基于主成分分析和改進支持向量機的豬肉品質(zhì)識別

張保霞

(內(nèi)蒙古農(nóng)業(yè)大學(xué)職業(yè)技術(shù)學(xué)院,內(nèi)蒙古 呼和浩特 014100)

隨著經(jīng)濟的發(fā)展和生活水平的不斷提高，消費者和豬肉深加工商對豬肉的嫩度、顏色、pH值、堅實度和持水力等品質(zhì)指標越來越重視，因此對豬肉品質(zhì)進行分類識別具有重要的理論價值和實際意義[1]。受遺傳因素、環(huán)境因素、體外因素和品種差異等的影響，豬肉有2種劣質(zhì)肉：黑干肉和白肌肉。目前，正常肉、黑干肉和白肌肉的識別主要有屠宰后人工感官識別和化學(xué)分析，前者需要專業(yè)評價人員，具有很強的主觀性，評價結(jié)果重復(fù)性差，大批量檢測時存在勞動強度大的缺點。后者操作步驟復(fù)雜繁瑣，破壞性大、對操作人員專業(yè)技術(shù)要求較高，不適合在線檢測。賈淵等[2]提出了一種基于豬肉數(shù)字圖像顏色特征和支持向量機的豬肉分級方法，分級準確率達96.5%。Juan等[3]提出了逐步回歸法和典型判別分析法判別豬肉類別，紅肉和白肉的判別正確率為85%，但是正常肉和紅肉的判別精度較低。Qiao等[4]搭建了400～1 000 nm的生鮮豬肉高光譜圖像采集系統(tǒng)，并分別運用聚類分析和前向神經(jīng)網(wǎng)絡(luò)進行分類，聚類分析正確率為75%～80%，前向神經(jīng)網(wǎng)絡(luò)的正確率為85%。Monroy等[5]運用逐步回歸法選取豬肉光譜數(shù)據(jù)的有效波段，采用5倍交叉驗證法和留一交叉驗證法分別建立豬肉分類模型，2種方法的豬肉分類正確率分別為79%，80%。為了提高豬肉品質(zhì)識別的精度，試驗擬針對全波段近紅外光譜數(shù)據(jù)的豬肉品質(zhì)快速識別存在光譜數(shù)據(jù)量大、計算復(fù)雜度高的缺點，運用主成分分析法(PCA)對豬肉近紅外光譜數(shù)據(jù)進行特征波長篩選；針對支持向量機(SVM)模型性能受懲罰參數(shù)C和核函數(shù)參數(shù)g的選擇影響，運用樽海鞘算法(SSA)[6]對SVM模型參數(shù)進行優(yōu)化選擇，提出一種基于PCA和SSA-SVM模型的豬肉品質(zhì)識別模型，以期為豬肉品質(zhì)分類識別提供依據(jù)。

1 數(shù)據(jù)采集系統(tǒng)

試驗樣品為生鮮豬肉，取樣為排酸24 h后的左胴體眼肌部位，每塊豬肉樣品的厚度為40 mm，去除結(jié)締組織和周邊脂肪，制成25 mm厚的樣品用于采集豬肉樣品的近紅外光譜數(shù)據(jù)。近紅外光譜數(shù)據(jù)采集系統(tǒng)(圖1)由AvaSpec-USB近紅外光譜儀、計算機、暗箱、光源、光纖及探頭、光源固定架、光譜采集軟件等組成。其中，光譜儀波長為350～1 150 nm，分辨率為0.6 nm，光譜采集軟件版本為AvaSoft7.4。

1. 暗箱 2. 光源固定架 3. 鹵素?zé)糁?4. 光纖及探頭 5. 試驗樣品 6. 樣品平板 7. 計算機 8. 光譜儀

2 試驗方法

2.1 SSA算法

2.1.1 種群初始化 SSA算法的種群規(guī)模為N，優(yōu)化變量維數(shù)為D，樽海鞘位置為X=[Xn1,Xn2,…,XnD]T，n=1,2,…,N，食物位置F=[F1,F2,…,FD]T，優(yōu)化變量上限為ub=[ub1,ub2,…,ubD]T、下限為lb=[lb1,lb2,…,lbD]T，因此，SSA算法的種群初始化為[7]：

XN×D=Rand(N,D)×(ub-lb)+lb，

(1)

式中：

XN×D——樽海鞘位置向量；

Rand(N,D)——N×D維的隨機向量。

2.1.2 更新領(lǐng)導(dǎo)者位置 算法中的領(lǐng)導(dǎo)者主要作用是引領(lǐng)整個樽海鞘群體的移動，主要目的是搜索食物。為了使得領(lǐng)導(dǎo)者位置更新具有更強的隨機性，領(lǐng)導(dǎo)者按式(2)進行位置更新：

(2)

式中：

ubd,lbd——領(lǐng)導(dǎo)者個體在d維上的優(yōu)化變量的上限和下限；

c1、c2——[0,1]的隨機數(shù)；

c3——搜索平衡因子，可以有效增強領(lǐng)導(dǎo)者的隨機性和多樣性，主要用于平衡SSA算法的全局搜索和局部搜索能力。

收斂因子按式(3)進行計算：

c1=2e-(4t/Tmax)2，

(3)

式中：

c1——收斂因子；

t——當前迭代次數(shù)；

Tmax——最大迭代次數(shù)。

2.1.3 更新追隨者位置 由文獻[8]可知，在SSA算法中，追隨者的位置與追隨者的初始位置、速度以及加速度密切相關(guān)，追隨者的位置按牛頓運動方程進行更新：

(4)

(5)

(6)

式中：

v0——追隨者的初始速度，m/s；

a——追隨者的加速度，m2/s；

ta——追隨者的迭代步長；

R——追隨者的運動距離，m；

2.2 SVM模型

對于訓(xùn)練向量(xi,yi)，引入松弛變量的SVM模型為[9]：

(7)

式中：

C——懲罰參數(shù)；

w——權(quán)值向量；

ε——不敏感損失因子。

引入拉格朗日乘子可以將SVM轉(zhuǎn)化為對偶問題的求解：

(8)

式中：

K(xi,xj) ——核函數(shù)；

文中選擇RBF核函數(shù)，其數(shù)學(xué)公式為：

(9)

式中：

g——核函數(shù)參數(shù)。

求解式(8)可以得到SVM分類模型為：

(10)

式中：

b——超平面偏差。

2.3 主成分分析(PCA)

主成分分析可以提取數(shù)據(jù)的主要特征信息，剔除數(shù)據(jù)中的冗余信息，盡量用最少的信息反映原始數(shù)據(jù)的主要信息，提高數(shù)據(jù)挖掘效率[10-11]。文中選擇PCA對豬肉近紅外光譜數(shù)據(jù)進行特征波段選擇。

對于m×n維數(shù)據(jù)樣本XF：

(11)

(1) 數(shù)據(jù)標準化：如式(12)所示。

(12)

式中：

(2) 建立協(xié)方差矩陣E，計算特征值L和特征向量A。

(13)

EA=AL。

(14)

(3) 確定主元數(shù)，計算主成分貢獻率和累計貢獻率。

主成分貢獻率：

(15)

累計貢獻率：

(16)

2.4 豬肉品質(zhì)識別模型

為提高SVM模型進行豬肉品質(zhì)識別的精度，針對SVM模型性能受懲罰參數(shù)C和核函數(shù)參數(shù)g的選擇影響，運用SSA算法對SVM模型參數(shù)進行優(yōu)化選擇，提出一種基于PCA和SSA-SVM模型的豬肉品質(zhì)識別模型，其識別流程如圖2所示。

圖2 基于SSA-SVM的豬肉品質(zhì)識別算法流程圖

采集豬肉近紅外光譜數(shù)據(jù)，進行預(yù)處理和光譜校正；運用PCA對近紅外光譜數(shù)據(jù)進行特征波長選擇；將近紅外光譜數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集，基于PCA篩選的特征波長光譜數(shù)據(jù)，針對訓(xùn)練數(shù)據(jù)集，運用SSA方法對SVM模型的參數(shù)組合(C，g)進行優(yōu)化，建立SSA-SVM豬肉品質(zhì)識別模型；最后，將SSA尋優(yōu)獲取的最佳參數(shù)組合(C，g)代入SVM模型進行測試?；赟SA-SVM模型的豬肉品質(zhì)識別算法步驟為：

(1) 讀取豬肉近紅外光譜數(shù)據(jù)，進行光譜數(shù)據(jù)預(yù)處理和光譜校正并歸一化處理，運用PCA對近紅外光譜數(shù)據(jù)進行特征波長篩選，劃分訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)[12-13]：

(17)

式中：

XF、XFnew——原始近紅外光譜數(shù)據(jù)和歸一化處理后的近紅外光譜數(shù)據(jù)；

LB、UB——歸一化處理后近紅外光譜數(shù)據(jù)的最小值和最大值，文中取LB=-1,UB=1；

XFmax、XFmin——原始近紅外光譜數(shù)據(jù)中的最大值和最小值。

(2) 種群初始化。設(shè)定最大迭代次數(shù)Tmax、種群規(guī)模N，按式(1)初始化樽海鞘種群。

(3) 計算適應(yīng)度。針對訓(xùn)練數(shù)據(jù)，將訓(xùn)練數(shù)據(jù)代入SVM模型，按式(18)計算每個樽海鞘個體的適應(yīng)度。

(18)

式中：

ACC——K折交叉驗證的平均準確度；

acck——第k折計算的準確度。

(4) 選定領(lǐng)導(dǎo)者、追隨者和食物。計算適應(yīng)度大小，將適應(yīng)度最優(yōu)的樽海鞘位置設(shè)定為當前食物位置；剩下的N-1個樽海鞘，將排在前一半的樽海鞘作為領(lǐng)導(dǎo)者，剩下的作為追隨者。

(5) 更新領(lǐng)導(dǎo)者位置和追隨者位置。

(6) 計算更新后的樽海鞘個體適應(yīng)度fs。比較fs與當前食物的適應(yīng)度ffood，如果fs>ffood，則將fs所對應(yīng)的樽海鞘位置作為新的食物位置。

(7) 重復(fù)步驟(3)～(6)，如果t>Tmax，輸出最優(yōu)食物位置，最優(yōu)食物位置所對應(yīng)的結(jié)果即為SVM模型的最優(yōu)參數(shù)組合(C*,g*)。將最優(yōu)參數(shù)組合(C*,g*)代入SVM模型進行豬肉品質(zhì)識別。

3 結(jié)果與分析

3.1 數(shù)據(jù)預(yù)處理

豬肉原始光譜曲線如圖3所示，變量標準化和歸一化預(yù)處理后的豬肉光譜曲線如圖4所示，共129個樣本，其中白肌肉、正常肉和黑干肉分別為39，39，51個。

圖3 原始光譜曲線

圖4 標準化和歸一化后的光譜曲線

3.2 PCA篩選特征波長

運用PCA篩選豬肉光譜數(shù)據(jù)的特征波長，不同主成分數(shù)進行訓(xùn)練時，正確率和均方根誤差與主成分數(shù)的關(guān)系如圖5所示。由圖5可知，當主成分數(shù)為13時，豬肉品質(zhì)識別正確率最高，其特征波長選擇結(jié)果如圖6所示。PCA特征波長篩選結(jié)果為371，388，425，456，473，562，578，607，696，764，772，813，927 nm。

圖5 主成分數(shù)與正確率和均方根誤差之間的關(guān)系曲線

圖6 PCA特征波長選擇結(jié)果

3.3 不同模型對比

將SSA-SVM與基于灰狼算法(GWO)優(yōu)化SVM(GWO-SVM)[14]、基于粒子群算法優(yōu)化SVM(PSO-SVM)[15-16]、基于網(wǎng)格搜索方法[17-18]優(yōu)化SVM(Grid-SVM)和SVM進行對比。將129個豬肉樣本數(shù)據(jù)按2∶1劃分為訓(xùn)練集和測試集。其中，訓(xùn)練集中白肌肉、正常肉和黑干肉分別為26，34，26個，測試集中白肌肉、正常肉和黑干肉分別為13，17，13個。訓(xùn)練集主要用于建立SVM豬肉品質(zhì)識別模型；測試集主要用于驗證SVM豬肉品質(zhì)識別模型的效果。算法參數(shù)設(shè)置：① SSA算法：種群規(guī)模N=20、最大迭代次數(shù)Tmax=200；② PSO算法[19]：種群規(guī)模N=20、最大迭代次數(shù)Tmax=200、慣性權(quán)重w=0.2、學(xué)習(xí)因子c1=c2=2；③ GWO算法：種群規(guī)模N=20、最大迭代次數(shù)Tmax=200；④ SVM模型：懲罰參數(shù)C∈(0,100]、核函數(shù)參數(shù)g∈(0,100]。為了避免SVM模型陷入“過擬合”，采用10折交叉驗證方法，得到SSA-SVM模型的最優(yōu)懲罰參數(shù)C=4.939，核函數(shù)參數(shù)g=2.171 4，SSA-SVM的適應(yīng)度曲線如圖7所示。不同算法豬肉品質(zhì)識別結(jié)果如表1所示。

圖7 SSA-SVM的適應(yīng)度曲線

由表1可知，在訓(xùn)練集和測試集上，SSA-SVM模型的豬肉品質(zhì)識別正確率最高。訓(xùn)練集上，白肌肉、正常肉和黑干肉識別的正確率分別為96.15%，97.06%，96.15%；測試集上，白肌肉、正常肉和黑干肉識別的正確率分別為100.00%，94.11%，92.31%，優(yōu)于GWO-SVM模型、PSO-SVM模型、Grid-SVM模型以及SVM模型。通過SSA、PSO和Grid優(yōu)化SVM模型，豬肉品質(zhì)識別的正確率均大幅度提高，主要是SVM模型的參數(shù)得到了優(yōu)化配置。

表1 不同算法豬肉品質(zhì)識別結(jié)果

4 結(jié)論

為了提高豬肉品質(zhì)識別精度，提出了一種基于主成分分析和樽海鞘算法優(yōu)化支持向量機的豬肉品質(zhì)識別模型。結(jié)果表明，與基于灰狼算法優(yōu)化支持向量機、基于粒子群算法優(yōu)化支持向量機、基于網(wǎng)格搜索方法優(yōu)化支持向量機和支持向量機相比，基于樽海鞘算法優(yōu)化支持向量機可以有效提高豬肉品質(zhì)識別正確率。由于標準的樽海鞘算法容易陷入“早熟”問題，因此支持向量機模型參數(shù)尋優(yōu)時存在局部最優(yōu)，影響豬肉品質(zhì)識別精度。后續(xù)將研究改進的樽海鞘算法優(yōu)化支持向量機的豬肉品質(zhì)識別模型，提高豬肉品質(zhì)識別模型的精度和適用性。