基于近紅外光譜融合與深度學習的玉米成分定量建模方法

談愛玲，王曉斯，楚振原，趙勇

1(燕山大學 信息科學與工程學院，河北省特種光纖與光纖傳感重點實驗室，河北 秦皇島，066004)2(燕山大學 電氣工程學院，河北省測試計量技術及儀器重點實驗室，河北 秦皇島，066004)

近紅外(near infrared,NIR)光譜分析技術具有無需前處理、簡便快捷、適用樣品范圍廣、多組分同時檢測等優點，在食品、農業、醫藥、石油等領域得到了廣泛應用[3-5]。化學計量學方法是近紅外光譜分析技術中的重要工具，可以在樣品待測屬性值與近紅外光譜數據之間建立定性和定量模型[6-7]。深度學習是用于建立、模擬人腦進行分析學習，并模仿人腦的機制來解釋數據的一種深層網絡，近年來，該技術在圖像處理、語音識別、文本數據等多個應用領域取得顯著成果[8-10]。其中，卷積神經網絡(convolution neural network, CNN)是應用最廣泛的深度學習模型，能夠從復雜數據中自主提取有效特征結構進行學習，與傳統的淺層學習模型相比，具有更強大的模型表達能力[11-12]。

在光譜分析領域，CNN可以直接建立原始數據的定性或者定量模型[13-14]。袁培森等[15]利用對菊花的原始圖像數據，通過逐層進行特征學習，進而利用多層網絡獲取菊花的特征信息，實現了對菊花花型和品種的智能識別和高效管理。魯夢瑤等[16]提出了一種改進的CNN建模方法，以我國東北、黃淮、西南三大烤煙產區的600個中部煙葉樣本的近紅外光譜為實驗對象，建立煙葉產區分類NIR-CNN模型。YANG等[17]利用CNN提取可見光-近紅外波段的光譜特征來估計玉米幼苗的冷損傷，與化學法給出的等級具有較高的相關性，證明了基于CNN建模的光譜分析可為玉米幼苗的冷害檢測提供參考。田永超等[18]基于多元散射校正+Norris一階導數光譜建立了偏最小二乘-反向傳播神經網絡模型，對中國中、東部地區5種不同類型土壤有機質含量進行估測。CHEN等[19]提出了一種新的基于CNN的近紅外光譜端到端的定量建模方法，該方法直接將采集到的全部原始光譜信息作為輸入，無需波長選擇，定量分析模型操作簡便，具有較好的實際應用價值。

近紅外原始光譜包含復雜樣本多種成分的全部特征信息，但存在譜帶重疊及含有干擾等問題，導數光譜可以去除背景和基質的干擾，提高重疊譜帶及平坦譜帶的分辨率[20]。對含有多種成分的復雜樣本近紅外光譜，考慮結合原始光譜包含全部特征信息和導數光譜去除干擾的優點，本文提出將串行融合光譜與深度學習相結合的方法，研究該方法在玉米近紅外光譜定量建模分析中的可行性和有效性，將玉米樣本的近紅外原始光譜、一階導數和二階導數光譜歸一化后首尾串行相連，組成新的融合光譜，并結合一維卷積神經網絡(one-dimensional convolution neural network,1D-CNN)學習算法，建立玉米樣本中水分、油脂、蛋白質和淀粉4種成分的定量預測模型。

1 實驗數據集

實驗數據采用EVRI網站公開的玉米近紅外光譜數據集(http://eigenvector.com/data/Corn)[21]，該數據集是利用m5、mp5、mp6共3種近紅外光譜儀分別測量80個不同的玉米樣本，共采集獲得240條近紅外吸收光譜。光譜儀波長范圍均為1 100～2 498 nm，間隔為2 nm，因此每條光譜有700個波長點處的吸光度值。3種光譜儀所測玉米的原始光譜、一階導數光譜和二階導數光譜圖分別如圖1-a、b和c所示。

a-原始光譜; b-一階導數光譜; c-二階導數光譜圖1 玉米的3種光譜Fig.1 Spectra of maize samples

數據集同時給出了所有玉米樣品中水分、油脂、蛋白質和淀粉4種成分的含量百分比真值。將80個玉米樣本隨機劃分為訓練集和測試集，其中60個作為訓練集建立定量模型， 20個作為測試集驗證模型。訓練集和測試集玉米樣本中4種成分的均值和標準差如表1所示，由表1可以看出，訓練集與測試集4種成分的均值和標準差都比較接近，樣品劃分滿足隨機性和代表性，符合近紅外光譜技術建模的要求。

表1 用于訓練和預測的樣本4種成分的均值和標準差Table 1 Mean and standard deviation parameters of the four components used for training and prediction sample

2 卷積神經網絡

2.1 1D-CNN定量預測模型

CNN是深度學習中重要的網絡結構，也是第一個真正意義上成功訓練多層神經網絡的學習算法，它的權值共享理論與真實的生物神經結構更加接近，同時減少了網絡參數的個數。網絡的基本結構包括輸入層、隱含層和輸出層，每一層網絡有多個神經元，上一層的神經元通過激活函數映射到下一層神經元，每個神經元之間有對應的權值，輸出即為預測的結果，其中重點包括卷積層和激活函數，卷積層的卷積原理如公式(1)所示[22]：

(1)

激活函數就是對卷積層的輸出進行非線性操作，來提取更多特征信息。本文選用LeakyReLU函數作為激活函數，該函數的數學表達式如公式(2)所示：

獨立學院推進人才培養模式改革的過程決不是一蹴而就的，應該是一個循序漸進的過程，是一個逐步推進的過程，是一個“漸進性增量”的改革過程。它一定具有以下的特點：其一，獨立學院探索人才培養模式改革要先試點再推廣，也就是國家先在某類高校或某個地區進行試點，試點成功后，再把典型經驗推廣至全國，這一原則遵循了國家的政策指導。其二，獨立學院人才培養模式的漸進性改革。這并不是對先前人才培養模式的全盤否定，而是一種增量、增值的改革，是在吸取現有高校人才培養典型經驗的基礎上融入新要素，依據新需求，定位新特色，探索符合獨立學院辦學特色的應用型技術技能型人才培養模式。

f(x)=max(0,x)

(2)

玉米樣本的近紅外光譜、一階導數光譜和二階導數光譜均為1×700的一維數據，三者串行得到1×2 100的一維數據。本文提出1D-CNN-NIR定量模型，其結構示意圖如圖2所示。該模型基于經典CNN模型LeNet-5，構建包含2個卷積層和2個池化層，2個卷積層的卷積核尺寸分別為20和10，池化層采用最大池化法，激活函數使用LeakyReLU，全連接層數為1，輸出層采用線性激活函數的單神經元結構，神經元數量為1，采用Adam優化算法，訓練數據分成20個批次(batch)，批處理樣本數目為50(batch size)。本文對240條玉米樣本的原始光譜、一階導數光譜、二階導數光譜和3種光譜的串行融合光譜分別進行1D-CNN建模。

圖2 1D-CNN光譜定量預測模型Fig.2 Quantitative spectral prediction model of one-dimensional convolution neural network

算法運行環境：Intel?CoreTMi5-8250 CPU；8GB計算機內存。所用軟件包括Matlab和Pycharm，為實現數據優化和對比不同機器學習算法，系統環境中配置Numpy、Pandas、Sckit-learn等Python運算庫。

2.2 神經網絡模型訓練

CNN的訓練過程分為2個階段。第1階段是數據由低層次向高層次傳播的階段，即前向傳播階段。另一個階段是，當前向傳播得出的結果與預期不相符時，將誤差從高層次向低層次進行傳播訓練的階段，即反向傳播階段。本文設計的1D-CNN-NIR定量模型訓練流程如圖3所示。

圖3 CNN算法流程圖Fig.3 The flowchart of CNN algorithm

采用均方誤差(mean square error, MSE)作為損失函數，首先通過前向傳播過程，輸入的光譜訓練數據經過1D-CNN的卷積層和池化層后，得到樣本成分的預測含量值，通過該預測含量值和成分的含量真值計算損失函數，若所得損失函數值過大，將進行反向傳播過程，反向傳播將誤差一層層返回，計算出每一層的誤差，求出誤差梯度，然后進行權值更新，不斷循環該過程，直到損失函數值達到最小，訓練結束，保存權值。針對串行融合光譜數據，以玉米樣本中水分成分的模型訓練為例，其損失函數值收斂曲線如圖4所示。

圖4 CNN模型訓練中損失函數收斂曲線Fig.4 The convergence curve of loss value of CNN model

2.3 模型評價指標

定量模型性能評價采用決定系數(R2)和均方根誤差(root mean square error，RMSE)作為評估指標，從模型的回歸擬合度和預測精確度來評價模型性能。

3 結果與分析

3.1 卷積核參數尋優

表2 不同卷積核數目配置時水分值模型指標Table 2 Model results of moisture with different convolution kernel configurations

對玉米成分中油脂、蛋白質、淀粉這3種成分的定量模型，進行同樣的卷積核尋優過程，在輸入數據分別為原始光譜、一階導數光譜、二階導數光譜和串行融合光譜時，最優卷積核數目配置下，模型性能指標結果如表3所示。由表3結果可知，對于玉米的4種成分，基于串行融合光譜的1D-CNN模型性能指標均優于另外3種。

表3 水分、油脂、蛋白質和淀粉在最優卷積核數目下模型性能指標Table 3 Modeling and predicting effects of water, oil, protein and starch in maize on four different data sets

3.2 光譜融合結果分析

a-模型的值;b-模型的RMSEP值圖5 基于4類光譜數據的玉米成分模型結果對比Fig.5 Comparison of corn component models based on different types of spectral data

為了進一步驗證串行融合光譜的有效性，本文利用原始光譜、一階導數光譜、二階導數光譜和串行融合光譜作為輸入數據，分別基于偏最小二乘回歸(partial least squares regression, PLSR)和非線性回歸算法支持向量機回歸(support vector regression, SVR)，對玉米中水分、油脂、蛋白質、淀粉4種成分建立了定量模型，模型結果如表4所示。

表4 水分、油脂、蛋白質、淀粉在PLSR和SVR下模型性能指標Table 4 Model performance indexes of water, oil, protein and starch with PLSR and SVR algorithms

3.3 CNN與傳統方法對比分析

為驗證1D-CNN模型的NIR定量預測模型，本文基于融合光譜數據，將PLSR、SVR和1D-CNN 3種算法所建玉米樣本4種成分的定量回歸模型進行對比。測試集樣本的評價指標結果如表5所示。由表5可知，對于玉米樣本的4種成分，串行融合光譜結合CNN所建定量模型的預測性能均優于PLSR和SVR所建定量模型的預測性能。

表5 水分、油脂、蛋白質、淀粉在PLSR、SVR和CNN 下模型性能指標Table 5 Model performance indexes of water, oil, protein and starch under PLSR, SVR and CNN

對1D-CNN定量模型的輸出結果和目標輸出做線性回歸分析，4種成分的回歸結果如圖6所示。由圖6可知，基于CNN所建的定量預測模型，對于預測集玉米樣本中的水分、油脂、蛋白質和淀粉4種成分的預測值基本分布在擬合曲線附近，預測值與其對應的含量真值非常接近，預測精度高。該方法不僅能夠提高定量模型的預測精度，而且對于提高算法的魯棒性和泛化能力也具有重要意義。

a-水分擬合曲線;b-油脂擬合曲線;c-蛋白質擬合曲線;d-淀粉擬合曲線圖6 玉米4種成分的真實值與預測值擬合曲線(CNN)Fig.6 Fitting curve between true value and predicted value of four components in maize (CNN)

4 結論

本文提出了一種基于導數光譜融合結合1D-CNN的近紅外光譜定量建模方法，實現對玉米數據集的近紅外光譜回歸預測。對國際公開的玉米近紅外光譜數據集的原始光譜、一階導數光譜、二階導數光譜和融合光譜的實驗結果表明，融合光譜方法分別結合傳統回歸算法PLSR和SVR，以及深度學習方法CNN結合所建立的預測模型，模型性能指標均優于原始光譜或導數光譜。同時，與傳統算法所建模型相比，本文提出的基于融合光譜的1D-CNN模型性能指標也更優，預測精度高，回歸擬合效果好。研究結果表明,光譜融合與深度學習相結合更有利于提取和挖掘光譜數據深層信息，建立精度更高的定量預測模型，光譜融合結合1D-CNN的方法在近紅外光譜分析技術領域具有重要的研究意義和應用價值。