基于深度信念網絡的蘋果霉心病病害程度無損檢測

周兆永，何東健*，張海輝，雷 雨，蘇 東，陳克濤

（1.西北農林科技大學機械與電子工程學院，陜西 楊凌 712100；2.西北農林科技大學網絡與教育技術中心，陜西 楊凌 712100）

基于深度信念網絡的蘋果霉心病病害程度無損檢測

周兆永1,2，何東健1,*，張海輝1，雷 雨1，蘇 東1，陳克濤1

（1.西北農林科技大學機械與電子工程學院，陜西 楊凌 712100；2.西北農林科技大學網絡與教育技術中心，陜西 楊凌 712100）

針對現有霉心病無損檢測只能檢測出有無病害，無法對病害程度進行判斷的問題，研究并提出一種基于深度信念網絡（deep belief net，DBN）的無監督檢測模型。該模型由多層限制玻爾茲曼機（restricted Boltzmann machine，RBM）網絡和1層反向傳播（back propagation，BP）神經網絡組成，RBM網絡實現最優特征向量映射，輸出的特征向量由BP神經網絡對霉心病病害程度分類。對225 個蘋果樣本在波長200～1 025 nm獲取其透射光譜后，根據腐爛面積占橫截面比例將霉心病害程度分為健康、輕度、中度和重度4 種，分別用150 個和75 個樣本作為訓練集和測試集，以全光譜數據和基于連續投影算法提取的特征波長數據為輸入構建病害程度判別模型，并比較DBN模型與偏最小二乘判別分析、BP神經網絡和支持向量機模型的識別效果，實驗結果表明，DBN模型病害判別準確率達到88.00%，具有較好的識別效果。

蘋果霉心病；病害程度；透射光譜；深度信念網絡（DBN）；限制玻爾茲曼機（RBM）

引文格式：周兆永, 何東健, 張海輝, 等. 基于深度信念網絡的蘋果霉心病病害程度無損檢測[J]. 食品科學, 2017, 38(14): 297-303.

DOI:10.7506/spkx1002-6630-201714046. http://www.spkx.net.cn

ZHOU Zhaoyong, HE Dongjian, ZHANG Haihui, et al. Non-destructive detection of moldy core in apple fruit based on deep belief network[J]. Food Science, 2017, 38(14): 297-303. (in Chinese with English abstract) DOI:10.7506/spkx1002-6630-201714046. http://www.spkx.net.cn

蘋果霉心病又稱霉腐病、心腐病，是危害蘋果內部品質的主要病害，受害蘋果果實從心室開始逐漸向外擴散腐爛，果面無明顯相關癥狀[1]。因此，霉心病果實較難識別，其混在好果中流入市場，不僅損害了消費者權益，也會影響果商和產地的聲譽，甚至在國際市場上影響國家的聲譽。蘋果霉心病根據癥狀可分為褐變、霉心和腐爛3 種主要類型，如圖1所示，在田間比例分別為43.22%、26.10%和30.68%[2]。霉心病菌在樹體、土壤、病果或壞死組織上存活，第2年春季開始傳播侵染，經空氣傳播，因此增強蘋果霉心病的預防極為必要。由于缺乏有效的檢測手段準確剔除發病果實，霉心病檢測已成為蘋果產業發展亟待解決的重大問題。

圖1 蘋果霉心病癥狀類型圖Fig. 1 Different types of symptoms of moldy core in apple fruits

國內外學者嘗試用不同的方法來檢測蘋果的霉心病。Chayaprasert等[3]研究了采用低頻（5.55 MHz）磁共振的蘋果霉心病檢測方法，李芳等[4]提出了利用生物阻抗特性分析的檢測方法，楊亮亮[5]提出采用機器視覺和X射線相結合的方法獲得蘋果透視圖像，進而實現蘋果霉心病的檢測。近年來，光譜技術在農產品檢測[6-14]中應用日益廣泛，Clark[7]和McGlone[15]等利用700～900 nm近紅外光漫反射光譜檢測“Braeburn”蘋果的褐心病，建立模型的決定系數達0.91。上述研究均基于光譜漫反射方法檢測蘋果霉心病害，但因蘋果霉心病早期發生在果心及其附近，表面光譜漫反射難以反映果心及深層果肉的特征信息。韓東海等[16]用近紅外連續透射光譜檢測蘋果內部褐變，選擇810、750、715 nm 3 個波長對褐變果進行判別分析，其樣品的正確判別率達到95.65%。Shenderey等[17]研究用近紅外透射光譜技術檢測蘋果霉心病的方法，用偏最小二乘回歸建立判別模型，測試集正確判別率為90.1%。雷雨等[18]用可見-近紅外透射能量光譜識別方法，基于主成分分析-支持向量機模型對測試集和訓練集的識別正確率分別為99.3%和96.7%。Zhou Zhaoyong等[19]基于遺傳算法優選參數的支持向量機（genetic algorithmsupport vector machine，GA-SVM）模型采用透射光譜進行霉心病有無檢測，識別正確率達到96.92%。

以上研究大多著眼于霉心病害的有無進行識別，鮮見關于光譜技術檢測霉心病程度的報道。霉心病程度的檢測，首先可以實現病害的有無判別，防止誤食霉心病果實，也可將輕度霉心果分選出來特殊處理，避免病害發展影響其他果實。此外，檢測出果園發生大量重度霉心病果實，可用于指導果園滅菌處理，對降低霉心病的再生具有指導意義。

本實驗利用深度學習具有復雜函數逼近和較強的從樣本集中學習的能力[20]，研究并提出一種基于深度信念網絡（deep belief net，DBN）的霉心病程度判別模型和方法，DBN由若干層限制波爾茲曼機（restricted Boltzmann machine，RBM）和1 層反向傳播（back propagatiom，BP）網絡組成的一種深層神經網絡[21-22]。RBM是一個典型的基于能量函數的模型，每層RBM的神經元只有激活（1）和抑制（0）2 種狀態，對任意一組給定的（h，v），定義E作為一層RBM整體的能量函數。訓練時RBM采用對比散度（contrastive divergence，CD）[23]算法求得模型偏置參數和連接權值，在每一次迭代中都對訓練數據進行吉布斯采樣，并更新參數。單層RBM如圖2所示，每一層RBM都由一個可見層和一個隱層組成，與玻爾茲曼機不同的是，RBM去掉了每層神經元之間的連接，并將可見層v和隱層h之間的節點通過權值w雙向連接[20]，而深度RBM，是將多個RBM層疊，前一層的輸出作為后一層的輸入[21]。深度學習通過學習一種深層非線性網絡結構，實現復雜函數逼近，表征輸入數據分布式表示，并展現了強大的從少數樣本集中學習數據集本質特征的能力[20]。Hinton等[24]基于DBN提出非監督貪心逐層訓練算法，為解決深層結構相關的優化難題帶來希望。為提高蘋果霉心病病害程度檢測正確率，本實驗研究一種基于DBN模型的蘋果霉心病程度檢測方法。

圖2 RBM示意圖Fig. 2 Illustration for RBM

1 材料與方法

1.1 材料與試劑

供試蘋果為紅富士蘋果，于2014年10月采集于陜西省洛川縣鳳棲鎮好音村果園，根據果農經驗，選取大小均勻、外表光滑、無機械損傷的疑似霉心病果和好果共計225 個作為實驗樣本。將樣本清潔擦凈后進行編號，并置于實驗室（22 ℃，相對濕度55%）內。

1.2 儀器與設備

圖3 蘋果霉心病檢測平臺結構圖Fig. 3 Schematic of testing platform of moldy core in apples

為研究蘋果霉心病與透射光譜之間的關系，建立圖3所示的檢測平臺，主要包括照射光源、檢測室、便攜式光譜儀、臺式計算機等。采用美國Ocean Optics公司的USB2000+XR1便攜式光譜儀，在200～1 025 nm波長范圍獲取蘋果透射光譜，光譜分辨率為2.0 nm。檢測室中4 個50 W鎢鹵素燈泡作為照射光源，蘋果樣品置于高度可調、帶有通孔的載物臺上，位于蘋果下方的光纖探頭檢測透射光經光纖傳輸至光譜儀，經光譜儀對各波段光譜進行接收和處理后，通過USB接口與臺式計算機連接，用光譜儀自帶的SpectraSuite光譜采集軟件實現透射光譜數據的采集和存儲，導出數據后用Matlab R2014a（MathWorks公司）進行數據分析處理。

1.3 方法

1.3.1 光譜采集

經過10 d染病果發病后，采集實驗樣本光譜數據。采集光譜數據時，提前15 min打開光源預熱，以保證系統穩定。在SpectraSuite軟件中設置主要采集參數為：積分時間100 ms，平均掃描次數10，平滑點數5，采樣波長范圍200～1 100 nm，分辨率2.0 nm，并勾選去除暗噪聲。樣品置于暗室內載物臺上，蘋果果軸與光源檢測器垂直，光線從其赤道處穿過[12]。調整載物臺使光源距離載物臺表面分別為10、12、15 cm進行實驗，經預備實驗對比知，光源距離載物臺表面12 cm最優。關閉暗箱門保證無外界光進入，考慮到霉心病的發病位置和形態均不同，故每個樣品采集3 個點的數據，各點之間約呈120°。取3 個點光譜的平均值作為最終的建模光譜數據。在采集光譜數據期間，每間隔10 個樣品分別采集3 次參考光譜和暗光譜數據，分別取其平均值作為最終的參考光譜和暗光譜數據。采集結束后，從中心線部位將蘋果切開，用Canon-EOS6D數碼相機對切開截面拍照（設置焦距24～90 mm），目視判別有無病害，存儲為JPEG格式的圖像用于病害程度圖像判定。破壞性實驗后統計表明，樣本中有健康果174 個，霉心病果51 個。分別從健康果和霉心病果中隨機選取150 個樣本作為訓練集（其中健康果120 個，霉心病果30 個），75 個樣本作為測試集（其中健康果54 個，霉心病果21 個）。

1.3.2 光譜數據預處理及光譜特性

圖4 可見-近紅外透射能量光譜數據曲線Fig. 4 Vis-NIR transmittance energy spectra

為研究光源能量的穩定性，對所采集的20 條參考光譜數據進行分析，結果顯示每個波長點的相對標準偏差（relative standard deviation，RSD）在0.18%～0.93%范圍內。可認為光源能量穩定，可直接用能量光譜計算建立模型[25]。210 個樣品的原始光譜曲線如圖4a所示。（相應波長條件下光源透過蘋果所發出的光通量在空間的分布密度通過A/D轉換器轉化成離散的數字量值）。為了消除來自高頻隨機噪聲、基線漂移、光散射、樣本間本身成分含量信息的差異性等影響，提高模型的收斂性能，需對原始光譜數據進行預處理[26]。首先采用SG（Savitzky-Golay）平滑法對光譜進行平滑（平滑點數為50），每10 個樣品的原始光譜分別減去對應的暗光譜，以消除環境因素的影響，處理后的光譜數據曲線如圖4b所示。然后，采用多元散射矯正（multiple scattering correction，MSC）對光譜數據進行預處理。為了消除數據首段與末端產生的高頻噪聲，同時考慮光譜特征與蘋果霉心病的相關性，截取650～800 nm波段區間內370 維的光譜作為全光譜（full spectrum，FS）數據進行蘋果霉心病程度判別分析。如圖4c所示，健康果在波長650、705、769、800 nm附近有明顯波峰，在705～769 nm波長區間處的透過峰最高，霉心病果的透過峰均低于健康果，且發病程度越嚴重，透過峰越低。進一步分析表明，受害蘋果從心室開始逐漸向外擴散腐爛，病發區呈黑色或者棕灰色，對光的吸收能力較強，發病程度越重，心部腐爛面積越大，吸收能力就越強，光透過的就越少，故透過峰越低，這為應用透射光譜進行蘋果霉心病病害程度判別提供了理論依據。

1.3.3 數據降維方法

高維光譜數據會明顯增加分析的復雜性，且每個樣品的光譜數據存在譜峰重疊問題，導致光譜數據信息冗余，因此需要對光譜數據進行降維處理[27]。連續投影算法（successive projections algorithm，SPA）通過對光譜數據投影映射選取原始光譜中的少數波長，能夠有效消除眾多波長變量之間的共線性影響，并且可盡可能多地概括樣本光譜信息，降低模型的復雜度[28]，故本實驗用SPA進行降維處理。

圖5 交叉驗證選擇的特征波長數（A）和波長選擇分布圖（B）Fig. 5 Characteristic wavelengths number selection by cross-validation (A) and selected variable wavelengths obtained by SPA (B)

對隨機劃分后的光譜數據采用SPA提取特征波長，經交叉驗證得到16 個特征波長對應的均方根誤差為0.417 9，如圖5A所示，運行時間62 s。圖5B中用實心方框給出16 個特征波長，分別為652.16、662.85、674.06、690.35、699.68、703.55、718.28、722.63、727.62、732.33、737.35、761.86、773.53、785.45、790.58、799.78 nm。在波長652、690、703、720、800 nm有明顯波峰處均選取有特征波長點，體現出SPA提取的優點。為驗證所選波長的有效性，將測試集樣本16 個特征波長的相對光強度作為輸入，建立偏最小二乘判別分析（partial least square-discriminant analysis，PLS-DA）、BP神經網絡（BP-artificial neural network，BP-ANN）、SVM和基于DBN的病害程度預測模型，并用測試集樣本進行檢驗。

1.3.4 蘋果霉心病的評價及模型的評價標準

圖6 不同發病程度的蘋果霉心病果樣本Fig. 6 Different degrees of moldy core in apple samples tested

為判斷蘋果霉心病的腐爛程度等級，對拍攝的蘋果截面數字圖像采用Matlab進行處理，計算霉心面積所占截面積的百分比Sd，并用Sd代表霉心病程度。通過咨詢蘋果病害專家，規定Sd不大于10%、10%＜Sd＜30%和Sd不小于30%分別代表輕度、中度和重度霉心，故將判別類型分為健康、輕度、中度和重度霉心4 個類別，如圖6所示。訓練集樣本中，4 個類別樣本個數依次為120、14、9 個和7 個，測試集樣本中，4 個類別樣本個數分別依次為54、9、6 個和6 個。本實驗采用霉心病程度類型判別正確率（測試集中類型正確判別樣本數與測試集樣品總數之比）對識別模型進行評價。

1.3.5 基于深度學習的建模方法

1.3.5.1 DBN模型結構的確定

為尋找較優的網絡結構，分別改變RBM層數和各層的神經元數進行訓練和測試。當RBM層數設置為2、3、4，各層神經元確定時，發現RBM層數為2時預測結果較差，RBM層數分別設置為3和4時預測結果較好，且預測正確率基本相當。為減小模型運行時間，最終選擇RBM層數為3。在確定RBM層數為3的基礎上進一步確定各層神經元數量，第1層和第2層RBM神經元數量從100開始每50一個步長進行增加，第3層RBM神經元數量按照第2層神經元數量的1、2、3、4 倍分別考慮。經過反復實驗，最終確定的模型結構為1 個輸入層、3 個隱含層和1 個BP網絡輸出層，如圖7所示，網絡的節點數依次為370-250-250-750-4。

圖7 DBN網絡結構Fig. 7 DBN network architecture

1.3.5.2 DBN模型訓練過程

該模型以蘋果透射光譜為輸入，病害程度為輸出，實現蘋果霉心病程度的無損檢測。模型訓練的過程主要分為兩步：第1步，分別單獨無監督地訓練每一層RBM網絡，確保特征向量映射到不同特征空間時，都盡可能多地保留特征信息；第2步，在DBN的最后一層設置BP網絡，以RBM的輸出特征向量作為它的輸入特征向量，有監督地訓練分類器。而且每一層RBM網絡只能確保自身層內的權值對該層特征向量映射達到最優，并不是對整個DBN的特征向量映射達到最優，故BP網絡還將錯誤信息自頂向下傳播至每一層RBM，微調整個DBN網絡。RBM網絡訓練模型的過程可以看作對一個深層BP網絡權值參數進行初始化，使DBN克服BP網絡因隨機初始化權值而易陷入局部最優和訓練時間長的缺點。

1.3.5.3 DBN模型訓練方法

實驗中，首先對650～800 nm波段區間內370 維光譜數據進行歸一化處理，將225 個樣本劃分為訓練集150 個和測試集75 個。將數據集劃分為15 個為一批次，訓練集10 個批次和測試集5 個批次，評價標準是正確識別率。采用1 個輸入層，3 個隱含層和BP網絡分類的輸出層，網絡的節點數依次是370-250-250-750-4。整個網絡權值的獲得流程如下：

步驟1：首先訓練第1個RBM網絡，即輸入層370 維和第1個隱含層250 維構成的網絡。采用RBM優化方法，該過程采用訓練樣本，優化完畢后，計算訓練樣本在隱含層的輸出值。

步驟2：利用步驟1中的結果作為第2個RBM網絡訓練的輸入值，同樣用RBM網絡來優化第2個RBM網絡，并計算出網絡的輸出值，并且用同樣的方法訓練第3個RBM網絡。

步驟3：將上面3 個RBM網絡展開連接成新的網絡，且分成encoder和decoder部分。并用步驟1、2得到的網絡值給該新網絡賦初值。

步驟4：本實驗擬將霉心病程度分為4 類，故新網絡中最后一層為有4 個輸出節點的BP網絡分類器。采用BP算法計算網絡的代價函數和代價函數的偏導數。

步驟5：利用步驟3的初始值和步驟4的代價值和偏導值，采用共軛梯度下降法優化整個新網絡，得到最終的網絡權值。

基于隨機法劃分數據，將FS和經SPA提取的特征波長作為DBN模型的輸入變量，建立霉心病病害程度判別模型，并用測試集樣本對模型進行預測。理論上，輸出1（0001）為健康果，輸出2（0010）為輕度霉心果，輸出3（0100）為中度霉心果，輸出4（1000）為重度霉心果。實驗中，各節點輸出大于0.90，則判定為該類。

2 結果與分析

2.1 霉心病病害程度常規建模方法識別效果

根據FS、SPA選擇的特征波長，分別建立特征波長與PLS-DA、BP-ANN和SVM蘋果霉心病病害程度判別模型。BP網絡隱含層傳遞函數采用“tansig”，輸出層傳遞函數采用“purelin”，訓練函數選擇“trainlm”（LM訓練法），目標誤差為0.001，訓練最大步數設為1 000。SVM 4 種病害程度識別模型采用SVM決策樹，由多個二類分類模型組成，實驗中采用一對余類SVM多類分類模型，對應4 種霉心病程度，共構造4 個二類分類器。PLSDA、BP-ANN和SVM模型的判別正確率（判別正確的果實數目與訓練集或測試集樣本總數的比率）如表1所示。

表1 蘋果霉心病病害程度的判別正確率Table 1 Classification accuracy of different degrees of moldy core in apples by different classification models

由表1可知，FS-PLS-DA模型對測試集的判別正確率為80%，FS-BP-ANN和FS-SVM模型對測試集的判別正確率為81.33%，SPA-PLS-DA、SPA-BP-ANN和SPASVM模型對測試集的判別正確率均為82.67%。上述結果表明，BP-ANN、SVM等模型判別正確率最高達到82.67%，這是因為這些模型均屬于淺層結構算法，在有限樣本條件下，計算單元對復雜函數的表示能力有限，復雜分類問題泛化能力受到一定制約，故需要研究新的建模方法，以提高判別正確率。

2.2 霉心病病害程度DBN建模方法判別效果

表2 蘋果霉心病病害程度的判別正確率Table 2 Classification accuracy of different degrees of moldy core in apple fruits in training and test sets by DBN models

由表2可知，在DBN模型中，FS-DBN模型對訓練集和測試集中病害等級的判別正確率分別為92.00%和88.00%，對于訓練集，分別有0、10、1、1 個樣本發生誤判，對于測試集，分別有0、8、1、0 個樣本發生誤判，通過對訓練集和測試集的誤判分析發現，誤判主要發生在輕度霉心病果誤判為健康果，以及中度霉心病果誤判為輕度霉心病果，這與健康果與輕度霉心病果之間、輕度與中度霉心病果之間的光譜特征曲線區別并不是很明顯一致。SPA-DBN模型對訓練集和測試集中樣本的判別正確率分別為92.00%和88.00%，對于訓練集，分別有0、9、2、1 個樣本發生誤判，對于測試集，分別有0、8、1、0 個樣本發生誤判。SPA-DBN模型預測的正確率與傳統線性分類方法PLS-DA提高5.33個百分點，與非線性方法BP-ANN、SVM相比亦提高5.33個百分點。表明DBN算法優于PLS-DA、BP-ANN、SVM算法，提高了霉心病程度判別正確率。

應用可見-近紅外透射能量光譜進行定性分析時，高維光譜數據增加了分析的復雜性，而單個樣品的光譜數據會存在譜峰重疊問題，導致光譜數據信息冗余，網絡運算很容易陷入局部極小且解析困難，實驗中對光譜數據進行平滑和MSC預處理后，基于FS、SPA建立識別模型。實驗結果表明8 種模型無欠擬合及過擬合現象，表明基于可見-近紅外透射能量光譜分析方法對蘋果霉心病病害程度進行識別可行。

對比基于FS和SPA 2 種方法所建DBN模型，基于SPA和FS所建模型的運行時間分別為52.36 s和790.5 s，用特征波長所建模型比FS建立的模型運行速度提高了15 倍。這是因為DBN網絡的輸入時有370 個，而SPA所建模型的輸入變量只有16 個，僅為FS所建模型輸入變量數的4.32%，故運算速度更快，更能適應現場實時檢測的要求。

對比PLS-DA、BP-ANN、SVM和DBN 4 種蘋果霉心病病害程度判別模型，BP-ANN、SVM等模型判別正確率最高達到82.67%，但是他們均屬于淺層結構算法，在有限樣本條件下，計算單元對復雜函數的表示能力有限，復雜分類問題泛化能力受到一定制約。DBN模型有效克服了BP網絡因隨機初始化權值參數而容易陷入局部最優和訓練時間長的缺點，能較好解決高維數、非線性和局部極小點等實際問題，具有較好的魯棒性，并且有效避免過學習和欠學習狀態的發生。DBN模型對訓練集和測試集中樣品的判別正確率均分別達到92.00%和88.00%，可見DBN模型的性能要優于BP-ANN、SVM和PLS-DA模型，在實際應用中也更加穩定和可靠。

3 結 論

提出了一種基于可見-近紅外透射能量光譜進行蘋果霉心病病害程度的多類分類模型和方法。同時實驗分析發現，健康果在波長705～769 nm區間處的透過峰最高，霉心病果的透過峰均低于健康果，且發病程度越嚴重，透過峰越低。

光譜預處理方法對建模的復雜度有較大影響。分別建立了基于FS、SPA的PLS-DA、BP-ANN、SVM、DBN識別模型。基于SPA所建模型的輸入變量數僅相當于基于FS所建模型輸入變量數的4.32%，極大降低了模型的復雜度，提高了模型的運算速度。

DBN模型具有更高的學習能力和預測能力，對訓練集和測試集中霉心病病害等級的判別正確率分別為92.00%和88.00%。表明基于DBN模型可用于蘋果霉心病病害程度的快速無損識別。

[1] 烏日娜, 尚潔. 水果及其制品中棒曲霉素的殘留分析進展[J].中國國境衛生檢疫雜志, 2007, 30(3): 188-190. DOI:10.3969/ j.issn.1004-9770.2007.03.019.

[2] 高玲玲. 陜西省富士蘋果霉心病病原多樣性研究[D]. 楊凌: 西北農林科技大學, 2010: 23.

[3] CHAYAPRASERT W, STROSHINE R. Rapid sensing of internal browning in whole apples using a low-cost, low-field proton magnetic resonance sensor[J]. Postharvest Biology and Technology, 2005, 36(3): 291-301.

[4] 李芳, 蔡騁, 馬惠玲, 等. 基于生物阻抗特性分析的蘋果霉心病無損檢測[J]. 食品科學, 2013, 34(18): 197-202. DOI:10.7506/spkx1002-6630-201318040.

[5] 楊亮亮. 基于機器視覺和X射線的蘋果霉心病檢測方法研究[D]. 楊凌: 西北農林科技大學, 2009: 10.

[6] 何東健. 水果內部品質在線近紅外分光檢測裝置及試驗[J].農業工程學報, 2001, 17(1): 146-148. DOI:10.3321/ j.issn:1002-6819.2001.01.031.

[7] CLARK C J, McGLONE V A, JORDAN R B. Detection of brownheart in ‘Braeburn’ apple by transmission NIR spectroscopy[J]. Postharvest Biology and Technology, 2003, 28(1): 87-96. DOI:10.1016/S0925-5214(02)00122-9.

[8] 劉燕德, 應義斌. 近紅外漫反射式水果糖份含量的測量系統[J].光電工程, 2004, 31(2): 51-53. DOI:10.3969/j.issn.1003-501X.2004.02.016.

[9] 劉燕德, 應義斌, 傅霞萍近紅外漫反射用于檢測蘋果糖度及有效酸度的研究[J]. 光譜學與光譜分析, 2005, 25(11): 1794-1796. DOI:10.3321/j.issn:1000-0593.2005.11.014.

[10] GUTHRIE J A, LIEBENBERG C J, WALSH K B. NIR model development and robustness in prediction of melon fruit total soluble solids[J]. Crop and Pasture Science, 2006, 57(4): 411-418. DOI:10.1071/AR05123.

[11] 王加華, 韓東海. 基于遺傳算法的蘋果糖度近紅外光譜分析[J].光譜學與光譜分析, 2008, 28(10): 2308-2311. DOI:10.3964/j.is sn.1000-0593(2008)10-2308-04.

[12] 李順峰, 張麗華, 劉興華, 等. 基于主成分分析的蘋果霉心病近紅外漫反射光譜判別[J]. 農業機械學報, 2011, 42(10): 158-161. DOI:10.3969/j.issn.1000-1298.2011.10.031.

[13] 蘇東, 張海輝, 陳克濤, 等. 基于透射光譜的蘋果霉心病多因子無損檢測[J]. 食品科學, 2016, 37(8): 207-211. DOI:10.7506/spkx1002-6630-201608037.

[14] 張海輝, 陳克濤, 蘇東, 等. 基于特征光譜的蘋果霉心病無損檢測設備設計[J]. 農業工程學報, 2016, 32(18): 255-262. DOI:10.11975/ j.issn.1002-6819.2016.18.035.

[15] McGLONE V A, MARTINSEN P J, CLARK C J, et al. On-line detection of Brownheart in Breaburn apples using near infrared transmission measurements[J]. Postharvest Biology and Technology, 2005, 37(2): 142-151. DOI:10.1016/j.postharvbio.2005.04.011.

[16] 韓東海, 劉新鑫, 魯超, 等. 蘋果內部褐變的光學無損傷檢測研究[J]. 農業機械學報, 2006, 37(6): 86-88. DOI:10.3969/ j.issn.1000-1298.2006.06.022.

[17] SHENDEREY C, SHMULEVICH I, ALCHANATIS V, et al. NIRS detection of moldy core in apples[J]. Food Bioprocess Technology, 2010, 3(1): 79-86. DOI:10.1007/s11947-009-0256-1.

[18] 雷雨, 何東健, 周兆永, 等. 蘋果霉心病可見/近紅外透射能量光譜識別方法[J]. 農業機械學報, 2016, 47(4): 193-200. DOI:10.6041/ j.issn.1000-1298.2016.04.026.

[19] ZHOU Zhaoyong, HE Dongjian, LEI Yu, et al. NIRS detection of moldy core in apples[J]. International Journal of Agricultural and Biological Engineering, 2016, 9(6): 148-155. DOI:10.3965/ j.ijabe.20160906.2235.

[20] BENGIO Y, DELALLEAU O. On the Expressive power of deep architectrues[C]//Proceedings of the 22nd International Conference on Algorithmic Learning Theory. Espoo, Finland: Springer-Verlag, 2011: 18-36. DOI:10.1007/978-3-642-24412-4_3.

[21] SALAKHUTDINOV R, HINTON G E. Deep boltzmann machines[C]// Proceedings of the Twelfth International Conference on Artificial Intelligence and Statistics. Florida, USA: ACM, 2009: 448-455.

[22] BENGIO Y. Learning deep architectures for AI[J]. Foundations and Trends in Machine Learning, 2009, 2(1): 1-12.

[23] HINTON G E. Training products of experts by minimizing contrastive divergence[J]. Neural Computation, 2002, 14(8): 1771-1800. DOI:10. 1162/089976602760128018.

[24] HINTON G, OSINDERO S, TEH Y. A fast learning algorithm for deep belief nets[J]. Neural Computation, 2006, 18(7): 1527-1554. DOI:10.1162/neco.2006.18.7.1527.

[25] 王加華, 孫旭東, 潘璐, 等. 基于可見/近紅外能量光譜的蘋果褐腐病和水心鑒別[J]. 光譜學與光譜分析, 2008, 28(9): 2098-2102. DOI:10.3964/j.issn.1000-0593(2008)09-2098-05.

[26] 劉燕德, 周延睿, 潘圓媛. 基于最小二乘支持向量機的辣椒可溶性固形物和維生素C含量近紅外光譜檢測[J]. 光學精密工程, 2014, 22(2): 281-288. DOI:10.3788/OPE.20142202.0281.

[27] 岳學軍, 全東平, 洪添勝, 等. 柑橘葉片葉綠素含量高光譜無損檢測模型[J]. 農業工程學報, 2015, 31(1): 294-302. DOI:10.3969/ j.issn.1002-6819.2015.01.039.

[28] 何東健, 陳煦. 基于光譜分析的土壤有機質含量田間實時測定方法[J]. 農業機械學報, 2015, 46(3): 152-157. DOI:10.6041/ j.issn.1000-1298.2015.03.021.

Non-Destructive Detection of Moldy Core in Apple Fruit Based on Deep Belief Network

ZHOU Zhaoyong1,2, HE Dongjian1,*, ZHANG Haihui1, LEI Yu1, SU Dong1, CHEN Ketao1
(1. College of Mechanical and Electronic Engineering, Northwest A&F University, Yangling 712100, China; 2. Network and Education Technology Center, Northwest A&F University, Yangling 712100, China)

Apple moldy core is a major disease affecting the internal quality of apple fruit. However, due to the lack of effective means to accurately detect moldy core in apple fruits, detection of moldy core in apples has become a major problem to be solved in the apple industry. To date, there have been no reports on the use of spectroscopy for distinguishing various degrees of moldy core decay in apple fruits. The objective of this study was to develop a non-destructive method for the detection of various degrees of moldy core decay in apple fruits using near infrared transmittance spectroscopy, successive projections algorithm (SPA), and multi-class classification algorithms partial least square-discriminant analysis (PLS-DA), back propagation artificial neural network (BP-ANN), support vector machine (SVM) and deep belief network (DBN). For developing a model to determine the degree of moldy core in apples, 225 samples were selected including a training set of 150 samples and a test set of 75 samples. The model consisted of several layers of restricted Boltzmann machine (RBM) network, which achieved eigenvector projection, and one layer of BP network, which allowed the classification of various degrees of moldy core based on the output eigenvector. The Sdvalue was calculated by dividing the lesion area by the total cross-sectional area. It was proposed that Sd= 0, 0 ＜ Sd≤ 10%, 10% ＜ Sd＜ 30% and Sd≥ 30 indicated health, mild, moderate and severe degrees, respectively. The classification accuracy of the DBN model was 88.00%, suggesting good performance of the model, and it was compared with those of the BP-ANN and SVM models.

moldy core in apples; degree of disease; transmittance spectroscopy; deep belief network (DBN); restricted Boltzmann machine (RBM)

10.7506/spkx1002-6630-201714046

S24

A

1002-6630（2017）14-0297-07

2016-09-12

國家高技術研究發展計劃（863計劃）項目（2013AA10230402）；國家自然科學基金面上項目（61473235）；陜西省重大農技推廣服務試點項目（2016XXPT-05）

周兆永（1980—），男，工程師，博士研究生，主要從事智能化檢測、模式識別研究。E-mail：yzz@nwsuaf.edu.cn

*通信作者：何東健（1957—），男，教授，博士，主要從事智能化檢測與控制、圖像分析與計算機視覺、農業信息化研究。E-mail：hdj168@nwsuaf.edu.cn