图谱特征深度网络在苹果糖度检测中的探索研究

1、图谱特征深度网络在苹果糖度检测中的探索研究白岩点，蔡小婵，李晶晶i安徽大学 互联网学院，安徼 合肥230039）【楮 要】高光谱成像技术作为一项近年来比拟流行的技术，在农作物检测方面展现出了巨 大优势*通过仪器和光源照射，高光谱技术能够荻取裱浏物品的二维图像信忠、一缱光谱 信息，从而无损地桧测出苹果内外在的理化性质。文章通过高光诰技术获得苹果数据后， 利用反向人工神经网堵算法建模，实现对苹罢戡度（苹果最重要的品质之一）的检测和预 测。经过实际训练显示，该模型苹果枪度检测效果为穴=0.910 3,预测误差均方根为 13.17,预测效果较为良好，是无损检测翠果精度的一个行之可行的方法。文章利用高光

2、谱 成像系统采集苹果的二笙图像信息和一壤光沿信息；对采集的故据进行降咪和预处理，筛 选出特征波长；利用人工神经网络bp算法建立苹果糠度预测模塑；带入实验数据训练， 逃行模型的评估。【关姓词】苹果极度；无损检测；高光洁成像；人工神经网络bp算法【中图分类号10657.33： ts255 7【文献标识码】a【文章编号1674-068&：202xxx0-0057-03【基金工程征深度网生的就果合品质桧洌顷目编号：20xx10357722扁作者简介】白岩霸，男，安st合肥人，安愈大学互联网学院本科在读；蔡小蜉，女，安循合肥人，安遗大学互联网学映本科在读；李能晶，女, 安微合如人，安皴大学互联网

3、学浣本秘在读。1工程背景与技术简介1.1研究背景我国是世界农产&的生产和5肖资大国，水果作为农产品的 重要组成8盼，其产业髭否稳步向前，关系到我国的经济和生 态产业发屐苹果是最常见、最重要的一种水果，我国作为苹 果榭面积最广、钥量最大的芸果生产国，苹果产业的开展对 提高农民收入，实现新农村产业改革具有重要影响。但我国的 革果产业目前还存在检测水平落后、带损检测无法高新产业化 等向瓯如果能够由单纯的产最大国转变为现代产业强国，那 么中国的苹果产业将在经济全球化趋势下拥有更强的国际竞争 力。本文和用高光谱成像技术和人工神经网络bp算法，针对 无损检测和预演苹果内在品质（以燃度为代表）像初步

4、探索与 研兑1.2高光谱成像技术简介高光谱成候技术是基于用多窄波段的影像数抠技术，它 成功地结合了成像技术和光谱技术，通过高光谱技术可以检浏 出实驳物品的二维图像信息和一雄光谱信息七如图1所示, 研究人员把3个维度的信息抽象为空间坐标轴上的一个立方 体，其中x轴和丫轴代表实稔物品的二维图像信息，z轴代 表实验物品的一雄光谱信息。通过高光话获得的数据具有极 高的分辨率，广泛的光谱波段范围能提供大量实埃物品的内 外信瓦随着科学技术的不断开展，高光谱技术在越来越多的领域 表达了其优越的检测挣性，比方食品平安方面融合了空间的图 像信息和光梏中的光诺信息，可以到达同时检测果蔬等食品外 部和内部指的目的：

5、在医学诊断方面，高光治技术提供了一 个较为先进且对人体损伤极小的诊断手法，可以渚晰地描述病 人的物理、化学方面的各种体征：在炕空航天方面，其高灵敏 度、高分辨率和高领谱范围的仪器特性可以应用于遥感和地球 科学等。与光谱技术优势明显，但是由于从高光谱仪中提取的高光 谱数据同时包含二ta图像和一维光港的三维综合信息，且图像 信息和光道信息一一对应，所以图摩的每一个像素点都包念了 很长的连续波段信息，而囹像本身又包含数据量庞大的像素 点，这就必然导致数据采集量过大及冗余程度过强，纶后续的 数据牌分析带来一定的难度。图2是一个高光谱检测系统的大致结构示意图，它由面阵 相机.光谱仅、光电转换罪、各种控制

6、器、移动平台及与之连 接的计算机软硬件等局部构成、将被桧浏的实骇物品平稳地 放在移动平台上，翻开光源后，其探头装置便能将物体照封面 的图像和光谱信息收集在计算机中，采集的具体软硬件种类可 能因物品种类差异而有所不同。1.3实验流程图实验流程图如图3所示。2实验材料数据采集与预处理2.1实验材料与实验环境为了保证实会材料的新象程度，实细溉?的前一天在京东 商城购置了 63个新西兰“皇家折"苹果，每个革果的声量 范围在160-190 g,形状规整，外表光滑，顿色鲜艳.为了 提升样本容量和减少苹果因实稔导致的浪际 将一个箪果的两 个半球面拆分开来，分别者成两个不同的苹果进行切片取样。 购置

7、的63个苹果通常都是一半面的颜色较为红洵，另一个半与评估成他校正光谴h ； ' sjs的尤遂bb3本工程的实弦流理面那么呈现较多的黄色，这样切片可以存节省原群的同时为实我 提供更多具有差异性的波段信息。硼的苹果糖度检测及高光谱信息的采集在安徽大学农业 大数据实验室进行。糠度的检测主要利用数字糠度计（digital refractometer）对苹果样本进行粕度测瓦高光谱的图像和光语数据由实验室提供的面阵高光谱成俄 系统平台及连接于系统的计算机数据采集软件为sra toolkit）进行采集。采集过后的高光谓数据使用envi 52进行rgb波段选 择和感兴建区域的选择，最终导出.csv形式

8、的表格文件。后期的算法模型和做图分析所使用的软件工具为mat- lab20xxbn2.2样本数据采集和预处理高光谱图像采集将购置回来的苹果该在室温下静置24 h之后，用一次性 灭茵手套把革果轻轻放入念有固定装置的高光谱检浏箱系统 内，预先确定好采集苑围后将含有该范围的苹果的一面朝上对 假设光源，朝上的受光局部即为图像采集区域。调整光谱范围和 光照强度，使得在sra软件上的苹果image制，并且注8： 曜光值不超过软件的警告苑虱每个苹果的一个面测好后站上 标签并标号，换另一面玉复上述操作，即可获得cube和hdr 格式的文件数据°在上述操作中，每次采集数据都要杳苹宾边上放置f硬 质白板

9、进行黑白校正，从而尽可倒嶙少背景唉声对高光谱数 据分析产生的影响。高光谱镜头盖取下之前产生的图像计为a （全黑，将硬质白板通过光源检测生成的图像计为职（全白）， 那么可以透过公式由原始图像/得到校正图像未经处理的光涝反射率曲线往往含有大量的噪声信息，会 对数据的分析产生较大的干扰。敬据预处理的方法有很多种, 本文选择矢归一化的方法，该方法能够有效地减少因光谱变 化导致的噪声枷，公式如下：vsgtvf2.3苹果实际糖度测量使用数字健度计对样本进行精度测sl在用数字糖度计之 前，需要将苹果的一面先切一局部下来，测量质后按照1 g 样本配1g水的比例放入榨汁机中榨成果汁，接着倒入烧杯搅 拌均匀。每次

10、用滴管在烧杯中的一半高度取15 ml果汁放入 璃度计检泌烯度，每个切片取3次求平均值，作为该样本的褪 度值，/j傲点后保存两位/j傲（单位brix）o将测员的结果标 号并且记在excel表格礼 统计雌果见春1。2.4特征波段选择由于每个苹果在使用envi 52软件选择感兴趣的区域 （rod后导出的.csv表格文件中，拥有band*!到band260 波段及不同xy像素点，平均每个文件的数据量为260x 7 000,如此庞大的敬据量对后晚】建模和数据分忻尤为不 所以要想方法对欲据进行降雄缩减，我们利用matlab的模 瑚极值算法在光谱反射回归曲线中提取8个特征波段，这8个 特征波段包含了绝大局部

11、苹果的光谱信岛3建立深度网络模型3.1人工神经网络bp算法简介本工程采用的是基于人工神经网络bp算法的模虱 人工 神经网络是模拟作物神经系统的。人工神经网络中神经元之间 的联系可以抽象化为权值的大小，瞧的方式为循环往复的数 据信息的不断剌激；而反向传播（back propagation, bp） 算法就是用来调整权值的，其核心思想就是训练误差逐层反向 传播，每层神经元与下层神经元间权重通过误差16速梯度下降 的方法调整通常人工曜网络分为输入层、澜层和输出层（如图4 所示）。隐藏层和输出层都有相应的鼓励函数（这个鼓励方式 可以美比为人体的神绷湃尹。常用的鼓励函数有sigmoid和linear函数

12、。本工程意图 建立苹果糠度的实际值和测量值的回归模型，因此使用linear 两数更适宜。由训城数据集确定输入层和捻出层的神经元故 目.而隐毓神经元数目的设定带有很大的经埃性，对经乾公 式向上取琵的数值可作为隐觥神经元数目。si苹果墉度校正集合故测flits穷统计锥集样品孜«xbrbc小 brix干均bra标校正*8015.19.31231.72615.4971291.93.2前向传播采用以感知机为根底方式，u修数抠中含有的信息能够逐 个层次从输入房传播到输出层，公式表达如下：x hidden ia=w input hu!de na" i nputxhiddenout=fhm

13、en （xhiddenjn）xoutp utitr=whid（lfnoulputxh iddenjcmtxfhttp 加3.3误差bp （反向）传播bp传播方式和上文所述的前向传播方式相反，前者是训 练数据从输入层传递到输出层，而bp算法那么是将训隧误差从 输出层刑台反方向地传递到网络中的所有禳层，通过不断训 练，误差会越来越代 本实验采用平方误差损失函数到达实检 所期待的误差苑围，用链式最速梯度下降法改变权值的大小, 到达最好的训练效舄其中，损失函数如下£=21 （ypred-ytruel 23.4各层梯度和更新函数输出层狒度（误差）：goutx output jcml-ylruc

14、濒g,输出知值柳k：（ihiddrnihu=x h iddrn put6hidflc noulp utshut-goul x/oulput 1 xohtpuljn）输a层堑秘即值株旺ginp ulh idden =.¥ inp ul&np ulh men8i/iputhiddcn chiddenoulput w hidde nouiput 刈hid- den' lyhidde nin i瞬层穿输出层权值更新：a l hiddenoutpul=tjchiddenout心a whiilden oulpiiiprerioiis输入jg尧鼬原权值更新：a winputjhid

15、denstjcinpuljiiddenowinpulji-iddcnprvvious3.5算法步骡步残1：初始化权值矩阵叭阂值心步收2：训练内容 （包含前向传播和误差反向传播）。步骤3迭代训练百到误差 小于阚值叩或到达最大迭代次数冲农上述步骤中输入参数 为训练数据集人和y,阈值牛，最大迭代次数gu及其他人工 神经网络所必筲的配置参数.输出的参敬为人工神经网络的权 值畦4模型预测结果与小结上文“2.4节”中提到选择出8个特征波段代表苹果的 光谱信息，将这8个数据作为输入导入输入层，根据经驳公 式和桧验调整，决定隐藏层的个数为5,信终确定了 8-5- 1的人工神经网络bp模型。将该模型的学习速度设

16、定为0.03,可以兼顾数据训练速度和训练精度，使得理想训博误 差在q05左右。实际革果地度检测效果为/<=0910 3,预测误差均方根 为13.17,并用matlab做出钢位和实际值的关系虱由图5可以看出，经过前期高光谱数据采集出的苹果的一 维图像和二维光谱信息，经过数据预处理和特征波长的选择 后，靖入基于人工神经网络bp算法的模w,该模犁对苹融 度的预浏效果较为理想，是无损检测苹果糠度的一个行之有效 的方法。后期本工程成员将兼顾革果和其他水果的内外品麻 并融合多指标进行分析实践，使得本工程思路龄在史广泛的 平台上发挥作用。参考文献1 刘品品，刘付龙，史钦，等.高光语图像技术检测苹果 外部伤j.中国食品学报，20xx（1）： 278-284.2 冯迪，纪建伟，张莉，等.基于高光语成像提取苹