劉九材 高楊

摘 要：采用連續(xù)投影算法（SPA）和模擬退火算法（SAA）特征波長(zhǎng)選取方法，對(duì)阿克蘇冰糖心蘋(píng)果、天水花牛蘋(píng)果、甘肅靜寧蘋(píng)果進(jìn)行波長(zhǎng)選擇，并結(jié)合均值中心化、標(biāo)準(zhǔn)正態(tài)變換、多元散射校正和二階導(dǎo)數(shù)進(jìn)行K最近鄰（KNN）建模分析。結(jié)果表明，SPA結(jié)合預(yù)處理建立的模型預(yù)測(cè)精度達(dá)到91%以上，SAA稍次、預(yù)測(cè)精度在86%，SPA結(jié)合二階導(dǎo)數(shù)建模預(yù)測(cè)精度能達(dá)到98%;SAA將全部256個(gè)波長(zhǎng)減少到10個(gè)，SPA普遍減少到31個(gè)，均有效簡(jiǎn)化了建模復(fù)雜度。因此，2種特征選擇方法篩選蘋(píng)果特征波長(zhǎng)是可行的。

關(guān)鍵詞：機(jī)器學(xué)習(xí);高光譜;蘋(píng)果;光譜預(yù)處理

中圖分類(lèi)號(hào) S66 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1007-7731（2022）10-0052-03

Analysis of Continuous Projection Algorithm and Simulation Annealing Algorithm in Apple Variety Classification Model

LIU Jiucai? ?GAO Yang

（College of Information Engineering， Tarim University， Alar 843300， China）

Abstract： Continuous projection algorithm （SPA） and simulated annealing algorithm （SAA） were used to select the wavelength of Aksu rock sugar core apple， Tianshui flower Niu apple and Gansu Jingning apple， and K-nearest neighbor （KNN） modeling was carried out by means of mean centralization， standard normal transformation， multivariate scattering correction and second derivative. The results show that in terms of modeling accuracy， the prediction accuracy of SPA combined with pretreatment model is 91%， the slightly prediction accuracy of SAA is 86%， and the prediction accuracy of SPA combined with second derivative modeling can reach 98%. In terms of characteristic wavelength selection， SAA reduces 10 of all 256 wavelengths， and SPA generally reduces 31， which effectively simplifies the modeling complexity. Therefore， two feature selection methods are feasible to screen apple characteristic wavelengths.

Key words： Machine learning; Hyperspectral; Apple; Spectral pretreatment

高光譜技術(shù)因“圖譜合一”等特點(diǎn)而被廣泛應(yīng)用于農(nóng)業(yè)、食品安全等諸多領(lǐng)域。目前，國(guó)內(nèi)外眾多專(zhuān)家學(xué)者利用高光譜進(jìn)行了溫室黃瓜病害早期檢測(cè)[3]，大米種類(lèi)鑒別[4]，高粱摻假無(wú)損檢測(cè)[5]，互米花草營(yíng)養(yǎng)成分反演[6]，綠蘿葉綠素含量檢測(cè)[7]以及牛肉品質(zhì)檢測(cè)[8]等內(nèi)外品質(zhì)的檢測(cè)。使用高光譜成像技術(shù)進(jìn)行蘋(píng)果品種的分類(lèi)也是可行的。

然而，在實(shí)際模型建立過(guò)程中，使用全部波長(zhǎng)建模存在運(yùn)算量過(guò)大、建模時(shí)間過(guò)長(zhǎng)等問(wèn)題，此外光譜數(shù)據(jù)的噪音問(wèn)題也影響著模型的準(zhǔn)確度。為此，本研究采用連續(xù)投影算法和模擬退火算法2種光譜選擇算法進(jìn)行對(duì)比，以期選擇出可以有效對(duì)蘋(píng)果近紅外的特征波長(zhǎng)進(jìn)行優(yōu)選，減少噪音對(duì)模型的干擾，簡(jiǎn)化模型復(fù)雜度，提高蘋(píng)果分類(lèi)模型精度的算法。

1 材料與方法

1.1 材料與儀器 試驗(yàn)材料選用阿克蘇地區(qū)紅旗坡冰糖心、甘肅天水花牛、甘肅靜寧3個(gè)品種的蘋(píng)果。冰糖蘋(píng)果采自阿克蘇紅旗坡，2021年11月采摘，天水花牛與甘肅靜寧采購(gòu)于當(dāng)?shù)毓r(nóng)，采購(gòu)時(shí)間為2021年11月。采購(gòu)后在3種蘋(píng)果中選擇出大小均勻、完好無(wú)損的蘋(píng)果共254個(gè)（冰糖心144個(gè)，花牛86個(gè)，靜寧24個(gè)）。光譜采集采用的高光譜分選系統(tǒng)是北京卓立漢光公司的蓋亞高光譜分選儀（采集波段為900～1700nm、共256個(gè)波段、分辨率5nm）。使用ENVI5.3進(jìn)行光譜數(shù)據(jù)提取，采用Python 3.7.3建模處理。

1.2 光譜采集方法 光譜采集前將蘋(píng)果放于室內(nèi)24h，保證蘋(píng)果溫度一致，之后對(duì)蘋(píng)果進(jìn)行擦拭、標(biāo)號(hào)。采集光譜數(shù)據(jù)時(shí)，蘋(píng)果赤道面垂直于載物臺(tái)，為取得蘋(píng)果赤道面光譜數(shù)據(jù)，實(shí)驗(yàn)對(duì)每個(gè)蘋(píng)果均采集2次光譜圖像，第1次采集蘋(píng)果著色面（紅顏色較多），第2次采集陰暗面（以黃綠色為主）。經(jīng)過(guò)多次試驗(yàn)，高光譜設(shè)備參數(shù)為：起點(diǎn)位置為5cm，總行程為30cm，傳送帶前進(jìn)速度為1.3cm/s，光譜相機(jī)高度為42cm，相機(jī)曝光時(shí)間為33ms。最后對(duì)采集到的光譜圖像進(jìn)行黑白校正：

[R=I-BW-B]

式中：R為校正后圖像，B為原始圖像。

1.3 特征波長(zhǎng)選擇方法

1.3.1 連續(xù)投影算法 連續(xù)投影算法（SPA）是一種前向循環(huán)的變量選擇方法[11]。算法核心是維護(hù)1個(gè)特征集合，初始選擇1個(gè)波長(zhǎng)之后每次循環(huán)都對(duì)集合外的波長(zhǎng)進(jìn)行投影，對(duì)其中投影向量最大且與特征集內(nèi)波長(zhǎng)共線性最小的波長(zhǎng)選入特征集合。共線性評(píng)價(jià)選擇對(duì)待選波長(zhǎng)進(jìn)行偏最小二乘（PLS）建模以RMSE為評(píng)價(jià)標(biāo)準(zhǔn)，選取其中RMSE最小的波長(zhǎng)。

1.3.2 模擬退火算法 模擬退火算法（SAA）是一種模擬固體降溫過(guò)程中內(nèi)部變化規(guī)律進(jìn)行優(yōu)化的方法[12]。SAA算法進(jìn)行優(yōu)化的原理是固體隨著溫度的下降逐步趨于一種低內(nèi)能的狀態(tài)[13]。算法模擬溫度下降過(guò)程，以溫度T為控制參數(shù)，目標(biāo)函數(shù)值為固體內(nèi)能，隨著溫度T的逐漸下降，使固體內(nèi)能逐漸趨于全局最小。SAA算法可以用來(lái)解決最優(yōu)化問(wèn)題。

2 結(jié)果與分析

2.1 異常值剔除 對(duì)于254個(gè)蘋(píng)果樣本，采用馬氏距離法進(jìn)行異常樣本剔除，硬閾值設(shè)置為e=1.7。經(jīng)過(guò)處理后，剔除12組蘋(píng)果樣本，對(duì)剩下的242組蘋(píng)果樣本進(jìn)行分析。

2.2 光譜預(yù)處理 由于設(shè)備本身以及采集系統(tǒng)所在外部環(huán)境的影響，采集到的光譜數(shù)據(jù)會(huì)出現(xiàn)噪音，對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理可以消除掉一些不良噪音。本文采用均值中心化、標(biāo)準(zhǔn)正態(tài)變換（SNV）、多元散射校正（MSC）和二階導(dǎo)數(shù)分別對(duì)原始光譜進(jìn)行預(yù)處理，之后對(duì)處理后的光譜進(jìn)行波段篩選。

2.3 測(cè)試集與建模集劃分 對(duì)于剩下的242組蘋(píng)果樣本進(jìn)行訓(xùn)練集和測(cè)試集的劃分，使用SPXY方法按訓(xùn)練集與測(cè)試集（3∶1）的比例進(jìn)行劃分，其中訓(xùn)練集181個(gè)，測(cè)試集61個(gè)（見(jiàn)表1）。

2.4 特征波段的選取 對(duì)于蘋(píng)果樣本光譜數(shù)據(jù)，全部光譜范圍在900～1700nm，共包含256個(gè)波數(shù)點(diǎn)。使用SPA與SAA分別對(duì)經(jīng)過(guò)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行特征波段提取。

2.4.1 連續(xù)投影算法選擇特征波段 使用SPA算法對(duì)原始光譜數(shù)據(jù)和預(yù)處理之后的數(shù)據(jù)進(jìn)行波段篩選，結(jié)果如表2所示。圖1是SPA算法對(duì)原始光譜進(jìn)行篩選過(guò)程中的RMSE的變化曲線，從圖1可以看出，RMSE曲線呈下降趨勢(shì)，并于35之后逐漸趨于平緩。

2.4.2 模擬退火算法選擇特征波段 根據(jù)SAA算法原理，冷卻進(jìn)度表的設(shè)計(jì)直接影響到算法性能。通過(guò)多次測(cè)試最終參數(shù)設(shè)置如下：T0=2000℃，Te=1℃，α=0.99，Lk=200。SAA的RMSE隨初始溫度的變化情況及衰減因子的變化情況如圖2、圖3所示。從圖2、圖3可以看出均呈下降趨勢(shì)。

2.5 建模比對(duì) 為了對(duì)比SPA算法和SAA算法在阿克蘇冰糖心、天水花牛和甘肅靜寧蘋(píng)果分類(lèi)模型的處理效果，使用KNN來(lái)建立模型對(duì)比分析。由于SAA算法的隨機(jī)優(yōu)化特性，因此選擇進(jìn)行5次優(yōu)化取平均值作為結(jié)果，建模效果如表2所示。結(jié)合表1和表2可以看出，SPA和SAA對(duì)蘋(píng)果的特征波長(zhǎng)篩選有著明顯的效果。從全部的256個(gè)波段使用SPA算法結(jié)合預(yù)處理能夠減少到31個(gè)，其中結(jié)合二階導(dǎo)數(shù)能夠減少到20個(gè)，預(yù)測(cè)準(zhǔn)確率提高至98%，R2從最低0.341增加至0.815。使用SAA算法結(jié)合預(yù)處理方法均減少到10個(gè)，預(yù)測(cè)準(zhǔn)確率能夠提高4個(gè)百分點(diǎn)，R2從0.341最低增加至0.702。對(duì)比SAA和SPA算法，SAA篩選的特征波長(zhǎng)數(shù)遠(yuǎn)低于SPA篩選的個(gè)數(shù)，但在預(yù)測(cè)準(zhǔn)確率和R2對(duì)比各種預(yù)處理方法建模后的結(jié)果，SPA算法優(yōu)于SAA算法。

3 結(jié)論

利用高光譜技術(shù)來(lái)進(jìn)行蘋(píng)果品種鑒定，分析對(duì)比2種不同的特征波長(zhǎng)選擇算法建模，結(jié)果表明，SPA與SAA都可以有效地篩選出特征波段。此外，對(duì)比結(jié)果可以得出，SPA算法相比SAA算法能夠更有效地提高的模型，使用SPA算法進(jìn)行處理，模型預(yù)測(cè)準(zhǔn)確率均在90%以上，其中SPA+二階導(dǎo)數(shù)+KNN預(yù)測(cè)準(zhǔn)確率達(dá)到98.3%，R2=0.963。SAA算法最優(yōu)模型是結(jié)合均值中心化建模，預(yù)測(cè)準(zhǔn)確率達(dá)到93.4%，R2=0.852。綜合來(lái)看，SPA算法更適合篩選蘋(píng)果特征波長(zhǎng)。

參考文獻(xiàn)

[1]劉培剛.蘋(píng)果質(zhì)量的感官鑒別[J].商品儲(chǔ)運(yùn)與養(yǎng)護(hù)，1998（05）：3-5.

[2]王海波，陳學(xué)森，辛培剛，等.幾個(gè)早熟蘋(píng)果品種果實(shí)糖酸組分及風(fēng)味品質(zhì)的評(píng)價(jià)[J].果樹(shù)學(xué)報(bào)，2007（04）：513-516.

[3]秦立峰，張熹，張曉茜.基于高光譜病害特征提取的溫室黃瓜霜霉病早期檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，11：212-220.

[4]翁士狀，唐佩佩，張雪艷，等.高光譜成像的圖譜特征與卷積神經(jīng)網(wǎng)絡(luò)的名優(yōu)大米無(wú)損鑒別[J].光譜學(xué)與光譜分析，2020，40（09）：2826-2833.

[5]Bai Zhizhen，Hu Xinjun，Tian Jianping，et al.Rapid and nondestructive detection of sorghum adulteration using optimization algorithms and hyperspectral imaging.[J].Food chemistry，2020，331：1-9.

[6]朱怡，吳永波，周子堯，等.基于高光譜數(shù)據(jù)的互花米草營(yíng)養(yǎng)成分反演[J].北京林業(yè)大學(xué)學(xué)報(bào)，2020，42（09）：92-99.

[7]閆明壯，王浩云，吳媛媛，等.基于光譜與紋理特征融合的綠蘿葉綠素含量檢測(cè)[J].南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，44（03）：568-575.

[8]王彩霞，王松磊，賀曉光，等.基于可見(jiàn)/近紅外高光譜成像技術(shù)的牛肉品種鑒別[J].食品工業(yè)科技，2019，40（12）：241-247.

[9]尚靜，張艷，孟慶龍.可見(jiàn)/近紅外光譜技術(shù)無(wú)損識(shí)別蘋(píng)果品種的研究[J].保鮮與加工，2019，19（03）：8-14.

[10]尚靜，張艷，孟慶龍.光譜技術(shù)結(jié)合化學(xué)計(jì)量學(xué)識(shí)別蘋(píng)果品種[J].北方園藝，2019（16）：66-71.

[11]Hongyan Zhu，Bingquan Chu，Yangyang Fan，et al.Hyperspectral Imaging for Predicting the Internal Quality of Kiwifruits Based on Variable Selection Algorithms and Chemometric Models[J]. Scientific Reports，2017，7（1）：98-107.

[12]石吉勇，鄒小波，王開(kāi)亮，等.模擬退火算法用于食醋總酸含量近紅外光譜模型的波數(shù)點(diǎn)優(yōu)選[J].食品科學(xué)，2011，32（10）：120-123.

[13]劉金明，初曉冬，王智，等.玉米秸稈纖維素和半纖維素NIRS特征波長(zhǎng)優(yōu)選[J].光譜學(xué)與光譜分析，2019，39（03）：743-750.

[14]謝歡，陳爭(zhēng)光.遺傳模擬退火算法在玉米秸稈纖維素含量檢測(cè)中的應(yīng)用[J].分析化學(xué)，2019，47（12）：1987-1994.

[15]邵園園，王永賢，玄冠濤，等.基于高光譜成像的肥城桃品質(zhì)可視化分析與成熟度檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（08）：344-350.

（責(zé)編：張宏民）