基于介電特性與SPA-SVR算法的水稻含水率檢測方法

張本華，錢長錢，焦晉康，丁兆赫，張 揚，崔紅光，劉翠紅，馮龍龍

·農產品加工工程·

基于介電特性與SPA-SVR算法的水稻含水率檢測方法

張本華，錢長錢，焦晉康，丁兆赫，張 揚，崔紅光，劉翠紅，馮龍龍

（沈陽農業大學工程學院，沈陽 110161）

為提高基于介電法水稻含水率的檢測精度，以北粳3號水稻為研究對象，利用阻抗分析儀及自制同軸圓柱型電容器測量了不同含水率水稻在1 kHz～1 MHz頻率下的相對介電常數及介質損耗因數。采用共生距離法劃分了72個樣本校正集和48個樣本預測集。利用無信息變量消除法及連續投影法選取介電參數（、及和兩者結合）的特征變量，分別利用所提取的特征變量以及單頻、全頻下的介電參數來建立預測水稻含水率的多元線性回歸及支持向量機回歸模型，分析模型的預測性能，并對最佳模型的含水率預測結果進行溫度補償。結果表明：基于與兩者結合并利用連續投影法提取特征變量建立的支持向量機回歸模型預測效果最佳，其預測集決定系數為0.980，預測均方根誤差為0.403%。最佳預測模型對不同品種水稻的含水率預測值與烘干法測得的含水率實測值的絕對誤差集中分布在±0.5%內，該研究可為糧食含水率的檢測提供參考。

含水率；水稻；介電特性；連續投影法；支持向量機回歸

0 引 言

水稻作為中國第一大糧食作物，其質量的好壞直接影響著水稻的價格與消費情況。而含水率作為影響水稻品質的重要因素，對水稻的儲藏、運輸、收購和加工有著極大的影響[1]。在中國，每年因水分檢測技術的不完善而導致糧食發霉變質造成的產量損失高達107t，經濟損失高達200億元[2]。因此，精準檢測含水率，有利于提高水稻品質，減少損失。

目前，糧食含水率快速檢測方法主要包括電容法、電阻法、核磁共振法、微波法、紅外法、中子法等。其中核磁共振法[3]存在儀器昂貴，保養費用高，需精確標定等問題；微波法[4]、紅外法[5]、中子法[6]具有影響因素多等不足；電阻法[7]需將樣品粉碎，不適于無損檢測；電容法[8]具有分辨率高、價格便宜、動態響應快等特點。從快速性和經濟性考慮，電容法是檢測糧食含水率較為實用的方法。

電容法作為一種基于介電特性快速檢測糧食含水率的方法，因其影響因素較多，數據處理技術不完善，故測量精度不理想。如何提高電容式糧食水分檢測裝置精度成為目前創新和突破的難點。國內外學者對電容式糧食水分傳感器結構、影響因素、數據處理方法等方面進行了相關研究。在電容器結構方面，設計了電容傳感器的不同結構并優化了其結構尺寸[9-16]。在影響因素方面，研究了電壓、頻率、溫度、容積密度等因素對介電參數的影響[17-22]。麥智煒等[23]設計了一種不受堆積密度影響的電容式糧食水分檢測裝置。在數據處理方法方面，考慮到溫度、容積密度等因素的影響，采用了多元回歸、神經網絡、支持向量機等數學方法來建立糧食水分檢測模型[24-30]。

綜上所述，傳統的電容法多為用單一頻率下的單一電參數來預測糧食含水率，數學模型單一，影響因素較多，檢測精度不高。為此，本研究在優化同軸圓柱型電容器極板結構的基礎上，采用阻抗分析儀研究水稻含水率與介電參數間的關系，并分別在單頻、全頻及多個特征頻率下建立水稻含水率與介電參數間的多元回歸模型。分析模型的預測效果，確定檢測水稻含水率的最佳模型，并對預測結果進行溫度補償。以期為基于介電特性糧食含水率的在線實時檢測提供參考。

1 材料與方法

1.1 試驗材料

試驗水稻品種為北粳3號，選取完整無損且飽滿的水稻作為試驗樣品。將試驗樣品隨機分為120個樣本，每個樣本300 g水稻，裝于密封袋中保存在23 ℃的室溫環境下。

1.2 試驗儀器

試驗采用日置IM3570阻抗分析儀（日置電機株式會社）、101型電熱鼓風干燥箱（北京市永光明醫療儀器有限公司）、JJ523BC型精密分析天平（上海銳析儀器）、RGX-400強光人工氣候箱(上海印溪儀器儀表有限公司)以及自制同軸圓柱型電容器。

1.3 電容器結構參數設計

為減小電容器極板的邊緣效應對介電參數的影響，本研究采用自制同軸圓柱型電容器。結構如圖1所示。同軸圓柱型電容器主要由內外極板、保護極板、內外同心圓筒、屏蔽極板等組成。內、外圓筒材料為亞克力，直徑分別為80 mm、30 mm、筒長120 mm、厚為3 mm。內極板采用80 mm寬的長方形銅箔粘貼在內筒外壁；為利用有機玻璃的絕緣特性來減小電導等因素對介電特性的影響，外極板采用銅箔粘貼在外圓筒的整個外壁；內極板的上下兩端對稱粘貼18 mm的銅箔作為保護電極，以減小端部效應的影響。屏蔽電極安裝在外極板的外側來減小外加寄生電容及外界磁場的干擾。基座采用長方形有機玻璃板。內外極板分別通過銅箔與阻抗分析儀的低電位、高電位輸出端相連；保護電極和屏蔽電極與阻抗分析儀的接地端相連。

1.保護極板 2.外極板 3.內極板 4.保護極板

1.4 試驗方法

1.4.1 不同含水率樣品的制備

將水稻樣品置于105 ℃的干燥箱內烘干24 h至質量恒定，根據烘干前后的質量差計算水稻濕基含水率，每份樣品測3次取平均值，測得水稻的初始含水率為11.04%。為配制不同含水率的樣品，取120份（每份300 g）水稻樣品，每份樣品添加不同質量的去離子水，得到120組不同含水率的樣品（當配制樣本的含水率大于16%時，需多次少量邊攪拌邊添加。將配制的樣品裝入雙層密封袋中放置于5℃氣候箱中2～3 d，期間每天攪動4～5次，使樣品吸水均勻）。采用烘干法對120組水稻樣品采樣抽檢，所制備的水稻濕基含水率為11.04%～23.70%，平均值為17.39%。

1.4.2 介電參數測量方法

介電參數的測量系統主要由阻抗分析儀、自制同軸圓柱型電容器以及計算機等組成。測量前，將阻抗分析儀預熱30 min，并對探頭進行短路、斷路校正以及50 Ω負載校準。測量時，首先激勵電壓設置為1 V，利用阻抗分析儀測量在1 kHz～1 MHz內201個對數頻率下的空筒電容0，然后將水稻樣品以自由落體的方式倒入電容器的介質空腔內，并用刮板刮平，測量樣品的電容（C）及介質損耗角正切（tan）。每個水稻樣品測3次取平均值作為測量結果。由式（1）和式（2）計算出相對介電常數及介質損耗因數。

1.5 數據處理及建模方法

1.5.1 數據處理方法

因在所選頻率范圍內的（或）存在一定的相關性，某個頻率對應的（或）可由其他頻率下的（或）共同表示，該頻率下的介電參數稱為冗余信息，冗余信息會增加模型的復雜度[31]。因此對原頻譜的信息進行篩選十分重要。本研究采用連續投影法（successive projection algorithm，SPA）及無信息變量消除法（uninformative variables elimination，UVE）來選取特征變量。SPA是一種使矢量空間共線性最小化的前向變量選擇算法，能夠提取全頻率的幾個特征頻率，消除原始頻譜矩陣中冗余信息，解決變量間的共線性問題[32]。UVE是基于偏最小二乘回歸系數的算法，以消除無用信息。在選取變量時，UVE綜合考慮了噪聲和目標含水率的信息，比較直觀實用[33]。

1.5.2 建模方法

常用的建模方法主要有多元線性回歸、偏最小二乘回歸、主成分回歸、人工神經網絡、支持向量機回歸等。考慮到多元線性回歸模型簡單，支持向量機回歸模型泛化能力強。因此，本研究分別采用多元線性回歸（multiple linear regression，MLR）和支持向量機回歸法（support vector regression，SVR）來建立水稻含水率的線性和非線性預測模型。比較分析其預測效果。以校正集的決定系數（R2）和校正均方根誤差（root mean square error of calibration，RMSEC）及預測集的決定系數（R2）和預測均方根誤差（root mean square error of predication，RMSEP）作為評價模型性能的指標。R2和R2越接近1，RMSEC和RMSEP越小，模型精度越高。

2 結果與分析

2.1 頻率與含水率對水稻介電參數的影響

頻率對不同含水率水稻及的影響曲線如圖2、圖3所示。

由圖2可知，在1 kHz～1 MHz頻段內，隨著頻率的增大而減小；這主要因當電介質處于外加交流電場時，其表面會發生離子、原子、空間電荷及偶極子極化，當頻率較高時，偶極子極化滯后于電場的變化，導致隨頻率的增大而減小。頻率相同時，水稻含水率越大，越大。主要由于含水率的增大導致水稻整體代謝加速，內部離子的活動性增強，因此′ 表現出增大的趨勢[34]。通過方差分析，頻率與含水率對水稻′影響均極顯著（<0.01）。

圖2 頻率對不同含水率水稻ε′的影響曲線

圖3 頻率對不同含水率水稻ε"的影響曲線

由圖3可知，在1 kHz～1 MHz頻段內，不同含水率水稻隨頻率變化規律不一致，原因是頻率范圍過窄。當含水率不同時，水稻內部水分運移情況不同，導致內部水分分布不均勻，松弛時間不同，從而導致在不同頻率下出現波峰。當頻率大于300 kHz時，隨著頻率的增大而減小，隨含水率的增大而增大。主要由離子傳導導致，隨著頻率的升高，離子導電性增強，變小。通過方差分析，頻率和含水率對水稻影響均極顯著（<0.01）。

2.2 樣本集的劃分

為使校正集樣本更具有代表性，本研究采用距離法（sample set partitioning based on joint-distances，SPXY）來對120個不同含水率樣本進行劃分。劃分比例3:2。SPXY算法以經典Kennard- Stone算法為基礎，綜合考慮介電參數和含水率的歐氏距離，從而完成樣本集的劃分[35]。劃分結果見表1。

表1 校正集和預測集含水率統計結果

由表1可以看出，本研究共劃分72個樣本作為校正集，48個樣本作為預測集。校正集與預測集樣本中含水率變化范圍較大，說明樣本集具有一定的代表性，滿足了建立校正集含水率預測模型的基本條件。

2.3 特征變量的選取

2.3.1 無信息變量消除法選取結果

首先，采用五折交叉驗證法確定，以及兩者結合變量的UVE因子數分別為7、9、6。的UVE選取結果見圖4。

圖4 ε′的穩定性分布曲線

豎線左右兩側分別為輸入變量及隨機變量的穩定性曲線，、及和結合變量的穩定性分布曲線分別包括201（201個頻率點下的）、201（201個頻率點下的）、402個輸入變量（201個頻率點下的和）和201、201、402個隨機變量。虛線為變量選擇的閾值，2條閾值線間的變量為無信息變量，選擇2條閾值線外的輸入變量作為特征變量。最終確定，及兩者結合變量的特征變量數及所選頻率點見表2。

2.3.2 連續投影法選取結果

為保證模型的可靠性，設置SPA的特征變量數范圍為2～20。以RMSEC值作為選取特征變量數的指標。RMSEC隨SPA選取特征變量數的變化曲線如圖5所示。

圖5 RMSEC隨SPA選取變量數的變化曲線

由圖5可知，隨著選取變量數的增加，RMSEC逐漸減小，以RMSEC不再顯著減小時的變量數作為特征變量數。考慮到變量選取過多會導致模型的復雜度上升，最終確定、及兩者結合變量經SPA選取的特征變量數分別為5、9和6個；所對應的校正均方根誤差分別為0.555%、1.172%、0.536%。各特征變量所對應的頻率見表2。

表2 UVE 與SPA選取的特征變量

2.4 多元回歸模型預測結果的比較分析

，經SPA選取的特征變量所對應的頻率中都包括1 MHz，且在1 MHz頻率下，不同含水率水稻的，′′有明顯差異，故選擇1 MHz作為單頻的特征頻率。

為提高模型的穩定性及準確性，本研究采用徑向基核函數來建立SVR模型，并以校正集樣本為對象，采用六折交叉驗證法優化SVR模型的懲罰因子（）和松弛變量（），，優化結果如表3所示。分別以全頻、單頻下的介電參數（，，和結合）以及經SPA和UVE選取的特征變量作為因變量建立MLR、SVR模型。建模結果如表3所示。

表3 多元回歸模型預測結果及參數優化匯總表

從選取變量角度來看，采用全頻變量建立的MLR模型R2達到1，RMSEC極小，而R2較R2顯著降低，主要原因是模型中存在過多的線性變量，導致MLR模型出現過擬合現象，從而導致模型泛化能力下降。對于SVR模型，建模時選取的變量數越多，模型的R2越高，RMSEP越小。采用全頻變量建立的SVR模型預測效果最佳，3種介電參數預測集R2分別達到0.982、0.974、0.983，說明SVR解決了全頻下MLR模型中出現的過擬合問題。雖采用全頻變量建立的SVR模型的R2最大，但考慮到全頻譜中包含大量冗余信息，增大模型運算量，不宜采用。UVE和SPA均能有效提取原始變量中的有用信息，但SPA較UVE能更有效提取全頻譜中的特征變量，主要因SPA能剔除大量無用信息，解決變量間存在的共線性問題。3種介電參數（，，和結合）在單頻下建立的模型更簡單，較經SPA提取特征變量建立的模型預測精度有所下降。從介電參數的角度來看，和均能預測水稻含水率，但采用和兩者結合建立的模型預測精度更高，預測效果優于單一介電參數，主要因兩者結合能夠進行信息互補，提高模型的預測性能。從建模方法來看，雖采用SVR建立的水稻含水率模型的預測準確度優于MLR，但MLR模型更簡單、具體且形象。從模型的預測效果及復雜度來看，采用和兩者結合并利用SPA選取變量建立的SVR模型預測效果最優，預測集R2達到0.980，RMSEP為0.403%。因此，最終選擇和相結合并基于SPA建立的SVR模型作為預測水稻含水率的最佳模型。預測集含水率的預測結果如圖6所示。

圖6 ε′和ε′′相結合的SPA-SVR模型含水率預測結果

2.5 水稻溫度特性試驗

考慮到溫度對介電參數有影響，需分析最佳模型下含水率預測值隨溫度的變化規律，并對模型的含水率預測結果進行溫度補償。

試驗溫度10 ℃～30 ℃，以5 ℃為梯度調節氣候箱溫度，測量5組水稻含水率樣品在5個不同溫度下的介電參數，利用預測模型計算不同溫度下樣品的含水率，并與烘干法測得的含水率實測值進行比較分析。不同溫度下水稻含水率預測值的變化規律如圖7所示。

圖7 不同溫度下含水率變化曲線

由圖7可知，溫度越高，模型的含水率預測值越大。在每個溫度梯度下，模型的含水率預測值與實測值呈線性關系，采用最小二乘法進行線性回歸分析，并計算出線性回歸系數、。不同溫度下的回歸結果見表4。

表4 不同溫度下的回歸系數

表4中溫度每上升5℃，斜率的變化為0.057，0.049，0.050，0.044，平均值0.050；的變化為?0.522，?0.403，?0.369，?0.325，平均值?0.404。計算得回歸系數的平均變化率分別為Δ=0.050，Δ=?0.404。由Δ，Δ計算23 ℃下的、，得到水稻含水率預測值的溫度補償模型為

整理得

式中h為含水率預測值，%；h為溫度補償后的含水率值，%；為溫度，℃。

2.6 模型驗證

為探究最佳預測模型對不同品種水稻含水率的預測效果，分別以超產1號、臨稻、鐵粳15為對象，隨機配制158份不同含水率的樣品，含水率范圍9%～23%。在23 ℃下，測量介電參數并利用預測模型計算其含水率。圖8統計了樣本含水率的預測值與烘干法測得的實測值的絕對誤差水平，絕對誤差范圍為?1.14%～1.17%。最佳模型預測水稻含水率的絕對誤差集中分布在±0.5%內。說明采用和相結合并利用SPA提取特征變量建立的SVR模型作為水分檢測模型時，水稻含水率預測準確度較高。

注：虛線為國家電容法水分測定儀二級準確度標準，取值為±0.5%。

3 結 論

1）通過探究含水率和頻率對水稻介電參數的影響發現，在1 kHz～1 MHz頻率范圍內，相對介電常數隨頻率的增大而減小，隨含水率的增大而增大。當頻率大于300 kHz時，介質損耗因數隨著頻率的增大而減小，隨含水率的增大而增大。頻率和含水率對相對介電常數和介質損耗因數的影響均極顯著。

2）以120份不同含水率的水稻樣品為研究對象，通過對比不同介電參數在不同頻率下建立模型的預測效果發現：相比于單一頻率下的單一介電參數，利用多頻下相對介電常數和介質損耗因數相結合的變量作為因變量建立的非線性模型的預測性能最優。且當采用不同處理方法來提取介電參數的特征變量時，連續投影法較無信息變量消除法能更有效地篩選出特征變量，降低模型復雜度。通過對模型的預測性能進行分析得出：采用相對介電常數和介質損耗因數相結合并利用連續投影法提取特征變量建立的支持向量機回歸模型預測效果最佳，預測集的決定系數達到0.980，預測均方根誤差為0.403%。

3）采用最小二乘回歸法對模型在不同溫度下水稻含水率預測值進行溫度修正，當采用最佳模型來預測158份不同品種的水稻含水率時，預測結果較準確，同烘干法測得的實測含水率相比較，預測誤差集中分布在±0.5%內。

[1] 趙博，毛文華，胡小安，等. 糧食收購品質自動評定裝置設計與試驗[J]. 農業機械學報，2010，41(S1)：268－271，276.

Zhao Bo, Mao Wenhua, Hu Xiaoan, et al. Design and experiment of automatic quality grading equipment in grain purchase[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(S1): 268－271, 276. (in Chinese with English abstract)

[2] 高利偉，許世衛，李哲敏，等. 中國主要糧食作物產后損失特征及減損潛力研究[J]. 農業工程學報，2016，32(23)：1－11.

Gao Liwei, Xu Shiwei, Li Zhemin, et al. Main grain crop postharvest losses and its reducing potential in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(23): 1－11. (in Chinese with English abstract)

[3] 宋平，彭宇飛，王桂紅，等. 玉米種子萌發過程內部水分流動規律的低場核磁共振檢測[J]. 農業工程學報，2018，34(10)：282－289.

Song Ping, Peng Yufei, Wang Guihong, et al. Detection of internal water flow in germinating corn seeds based on low field nuclear magnetic resonance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(10): 282－289. (in Chinese with English abstract)

[4] Kovaleva A A, Saitov R I, Zaporozhets A S, et al. Microwave moisture meter for cereal grains[J]. Measurement Techniques, 2017, 59(10): 1056－1060.

[5] 黃華，吳習宇，祝詩平. 近紅外光譜預測稻谷水分含量特征譜區選擇及其效率分析[J]. 光譜學與光譜分析，2018，38(4)：1070－1075.

Huang Hua, Wu Xiyu, Zhu Shiping. Feature wavelength selection and efficiency analysis for paddy moisture content prediction by near infrared spectroscopy [J]. Spectroscopy and Spectral Analysis, 2018, 38(4):1070－1075.

[6] 楊悅乾，王劍平，王成芝. 谷物含水率中子法在線測量的可行性研究[J]. 農業工程學報，2000，16(5)：99－101.

Yang Yueqian, Wang Jianping, Wang Chengzhi. Study on on-line measurement of grain moisture content by neutron gauge[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2000, 16(5): 99－101. (in Chinese with English abstract)

[7] 宋琦，盧澤民，孫衛紅，等. 水稻電阻抗譜分析及檢測頻率范圍的確定[J]. 農機化研究，2018，40(4)：172－176.

Song Qi, Lu Zemin, Sun Weihong, et al. Electrical impedance spectroscopy analysis of rice and determination of detection frequency range[J]. Journal of Agricultural Mechanization Research, 2018, 40(4): 172－176. (in Chinese with English abstract)

[8] 趙麗清，尚書旗，高連興，等. 基于同心軸圓筒式電容傳感器的花生仁水分無損檢測技術[J]. 農業工程學報，2016，32(9)：212－218.

Zhao Liqing, Shang Shuqi, Gao Lianxing, et al. Nondestructive measurement of moisture content of peanut kernels based on concentric cylindrical capacitance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(9): 212－218. (in Chinese with English abstract)

[9] 陳進，王月紅，練毅，等. 高頻電容式聯合收獲機谷物含水量在線監測裝置研制[J]. 農業工程學報，2018，34(10)：36－45.

Chen Jin, Wang Yuehong, Lian Yi, et al. Development of on-line monitoring device of grain moisture content in combine harvester with high frequency capacitance[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(10): 36－45. (in Chinese with English abstract)

[10] 黃滔，趙春宇，朱成剛，等. 同面弧面電容式種子水分傳感器的研究[J]. 農機化研究，2016，38(11)：252－256.

Huang Tao, Zhao Chunyu, Zhu Chenggang, et al. Study on uniplanar cambered capacitive sensor of seed moisture content[J]. Journal of Agricultural Mechanization Research, 2016, 38(11): 252－256. (in Chinese with English abstract)

[11] 劉志壯，朱湘萍，張文昭，等. 介電法小麥含水率檢測試驗研究[J]. 傳感技術學報，2017，30(12)：1857－1861.

Liu Zhizhuang, Zhu Xiangping, Zhang Wenzhao, et al. Wheat moisture content detection based on dielectric constant[J]. Chinese Journal of Sensors and Actuators, 2017, 30(12): 1857－1861. (in Chinese with English abstract)

[12] 劉志壯，呂貴勇. 基于電容法的稻谷含水率檢測[J]. 農業機械學報，2013，44(7)：179－182.

Liu Zhizhuang, Lui Guiyong. Mositure content detection of paddy rice based on capacitande approach[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(7): 179－182. (in Chinese with English abstract)

[13] 陳建國，李彥明，覃程錦，等. 小麥播種量電容法檢測系統設計與試驗[J]. 農業工程學報，2018，34(18)：51－58.

Chen Jianguo, Li Yanming, Qin Chengjin, et al. Design and test of capacitive detection system for wheat seeding quantity[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(18): 51－58. (in Chinese with English abstract)

[14] 閆華，邢振，薛緒掌，等. 土壤剖面水分傳感器探頭仿真與試驗[J]. 農業機械學報，2017，48(10)：244－251.

Yan Hua, Xing Zhen, Xue Xuzhang, et al. Simulation and experiment on soil moisture profile sensor probe[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(10): 244－251. (in Chinese with English abstract)

[15] 徐冬平，張鵬鵬，孫詩裕. 基于FDC1004的電容式谷物水分檢測儀的設計[J]. 農機化研究，2016，38(8)：173－178.

Xue Dongping, Zhang Pengpeng, Sun Shiyu. Design of a grain moisture detector based on dielectric character[J]. Journal of Agricultural Mechanization Research, 2016, 38(8): 173－178. (in Chinese with English abstract)

[16] 楊柳，毛志懷，董蘭蘭. 電容式谷物水分傳感器平面探頭的研制[J]. 農業工程學報，2010，26(2)：185－189.

Yang Liu, Mao Zhihuai, Dong Lanlan. Development of plane polar probe of capacitive grain moisture sensor[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(2): 185－189. (in Chinese with English abstract)

[17] 郭交，段凱文，郭文川. 基于微波自由空間測量的小麥含水率檢測方法[J]. 農業機械學報，2019，50(6)：338－343，378.

Guo Jiao, Duan Kaiwen, Guo Wenchuan. Detection method of moisture content of wheat with microwave free-space measurement[J].Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(6):338－343, 378.

[18] Ling Bo, Guo Wenchuan, Hou Lixia, et al. Dielectric properties of pistachio kernels as influenced by frequency, temperature, moisture and salt content[J]. Food and Bioprocess Technology, 2015, 8(2): 420－430.

[19] Boreddy S R, Subbiah J. Temperature and moisture dependent dielectric properties of egg white powder[J]. Journal of Food Engineering, 2016, 168: 60－67.

[20] Ling Bo, Liu Xiaoli, Zhang Lihui, et al. Effects of temperature, moisture, and metal salt content on dielectric properties of rice bran associated with radio frequency heating[J]. Scientific Reports, 2018, 8(1): 1－12.

[21] Chinma C E, RamakrishnanY. Properties of cereal brans: A review[J]. Cereal Chem, 2015, 92(1): 1－7.

[22] Bo L, Lyng J G, Shaojin W. Radio-frequency treatment for stabilization of wheat germ: Dielectric properties and heating uniformity[J]. Innovative Food Science & Emerging Technologies, 2018, 48: 66－74.

[23] 麥智煒，李長友，徐鳳英，等. 浮地式糧食水分在線檢測裝置設計與試驗[J]. 農業機械學報，2014，45(10)：207－213.

Mai Zhiwei, Li Changyou, Xue Fengying, et al. Design and test of grain moisture online measuring system based on floating ground capacitance[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(10): 207－213. (in Chinese with English abstract)

[24] 郭文川，劉馳，楊軍. 小麥秸稈含水率測量儀的設計與試驗[J]. 農業工程學報，2013，29(1)：33－40.

Guo Wenchuan, Liu Chi, Yang Jun. Design and experiment on wheat straw moisture content meter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(1): 33－40. (in Chinese with English abstract)

[25] 郭文川，趙志翔，楊沉陳. 基于介電特性的小雜糧含水率檢測儀設計與試驗[J]. 農業機械學報，2013，44(5)：188－193.

Guo Wenchuan, Zhao Zhixiang, Yang Chenchen. Moisture meter for coarse cereals based on dielectric property[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(5): 188－193. (in Chinese with English abstract)

[26] 李靖軒，冷文秀. 基于圓筒形電容器的糧食含水率測定研究[J]. 物理與工程，2019，29(1)：73－78.

Li Jingxuan, Leng Wenxiu. Study on determination of grain moisture content based on cylindrical capaitor[J]. Physics and Engineering, 2019, 29(1): 73－89. (in Chinese with English abstract)

[27] 鄂旭，翟寶峰，徐進，等. 一種新型食品安全存儲中的水分檢測方法[J]. 計算機技術與發展，2014，24(2)：220－223.

E Xu, Zhai Baofeng, Xu Jin, et al. A new method of water-containing detection for food safety storage[J]. Computer Technology and Development, 2014, 24(2): 220－223. (in Chinese with English abstract)

[28] 張妤，謝永華，穆麗新，等. 基于支持向量機的電容式傳感器溫度補償研究[J]. 傳感器與微系統，2009，28(6)：40－42.

Zhang Yu, Xie Yonghua, Mu Lixin, et al. Study on temperature compensation for capacitance sensor based on support vector machine[J]. Transducer and Microsystem Technologies, 2009, 28(6): 40－42. (in Chinese with English abstract)

[29] Solar M, Solar A. Non-destructive determination of moisture content in hazelnut[J]. Computers and Electronics in Agriculture, 2016, 121(2): 320－330.

[30] 史晏澤. 糧食水分測量儀的設計與實現[D]. 長春：吉林大學，2018.

Shi Yanze. Design and Implementation of Food Moisture Meter[D]. Changchun: Jilin University, 2018.

[31] 孫俊，莫云南，戴春霞，等. 基于介電特性與IRIV-GWO-SVR算法的番茄葉片含水率檢測[J]. 農業工程學報，2018，34(14)：188－195.

Sun Jun, Mo Yunnan, Dai Chunxia, et al. Detection of moisture content of tomato leaves based on dielectric properties and IRIV-GWO-SVR algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 188－195. (in Chinese with English abstract)

[32] 王轉衛，趙春江，商亮，等. 基于介電頻譜技術的甜瓜品種無損檢測[J]. 農業工程學報，2017，33(9)：290－295.

Wang Chuanwei, Zhao Chunjiang, Shang Liang, et al. Nondestructive testing of muskmelons varieties based on dielectric spectrum technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 290－295. (in Chinese with English abstract)

[33] 商亮，谷靜思，郭文川. 基于介電特性及ANN的油桃糖度無損檢測方法[J]. 農業工程學報，2013，29(17)：257－264.

Shang Liang, Gu Jingsi, Guo Wenchuan. Non-destructively detecting sugar content of nectarines based on dielectric properties and ANN[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2013, 29(17): 257－264. (in Chinese with English abstract)

[34] 郭文川，王東陽，孔繁榮，等. 基于介電特性的豆漿固形物含量檢測[J]. 農業機械學報，2016，47(7)：239－245.

Guo Wenchuan, Wang Dongyang, Kong Fanrong, et al. Solids content detection of soybean milk based on permittivities[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(7): 239－245. (in Chinese with English abstract)

[35] Galvao R K H, Araujo M C U, Jose G E, et al. A method for calibration and validation subset partitioning[J]. Talanta, 2005, 67(4): 736－740.

Rice moisture content detection method based on dielectric properties and SPA-SVR algorithm

Zhang Benhua,Qian Changqian, Jiao Jinkang, Ding Zhaohe, Zhang Yang, Cui Hongguang, Liu Cuihong, Feng Longlong

(,,110161,)

Water content affects rice quality, which also has an important impact on rice storage, transportation, acquisition and processing. The annual loss of production caused by grain deterioration was up to 10 million tons, and the economic loss was up to 20 billion. Therefore, detecting rice moisture content accurately is beneficial to improve rice quality and reduce yield loss. A new method based on dielectric properties was proposed to detect the moisture content of rice in this study. Firstly, the dielectric properties (relative dielectric constant and dielectric loss factor) of 120 copies of rice of Japonica No.3 with different moisture contents were measured with impedance analyzer and self-made coaxial cylindrical capacitor at 201 discrete frequencies over the frequency range of 1 kHz-1 MHz, and the moisture contents of rice were measured by dry weight method. Secondly, sample set partitioning based on joint-distances (SPXY) was used to subset partitioning. Uninformative variables elimination (UVE) and successive projection algorithm (SPA) were applied to extract the characteristic variables of dielectric parameters ((the relative dielectric constant, dielectric loss factor and relative dielectric constant combined with dielectric loss factor). And the effect of SPA was compared with that of UVE to determine the optimal method for characteristic variable selection simultaneously. Finally, the support vector regression (SVR) machine and multiple linear regression (MLR) were adopted to establish the relationship models with two kinds of characteristic variables, single variables and full variables for predicting rice moisture content. And the performances of all the models were evaluated by the determination coefficient and root mean square error for calibration set and prediction set. The least square method was used for linear regression of predicted moisture content and measured moisture content at different temperatures, and the temperature compensation was carried out for the prediction results. The performances of the best model to predict different varieties of rice moisture content were explored to determine the applicability of the model. The research results showed that the relative dielectric constant decreased with the increase of the measurement frequency between 1kHz and 1MHz. When the frequency was greater than 300 kHz, the dielectric loss factor decreased with the increase of frequency and increased with the increase of water content. The measurement frequency and moisture content had an obvious effect on the dielectric properties of rice. Based on SPXY, 72 samples were partitioned to a calibration set and 48 samples to a prediction set. SPA was more effective than UVE in selecting useful information from the whole spectra of dielectric constant and dielectric loss factor. The model established by using the combination of relative dielectric constant and dielectric loss factor at multiple frequencies had better performance in predicting moisture content, which compared with the single dielectric parameter at a single frequency. Compared with MLR, SVR had better performance in predicting moisture content. The results showed that the support vector machine regression model based on the combination of relative dielectric constant and dielectric loss factorand SPA gave the highest correlation coefficient of predication set (0.980) and the lowest root mean square error of predication set (0.403%). When the best model was used to predict the water content of different varieties of rice, the prediction results were more accurate. Compared with the measured water content by the drying method, the prediction error was concentrated within ±0.5%. The study provided a reference for improving the accuracy of the grain moisture detection device.

water content; rice; dielectric properties; successive projection algorithm; support vector regression

張本華，錢長錢，焦晉康，丁兆赫，張 揚，崔紅光，劉翠紅，馮龍龍. 基于介電特性與SPA-SVR算法的水稻含水率檢測方法[J]. 農業工程學報，2019，35(18)：237－244.doi：10.11975/j.issn.1002-6819.2019.18.029 http://www.tcsae.org

Zhang Benhua, Qian Changqian, Jiao Jinkang, Ding Zhaohe, Zhang Yang, Cui Hongguang, Liu Cuihong, Feng Longlong. Rice moisture content detection method based on dielectric properties and SPA-SVR algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(18): 237－244. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.18.029 http://www.tcsae.org

2019-05-19

2019-08-25

國家重點研發計劃（2018YFD0300309-01）

張本華，教授，博士，主要從事農業機械化方面研究。Email：zbh@syau.edu.cn

10.11975/j.issn.1002-6819.2019.18.029

S233.71

A

1002-6819(2019)-19-0237-08