為探索光譜融合結(jié)合深度學(xué)習(xí)對(duì)玉米成分定量檢測(cè)的可行性,針對(duì)80個(gè)玉米樣本的原始、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)光譜和前3類的串行融合光譜分別構(gòu)建一維卷積神經(jīng)網(wǎng)絡(luò)（one-dimensional convolution neural network,1D-CNN）模型,對(duì)樣本中水分、油脂、蛋白質(zhì)和淀粉4種成分含量進(jìn)行定量建模。結(jié)果表明,基于串行融合光譜的1D-CNN的4種成分模型性能指標(biāo)均優(yōu)于單獨(dú)基于一種光譜的模型。與傳統(tǒng)偏最小二乘回歸和支持向量機(jī)回歸對(duì)比,所建立的定量模型性能均為最優(yōu)。針對(duì)測(cè)試集,4種成分模型的決定系數(shù)和均方根誤差分別為0.956和0.211、0.972和0.118、0.982和0.239、0.949和0.428。實(shí)驗(yàn)結(jié)果表明,串行光譜融合結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的方法能夠充分挖掘光譜所蘊(yùn)含的信息,增強(qiáng)模型預(yù)測(cè)能力,為近紅外光譜定量分析提供新思路。 

【文章來源】：食品與發(fā)酵工業(yè). 2020,46(23)北大核心CSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

玉米的3種光譜

玉米樣本的近紅外光譜、一階導(dǎo)數(shù)光譜和二階導(dǎo)數(shù)光譜均為1×700的一維數(shù)據(jù)，三者串行得到1×2100的一維數(shù)據(jù)。本文提出1D-CNN-NIR定量模型，其結(jié)構(gòu)示意圖如圖2所示。該模型基于經(jīng)典CNN模型LeNet-5，構(gòu)建包含2個(gè)卷積層和2個(gè)池化層，2個(gè)卷積層的卷積核尺寸分別為20和10，池化層采用最大池化法，激活函數(shù)使用LeakyReLU，全連接層數(shù)為1，輸出層采用線性激活函數(shù)的單神經(jīng)元結(jié)構(gòu)，神經(jīng)元數(shù)量為1，采用Adam優(yōu)化算法，訓(xùn)練數(shù)據(jù)分成20個(gè)批次(batch)，批處理樣本數(shù)目為50(batch size)。本文對(duì)240條玉米樣本的原始光譜、一階導(dǎo)數(shù)光譜、二階導(dǎo)數(shù)光譜和3種光譜的串行融合光譜分別進(jìn)行1D-CNN建模。算法運(yùn)行環(huán)境:Intel?CoreTMi5-8250 CPU;8GB計(jì)算機(jī)內(nèi)存。所用軟件包括Matlab和Pycharm，為實(shí)現(xiàn)數(shù)據(jù)優(yōu)化和對(duì)比不同機(jī)器學(xué)習(xí)算法，系統(tǒng)環(huán)境中配置Numpy、Pandas、Sckit-learn等Python運(yùn)算庫。

采用均方誤差(mean square error,MSE)作為損失函數(shù)，首先通過前向傳播過程，輸入的光譜訓(xùn)練數(shù)據(jù)經(jīng)過1D-CNN的卷積層和池化層后，得到樣本成分的預(yù)測(cè)含量值，通過該預(yù)測(cè)含量值和成分的含量真值計(jì)算損失函數(shù)，若所得損失函數(shù)值過大，將進(jìn)行反向傳播過程，反向傳播將誤差一層層返回，計(jì)算出每一層的誤差，求出誤差梯度，然后進(jìn)行權(quán)值更新，不斷循環(huán)該過程，直到損失函數(shù)值達(dá)到最小，訓(xùn)練結(jié)束，保存權(quán)值。針對(duì)串行融合光譜數(shù)據(jù)，以玉米樣本中水分成分的模型訓(xùn)練為例，其損失函數(shù)值收斂曲線如圖4所示。圖4 CNN模型訓(xùn)練中損失函數(shù)收斂曲線

【參考文獻(xiàn)】：
期刊論文
[1]飼料中粗脂肪和粗纖維含量的近紅外光譜快速分析[J]. 郝勇,吳文輝,商慶園.  光譜學(xué)與光譜分析. 2020(01)
[2]近紅外光譜技術(shù)定量檢測(cè)果味啤中的果汁含量[J]. 盛曉慧,李宗朋,李子文,朱婷婷,王健,尹建軍,宋全厚.  食品與發(fā)酵工業(yè). 2020(04)
[3]基于一維卷積神經(jīng)網(wǎng)絡(luò)的雌激素粉末拉曼光譜定性分類[J]. 趙勇,榮康,談愛玲.  光譜學(xué)與光譜分析. 2019(12)
[4]基于短波近紅外高光譜和深度學(xué)習(xí)的籽棉地膜分選算法[J]. 倪超,李振業(yè),張雄,趙嶺,朱婷婷,蔣雪松.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(12)
[5]多階導(dǎo)數(shù)紫外光譜法快速測(cè)定生物轉(zhuǎn)化液中的肉桂醇、肉桂醛和肉桂酸[J]. 江艷艷,粟桂嬌,馬麗,黃秋容,于唱,李麗麗.  食品科學(xué). 2020(10)
[6]基于深度學(xué)習(xí)的自然與表演語音情感識(shí)別[J]. 王蔚,胡婷婷,馮亞琴.  南京大學(xué)學(xué)報(bào)(自然科學(xué)). 2019(04)
[7]基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的單幅圖像去霧方法[J]. 陳永,郭紅光,艾亞鵬.  光學(xué)學(xué)報(bào). 2019(10)
[8]近紅外光譜法測(cè)定染色紅花中常見染料的含量[J]. 劉攀顏,陳碧清,袁珊珊,楊彬彬,楊婷,石明輝,呂光華.  中國(guó)中藥雜志. 2019(08)
[9]基于近紅外光譜與支持向量機(jī)的甘薯粉絲摻假快速檢測(cè)[J]. 陳嘉,高麗,葉發(fā)銀,雷琳,趙國(guó)華.  食品與發(fā)酵工業(yè). 2019(11)
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的煙葉近紅外光譜分類建模方法研究[J]. 魯夢(mèng)瑤,楊凱,宋鵬飛,束茹欣,王蘿萍,楊玉清,劉慧,李軍會(huì),趙龍蓮,張曄暉.  光譜學(xué)與光譜分析. 2018(12)



本文編號(hào)：3347958