1、圖譜特征深度網絡在蘋果糖度檢測中的探索研究白巖點，蔡小嬋，李晶晶i安徽大學 互聯網學院，安徼 合肥230039）【楮 要】高光譜成像技術作為一項近年來比擬流行的技術，在農作物檢測方面展現出了巨 大優勢*通過儀器和光源照射，高光譜技術能夠荻取裱瀏物品的二維圖像信忠、一繾光譜 信息，從而無損地檜測出蘋果內外在的理化性質。文章通過高光誥技術獲得蘋果數據后， 利用反向人工神經網堵算法建模，實現對蘋罷戡度（蘋果最重要的品質之一）的檢測和預 測。經過實際訓練顯示，該模型蘋果槍度檢測效果為穴=0.910 3,預測誤差均方根為 13.17,預測效果較為良好，是無損檢測翠果精度的一個行之可行的方法。文章利用高光

2、譜 成像系統采集蘋果的二笙圖像信息和一壤光沿信息；對采集的故據進行降咪和預處理，篩 選出特征波長；利用人工神經網絡bp算法建立蘋果糠度預測模塑；帶入實驗數據訓練， 逃行模型的評估?！娟P姓詞】蘋果極度；無損檢測；高光潔成像；人工神經網絡bp算法【中圖分類號10657.33： ts255 7【文獻標識碼】a【文章編號1674-068&：202xxx0-0057-03【基金工程征深度網生的就果合品質檜洌頃目編號：20xx10357722扁作者簡介】白巖霸，男，安st合肥人，安愈大學互聯網學院本科在讀；蔡小蜉，女，安循合肥人，安遺大學互聯網學映本科在讀；李能晶，女, 安微合如人，安皴大學互聯網

3、學浣本秘在讀。1工程背景與技術簡介1.1研究背景我國是世界農產&的生產和5肖資大國，水果作為農產品的 重要組成8盼，其產業髭否穩步向前，關系到我國的經濟和生 態產業發屐蘋果是最常見、最重要的一種水果，我國作為蘋 果榭面積最廣、鑰量最大的蕓果生產國，蘋果產業的開展對 提高農民收入，實現新農村產業改革具有重要影響。但我國的 革果產業目前還存在檢測水平落后、帶損檢測無法高新產業化 等向甌如果能夠由單純的產最大國轉變為現代產業強國，那 么中國的蘋果產業將在經濟全球化趨勢下擁有更強的國際競爭 力。本文和用高光譜成像技術和人工神經網絡bp算法，針對 無損檢測和預演蘋果內在品質（以燃度為代表）像初步

4、探索與 研兌1.2高光譜成像技術簡介高光譜成候技術是基于用多窄波段的影像數摳技術，它 成功地結合了成像技術和光譜技術，通過高光譜技術可以檢瀏 出實駁物品的二維圖像信息和一雄光譜信息七如圖1所示, 研究人員把3個維度的信息抽象為空間坐標軸上的一個立方 體，其中x軸和丫軸代表實稔物品的二維圖像信息，z軸代 表實驗物品的一雄光譜信息。通過高光話獲得的數據具有極 高的分辨率，廣泛的光譜波段范圍能提供大量實埃物品的內 外信瓦隨著科學技術的不斷開展，高光譜技術在越來越多的領域 表達了其優越的檢測掙性，比方食品平安方面融合了空間的圖 像信息和光梏中的光諾信息，可以到達同時檢測果蔬等食品外 部和內部指的目的：

5、在醫學診斷方面，高光治技術提供了一 個較為先進且對人體損傷極小的診斷手法，可以渚晰地描述病 人的物理、化學方面的各種體征：在炕空航天方面，其高靈敏 度、高分辨率和高領譜范圍的儀器特性可以應用于遙感和地球 科學等。與光譜技術優勢明顯，但是由于從高光譜儀中提取的高光 譜數據同時包含二ta圖像和一維光港的三維綜合信息，且圖像 信息和光道信息一一對應，所以圖摩的每一個像素點都包念了 很長的連續波段信息，而囹像本身又包含數據量龐大的像素 點，這就必然導致數據采集量過大及冗余程度過強，綸后續的 數據牌分析帶來一定的難度。圖2是一個高光譜檢測系統的大致結構示意圖，它由面陣 相機.光譜僅、光電轉換罪、各種控制

6、器、移動平臺及與之連 接的計算機軟硬件等局部構成、將被檜瀏的實駭物品平穩地 放在移動平臺上，翻開光源后，其探頭裝置便能將物體照封面 的圖像和光譜信息收集在計算機中，采集的具體軟硬件種類可 能因物品種類差異而有所不同。1.3實驗流程圖實驗流程圖如圖3所示。2實驗材料數據采集與預處理2.1實驗材料與實驗環境為了保證實會材料的新象程度，實細溉?的前一天在京東 商城購置了 63個新西蘭“皇家折"蘋果，每個革果的聲量 范圍在160-190 g,形狀規整，外表光滑，頓色鮮艷.為了 提升樣本容量和減少蘋果因實稔導致的浪際 將一個簞果的兩 個半球面拆分開來，分別者成兩個不同的蘋果進行切片取樣。 購置

7、的63個蘋果通常都是一半面的顏色較為紅洵，另一個半與評估成他校正光譴h ； ' sjs的尤遂bb3本工程的實弦流理面那么呈現較多的黃色，這樣切片可以存節省原群的同時為實我 提供更多具有差異性的波段信息。硼的蘋果糖度檢測及高光譜信息的采集在安徽大學農業 大數據實驗室進行?？范鹊臋z測主要利用數字糠度計（digital refractometer）對蘋果樣本進行粕度測瓦高光譜的圖像和光語數據由實驗室提供的面陣高光譜成俄 系統平臺及連接于系統的計算機數據采集軟件為sra toolkit）進行采集。采集過后的高光謂數據使用envi 52進行rgb波段選 擇和感興建區域的選擇，最終導出.csv形式

8、的表格文件。后期的算法模型和做圖分析所使用的軟件工具為mat- lab20xxbn2.2樣本數據采集和預處理高光譜圖像采集將購置回來的蘋果該在室溫下靜置24 h之后，用一次性 滅茵手套把革果輕輕放入念有固定裝置的高光譜檢瀏箱系統 內，預先確定好采集苑圍后將含有該范圍的蘋果的一面朝上對 假設光源，朝上的受光局部即為圖像采集區域。調整光譜范圍和 光照強度，使得在sra軟件上的蘋果image制，并且注8： 曜光值不超過軟件的警告苑虱每個蘋果的一個面測好后站上 標簽并標號，換另一面玉復上述操作，即可獲得cube和hdr 格式的文件數據°在上述操作中，每次采集數據都要杳蘋賓邊上放置f硬 質白板

9、進行黑白校正，從而盡可倒嶙少背景唉聲對高光譜數 據分析產生的影響。高光譜鏡頭蓋取下之前產生的圖像計為a （全黑，將硬質白板通過光源檢測生成的圖像計為職（全白）， 那么可以透過公式由原始圖像/得到校正圖像未經處理的光澇反射率曲線往往含有大量的噪聲信息，會 對數據的分析產生較大的干擾。敬據預處理的方法有很多種, 本文選擇矢歸一化的方法，該方法能夠有效地減少因光譜變 化導致的噪聲枷，公式如下：vsgtvf2.3蘋果實際糖度測量使用數字健度計對樣本進行精度測sl在用數字糖度計之 前，需要將蘋果的一面先切一局部下來，測量質后按照1 g 樣本配1g水的比例放入榨汁機中榨成果汁，接著倒入燒杯攪 拌均勻。每次

10、用滴管在燒杯中的一半高度取15 ml果汁放入 璃度計檢泌烯度，每個切片取3次求平均值，作為該樣本的褪 度值，/j傲點后保存兩位/j傲（單位brix）o將測員的結果標 號并且記在excel表格禮 統計雌果見春1。2.4特征波段選擇由于每個蘋果在使用envi 52軟件選擇感興趣的區域 （rod后導出的.csv表格文件中，擁有band*!到band260 波段及不同xy像素點，平均每個文件的數據量為260x 7 000,如此龐大的敬據量對后晚】建模和數據分忻尤為不 所以要想方法對欲據進行降雄縮減，我們利用matlab的模 瑚極值算法在光譜反射回歸曲線中提取8個特征波段，這8個 特征波段包含了絕大局部

11、蘋果的光譜信島3建立深度網絡模型3.1人工神經網絡bp算法簡介本工程采用的是基于人工神經網絡bp算法的模虱 人工 神經網絡是模擬作物神經系統的。人工神經網絡中神經元之間 的聯系可以抽象化為權值的大小，瞧的方式為循環往復的數 據信息的不斷剌激；而反向傳播（back propagation, bp） 算法就是用來調整權值的，其核心思想就是訓練誤差逐層反向 傳播，每層神經元與下層神經元間權重通過誤差16速梯度下降 的方法調整通常人工曜網絡分為輸入層、瀾層和輸出層（如圖4 所示）。隱藏層和輸出層都有相應的鼓勵函數（這個鼓勵方式 可以美比為人體的神繃湃尹。常用的鼓勵函數有sigmoid和linear函數

12、。本工程意圖 建立蘋果糠度的實際值和測量值的回歸模型，因此使用linear 兩數更適宜。由訓城數據集確定輸入層和捻出層的神經元故 目.而隱毓神經元數目的設定帶有很大的經埃性，對經乾公 式向上取琵的數值可作為隱觥神經元數目。si蘋果墉度校正集合故測flits窮統計錐集樣品孜«xbrbc小 brix干均bra標校正*8015.19.31231.72615.4971291.93.2前向傳播采用以感知機為根底方式，u修數摳中含有的信息能夠逐 個層次從輸入房傳播到輸出層，公式表達如下：x hidden ia=w input hu!de na" i nputxhiddenout=fhm

13、en （xhiddenjn）xoutp utitr=whid（lfnoulputxh iddenjcmtxfhttp 加3.3誤差bp （反向）傳播bp傳播方式和上文所述的前向傳播方式相反，前者是訓 練數據從輸入層傳遞到輸出層，而bp算法那么是將訓隧誤差從 輸出層刑臺反方向地傳遞到網絡中的所有禳層，通過不斷訓 練，誤差會越來越代 本實驗采用平方誤差損失函數到達實檢 所期待的誤差苑圍，用鏈式最速梯度下降法改變權值的大小, 到達最好的訓練效舄其中，損失函數如下£=21 （ypred-ytruel 23.4各層梯度和更新函數輸出層狒度（誤差）：goutx output jcml-ylruc

14、瀕g,輸出知值柳k：（ihiddrnihu=x h iddrn put6hidflc noulp utshut-goul x/oulput 1 xohtpuljn）輸a層塹秘即值株旺ginp ulh idden =.¥ inp ul&np ulh men8i/iputhiddcn chiddenoulput w hidde nouiput 刈hid- den' lyhidde nin i瞬層穿輸出層權值更新：a l hiddenoutpul=tjchiddenout心a whiilden oulpiiiprerioiis輸入jg堯鼬原權值更新：a winputjhid

15、denstjcinpuljiiddenowinpulji-iddcnprvvious3.5算法步騾步殘1：初始化權值矩陣叭閡值心步收2：訓練內容 （包含前向傳播和誤差反向傳播）。步驟3迭代訓練百到誤差 小于闞值叩或到達最大迭代次數沖農上述步驟中輸入參數 為訓練數據集人和y,閾值牛，最大迭代次數gu及其他人工 神經網絡所必筲的配置參數.輸出的參敬為人工神經網絡的權 值畦4模型預測結果與小結上文“2.4節”中提到選擇出8個特征波段代表蘋果的 光譜信息，將這8個數據作為輸入導入輸入層，根據經駁公 式和檜驗調整，決定隱藏層的個數為5,信終確定了 8-5- 1的人工神經網絡bp模型。將該模型的學習速度設

16、定為0.03,可以兼顧數據訓練速度和訓練精度，使得理想訓博誤 差在q05左右。實際革果地度檢測效果為/<=0910 3,預測誤差均方根 為13.17,并用matlab做出鋼位和實際值的關系虱由圖5可以看出，經過前期高光譜數據采集出的蘋果的一 維圖像和二維光譜信息，經過數據預處理和特征波長的選擇 后，靖入基于人工神經網絡bp算法的模w,該模犁對蘋融 度的預瀏效果較為理想，是無損檢測蘋果糠度的一個行之有效 的方法。后期本工程成員將兼顧革果和其他水果的內外品麻 并融合多指標進行分析實踐，使得本工程思路齡在史廣泛的 平臺上發揮作用。參考文獻1 劉品品，劉付龍，史欽，等.高光語圖像技術檢測蘋果 外部傷j.中國食品學報，20xx（1）： 278-284.2 馮迪，紀建偉，張莉，等.基于高光語成像提取蘋