激光誘導(dǎo)熒光結(jié)合AdaBoost 算法的食用油分類

周孟然，趙晉級(jí)，王 煜，胡 鋒，來文豪，卞 凱

（1.安徽理工大學(xué) 電氣與信息工程學(xué)院，安徽 淮南 232000；2.南京四方億能電力自動(dòng)化有限公司，江蘇 南京 211111）

0 引言

隨著國民經(jīng)濟(jì)水平的提高，食用油在日常生活中發(fā)揮著不可替代的作用，快速、準(zhǔn)確地識(shí)別食用油的種類對(duì)于安全使用食用油具有重大意義。當(dāng)前食用油分類多以化學(xué)分析方法為主，例如氣相色譜法、液相色譜法、電子鼻法[1]等，這些傳統(tǒng)的方法存在分析速度慢和設(shè)備昂貴等缺點(diǎn)。一些研究者近些年常采用光譜法對(duì)食用油進(jìn)行識(shí)別，如傅里葉變換光譜法[2]、近紅外光譜法等，這些光譜方法相對(duì)于傳統(tǒng)的化學(xué)分析方法速度快，但分類準(zhǔn)確率卻不是很高。

基于以上提出的問題，文中提出一種激光誘導(dǎo)熒光（Laser Induced Fluorescence，LIF）技術(shù)和AdaBoost 算法結(jié)合的食用油快速、準(zhǔn)確識(shí)別方法。

激光誘導(dǎo)熒光光譜技術(shù)具有分析速度快、靈敏度好、準(zhǔn)確率高和抗干擾能力強(qiáng)等優(yōu)點(diǎn)[3]，在化工、醫(yī)療、生物和環(huán)境[4]等諸多領(lǐng)域中有廣泛的應(yīng)用[5?6]。文獻(xiàn)[7]根據(jù)LIF 技術(shù)快速性的特點(diǎn)，將LIF 技術(shù)用于礦井突水種類的檢測(cè)，文獻(xiàn)[8]將LIF 技術(shù)應(yīng)用于土壤中多環(huán)芳烴的檢測(cè)，文獻(xiàn)[9]將LIF 技術(shù)應(yīng)用于假酒的識(shí)別。文獻(xiàn)[10]將LIF 技術(shù)結(jié)合KNN 算法用于初榨橄欖油的定量分析，該文利用K?近鄰方法（KNN）對(duì)處理過的光譜數(shù)據(jù)建立模型，這種處理方法可以實(shí)現(xiàn)快速對(duì)初榨橄欖油的定量分析，但準(zhǔn)確率卻很低。

本文提出的AdaBoost?KNN 算法是在KNN 算法的基礎(chǔ)上進(jìn)行集成，集成之后的分類準(zhǔn)確率更高，泛化性能更好，且不需要對(duì)光譜數(shù)據(jù)截取、去噪和降維，節(jié)省了大量時(shí)間。AdaBoost 算法現(xiàn)已廣泛應(yīng)用于模式識(shí)別和圖像識(shí)別等諸多領(lǐng)域[11?13]，但目前，還未看到有文獻(xiàn)將AdaBoost 算法應(yīng)用于植物食用油的分類。

1 理 論

1.1 激光誘導(dǎo)熒光

本文將LIF 技術(shù)應(yīng)用于食用油的分類檢測(cè)，實(shí)驗(yàn)中使用的激光器為405 nm 藍(lán)紫光半導(dǎo)體激光器（北京華源拓達(dá)激光技術(shù)有限公司），USB2000+光譜儀（美國Ocean Optics）可以接收340～1020 nm 的激光，分辨率為2048。根據(jù)激光誘導(dǎo)熒光檢測(cè)的原理，搭建的激光誘導(dǎo)熒光檢測(cè)食用油模型如圖1 所示。

圖1 激光誘導(dǎo)熒光實(shí)驗(yàn)系統(tǒng)圖

1.2 算法描述

AdaBoost 算法的學(xué)習(xí)過程實(shí)質(zhì)是在不停學(xué)習(xí)中改變樣本的權(quán)值，直到學(xué)習(xí)的結(jié)果誤差為0 或者學(xué)習(xí)器個(gè)數(shù)達(dá)到預(yù)設(shè)值，然后把所有弱分類器學(xué)習(xí)的結(jié)果按權(quán)值綜合，輸出最終結(jié)果。算法流程如下：

輸入：訓(xùn)練數(shù)據(jù)集T=（{x1，y1），（x2，y2），…，（xn，yn）}，

其中，xi∈X，yi∈Y={1，2，3，…}，迭代次數(shù)為M。

1）初始化訓(xùn)練樣本的權(quán)值分布

2）對(duì)于m=1，2，…，M

①使用具有權(quán)值分布Dm的訓(xùn)練數(shù)據(jù)集進(jìn)行學(xué)習(xí)得到弱分類器Gm(x);

②計(jì)算Gm(x)在訓(xùn)練數(shù)據(jù)集上的分類誤差：

③計(jì)算Gm(x)在強(qiáng)分類器中所占的權(quán)重：

④更新訓(xùn)練數(shù)據(jù)集的權(quán)值分布：

式中zm為歸一化因子。

1.3 實(shí)驗(yàn)材料

本實(shí)驗(yàn)采用的實(shí)驗(yàn)材料為5 種植物食用油，分別命名為油樣A，B，C，D，E；5 種實(shí)驗(yàn)樣本的特性如表1 所示。為了盡可能減少環(huán)境因素對(duì)實(shí)驗(yàn)的影響，油樣的光譜采集在無光且溫度相對(duì)恒定的環(huán)境中進(jìn)行，實(shí)驗(yàn)中每種油樣采集150 組熒光光譜，即5 種油樣共采集750 組光譜數(shù)據(jù)。

原始熒光光譜圖如圖2 所示。

圖2 原始熒光光譜圖

由圖2 五種油樣的熒光光譜可知，不同油樣的熒光強(qiáng)度差異主要在400～600 nm 之間。圖3 為同一品牌不同食用油的熒光光譜。

圖3 同一品牌不同食用油的熒光光譜

表1 實(shí)驗(yàn)材料

2 結(jié)果分析

2.1 BP 神經(jīng)網(wǎng)絡(luò)建模

算法實(shí)現(xiàn)平臺(tái)為Matlab R2017b，BP 算法的學(xué)習(xí)率設(shè)置為0.1，目標(biāo)設(shè)置為0.00004，迭代次數(shù)設(shè)置為100，隨機(jī)選擇750 組光譜數(shù)據(jù)中的600 組作為訓(xùn)練集建模，然后通過測(cè)試集測(cè)試該模型的分類效果。為了減小實(shí)驗(yàn)誤差，實(shí)驗(yàn)100 次取平均值，手動(dòng)設(shè)置隱含層個(gè)數(shù)，不同隱含層個(gè)數(shù)下的分類準(zhǔn)確率如表2 所示。

表2 不同隱含層個(gè)數(shù)BP 分類準(zhǔn)確率 %

由表2 可以看出，當(dāng)隱含層個(gè)數(shù)增加時(shí)BP 算法對(duì)油樣光譜數(shù)據(jù)的分類效果有所提升，當(dāng)隱含層個(gè)數(shù)為5時(shí)，該模型對(duì)油樣光譜數(shù)據(jù)的分類準(zhǔn)確率最好可以達(dá)到92.69%。

2.2 AdaBoost?BP 算法建模

用AdaBoost?BP 對(duì)所有的光譜數(shù)據(jù)隨機(jī)選擇600 組作為訓(xùn)練集進(jìn)行建模，剩下的150 組作為測(cè)試集測(cè)試分類效果。首先初始化權(quán)重D，迭代次數(shù)T設(shè)置為100，模型訓(xùn)練過程中，誤差曲線如圖4 所示。

圖4 訓(xùn)練誤差曲線

由圖4 可知，AdaBoost 算法在油樣光譜識(shí)別中，訓(xùn)練誤差收斂速度很快，在訓(xùn)練迭代3 次之后訓(xùn)練誤差已經(jīng)降為0，表明由原始高維的油樣光譜數(shù)據(jù)訓(xùn)練好的AdaBoost 模型可以用于油樣激光誘導(dǎo)熒光光譜識(shí)別。AdaBoost 模型的測(cè)試結(jié)果的分類準(zhǔn)確率如表3 所示。

表3 不同隱含層個(gè)數(shù)AdaBoost?BP 的分類準(zhǔn)確率 %

由表3 可知，當(dāng)作為弱分類器BP 隱含層個(gè)數(shù)為5時(shí)，AdaBoost?BP 模型對(duì)訓(xùn)練集的分類準(zhǔn)確率為100%，對(duì)測(cè)試集的分類準(zhǔn)確率為97.14%。由圖5 可以明顯看出AdaBoost 算法對(duì)弱分類器的分類準(zhǔn)確率有很明顯的提升。

圖5 BP 算法與Adaboost?BP 算法準(zhǔn)確率

2.3 AdaBoost?tree 算法建模

初始化樣本權(quán)重D(x)，迭代次數(shù)T設(shè)置為100。通過結(jié)果分析可知，AdaBoost?tree 算法在迭代100 次之后對(duì)訓(xùn)練集的分類準(zhǔn)確率可以達(dá)到100%，對(duì)測(cè)試集的分類準(zhǔn)確率為98.89%。AdaBoost?Tree 分類器得到的訓(xùn)練周期上的替換損失如圖6 所示，AdaBoost?Tree 在訓(xùn)練周期上的泛化誤差如圖7 所示，由圖6 和圖7 可以看出替換損失在第4 周期時(shí)為0，不斷迭代100 次后泛化誤差為0.038，具有很強(qiáng)的泛化性能和穩(wěn)定性。

圖6 AdaBoost?Tree 在訓(xùn)練周期上的替換損失

2.4 AdaBoost?KNN 算法建模

為了得到更高的分類準(zhǔn)確率和更好的泛化性能，使用K?近鄰算法（KNN）作為新的弱分類器對(duì)光譜數(shù)據(jù)建模。使用AdaBoost?KNN 算法對(duì)隨機(jī)選擇的600 組光譜數(shù)據(jù)建模。初始化樣本權(quán)重D()x，迭代次數(shù)設(shè)置為T=100。AdaBoost?KNN 算法在迭代100 次之后對(duì)訓(xùn)練集和測(cè)試集的分類準(zhǔn)確率可以達(dá)到100%，AdaBoost?KNN 分類器得到的訓(xùn)練周期上的替換損失如圖8 所示，AdaBoost?KNN 在訓(xùn)練周期上的泛化誤差如圖7 所示。由圖8 可以看出，替換損失在第19 周期時(shí)為0，此時(shí)的泛化誤差也為0。AdaBoost?KNN 算法相比于AdaBoost?tree 算法分類準(zhǔn)確率由98.89%提高到100%，且泛化性能和穩(wěn)定性更好，更具有實(shí)際應(yīng)用價(jià)值。

圖7 AdaBoost?Tree 與AdaBoost?KNN在訓(xùn)練周期上的泛化誤差

圖8 AdaBoost?KNN 在訓(xùn)練周期上的替換損失

3 結(jié) 論

選取5 種食用油為實(shí)驗(yàn)對(duì)象，分別選取4 種算法針對(duì)油樣的激光誘導(dǎo)熒光光譜的分類進(jìn)行建模，先比較BP 與AdaBoost?BP 模型，得出AdaBoost 集成算法對(duì)弱分類器的分類準(zhǔn)確率有很明顯的提升。然后通過比較AdaBoost ? Tree 模 型 和AdaBoost ? KNN 模 型，得 到AdaBoost?KNN 模型對(duì)食用油光譜數(shù)據(jù)的分類效果最好。