基于近红外光谱融合与深度学习的玉米成分定量建模方法

发布时间：2021-08-17 14:41

　　为探索光谱融合结合深度学习对玉米成分定量检测的可行性,针对80个玉米样本的原始、一阶导数、二阶导数光谱和前3类的串行融合光谱分别构建一维卷积神经网络（one-dimensional convolution neural network,1D-CNN）模型,对样本中水分、油脂、蛋白质和淀粉4种成分含量进行定量建模。结果表明,基于串行融合光谱的1D-CNN的4种成分模型性能指标均优于单独基于一种光谱的模型。与传统偏最小二乘回归和支持向量机回归对比,所建立的定量模型性能均为最优。针对测试集,4种成分模型的决定系数和均方根误差分别为0.956和0.211、0.972和0.118、0.982和0.239、0.949和0.428。实验结果表明,串行光谱融合结合卷积神经网络的方法能够充分挖掘光谱所蕴含的信息,增强模型预测能力,为近红外光谱定量分析提供新思路。 

【文章来源】：食品与发酵工业. 2020,46(23)北大核心CSCD

【文章页数】：7 页

【部分图文】：

玉米的3种光谱

玉米样本的近红外光谱、一阶导数光谱和二阶导数光谱均为1×700的一维数据，三者串行得到1×2100的一维数据。本文提出1D-CNN-NIR定量模型，其结构示意图如图2所示。该模型基于经典CNN模型LeNet-5，构建包含2个卷积层和2个池化层，2个卷积层的卷积核尺寸分别为20和10，池化层采用最大池化法，激活函数使用LeakyReLU，全连接层数为1，输出层采用线性激活函数的单神经元结构，神经元数量为1，采用Adam优化算法，训练数据分成20个批次(batch)，批处理样本数目为50(batch size)。本文对240条玉米样本的原始光谱、一阶导数光谱、二阶导数光谱和3种光谱的串行融合光谱分别进行1D-CNN建模。算法运行环境:Intel?CoreTMi5-8250 CPU;8GB计算机内存。所用软件包括Matlab和Pycharm，为实现数据优化和对比不同机器学习算法，系统环境中配置Numpy、Pandas、Sckit-learn等Python运算库。

采用均方误差(mean square error,MSE)作为损失函数，首先通过前向传播过程，输入的光谱训练数据经过1D-CNN的卷积层和池化层后，得到样本成分的预测含量值，通过该预测含量值和成分的含量真值计算损失函数，若所得损失函数值过大，将进行反向传播过程，反向传播将误差一层层返回，计算出每一层的误差，求出误差梯度，然后进行权值更新，不断循环该过程，直到损失函数值达到最小，训练结束，保存权值。针对串行融合光谱数据，以玉米样本中水分成分的模型训练为例，其损失函数值收敛曲线如图4所示。图4 CNN模型训练中损失函数收敛曲线

【参考文献】：
期刊论文
[1]饲料中粗脂肪和粗纤维含量的近红外光谱快速分析[J]. 郝勇,吴文辉,商庆园.  光谱学与光谱分析. 2020(01)
[2]近红外光谱技术定量检测果味啤中的果汁含量[J]. 盛晓慧,李宗朋,李子文,朱婷婷,王健,尹建军,宋全厚.  食品与发酵工业. 2020(04)
[3]基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类[J]. 赵勇,荣康,谈爱玲.  光谱学与光谱分析. 2019(12)
[4]基于短波近红外高光谱和深度学习的籽棉地膜分选算法[J]. 倪超,李振业,张雄,赵岭,朱婷婷,蒋雪松.  农业机械学报. 2019(12)
[5]多阶导数紫外光谱法快速测定生物转化液中的肉桂醇、肉桂醛和肉桂酸[J]. 江艳艳,粟桂娇,马丽,黄秋容,于唱,李丽丽.  食品科学. 2020(10)
[6]基于深度学习的自然与表演语音情感识别[J]. 王蔚,胡婷婷,冯亚琴.  南京大学学报(自然科学). 2019(04)
[7]基于多尺度卷积神经网络的单幅图像去雾方法[J]. 陈永,郭红光,艾亚鹏.  光学学报. 2019(10)
[8]近红外光谱法测定染色红花中常见染料的含量[J]. 刘攀颜,陈碧清,袁珊珊,杨彬彬,杨婷,石明辉,吕光华.  中国中药杂志. 2019(08)
[9]基于近红外光谱与支持向量机的甘薯粉丝掺假快速检测[J]. 陈嘉,高丽,叶发银,雷琳,赵国华.  食品与发酵工业. 2019(11)
[10]基于卷积神经网络的烟叶近红外光谱分类建模方法研究[J]. 鲁梦瑶,杨凯,宋鹏飞,束茹欣,王萝萍,杨玉清,刘慧,李军会,赵龙莲,张晔晖.  光谱学与光谱分析. 2018(12)



本文编号：3347958