基于卷積神經(jīng)網(wǎng)絡(luò)的食品塑料包裝袋光譜識(shí)別

呂銣麟，賈鎮(zhèn)，胡益滔，何洪源，何偉文

基于卷積神經(jīng)網(wǎng)絡(luò)的食品塑料包裝袋光譜識(shí)別

呂銣麟，賈鎮(zhèn)，胡益滔，何洪源，何偉文

（中國(guó)人民公安大學(xué) 偵查學(xué)院，北京 100038）

實(shí)現(xiàn)食品塑料包裝袋的快速檢測(cè)和材質(zhì)區(qū)分。研究使用高光譜成像技術(shù)在450～950 nm波長(zhǎng)范圍下采集了49組不同食品包裝袋樣本的光譜數(shù)據(jù)，利用Savitzky-Golay平滑濾波、數(shù)據(jù)歸一化和主成分分析進(jìn)行預(yù)處理，建立決策樹(shù)、支持向量機(jī)2種傳統(tǒng)機(jī)器學(xué)習(xí)模型和卷積神經(jīng)網(wǎng)絡(luò)模型，并比較了它們對(duì)包裝袋材質(zhì)的識(shí)別性能。決策樹(shù)模型與支持向量機(jī)模型的驗(yàn)證識(shí)別率分別為87.8%和88.9%，卷積神經(jīng)網(wǎng)絡(luò)模型的驗(yàn)證識(shí)別率高達(dá)100%，損失函數(shù)值最終下降到0.0171且達(dá)到收斂，在分類效果和精度上具有明顯的優(yōu)勢(shì)。高光譜檢測(cè)方法不破壞檢材，重現(xiàn)性好，穩(wěn)定性強(qiáng)，實(shí)現(xiàn)了對(duì)食品塑料包裝袋的精準(zhǔn)識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)食品包裝袋高光譜數(shù)據(jù)的識(shí)別效果最好，為食品包裝袋質(zhì)量檢測(cè)領(lǐng)域中塑料包裝袋的識(shí)別鑒定提供依據(jù)。

高光譜成像技術(shù)；卷積神經(jīng)網(wǎng)絡(luò)；包裝袋；機(jī)器學(xué)習(xí)；快速識(shí)別

塑料材料具有良好的阻隔性和抗污染性，常用于食品包裝。在各類刑事案件現(xiàn)場(chǎng)中，食品塑料包裝袋常作為重要的物證之一[1]。準(zhǔn)確檢測(cè)并識(shí)別現(xiàn)場(chǎng)包裝袋物證可為偵破案件以及法庭判決提供強(qiáng)而有力的證據(jù)，具有重要意義。

常見(jiàn)的食品塑料包裝袋的主要成分為聚對(duì)苯二甲酸乙二醇酯（PET）、聚氯乙烯（PVC）、聚乙烯（PE）、聚丙烯（PP）[2]。目前，檢驗(yàn)塑料的主要方法有原子光譜法[3]、拉曼光譜法[4]、紅外光譜法[5]、X射線熒光光譜法[6]、氣相色譜-質(zhì)譜法[7]、液相色譜-質(zhì)譜法[8]等。

高光譜成像技術(shù)是從遙感技術(shù)發(fā)展而來(lái)的一種快速、無(wú)損的檢測(cè)技術(shù)，該方法無(wú)需預(yù)處理，靈敏度高，檢驗(yàn)速度快[9]，廣泛應(yīng)用于血跡檢驗(yàn)[10]、文件檢驗(yàn)[11]、食品品質(zhì)檢驗(yàn)[12]等諸多領(lǐng)域。在包裝袋的生產(chǎn)過(guò)程中，原材料、生產(chǎn)設(shè)備和生產(chǎn)方式等因素可能導(dǎo)致物質(zhì)成分含量存在一定差異，因此可利用高光譜成像技術(shù)采集光譜圖像，并將得到的光譜數(shù)據(jù)與機(jī)器學(xué)習(xí)方法結(jié)合，有效利用光譜中的信息，實(shí)現(xiàn)材質(zhì)的快速識(shí)別和分類。

光譜成像技術(shù)結(jié)合機(jī)器學(xué)習(xí)已經(jīng)是一個(gè)重要趨勢(shì)，相較于傳統(tǒng)機(jī)器學(xué)習(xí)模型，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）避免了復(fù)雜的手工特征提取和數(shù)據(jù)重建的過(guò)程，在沒(méi)有人為干預(yù)的情況下自動(dòng)地從數(shù)據(jù)中學(xué)習(xí)特征，極大地提升了篩選重要光譜特征的效率，在處理光譜數(shù)據(jù)方面有著得天獨(dú)厚的優(yōu)勢(shì)[13]，同時(shí)也廣泛應(yīng)用于人臉識(shí)別[14-15]、筆跡識(shí)別[16-17]、音頻識(shí)別[18-19]、步態(tài)識(shí) 別[20]等諸多領(lǐng)域。目前，高光譜成像技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)等模型結(jié)合進(jìn)行塑料材料快速識(shí)別研究的相關(guān)報(bào)道較為罕見(jiàn)。

研究利用高光譜成像技術(shù)對(duì)49個(gè)不同品牌的塑料包裝袋樣本進(jìn)行檢測(cè)，對(duì)樣品圖像隨機(jī)選點(diǎn)，獲得觀測(cè)點(diǎn)的光譜數(shù)據(jù)。在主成分分析的基礎(chǔ)上，建立決策樹(shù)（Decision Tree，DT）、支持向量機(jī)（Support Vector Machine，SVM）以及CNN 3種識(shí)別模型，比較3種機(jī)器學(xué)習(xí)算法的分類識(shí)別準(zhǔn)確率和穩(wěn)定性。

1 實(shí)驗(yàn)

1.1 樣本

實(shí)驗(yàn)收集了49個(gè)不同的食品塑料包裝袋樣本。用沾有無(wú)水酒精的脫脂棉仔細(xì)擦拭并陰干，進(jìn)樣檢測(cè)。樣本信息見(jiàn)表1。

表1 樣本信息和編號(hào)

Tab.1 Sample information and number

續(xù)表1

1.2 實(shí)驗(yàn)裝置

該高光譜成像系統(tǒng)SEC-E1200（深圳市中達(dá)瑞和科技有限公司）由實(shí)驗(yàn)暗箱、光譜成像模塊和數(shù)據(jù)收集處理模塊組成。實(shí)驗(yàn)暗箱包含可放置樣本的電動(dòng)升降臺(tái)和2個(gè)50瓦的鹵素?zé)簦桓吖庾V成像儀；數(shù)據(jù)收集處理模塊為帶有光譜數(shù)據(jù)采集軟件的計(jì)算機(jī)（用于設(shè)置曝光時(shí)間，修改圖像分辨率以及對(duì)樣本光譜的分析），波長(zhǎng)為450～950 nm，分辨率為2448×2048。此次實(shí)驗(yàn)使用的設(shè)備為自行搭建的硬件平臺(tái)，實(shí)驗(yàn)環(huán)境配置表見(jiàn)表2。

表2 實(shí)驗(yàn)環(huán)境配置

Tab.2 Configuration of experiment environment

1.3 圖像采集與預(yù)處理

在450～950 nm的波段下，利用光譜相機(jī)對(duì)49個(gè)不同樣本進(jìn)行光譜數(shù)據(jù)采集。為減小誤差，每個(gè)樣本平行采集3次并選取15組數(shù)據(jù)，樣本數(shù)據(jù)量共735組。

近紅外光譜數(shù)據(jù)會(huì)由于背景噪聲、數(shù)值過(guò)大等問(wèn)題對(duì)后續(xù)的分類建模產(chǎn)生不良影響，因此對(duì)光譜采用Savitzky-Golay（SG）算法和歸一化法進(jìn)行預(yù)處理，以達(dá)到消除噪聲和增強(qiáng)分類效果的目的。

為了搭建CNN分類模型，實(shí)驗(yàn)按照7∶3的比例對(duì)應(yīng)隨機(jī)劃分出訓(xùn)練集和測(cè)試集。其中訓(xùn)練集樣本515組，測(cè)試集樣本220組。

1.4 數(shù)據(jù)處理

1.4.1 決策樹(shù)與支持向量機(jī)

可采用Matlab 2016a中Classification工具箱實(shí)現(xiàn)DT與SVM，其操作便捷，而且對(duì)樣本有交互式檢驗(yàn)的功能，實(shí)用性很強(qiáng)。在Matlab操作界面下，清空環(huán)境變量，導(dǎo)入數(shù)據(jù)，為保證訓(xùn)練的準(zhǔn)確度，重新分配數(shù)據(jù)，用randperm隨機(jī)函數(shù)將735組數(shù)據(jù)按照7∶3比例分成訓(xùn)練集和測(cè)試集。訓(xùn)練集交叉驗(yàn)證折數(shù)為5，用對(duì)應(yīng)函數(shù)生成DT與SVM分類模型。

1.4.2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

此次實(shí)驗(yàn)使用的卷積神經(jīng)網(wǎng)絡(luò)模型基于AlexNet網(wǎng)絡(luò)模型，根據(jù)訓(xùn)練數(shù)據(jù)的數(shù)量和特點(diǎn)以及硬件平臺(tái)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)做出了相應(yīng)的調(diào)整。此次研究實(shí)驗(yàn)數(shù)據(jù)數(shù)量較少，且二維光譜信息矩陣的尺寸比較小，因此，結(jié)合塑料包裝光譜信息矩陣的特點(diǎn)，搭建了3層的卷積神經(jīng)網(wǎng)絡(luò)，包括了2個(gè)卷積層和1個(gè)全連接層。該卷積神經(jīng)網(wǎng)絡(luò)模型采用2×2卷積核與大卷積核數(shù)量搭配，可以增強(qiáng)網(wǎng)絡(luò)模型的辨識(shí)能力，且在每個(gè)卷積層以及全連接層后面應(yīng)用ReLU函數(shù)，可以促進(jìn)網(wǎng)絡(luò)的稀疏性，減少反向傳播時(shí)的計(jì)算量，同時(shí)緩解過(guò)擬合。該神經(jīng)網(wǎng)絡(luò)使用批量歸一化（Batch Normalization）代替局部響應(yīng)歸一化（Local Response Normalization），可以更好地加速收斂，降低過(guò)擬合風(fēng)險(xiǎn)，并降低準(zhǔn)確率波動(dòng)。除此之外，應(yīng)用dropout層使部分神經(jīng)元失活，再次防止過(guò)擬合情況的發(fā)生。卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)見(jiàn)圖1。

2 結(jié)果與討論

2.1 特征點(diǎn)光譜

樣本檢測(cè)完畢后，分別在3次拍攝樣本表面選取5個(gè)特征點(diǎn)，每個(gè)樣本共15個(gè)特征點(diǎn)，并導(dǎo)出光譜數(shù)據(jù)，全部樣本特征點(diǎn)光譜見(jiàn)圖2。

圖2 全部樣本特征點(diǎn)光譜圖

由圖2可見(jiàn)，3類檢驗(yàn)樣本在650～750 nm波長(zhǎng)內(nèi)具有明顯的區(qū)分度，但隨著波長(zhǎng)的增加，曲線之間的區(qū)分度逐漸降低，需對(duì)其進(jìn)行數(shù)據(jù)建模分析。

2.2 光譜預(yù)處理結(jié)果

為更好地提取光譜特征，減少噪聲影響。在訓(xùn)練網(wǎng)絡(luò)模型之前，運(yùn)用Savitzky-Golay（SG）算法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，同時(shí)強(qiáng)化譜帶特征點(diǎn)；然后對(duì)去噪聲后的數(shù)據(jù)進(jìn)行歸一化處理，把數(shù)值限制在一個(gè)偏小的共同范圍內(nèi)，加強(qiáng)數(shù)據(jù)之間的可比性，避免數(shù)值過(guò)高導(dǎo)致的運(yùn)算復(fù)雜，并使模型訓(xùn)練加快收斂。最后將經(jīng)過(guò)上述處理后的數(shù)據(jù)用于后續(xù)的模型訓(xùn)練。部分樣本的原始光譜與處理過(guò)的光譜對(duì)比見(jiàn)圖3，其中，原始光譜圖見(jiàn)圖3a，預(yù)處理后的光譜圖見(jiàn)圖3b，預(yù)處理后的光譜保留了原始譜圖的特征信息，減少了噪聲干擾，能夠有效提升特征識(shí)別效率。

2.3 卷積神經(jīng)網(wǎng)絡(luò)分析

為了驗(yàn)證卷積神經(jīng)網(wǎng)絡(luò)模型分類的可靠性，在樣本數(shù)據(jù)基礎(chǔ)上進(jìn)行了一系列實(shí)驗(yàn)，通過(guò)選擇不同參數(shù)測(cè)試模型性能變化，最終完成卷積神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建。

2.3.1 池化層的選擇

池化層的作用在于減少參數(shù)量，從而提高特征提取的效率。常用的池化層有平均池化層與最大池化層2種，平均池化層即對(duì)鄰域內(nèi)特征點(diǎn)求平均值，最大池化層即對(duì)鄰域內(nèi)特征點(diǎn)取最大值。經(jīng)測(cè)試，最大池化層特征提取與模型收斂效果更好，所以在該次研究中，神經(jīng)網(wǎng)絡(luò)模型采用最大池化層，結(jié)果見(jiàn)圖4。由圖4可知，準(zhǔn)確率較損失函數(shù)曲線更快達(dá)到穩(wěn)定狀態(tài)。

2.3.2 學(xué)習(xí)率的選擇

學(xué)習(xí)率是對(duì)性能影響最大的參數(shù)之一，學(xué)習(xí)率過(guò)高會(huì)導(dǎo)致識(shí)別準(zhǔn)確率下降，且損失函數(shù)難以收斂，而識(shí)別準(zhǔn)確率過(guò)低則會(huì)使損失函數(shù)變化速度變慢，從而延長(zhǎng)訓(xùn)練時(shí)間。為了優(yōu)化神經(jīng)網(wǎng)絡(luò)模型，分析學(xué)習(xí)率對(duì)模型性能的影響，此次實(shí)驗(yàn)根據(jù)樣本數(shù)據(jù)量將迭代次數(shù)設(shè)定為300，采用不同學(xué)習(xí)率對(duì)模型進(jìn)行訓(xùn)練并預(yù)測(cè)，學(xué)習(xí)率數(shù)值由低到高，模型的損失函數(shù)數(shù)值基本符合正態(tài)分布，結(jié)果見(jiàn)表3。

綜上可知，當(dāng)學(xué)習(xí)率處于0.0001時(shí)，模型性能已基本處于最優(yōu)狀態(tài)，因此在此后的研究討論中，始終將學(xué)習(xí)率保持在0.0001。

圖3 光譜預(yù)處理前后對(duì)比

圖4 使用平均、最大池化層時(shí)網(wǎng)絡(luò)模型的運(yùn)行結(jié)果

表3 學(xué)習(xí)率與模型性能的關(guān)系

Tab.3 Relationship between learning rate and model performance

2.3.3 批大小的選擇

批大小的選擇對(duì)模型訓(xùn)練時(shí)長(zhǎng)以及損失函數(shù)震蕩程度存在較大影響（訓(xùn)練時(shí)長(zhǎng)與損失函數(shù)震蕩程度相互并不影響），批越小完成一次epoch所需要的時(shí)間就越長(zhǎng)，同時(shí)梯度震蕩越劇烈，loss曲線越難收斂，反之epoch所需要的時(shí)間越短且梯度震蕩幅度減小，loss曲線更加平滑。為了分析批大小與模型性能的關(guān)系，實(shí)驗(yàn)設(shè)置迭代次數(shù)為300，并采用不同批大小對(duì)模型進(jìn)行訓(xùn)練并測(cè)試，得到結(jié)果見(jiàn)圖5。

結(jié)果顯示在批大小為8時(shí)，模型已處于最優(yōu)狀態(tài)，loss曲線與準(zhǔn)確率均保持穩(wěn)定且保持較快的訓(xùn)練速率，表明當(dāng)批大小為8時(shí)即可滿足食品塑料包裝分類的訓(xùn)練需要。故批大小在后續(xù)的研究中設(shè)定為8。

2.4 模型比較

2.4.1 決策樹(shù)模型

決策樹(shù)模型以聚類分析結(jié)果為單位，借助Matlab 2016a統(tǒng)計(jì)分析軟件對(duì)49個(gè)樣本進(jìn)行決策樹(shù)模型分析，經(jīng)3種不同精度的樹(shù)模型算法訓(xùn)練結(jié)果顯示，最高正確率為87.8%，混淆矩陣結(jié)果見(jiàn)圖6。圖6中第1類樣本識(shí)別準(zhǔn)確率最高，即PET塑料識(shí)別效果最佳，PE、PP塑料識(shí)別效果次之。

圖5 不同批大小網(wǎng)絡(luò)模型的運(yùn)行結(jié)果

圖6 決策樹(shù)模型混淆矩陣

2.4.2 支持向量機(jī)模型

支持向量機(jī)模型選擇高斯核函數(shù)、多項(xiàng)式核函數(shù)以及線性核函數(shù)建立分類器，同時(shí)，鑒于SVM分類器在應(yīng)用時(shí)產(chǎn)生的風(fēng)險(xiǎn)問(wèn)題，選擇對(duì)不同比例下的訓(xùn)練集和測(cè)試集進(jìn)行分類，獲取了49個(gè)樣本高光譜圖像數(shù)據(jù)的分類結(jié)果，見(jiàn)表4。

由表4可知，高斯核函數(shù)下的SVM分類器在80%訓(xùn)練集比例下樣本數(shù)據(jù)的分類正確率最高，達(dá)到88.9%；多項(xiàng)式核函數(shù)和線性核函數(shù)下的SVM分類器對(duì)樣本數(shù)據(jù)的分類正確率均低于80%，說(shuō)明基于3種核函數(shù)的SVM分類器在不同比例訓(xùn)練集均未能實(shí)現(xiàn)良好分類。

表4 不同訓(xùn)練比例的分類準(zhǔn)確率

Tab.4 Classification results of different training proportions %

2.4.3 卷積神經(jīng)網(wǎng)絡(luò)模型

該卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用前文討論過(guò)的最佳參數(shù)組合，設(shè)置迭代次數(shù)為300，dropout層為20%，進(jìn)行樣本訓(xùn)練。訓(xùn)練集準(zhǔn)確率達(dá)到94.12%，損失函數(shù)值較低，然后將測(cè)試集輸入到訓(xùn)練好的模型中進(jìn)行測(cè)試，最終測(cè)試結(jié)果見(jiàn)圖7。準(zhǔn)確率訓(xùn)練20次后可達(dá)到100%且一直保持穩(wěn)定，損失函數(shù)值最終下降到0.0171。

可見(jiàn)測(cè)試集最終結(jié)果達(dá)到收斂且未出現(xiàn)損失函數(shù)爆炸或者數(shù)值鎖定的情況。在測(cè)試過(guò)程之中，前20次迭代曲線下降速度較快，隨后迅速達(dá)到穩(wěn)定狀態(tài)，直到迭代結(jié)束曲線沒(méi)有出現(xiàn)波動(dòng)情況，測(cè)試情況較為理想。該測(cè)試集結(jié)果證明該模型具有較強(qiáng)的穩(wěn)定性，分類速度快且精度較高，達(dá)到了較好的分類效果。

圖7 測(cè)試集損失函數(shù)與準(zhǔn)確率變化趨勢(shì)

最終訓(xùn)練集和測(cè)試集的混淆矩陣結(jié)果見(jiàn)圖8?；谒芰习b二維信息矩陣建立的3層神經(jīng)網(wǎng)絡(luò)信息判別模型并未出現(xiàn)過(guò)擬合或者欠擬合的現(xiàn)象，驗(yàn)證集識(shí)別準(zhǔn)確率高達(dá)100%，模型性能良好，達(dá)到理想目標(biāo)。

3 結(jié)語(yǔ)

基于卷積神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)了食品塑料包裝袋光譜數(shù)據(jù)的分類方法，首先在高光譜成像系統(tǒng)中采集樣本數(shù)據(jù)，將光譜數(shù)據(jù)進(jìn)行預(yù)處理并建立了3種機(jī)器學(xué)習(xí)分類識(shí)別模型。結(jié)果顯示，支持向量機(jī)模型、決策樹(shù)模型識(shí)別效果差，其識(shí)別準(zhǔn)確率（ACC）均未達(dá)到90%，卷積神經(jīng)網(wǎng)絡(luò)識(shí)別效果最好，ACC高達(dá)100%，說(shuō)明高光譜成像技術(shù)與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的識(shí)別方法，可以精準(zhǔn)、快速地識(shí)別不同類別的食品塑料包裝，為案件偵破提供了一種無(wú)損的檢測(cè)方法。對(duì)于現(xiàn)場(chǎng)提取到的未知物證，可通過(guò)該模型進(jìn)行快速分類識(shí)別，縮小偵查范圍。下一步應(yīng)擴(kuò)大樣本容量，嘗試對(duì)更多的食品塑料包裝袋進(jìn)行識(shí)別研究。

[1] 何靖柳, 陳莉月, 楊冬雪. 食品包裝材料的安全性分析及展望[J]. 造紙裝備及材料, 2020, 49(4): 54-55.

HE Jing-liu, CHEN Li-yue, YANG Dong-xue. Safety Analysis and Prospect of Food Packaging Materials[J]. Hunan Papermaking, 2020, 49(4): 54-55.

[2] 田陸川, 姜紅. 食品塑料包裝材料的檢驗(yàn)研究進(jìn)展[J]. 安徽化工, 2021, 47(1): 4-7.

TIAN Lu-chuan, JIANG Hong. Study Progress on The Identification of Food Plastic Packaging Materials[J]. Anhui Chemical Industry, 2021, 47(1): 4-7.

[3] 柳沙. 原子吸收光譜法測(cè)定PET塑料材料中銻的遷移量[J]. 云南化工, 2019, 46(7): 60-61.

LIU Sha. Determination of Antimony Migration in Pet Plastics by Atomic Absorption Spectrometry[J]. Yunnan Chemical Industry, 2019, 46(7): 60-61.

[4] 徐昕霞, 沈?qū)W靜, 楊曉兵, 等. 激光拉曼光譜快速篩查塑料玩具中鄰苯二甲酸酯的研究[J]. 光譜學(xué)與光譜分析, 2020, 40(6): 1929-1933.

XU Xin-xia, SHEN Xue-jing, YANG Xiao-bing, et al. Rapid Analysis of Phthalate Esters in Plastic Toys by Laser Raman Technology[J]. Spectroscopy and Spectral Analysis, 2020, 40(6): 1929-1933.

[5] 田靜, 王曉娟, 齊文良, 等. 基于近紅外光譜分析技術(shù)的食品包裝塑料的定性分析[J]. 分析測(cè)試學(xué)報(bào), 2020, 39(11): 1416-1420.

TIAN Jing, WANG Xiao-juan, QI Wen-liang, et al. Research on Food Packaging Plastics Based on Near Infrared Spectroscopy[J]. Journal of Instrumental Analysis, 2020, 39(11): 1416-1420.

[6] 馬梟, 姜紅, 楊佳琦. X射線熒光光譜結(jié)合多元統(tǒng)計(jì)分析塑料打包帶(繩)[J]. 激光與光電子學(xué)進(jìn)展, 2019, 56(22): 243-247.

MA Xiao, JIANG Hong, YANG Jia-qi. Examination of Plastic Pack Belts (Ropes) via X-ay Fluorescence Spectrometry Combined with Multivariate Statistical Analysis[J]. Laser & Optoelectronics Progress, 2019, 56(22): 243-247.

[7] 朱茂電, 靳雅莉, 謝雨桐. 液相色譜-質(zhì)譜法在食品包裝鄰苯二甲酸酯含量測(cè)定中的應(yīng)用[J]. 塑料工業(yè), 2019(8): 106-109.

ZHU Mao-dian, JIN Ya-li, XIE Yu-tong. The Application of LC-MS in the Determination of Content of Phthalate Esters in Food Packaging[J]. China Plastics Industry, 2019(8): 106-109.

[8] 杜煥玲, 呂姍, 曹焱鑫. 氣相色譜-質(zhì)譜法測(cè)定塑料玩具及兒童用品中的多環(huán)芳烴[J]. 化工技術(shù)與開(kāi)發(fā), 2020, 49(12): 37-39.

DU Huan-ling, LYU Shan, CAO Yan-xin. Determination of Polycyclic Aromatic Hydrocarbons in Plastic Toys and Children's Products by Gas Chromatography-Mass Spectrometry[J]. Technology & Development of Chemical Industry, 2020, 49(12): 37-39.

[9] 王慧, 何鴻舉, 劉璐, 等. 高光譜成像在魚(yú)肉品質(zhì)無(wú)損檢測(cè)中的研究進(jìn)展[J]. 食品科學(xué), 2019, 40(5): 329-338.

WANG Hui, HE Hong-ju, LIU Lu, et al. Recent Progress in Hyperspectral Imaging for Nondestructive Evaluation of Fish Quality[J]. Food Science, 2019, 40(5): 329-338.

[10] 馮穎, 蔡競(jìng). 基于高光譜成像技術(shù)的不同介質(zhì)血跡陳舊度研究[J]. 激光與光電子學(xué)進(jìn)展, 2020, 57(5): 279-284.

FENG Ying, CAI Jing. Age Estimation of the Bloodstains on Different Substrates Based on the Hyperspectral Imaging Technology[J]. Laser & Optoelectronics Progress, 2020, 57(5): 279-284.

[11] 張倩, 陳維娜, 郝紅光. 高光譜成像技術(shù)在文件檢驗(yàn)應(yīng)用的研究綜述[J]. 應(yīng)用化工, 2020, 49(1): 165-170.

ZHANG Qian, CHEN Wei-na, HAO Hong-guang. A Review of Research on Hyperspectral Imaging Technology in Document Inspection Applications[J]. Applied Chemical Industry, 2020, 49(1): 165-170.

[12] 崔瑩瑩, 楊銘鐸, 方偉佳, 等. 高光譜成像技術(shù)在紅肉食用品質(zhì)檢測(cè)中的應(yīng)用研究進(jìn)展[J]. 肉類研究, 2019, 33(6): 70-76.

CUI Ying-ying, YANG Ming-duo, FANG Wei-jia, et al. A Review of Application of Hyperspectral Imaging Technology in Quality Detection of Red Meat[J]. Meat Research, 2019, 33(6): 70-76.

[13] WENG S, YUAN H, ZHANG X, et al. Deep Learning Networks for the Recognition and Quantitation of Surface-Enhanced Raman SPECTROSCOPy[J]. The Analyst, 2020, 145(14): 4827-4835.

[14] NURKHAMID, SETIALANA P, JATI H, et al. Intelligent Attendance System with Face Recognition using the Deep Convolutional Neural Network Method[J]. Journal of Physics: Conference Series, 2021, 1737(1): 012031.

[15] CHEN Yan-tong, CHEN Wei-nan, ZHANG Xian-zhong, et al. Fly Facial Recognition Based on Deep Convolutional Neural Network[J]. Optics and Precision Engineering, 2020, 28(7): 1558-1567.

[16] OKA S, WAYAN G I, GEDE D P I K. Handwriting Identification Using Deep Convolutional Neural Network Method[J]. Telecommunication Computing Electronics and Control, 2020, 18(4): 4826-4828.

[17] ALEJANDRO B, YAGO S, PEDRO I. Evolutionary Convolutional Neural Networks: An Application to Handwriting Recognition[J]. Neurocomputing, 2018, 283(1): 38-52.

[18] 楊立東, 張壯壯. 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的音頻場(chǎng)景分類研究[J]. 現(xiàn)代電子技術(shù), 2021, 44(3): 91-94.

YANG Li-dong, ZHANG Zhuang-zhuang. Research on Acoustic Scene Classification Based on Improved Convolutional Neural Network[J]. Modern Electronics Technique, 2021, 44(3): 91-94.

[19] 付煒, 楊洋. 基于卷積神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林的音頻分類方法[J]. 計(jì)算機(jī)應(yīng)用, 2018(S2): 58-62.

FU Wei, YANG Yang. Audio Classification Method Based on Convolutional Neural Network and Random Forest[J]. Journal of Computer Applications, 2018(S2): 58-62.

[20] 陳法權(quán), 樊軍. 基于卷積神經(jīng)網(wǎng)絡(luò)的人體步態(tài)識(shí)別算法研究[J]. 機(jī)床與液壓, 2020, 48(19): 161-164.

CHEN Fa-quan, FAN Jun. Research on Human Gait Recognition Algorithm Based on Convolutional Neural Network[J]. Machine Tool & hydraulics, 2020, 48(19): 161-164.

Spectral Recognition of Plastic Food Packaging Bags Based on Convolution Neural Network

LYU Ru-lin, JIA Zhen, HU Yi-tao, HE Hong-yuan, HE Wei-wen

(Institute of Investigation, People's Public Security University of China, Beijing 100038, China)

The work aims to realize the rapid detection and material differentiation of food plastic packaging bags. The spectral data of 49 groups of different food packaging bags were collected by hyperspectral imaging technology in the wavelength range of 450～950 nm. The data were preprocessed by savitzky Golay smooth filtering, data normalization and principal component analysis to establish two traditional machine learning models of decision tree and SVM and one convolutional neural network model. Then, the recognition performance of traditional machine learning models and convolutional neural network model on the packaging bag materials was compared. The verification recognition rate of decision tree model and SVM model was 87.8% and 88.9%, respectively, while the verification recognition rate of convolutional neural network model was up to 100%, and the loss function value finally dropped to 0.0171 and tended to be stable. Therefore, the convolutional neural network model had obvious advantages in classification effect and accuracy. The method of hyperspectral detection does not destroy the material, and has good reproducibility and strong stability, which can realize the accurate identification of food plastic packaging bags. The convolutional neural network model has the best recognition effect on hyperspectral data of food packaging bags and provides the basis for the identification and recognition of plastic packaging bags in the field of food packaging quality detection.

hyperspectral imaging technology; convolutional neural network; food plastic packaging bag; machine learning; fast identification

TS206.4

A

1001-3563(2022)03-0121-08

10.19554/j.cnki.1001-3563.2022.03.015

2021-08-08

國(guó)家重點(diǎn)研發(fā)計(jì)劃資助（2017YFC0822001）

呂銣麟（1997—），男，中國(guó)人民公安大學(xué)碩士生，主攻理化物證檢驗(yàn)。

何洪源（1965—），女，博士，中國(guó)人民公安大學(xué)教授，主要研究方向?yàn)槔砘镒C檢驗(yàn)。