基于深度學習的有機番茄鑒別

基金項目 北京市屬高校教師隊伍建設支持計劃高水平科研創新團隊項目（BPHR20220104）。

作者簡介 陳思維（2003—），男，吉林長春人，從事機器學習研究。

通信作者 顏文婧（1985—），女，安徽淮南人，博士，副教授，從事生物信息智能處理、圖像信號處理、機器學習和模式識別研究。

收稿日期 2024-04-30

摘要 為滿足消費市場上不斷增長的有機番茄食用與鑒別需求，基于質譜檢測數據，本文研究了一種有機番茄快速鑒別深度學習模型。首先，模型使用無監督降維方法對原始質譜檢測數據進行降維，提取關鍵信息；其次，使用長短期記憶網絡（Long short-term memory，LSTM）和Transformer網絡提取序列信息特征；最后，利用反向傳播（Back propagation，BP）神經網絡構建分類器，實現面向有機及非有機番茄的精準識別。模型識別準確率在訓練集上表現為98.437%，在測試集上表現為97.478%。結果表明，模型在有機及非有機番茄質譜快速檢測識別任務上具有一定應用潛力，可部分滿足有機番茄市場的發展需求，為有機番茄鑒別提供一定參考。

關鍵詞 深度學習；有機番茄；降維；神經網絡；長短期記憶網絡

中圖分類號 TP391.4；S641.2"" 文獻標識碼 A

文章編號 1007-7731（2024）13-0095-08

Organic tomatoes identification based on deep learning framework

CHEN Siwei1""" LI Jialu2""" LU Zhe2""" YAN Wenjing2

（1School of Light Industry Science and Engineering， Beijing Technology and Business University， Beijing 100048， China;

2School of Computer and Artificial Intelligence， Beijing Technology and Business University， Beijing 100048， China）

Abstract In order to satisfy the growing demand for organic tomatoes consumption and identification in the consumer market， a deep learning model for rapid identification of organic tomatoes was researched based on mass spectrometry detection data. Firstly， the model used the unsupervised dimensionality reduction method to reduce the dimensionality of the original mass spectrometry detection data and extract key information. Secondly， long short-term memory （LSTM） and Transformer network were used to extract sequence information features. Finally， back propagation（BP） neural network was used to construct classifiers to achieve accurate recognition of organic and non-organic tomatoes. The recognition accuracy of the model was 98.437% on the training set and 97.478% on the test set. The results indicated that the model had potential for application in the rapid detection and identification of organic and non-organic tomatoes mass spectrometry tasks， which could partly meet the development needs of the organic tomatoes market and provide references for the identification of organic tomatoes.

Keywords deep learning; organic tomatoes; dimensionality reduction; neural networks; long short-term memory

番茄具有多種對人體有益的營養物質，如抗壞血酸、煙酸、番茄紅素、β-胡蘿卜素和槲皮素等[1]。在農業生產中施用部分農用化學品可以適當提高番茄生產率，也可能會影響番茄的礦物質和代謝物含量[2]。有機番茄是指在種植、管理和收獲過程中遵循有機農業標準種植的番茄。由于其生產過程中不使用化肥、農藥和轉基因等農用化學物質[1]，其營養成分含量相對較高[3]，具有更好的口感。近年來，消費者對有機番茄的需求量越來越高，有機番茄的市場價格高于普通番茄，市面上存在部分利用普通番茄冒充有機番茄的現象，因此，研究快捷實時的有機番茄鑒別技術具有重要的現實意義。

使用質譜儀（Mass spectrometer，MS）可以獲取農作物中的化合物信息[4]，進而對農作物進行安全和質量分析[5]。許多研究結合MS數據與機器學習（Machine learning，ML）算法，面向食品領域類別的識別、摻假檢測等問題構建了智能鑒別模型。例如，Gredell等[6]基于快速蒸發電離質譜法（Rapid evaporative ionization mass spectrometry，REIMS）數據采用隨機森林（Random forest，RF）等8種機器學習算法對牛肉質量屬性進行預測，實現了牛肉質量屬性的準確分類。Lim等[7]基于直接輸注質譜數據（Direct infusion-mass spectrometry，DI-MS），構建RF和帶徑向基函數核的支持向量機（Support vector machine，SVM）模型，實現了對大米的高精度鑒別。

在有機番茄鑒別領域，研究者也提出了相關的機器學習模型，比如，王世成等[8]采用基于穩定同位素比例質譜和液相色譜—高分辨質譜（Liquid chromatography-high resolution mass spectrometry，LC-HRMS）分析技術，篩選有機番茄的標志因子，并結合偏最小二乘法判別分析方法構建模型（Partial least squares discriminant analysis，PLS-DA）實現了面向有機番茄的智能鑒別。De等[9]開發了一種基于質譜—機器學習技術的番茄分類方法，包括質譜數據提取、數據歸一化和去噪，通過決策樹算法自適應增強（Adaptive boosting，ADAboost）構建了分類模型，對質譜數據進行分類，確定潛在的生物標志物。該模型能夠準確地將番茄樣品分類為有機和非有機。

機器學習方法在農作物智能識別領域的應用潛力較大[10]，實踐中，部分研究方法是對MS數據進行分析，獲取關鍵的差異代謝化合物碎片數據，在代謝化合物分析的基礎上構建智能模型。由于差異代謝物分析耗費時間較長，難以滿足快速、實時的檢測需求。因此，本研究提出一種基于深度學習的檢測方法，利用番茄的原始MS數據構建深度學習模型，實現面向有機番茄的快速識別。首先，基于大量有機及非有機番茄MS數據，使用統一流形逼近與投影（Uniform manifold approximation and projection，UMAP）技術，以非監督降維算法提取MS數據中的重要信號特征；其次，基于LSTM和以注意力機制為核心算法的Transformer網絡構建深度學習模型，以捕捉特征序列中的長短依賴特征，實現面向有機及非有機番茄的快速識別。

1 材料與方法

1.1 數據準備

本研究采用De等[9]提供的公開數據集。該數據集中的MS數據采集于160個成熟番茄果實，其中有機組80個，由某有機農業合作社提供，該社種植的各種作物在生長過程中均不使用任何農藥；非有機組80個，采購自各地的農貿市場，這些番茄在種植過程中均使用過農藥。

番茄果實的樣品制備如下。首先，將果實在莖瘢痕區切成X形，與花梗相連。然后，將1 cm2的硅膠片60 G（默克公司，達姆施塔特，德國）放在切處，壓在番茄上30 s（所有番茄在實驗前均不進行任何清洗或處理）。30 s之后，將硅膠板放置在塑料管中。隨后在試管中裝入400 μL的MilliQ水溶液（MilliQ水∶甲醇=1∶1），漩渦振蕩1 min后靜置10 min，得上清液。最后，取250 μL的上清液，用甲酸（0.1%）電離后進行分析。

在每天內和每日間隨機對樣品高分辨率MS數據進行采集。采集過程：直接注入HESI-Q-Exactive軌道rap質譜儀（Thermo scientific，Bremen，Germany），質量分辨率設置為140 000 FWHM，用于正離子模式下的數據采集。MS參數：m/z范圍為150～1 700，每個樣品進行10次光譜采集，每次光譜進行40次掃描，流動注射速率10 μL/min，氮氣鞘氣流量為8個單位，輔助氣體加熱器溫度30 ℃，毛細管溫度320 ℃，噴涂電壓3.70 kV，自動增益控制（Automatic gain control，AGC）目標值設置為106、射頻透鏡（RF-lens）設置為50。對80個有機組番茄果實和80個非有機組番茄果實進行光譜采集，共獲取1 600條光譜數據，數據采集結果如圖1所示。

1.2 算法設計

1.2.1 特征降維" 番茄MS數據集是高度非線性數據空間，為提高數據分析效率及分析結果的準確性，采用非監督數據降維算法提取關鍵信息。使用主成分分析（Principal component analysis，PCA）技術、t分布、隨機近鄰嵌入（t-distributed stochastic neighbor embedding，t-SNE）以及UMAP對數據分別進行降維分析，以選取效果較好的降維方法。算法框架如圖2所示。

（1）PCA降維。PCA是一種經典的無監督學習算法，用于降低高維數據的復雜性并發現數據中的潛在結構。在數據科學和機器學習中，PCA被廣泛應用于數據預處理、特征提取和可視化等領域。該方法可對高維數據進行分析，并從中捕獲重要信息，通過線性變換，將原始數據投影到一個新的特征空間，使得投影后的特征具有最大的方差，從而捕捉數據中的主要變化模式。通過計算協方差矩陣的特征向量和特征值以進行識別，稱為主成分的新特征，實現對原始維度特征的重構，從而達到縮小數據空間以及加快算法計算速度的效果。

（2）t-SNE降維。t-SNE是一種非線性、無監督和基于流形的特征提取方法，用于數據探索和高維數據可視化。通過將高維數據點映射到低維空間（通常是二維或三維）來實現。這種映射過程使得在高維空間中相距較近的數據點在低維空間中保持相對的近距離，而相距較遠的數據點在低維空間中保持較遠的距離。

（3）UMAP降維。UMAP是一種基于黎曼幾何和代數拓撲理論而構建的數據降維算法，依據高維空間映射到低維空間的相似度理論對高維數據進行降維。通過優化流形學習的方法來實現數據的降維，利用局部鄰域的連通性來創建一種低維表示，該表示盡可能地保持原始高維空間中數據點之間的距離關系。不僅能夠有效地捕捉數據中的非線性結構，還能夠處理大規模數據集，并在保留全局結構的同時明顯減少降維后的計算復雜度。

1.2.2 特征提取" 采用LSTM和Transformer的方法進行特征提取。

（1）LSTM。LSTM能夠避免長序列訓練過程中的梯度消失和梯度爆炸問題，更好地捕捉序列之間的依賴關系。LSTM模型的核心是細胞狀態，通過遺忘門、輸入門和輸出門刪除或添加信息到細胞狀態，分別確定t時刻細胞狀態的保留信息和輸入的保留信息。

LSTM模型構建了[Ct、Ct?1和Ct]，其分別表示當前狀態、先前狀態和臨時狀態。在學習過程中，[?t]和[?t?1]分別表示當前隱藏狀態和先前隱藏狀態。模型使用遺忘門[ft]、記憶門[it]和輸出門[ot]實現面向信息的學習，具體如下。

[ft=σWfxt+Wf?t?1+bf] （1）

[it=σWixt+Wi?t?1+bi] （2）

[ot=σWoxt+Wo?t?1+bo] （3）

[Ct=ft×Ct?1+it×Ct] （4）

[Ct=tanhWCxt+WC?t?1+bC] （5）

對于LSTM的隱藏狀態[?t]，定義如下。

[?t=ot×tanhCt] （6）

式（1—6）中，[Wf、Wi、Wo和WC]分別表示遺忘門、記憶門、輸出門和當前細胞狀態的權重矩陣；[bf、bi、bo和bC]分別表示遺忘門、記憶門、輸出門和當前細胞狀態的偏移向量；[tanh]為激活函數。

（2）Transformer。Transformer通過注意力機制提高模型的訓練速度，具有更好的并行性能。模型將給定的番茄MS數據降維后的特征視為整體，并融合位置編碼，以捕獲特征信息之間的依賴，提取數據的整體和局部特征。

Transformer模型的核心是多頭注意力機制，通過構建Query、Key和Value矩陣[Q]、[K]和[V]，對特征序列[X=x1， x2， ...， xn]進行計算處理。多頭注意力機制的定義如下。

[MultiHeadQ， K， V=Concat?ead1， ?ead2， …， ?eadi]"""""""""""""""""""""""""" [Wo] （7）

[?eadi=AttentionQWqi， KWki， VWvi] （8）

[AttentionQ， K， V=softmaxQKTdkV] （9）

式（7—9）中，[Wo、Wq、Wk和Wv]為線性投影的權重參數。

Transformer使用殘差與歸一化層（Layer normalization）對注意力大小進行縮放，以避免梯度消失，同時調整輸入數據的均值和方差，加快收斂速度。歸一化層的輸出記為[L]，具體如式（10）所示。

[L=LayerNormX+MultiHeadQ， K， V] （10）

模型將L傳遞至前饋網絡層，該層包括一個雙層的全連接網絡和一個非線性激活函數。雙層的全連接網絡實現兩次線性變換，第一層使用激活函數，第二層不使用激活函數。前饋網絡的輸出記為[FFNL]，具體如式（11）所示。

[FFNL=σXW1+b1W2+b2] （11）

式（11）中，[σ]為激活函數，[W1、b1、W2和b2]為可學習的參數矩陣。

1.2.3 分類器設置" 分類器采用BP神經網絡。BP神經網絡基于反向誤差傳播訓練模型，模型由輸入層、隱藏層和輸出層組成。

BP神經網絡是一種多層前饋神經網絡，可以實現從輸入到輸出的復雜映射，由輸入層、隱藏層和輸出層組成。數據首先從輸入層傳遞至隱藏層，然后通過輸出層輸出，輸入層的輸出表示如式（12）。

[a1i=f1j=1nw1ijpj+b1i， i=1， 2， …， n] （12）

輸出層的輸出表示如式（13）。

[a2k=f2w2kipi+b2k，" k=1， 2， …， m] （13）

式（12—13）中，[pj]是輸入層第[j]個神經元的輸入，[a1i]是包含第[i]個節點的隱藏層的輸出；[a2k]是輸出層節點[k]的輸出；[w1ij]是第[i]、 [j]個節點的連接權重；[w2ki]是第[i]、[k]個節點的連接權重；[b1i]和[b2k]分別為隱藏層第[i、j]個節點的閾值；[f1]、[f2]分別是隱藏層和輸出層的傳遞函數；[n]和[m]分別是輸入層節點和輸出層節點的數量。

最后一層輸出結果通過[Sigmoid]函數映射至（0，1）區間。BP神經網絡基于誤差的反向傳播算法進行訓練，通過梯度下降法不斷調整網絡的權重和閾值，使輸出值[yi]逐漸接近參考值[yi]。損失函數采用交叉熵定義。

[L=?yilogy+（1?yi）log（1?y）] （14）

式（14）中，[yi]是真實標簽；[y]是模型預測為正類的概率。

神經網絡誤差是在設定的學習次數內繼續進行信息前向傳播和誤差反向傳播的過程，當誤差達到指定范圍時停止。

1.3 實驗平臺選擇

實驗依賴的編譯環境為Python 3.8，操作系統為Windows 10。計算機處理器為Intel（R）Core（TM） i5-11400F，主頻2.60 GHz；內存16 GB；顯卡使用NVIDIA GeForce RTX 3050，顯存容量8 GB；使用CUDA進行加速訓練。

2 模型分類評價標準

為了對算法的分類效果進行定量分析，本文采取以下指標對模型進行評價：精確度（Precision）、召回率（Recall）、準確率（Accuracy）、馬修斯相關系數（Matthews correlation coefficient，MCC）及曲線下的面積（Area under curve，AUC），各個指標的公式如下。

[Precision=TPTP+FP] （15）

[Recall=TPTP+FN] （16）

[Accuracy=TP+TNTP+FP+FN+TN] （17）

[MCC=TP×YN?FP×FNTP+FPTP+FNTN+FPTN+FN] （18）

通常情況下，采用準確率指標不能很好地反映模型的性能，為此可以采用受試者工作特性曲線（Receiver operating characteristic，ROC）來更好地評價模型。以真正例率（True positive rate，TPR）為縱軸，以假正例率（False positive rate，FPR）為橫軸，在不同的閾值下獲得坐標點，并連接各個坐標點，得到ROC曲線。曲線下的面積AUC可以直觀地評價分類器的好壞，ROC曲線越接近左上角，AUC越大，該模型的性能越好。

[TPR（%）=TPTP+FN×100] （19）

[FPR（%）=FPTN+FP×100] （20）

式（15—20）中，[TP]表示正樣本被正確預測為正樣本的個數；[FP]表示負樣本被錯誤預測為正樣本的個數；[FN]表示正樣本被錯誤預測為負樣本的個數；[TN]表示負樣本被正確預測為負樣本的個數；精確度表示在所有被預測為正樣本的樣本中，真實的正樣本占的比例；召回率表示在真實正樣本中，被預測為正樣本占的比例；準確率表示預測正確的樣本數占所有樣本數的比例；馬修斯相關系數表示實際分類與預測分類之間的相關系數。

3 結果與分析

3.1 降維結果可視化

有機及非有機番茄的MS原始數據維度為1 600[×]16 228，使用PCA、t-SNE和UMAP方法降維后獲得的特征序列向量維度為1[×]200。將降維后的數據映射到二維空間里進行可視化，由圖3可見，使用UMAP降維方法得到的特征，在數據空間中具有更好的分離性。

3.2 消融實驗

為了對模型的性能進行評估，采用6種不同的策略進行對比，包括PCA+BP、t-SNE+BP、UMAP+BP、PCA+LSTM+Transformer+BP、t-SNE+LSTM+Transformer+BP和UMAP+LSTM+Transformer+BP。設置6種策略的目的在于對比不同降維方法對鑒別模型準確率的影響，以及特征提取模塊對鑒別模型準確率的影響。所有結果均是使用五折交叉驗證獲得，將所有的數據集劃分成5份，每次選取不同的組合，以4∶1的比例構建訓練數據集和測試數據集，以確保每次訓練使用的訓練集和測試集不相同。最終的結果是5次訓練結果的平均值。具體結果如表（1—2）所示。結果表明，UMAP+LSTM+Transformer+BP組合的性能較優，具體表現為準確率達到98.437%，MCC達到0.968 4，AUC達到0.984 6。

3.3 模型訓練參數分析

使用不同的參數對算法涉及的模型進行調整，以獲得較好的性能。模型采用一層LSTM模塊，由200個單元組成；Transformer模型采用的注意力模塊為12層，一共有6頭注意力機制；BP模型由一個輸入層和兩個隱藏層構成，輸入層的神經元有200個，兩個隱藏層的神經元分別有100和50個。模型訓練損失函數參數如表3所示。

3.4 模型性能分析

模型訓練的迭代次數為4 000次，五折交叉驗證在訓練集的識別上均達到了收斂，圖4展示了收斂過程。圖5為五折交叉驗證在訓練集上的ROC曲線。每一折訓練所取得的具體性能如表4所示。

從圖4可以看出，隨著模型訓練的進行，每一折的損失都在降低，在前1 500次迭代過程中損失下降較快，自第3 000次迭代后，每一折的損失趨勢逐漸平緩，這表明模型已經接近收斂。

AUC衡量的是整個ROC曲線下的二維區域面積，取值從0到1.0，其提供了一個在所有分類閾值上的綜合性能度量。從圖5可以看出，折3的曲線最接近左上角，其AUC為0.993 5，這表明模型在折3上的效果較好；折4的曲線略差于其余4條曲線，其AUC為0.973 4。除折4的AUC略低之外，其余折的結果均接近1.0，這說明在大多數條件下，該模型能夠很好地區分樣本類別。

4 結論

本文基于質譜檢測數據對有機及非有機番茄構建了深度學習識別模型，通過融合數據降維方法UMAP，序列特征提取方法LSTM和Transformer，提取了高效數據特征，并使用BP神經網絡實現了準確分類。結果表明，深度學習框架可以基于原始質譜檢測數據實現快速精準的有機及非有機番茄檢測識別，基本滿足有機番茄市場的發展需求，具有較大的應用潛力。

參考文獻

[1] ALI M Y，SINA A A，KHANDKER S S，et al. Nutritional composition and bioactive compounds in tomatoes and their impact on human health and disease：a review[J]. Foods，2020，10（1）：45.

[2] WATANABE M，OHTA Y，SUN L C，et al. Profiling contents of water-soluble metabolites and mineral nutrients to evaluate the effects of pesticides and organic and chemical fertilizers on tomato fruit quality[J]. Food chemistry，2015，169：387-395.

[3] PARK H A，HAYDEN M M，BANNERMAN S，et al. Anti-apoptotic effects of carotenoids in neurodegeneration[J]. Molecules，2020，25（15）：3453.

[4] 李曉慧，李建洪，王洪萍，等. 植物源性食品中化學性危害物質的色譜—質譜檢測技術研究進展[J]. 分析測試學報，2023，42（10）：1357-1369.

[5] 瑪爾哈巴·帕爾哈提，朱靖蓉，趙多勇，等. 穩定同位素技術在有機農產品真實性鑒別中的應用進展[J]. 食品安全質量檢測學報，2022，13（22）：7191-7199.

[6] GREDELL D A，SCHROEDER A R，BELK K E，et al. Comparison of machine learning algorithms for predictive modeling of beef attributes using rapid evaporative ionization mass spectrometry （REIMS） data[J]. Scientific reports，2019，9（1）：5721.

[7] LIM D K，LONG N P，MO C，et al. Combination of mass spectrometry-based targeted lipidomics and supervised machine learning algorithms in detecting adulterated admixtures of white rice[J]. Food research international，2017，100（Pt 1）：814-821.

[8] 王世成，李國琛，王瑩，等. 基于氮穩定同位素比例質譜和液相色譜—高分辨質譜的有機番茄鑒別[J]. 食品科學，2021，42（14）：159-164.

[9] DE OLIVEIRA A N，BOLOGNINI S R F，NAVARRO L C，et al. Tomato classification using mass spectrometry-machine learning technique：a food safety-enhancing platform[J]. Food chemistry，2023，398：133870.

[10] JOSEPH D S，PAWAR P M，PRAMANIK R. Intelligent plant disease diagnosis using convolutional neural network：a review[J]. Multimedia tools and applications，2023，82（14）：21415-21481.

（責編：王 菁）