基于多模型融合的干燥過(guò)程中毛豆含水率、顏色高光譜圖像無(wú)損檢測(cè)

趙偉彥,黃 敏,朱啟兵

(江南大學(xué) 輕工過(guò)程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室,江蘇無(wú)錫 214122)

?

基于多模型融合的干燥過(guò)程中毛豆含水率、顏色高光譜圖像無(wú)損檢測(cè)

趙偉彥,黃 敏*,朱啟兵

(江南大學(xué) 輕工過(guò)程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室,江蘇無(wú)錫 214122)

毛豆的顏色和含水率是反映毛豆品質(zhì)的兩個(gè)重要參數(shù),本文報(bào)道了一種利用多模型融合方法提高干燥過(guò)程中毛豆顏色和含水率高光譜圖像無(wú)損檢測(cè)精度的方法。該方法利用平均值,熵,相對(duì)散度,標(biāo)準(zhǔn)差等特征實(shí)現(xiàn)對(duì)高光譜圖像的特征提取;并分別利用這四類特征建立毛豆顏色、含水率的偏最小二乘預(yù)測(cè)子模型;最終通過(guò)對(duì)各預(yù)測(cè)子模型的加權(quán)融合獲得最終的預(yù)測(cè)結(jié)果,達(dá)到提高干燥過(guò)程中毛豆顏色和含水率無(wú)損檢測(cè)精度的目的。相比于單特征模型,多模型融合后的顏色預(yù)測(cè)均方根誤差RMSEP降低了4.3%;含水率的預(yù)測(cè)均方根誤差RMSEP降低了7.7%。T統(tǒng)計(jì)檢驗(yàn)表明:融合模型性能顯著地優(yōu)于單一特征模型。

干燥毛豆,多模型融合,高光譜圖像技術(shù),干燥過(guò)程

毛豆又名菜用大豆、枝豆,是以幼嫩莢果和豆粒作為蔬菜食用的一種大豆,由于其兼具營(yíng)養(yǎng)與保健雙重功能[1-2],深受國(guó)內(nèi)外消費(fèi)者的青睞。為了提高毛豆的經(jīng)濟(jì)價(jià)值和延長(zhǎng)毛豆的儲(chǔ)藏期和貨架期,生產(chǎn)廠家常通過(guò)干燥的方式將毛豆脫水預(yù)處理或制成具有獨(dú)特風(fēng)味的休閑食品。毛豆的顏色和含水率是反映干燥后毛豆品質(zhì)的兩個(gè)重要參數(shù),也是判斷干燥工藝參數(shù)設(shè)定合理性與否的重要標(biāo)準(zhǔn)[3]。傳統(tǒng)的毛豆顏色檢測(cè)方法是用測(cè)色色差計(jì)進(jìn)行接觸式測(cè)量,其測(cè)量精度受色差計(jì)與測(cè)試樣本的接觸面積等因素的較大影響,為了減少測(cè)量誤差,通常需要進(jìn)行對(duì)同一測(cè)試樣本的多次重復(fù)測(cè)量[4-5]。含水率的測(cè)量通常采用烘箱烘干或者費(fèi)舍爾滴定的破壞性測(cè)量方法,無(wú)法實(shí)現(xiàn)全樣本測(cè)量[6]。由于上述測(cè)量方法無(wú)法實(shí)現(xiàn)顏色和含水率參數(shù)的同時(shí)測(cè)量,存在著費(fèi)時(shí)費(fèi)力的缺點(diǎn)。近年來(lái),利用近紅外光譜技術(shù)、高光譜圖像技術(shù)等進(jìn)行農(nóng)產(chǎn)品顏色、水分等內(nèi)部品質(zhì)指標(biāo)的快速無(wú)損檢測(cè)方法被廣泛的研究和報(bào)道[7-9]。

高光譜圖像技術(shù)是一種結(jié)合了圖像和光譜兩種技術(shù)優(yōu)勢(shì)為一體的無(wú)損檢測(cè)新方法,其在農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)技術(shù)中的應(yīng)用得到了廣泛的研究報(bào)道[10-14]。利用高光譜圖像進(jìn)行農(nóng)產(chǎn)品無(wú)損檢測(cè)時(shí),其檢測(cè)精度依賴于高光譜圖像的特征提取和檢測(cè)模型的設(shè)計(jì)。目前常用的方法是通過(guò)對(duì)不同特征的建模精度進(jìn)行比較,從而選擇具有較好建模精度的子特征集合作為預(yù)測(cè)模型的輸入特征,并建立其與對(duì)應(yīng)品質(zhì)的無(wú)損檢測(cè)模型。由于受樣本收集范圍的限制,這一方法往往導(dǎo)致預(yù)測(cè)模型的泛化能力難以保證。信息融合方法是提高預(yù)測(cè)(分類)模型性能的一種有效方法,其基本思想是利用計(jì)算機(jī)技術(shù)將來(lái)自多傳感器或多源的觀測(cè)信息進(jìn)行分析、綜合處理,從而得到被測(cè)目標(biāo)的決策和估計(jì)值。相比于單一傳感器或者單源信息,信息融合方法通過(guò)對(duì)信息多級(jí)別、多方面組合導(dǎo)出更多有用信息,從而提高了對(duì)被測(cè)目標(biāo)的決策和估計(jì)精度[15]。由于信息融合的諸多優(yōu)點(diǎn)使其在農(nóng)產(chǎn)品無(wú)損檢測(cè)方面得到越來(lái)越廣泛的應(yīng)用,國(guó)內(nèi)外學(xué)者對(duì)此做了大量的研究并取得了很多成果[16-18]。本文以干燥過(guò)程中毛豆顏色、含水率的高精度無(wú)損檢測(cè)為目標(biāo),比較了不同高光譜圖像特征條件下,毛豆顏色、含水率檢測(cè)模型的精度;在此基礎(chǔ)上,引入多模型融合思想,達(dá)到提高干燥過(guò)程中毛豆顏色和含水率多指標(biāo)同步高精度無(wú)損檢測(cè)的目的。

1 材料和方法

1.1 材料與儀器

本實(shí)驗(yàn)所用毛豆樣本采購(gòu)于浙江省慈溪市海通食品有限公司的毛豆種植基地,毛豆的品種是75-3,成熟度為8.5至9成之間。新鮮毛豆經(jīng)過(guò)清洗、去皮、漂燙后,放入溫度4℃、濕度為95%的冷藏庫(kù)內(nèi)保存,以備下一步實(shí)驗(yàn)使用,保存時(shí)間不超過(guò)3d。漂燙方式采用電磁爐加熱。采用脈沖噴動(dòng)微波真空干燥(PSMVD)設(shè)備對(duì)毛豆進(jìn)行干燥,該實(shí)驗(yàn)裝置脈沖噴動(dòng)系統(tǒng)帶有一套空氣處理裝置及空氣流量調(diào)節(jié)與分配裝置,空氣處理量為1m3/min。熱量供給系統(tǒng)由微波提供熱量,微波的輸出功率能夠在0～0.8kW連續(xù)調(diào)整。真空系統(tǒng)采用水環(huán)式真空泵,冷卻器溫度范圍在-15～10℃。干燥倉(cāng)內(nèi)壓力可以在3.5～100kPa內(nèi)調(diào)節(jié)[19]。

在本實(shí)驗(yàn)中,脈沖噴動(dòng)的頻率設(shè)置為噴動(dòng)間隔時(shí)間為1s,每次噴動(dòng)時(shí)間維持3s。干燥倉(cāng)內(nèi)真空壓力波動(dòng)范圍設(shè)定在(9±1)kPa,功率為516W,每次干燥毛豆樣本質(zhì)量為(200±0.5)g,干燥時(shí)間分別為10、20、30、40、50、60、70和80min,每個(gè)干燥時(shí)間實(shí)驗(yàn)重復(fù)3次。

1.2 高光譜反射圖像采集系統(tǒng)

實(shí)驗(yàn)中使用高光譜反射圖像采集系統(tǒng)如圖1所示。該系統(tǒng)主要包括高光譜成像單元,光源系統(tǒng)、樣本輸送平臺(tái)和裝有圖像采集卡的PC機(jī)組成。其中高光譜成像單元由CCD攝像機(jī)(pixelfly QE IC*285AL,Cooke,USA)和圖像光譜儀(1003A-10140 HyperspcTM VNIR C-Series,Headwall Photonics Inc.,USA)兩部分組成;光源系統(tǒng)為150W的直流鹵素?zé)?3250K,Techniquip,USA),為了在圖像不失真的前提下獲得最佳的圖像采集效果,在圖像采集之前需要對(duì)高光譜成像系統(tǒng)進(jìn)行校正和調(diào)試,確定出最佳系統(tǒng)參數(shù)如下:圖像采集的曝光時(shí)間為250ms,物距25cm,線掃描步長(zhǎng)80μm,掃描寬度50mm,binning為10,即實(shí)際波段間隔為6.44nm,在400～1000nm波長(zhǎng)范圍內(nèi)共獲得94個(gè)波段。采集結(jié)束時(shí)得到大小為1392×625×94的圖像立方體。圖像采集時(shí)將干燥毛豆樣本每10個(gè)為一組按兩排排放到20cm×20cm的黑色載物板上,垂直放到高光譜掃描單元的下方,為了減弱外部光源的干擾整個(gè)采集過(guò)程在密閉黑箱中進(jìn)行。每6組樣本測(cè)量后,采集1次白板和暗電流圖像,以用于圖像校正。

圖1 高光譜反射圖像采集系統(tǒng)Fig.1 Schematic of the hyperspectral reflectance imaging system

1.3 標(biāo)準(zhǔn)值測(cè)量

在本實(shí)驗(yàn)研究中,毛豆顏色采用CR-400色差計(jì)(Konica Minolta Sensing,Inc.,Japan)進(jìn)行測(cè)量[20],用色差(ΔE)來(lái)描述干燥過(guò)程中的樣本顏色的變化,其計(jì)算公式如(1)所示。

式(1)

含水率測(cè)量采用國(guó)標(biāo)(GB/T8858-88)的烘箱方法[21]。將樣本放置在105℃的烘箱(Binder FED,Berlin,Germany)干燥到恒定質(zhì)量(大約7～8h)后,利用精度為0.0001g分析天平(漢平FA1104,上海,中國(guó))獲得干燥前后的質(zhì)量,按照公式(2)計(jì)算得到毛豆的含水量MC。

式(2)

式中；mt為烘箱干燥前的毛豆質(zhì)量;md為烘箱干燥后的干物質(zhì)質(zhì)量。

在本實(shí)驗(yàn)中,共得到234個(gè)毛豆顏色樣本(0～80min共9類干燥時(shí)間,每類26個(gè)樣本左右)和272個(gè)毛豆含水率樣本(0～80min共9類干燥時(shí)間,每類30個(gè)樣本左右)。

1.4 數(shù)據(jù)分析

1.4.1 高光譜圖像數(shù)據(jù)預(yù)處理 為了減少光源波動(dòng)和噪聲的影響,原始毛豆高光譜圖像通過(guò)公式(3)校正:

式(3)

其TR為校正后的干燥毛豆的相對(duì)反射圖像,TA、TG、TD分別是樣本的反射圖像、白板圖像和CCD檢測(cè)器的暗電流圖像。后期所有的分析都在校正后的圖像TR的基礎(chǔ)上進(jìn)行。

1.4.2 毛豆豆粒的高光譜圖像特征提取 首先在718.2nm波段下利用自適應(yīng)閾值法[22]提取干燥后毛豆輪廓,并進(jìn)行必要的膨脹、腐蝕、開、閉運(yùn)算以減少微小的裂紋。在此之后,將718.2nm波段下提取到的毛豆輪廓投射到其它波段,作為對(duì)應(yīng)波段下毛豆的輪廓圖像,分別在400～1000nm共94個(gè)波段下提取毛豆輪廓范圍內(nèi)的平均值(Mean Value,MV),熵值(Entropy Value,EV),相對(duì)散度(Relative Divergence,RD)以及標(biāo)準(zhǔn)差(Standard Deviation,SD)四類特征。這四類特征中平均值和標(biāo)準(zhǔn)差主要用于提取圖像的光譜信息,而熵值和相對(duì)散度主要反映了圖像的紋理特征信息。我們的先期研究表明,上述四類特征的綜合使用,可基本保證高光譜圖像信息的充分挖掘,為后續(xù)的預(yù)測(cè)模型構(gòu)建提供充分的信息保證。各特征的表達(dá)式分別如式(4)～式(7)所示。

平均值計(jì)算公式:

式(4)

熵值計(jì)算公式:

式(5)

標(biāo)準(zhǔn)差計(jì)算公式:

式(6)

相對(duì)散度計(jì)算公式:

式(7)

1.4.3 用于毛豆顏色和含水率預(yù)測(cè)的多模型融合方法 傳統(tǒng)的農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)主要采用單一模型的建模方法,單一模型方法的模型精度嚴(yán)重依賴于模型輸入特征變量的選擇。為了獲得高的預(yù)測(cè)精度,通常需要利用各種算法對(duì)各類特征的建模性能比較選擇,這一過(guò)程繁瑣費(fèi)時(shí)。更為嚴(yán)重的是,這些選擇方法多是依賴于對(duì)已有建模樣本精度評(píng)價(jià)的基礎(chǔ),當(dāng)測(cè)試樣本發(fā)生變化時(shí),容易導(dǎo)致模型預(yù)測(cè)能力的下降。

式(8)

其中:Yi是指第i個(gè)PLS子模型的預(yù)測(cè)輸出;是指第i個(gè)PLS子模型的訓(xùn)練集的相關(guān)系數(shù)。

圖2 多模型融合示意圖Fig.2 Schematic of multiple model fusion

1.4.4 訓(xùn)練、測(cè)試樣本劃分及模型性能評(píng)價(jià) 在建立預(yù)測(cè)模型之前,需要將總體樣本(232個(gè)毛豆顏色樣本和272個(gè)毛豆含水率樣本)劃分為訓(xùn)練和測(cè)試樣本集合。其中訓(xùn)練集合用于建立標(biāo)準(zhǔn)值的預(yù)測(cè)模型,測(cè)試集用于檢驗(yàn)?zāi)Ｐ汀１疚膶?duì)每種干燥時(shí)間條件下(0～80min,步長(zhǎng)為10min,共9類干燥時(shí)間的含水率和顏色)的樣本進(jìn)行隨機(jī)取樣,抽取3/4樣本組成訓(xùn)練集,剩余樣本構(gòu)成測(cè)試集。在建立PLS模型時(shí),模型的潛在變量個(gè)數(shù)采用留一法交叉驗(yàn)證誤差確定。采用測(cè)試集樣本的均方根誤差RMSEP和相關(guān)系數(shù)Rp作為評(píng)價(jià)模型性能的指標(biāo)。RMSEP越小,Rp越高,模型的性能越好?？紤]到模型的性能會(huì)隨著訓(xùn)練集、測(cè)試集樣本的變化而變化,為了更好地評(píng)價(jià)模型性能,上述隨機(jī)取樣、建模過(guò)程被重復(fù)10次。取10次的RMSEP、Rp平均值作為最終的指標(biāo)。同時(shí)為了更好地比較不同模型的性能,成對(duì)T檢驗(yàn)也被用于對(duì)不同建模方法的性能比較。

2 結(jié)果與分析

2.1 四種特征的特征曲線

圖3～圖6給出了不同干燥時(shí)間情況下的平均值、相對(duì)散度、熵值和標(biāo)準(zhǔn)差四種特征的樣本平均曲線。由四個(gè)特征曲線圖可知在430nm和660nm附近形成吸收峰,這是由于葉綠素a和葉綠素b的吸收造成的。除了熵值特征曲線,其它三類特征都在970nm左右出現(xiàn)水分吸收峰。

表1 干燥后毛豆顏色預(yù)測(cè)結(jié)果Table 1 The prediction results of dried soybean’s color

圖3 光譜平均值特征曲線Fig.3 The profile of mean spectra

圖4 相對(duì)散度的特征曲線Fig.4 The profile of relative divergence

圖5 熵的特征曲線Fig.5 The profile of entropy value

圖6 標(biāo)準(zhǔn)差的特征曲線Fig.6 The profile of standard deviation

注:帶A表示該模型對(duì)單一特征模型有顯著性，表2同。2.2 干燥后毛豆顏色預(yù)測(cè)結(jié)果

表1給出了利用單特征PLS模型、多特征集成PLS模型(不同類型的特征串聯(lián)作為PLS模型的輸入)和多模型融合方法得到的干燥后毛豆顏色預(yù)測(cè)結(jié)果。從表中可以看出:利用單一特征進(jìn)行建模,平均值特征取得測(cè)試集均方根誤差RMSEP 0.987的最佳精度;而熵值特征的精度最差,其RMSEP為1.087。當(dāng)采用多特征集成方式時(shí),MV、EV、RD和SD四個(gè)特征的集成獲得的精度最高,其RMSEP為0.989。當(dāng)采用多模型融合方法時(shí),采用MV、EV、RD和SD四個(gè)特征構(gòu)成的多模型得到了最佳的精度。對(duì)10次隨機(jī)的預(yù)測(cè)集樣本均方根誤差的成對(duì)檢驗(yàn)表明:相比于單特征PLS模型,采用多特征集成的PLS模型對(duì)毛豆顏色的預(yù)測(cè)性能并無(wú)顯著性提高;而采用4個(gè)特征的PLS子模型融合的方法要顯著地優(yōu)于單一特征和多特征集成模型。與前期文獻(xiàn)[9](Rp=0.862,RMSEP=1.04)相比,多模型的預(yù)測(cè)結(jié)果均有所改善和提高。這是由于通過(guò)對(duì)信息多級(jí)別、多方面融合挖掘出更多有用信息,提高預(yù)測(cè)效果。

2.3 干燥后毛豆含水率預(yù)測(cè)結(jié)果

表2給出了利用單特征PLS模型、多特征集成PLS模型(不同類型的特征串聯(lián)作為PLS模型的輸入)和多模型融合方法得到的干燥后毛豆含水率預(yù)測(cè)結(jié)果。從表中可以看出:利用單一特征進(jìn)行建模,標(biāo)準(zhǔn)差特征取得測(cè)試集均方根誤差RMSEP 3.837%的最佳精度;

表2 干燥后毛豆含水率預(yù)測(cè)結(jié)果Table 2 The prediction results of dried soybean’s moisture content

而熵值特征的精度最差,其RMSEP為6.363%。當(dāng)采用多特征集成方式時(shí),MV、EV、RD和SD四個(gè)特征的集成獲得的精度最高,其RMSEP為3.547%。當(dāng)采用多模型融合方法時(shí),采用MV和SD兩個(gè)特征構(gòu)成的多模型得到了RMSEP=3.509%,Rp=0.985的最佳精度。對(duì)10次隨機(jī)的預(yù)測(cè)集樣本均方根誤差的成對(duì)檢驗(yàn)表明:相比于單特征PLS模型,采用4個(gè)特征集成的PLS模型對(duì)毛豆含水率的預(yù)測(cè)性能有顯著性提高;同時(shí)采用多模型融合的方法要顯著地優(yōu)于單一特征模型。與前期文獻(xiàn)[9](Rp=0.973,RMSEP=4.6%)相比,多模型也可提高含水率的無(wú)損檢測(cè)精度。

圖7和圖8給出了干燥后毛豆顏色和含水率的預(yù)測(cè)散點(diǎn)圖,從圖中可以看出真實(shí)值和預(yù)測(cè)值有著良好的相關(guān)性,說(shuō)明利用多模型思想結(jié)合高光譜技術(shù)進(jìn)行干燥后毛豆顏色和含水率無(wú)損檢測(cè)是可行的。

圖7 顏色的散點(diǎn)圖Fig.7 The scatter diagram of color

圖8 含水率的散點(diǎn)圖Fig.8 The scatter diagram of moisture content

3 結(jié)論

本文利用一種多模型融合方法提高了干燥過(guò)程中毛豆顏色和含水率高光譜圖像無(wú)損檢測(cè)精度。相比于單特征模型,多模型融合后的顏色預(yù)測(cè)均方根誤差Rmsep降低了4.3%;含水率的預(yù)測(cè)均方根誤差Rmsep降低了7.7%。T統(tǒng)計(jì)檢驗(yàn)表明:融合模型性能顯著地優(yōu)于單一特征模型。說(shuō)明利用多模型融合的方法提高了高光譜圖像無(wú)損檢測(cè)精度是可行的。

[1]Song J Y,An G H,Kim C J. Color,texture,nutrient contents,and sensory values of vegetable soybeans[Glycine max(L.)Merrill]as affected by blanching[J].Food Chemistry,2003,83(1):69-74.

[2]顧衛(wèi)紅,鄭洪建,張燕,等. 菜用大豆的國(guó)際需求及科研生產(chǎn)動(dòng)態(tài)(綜述)[J].上海農(nóng)業(yè)學(xué)報(bào),2002,18(2):45-48.

[3]李愛(ài)勤,張緒坤,徐剛,等. 顏色檢測(cè)系統(tǒng)及其在果蔬干燥中的應(yīng)用[J]. 江西科學(xué),2009,27(1):127-131.

[4]Aguilera J M. Drying and dried products under the microscope[J].Food Science and Technology International，2003,9(3):137-143.

[5]Hu Q,Zhang M,Mujumdar AS,et al. Drying of edamame by hot air and vacuum microwave combination[J]. Journal of Food Engineering,2006,77(4):977-982.

[6]Hu Q,Zhang M,Mujumdar A S,et al. Performance evaluation of vacuum microwave drying of edamame in deep-bed drying[J]. Drying Technology,2007,25(4):731-736.

[7]孫俊,武小紅,張曉東,等. 基于高光譜圖像的生菜葉片水分預(yù)測(cè)研究[J]. 光譜學(xué)與光譜分析,2013,33(2):522-526.

[8]周燕,黃傳旭,陳斌. 用近紅外光譜儀器快速檢測(cè)小麥水分[J]. 現(xiàn)代科學(xué)儀器,2002(6):50-52.

[9]Huang M,Wang Q,Zhang M,et al. Prediction of color and moisture content for vegetable soybean during drying using hyperspectral imaging technology[J]. Journal of Food Engineering,2014,128:24-30.

[10]Huang M,Lu R. Apple mealiness detection using hyperspectral scattering technique[J]. Postharvest Biology and Technology,2010,58(3):168-175.

[11]張偉,潘磊慶,屠康. 利用高光譜透射圖像檢測(cè)雞種蛋早期孵化[J]. 農(nóng)業(yè)工程學(xué)報(bào),2012,28(21):149-155.

[12]黃培賢,姚志湘,粟暉,等. 高光譜圖像技術(shù)在食品無(wú)損檢測(cè)中的研究進(jìn)展[J].食品工業(yè)科技,2012,33(15):412-417.

[13]趙杰文,劉劍華,陳全勝,等. 利用高光譜圖像技術(shù)檢測(cè)水果輕微損傷[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2008,39(1):106-110.

[14]黃敏,萬(wàn)相梅,朱啟兵,等. 基于高光譜圖像技術(shù)的菜用大豆厚度檢測(cè)[J].食品與生物技術(shù)學(xué)報(bào),2012,31(11):1142-1147.

[15]Khaleghi B,Khamis A,Karray F O,et al. Multi-sensor data fusion:a review of the state of the art[J]. Information Fusion,2013,14(1):28-44.

[16]Natale C D,Paolesse R,Macagnano A,et al. Electronic nose and electronic tongue integration for improved classification of clinical and food samples[J]. Sensors and Actuators B:Chemical,2000,64(1):15-21.

[17]陳全勝,趙杰文,蔡健榮,等.基于近紅外光譜和機(jī)器視覺(jué)的多信息融合技術(shù)評(píng)判茶葉品質(zhì)[J].農(nóng)業(yè)工程學(xué)報(bào),2008,24(3):5-10.

[18]展慧,李小昱,周竹,等. 基于近紅外光譜和機(jī)器視覺(jué)融合技術(shù)的板栗缺陷檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2011,27(2):345-349.

[19]王玉川. 萵苣顆粒負(fù)壓微波高效節(jié)能均勻干燥機(jī)理及工藝研究[D]無(wú)錫:江南大學(xué)食品學(xué)院,2013.

[20]Wang Y,Zhang M,Mujumdar A S,et al. Study of drying uniformity in pulsed spouted microwave-vacuum drying of stem lettuce slices with regard to product quality[J].Drying Technology,2013,31(1):91-101.

[21]GB/5009.3 - 2010,食品安全國(guó)家標(biāo)準(zhǔn)-食品中水分的測(cè)定[S].

[22]楊暉. 圖像分割的閾值法研究[J]. 遼寧大學(xué)學(xué)報(bào):自然科學(xué)版，2006,33(2):135-137.

Prediction of moisture content and color for vegetable soybeanduring drying process based on multiple model fusion

ZHAO Wei-yan,HUANG Min*,ZHU Qi-bing

(Key Laboratory of Advanced Process Control for Light Industry,Ministryof Education,Jiangnan University,Wuxi 214122,China)

Color and moisture content of vegetable soybean are two important parameters in determining quality of vegetable soybean. In this paper,a multiple model fusion method were proposed to improve the prediction accuracies for color and moisture content of soybean during the drying process. Four feature extraction methods,namely,mean value,entropy value,relative divergence and standard deviation features,were used for extracting features from hyperspectral image,and then four partial least squares regression(PLSR)sub-models for color and moisture content prediction were developed using each feature alone,the multiple models fusion method,which was weighted average over the prediction results from the four sub-models,finally was obtained to improve the prediction accuracies. Compared to PLSR sub-models,the multiple model fusion method achieved consistently better results,with improvements of 4.3% and 7.7% for color and moisture content prediction,respectively. The paired t-test for root-mean-square error of prediction at 5% level of significance showed that the multiple model fusion method was superior over the PLSR sub-models. Hence,this multiple model fusion method provided a simple and robust means for improving color and moisture content prediction of soybean during drying process.

dried soybean;multiple models fusion;Hyperspectral imaging technology;drying process

2014-05-27

趙偉彥(1986-)，男，碩士研究生，研究方向：高光譜圖像技術(shù)。

國(guó)家自然科學(xué)基金項(xiàng)目(61275155,61271384)；江蘇省自然科學(xué)基金項(xiàng)目(BK2011148)。

TS207.3

A

1002-0306(2015)05-0267-06

10.13386/j.issn1002-0306.2015.05.048

*通訊作者:黃敏(1974-)， 女，博士，教授，研究方向：農(nóng)產(chǎn)品無(wú)損檢測(cè)。