基于卷積神經網絡的食品塑料包裝袋光譜識別

呂銣麟，賈鎮，胡益滔，何洪源，何偉文

基于卷積神經網絡的食品塑料包裝袋光譜識別

呂銣麟，賈鎮，胡益滔，何洪源，何偉文

（中國人民公安大學 偵查學院，北京 100038）

實現食品塑料包裝袋的快速檢測和材質區分。研究使用高光譜成像技術在450～950 nm波長范圍下采集了49組不同食品包裝袋樣本的光譜數據，利用Savitzky-Golay平滑濾波、數據歸一化和主成分分析進行預處理，建立決策樹、支持向量機2種傳統機器學習模型和卷積神經網絡模型，并比較了它們對包裝袋材質的識別性能。決策樹模型與支持向量機模型的驗證識別率分別為87.8%和88.9%，卷積神經網絡模型的驗證識別率高達100%，損失函數值最終下降到0.0171且達到收斂，在分類效果和精度上具有明顯的優勢。高光譜檢測方法不破壞檢材，重現性好，穩定性強，實現了對食品塑料包裝袋的精準識別。卷積神經網絡模型對食品包裝袋高光譜數據的識別效果最好，為食品包裝袋質量檢測領域中塑料包裝袋的識別鑒定提供依據。

高光譜成像技術；卷積神經網絡；包裝袋；機器學習；快速識別

塑料材料具有良好的阻隔性和抗污染性，常用于食品包裝。在各類刑事案件現場中，食品塑料包裝袋常作為重要的物證之一[1]。準確檢測并識別現場包裝袋物證可為偵破案件以及法庭判決提供強而有力的證據，具有重要意義。

常見的食品塑料包裝袋的主要成分為聚對苯二甲酸乙二醇酯（PET）、聚氯乙烯（PVC）、聚乙烯（PE）、聚丙烯（PP）[2]。目前，檢驗塑料的主要方法有原子光譜法[3]、拉曼光譜法[4]、紅外光譜法[5]、X射線熒光光譜法[6]、氣相色譜-質譜法[7]、液相色譜-質譜法[8]等。

高光譜成像技術是從遙感技術發展而來的一種快速、無損的檢測技術，該方法無需預處理，靈敏度高，檢驗速度快[9]，廣泛應用于血跡檢驗[10]、文件檢驗[11]、食品品質檢驗[12]等諸多領域。在包裝袋的生產過程中，原材料、生產設備和生產方式等因素可能導致物質成分含量存在一定差異，因此可利用高光譜成像技術采集光譜圖像，并將得到的光譜數據與機器學習方法結合，有效利用光譜中的信息，實現材質的快速識別和分類。

光譜成像技術結合機器學習已經是一個重要趨勢，相較于傳統機器學習模型，卷積神經網絡（Convolutional Neural Networks，CNN）避免了復雜的手工特征提取和數據重建的過程，在沒有人為干預的情況下自動地從數據中學習特征，極大地提升了篩選重要光譜特征的效率，在處理光譜數據方面有著得天獨厚的優勢[13]，同時也廣泛應用于人臉識別[14-15]、筆跡識別[16-17]、音頻識別[18-19]、步態識 別[20]等諸多領域。目前，高光譜成像技術與卷積神經網絡等模型結合進行塑料材料快速識別研究的相關報道較為罕見。

研究利用高光譜成像技術對49個不同品牌的塑料包裝袋樣本進行檢測，對樣品圖像隨機選點，獲得觀測點的光譜數據。在主成分分析的基礎上，建立決策樹（Decision Tree，DT）、支持向量機（Support Vector Machine，SVM）以及CNN 3種識別模型，比較3種機器學習算法的分類識別準確率和穩定性。

1 實驗

1.1 樣本

實驗收集了49個不同的食品塑料包裝袋樣本。用沾有無水酒精的脫脂棉仔細擦拭并陰干，進樣檢測。樣本信息見表1。

表1 樣本信息和編號

Tab.1 Sample information and number

續表1

1.2 實驗裝置

該高光譜成像系統SEC-E1200（深圳市中達瑞和科技有限公司）由實驗暗箱、光譜成像模塊和數據收集處理模塊組成。實驗暗箱包含可放置樣本的電動升降臺和2個50瓦的鹵素燈；高光譜成像儀；數據收集處理模塊為帶有光譜數據采集軟件的計算機（用于設置曝光時間，修改圖像分辨率以及對樣本光譜的分析），波長為450～950 nm，分辨率為2448×2048。此次實驗使用的設備為自行搭建的硬件平臺，實驗環境配置表見表2。

表2 實驗環境配置

Tab.2 Configuration of experiment environment

1.3 圖像采集與預處理

在450～950 nm的波段下，利用光譜相機對49個不同樣本進行光譜數據采集。為減小誤差，每個樣本平行采集3次并選取15組數據，樣本數據量共735組。

近紅外光譜數據會由于背景噪聲、數值過大等問題對后續的分類建模產生不良影響，因此對光譜采用Savitzky-Golay（SG）算法和歸一化法進行預處理，以達到消除噪聲和增強分類效果的目的。

為了搭建CNN分類模型，實驗按照7∶3的比例對應隨機劃分出訓練集和測試集。其中訓練集樣本515組，測試集樣本220組。

1.4 數據處理

1.4.1 決策樹與支持向量機

可采用Matlab 2016a中Classification工具箱實現DT與SVM，其操作便捷，而且對樣本有交互式檢驗的功能，實用性很強。在Matlab操作界面下，清空環境變量，導入數據，為保證訓練的準確度，重新分配數據，用randperm隨機函數將735組數據按照7∶3比例分成訓練集和測試集。訓練集交叉驗證折數為5，用對應函數生成DT與SVM分類模型。

1.4.2 卷積神經網絡結構

此次實驗使用的卷積神經網絡模型基于AlexNet網絡模型，根據訓練數據的數量和特點以及硬件平臺對網絡結構和參數做出了相應的調整。此次研究實驗數據數量較少，且二維光譜信息矩陣的尺寸比較小，因此，結合塑料包裝光譜信息矩陣的特點，搭建了3層的卷積神經網絡，包括了2個卷積層和1個全連接層。該卷積神經網絡模型采用2×2卷積核與大卷積核數量搭配，可以增強網絡模型的辨識能力，且在每個卷積層以及全連接層后面應用ReLU函數，可以促進網絡的稀疏性，減少反向傳播時的計算量，同時緩解過擬合。該神經網絡使用批量歸一化（Batch Normalization）代替局部響應歸一化（Local Response Normalization），可以更好地加速收斂，降低過擬合風險，并降低準確率波動。除此之外，應用dropout層使部分神經元失活，再次防止過擬合情況的發生。卷積神經網絡模型結構見圖1。

2 結果與討論

2.1 特征點光譜

樣本檢測完畢后，分別在3次拍攝樣本表面選取5個特征點，每個樣本共15個特征點，并導出光譜數據，全部樣本特征點光譜見圖2。

圖2 全部樣本特征點光譜圖

由圖2可見，3類檢驗樣本在650～750 nm波長內具有明顯的區分度，但隨著波長的增加，曲線之間的區分度逐漸降低，需對其進行數據建模分析。

2.2 光譜預處理結果

為更好地提取光譜特征，減少噪聲影響。在訓練網絡模型之前，運用Savitzky-Golay（SG）算法對光譜數據進行預處理，同時強化譜帶特征點；然后對去噪聲后的數據進行歸一化處理，把數值限制在一個偏小的共同范圍內，加強數據之間的可比性，避免數值過高導致的運算復雜，并使模型訓練加快收斂。最后將經過上述處理后的數據用于后續的模型訓練。部分樣本的原始光譜與處理過的光譜對比見圖3，其中，原始光譜圖見圖3a，預處理后的光譜圖見圖3b，預處理后的光譜保留了原始譜圖的特征信息，減少了噪聲干擾，能夠有效提升特征識別效率。

2.3 卷積神經網絡分析

為了驗證卷積神經網絡模型分類的可靠性，在樣本數據基礎上進行了一系列實驗，通過選擇不同參數測試模型性能變化，最終完成卷積神經網絡模型的構建。

2.3.1 池化層的選擇

池化層的作用在于減少參數量，從而提高特征提取的效率。常用的池化層有平均池化層與最大池化層2種，平均池化層即對鄰域內特征點求平均值，最大池化層即對鄰域內特征點取最大值。經測試，最大池化層特征提取與模型收斂效果更好，所以在該次研究中，神經網絡模型采用最大池化層，結果見圖4。由圖4可知，準確率較損失函數曲線更快達到穩定狀態。

2.3.2 學習率的選擇

學習率是對性能影響最大的參數之一，學習率過高會導致識別準確率下降，且損失函數難以收斂，而識別準確率過低則會使損失函數變化速度變慢，從而延長訓練時間。為了優化神經網絡模型，分析學習率對模型性能的影響，此次實驗根據樣本數據量將迭代次數設定為300，采用不同學習率對模型進行訓練并預測，學習率數值由低到高，模型的損失函數數值基本符合正態分布，結果見表3。

綜上可知，當學習率處于0.0001時，模型性能已基本處于最優狀態，因此在此后的研究討論中，始終將學習率保持在0.0001。

圖3 光譜預處理前后對比

圖4 使用平均、最大池化層時網絡模型的運行結果

表3 學習率與模型性能的關系

Tab.3 Relationship between learning rate and model performance

2.3.3 批大小的選擇

批大小的選擇對模型訓練時長以及損失函數震蕩程度存在較大影響（訓練時長與損失函數震蕩程度相互并不影響），批越小完成一次epoch所需要的時間就越長，同時梯度震蕩越劇烈，loss曲線越難收斂，反之epoch所需要的時間越短且梯度震蕩幅度減小，loss曲線更加平滑。為了分析批大小與模型性能的關系，實驗設置迭代次數為300，并采用不同批大小對模型進行訓練并測試，得到結果見圖5。

結果顯示在批大小為8時，模型已處于最優狀態，loss曲線與準確率均保持穩定且保持較快的訓練速率，表明當批大小為8時即可滿足食品塑料包裝分類的訓練需要。故批大小在后續的研究中設定為8。

2.4 模型比較

2.4.1 決策樹模型

決策樹模型以聚類分析結果為單位，借助Matlab 2016a統計分析軟件對49個樣本進行決策樹模型分析，經3種不同精度的樹模型算法訓練結果顯示，最高正確率為87.8%，混淆矩陣結果見圖6。圖6中第1類樣本識別準確率最高，即PET塑料識別效果最佳，PE、PP塑料識別效果次之。

圖5 不同批大小網絡模型的運行結果

圖6 決策樹模型混淆矩陣

2.4.2 支持向量機模型

支持向量機模型選擇高斯核函數、多項式核函數以及線性核函數建立分類器，同時，鑒于SVM分類器在應用時產生的風險問題，選擇對不同比例下的訓練集和測試集進行分類，獲取了49個樣本高光譜圖像數據的分類結果，見表4。

由表4可知，高斯核函數下的SVM分類器在80%訓練集比例下樣本數據的分類正確率最高，達到88.9%；多項式核函數和線性核函數下的SVM分類器對樣本數據的分類正確率均低于80%，說明基于3種核函數的SVM分類器在不同比例訓練集均未能實現良好分類。

表4 不同訓練比例的分類準確率

Tab.4 Classification results of different training proportions %

2.4.3 卷積神經網絡模型

該卷積神經網絡模型應用前文討論過的最佳參數組合，設置迭代次數為300，dropout層為20%，進行樣本訓練。訓練集準確率達到94.12%，損失函數值較低，然后將測試集輸入到訓練好的模型中進行測試，最終測試結果見圖7。準確率訓練20次后可達到100%且一直保持穩定，損失函數值最終下降到0.0171。

可見測試集最終結果達到收斂且未出現損失函數爆炸或者數值鎖定的情況。在測試過程之中，前20次迭代曲線下降速度較快，隨后迅速達到穩定狀態，直到迭代結束曲線沒有出現波動情況，測試情況較為理想。該測試集結果證明該模型具有較強的穩定性，分類速度快且精度較高，達到了較好的分類效果。

圖7 測試集損失函數與準確率變化趨勢

最終訓練集和測試集的混淆矩陣結果見圖8。基于塑料包裝二維信息矩陣建立的3層神經網絡信息判別模型并未出現過擬合或者欠擬合的現象，驗證集識別準確率高達100%，模型性能良好，達到理想目標。

3 結語

基于卷積神經網絡算法設計了食品塑料包裝袋光譜數據的分類方法，首先在高光譜成像系統中采集樣本數據，將光譜數據進行預處理并建立了3種機器學習分類識別模型。結果顯示，支持向量機模型、決策樹模型識別效果差，其識別準確率（ACC）均未達到90%，卷積神經網絡識別效果最好，ACC高達100%，說明高光譜成像技術與卷積神經網絡結合的識別方法，可以精準、快速地識別不同類別的食品塑料包裝，為案件偵破提供了一種無損的檢測方法。對于現場提取到的未知物證，可通過該模型進行快速分類識別，縮小偵查范圍。下一步應擴大樣本容量，嘗試對更多的食品塑料包裝袋進行識別研究。

[1] 何靖柳, 陳莉月, 楊冬雪. 食品包裝材料的安全性分析及展望[J]. 造紙裝備及材料, 2020, 49(4): 54-55.

HE Jing-liu, CHEN Li-yue, YANG Dong-xue. Safety Analysis and Prospect of Food Packaging Materials[J]. Hunan Papermaking, 2020, 49(4): 54-55.

[2] 田陸川, 姜紅. 食品塑料包裝材料的檢驗研究進展[J]. 安徽化工, 2021, 47(1): 4-7.

TIAN Lu-chuan, JIANG Hong. Study Progress on The Identification of Food Plastic Packaging Materials[J]. Anhui Chemical Industry, 2021, 47(1): 4-7.

[3] 柳沙. 原子吸收光譜法測定PET塑料材料中銻的遷移量[J]. 云南化工, 2019, 46(7): 60-61.

LIU Sha. Determination of Antimony Migration in Pet Plastics by Atomic Absorption Spectrometry[J]. Yunnan Chemical Industry, 2019, 46(7): 60-61.

[4] 徐昕霞, 沈學靜, 楊曉兵, 等. 激光拉曼光譜快速篩查塑料玩具中鄰苯二甲酸酯的研究[J]. 光譜學與光譜分析, 2020, 40(6): 1929-1933.

XU Xin-xia, SHEN Xue-jing, YANG Xiao-bing, et al. Rapid Analysis of Phthalate Esters in Plastic Toys by Laser Raman Technology[J]. Spectroscopy and Spectral Analysis, 2020, 40(6): 1929-1933.

[5] 田靜, 王曉娟, 齊文良, 等. 基于近紅外光譜分析技術的食品包裝塑料的定性分析[J]. 分析測試學報, 2020, 39(11): 1416-1420.

TIAN Jing, WANG Xiao-juan, QI Wen-liang, et al. Research on Food Packaging Plastics Based on Near Infrared Spectroscopy[J]. Journal of Instrumental Analysis, 2020, 39(11): 1416-1420.

[6] 馬梟, 姜紅, 楊佳琦. X射線熒光光譜結合多元統計分析塑料打包帶(繩)[J]. 激光與光電子學進展, 2019, 56(22): 243-247.

MA Xiao, JIANG Hong, YANG Jia-qi. Examination of Plastic Pack Belts (Ropes) via X-ay Fluorescence Spectrometry Combined with Multivariate Statistical Analysis[J]. Laser & Optoelectronics Progress, 2019, 56(22): 243-247.

[7] 朱茂電, 靳雅莉, 謝雨桐. 液相色譜-質譜法在食品包裝鄰苯二甲酸酯含量測定中的應用[J]. 塑料工業, 2019(8): 106-109.

ZHU Mao-dian, JIN Ya-li, XIE Yu-tong. The Application of LC-MS in the Determination of Content of Phthalate Esters in Food Packaging[J]. China Plastics Industry, 2019(8): 106-109.

[8] 杜煥玲, 呂姍, 曹焱鑫. 氣相色譜-質譜法測定塑料玩具及兒童用品中的多環芳烴[J]. 化工技術與開發, 2020, 49(12): 37-39.

DU Huan-ling, LYU Shan, CAO Yan-xin. Determination of Polycyclic Aromatic Hydrocarbons in Plastic Toys and Children's Products by Gas Chromatography-Mass Spectrometry[J]. Technology & Development of Chemical Industry, 2020, 49(12): 37-39.

[9] 王慧, 何鴻舉, 劉璐, 等. 高光譜成像在魚肉品質無損檢測中的研究進展[J]. 食品科學, 2019, 40(5): 329-338.

WANG Hui, HE Hong-ju, LIU Lu, et al. Recent Progress in Hyperspectral Imaging for Nondestructive Evaluation of Fish Quality[J]. Food Science, 2019, 40(5): 329-338.

[10] 馮穎, 蔡競. 基于高光譜成像技術的不同介質血跡陳舊度研究[J]. 激光與光電子學進展, 2020, 57(5): 279-284.

FENG Ying, CAI Jing. Age Estimation of the Bloodstains on Different Substrates Based on the Hyperspectral Imaging Technology[J]. Laser & Optoelectronics Progress, 2020, 57(5): 279-284.

[11] 張倩, 陳維娜, 郝紅光. 高光譜成像技術在文件檢驗應用的研究綜述[J]. 應用化工, 2020, 49(1): 165-170.

ZHANG Qian, CHEN Wei-na, HAO Hong-guang. A Review of Research on Hyperspectral Imaging Technology in Document Inspection Applications[J]. Applied Chemical Industry, 2020, 49(1): 165-170.

[12] 崔瑩瑩, 楊銘鐸, 方偉佳, 等. 高光譜成像技術在紅肉食用品質檢測中的應用研究進展[J]. 肉類研究, 2019, 33(6): 70-76.

CUI Ying-ying, YANG Ming-duo, FANG Wei-jia, et al. A Review of Application of Hyperspectral Imaging Technology in Quality Detection of Red Meat[J]. Meat Research, 2019, 33(6): 70-76.

[13] WENG S, YUAN H, ZHANG X, et al. Deep Learning Networks for the Recognition and Quantitation of Surface-Enhanced Raman SPECTROSCOPy[J]. The Analyst, 2020, 145(14): 4827-4835.

[14] NURKHAMID, SETIALANA P, JATI H, et al. Intelligent Attendance System with Face Recognition using the Deep Convolutional Neural Network Method[J]. Journal of Physics: Conference Series, 2021, 1737(1): 012031.

[15] CHEN Yan-tong, CHEN Wei-nan, ZHANG Xian-zhong, et al. Fly Facial Recognition Based on Deep Convolutional Neural Network[J]. Optics and Precision Engineering, 2020, 28(7): 1558-1567.

[16] OKA S, WAYAN G I, GEDE D P I K. Handwriting Identification Using Deep Convolutional Neural Network Method[J]. Telecommunication Computing Electronics and Control, 2020, 18(4): 4826-4828.

[17] ALEJANDRO B, YAGO S, PEDRO I. Evolutionary Convolutional Neural Networks: An Application to Handwriting Recognition[J]. Neurocomputing, 2018, 283(1): 38-52.

[18] 楊立東, 張壯壯. 改進卷積神經網絡的音頻場景分類研究[J]. 現代電子技術, 2021, 44(3): 91-94.

YANG Li-dong, ZHANG Zhuang-zhuang. Research on Acoustic Scene Classification Based on Improved Convolutional Neural Network[J]. Modern Electronics Technique, 2021, 44(3): 91-94.

[19] 付煒, 楊洋. 基于卷積神經網絡和隨機森林的音頻分類方法[J]. 計算機應用, 2018(S2): 58-62.

FU Wei, YANG Yang. Audio Classification Method Based on Convolutional Neural Network and Random Forest[J]. Journal of Computer Applications, 2018(S2): 58-62.

[20] 陳法權, 樊軍. 基于卷積神經網絡的人體步態識別算法研究[J]. 機床與液壓, 2020, 48(19): 161-164.

CHEN Fa-quan, FAN Jun. Research on Human Gait Recognition Algorithm Based on Convolutional Neural Network[J]. Machine Tool & hydraulics, 2020, 48(19): 161-164.

Spectral Recognition of Plastic Food Packaging Bags Based on Convolution Neural Network

LYU Ru-lin, JIA Zhen, HU Yi-tao, HE Hong-yuan, HE Wei-wen

(Institute of Investigation, People's Public Security University of China, Beijing 100038, China)

The work aims to realize the rapid detection and material differentiation of food plastic packaging bags. The spectral data of 49 groups of different food packaging bags were collected by hyperspectral imaging technology in the wavelength range of 450～950 nm. The data were preprocessed by savitzky Golay smooth filtering, data normalization and principal component analysis to establish two traditional machine learning models of decision tree and SVM and one convolutional neural network model. Then, the recognition performance of traditional machine learning models and convolutional neural network model on the packaging bag materials was compared. The verification recognition rate of decision tree model and SVM model was 87.8% and 88.9%, respectively, while the verification recognition rate of convolutional neural network model was up to 100%, and the loss function value finally dropped to 0.0171 and tended to be stable. Therefore, the convolutional neural network model had obvious advantages in classification effect and accuracy. The method of hyperspectral detection does not destroy the material, and has good reproducibility and strong stability, which can realize the accurate identification of food plastic packaging bags. The convolutional neural network model has the best recognition effect on hyperspectral data of food packaging bags and provides the basis for the identification and recognition of plastic packaging bags in the field of food packaging quality detection.

hyperspectral imaging technology; convolutional neural network; food plastic packaging bag; machine learning; fast identification

TS206.4

A

1001-3563(2022)03-0121-08

10.19554/j.cnki.1001-3563.2022.03.015

2021-08-08

國家重點研發計劃資助（2017YFC0822001）

呂銣麟（1997—），男，中國人民公安大學碩士生，主攻理化物證檢驗。

何洪源（1965—），女，博士，中國人民公安大學教授，主要研究方向為理化物證檢驗。