基于深度學(xué)習(xí)的高光譜臘肉營(yíng)養(yǎng)安全分級(jí)

肖洪兵，郭培源，王 瑜

（1 北京工商大學(xué)人工智能學(xué)院 北京 100048 2 北京工商大學(xué) 食品安全大數(shù)據(jù)技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室 北京 100048）

傳統(tǒng)臘肉制品因獨(dú)特的熏制風(fēng)味而深受消費(fèi)者喜愛。臘肉雖美味可口，但由于我國(guó)臘肉健康營(yíng)養(yǎng)體系不健全，尤其是原料肉的來源、生產(chǎn)條件和安全控制技術(shù)等方面存在問題，因此導(dǎo)致近幾年臘肉的品質(zhì)與安全問題日趨突出。例如，過氧化值和酸價(jià)過高，亞硝酸鹽殘留，揮發(fā)性鹽基氮（TVBN）含量過高，氧化程度TBA 嚴(yán)重，菌落總數(shù)超標(biāo)，蛋白質(zhì)和脂肪水解及氧化等品質(zhì)問題。這些品質(zhì)指標(biāo)的低下會(huì)導(dǎo)致人體動(dòng)脈粥樣硬化，組織缺氧，甚至中毒、致癌等諸多問題，威脅著消費(fèi)者的健康[1]。當(dāng)臘肉因微生物污染而變質(zhì)或因自身酶分解作用而發(fā)酵時(shí)，其內(nèi)在物理結(jié)構(gòu)、成分組成信息以及外在特征信息會(huì)發(fā)生改變。過氧化值、酸價(jià)是目前臘肉國(guó)家標(biāo)準(zhǔn)評(píng)價(jià)臘肉香腸安全的主要理化指標(biāo)。傳統(tǒng)的常規(guī)微生物腐敗檢測(cè)方法都具有一定的破壞性，且耗時(shí)，難以滿足工業(yè)需求，目前還沒有一種技術(shù)可以快速、無損、準(zhǔn)確地檢出臘肉細(xì)菌性腐敗導(dǎo)致的品質(zhì)下降；而采用高光譜成像技術(shù)有望攻克這一難題，進(jìn)而實(shí)現(xiàn)肉類中的營(yíng)養(yǎng)品質(zhì)檢測(cè)和健康風(fēng)險(xiǎn)評(píng)估[2]。高光譜圖像包含豐富的光譜和空間（圖像）信息，利用這些信息是獲得準(zhǔn)確分類結(jié)果的前提[3]。高光譜圖像分類的難點(diǎn)在于與傳統(tǒng)的圖像特征提取方法相比，高光譜成像數(shù)據(jù)具有高維、難獲取和空間變異性等特點(diǎn)。隨著機(jī)器學(xué)習(xí)的發(fā)展，許多方法被應(yīng)用到高光譜圖像數(shù)據(jù)處理中。支持向量機(jī)（SVM）[4]在小樣本、非線性和高維特征的數(shù)據(jù)應(yīng)用方面取得一定進(jìn)展。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)分支，可實(shí)現(xiàn)性能優(yōu)良的圖像特征提取，特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN），作為一個(gè)成功的視覺任務(wù)模型，在人臉識(shí)別、目標(biāo)探測(cè)和跟蹤等領(lǐng)域取得前所未有的成就，可以通過網(wǎng)絡(luò)實(shí)現(xiàn)圖像的深度特征提取[5]。然而，高光譜深度學(xué)習(xí)在食品領(lǐng)域的研究?jī)H停留在對(duì)光譜或圖像的研究上，尚未真正實(shí)現(xiàn)“光譜與圖像集成”。

近幾年國(guó)內(nèi)外文獻(xiàn)報(bào)道了一些新的研究方法。文獻(xiàn)[6]通過高光譜技術(shù)，分析了生鮮肉中肌內(nèi)水分含量分布，以及持水性與肉的品質(zhì)和風(fēng)味的關(guān)系，研究了脂肪及脂肪酸組成直接影響肉的嫩度和多汁性。Barbin 等[7]應(yīng)用近紅外900～1 700 nm區(qū)域的高光譜成像系統(tǒng)，獲取豬肉表面的光譜信息，經(jīng)多元散射校正處理后，建立了豬肉顏色參數(shù)、pH 值、滴水損失預(yù)測(cè)模型。Chao 等[8]將高光譜技術(shù)應(yīng)用于豬肉等級(jí)劃分，結(jié)合主成分分析法對(duì)特征波長(zhǎng)進(jìn)行建模分析，最后得到的分級(jí)準(zhǔn)確率達(dá)96%。文獻(xiàn)[9]利用高光譜900～1 700 nm 波段，根據(jù)雞蛋中n-3 多不飽和脂肪酸含量，對(duì)雞蛋進(jìn)行分級(jí)及含量預(yù)測(cè)，對(duì)兩種DHA 含量雞蛋的判別正確率達(dá)100%。Elmasry 等[10]利用高光譜，對(duì)禽類產(chǎn)品雞皮膚腫瘤和胴體表面污染物進(jìn)行無損檢測(cè)。

國(guó)內(nèi)外研究表明，雖然一些技術(shù)在鮮肉、果蔬等無損檢測(cè)技術(shù)方面取得進(jìn)展，但是臘肉等的品質(zhì)檢測(cè)與風(fēng)險(xiǎn)評(píng)估的理論與方法還存在許多問題。本文以臘肉的高光譜成像為研究對(duì)象，利用CNN 結(jié)合SVM 的算法，優(yōu)勢(shì)互補(bǔ)，實(shí)現(xiàn)深度提取特征與傳統(tǒng)機(jī)器學(xué)習(xí)提取特征的巧妙結(jié)合[11-12]，基于臘肉的高光譜圖像信息（或空間信息）與光譜信息，開展融合高光譜的圖、譜特征信息的臘肉營(yíng)養(yǎng)健康風(fēng)險(xiǎn)研究。

1 研究方法

本試驗(yàn)采用德國(guó)GaiaSorter 高光譜分選儀系統(tǒng)，該系統(tǒng)主要包括高光譜成像儀，CCD 相機(jī)、光源、暗箱、計(jì)算機(jī)等。其技術(shù)參數(shù)為：光譜掃描范圍350～1000 nm，光譜分辨率1.8 nm，采樣間隔0.9 nm，測(cè)定速度為每個(gè)樣品小于0.5 min，快速準(zhǔn)確，不需要任何化學(xué)試劑及特殊的樣品準(zhǔn)備，可檢測(cè)生肉及熟肉產(chǎn)品。試驗(yàn)前，將臘肉的每個(gè)樣品平均分為2 份，1 份用作生化值的測(cè)定，另1 份用作高光譜數(shù)據(jù)的掃描。將分割好的臘肉放置于水平移動(dòng)平臺(tái)上，在采集光譜時(shí)，需要保持周圍環(huán)境的穩(wěn)定性，用鎢燈去照射樣品。通過水平臺(tái)的自動(dòng)移動(dòng)，完成光譜的采集。

以國(guó)家生化檢測(cè)標(biāo)準(zhǔn)的組分含量特征信息為基準(zhǔn)，利用高光譜的圖、譜識(shí)別技術(shù)，研究臘肉的內(nèi)在結(jié)構(gòu)與外在特征信息，對(duì)其進(jìn)行營(yíng)養(yǎng)品質(zhì)檢測(cè)及健康風(fēng)險(xiǎn)評(píng)估。通過提取同一臘肉檢測(cè)對(duì)象不同品質(zhì)指標(biāo)呈現(xiàn)的不同光譜分布特征，對(duì)所測(cè)臘肉的關(guān)鍵營(yíng)養(yǎng)品質(zhì)進(jìn)行預(yù)測(cè)；并通過高光譜圖像不同波段具有的圖像特征信息建立優(yōu)化檢驗(yàn)?zāi)Ｐ?，?duì)臘肉的健康風(fēng)險(xiǎn)進(jìn)行評(píng)估；最后以國(guó)家生化檢測(cè)標(biāo)準(zhǔn)含量特征信息值為參考，在人工智能多數(shù)據(jù)融合的基礎(chǔ)上，快速確定被測(cè)臘肉的健康風(fēng)險(xiǎn)等級(jí)，為消費(fèi)者提供安全營(yíng)養(yǎng)的食用臘肉保障。

本文提出的方法主要分兩個(gè)部分，結(jié)構(gòu)框架如圖1所示，分別提取空間（圖像）信息和光譜信息。高光譜圖像信息利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）自動(dòng)提取空間相關(guān)深度特征[13-15]；光譜信息經(jīng)過預(yù)處理和主成分分析法（PCA）得到光譜特征；然后將光譜特征與空間深度特征整合，輸入SVM 進(jìn)行訓(xùn)練預(yù)測(cè)，得到分類結(jié)果。既通過PCA 等提取的特征增強(qiáng)了圖像的判別信息，減小了冗余信息；同時(shí)，又利用CNN 網(wǎng)絡(luò)挖掘內(nèi)部復(fù)雜結(jié)構(gòu)特征的長(zhǎng)處，加快模型訓(xùn)練的收斂速度，并降低對(duì)訓(xùn)練數(shù)據(jù)的需求，提高了模型性能[16-17]。因而，本分類方法能夠充分挖掘出樣本特征的泛化能力、可靠性，有效解決小樣本問題帶來的弊端，并利于正確分類。

圖1 系統(tǒng)組成Fig.1 System composition

2 結(jié)果與分析

2.1 臘肉的光譜特征

圖2是60 個(gè)臘肉樣本的平均光譜數(shù)據(jù)圖?？梢钥闯霾煌D肉樣品的光譜圖變化趨勢(shì)大致相近，然而吸光度存在一定差異，這種差異是由于臘肉內(nèi)部的物質(zhì)成分或品質(zhì)（如過氧化值、酸價(jià)、菌落信息）引起的。試驗(yàn)結(jié)果表明利用高光譜研究臘肉的營(yíng)養(yǎng)品質(zhì)是可行的。

圖2 臘肉樣品平均光譜圖Fig.2 Spectrum of mean bacon samples

2.2 SVM 臘肉品質(zhì)檢測(cè)二分類模型

針對(duì)待檢測(cè)的未知臘肉樣本，從高光譜數(shù)據(jù)的光譜維和圖像維綜合判斷臘肉的品質(zhì)，在光譜維中采集臘肉的酸價(jià)和過氧化值指標(biāo)，在圖像維參考圖像顏色特征值和微生物菌落信息，通過模型預(yù)測(cè)仿真以及測(cè)定，最終將每項(xiàng)指標(biāo)輸入到SVM 支持向量機(jī)分類預(yù)測(cè)模型中，通過檢驗(yàn)，結(jié)果精度要求不足的情況下，可進(jìn)行參數(shù)調(diào)優(yōu)。將高光譜技術(shù)采集到的酸價(jià)、過氧化值、菌落信息等數(shù)據(jù)作為特征量輸入SVM 支持向量機(jī)進(jìn)行預(yù)測(cè)分類，可建立初步的臘肉食品營(yíng)養(yǎng)品質(zhì)識(shí)別模型，對(duì)臘肉品質(zhì)進(jìn)行快速識(shí)別。分類預(yù)測(cè)模型結(jié)構(gòu)如圖3所示。通過生化試驗(yàn)得到臘肉主要檢測(cè)指標(biāo)的標(biāo)準(zhǔn)值，包括脂肪降解指標(biāo)酸價(jià)和過氧化值、圖像顏色值、微生物菌落總數(shù)；利用高光譜檢測(cè)技術(shù)測(cè)量臘肉的酸價(jià)、過氧化值，通過主成分分析算法進(jìn)行波段選取，建立定量分析模型，經(jīng)過預(yù)處理和波段選擇后，模型的酸價(jià)、過氧化值的預(yù)測(cè)均方根誤差大大減小，所用波段維度大大降低，不僅減少了計(jì)算所用的時(shí)間，同時(shí)也提高了檢測(cè)精度；利用上述生化試驗(yàn)與光譜分析得到的數(shù)值作為網(wǎng)絡(luò)輸入，將臘肉的品質(zhì)評(píng)價(jià)標(biāo)準(zhǔn)在國(guó)標(biāo)的基礎(chǔ)之上分為可食用與不可食用兩類。

圖3 二分類預(yù)測(cè)模型結(jié)構(gòu)圖Fig.3 Structure diagram of two-classification prediction model

2.3 CNN 特征提取

CNN 網(wǎng)絡(luò)可以根據(jù)任務(wù)類型，適當(dāng)快速地自學(xué)習(xí)，針對(duì)任務(wù)類型的固有特征，而不是人工提取、篩選的一些特征對(duì)任務(wù)進(jìn)行研究。而且，CNN 可以提取圖像的多層次、多尺度特征，不同層提取到了不同的特征，例如：像素特征、邊緣直線特征、直線特征的線性組合、復(fù)雜的輪廓特征、深度特征，對(duì)于特定的任務(wù)、特定的類型學(xué)習(xí)特定的特征，對(duì)于模型的泛化能力有顯著的提升。同時(shí)，CNN 學(xué)習(xí)的特征更容易可視化和理解。卷積網(wǎng)絡(luò)學(xué)習(xí)到的特征不需要人為干預(yù)，使得網(wǎng)絡(luò)學(xué)習(xí)到的特征更能代表樣本的特征。臘肉的CNN 網(wǎng)絡(luò)可視化特征如圖4所示。

從圖4可以看出，CNN 網(wǎng)絡(luò)在提取特征的過程中，上層的特征比下層的特征抽象，由于抽象的特征是通過網(wǎng)絡(luò)的任務(wù)類型學(xué)習(xí)到的，因此，CNN 在圖像特征提取領(lǐng)域要比其它傳統(tǒng)特征提取網(wǎng)絡(luò)的表現(xiàn)更好。

圖4 特征可視化圖Fig.4 Features visualization

2.4 多分類器設(shè)計(jì)

分類器設(shè)計(jì)的好壞，將直接影響最終的分類結(jié)果。為了實(shí)現(xiàn)更精細(xì)的臘肉食用風(fēng)險(xiǎn)分級(jí)，需要在SVM 二分類模型的基礎(chǔ)上實(shí)現(xiàn)多分類。多分類器設(shè)計(jì)是健康風(fēng)險(xiǎn)評(píng)估的最后一個(gè)環(huán)節(jié)，也是至關(guān)重要的環(huán)節(jié)。本項(xiàng)目采用了三維CNN-SVM 模型，該模型的設(shè)計(jì)基于如下幾點(diǎn)考慮：

1） 混合模型通過結(jié)合CNN 和SVM 的優(yōu)點(diǎn)來彌補(bǔ)其各自的缺點(diǎn)，因此該模型結(jié)果優(yōu)于任何一種單一分類器。

2） CNN 的學(xué)習(xí)方法基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化，即通過訓(xùn)練使分類錯(cuò)誤最小化。當(dāng)通過反向傳播算法找到第一個(gè)分類超平面時(shí)，無論是局部還是全局最小值，訓(xùn)練過程都會(huì)停止，算法不會(huì)繼續(xù)優(yōu)化分類超平面，容易陷于局部最小值，因此泛化能力低于SVM。

3） SVM 基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，即將訓(xùn)練集數(shù)據(jù)泛化誤差最小化，通過求解二次規(guī)劃問題，使不同類別樣本之間的邊緣最大，得到的分割超平面是全局最優(yōu)解，能夠有效避免陷入局部最優(yōu)解。替換CNN 的輸出層后，由于SVM 的泛化能力很高，分類準(zhǔn)確率得到了進(jìn)一步提高。卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入圖像進(jìn)行卷積和下采樣計(jì)算，可自動(dòng)提取出具有很高代表性的圖像特征。且由于CNN 在特征圖上采用權(quán)重共享技術(shù)，在一定程度上，當(dāng)輸入圖像有少許形狀失真時(shí)，這些特征是不變的。CNN 方法避免大量的人工參與，能夠提取出比傳統(tǒng)方法更顯著的特征，這正是CNN 與SVM 結(jié)合的獨(dú)特優(yōu)勢(shì)所在。

4） 試驗(yàn)對(duì)比發(fā)現(xiàn)，三維卷積神經(jīng)網(wǎng)絡(luò)的分類性能遠(yuǎn)遠(yuǎn)優(yōu)于二維卷積神經(jīng)網(wǎng)絡(luò)，說明在用二維卷積神經(jīng)網(wǎng)絡(luò)提取特征時(shí)，會(huì)削弱圖片數(shù)據(jù)中的關(guān)鍵特征，丟失大量可供學(xué)習(xí)、訓(xùn)練的有用信息。而三維卷積神經(jīng)網(wǎng)絡(luò)比二維神經(jīng)網(wǎng)絡(luò)在深度上多出了一維，將連續(xù)波段的圖像堆疊起來，在形成的立方體內(nèi)進(jìn)行卷積等一系列特征提取操作，更有利于抓取圖片在第三維度上的相關(guān)信息。就高光譜圖像而言，本身就具備三維圖像的特性，在圖像的基礎(chǔ)上增加了光譜的波段維度，因而3D-CNN在三維立體圖像的分類識(shí)別上有很強(qiáng)的優(yōu)越性，極大的提高了識(shí)別準(zhǔn)確率。

CNN-SVM 的多分類器方案如圖5所示。臘肉經(jīng)過預(yù)處理后，將傳統(tǒng)機(jī)器學(xué)習(xí)算法所提取的光譜有效特征與經(jīng)過深度學(xué)習(xí)模型（3D-CNN）提取的圖像特征通過SVM 融合，最終輸出四分類結(jié)果。

圖5 CNN-SVM 多分類器Fig.5 CNN-SVM multiple classifier

2.5 融合圖譜特征的營(yíng)養(yǎng)品質(zhì)與健康風(fēng)險(xiǎn)綜合評(píng)估模型

按照上述步驟，將高光譜的光譜模型檢測(cè)結(jié)果與圖像特征提取模型的輸出結(jié)果，通過多數(shù)據(jù)融合算法，建立一個(gè)綜合的臘肉品質(zhì)的檢測(cè)和評(píng)估模型。接下來，通過量化的方法，實(shí)現(xiàn)對(duì)臘肉品質(zhì)的快速檢測(cè)和評(píng)價(jià)。

2.5.1 風(fēng)險(xiǎn)模型分級(jí)過程 根據(jù)消費(fèi)者的實(shí)際需要和人們對(duì)美好生活的新要求，在前面兩分類的基礎(chǔ)上，建議將臘肉的營(yíng)養(yǎng)品質(zhì)和健康風(fēng)險(xiǎn)評(píng)估等級(jí)設(shè)為四級(jí)，為此網(wǎng)絡(luò)的輸出單元數(shù)目為4，即輸出的結(jié)果為四級(jí)健康風(fēng)險(xiǎn)分類：安全營(yíng)養(yǎng)、安全不營(yíng)養(yǎng)、不安全、危險(xiǎn)。

在實(shí)驗(yàn)室試驗(yàn)過程中，依據(jù)國(guó)標(biāo)和食品營(yíng)養(yǎng)安全需求，按照樣本的實(shí)際情況，根據(jù)生化試驗(yàn)結(jié)果，對(duì)臘肉品質(zhì)參照表1所示的各項(xiàng)指標(biāo)，可進(jìn)行相應(yīng)等級(jí)的簡(jiǎn)單劃分。例如：國(guó)標(biāo)規(guī)定中臘肉過氧化值含量應(yīng)≤0.5 g/100 g，超過此值時(shí)即為超標(biāo)。

表1 依據(jù)生化指標(biāo)的臘肉品質(zhì)等級(jí)劃分Table 1 Classification of bacon quality according to biochemical indexes

為了進(jìn)一步量化和精細(xì)劃分，科學(xué)的風(fēng)險(xiǎn)分級(jí)確定和計(jì)算需經(jīng)過3 個(gè)環(huán)節(jié)：確定風(fēng)險(xiǎn)權(quán)重系數(shù)→計(jì)算風(fēng)險(xiǎn)值→風(fēng)險(xiǎn)分級(jí)。這一確定的分級(jí)結(jié)果可用于驗(yàn)證臘肉健康風(fēng)險(xiǎn)分級(jí)評(píng)價(jià)模型的結(jié)果是否正確。其中，風(fēng)險(xiǎn)值（Risk）的計(jì)算方法如式（1）所示。

式中，Risk——風(fēng)險(xiǎn)值；i——風(fēng)險(xiǎn)因素，i=0，1，…，n；pi——各風(fēng)險(xiǎn)因素發(fā)生的概率，pi=0 或1；Ri——各風(fēng)險(xiǎn)的權(quán)重系數(shù)。

為此，建議臘肉營(yíng)養(yǎng)品質(zhì)與健康風(fēng)險(xiǎn)分級(jí)如表2所示。

表2 臘肉營(yíng)養(yǎng)品質(zhì)與健康風(fēng)險(xiǎn)分級(jí)表Table 2 Bacon nutritional quality and health risk rating scale

2.5.2 模型結(jié)構(gòu)的確定及驗(yàn)證 將反映臘肉品質(zhì)內(nèi)在特征的光譜特征信息與反映臘肉品質(zhì)外在特征的圖像信息作為深度學(xué)習(xí)融合算法的輸入，能實(shí)現(xiàn)融合圖譜特征的健康風(fēng)險(xiǎn)綜合評(píng)估模型。具體步驟如下：

1） 利用三維CNN 算法建立了基于高光譜圖像信息的臘肉營(yíng)養(yǎng)品質(zhì)檢測(cè)和風(fēng)險(xiǎn)評(píng)估模型。通過256 個(gè)波段的高光譜圖像作為CNN 模型的輸入，經(jīng)過特征提取層提取了關(guān)鍵的圖像信息，并在輸出層得到了預(yù)期的分類結(jié)果。如圖6所示。將臘肉的高光譜數(shù)據(jù)中全部高光譜圖像作為數(shù)據(jù)源，即每個(gè)樣本有256 幅高光譜圖像，每一幅圖像寬和高都是66，則網(wǎng)絡(luò)輸入的尺寸為256×66×66×1，即尺寸為66×66、深度為1、維數(shù)為256 的三維數(shù)據(jù)。將臘肉的品質(zhì)分為4 類，所以網(wǎng)絡(luò)的輸出單元同樣有4 個(gè)。模型的特征提取層一共有3 個(gè)三維卷積層和三維池化層的組合。首先確定池化層，選擇最大池化，核尺寸均為2×2×2，步長(zhǎng)均為2，相當(dāng)于將特征圖壓縮為原來的1/8；在池化層參數(shù)固定的前提下，將卷積步長(zhǎng)設(shè)置為1 并不使用0 填充時(shí)，根據(jù)網(wǎng)絡(luò)輸入的數(shù)據(jù)尺寸，3 個(gè)卷積層的核尺寸為：9×3×3，9×5×5，9×5×5，各層核數(shù)量根據(jù)經(jīng)驗(yàn)設(shè)置；最后，特征提取層的輸出結(jié)果為270 張尺寸為25×5×5 的特征圖。

圖6 臘肉營(yíng)養(yǎng)品質(zhì)CNN 網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.6 CNN structure diagram of bacon nutritional quality

由于從圖像特征提取層得到的圖像特征，其特征值的數(shù)量會(huì)很大，往往遠(yuǎn)大于光譜特征值的數(shù)量，因此在本層首先要對(duì)圖像特征進(jìn)行壓縮。在壓縮過程中，考慮到光譜數(shù)據(jù)所包含的有效信息遠(yuǎn)大于圖像數(shù)據(jù)，圖像特征值的個(gè)數(shù)應(yīng)小于光譜特征值的個(gè)數(shù)；然后，將光譜特征和壓縮后的圖像特征融合起來，組成聯(lián)合的高光譜特征，作為特征融合層的輸出接入到全連接層，最后由輸出層可得出結(jié)果。

2） 通過CNN-SVM 結(jié)構(gòu)實(shí)現(xiàn)多數(shù)據(jù)融合的評(píng)估。具體地，本項(xiàng)目所構(gòu)建的混合CNN-SVM 模型使用SVM 分類器代替CNN 模型的輸出層。一般來講，CNN 結(jié)構(gòu)中最后一層是輸出單元，輸出對(duì)樣本數(shù)據(jù)分類的邊界概率，這個(gè)概率是根據(jù)前一隱藏層的輸出與網(wǎng)絡(luò)權(quán)重和偏置項(xiàng)的線性組合來計(jì)算的，邊界概率最大的那一類即為樣本的最終類別。這里使用SVM 替換CNN 的輸出層，將CNN全連接層的輸出作為提取出的深度圖像特征，連同傳統(tǒng)機(jī)器學(xué)習(xí)提取的特征，構(gòu)成特征矩陣輸入SVM 進(jìn)行分類，按照庫的4 種類型，輸出反映臘肉品質(zhì)的四分類結(jié)果。

基于建立好的CNN-SVM 模型，隨機(jī)從樣本中抽取40 組已知等級(jí)的臘肉數(shù)據(jù)，每個(gè)等級(jí)抽取10 個(gè)樣本，輸入SVM 模型中進(jìn)行分類預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖7所示。

圖7中很清晰的看出模型把樣本分成4 類，結(jié)果顯示，出現(xiàn)3 個(gè)誤差點(diǎn)，總體預(yù)測(cè)準(zhǔn)確度為92.5%。試驗(yàn)結(jié)果表明，利用高光譜圖像技術(shù)，以及SVM 多數(shù)據(jù)融合技術(shù)，對(duì)臘肉的品質(zhì)進(jìn)行分級(jí)預(yù)測(cè)是可行的，且正確率有一定保證，能夠完成對(duì)臘肉品質(zhì)的分類識(shí)別。下一步可以根據(jù)需要，實(shí)現(xiàn)更精細(xì)的分級(jí)結(jié)果。

圖7 CNN-SVM 模型對(duì)臘肉的分類Fig.7 Classification of bacon by CNN-SVM

上述試驗(yàn)結(jié)果表明，設(shè)計(jì)的CNN-SVM 模型，綜合使用臘肉的光譜和圖像數(shù)據(jù)，臘肉的內(nèi)在品質(zhì)信息和外在特征信息得到充分利用，將圖像深度提取特征與光譜提取特征巧妙結(jié)合，有效地提高了模型的精度，設(shè)計(jì)出了準(zhǔn)確可靠的臘肉營(yíng)養(yǎng)健康風(fēng)險(xiǎn)的四分類器，實(shí)現(xiàn)了對(duì)臘肉的安全營(yíng)養(yǎng)品質(zhì)評(píng)估。

3 結(jié)論

本研究以高光譜成像技術(shù)和深度學(xué)習(xí)為基礎(chǔ)，著眼于臘肉光譜特征和圖像特征的獲取與識(shí)別，將臘肉的內(nèi)在成分及外在特征信息作為檢測(cè)與評(píng)估參數(shù)，采用CNN-SVM 模型，把深度提取特征與傳統(tǒng)機(jī)器學(xué)習(xí)提取特征有機(jī)結(jié)合，實(shí)現(xiàn)了多信息數(shù)據(jù)融合的臘肉營(yíng)養(yǎng)品質(zhì)檢測(cè)與健康風(fēng)險(xiǎn)評(píng)估方法。本研究揭示了臘肉品質(zhì)的高光譜成像獲取的光譜特征信息變化規(guī)律及圖像特征信息變化規(guī)律，在實(shí)現(xiàn)臘肉營(yíng)養(yǎng)品質(zhì)檢測(cè)及健康風(fēng)險(xiǎn)評(píng)估的基礎(chǔ)上，可建立臘肉類食品的安全營(yíng)養(yǎng)品質(zhì)評(píng)價(jià)標(biāo)準(zhǔn)，以科學(xué)指導(dǎo)人們健康飲食，具有重要的社會(huì)價(jià)值和經(jīng)濟(jì)價(jià)值。