食品行業(yè)
燕麥在《本草綱目》中又稱雀麥、野麥。目前，燕麥主要分為皮燕麥和裸燕麥，在全世界42個國家有所種植，總產(chǎn)量在糧食作物中排第5,我國主要種植的是裸燕麥，占燕麥總量的90%以上，青海、內(nèi)蒙古、甘肅等地為主要種植區(qū)。燕麥?zhǔn)堑吞恰⒏郀I養(yǎng)的作物，其膳食纖維中富含的β-葡聚糖具有降低膽固醇、降低血脂、平穩(wěn)血糖和預(yù)防心血管疾病的功效。燕麥中β-葡聚糖含量的監(jiān)測方法有剛果紅檢測法、酶檢測法、改良酶檢測法等，雖然這些方法的準(zhǔn)確度高，但檢測速度較慢且成本較高，不適合對燕麥中β-葡聚糖含量進(jìn)行快速檢測。
高光譜成像技術(shù)能夠同時(shí)獲得檢測對象每個像素點(diǎn)的空間分布和光譜信息，提取出被測樣本的外觀信息和內(nèi)部品質(zhì)信息，能夠?qū)崿F(xiàn)對樣本的快速、無損檢測，同時(shí)不需要復(fù)雜的前處理，并能同時(shí)進(jìn)行多組分檢測。目前常見的有光柵分光技術(shù)、聲光可調(diào)諧濾波分光技術(shù)、棱鏡分光技術(shù)和鋁片鍍膜技術(shù)等。高光譜成像技術(shù)已在農(nóng)業(yè)、食品領(lǐng)域得到廣泛的研究和應(yīng)用，如馬溴等叫指出通過高光譜成像技術(shù)能獲取水果豐富的圖像等信息進(jìn)行分析，在水果的綜合品質(zhì)無損檢測方面有廣闊的前景。
1材料與方法
1.1材料與儀器
燕麥：青海西寧周邊種植，進(jìn)行去殼處理，且無霉變、未發(fā)芽、個體完整，于20℃的室內(nèi)存放備用。
應(yīng)用了400-1000nm的高光譜相機(jī)，可采用杭州彩譜科技有限公司產(chǎn)品FS13進(jìn)行相關(guān)研究。光譜范圍在400-1000nm，波長分辨率優(yōu)于2.5nm，可達(dá)1200個光譜通道。采集速度全譜段可達(dá)128FPS，波段選擇后最高3300Hz（支持多區(qū)域波段選擇）。
1.2試驗(yàn)方法
1.2.1樣本制備
燕麥重復(fù)混勻后，采取四分法取出燕麥鋪至直徑10 cm、厚度1 cm的培養(yǎng)皿中，保持燕麥單粒鋪滿整個培養(yǎng)皿，燕麥粒之間的空隙越小越好。共做200個，隨機(jī)分為150個建模組和50個預(yù)測組，并編號。
1.2.2高光譜數(shù)據(jù)采集
利用高光譜成像系統(tǒng)對所有樣品進(jìn)行光譜成像數(shù)據(jù)采集，如圖1,選擇的高光譜采集系統(tǒng)條件為相機(jī)高度33 cm、曝光時(shí)間25 ms、平臺移動速度27 mm/s。
1.2.3噪聲校正
通過標(biāo)準(zhǔn)的白板和黑板進(jìn)行全白、全黑的標(biāo)定圖像掃描，獲得全白和全黑環(huán)境下的標(biāo)定圖像，然后計(jì)算校正后的圖像，通過計(jì)算可消除不同波段下光源強(qiáng)弱不均及儀器暗電流存在導(dǎo)致的噪聲影響。
1.2.4數(shù)據(jù)預(yù)處理
由于測試樣本為燕麥顆粒鋪成的平面，樣本的表面凹凸不平且有縫隙，因此需要最大限度地挖掘所檢測的光譜數(shù)據(jù)中的有效信息，去除儀器噪聲、樣本的背景及雜光等對后期分析結(jié)果影響較大的數(shù)據(jù)。通過試驗(yàn)最終采取了25×25像素點(diǎn)的固定區(qū)域?yàn)闃颖镜臏y試區(qū)域，計(jì)算其均值，采用變量標(biāo)準(zhǔn)化、多元散射矯正等方式矯正表面凹凸帶來的測試影響，并在檢測的波長范圍內(nèi)去除前后各20個波段。
2結(jié)果與討論
2.1樣本中β-葡聚糖含量的測定及統(tǒng)計(jì)分析
將經(jīng)過高光譜數(shù)據(jù)采集后的樣本進(jìn)行粉粹，然后過0.2 mm篩制成待測樣。采用NY/T 2006—2011《谷物及其制品中β-葡聚糖含量的測定》對燕麥中β-葡聚糖的含量進(jìn)行測定。檢測結(jié)果見表1。
由表1可以看出，建模組和預(yù)測組的燕麥中β-葡聚糖含量具有較好的一致性和均一性。
2.2樣本的光譜特征
由150個建模組樣本的原始光譜曲線圖計(jì)算得出每個波長下150個樣本的光譜反射率平均值，獲得了建模組燕麥的平均光譜曲線圖，如圖2。
由圖2可以看出，燕麥在640、840mm的波長附近有較為明顯的光譜吸收，從而產(chǎn)生光譜反射的低谷。
2.3高光譜數(shù)據(jù)預(yù)處理和提取
運(yùn)用分段線性回歸的參數(shù)化數(shù)值分析方法對數(shù)據(jù)進(jìn)行維度降低處理，最終選取波長640 nm,在該波長下能夠在不降低檢測準(zhǔn)確度的情況下，提高識別的速度。本次研究獲得的光譜反射率與待估算的β-葡聚糖含量數(shù)值的散點(diǎn)圖見圖3。
2.4基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型建立
基于BP神經(jīng)網(wǎng)絡(luò)建立燕麥中B-葡聚糖含量的預(yù)測模型，模型的結(jié)構(gòu)示意圖見圖4。輸人層的 數(shù)據(jù)向量是通過分段線性回歸得到的特征光譜信息Pi,中間的隱藏網(wǎng)絡(luò)層傳遞函數(shù)為正切函數(shù)logsig輸出層即燕麥中β-葡聚糖的含量a。隱含網(wǎng)絡(luò)層目前尚無明確的理論指導(dǎo)進(jìn)行選擇，本次試驗(yàn)結(jié)合樣本的情況進(jìn)行不斷嘗試并優(yōu)化最終確定隱含層的節(jié)點(diǎn)數(shù)。采用的函數(shù)為logsig(Q+X),其中Q是試驗(yàn)中不同的特征光譜的加權(quán)計(jì)算權(quán)重，X為數(shù)值在計(jì)算時(shí)的殘差，訓(xùn)練算法的函數(shù)選擇高斯牛頓方法，最大訓(xùn)練次數(shù)為1000次，目標(biāo)誤差為0.02%。
通過對模型的訓(xùn)練試驗(yàn)，獲得燕麥中β-葡聚糖含量的模型及估算結(jié)果，最終使模型的期望輸出值與估算輸出值接近，如圖5所示，平均絕對偏差在0.02%以內(nèi)，實(shí)現(xiàn)通過觀測特征光譜估算燕麥中β-葡聚糖含量的定量模型。
2.5模型輸出結(jié)果的檢驗(yàn)
通過建立的BP神經(jīng)網(wǎng)絡(luò)模型，對50個預(yù)測組的樣本進(jìn)行估算，其中最小的差值為0,最大的差值為0.56,整體的準(zhǔn)確率較高，且誤差較小，詳見表2。
由表2可以看出，估算值與檢測值之間的差值大于0.5的僅一個，60%的樣本數(shù)的差值小于0.2。通過對建模組和預(yù)測組的數(shù)據(jù)進(jìn)行分析，結(jié)果見表3,可以發(fā)現(xiàn)建模組的R為0.97,RMSE為0.64,預(yù)測組的R為0.98,RMSE為0.58,模型預(yù)算表現(xiàn)的精確度較好。
圖6是利用BP神經(jīng)網(wǎng)絡(luò)模型得到的估算值與利用NY/T 2006—2011得到的檢測值的散點(diǎn)分布圖，由圖6可以看出，散點(diǎn)圖中所有點(diǎn)基本在直線附近，說明預(yù)算組中利用模型估算的燕麥中β-葡聚糖的含量與采用NY/T 2006—2011檢測的數(shù)值基本趨于一致，因此利用建立的BP神經(jīng)網(wǎng)絡(luò)模型對燕麥中β-葡聚糖的含量進(jìn)行預(yù)測是可行的。
3結(jié)論
本文利用高光譜成像系統(tǒng)對燕麥進(jìn)行400~1000mm范圍的光譜反射掃描，采用了分段式線性回歸分析的方法對數(shù)據(jù)進(jìn)行處理，建立了3層BP神經(jīng)網(wǎng)絡(luò)模型，對燕麥中β-葡聚糖含量進(jìn)行模型預(yù)測，獲得了滿意的精度。該試驗(yàn)為燕麥中β-葡聚糖含量的快速、無損檢測提供了新的方法，為后續(xù)搭建多光譜成像系統(tǒng)提供了參考和依據(jù)，并在燕麥品質(zhì)監(jiān)控上有較為廣闊的前景。
