基于近紅外光譜特性分析的花生含水率檢測

陳天華, 雷春寧, 李 月

(北京工商大學(xué)計算機與信息工程學(xué)院,北京 100048)

花生具有很高的營養(yǎng)價值,是我國居民的一種常用食品.據(jù)測定,花生富含蛋白質(zhì)、硫胺素、核黃素、尼克酸等多種維生素和豐富的礦物質(zhì),并含有人體必須的氨基酸,有促進腦細胞發(fā)育和增強記憶的功能.但含水率高的花生在儲藏過程中容易產(chǎn)生霉變、感染黃曲霉毒素,這是目前公認的強致癌物之一.因此,檢測花生含水率是否達標(biāo)對提高花生品質(zhì)具有重要的意義.

目前,國內(nèi)檢測花生含水率的技術(shù)手段主要有傳統(tǒng)的烘箱法和基于電磁場理論的插針式水分檢測法,這些方法雖然精度滿足了要求,但檢測的準(zhǔn)確性與當(dāng)時的溫度、濕度有較大關(guān)系,不能完全滿足現(xiàn)代市場經(jīng)濟的發(fā)展需求.20世紀(jì)70年代中后期得到快速發(fā)展的近紅外光譜(near infrared,NIR)技術(shù)可用于谷類食品含水率的定量與定性檢測[1-2].近紅外是介于可見光和中紅外之間的電磁輻射波,對植物十分敏感[3],美國材料檢測協(xié)會將近紅外光譜區(qū)定義為780～2 526 nm.應(yīng)用近紅外技術(shù)檢測花生等糧食品質(zhì)是現(xiàn)階段的一個研究熱點[4].近紅外光譜區(qū)與有機分子中含氫基團(OH、NH、CH)振動的合頻和各級倍頻的吸收區(qū)一致,掃描物品的近紅外光譜可得到物品中有機分子含氫基團的特征信息.

與傳統(tǒng)方法相比,近紅外光譜檢測技術(shù)具有無前處理、無污染、快捷、無損、可在線檢測和多組分同時檢測等優(yōu)點[5].此外,近紅外無需化學(xué)試劑,可穿透塑料和玻璃等材料進行直接檢測,具有成本優(yōu)勢.歐美國家已廣泛應(yīng)用近紅外技術(shù)檢測食品品質(zhì),對于花生檢測,近紅外技術(shù)可以在生產(chǎn)線上配置近紅外裝置,對原料及其相關(guān)產(chǎn)品進行在線檢測,及時跟蹤品質(zhì)變化[6-7].基于國內(nèi)花生含水率檢測的實際情況,本文研究基于近紅外光譜技術(shù)檢測花生含水率的方法,探索其作為一種無損、快速檢測花生含水率的簡易方法.

1 實驗材料與方法

1.1 實驗材料

在超市采購一定數(shù)量的花生,根據(jù) GB/T 1532—2008和GB/T 5497的要求,檢測花生含水率并使之達到規(guī)定標(biāo)準(zhǔn).然后將花生分為30份,每份100 g,將其中18份置于陰涼處的密閉容器保存,另12份添加純凈水,提高樣品的含水率,并放在密閉的容器內(nèi)在常溫下保存1天,使水分均勻吸收.將各花生樣本研磨成粉末狀,對每組進行編號標(biāo)記.對達標(biāo)的18個樣本,根據(jù)國標(biāo)要求,將部分樣本放入烘箱內(nèi)(105℃ ±2℃)0.5～2 h不同時長,然后取出并加蓋,在干燥器中冷卻至室溫后密閉儲存,待近紅外光譜實驗時隨時可使用.

1.2 實驗原理

根據(jù)近紅外光譜原理,近紅外分析技術(shù)是一種間接的相對分析法,由于不同種類物質(zhì)的化學(xué)成分不同,含氫基團倍頻與合頻振動頻率不同,其近紅外譜的峰位、峰數(shù)及峰值不同.樣品成分差異越大,光譜特性差別越大,若樣品成分相同,其光譜也一致[7].因此,若建立了光譜與待測物間的對應(yīng)關(guān)系(又稱為分析模型),則可根據(jù)光譜特性檢測樣品的質(zhì)量.

1.3 BP網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò),又稱為誤差反向傳播學(xué)習(xí)算法,由信息的正向傳播和誤差反向傳播兩過程組成.BP網(wǎng)絡(luò)的特點是各層神經(jīng)元僅與相鄰層神經(jīng)元之間相互全連接,同層神經(jīng)元無連接,各層神經(jīng)元之間無反饋連接,構(gòu)成具有層次結(jié)構(gòu)的前饋型神經(jīng)網(wǎng)絡(luò)系統(tǒng).

1.3.1 節(jié)點輸出模型

隱節(jié)點輸出模型:

輸出節(jié)點輸出模型:

q為神經(jīng)單元閾值.

1.3.2 作用函數(shù)模型

作用函數(shù)是反映下層輸入對上層節(jié)點刺激脈沖強度的函數(shù),又稱刺激函數(shù),一般為(0,1)內(nèi)連續(xù)取值,常用的Sigmoid函數(shù)如下:

1.3.3 誤差計算模型

誤差計算模型是反映神經(jīng)網(wǎng)絡(luò)期望輸出與計算輸出之間誤差大小的函數(shù),如下:

tpi為i節(jié)點的期望輸出值;Opi為i節(jié)點計算輸出值.

1.3.4 自學(xué)習(xí)模型

神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程,即連接下層節(jié)點和上層節(jié)點之間的權(quán)矩陣Wij的設(shè)定和誤差修正過程.自學(xué)習(xí)模型為如下:

h為學(xué)習(xí)因子;φi為輸出節(jié)點i的計算誤差;Oj為輸出節(jié)點j的計算輸出;a為動量因子.

2 結(jié)果與分析

2.1 實驗結(jié)果分析

2.1.1 光譜采集

實驗采用FoodScan FOSS光譜儀進行.光譜儀采用近紅外透射原理,采集波長范圍為850～1 050 nm,操作簡便,可快速掃描、存儲數(shù)據(jù),分析過程可采用計算機完成,并提供基于人工神經(jīng)網(wǎng)的預(yù)定標(biāo)模型,可用于分析谷類、奶酪等多種食品,測定其脂肪、蛋白質(zhì)、水分和鹽的含量.3種不同含水率花生光譜曲線(橫軸為波長;縱軸為花生對不同波長光的吸收情況)見圖1.實驗結(jié)果表明,不同含水率的花生,其光譜對光的吸收程度不同.

圖1 3種不同含水率花生光譜圖Fig.1 Spectra of three different moisture content peanuts

2.1.2 實驗數(shù)據(jù)

將近紅外光譜曲線中各波長對光的實驗數(shù)據(jù)導(dǎo)出,得花生光譜實驗數(shù)據(jù)(見表1).

2.2 BP網(wǎng)絡(luò)檢測結(jié)果

將實驗采集的數(shù)據(jù)應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行建模,選擇3層結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)模型如圖2,輸入為選定的反射光檢測數(shù)值,輸出層神經(jīng)元個數(shù)為1,經(jīng)迭代,隱含層神經(jīng)元個數(shù)選擇為7個.將花生紅外數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)輸入,應(yīng)用BP網(wǎng)絡(luò)對訓(xùn)練樣本進行訓(xùn)練,得到優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型,然后將訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對未訓(xùn)練的樣本進行識別.

表1 花生紅外光譜吸光度數(shù)據(jù)Table 1 Peanut IR spectrum experimental data

續(xù)表1

圖2 BP神經(jīng)網(wǎng)絡(luò)模型Fig.2 BP neural network model

2.2.1 訓(xùn)練集實驗結(jié)果

已知20個訓(xùn)練樣本中12個花生樣本含水率完全達到國家收購標(biāo)準(zhǔn),另8個樣本未達標(biāo).采用BP網(wǎng)絡(luò)對訓(xùn)練集樣本進行訓(xùn)練,若輸出節(jié)點的值在1.0±0.1之間,則識別結(jié)果分類為1,即達標(biāo);若輸出節(jié)點的值在-0.1～0.1,則識別結(jié)果分類為0,即為未達標(biāo)樣本.將神經(jīng)網(wǎng)絡(luò)對全部20個訓(xùn)練樣本進行訓(xùn)練和比較,直至BP網(wǎng)絡(luò)能全部正確識別20個樣本的水分含量達標(biāo).

2.2.2 測試集實驗結(jié)果

將測試集待測花生樣品的近紅外實驗數(shù)據(jù)作為BP網(wǎng)絡(luò)的輸入,將訓(xùn)練后的BP網(wǎng)絡(luò)對測試集的10個樣本進行識別.同時,依據(jù)國標(biāo) GB/T 1532—2008,對測試集各花生樣本的含水率進行計算,其中6個為達標(biāo)樣本,4個為未達標(biāo)樣本.經(jīng)BP網(wǎng)絡(luò)模型對10個樣本進行識別,結(jié)果與依據(jù)國標(biāo)計算的結(jié)果完全一一對應(yīng),全部樣本均識別正確.實驗結(jié)果表明,采用近紅外技術(shù)結(jié)合BP網(wǎng)絡(luò)可正確識別花生含水率是否達標(biāo).

3 結(jié) 論

本文根據(jù)花生儲存過程中含水率高可能產(chǎn)生霉變的問題,應(yīng)用近紅外光譜儀采集花生光譜數(shù)據(jù),采用BP網(wǎng)絡(luò)模型對實驗數(shù)據(jù)進行處理和識別.全部30個樣本中20個為訓(xùn)練集,10個為測試集.根據(jù)訓(xùn)練集樣本的含水率結(jié)果,對BP網(wǎng)絡(luò)進行學(xué)習(xí)和訓(xùn)練,然后對測試集樣本進行計算,10個測試樣本的識別與實際結(jié)果完全符合.實驗表明,該模型可用于檢測花生含水率是否達標(biāo),并具有準(zhǔn)確、方便、快速等優(yōu)點,適合于花生收購環(huán)節(jié)和運輸線上進行含水率快速檢測,確?；ㄉ焚|(zhì)控制.該研究不僅可用于花生等食品的檢測,也可推廣到肉類、奶類食品含水率分析檢測.

[1] 尼珍,胡昌勤,馮芳.近紅外光譜分析中光譜預(yù)處理方法的作用及其發(fā)展[J].藥物分析雜志,2008,28(5):824-829.

[2] 孫永海,萬鵬,于春生.基于BP神經(jīng)網(wǎng)絡(luò)的大米含水量近紅外檢測方法[J].中國糧油學(xué)報,2008,23(6):194-198.

[3] 黃曉榮,汪建來,趙竹,等.油菜樣品前處理方法對近紅外品質(zhì)分析結(jié)果的影響[J].安徽農(nóng)業(yè)科學(xué),2004,32(4):643-645.

[4] 何勇,李曉麗.用近紅外光譜鑒別楊梅品種的研究[J].紅外與毫米波學(xué)報,2006,25(3):192-194,212.

[5] 劉潔,李小昱,李培武.數(shù)據(jù)處理方法在近紅外光譜分析中的應(yīng)用進展[C]∥中國科協(xié).節(jié)能環(huán)保和諧發(fā)展——2007中國科協(xié)年會論文集(三).北京:中國科學(xué)技術(shù)協(xié)會,2007:1-6.

[6] 王艷斌.人工神經(jīng)網(wǎng)絡(luò)在近紅外分析方法中的應(yīng)用及深色油品的分析[D].北京:石油化工科學(xué)研究院,2000.

[7] 趙肖宇,關(guān)勇,尚廷義,等.應(yīng)用近紅外透射光譜和人工神經(jīng)網(wǎng)絡(luò)的豆油脂良莠鑒別[J].浙江農(nóng)業(yè)學(xué)報,2011,23(4):825-828.