力

1(四川輕化工大學 機械工程學院，四川 宜賓，644000) 2(四川輕化工大學 生物工程學院，四川 宜賓，644000)

白酒是中國獨有的蒸餾酒，擁有上千年歷史和文化傳承，憑借其特殊釀造工藝，深受國人喜愛[1]。而曲塊作為白酒生產(chǎn)中的發(fā)酵劑和生香劑，直接影響白酒發(fā)酵質(zhì)量和口感，是傳統(tǒng)固態(tài)發(fā)酵蒸餾釀酒的重要物質(zhì)保障，對曲酒出酒率和優(yōu)級品率有較大影響[2],常有“曲乃酒之骨”、“有好酒必有好曲”等精辟論斷。大曲理化指標之一的水分含量，與菌類生長代謝密切相關，而菌類生長代謝與大曲品質(zhì)有直接關系。在培曲過程中，隨發(fā)酵時間的延長大曲的水分逐漸減小，發(fā)酵產(chǎn)生的游離水越多，其揮發(fā)性能越強，大曲的成熟度越佳。因此在不同發(fā)酵時期水分含量變化也成為考量大曲質(zhì)量優(yōu)劣的重要因素[3]。

目前大部分酒企主要通過人工檢測品定成品大曲質(zhì)量[4]。人工評定質(zhì)量無法量化指標，容易受主觀感覺影響，導致判斷結果不準確。傳統(tǒng)大曲工藝很難保證大曲品質(zhì)的一致性，不能有效調(diào)控大曲發(fā)酵品質(zhì)[5]。因此，亟需一種快速無損的方法判斷曲塊發(fā)酵過程水分含量[6]。高光譜成像技術是光譜技術和圖像技術的有機結合，成為一種新興的快速檢測技術[7]可以獲取待測樣品空間信息和光譜信息，能夠快速、無損的對樣本進行定量及定性分析。目前高光譜技術主要應用在農(nóng)作物檢測[8-10]及食品[11-12]等相關領域研究，如孫紅等[13]利用高光譜成像技術對馬鈴薯葉片含水率進行檢測和可視化研究，應用相關性分析和隨機跳蛙算法篩選特征波長，通過偏最小二乘回歸(partial least squares regression，PLSR)建立模型，最終選用RF-PLSR模型對馬鈴薯葉片含水率進行可視化顯示；鄒小波等[14]通過高光譜檢測枇杷葉片三萜酸含量及分布，通過聯(lián)合區(qū)間偏最小二乘法(synergy interval partial least squares, siPLS)建立模型；謝安國等[15]通過高光譜檢測調(diào)理牛肉煎制中品質(zhì)變化，采用支持向量機(support vector machine, SVM)建模并應用粒子群(particle swarm optimization, PSO)優(yōu)化參數(shù)，使用主成分分析降維處理后牛肉光譜數(shù)據(jù)進行水分含量預測。但在曲塊發(fā)酵水分含量檢測方面，目前沒有將高光譜技術應用于曲塊發(fā)酵水分含量研究。

因此，本研究采用高光譜技術[16]研究大曲理化指標中水分含量這一重要指標[17]，以濃香型大曲為研究對象，提出一種基于高光譜技術、圖像處理技術對曲塊發(fā)酵水分含量進行檢測的方法。區(qū)別于一般高光譜分析中應用一個像素點譜信息的方法，本研究利用高光譜相應波段圖像紋理信息，檢測不同曲房不同點位曲塊發(fā)酵過程中水分含量。最終為大曲發(fā)酵過程水分含量檢測提供依據(jù)。

1 系統(tǒng)、數(shù)據(jù)與降維

1.1 總體流程

本研究總體敘述流程如圖1所示。通過高光譜相機采集相應光譜數(shù)據(jù)采集；通過主成分分析(principal component analysis，PCA)和特征波段實驗，提取相應波段圖像；采用灰度共生矩陣算法對所提取大曲發(fā)酵高光譜圖像信息紋理特征； 并通過PLSR、SVR、BP神經(jīng)網(wǎng)絡(back propagation neural network ，BPNN)的紋理特征建模效果比較，選擇最優(yōu)模型方案；剔除異常樣本，擴大訓練數(shù)據(jù)，得到最優(yōu)模型效果和參數(shù)。

圖1 整體流程圖Fig.1 Overall flow chart

1.2 硬件設備與數(shù)據(jù)采集

本研究采用曲塊高光譜系統(tǒng)進行線性掃描采集數(shù)據(jù)，該系統(tǒng)光譜范圍為900～1 700 nm，采樣間隔為3.5 nm。硬件系統(tǒng)由芬蘭FX17系列高光譜相機、2個150 w鹵素光源、電控移動平臺、計算機組成。曲塊數(shù)據(jù)采集時，設置最佳采集進光量，使每個波段反射率達到最大動態(tài)范圍的80%～90%，避免白光參考點飽和導致采集數(shù)據(jù)扭曲。

對某酒企曲塊發(fā)酵過程中數(shù)據(jù)進行采集，現(xiàn)場采集2間曲房的數(shù)據(jù)，其取樣點位如圖2所示。分別在1號曲房與2號曲房設置4個取樣點位，即①、③、④、⑦四個點位。分別采集2個曲房4個不同點位曲塊發(fā)酵狀態(tài)的高光譜數(shù)據(jù)，連續(xù)采集20 d，每次所采集的不同發(fā)酵狀態(tài)的曲塊將其碾碎成曲粉，一部分用于理化、生化指標等化學檢測，一部分用于高光譜圖像采集。因此本研究最終一共采集2(曲房)×20(天數(shù))×4(點位)共160組大曲高光譜數(shù)據(jù)。依據(jù)日期、曲房和點位編號對數(shù)據(jù)進行命名。如4月18日采集1號曲房①號點的數(shù)據(jù)命名為4-18-1-1。

圖2 曲房點位分布示意圖Fig.2 Point distribution diagram of koji house

1.3 數(shù)據(jù)降維

大曲高光譜數(shù)據(jù)不同波段間相關性強，數(shù)據(jù)量大，波段數(shù)量多。為提高運算速度，減少無關數(shù)據(jù)干擾，可進行合理的降維處理[18]。本研究在尋找大曲紋理特征參數(shù)過程中采用PCA和實驗分析水分特征波段2種方法來實現(xiàn)大曲發(fā)酵高光譜數(shù)據(jù)降維處理。

1.3.1 高光譜數(shù)據(jù)主成分分析

PCA 變換過程是呈線性的。在PCA變換過程當中，新坐標當中第1個坐標即為第1個主成分，第2主坐標即為第2個主成分，依次類推，并且這些坐標點之間也是相對獨立的。通過主成分得分圖形能夠?qū)Ρ粶y樣本主成分地位進行表達[19]。

對大曲粉末高光譜數(shù)據(jù)做全波段PCA，得到前99.99%的主成分圖像共3個，如圖3所示，其中第1主成分PC1累積貢獻率達到99.75%。

a-原圖;b-PC1;c-PC2;d-PC3圖3 主成分分析Fig.3 Principal component analysis

1.3.2 大曲發(fā)酵過程水分特征波段

根據(jù)查閱相關參考文獻可得[20-21]，水分在近紅外波段接近冰點的吸收峰有979、1 200、1 453 nm，隨著溫度升高水的吸收峰會發(fā)生位移。為驗證找到合適特征波段，設計不同物質(zhì)水分梯度的實驗，其中更接近曲粉成分的面粉水分梯度實驗如表1所示。

表1 面團水分高光譜實驗參數(shù)Table 1 Moisture hyperspectral experiment of dough

最終獲取大曲水分懷疑特征光譜為980、1 220、1 450 nm波段左右，并以此為基礎，應用相應特征光譜圖像對大曲發(fā)酵過程水分定量檢測展開研究。

2 水分建模實驗與分析

2.1 灰度共生矩陣特征提取

灰度共生矩陣是一種描述紋理特征的常用方法，灰度共生矩陣一般有4個特征參量： 對比度(contrast, CON)、相關性(correlation, COR)、能量(angular second moment, ASM)和熵(entropy, ENT)[22]。通過圖像預處理后，根據(jù)連通域重心坐標在懷疑波段大曲粉末部分劃分出6個區(qū)域(如圖4所示)，分別計算內(nèi)部灰度共生矩陣參數(shù)，再求平均值作為該波段灰度共生矩陣參數(shù)。對4個特征變量提取均值和標準差，其中均值和標準差是描述數(shù)據(jù)集中趨勢和離散程度的2個最重要測度值。

a-連通域重心;b-感興趣區(qū)域(ROI);c-區(qū)域分割圖4 灰度共生矩陣預處理Fig.4 Gray level co-occurrence matrix preprocessing

分別計算6個區(qū)域的對比度、相關性、能量、熵，求出6個區(qū)域灰度共生矩陣參數(shù)平均值，該平均值代表原圖大曲粉末灰度共生矩陣參數(shù)。用此方法對圖3中PC1、PC2、PC3以及在上述實驗中發(fā)現(xiàn)的懷疑波長中的1 220、1 450 nm共5個波段內(nèi)基于灰度共生矩陣的4個特征參數(shù)進行計算。表2為6組PC1灰度共生矩陣參數(shù)，同樣方法再算得PC2、PC3、1 220 nm、1 450 nm灰度共生矩陣參數(shù)。

表2 PC1灰度共生矩陣參數(shù)表Table 2 PC1 gray level co-occurrence matrixparameter table

2.2 建模效果對比

通過上述方法對所有大曲高光譜數(shù)據(jù)進行灰度共生矩陣參數(shù)提取后，本研究分別選用PLSR、SVR、BPNN方法進行建模擬合分析。樣本選用一號曲房80組大曲粉末高光譜數(shù)據(jù)中PC1、PC2、PC3、1 220 nm、1 450 nm這5個波段的灰度共生矩陣參數(shù)。樣本劃分采用穩(wěn)定性較好的SPXY分集算法， 50組作為訓練集，30組作為測試集，分別與對應大曲水分含量進行關聯(lián)建模，得到模型參數(shù)如表3所示。

表3 懷疑波段建模效果Table 3 Suspicious band modeling effect

采用PLSR、BPNN、SVR三種回歸算法分別對PC1、PC2、PC3、1 200 nm、1 450 nm五個特征波段圖像進行灰度共生矩陣參數(shù)與水分含量指標建模預測時，BPNN對應的決定系數(shù)(R2)均比SVR、PLSR大，均方根誤差(root mean square error, RMSE)也比后2種模型小。由此得出，在3種模型效果中BPNN建模效果最好。

在 PC1、PC2、PC3、1 220 nm、1 450 nm五個波段圖像紋理特征建模擬合中，1 450 nm特征波段擬合效果最好，同模型擬合中訓練集與測試集決定系數(shù)都比另外4個波段高，以模型效果最好的BPNN建模效果看，訓練集R2與RMSE為0.810 1和0.034 2，測試集R2與RMSE為0.830 1和0.029 1。其次是PC3與PC2建模效果稍好，PC1與1 200 nm特征波段建模效果無參考價值。

2.3 性能評價

通過上述建模實驗效果，可以看出BPNN模型的1 450 nm特征波段圖像紋理特征建模效果最好，為進一步驗證與評價，選用更多樣本做建模實驗，對1號與2號曲房160組大曲光譜數(shù)據(jù)計算其1 450 nm波段圖像灰度共生矩陣參數(shù)，應用SPXY分集算法，選用100組數(shù)據(jù)作為訓練集，60組作為預測集。應用BP神經(jīng)網(wǎng)絡擬合算法與對應水分含量指標進行關聯(lián)建模。訓練集相關系數(shù)R2為0.801 6，RMSE為0.037 2。

100組訓練集建模效果相比之前，50組大曲樣本建模效果R2與RMSE都有所下降，分析原因如下：在采集大曲高光譜數(shù)據(jù)時沒有考慮到大曲圖像紋理特征參數(shù)與理化指標存在聯(lián)系，因此沒有針對大曲紋理特征參數(shù)對大曲粉末樣本做相應預處理，導致大曲粉末樣本中出現(xiàn)異常大曲粉末樣本數(shù)據(jù)(圖5)。異常大曲粉末樣本的曲粉顆粒較大，表面分布不均勻，導致其紋理特征參數(shù)異常，無法與水分含量形成良好關聯(lián)，建模效果不佳。

圖5 大曲異常樣本Fig.5 Daqu abnormal samples

因此本研究采用K-mean聚類算法進行異常樣本數(shù)據(jù)剔除，設置聚類類別為1，當計算出聚類中心后，設置距離閾值為3，判斷聚類各數(shù)據(jù)到聚類中心距離是否小于距離閾值。最終通過K-mean聚類算法剔除異常數(shù)據(jù)20組，剩余140組數(shù)據(jù)樣本中選用90組作為訓練集，50組作為預測集進行水分含量預測模型訓練。最終建模效果如圖6和圖7所示，訓練集R2為0.826 9，RMSE為0.033 5。測試集R2為0.848 4，RMSE為0.028 7。

圖6 訓練集建模效果圖(R2=0.826 9；RMSE=0.033 5) Fig.6 Training set modeling rendering

圖7 測試集效果圖(R2=0.848 4；RMSE=0.028 7) Fig.7 Test set rendering

3 結論

本文通過高光譜特征波段的紋理信息與水分含量指標關聯(lián)建模的方式，實現(xiàn)對大曲粉末水分含量快速檢測。應用主成分分析和特征波段對應二維信息進行灰度共生紋理提取，以CON、COR、ASM和ENT四個特性與水分含量進行關聯(lián)擬合，并且通過PLSR、SVR、BP神經(jīng)網(wǎng)絡模型效果進行對比，選擇最優(yōu)預測模型。最終利用K-mean聚類算法剔除異常樣本，通過實驗可驗證，以1 450 nm特征波段圖像紋理特征進行的水分含量預測模型中BPNN模型效果最好，訓練集R2與RMSE為0.826 9和0.033 5，測試集R2與RMSE分別為0.848 4和0.028 7。該波段效果優(yōu)于主成分分析和1 200 nm特征波段所得圖像紋理特性的水分含量檢測效果。該高光譜特征波段圖像紋理特征與水分含量關聯(lián)檢測的方法，為實現(xiàn)大曲水分含量的快速定量檢測提供理論依據(jù)，具有一定理論參考價值。