基于THz-TDS技術與改進IPSO-SVM模型的小米品質識別

白 雪， 李明利， 徐雷鈞，2

(1.江蘇大學電氣信息工程學院，江蘇鎮江 212013； 2.東南大學毫米波國家重點實驗室，江蘇南京 210096)

隨著生活水平的不斷提高，人們更加注重雜糧所獨有的食療保健等功能，如具有很高的食療價值的小米(SetariaitalicalL.)、蕎麥等[1]。小米作為我國主要的糧食之一，含有豐富的營養成分，具有清熱解渴、健脾胃等功效，受溫濕度、水分等影響，儲藏不當將導致蟲蛀和霉變等，嚴重危及消費者的身心健康。因此，實現小米品質便捷、高效的檢測至關重要[2]。

目前，近紅外光譜、電子鼻、核磁共振和機器視覺等技術常被用來實現小米的檢測[3]，而其中有的方法采用間接分析技術，抗干擾性差，有的方法則是成本高、精度低，檢測范圍有限，這便要求設計和開發一種新型、快速和無損的小米品質檢測技術及測試儀器。太赫茲(THz)是位于微波和紅外波段之間、頻率范圍為0.1～10 THz、輻射波長為0.03～3 mm 的電磁波。近年來，超快激光和半導體技術的迅速發展，極大地促進了THz技術進步，并被應用于通信、生物等領域[4-5]。由于THz波的高透射、低能量和指紋譜等獨特優勢，成為了農產品檢測領域的新興技術，Kim等提出采用THz技術對食品農殘早期檢測，并對幾種常用農藥測試分析[6]。Akagi等利用THz設備對低聚麥芽糖、乳糖等壓片樣品成像探測[7]。付秀華等利用THz技術分別對添加滑石粉、不同年份、不同發芽階段的小麥樣品檢測分析[8-10]。梁川等以玉米為對象，針對高油玉米不同部位、玉米胚乳和胚、儲糧害蟲判定等進行了THz光譜檢測與分析[11-13]。通過已有研究發現，對雜糧谷物質變檢測的研究相對較少，如蟲蛀、霉變和正常小米的早期識別等。

本試驗采用THz-TDS技術在室溫下以霉變、蟲蛀和正常小米為研究對象，利用0～1.6 THz頻段的吸收譜信息研究多種預處理和特征波長提取對PLS-DA預測性能的影響。利用所選特征波長構建PSO-SVM、IPSO-SVM識別模型，對提出的改進IPSO優化SVM算法驗證分析，探索快速、高效和無損的小米品質識別方法。

1 材料與方法

1.1 試驗裝置及樣品制備

試驗于2017年在江蘇大學國家重點學科基地進行，采用日本Advantest公司生產的TAS7x00TS太赫茲時域光譜探測儀，裝置如圖1所示。試驗設置0～3 THz，精度0.1 mm，系統信噪比5 000，頻譜分辨率3.8 GHz。為避免空氣中水蒸氣的影響，探測裝置處于濕度小于3%、溫度為21 ℃的氮氣環境的隔離箱內。

霉變、蟲蛀和正常小米樣品均由江蘇大學食品與生物工程學院提供，經粉碎、研磨、干燥和過濾獲得各樣品粉末。經300目篩過濾后用5 MPa的壓力壓制成直徑6 mm、厚度 1.2 mm、質地均勻的平面薄片(質量0.1 g)，表面平滑無痕。同一樣品多點掃描，取相鄰3點均值，利用模糊C均值聚類法進行聚類剔除異常樣品，然后采用KS(Kennard-Stone)法劃分訓練集和測試集，最終訓練集、測試集分別為90、45組。

1.2 粒子群(PSO)優化算法

PSO是繼遺傳、蟻群等算法后的又一種新的群體智能算法，數學描述如下[14]：

(1)

1.3 改進IPSO算法

為擺脫局部最優解和提高粒子有效性，對基于RBF核函數的SVM的PSO尋優過程改進[15-17]，方案如下：

(1)增加微調因子ε、引導因子α、位置因子p和速度因子v，粒子飛行速度和位置如下：

(2)

式中：c1、c2滿足c=cS+i(cT-cS)/it，cS、cT為c1和c2的初始值和終止值，i和it為當前和總迭代次數；收斂因子ξ∈[0.70，1.25]，作用于收斂后期，用于提高優化效率；微調因子ε，加強微調幅度以避免局部極值；引導因子α=k+rand()，調節系數k∈[0.1，1]；計算粒子當前位置與全局最優粒子的距離d及速度V，一旦粒子非常接近Gid(d

(2)添加隨迭代次數而自適應改變的慣性權重W。

(3)

W隨迭代次數線性增加，作用于收斂后期增強其全局搜索能力，較大W可以增強全局搜索能力，較小W強化局部搜索能力，Wmax、Wmin為慣性權重的最大值和最小值，取值[0.7，1.5]。達到迭代閾值iT時則重置w，非全局最優粒子重新初始化，增加搜索范圍。

(3)引入自優化調節機制，增加動態感知機制F，預設響應閾值FT，計算適應度fi、Δfi。

(4)

(5)

式中：Δfi=fi+1-fi，Fi為Δfi絕對值之和，表征外部環境改變量。Fi≠0，說明外部環境已改變，使粒子具有感知外部環境變化的能力，當Fi大于響應閾值FT時，保持之前全局和局部最優解，按式(4)重新初始化當前粒子速度和位置。

將改進PSO算法應用于訓練SVM，改進IPSO-SVM建模流程如下：(1)初始化粒子群，在參數允許范圍內，確定種群數目，初步設定學習因子c1、c2的起始值和終止值cS、cT；總迭代次數it和迭代閾值iT；慣性權重的Wmax、Wmin；微調參數和動態響應閾值FT等參數；(2)將每個粒子的個體極值Pid設置為當前位置，計算每個粒子的適應度，將適應度最好的粒子所對應的個體極值作為最初的全局極值Gid；(3)依據式(2)、式(3)進行迭代計算更新粒子的速度和位置，產生新種群，計算和更新適應度，比較并更新局部、全局極值；(4)計算并判定d和V，若dFT則按照式(5)更新粒子速度和位置，返回到步驟(3)；(6)判斷是否滿足終止條件，若達到最大迭代次數或所得解不再變化就終止迭代，輸出最優解，否則返回到步驟(3)。

2 結果與分析

2.1 不同品質小米THz光譜分析

通過掃描樣品和空樣品分別得到樣品和參考信號的THz光譜信息，為消除隨機噪聲，減小測量誤差，多點掃描取均值作為樣品的有效光譜。不同品質小米和參考信號的THz時頻域譜如圖2所示，樣品對THz波的吸收和色散造成的相位和幅值相對參考信號均存在不同程度的延遲和衰減。頻譜圖顯示參考頻率范圍是0～2.7 THz，樣品對高頻段部分的吸收較多導致有效頻帶變窄。

由圖3可知，不同品質小米的吸收系數隨頻率的增加而增加，折射率譜相反，霉變、蟲蛀小米的吸收系數和折射率均低于正常小米。有效頻段內雖存在各自特征吸收峰，但吸收峰的位置相似，并沒有顯著區別，為此，不能完全依靠特征吸收峰鑒別其品質，要用模式識別方法進一步建模分析。因此，制作150個樣品選取0～1.6 THz的吸收譜進行小米品質識別的研究，并提出了一種新型的IPSO優化SVM的方法。

2.2 THz光譜處理及分類模型

2.2.1 光譜預處理及特征信息提取 由于儀器和測量環境等因素的影響，所測數據中不可避免地包含部分噪聲[18]。為了減弱和消除各種非目標因素對光譜的影響，凈化譜圖信息，得到精確的預測結果，采用標準正態交換(SNV)、多元散射校正(MSC)、直接正交信號校正(DSOC)、S-G(SavitZky-Golay)等對原始THz光譜數據預處理是十分必要的。

不同方式預處理后再經主成分(PCA)提取累計貢獻率達到95%的主成分，建立基于PLS算法的小米品質與THz吸收譜之間的PLS-DA預測模型，引用確定系數R2，均方根誤差RMSE和準確率評定模型，優選最佳預處理方式。采用 leave-one-out交叉驗證法對模型驗證，交互驗證均方根RMSECV越小，交互決定系數Rcv2越接近1，模型預測性能越好，不同方式預處理后所建模型的結果詳見表1，DSOC+SNV+S-G預處理后經PCA后的模型優于其他模型。

DSOC+SNV+S-G預處理后經PCA的累計貢獻率達到95%的前13個主成分柱狀圖和前3主成分得分示意如圖4所示，表明具有聚類趨勢，但存在一定交互現象。建模交叉驗證結果表明RMSECV為0.180 2，Rcv2為0.992 7時模型性能最佳，回代訓練集和測試集準確率分別為100.00%、91.11%。其中測試集的預測結果如圖5所示，預測偏差集中分布在0.25附近，仍有4組大于0.5。為提高模型準確率，采用特征波長提取方法優選特征，如連續投影法(SPA)、競爭性自適應重加權法(CARS)和遺傳偏最小二乘(GAPLS)等，利用所選特征波長構建PLS-DA模型。

表1 不同方式預處理的PLS-DA模型的識別效果

由表2可知，CARS處理得37個候選波長，再經SPA二次優選16個特征波長所對應的吸收系數構建PLS-DA模型性能最佳，即CARS+SPA方式最佳，所選特征結果如圖6所示，發現大多分布在峰值谷值點處，其測試集準確率達到93.33%，霉變組誤判數最多。結果表明，DSOC+SNV+S-G和CARS+SPA是最佳預處理和特征提取方式，后續工作均在此基礎上進行。

表2 特征壓縮和特征波長提取建模結果

注：誤判數依次表示正常、蟲蛀和霉變誤判個數。

2.2.2 PSO-SVM和IPSO-SVM識別模型 利用基于徑向基內核(RBF)的支持向量機(SVM)和10折交叉驗證的方法建立樣品THz吸收系數譜與其品質之間的PSO-SVM、IPSO-SVM 分類模型。利用粒子群算法(PSO)快速尋找SVM最優懲罰參數c，RBF核函數參數g，采用最優參數構建SVM模型。經多次優化，最終設定種群規模粒子數為20，一般粒子數過大將降低迭代速度，過小將導致各粒子學習的對象較少，導致陷入局部最優解而停滯不前[19]，學習因子c1=1.5、c2=1.7，迭代次數100，交互驗證10次。PSO優化適應度與迭代次數曲線如圖7所示，適應度逐步增大，在迭代次數為87時逐步趨于穩定，最大適應度94.44，優化所得RBF核函數參數g=17.430 9、懲罰參數c=0.305 1所建PSO-SVM模型測試集的預測準確率為95.55%，分類結果如圖8所示。

IPSO-SVM模型在迭代次數、種群規模等參數與PSO-SVM相同情況下，經多次優化確定學習因子c1的起始值cs和終止值cT分別為1.0、2.45，c2取值[1.35，2.25]；收斂因子ξ=0.785；微調因子ε=0.85；k=0.05，即引導因子α=0.05+ramd()；慣性權重Wmax、Wmin和迭代次數閾值iT分別為1.5、0.7和60；位置因子p=0.1，速度因子v=0.05；響應閾值FT=75，優化適應度見圖7，在迭代次數為70時逐步趨于穩定，最大適應度97.54，綜合最優迭代次數和運行時間這2點考慮，改進IPSO優化參數優于PSO算法，IPSO優化所得最佳參數g、c分別為15.459 3、0.813 7時，IPSO-SVM模型的性能最佳，訓練集和測試集識別準確率分別達到100.00%、97.78%，優于PSO-SVM模型，結果可見表3。圖9分析了收斂因子ξ和響應閾值FT參數對IPSO-SVM模型性能的影響，在其他參數為最優時分別改變收斂因子ξ和響應閾值FT，主要分析參數變化對模型優化時間和測試集識別準確率的影響，以此為指標選出最優調制參數。

由表3可知，與PLS-DA模型相比，PSO-SVM和IPSO-SVM的性能均有所提高，其中IPSO-SVM預測性能優于其他分類模型，建模和預測運算時間均少于其他模型，預測準確率有所提高，其測試集準確率達到了97.78%。改進IPSO通過引入微調參數和更新機制等有效地解決了傳統PSO尋優過程易陷入局部最優解的問題，提高了粒子的有效性和多樣性，改善了SVM的收斂速度和分類精度，繼而提高了小米品質識別精度和識別速度。

3 討論

目前，THz技術不像其他光譜技術那么成熟，將它與化學計量學方法結合實現谷物品質快捷、高效識別的廣泛應用仍是一個重要挑戰。主要是因為THz探測系統具有體積龐大、集成化程度低、成本高等限制因素；此外，溫度、水分等測試條件[20]對探測結果的準確性、可靠性也有較大影響，樣品本身特征如厚度、密度等對探測結果也具有一定影響。若要THz技術擺脫試驗條件實現廣泛的應用，須要進一步完善THz探測裝置和探測手段。

表3 不同模型預測結果

利用THz-TDS技術實現霉變、蟲蛀和正常小米THz光譜特性分析，發現不同品質的小米在有效頻段的吸收系數和折射率譜具有一定差異，蟲蛀、霉變吸收系數和折射率均低于正常小米。但在整個研究過程中，也存在部分問題，主要是樣品的種類不足，只用了1個品種小米的3種品質，沒有考慮更多品種小米的品質等問題，將來須要對多種類小米品質進行研究，同時如何避免溫度、水分、樣品厚度、表面形態等對探測結果的影響也是一重要研究課題。

選取有效波段的吸收系數用于小米品質鑒別研究，比較不同預處理和特征波長提取方式對PLS-DA模型的影響，獲得了最佳預處理和特征提取方式DSOC+SNV+S-G和CARS+SPA。在此基礎上利用所選的特征波長構建PSO-SVM和IPSO-SVM分類模型，探索新型、高效的小米品質鑒別方法，實現定性識別算法的研究，除了采用更加充足的樣品，還要對樣品制備方式、探測方式和化學計量學方法進一步研究。

4 結論

本試驗以小米樣品為研究對象，結合THz技術提出了一種新改進粒子群(IPSO)優化支持向量機(SVM)的分類方法，構建IPSO-SVM模型，解決了傳統粒子群尋優過程易陷入局部最優點的問題，提高了粒子的有效性，模型訓練速度和穩健性也得到改善，其測試集準確率達到97.78%。此外，還使用了其他分類方法(PLS-DA、PSO-SVM)實現小米品質鑒別，從分類準確率和運算時間的角度考慮，IPSO-SVM模型均優于其他分類方法。因此，利用THz技術結合IPSO-SVM算法可以作為一種有效的小米品質鑒別方法，為THz-TDS技術在谷物的種類、年份和成分等檢測方面的應用提供了快捷、高效和無損的試驗方法。