基于高光谱及BP神经网络的大豆异黄酮含量检测系统及方法与流程

本发明涉及一种大豆异黄酮含量检测系统及方法，具体涉及一种基于高光谱及bp神经网络的大豆异黄酮含量检测系统及方法，属于农产品检测方法领域。

背景技术：

大豆异黄酮具有许多重要的生理活性，如抗氧化、抗溶血，对心血管疾病、骨质疏松症、和更年期综合症具有预防乃至治疗的作用，其应用价值极高，具有较大的开发潜力。随着人民生活水平的逐渐提高，富含大豆异黄酮的大豆制品以及添加有大豆异黄酮的各种食品将会越来越受到大众的青睐。为了使企业采购到高异黄酮含量的优质原料，满足大豆食品企业对高品质原料的需求，迫切需要快速、准确、高效的检测仪器和方法。

目前，大豆异黄酮检测方法主要有紫外分光光度法，三波长法、高效液相色谱法和气相色谱法等，这些传统的化学检测手段存在检测周期长、破换样本、造成环境污染的缺点。因此实现大豆异黄酮的快速、无损检测，就有重要意义。

技术实现要素：

本发明为解决现有技术检测方法检测周期长、破换样本、造成环境污染以及无法实现在线检测的问题，进而提出基于高光谱及bp神经网络的大豆异黄酮含量检测系统及方法。

本发明为解决上述问题采取的技术方案是：本发明所述检测系统包括系统支架、电源、移动平台控制器、移动平台、载物台、至少一个光源、光谱摄像机和分析计算机，电源、移动平台控制器、移动平台、载物台、至少一个光源、光谱摄像机由下至上依次安装在系统支架内，移动平台控制器控制移动平台水平直线移动，光谱摄像机通过数据线与分析计算机连接，大豆样本放置在载物台的上表面。

本发明所述检测方法的具体步骤如下：

步骤一、获取光谱信息：将大豆样本放置在载物台的上表面，移动平台控制器驱动移动平台匀速移动，进而带动载物台上的大豆样本匀速移动，光源的光线通过条状空间照射到大豆样本上，光谱摄像机采集大豆样本的光谱图像；

步骤二、利用黑白标定方法减少高光谱图像中的噪声信号。采用聚四氟乙烯制成的标准白板和盖住镜头方法，分别获得标定白板反射谱和暗电流反射谱，标定方程为：

公式①中r表示相对图像，rblack表示全黑标定图像，rwhite表示全白标定图像，rraw表示高光谱仪器获取的原始图像；

步骤三、经过中值滤波得到比原始光谱更平滑，噪声更小，信噪比更高的光谱曲线，并提取各品种大豆样本的光谱反射数据；中值滤波是一种非线性平滑技术，平滑结果由公式如下：

g(x,y)＝med{f(x-k,y-l),(k,l∈w)}②

公式②中f(x,y)表示原始反射光谱，g(x,y)表示平滑后的光谱，w表示二维模板，x表示像素横坐标，y表示像素纵坐标，k表示横坐标平移像素数，l表示纵坐标平移像素数，w表示二维模板；

步骤四、利用异黄酮含量与光谱反射值回归分析进行特征波长选择，分别选择5个波长处的反射值作为异黄酮含量预测的特征波长，特征波长分别为1516nm、1572nm、1691nm、1716nm和1760nm；

步骤五、在matlab环境下建立输入层、中间层和输出层三层bp神经网络预测模型，利用bp神经网络模型对步骤四中采集到的特征波长下的光谱数据进行有监督的学习，并预测大豆样本异黄酮含量。

本发明的有益效果是：1、本发明首先选择不同地域、不同品种的大豆作为训练样本建立训练集，提高了预测模型的范化能力，扩大了检测范围。在采集大豆样本高光谱图像数据的过程中，调整高光谱摄像机曝光时间为10ms，设定电控移动平台的速度为120mm/s，可以防止采集到的图像产生失真，为获取条状空间中每个像素在各个波长处的图像信息，线阵的探测器在光学焦面(大豆样本前进方向)的垂直方向作横向扫描。大豆样本随着载物台的移动，线阵探测器将整个平面进行扫描，采集大豆高光谱数据，并得到大豆高光谱图像。根据中值滤波公式采用3×3滑动窗口得到比原始光谱平滑，噪声变小，信噪比更高的光谱曲线。采用回归分析确定了特征波长，大大降低了输入神经元的个数，提高了模型的计算速度并避免了模型的过拟合现象。最后，利用神经网络模型对采集到的特征波长下的光谱数据进行有监督的学习，并预测大豆样本异黄酮含量；2、本发明结合光谱信息和模式识别的方法实现了大豆异黄酮的无损快速检测；3、本发明方法简单易行，便于设计开发便携式嵌入式大豆异黄酮含量检测系统。同时该方法处理的是光谱信息，可以有效地消除干扰影响，提高模型的预测精度。

附图说明

图1是检测系统的结构示意图，图2是高光谱图像系统采集参数的流程框图，图3是bp神经网络模型的示意图。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式所述基于高光谱及bp神经网络的大豆异黄酮含量检测系统包括系统支架1、电源2、移动平台控制器3、移动平台4、载物台5、至少一个光源7、光谱摄像机8和分析计算机9，电源2、移动平台控制器3、移动平台4、载物台5、至少一个光源7、光谱摄像机8由下至上依次安装在系统支架1内，移动平台控制器3控制移动平台4水平直线移动，光谱摄像机8通过数据线与分析计算机9连接，大豆样本6放置在载物台5的上表面。

具体实施方式二：结合图1至图3说明本实施方式，本实施方式所述基于高光谱及bp神经网络的大豆异黄酮含量检测方法的具体步骤如下：

步骤一、获取光谱信息：将大豆样本6放置在载物台5的上表面，移动平台控制器3驱动移动平台4匀速移动，进而带动载物台5上的大豆样本6匀速移动，光源7的光线通过条状空间照射到大豆样本6上，光谱摄像机8采集大豆样本6的光谱图像；

步骤二、利用黑白标定方法减少高光谱图像中的噪声信号。采用聚四氟乙烯制成的标准白板和盖住镜头方法，分别获得标定白板反射谱和暗电流反射谱，标定方程为：

公式①中r表示相对图像，rblack表示全黑标定图像，rwhite表示全白标定图像，rraw表示高光谱仪器获取的原始图像。

步骤三、经过中值滤波得到比原始光谱更平滑，噪声更小，信噪比更高的光谱曲线，并提取各品种大豆样本的光谱反射数据；中值滤波是一种非线性平滑技术，平滑结果由公式如下：

g(x,y)＝med{f(x-k,y-l),(k,l∈w)}②

公式②中f(x,y)表示原始反射光谱，g(x,y)表示平滑后的光谱，w表示二维模板，x表示像素横坐标，y表示像素纵坐标，k表示横坐标平移像素数，l表示纵坐标平移像素数，w表示二维模板；

步骤四、利用异黄酮含量与光谱反射值回归分析进行特征波长选择，分别选择5个波长处的反射值作为异黄酮含量预测的特征波长，特征波长分别为1516nm、1572nm、1691nm、1716nm和1760nm；

步骤五、在matlab环境下建立输入层、中间层和输出层三层bp神经网络预测模型，利用bp神经网络模型对步骤四中采集到的特征波长下的光谱数据进行有监督的学习，并预测大豆样本异黄酮含量。

本实施方式中bp神经网络又称为误差反向传播网络，有一个输入层，一个输出层，一个或多个隐含层。bp算法是一种有监督的学习方法，其主要思想是把整个学习过程分为正向传播、反向(逆向)传播和记忆训练三个部分。正向传播时，输入样本从输入层输入，经各隐含层处理后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层得不到期望的输出，则转入误差的反向传播阶段，将输出误差以某种形式通过隐含层向输入层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号并将其作为修正各单元权值的依据。这种网络的信号正向传播与误差反向传播是反复交替进行的，权值的不断调整就是网络的记忆训练过程。网络的记忆训练过程一直进行到网络趋向收敛，即输出误差达到要求的标准。

具体实施方式三：结合图1至图3说明本实施方式，本实施方式所述基于高光谱及bp神经网络的大豆异黄酮含量检测方法的步骤一中光谱摄像机8的曝光时间为10ms，波长范围为1000nm～2500nm，移动平台4的移动速度为120mm/s。光谱摄像机8是波长范围为1000nm～2500nm的高光谱摄像机。

具体实施方式四：结合图1至图3说明本实施方式，本实施方式所述基于高光谱及bp神经网络的大豆异黄酮含量检测方法的步骤五中bp神经网络有监督的学习是通过如下步骤实现的：

步骤(一)、输入模式顺传播，输入模式由输入层经隐含层向输出层传播计算：确定输入向量xk：

公式③中k＝1,2,...,m；m表示学习模式对数；n表示输入层单元数；

确定期望输出向量yk：

公式④中k＝1,2,...,m；m表示学习模式对数，q表示输出层单元数；

计算隐含层各神经元的激活值sj：

公式⑤中n表示输入层单元数，wij表示输入层至隐含层的连接权值，θj表示隐含层单元的阈值，j＝1,2,...,p，p表示隐含层单元数，xi表示第i层神经元输入；

激活函数采用s型函数：

公式⑥中x表示神经元的输入量；

计算隐含层j单元的输出值：将公式⑤带入公式⑥中可得隐含层j单元的输出值：

阈值θj在学习过程中与权值wij一样也不断的被修正；

计算输出层第t个单元的激活值ot：

计算输出层第t个单元的实际输出值ct：

ct＝f(ot)⑧，

公式⑦和⑧中wjt表示隐含层至输出层的权值，θt表示输出层单元阈值，j＝1,2,...,p，p表示隐含层单元数，xj表示隐含层第j个节点的输出值，f表示s型激活函数，t＝1,2,...,q，q表示输出层单元数；

利用公式③④⑤⑥⑦⑧可以计算出一个输入模式的顺传播过程；

步骤(二)、输出误差的逆传播在第一步的模式顺传播计算中得到了网络的实际输出值，当这些实际的输出值与希望的输出值不一样或者误差大于所限定的数值时，就要对网络进行校正，计算时从输出层到隐含层，再从隐含层到输入层；

输出层的校正误差：

公式ⅰ中t＝1,2,...,q，q表示输出层单元数，k＝1,2,...,m，m表示学习模式对数，表示希望输出，表示实际输出，f′()表示对输出函数的导数，表示第t个单元的激活值；

隐含层各单元的校正误差：

公式ⅱ中t＝1,2,...,q，q表示输出层单元数，j＝1,2,...,p，p表示隐含层单元数，k＝1,2,...,m，m表示学习模式对数，wjt表示第j个单元与第t个单元的链接权值，表示输出层的校正误差，表示第j层第k个神经元的线性加权和；

对于输出层至隐含层连接权值和输出层阈值的校正量：

公式ⅲ和公式ⅳ中表示隐含层j单元的输出，表示输出层的校正误差，j＝1,2,...,p，p表示隐含层单元数，t＝1,2,...,q，q表示输出层单元数，k＝1,2,...,m，m表示学习模式对数，α表示输出层至隐含层学习率，α>0，δvjt表示输出层至隐含层连接权值校正量，δγjt表示输出层阈值校正量；

隐含层至输入层的校正量：

公式ⅴ和公式ⅵ中表示隐含层j单元的校正误差，表示标准输入，i＝1,2,...,n，n表示输入层单元数，β表示隐含层至输入层学习率，0＜β＜1；

步骤(三)、循环记忆训练：对bp神经网络重复输入模式顺传播和输入误差逆传播；

步骤(四)、学习结果判别：当每次循环记忆训练结束后，都要进行学习结果的判别；检查输出误差是否已经小到10^-3；如果小到可以允许的程度，就可以结束整个学习过程，否则还要继续进行循环训练。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质，在本发明的精神和原则之内，对以上实施例所作的任何简单的修改、等同替换与改进等，均仍属于本发明技术方案的保护范围之内。