引 言

近年來(lái)國(guó)內(nèi)大米市場(chǎng)混亂，各種低檔、劣質(zhì)稻米冒充品牌稻米銷售，嚴(yán)重侵犯了消費(fèi)者的利益，甚至危及生命安全。而目前，稻米品質(zhì)與品種的鑒別方法主要為感覺(jué)法與化學(xué)分析法。感覺(jué)法通過(guò)形狀、色澤以及氣味對(duì)大米品質(zhì)進(jìn)行鑒定，主要依賴鑒別者的經(jīng)驗(yàn)，缺乏嚴(yán)格的科學(xué)依據(jù);常規(guī)化學(xué)分析法則存在耗時(shí)長(zhǎng)、耗資大以及操作復(fù)雜等缺點(diǎn)而難以滿足市場(chǎng)經(jīng)營(yíng)中快速鑒別的需要.而可見(jiàn)/近紅外反射光譜技術(shù)因其快速、高效以及無(wú)損的特點(diǎn)，已被廣泛地應(yīng)用于石油化工、探礦、制藥以及紡織等領(lǐng)域。近年來(lái)，可見(jiàn)/近紅外光譜結(jié)合模式識(shí)別技術(shù)，進(jìn)一步在楊梅、燕麥等農(nóng)產(chǎn)品的分類中獲得了成功的應(yīng)用，對(duì)丹參、白術(shù)、蛇床子等中藥材產(chǎn)地與真?zhèn)舞b別也取得了滿意的結(jié)果。在稻谷的相關(guān)研究中，可見(jiàn)/近紅外光譜技術(shù)也已用于其直鏈淀粉、蛋白質(zhì)、脂肪以及氨基酸含量與稻谷儲(chǔ)存年份的分析。本文將采用可見(jiàn)/近紅外反射光譜技術(shù)對(duì)稻米的品種與真?zhèn)芜M(jìn)行鑒別，為稻米品種的快速無(wú)損鑒別提供新的方法。

1 材料與方法

1.1樣本來(lái)源與數(shù)據(jù)采集

于超市購(gòu)買了泰國(guó)香米、夜郎貢米、珍珠米、泰國(guó)糯米四種稻米樣本;于湘西質(zhì)量技術(shù)監(jiān)督局獲得劣質(zhì)米(珍珠米偽品)樣本。每種稻米采集樣本35份，合計(jì)175份。隨機(jī)抽取150份(每種30份)作為訓(xùn)練集，其余25份(每種5份)作為預(yù)測(cè)集。樣本于45℃下恒溫烘干24h后，于玻璃皿中進(jìn)行光譜掃描，米樣上表面均與玻璃皿上端保持平齊。測(cè)樣于暗室中進(jìn)行，以鹵素?zé)魹槲ㄒ还庠?光纖探測(cè)器頭部與樣本之間保持垂直，下部距離樣本0.5cm，每一樣本重復(fù)測(cè)量30次取其均值。

1.2 光譜預(yù)處理

由于光譜在小于400nm與大于2300nm的波段噪聲較大，因此本研究選用400～ 2300nm波段作為有效光譜數(shù)據(jù)進(jìn)行分析。將有效光譜經(jīng)S.Golay平滑后，采用標(biāo)準(zhǔn)歸一化(SNV)方法進(jìn)行除噪。

1.3 數(shù)據(jù)降維與波段選擇

如果將光譜數(shù)據(jù)直接作為變量輸入進(jìn)行建模，不但會(huì)因變量太多而增加建模難度，而且會(huì)引入噪聲而降低模型的預(yù)測(cè)精度。為了避免這一問(wèn)題，本研究采用主成分分析(PCA)以實(shí)現(xiàn)光譜數(shù)據(jù)的降維。同時(shí)，如能選用特征波段進(jìn)行建模，將信噪比低的波段刪除，可能會(huì)獲得比全波段建模更好的結(jié)果。因此，本研究將對(duì)全波段與特征波段兩種建模方法進(jìn)行比較分析以獲得較優(yōu)模型。

1.4 人工神經(jīng)網(wǎng)絡(luò)模型

在光譜分析中，人工神經(jīng)網(wǎng)絡(luò)是一種重要的模式識(shí)別方法，其中多層誤差反向傳播神經(jīng)網(wǎng)絡(luò)方法(back-propagation，BP)應(yīng)用尤廣，具有強(qiáng)大的非線性建模能力，特別適合解決復(fù)雜的映射問(wèn)題。而作為一種有機(jī)物，稻米內(nèi)部的理化性質(zhì)與其可見(jiàn)/近紅外反射光譜之間正是一種復(fù)雜的映射關(guān)系，因此，本研究將全波段與特征波段降維后的數(shù)據(jù)分別導(dǎo)入DPS中，采用BP算法建立不同稻米的鑒別模型。

2 結(jié)果與討論

2.1 稻米樣本的可見(jiàn)/近紅外漫反射光譜

圖1為5種稻米部分可見(jiàn)/近紅外漫反射光譜曲線。從圖中可看出，不同品種稻米的反射光譜的波形有稍許差異，而同種稻米樣本的光譜則有一定的聚集趨勢(shì)，但憑肉眼難以準(zhǔn)確區(qū)分。分析時(shí)，先將光譜數(shù)據(jù)轉(zhuǎn)化為ASCII碼，在Unscramble 9.7中完成預(yù)處理后進(jìn)行PCA分析。

圖1 5種稻米樣本的可見(jiàn)/近紅外反射光譜

2.2 PCA分析與特征波段提取

訓(xùn)練集樣本經(jīng)PCA降維分析后，分別以前3個(gè)主成分PC 1、PC 2、PC 3作為x、y、z坐標(biāo)，建立各樣本的三維得分圖(圖2)，以表征樣本在該三維空間中的分布。由于前3個(gè)主成分對(duì)光譜矩陣的累積方差貢獻(xiàn)達(dá)91.82%，因此，樣本在三維空間的分布可大體反映其在超維空間的分布特征，表征出不同稻米的聚類結(jié)果。從圖2中可看出，各種稻米有良好的聚類趨勢(shì)，可進(jìn)行定性分析，但要取得精確的定量分析結(jié)果，還需要建立鑒別能力更強(qiáng)的模型。

由于PCA分析的前3個(gè)主成分已包含了絕大部分的分類信息，因此，可根據(jù)不同波段的光譜對(duì)前3個(gè)主成分的貢獻(xiàn)值分析出稻米分類的特征波段。在Unscramble 9.7中，得出前3個(gè)主成分的X-加載圖，以表征各波段對(duì)模型前3個(gè)主成分的貢獻(xiàn)大小(圖3).以波譜區(qū)域?qū)C 1的貢獻(xiàn)值為主要參考指標(biāo)，并綜合考慮對(duì)PC 2與PC 3的貢獻(xiàn)值，得出400～500nm、910～1300nm與1940～2300nm三個(gè)波段為稻米鑒別的特征波段。根據(jù)水、淀粉、蛋白質(zhì)的吸收特征，可分析出910～1400nm、1940～2300nm兩段特征波段主要反映了不同稻米營(yíng)養(yǎng)成分的差異，而400～500nm這一位于可見(jiàn)光部分的特征波段則主要反映了形狀與顏色的差異。

圖2 5種稻米前3個(gè)主成分的得分聚類

圖3 不同譜區(qū)對(duì)PCA分析前3個(gè)主成分的貢獻(xiàn)值

圖4 兩種模型訓(xùn)練集前12個(gè)主成分的累積可信度

在建立模型過(guò)程中，如果所選取的主成分過(guò)少，將會(huì)因不充分?jǐn)M合而導(dǎo)致模型預(yù)測(cè)準(zhǔn)確度降低;而若選用的主成分過(guò)多，則會(huì)產(chǎn)生過(guò)擬合現(xiàn)象而導(dǎo)致模型預(yù)測(cè)的準(zhǔn)確率下降。因此，本研究通過(guò)交互驗(yàn)證確定最佳主成分?jǐn)?shù)，即在累積可信度(累積方差貢獻(xiàn))變化不大的情況下選取較少的主成分?jǐn)?shù).將全光譜與特征光譜分別進(jìn)行PCA分析后，所得前12個(gè)主成分的累積可信度如圖4所示。由圖可知，兩種方法前9個(gè)主成分的累積可信度在99.5%以上，包含了光譜數(shù)據(jù)絕大部分的特征信息。

2.3 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果與比較分析

表1　兩種模型對(duì)25個(gè)未知樣本的預(yù)測(cè)結(jié)果

注:(1)～(5)，泰國(guó)香米;(6)～(10)，夜郎貢米;(11)～(15)，珍珠米;(16)～(20)，泰國(guó)糯米;(21)～(25)，珍珠米偽品

利用訓(xùn)練集中的150個(gè)樣本，以PCA降維得到的前9個(gè)主成分作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，在DPS中建立PCA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。建模分析時(shí)，泰國(guó)香米、夜郎貢米、珍珠米、泰國(guó)糯米、劣質(zhì)米分別賦值為1.0000、2.0000、3.0000、4.0000、5.0000;BP網(wǎng)絡(luò)各層間采用Sigmoid激勵(lì)函數(shù)，其中Sigmoid參數(shù)取0.9，動(dòng)態(tài)參數(shù)取0.6，最小訓(xùn)練速度設(shè)為0.1，允許誤差設(shè)為0.0001，最大迭代次數(shù)設(shè)為3000次.通過(guò)調(diào)節(jié)隱含層的節(jié)點(diǎn)數(shù)反復(fù)地驗(yàn)證以優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，得到最佳的BP網(wǎng)絡(luò)結(jié)構(gòu)為9-6-5三層BP神經(jīng)網(wǎng)絡(luò)模型。用模型對(duì)預(yù)測(cè)集的25個(gè)未知樣進(jìn)行預(yù)測(cè)，結(jié)果表明兩類模型對(duì)所有樣本預(yù)測(cè)的正確率均達(dá)100%(表1)。為獲得最佳建模方法，分析了兩種方法對(duì)25個(gè)未知樣的預(yù)測(cè)結(jié)果。兩類模型對(duì)預(yù)測(cè)集的擬合結(jié)果與標(biāo)準(zhǔn)值之間的回歸關(guān)系見(jiàn)圖5。由圖可知，兩回歸方程的斜率都接近于1，但特征波段模型預(yù)測(cè)集決定系數(shù)(R 2= 0.9994)比全波段模型(R 2= 0.9988)稍高，而預(yù)測(cè)標(biāo)準(zhǔn)誤差(SEP= 0.0390)與預(yù)測(cè)誤差均方根(RMSEP= 0.0383)則比全波段模型(SEP=0.0519;RMSEP= 0.0550)稍低，說(shuō)明特征波段模型具有更好的預(yù)測(cè)效果，是一種優(yōu)選方法。

圖5　全波段模型(a)與特征波段模型(b)對(duì)未知樣本預(yù)測(cè)值與標(biāo)準(zhǔn)值之間的關(guān)系

3 結(jié) 論

對(duì)5種稻米的分析結(jié)果表明，采用可見(jiàn)/近紅外光譜技術(shù)進(jìn)行稻米品種與真?zhèn)蔚蔫b別是可行的，從而為稻米品種與真?zhèn)蔚目焖佟o(wú)損鑒別提供了一種新方法。比較分析結(jié)果表明，利用特征波段所建立的模型比全波段模型具有更高的預(yù)測(cè)精度，說(shuō)明特征波段提取是進(jìn)行模型優(yōu)化的有效手段。

審核編輯：湯梓紅