用近红外光谱鉴别杨梅品种的研究

用近红外光谱鉴别杨梅品种的研究 用近红外光谱鉴别杨梅品种的研究 第25卷第3期 2006年6月 红外与毫米波 J.InfraredMillim.Waves Vo1.25,No.3 June,2006 文章编号:1001—9014(2006)03—0192—03 用近红外光谱鉴别杨梅品种的研究 何勇,李晓丽 (浙江大学生物系统与食品科学学院,浙江杭州310029) 摘要:提出了一种用近红外光谱技术快速无损鉴别杨梅品种的新方法,首先用主成分法对典型的四个杨梅品 种进行聚类分析,获取杨梅的近红外指纹图谱,再结合人工神经网络技术进行品种鉴别.主成分分析表明,以主成 分1和2对样本的得分值做出的得分图,对不同种类杨梅具有较好的聚类作用,可以定性分析杨梅种类.利用主成 分分析可以把原始波长变量压缩成能代表原始变量的少数相互正交的主成分,用这些新变量作为神经网络的输 入,建立3层BP人工神经网络模型.四个杨梅品种共100个样本用来建立神经网络品种鉴别模型,对未知的2O个 样本进行预测,结果表明,品种识别准确率达到95%.说明综合主成分分析和人工神经网络的方法具有很好的分类 和鉴别作用,为杨梅的品种鉴别提供了一种新方法. 关键词:近红外光谱;杨梅;主成分分析;人工神经网络;聚类 中图分类号:S123;TH744.1文献标识码:A DISCRIMINATINGVARIETIESoFWAXBERRYUSING NEARINFRAREDSPECTRA HEYong,LIXiao—Li (CollegeofBiosystelnsEngineeringandFoodScience,ZhejiangUniversity,Hangzhou310029,China) Abstract:Anewnondestructivemethodfordiscriminatingvarietiesofwaxberrybyvisibleandnearinfraredspectroscopy (Vis/NIRS)wasdeveloped.First,thespectraldatawereanalyzedbyprincipalcomponentanalysis(PCA)forvarieties clustering.Thendiagnosticinformationwasobtainedfromoriginalspectra,theseinformationswereusedforpatternrecogni- tionbasedonANNmode1.Thescoreplotprovidedthereasonableclusteringofthevarietiesofwaxberry.Smallquantitiesof principalcomponentsfromPCAwereusedasinputsofabackpropagationneuralnetwork(BPNN)withonehiddenlayer. 1oosampleswereselectedrandomlyfromfourvarieties.thentheywereusedtobuildBPNNmode1.Thismodelhadbeen usedtopredictthevarietiesof20unknownsamples.Therecognitionrateof95%wasachieved.Thismodelisreliableand practicable.Sothismethodcouldofferanewapproachtothefastdiscriminatingvarietiesofwaxberry. Keywords:nearinfraredspectra;waxberry;principalcomponentanalysis;artificialneuralnetwork;clustering 引言 中国是盛产杨梅的少数几个国家之一.杨梅果 实柔软极不耐贮藏和运输,不同品种之间口感,大 小,品质等方面差别较大,随着杨梅产后处理和加工 技术的发展,品种鉴别显得越来越重要.所以研究一 种简单,快速,非破坏的杨梅品种鉴别技术很有必 要.我们以光谱技术为基础研究杨梅品种的快速鉴 别方法. 现代光谱分析技术,可充分利用全谱段或多波 长下的光谱数据进行定性或定量分析.由于近红外 光谱分析技术具有速度快,效率高,成本低,测试重 现性好,测量方便等特点,已经被越来越多地应用于 食品工业,制药工业等领域.有国内外很多学者研究 利用近红外光谱技术区别物质品种如咖啡品种?J, 小麦品种2J,苹果品种?和道地山药4等.以上研 究都表明光谱技术具有对农产品进行品种识别的能 力.但是大部分的品种鉴别只给出了定性结果,没有 建立定量鉴别模型.即使某些研究中建立了定量鉴 别模型,但是模型的正确识别率也不高,如小麦品种 鉴别模型对于两个品种未知样本的识别率只有 81%,82%2J,对道地山药进行鉴别的正确识别率为 70%[. BP神经网络模型是一个强有力的学习系统,能 收稿日期:2005—1l一20.修回日 期:2006-03-20Receiveddate:2005-l1-20.reviseddate:2006-03-20 基金项目:国家自然科学基金项目(30270773);教育部高等学校优秀青年教师教学 科研奖励计划(02411) 作者简介:何勇(1963-),男,浙江宁波人,浙江大学生物系统工程与食品科学学院博 导,博士,主要从事数字农业和多光谱检测技术研究. 3期何勇等:近红外光谱杨梅品种鉴别方法的研究 够实现输入与输出之间的高度非线性映射.目前使 用最多的是多层结构的误差反向传播学习算法 (BP).主成分分析是多元统计中的一种数据挖掘技 术.在不丢失主要光谱信息的前提下选择为数较少 的新变量来代替原来较多的变量,解决了由于谱带 的重叠而无法分析的困难.我们提出了应用主成分 分析(PCA)和BP神经网络相结合的方法,建立不 同品种杨梅的近红外光谱鉴别模型. 1材料与方法 1.1仪器设备 实验使用美国ASD公司的HandheldFieldSpec 光谱仪,其光谱采样间隔1.5nm,测定范围325— 1075nm,扫描次数30次,分辨率3.5nm,探头视场 角为20度.光源是与光谱仪配套的14.5V卤素灯. 用该光谱仪自带的软件ASDViewSpecPro来观察 数据曲线. 1.2样品来源及光谱的获取 从超市买来荸荠梅,下坑梅,临海早大梅,东魁 梅等四种杨梅,分别各取30个,共计120个样本进 行实验(见表1).光谱仪置于杨梅的上方,距离杨梅 表面120mm,对每一个样本扫描30次. 1.3光谱数据预处理 为了去除来自高频随机噪音,基线漂移,样本不 均匀,光散射等影响,应用Unscrambler分析软件进 行光谱预处理.先用平均平滑法,选用平滑窗口为 9,此时能很好滤除各种因素产生的高频噪音,再进 行MSC(MuhiplicativeScatterCorrection)处理.由于 光谱曲线在首端和末端有较大噪音(如图1),所以 只取400—1000nm波段的光谱用于分析j. 1.4人工神经网络模型 建立了一个3层的人工神经网络结构j,各层 传递函数都用s型函数.网络输入层节点数为20, 经多次实验确定隐含层节点数为l2,输出层节点数 为1.目标误差为0.0001,网络指定参数中学习速率 为0.2,设定训练迭代次数为1000次.采用DPS(da taprocessionsystemforpracticalstatistics)软件进行 表1实验样本的品种情况 Table1Varietiesofwaxberryintheexperiment 品种产地样本数目颜色 荸荠梅(Biqiwaxberry)浙江慈溪 下坑梅(Xiakengwaxberry)浙江丽水 临海早大梅(HnhaiZaodameiwaxberry)浙江临海 东魁(Dongkuiwaxberry)浙江仙居 3O个紫红色 3O个红色 30个紫红色 3O个红色 人工神经网络建模. 2试验结果与分析 2.1杨梅样本的近红外漫反射光谱 四种杨梅品种的典型近红外光谱曲线如图l所 示.图1中横坐标为波长,范围是325,1075nm,纵 坐标为光谱漫反射率.从图1中可以看出,不同品种 杨梅的光谱曲线有明显区别,并具有一定的特征性 和指纹性,这一差异为杨梅的不同品种鉴别奠定了 数学基础.选择波长范围在400,1000nm的光谱, 应用ASDViewSpecPro软件,把同一个杨梅3个不 同部位的光谱曲线做平均处理,并转换成ASCII码, 形成反射率矩阵,并用主成分分析法对其聚类分析. 2.2主成分分析对不同品种杨梅进行聚类 主成分分析的目的是将数据降维,以消除众多 信息共存中相互重叠的信息部分.通过对原始大量 光谱变量进行转换,使数目较少的新变量成为原变 量的线性组合,而且,新变量能最大限度的表征原变 量的数据结构特征.对样本进行主成分分析,数据矩 阵从原始的120×600减少到120×20(20个主成 分).每个样本对应每个主成分有一个得分值,主成 分的得分能够反映样本间的相似性和独特性.基于 样本的主成分得分图能够揭示样本的内部特征和聚 类信息.如果把每个样本的第1和第2个主成分的 得分值在图中表达出来,就得到了前两个主成分的 二维的得分图(如图2所示).对四种杨梅共120个 样本进行主成分分析聚类.分析表明前2个主成分 对四种杨梅有较好的聚类作用,能直观地对不同品 种杨梅进行定性分析. 图2表示120个建模样本的主成分1,2得分 图,图中横坐标表示每个样本的第一主成分得分值, 纵坐标表示每个样本的第二主成分得分值.图2中 临海早大梅,荸荠梅,东魁梅明显分成3类,但是荸 Olqlwax~rry?i'nn ….1iahatzOcTneiw批嘲y.瑚 , t _,一'''? u"^ulw~uerry11.:?,:,1,?:' 一Xl酏Warry.m.持? | 《 -.. ,k,'鲁 lOOOl1o0 } 图四种杨梅的典型近红外光谱反射图 - 红外与毫米波25卷 -Biqiwaxberry0.010一 昌~Xiakengwaxberry象*LinhaiZaodameiwaxberryvDongkuiwaxberry . 0.0100.o050.0? . ..0100 % .01 .:......',l 图2120个杨梅的主成分1和主成分2的得分图 Fig.2PCAscoresplots(PCIPC2)for120waxberrysam, ples 荠梅与下坑梅和东魁梅有部分重叠在一起.说明主 成分l,2对4种杨梅有较好的聚类作用,尤其是对 临海早大梅,荸荠梅,东魁梅3种杨梅有很好的聚类 作用.因此,我们基于主成分1,2对于120个样本的 得分图,可对120个杨梅样本的品种进行定性分析. 从图2中可以看出,临海早大梅的30个样本聚合度 较好,紧密的分布在图2的第一象限,其它样本均处 于第一象限之外.下坑梅的聚合度也很好,所有30 个样本全部位于第三象限.东魁杨梅大部分样本位 于第二象限,但是有一些样本落在了第四象限.荸荠 杨梅的聚合度不如前面几种,大部分位于第四象限, 但是有部分样本落在了第三象限与下坑梅重叠在一 起.于是我们可以发现主成分1,2对四个品种杨梅 虽有较好的聚类作用,但是荸荠梅,下坑梅和东魁梅 有一些交叉,不能完全区分四个品种.为此,我们在 主成分分析的基础上,结合人工神经网络建立杨梅 品种的鉴别模型. 2.3基于神经网络建立杨梅品种鉴别模型 全波段从400,1000nm共有600个数据点,但 是,直接把全光谱数据输入神经网络建立模型时,容 易导致神经网络的训练时间过长,模型难以收敛,而 且有些区域样品的光谱信息很弱,与样品的组成或 性质问缺乏相关关系.所以通过主成分分析,提取对 于杨梅品种敏感的新变量作为输入建立神经网络品 种鉴别模型.计算表明,前20个主成分的累计贡献 率达到98.9%,这20个新变量能代表绝大部分原 变量包含的信息. 将全部样本随机分成建模集和预测集,建模集 有100个样本,预测集有20个样本.把这20主成分 作为BP神经网络的输入变量,品种作为输出变量 (分别以1,2,3和4代表荸荠梅,下坑梅,临海早大 梅,东魁梅),建立杨梅品种鉴别模型.通过调整隐 含层的节点数来优化网络结构,经过反复试验得 到最佳网络结构为20(输入)一l2(隐含)一1(输 出)的3层BP神经网络模型,对100个建模样本的 拟合残差为1.508458×10,,对未知的20个样本进 行预测,预测结果如表2所示.模型除了把一个荸荠 梅样本误判为下坑梅之外,对其它样本品种的判断 均正确,预测准确率为95%. 3结论 提出了一种基于近红外光谱的杨梅品种无损快 速鉴别方法.通过实验获得了四个典型杨梅品种的 光谱特征,利用这些光谱特征结合主成分分析人工 神经网络方法建立了杨梅品种鉴别模型.实验结果 表明,该模型的预测效果很好,识别率达到95%.说 明运用近红外光谱技术可以快速,准确,无损的对杨 梅品种进行鉴别.本文用于杨梅品种分析的光谱在 320—1075nm范围内,说明该波长范围是对杨梅品 种敏感的特征波段.我们提出的主成分结合人工神 经网络方法用于鉴别杨梅品种是成功的,为红外光 谱品种鉴别提供了一种新的分析方法. REFERENCES [1]Esteban-DiezI,Gonzalez?SaizJM,PizarroC.Anevalua- tionoforthogonalsignalcorrectionmethodsforthecharac— te!fisationofarabicaandrobustacoffeevarietiesbyNIRS [j].A阳枷ica.Chimica.Acta,2004,514(1):57—67. 『21HalukUtku.Applicationofthefeatureselectionmethodto discriminatedigitizedwheatvarieties[J].JournalofFood Engineering,1999,46(3):211_216. [3]HEYong,LIXiao—Li,SHAOYong-Ni.Quantitativeanaly— sisofthevarietiesofappleusingneaginfraredspectroscopy 表2人工神经网络预测2o个未知样本的杨梅品种 Table2ThepredictionresultsforunknownsamplesbyBP-ANNmodel SampleN0.StandardValueCalculatedvalueSampleNo.StandardValueCalculatedvalueSa mpleNo.StandardValueCalculatedvalueSampleNo. …l1.04758(6)22.19956(11)32.9l05I(16) (2)l2.41633(7)2l_99I40(12)33.02290(17) (31l1.002l8(8)22.05164(13)32.92354(18) (4)ll_01220(9)2I.73715(14)32.99921(19) 一一 !:竺一一一:!::!一! Note:(1)一(5),Bwar,bert?;(6)一(10),Xiakengwax~rry;(11)一 (15)"rIllaiZaodameiwaxberry;(16)一(20),Dongkuiwaxizrry(下转第212页) ?嗍 33333 ^-斗J』4 2l2红外与毫米波25卷 ?'6:205209. [5]MlayabA,CariesR,LandaG,eta1.RamanstudyofIon— gitudinalopticalphonon-plasmoncouplinganddisorder effectsinheavilyBe-dopedGaAs.[J].J.App1.Phys., 1991,69:4O64—4070. [6]InnerG,WenzelM,MoneckeJ.Lightscatteringbyamul— ticomponentplasmoncoupledwithlongitudinal--opticalpho— nons:Ramanspectraofp-typeGaAs:Zn[J].Phys.Rev., 1997.B56:9524---9538. 17lDENGJia—Jun.ZHAOJian.hua,JIANGChun—ping,eta1. Effectofannealingo13structuralandmagneticpropertiesofa thick(Ga,Mn)Aslayer[J].Chin.Phys.Lett.,2005, 22:466---468. [8]LIZhi-Feng,LUWei.RamanSpectroscopystudyonLO phonon—plasmoncoupledmodeinGaNthinfilms『J]. infraredMillim.Waves(李志锋.陆卫.氮化镓薄膜中LO 声子-等离子体激元耦合模拉曼光谱研究.红外与毫米 波)2003,22(1):8—12. [9]SHENXue—Chu.Spectroscopyand印ticalPropertiesofSem— iconductors[M].SecondEdition.Beijing:Scientificand TechnologyPress(沈学础.半导体光谱和光学性质.第 二版.北京:科学出版社)2002. [10]SeongM.J,ChunSH,CheongHM,eta1.Spectroscop— icdeterminationofholedensityintheferromagneticsemi- conductorGalMnAs[J].尸.Rev.,2002,B66, 033202. [11]ZHANGGuang-Yan,LANGGuo?Xiang,WANGYu-Fang. LatticeVibrationSpectroscopy[M].Secondedition.Bei— jing:HigherEducationPress(张光寅,蓝国祥,王玉芳. 晶格振动光谱学.第二版.北京:高等教育出版社), 2oo1. [12]MABao—Shan,FANZai—Li,suFu—Hai,eta1.Studyon theRamanspectraofGaPnanorodssynthesizedwithinca/'~ bonnanotubetemplateslJI.InfraredMiUim.Waves (马宝珊,方再利,苏付海,等.纳米碳管模板法制取的 GaP纳米棒拉曼光谱研究.红外与毫米波)2003, 22(1):l一7. [13]JIANGDe—Sheng,LIUJian-Ping,YANGHui.Investiga— tionsonopticalpropertiesofA1GaInNepilayersgrownby mocvd[J].InfraredMillim.Waves(江德生,刘建平, 杨辉.MOCVD生长A1GaInN外延层的光学性质研究. 红外与毫米波),2005,24(3):193—197. [14]FENGQian,WANGFeng—Xiang,HAOYue.Comparative analysisofcharacteristicsofGaNandGaN:Mgfilms grownbyMOCVD[J].InfraredMillim.Waves(冯 倩,王峰祥,郝跃.MOCVD生长GaN和GaN:Mg薄膜 的对比研究.红外与毫米波报),2004,23(3):201一? 2o4. (上接第194页) byprincipalcomponentanalysisandBPmodel[J].Lecture NotesinArtificialIntelligence,2005,3809:1053--1056. [4]SUNSu-Qin,TANGJun—Ming,YUANZi-Min,eta1.Dis- criminationoftrueborntuberdioscoreaebyfingerprintinfra- redspectraandprinciplecomponentanalysis[J].Spectros— copyandSpectralAnalysis(孙素琴,汤俊明,袁子民,等. 道地山药红外指纹图谱和聚类分析的鉴别研究.光谱 攀与光谱分析),2003,23(2):258--260. [5]YINQiu,suXiao—Zhou,XUZhao—An,eta1.Anabrsison theultra?-spectralcharacteristicsofwaterenvironmentalpa?- rametemaboutlake[J].InfraredMillim.Waves(尹 球,疏小舟,徐兆安,等.湖泊水环境指标的超光谱响应 特征分析.红外与毫米波),2004,23(6):427— 435. [6]HEYong,ZHANGYun,XIANGLi?Guo.Studyofapplica— tionmodelonBPneuralnetworkoptimizedbyfuzzycluste- ring[J].LectureNotesinArtificialIntelligence,2005, 3789:712—_720. [7]LinSao—Hu,ZhuHong,ZhaoYi-Gong.Modelforseaclut- terbasedonneuralnetwork[J].InfraredMillim.Waves (林三虎,朱红,赵亦工.基于神经网络的海杂波模型. 红外与毫米波),2004,23(1):55_58.