基于高光譜圖像及深度特征的大米蛋白質(zhì)含量預(yù)測模型

孫 俊，靳海濤，蘆 兵，武小紅，沈繼鋒，戴春霞

基于高光譜圖像及深度特征的大米蛋白質(zhì)含量預(yù)測模型

孫 俊，靳海濤，蘆 兵，武小紅，沈繼鋒，戴春霞

（江蘇大學(xué)電氣信息工程學(xué)院，鎮(zhèn)江 212013）

無損檢測；光譜分析；模型；高光譜圖像；堆疊自動編碼器；深度特征；大米；蛋白質(zhì)含量

0 引 言

中國的大米生產(chǎn)量居世界首位，大米的消費(fèi)數(shù)量也居世界前列，有超過半數(shù)的人口將大米作為主食[1]，大米的主要營養(yǎng)成分是蛋白質(zhì)，它富含人體所必需的氨基酸、賴氨酸[2]，蛋白質(zhì)含量決定了大米的營養(yǎng)品質(zhì)和食味品質(zhì)[3]。因此，蛋白質(zhì)含量是評價大米品質(zhì)的重要指標(biāo)。

目前，大米蛋白質(zhì)含量檢測的主要措施是化學(xué)試劑測定法[4]，該方法雖然準(zhǔn)確性高，但對樣本具有破壞性，且消耗化學(xué)試劑量大，成本高。因此，如何快速無損精確地檢測大米蛋白質(zhì)含量是當(dāng)前大米生產(chǎn)及儲存中亟需解決的問題。

在眾多新興技術(shù)中，光譜技術(shù)可以檢測目標(biāo)內(nèi)部的特征[5]，文獻(xiàn)[6-7]采用近紅外光譜技術(shù)實(shí)現(xiàn)大米蛋白質(zhì)含量檢測，效果良好，但光譜技術(shù)缺乏目標(biāo)的空間信息，建模效果有待進(jìn)一步提升；計(jì)算機(jī)視覺圖像技術(shù)可以對樣本外部表面信息進(jìn)行分析，但對于其內(nèi)部的特征無法反演[8]。高光譜成像技術(shù)可以提取光譜信息和圖像信息，獲取更全面的信息，并可借助于數(shù)學(xué)手段構(gòu)建模型，實(shí)現(xiàn)對被測對象的無損檢測[9]，由于其快速、精確、非破壞的特點(diǎn)，高光譜無損檢測技術(shù)已經(jīng)被廣泛應(yīng)用于農(nóng)作物品種分類[10]和營養(yǎng)元素檢測[11]等研究中。然而，高光譜圖像數(shù)據(jù)量龐大，波段間相關(guān)性較強(qiáng)，冗余度高，若直接對高光譜圖像數(shù)據(jù)進(jìn)行數(shù)據(jù)分析，耗時較長，且最終效果不理想，會造成Huges現(xiàn)象[12]。因此，對高光譜圖像數(shù)據(jù)進(jìn)行降維處理是十分有必要的。

目前，對高光譜圖像光譜數(shù)據(jù)的降維方法從數(shù)據(jù)相關(guān)性角度分為線性方法和非線性方法。主成分分析法[1]、線性判別方法[13]等作為傳統(tǒng)的線性方法，都是采用線性映射的手段處理高光譜圖像數(shù)據(jù)的，但是高光譜波段間較強(qiáng)的相關(guān)性導(dǎo)致了這些方法在最終處理效果上的不足，而深度學(xué)習(xí)作為非線性方法通過引入神經(jīng)網(wǎng)絡(luò)先天的非線性，彌補(bǔ)了這些不足[14-16]。堆疊自動編碼器（stacked auto-encoder，SAE）[17-18]是一種無監(jiān)督深度學(xué)習(xí)技術(shù)，分別對每層深度網(wǎng)絡(luò)進(jìn)行訓(xùn)練，從而更加高效地進(jìn)行高光譜圖像數(shù)據(jù)降維處理。

另一方面，對于高光譜圖像的圖像信息，目前的處理方法是提取其顏色或紋理等特征，趙娟等[19]通過提取高光譜圖像的紋理特征，建立牛肉的嫩度判別模型，最終精度為94.44%；董高等[20]提取小麥的形態(tài)特征，研究發(fā)現(xiàn)基于形態(tài)特征進(jìn)行建模的效果并不理想。深度學(xué)習(xí)的方法通過對整幅圖像進(jìn)行特征提取，可以獲得該高光譜圖像的圖像深度特征，包含了更加全面的信息，目前，還未有相關(guān)文獻(xiàn)對其報道。

本文采用SAE對高光譜圖像的光譜信息和圖像信息及其融合信息分別進(jìn)行特征提取，獲得其深度特征，利用支持向量機(jī)回歸（support vector regression，SVR）建立預(yù)測模型并采用網(wǎng)格搜索法對懲罰因子和核參數(shù)進(jìn)行尋優(yōu)，以提高模型的預(yù)測性能，實(shí)現(xiàn)大米蛋白質(zhì)含量的高效無損檢測。

1 材料與方法

1.1 樣本制備與處理

文獻(xiàn)[21]表明，大米在存放過程中，由于大米蛋白質(zhì)中的氨基酸分解，總蛋白質(zhì)含量呈逐漸減少的趨勢。為了加速大米內(nèi)部氨基酸反應(yīng)，獲取不同蛋白質(zhì)含量梯度的大米樣本，試驗(yàn)前于鎮(zhèn)江某大型超市購買良記金輪膳選泰香米1 kg，共稱取6組樣本，每組100 g，將6組樣本置于BPS-100CL型液晶恒溫恒濕箱內(nèi)（上海一恒科學(xué)儀器有限公司），在45 ℃、95%相對濕度的條件下分別放置0，24，48，72，96和120 h，取出后在各組樣本中選取30粒大小相近、顆粒飽滿、顏色透明的米粒作為一個樣本，每組選取70個樣本，共制備420個樣本，立即放入密封的試劑瓶中送往高光譜實(shí)驗(yàn)室進(jìn)行高光譜圖像采集。

1.2 高光譜圖像采集及校正

本試驗(yàn)所采用的高光譜成像系統(tǒng)主要包括光纖、鹵素?zé)艄庠矗?900-ER型，Illumination Technologies, USA）、高光譜圖像攝影儀（VNIP-HIS-sMOS，五鈴光學(xué)股份有限公司，中國臺灣）、移動平臺控制器和處理器等部分。高光譜圖像攝影儀中的攝像機(jī)為CCD相機(jī)，光譜儀為可見光/近紅外光譜儀，光譜范圍為400～1 000 nm，光譜分辨率為2.8 nm，圖像分辨率為1 024像素×473像素。

將各組樣本均勻平鋪于移動平臺上進(jìn)行圖像采集，移動平臺移動速度設(shè)置為1.99 mm/s。由于光源強(qiáng)度分布不均勻及暗電流噪聲的存在，為了提高獲取圖像的信噪比，需要在掃描前對每個樣本進(jìn)行黑白標(biāo)定[22]。首先放置白板（反射率約為100%）于移動平臺上，曝光時間設(shè)置為7 ms，獲得全白標(biāo)定圖像，保持曝光時間不變，再蓋上CCD相機(jī)鏡頭，獲得反射率約為0的全黑標(biāo)定圖像，隨后取下CCD相機(jī)鏡頭片，放入大米樣本，調(diào)節(jié)曝光時間為17 ms，獲得未標(biāo)定圖像raw。黑白標(biāo)定后的圖像的反射光強(qiáng)度可表示為

式中、、raw和均為相應(yīng)圖像的反射光強(qiáng)度；E為樣本的曝光時間，ms；E為全黑標(biāo)定的曝光時間，ms；E為白板標(biāo)定的曝光時間，ms。

1.3 蛋白質(zhì)含量測定

采集高光譜圖像后，采用凱氏定氮法[4]測定樣本蛋白質(zhì)含量。將各樣本稱質(zhì)量并記錄，置于研缽中研磨至粉末狀，然后移入100 mL定氮瓶，置于消化儀做消化處理至內(nèi)容物全部碳化，隨后進(jìn)行鹽酸標(biāo)準(zhǔn)滴定液滴定。通過最終消耗的鹽酸標(biāo)準(zhǔn)滴定液體積與氮含量的關(guān)系計(jì)算每個樣本蛋白質(zhì)含量，蛋白質(zhì)含量計(jì)算公式為

式中為樣本中蛋白質(zhì)含量，g/100g；1為消耗鹽酸標(biāo)準(zhǔn)滴定液體積，mL；2為試劑空白消耗鹽酸標(biāo)準(zhǔn)滴定液體積，mL；為鹽酸標(biāo)準(zhǔn)滴定液濃度，mol/L；為樣本質(zhì)量，g；3為吸收消化液體積，mL；為氮換算蛋白質(zhì)系數(shù)，大米為5.95；100為換算系數(shù)。

高溫高濕條件下不同放置時間的大米樣本蛋白質(zhì)含量變化趨勢如圖1所示，通過試驗(yàn)測得大米樣本初始蛋白質(zhì)含量為7.78 g/(100 g)，在存放24，48，72，96和120 h后，蛋白質(zhì)含量分別為7.73，7.70，7.68，7.65和7.62 g/(100 g)?？梢?，大米樣本在經(jīng)高溫高濕條件下放置處理后，蛋白質(zhì)含量的變化很小，在放置120 h后蛋白質(zhì)含量減少0.16 g/(100 g)。大米在高溫高濕條件下，呼吸作用等各項(xiàng)生理活動加快，消耗了部分占總蛋白量很少的生理蛋白（清蛋白、球蛋白），與文獻(xiàn)[21]結(jié)果一致。

注：放置溫度為45℃，相對濕度為95%，下同。

1.4 樣本感興趣區(qū)域（region of interest，ROI）選取

ROI的提取方式與大小會影響到最終高光譜圖像數(shù)據(jù)的獲取質(zhì)量[23]。本文ROI提取流程如圖2所示，原始樣本高光譜圖像如圖2a所示，為加強(qiáng)樣本與背景的差異性，使用波段比算法處理高光譜圖像，根據(jù)多個像素點(diǎn)光譜曲線選取一個較大反射率（702.36 nm）波長與一個較小反射率（502.31 nm）波長做商運(yùn)算，結(jié)果如圖2b所示。然后采用閾值分割法進(jìn)行處理，經(jīng)多次測試，閾值選擇0.94時分割效果最佳，分割得到二值圖如圖2c所示，將該二值圖應(yīng)用掩膜于原始高光譜圖像，選取ROI，如圖2d所示，為方便后續(xù)處理，將ROI圖像尺寸統(tǒng)一為100像素×100像素。

圖2 大米樣本ROI提取流程

1.5 堆疊自動編碼器

自動編碼器（auto-encoder, AE）主要由編碼器和解碼器兩部分構(gòu)成，在對輸入樣本進(jìn)行學(xué)習(xí)時，其目的是通過編碼和解碼將輸入數(shù)據(jù)在輸出中重構(gòu)出來[24]。從某種程度而言，AE是一個小型的深度學(xué)習(xí)模型，該模型主要包括輸入層、隱含層和輸出層3層。

假設(shè)有無標(biāo)簽的訓(xùn)練樣本，AE的編碼任務(wù)是將輸入訓(xùn)練樣本通過非線性函數(shù)映射到隱含層，設(shè)為隱含層的神經(jīng)單元激活值，其數(shù)學(xué)表達(dá)式為

定義重構(gòu)誤差為，表示為

通過不斷修改參數(shù)來最小化L，此時的y保留了x的大部分信息[25]。在實(shí)際應(yīng)用中，用到的往往并不是單獨(dú)的一個AE，而是將多個AE通過級聯(lián)的方式堆疊構(gòu)成的多層AE，這個多層AE被命名為SAE[26]。SAE模型如圖3所示，該SAE模型由2個AE堆疊而成，隱含層2作為SAE最終的降維結(jié)果輸出的深度特征。

這種結(jié)構(gòu)使得SAE的隱含層是非線性的，從而具有更準(zhǔn)確的捕獲復(fù)雜數(shù)據(jù)的能力[27]。

1.6 光譜信息與圖像信息融合及深度特征提取

通過閾值分割法從原始高光譜圖像中提取整個大米樣本區(qū)域作為ROI，一方面，提取ROI內(nèi)平均光譜信息，每個高光譜圖像包含478個波段，故每個樣本高光譜數(shù)據(jù)維度是478。另一方面，大米中蛋白質(zhì)含量的變化會導(dǎo)致其顏色、紋理及透明度等變化[28]，為了獲取更加全面的圖像信息，提取ROI中每個波段的圖像，將ROI提取結(jié)果保存為478幅普通的100像素×100像素RGB圖像，并轉(zhuǎn)換為灰度圖像，圖像尺寸統(tǒng)一為28像素′28像素[29]。為了獲取更加精確的圖像信息，減少噪聲的影響，以光譜曲線的3個波峰760、930和980 nm為中心，獲?。?40～770 nm）、（910～950 nm）、（960～1 000 nm）3個波長范圍內(nèi)的圖像，取每個像素點(diǎn)對應(yīng)的灰度均值，獲得該樣本的特征圖像，將每幅圖像扁平歸一化為一維向量，共包含784個像素點(diǎn)，每個圖像對應(yīng)的數(shù)據(jù)維度是784。高光譜圖像數(shù)據(jù)融合方式包括數(shù)據(jù)層融合和特征層融合，由于光譜特征和圖像特征在性質(zhì)上有較大的差異，如果對兩者進(jìn)行特征層融合，各特征所占比重的不同會影響最終建模的精度，為避免該問題的出現(xiàn)，本文將光譜信息和圖像信息進(jìn)行數(shù)據(jù)層融合，數(shù)據(jù)總維度為1 262，輸入到SAE提取融合信息的深度特征。

1.7 建模方法及評價指標(biāo)

大米樣本高光譜圖像的光譜信息與圖像信息融合流程如圖4所示。

圖4 光譜信息與圖像信息融合流程

在SAE提取的光譜深度特征、圖像深度特征及二者融合信息的深度特征基礎(chǔ)上，采用支持向量機(jī)回歸（support vector regression，SVR）建立大米蛋白質(zhì)含量預(yù)測模型，并引用網(wǎng)格搜索法對SVR中核參數(shù)和懲罰因子尋優(yōu)。該方法采用5折交叉驗(yàn)證法在[-10,10]選擇最優(yōu)和，步長設(shè)置為0.5，對每個和建立SVR模型并計(jì)算驗(yàn)證集均方根誤差，和最佳值由最小驗(yàn)證集均方根誤差決定[30]。

2 結(jié)果與分析

2.1 基于光譜深度特征的建模結(jié)果與分析

為了獲取更加全面的光譜信息，本文選取整個大米樣本區(qū)域作為ROI，提取ROI的平均光譜信息作為該樣本的高光譜數(shù)據(jù)。全樣本的原始高光譜曲線如圖5a所示。高光譜數(shù)據(jù)在獲取過程中，往往會受到儀器噪聲等因素的影響，存在吸光度的非線性、基線變動和附加散射變動等問題，不可避免產(chǎn)生誤差。為了減少噪聲對模型的干擾，本文采用基于時域局部最小二乘法擬合的多項(xiàng)式平滑（savitzky-golay，SG）濾波方法[32]對原始高光譜曲線進(jìn)行預(yù)處理，經(jīng)過SG濾波后的高光譜曲線如圖5b所示，與圖5a原始樣本高光譜曲線相比，毛刺減少，曲線平滑度得到有效提升。

大米樣本的高光譜曲線可以有效地表征大米中蛋白質(zhì)等主要成分的化學(xué)信息，蛋白質(zhì)等化學(xué)信息可以通過C-H官能團(tuán)、O-H官能團(tuán)和N-H官能團(tuán)在特定波長下的伸縮變動體現(xiàn)。由圖5可知，雖然整體的反射光譜曲線波動不明顯，沒有特別明顯的波峰波谷，但在760、930和980 nm仍有小幅度的波峰出現(xiàn)。結(jié)合圖1分析可知，這些特征波段和蛋白質(zhì)中C-H鍵的振動和斷裂有直接關(guān)系，這些特征波段處的波動正是由于高溫高濕條件下不同放置時間的大米內(nèi)部蛋白質(zhì)含量不同而引起的，隨著放置時間的增加，蛋白質(zhì)含量減少，反射率逐漸增加。因此，高光譜曲線可以直觀地反映高溫高濕條件下不同放置時間大米蛋白質(zhì)含量的差異。

注：圖中反射率曲線對應(yīng)的樣本放置時間從下到上依次為0，24，48，72，96和120 h，全樣本量為420個。

針對高溫高濕條件下6組不同放置時間的大米樣本（每組包含70個樣本，訓(xùn)練集46個，預(yù)測集24個），分別采用3層隱含層SAE尋找最優(yōu)規(guī)模提取光譜深度特征，并利用SVR建立回歸模型，結(jié)果如表1所示，其中預(yù)測值表示每組樣本中預(yù)測集樣本的預(yù)測值均值。

表1 基于光譜深度特征信息的模型預(yù)測結(jié)果

注：最佳規(guī)模表示SAE數(shù)據(jù)維度和各層神經(jīng)元最佳個數(shù)。如478-400-290-70表示數(shù)據(jù)維度是478，神經(jīng)元個數(shù)分別是400、290、70，下同。

Note: Optimal scale means the data dimension and the optimal number of cell of each layer of SAE. E.g. 478-400-290-70 means data dimension is 478, the number of neurons is 400, 290 and 70 respectively, the same below.

對于SAE隱含層個數(shù)的設(shè)置，文獻(xiàn)[16]表明，對于小樣本而言，SAE隱含層個數(shù)并非越多越好。經(jīng)過試驗(yàn)，通過SAE參數(shù)規(guī)模尋優(yōu)，發(fā)現(xiàn)不同組樣本的最佳SAE規(guī)模不同，其中3層隱含層的建模效果普遍較好，而且將最初的478維降低到了較低維度20～90，減小了建模成本，提高了建模效率，與文獻(xiàn)[16]報道一致。

2.2 基于圖像深度特征的建模結(jié)果與分析

圖像深度特征提取結(jié)果如圖6所示，對于圖像信息，由于原始圖像尺寸均為100像素′100像素，所含冗余信息較多，故在特征提取前，將圖像尺寸統(tǒng)一為28像素′28像素。以第4組中某樣本為例，其高光譜圖像如圖6a所示，將高光譜圖像扁平化，轉(zhuǎn)換為784維的列向量，為了提高運(yùn)算效率，將該向量歸一化，結(jié)果如圖6b所示，并作為SAE的輸入提取圖像深度特征，結(jié)果如圖6c所示。圖6d是經(jīng)過SAE解碼重構(gòu)后的圖像信息，經(jīng)對比發(fā)現(xiàn)，重構(gòu)信息與原始信息大致趨勢相同。使用與2.1節(jié)相同方法劃分?jǐn)?shù)據(jù)集，采用SVR建立回歸模型，結(jié)果如表2所示。

圖6 圖像深度特征提取結(jié)果

表2 基于圖像深度特征的模型預(yù)測結(jié)果

2.3 基于光譜與圖像融合信息深度特征的建模結(jié)果與分析

為獲取更加全面的高光譜圖像數(shù)據(jù)，將478維光譜數(shù)據(jù)和784維圖像數(shù)據(jù)進(jìn)行融合，得到1 262維融合信息，輸入到SAE提取深度特征，使用與2.1節(jié)相同方法劃分各組樣本集，采用SVR建立回歸模型。經(jīng)過試驗(yàn)，建模結(jié)果如表3所示。

表3 基于光譜-圖像融合信息建模結(jié)果

表4 基于全樣本的不同模型預(yù)測結(jié)果對比

3 討 論

在已有的研究中，大米的蛋白質(zhì)含量無損檢測大都基于近紅外光譜，劉建學(xué)等[33]以二階導(dǎo)數(shù)譜建立大米蛋白質(zhì)含量預(yù)測模型，預(yù)測值和測定值間的相關(guān)系數(shù)達(dá)到0.94；Bagchi等[34]建立SNV-mPLS模型，預(yù)測糙米和米糠蛋白質(zhì)含量，模型的決定系數(shù)分別為0.918、0.567；Lin等[35]建立了多元線性回歸、偏最小二成回歸和人工神經(jīng)網(wǎng)絡(luò)模型對大米蛋白質(zhì)含量進(jìn)行數(shù)據(jù)分析，最終多元線性回歸的模型效果最佳，預(yù)測集決定系數(shù)為0.806，預(yù)測集標(biāo)準(zhǔn)誤差為0.266%。本文采用SAE提取大米樣本的高光譜圖像光譜深度特征，結(jié)合支持向量機(jī)建立蛋白質(zhì)含量預(yù)測模型，對于全樣本的預(yù)測集決定系數(shù)為0.939 2，均方根誤差為0.115 3 g/(100 g)。模型的效果優(yōu)于上述文獻(xiàn)方法，相較于文獻(xiàn)[34]，本文模型預(yù)測集決定系數(shù)提升了14.17%，進(jìn)一步驗(yàn)證了本文算法對于高光譜數(shù)據(jù)特征提取的高效性。

此外，傳統(tǒng)高光譜圖像的圖像信息處理方法主要通過提取顏色、紋理等特征進(jìn)行建模，但這些特征往往是片面的，最終的建模效果有一定的提升空間。本文首先將高光譜圖像按波段分離，通過獲取圖像的灰度值均值作為該樣本的特征圖像，最終得到784維的列向量，采用SAE提取其深度特征，結(jié)合支持向量機(jī)回歸建立蛋白質(zhì)含量預(yù)測模型，最終建模的訓(xùn)練集決定系數(shù)和均方根誤差為0.915 4和0.051 0 g/(100 g)，預(yù)測集決定系數(shù)和均方根誤差為0.821 0和0.111 8 g/(100 g)，建模效果良好，驗(yàn)證了圖像深度特征提取方法的可行性。

4 結(jié) 論

本研究采用SAE學(xué)習(xí)獲取大米高光譜圖像的光譜、圖像以及二者融合信息的深度特征，并結(jié)合支持向量機(jī)回歸建立大米蛋白質(zhì)含量預(yù)測模型，得出以下主要結(jié)論：

1）SAE算法提取特征功能強(qiáng)大。經(jīng)由SAE提取深度特征后，基于全部樣本的光譜信息、圖像信息以及二者融合信息的模型預(yù)測結(jié)果顯示，預(yù)測集決定系數(shù)分別為0.939 2、0.821 0、0.964 4，且均方根誤差較低，表明SAE適于高光譜圖像數(shù)據(jù)的降維。

2）對于高光譜圖像的圖像信息，與傳統(tǒng)的提取顏色、紋理等片面信息不同，本文采用SAE提取圖像信息的深度特征，結(jié)果表明，模型的預(yù)測集決定系數(shù)和均方根誤差分別是0.821 0和0.111 8 g/(100 g)，說明該深度特征包含了更加全面的圖像信息，為高光譜圖像的圖像處理方法提供了新思路。

[1] 孫俊，金夏明，毛罕平，等. 高光譜圖像技術(shù)在摻假大米檢測中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(21)：301－307.

Sun Jun, Jin Xiaming, Mao Hanping, et al. Application of hyperspectral imaging technology for detecting adulterate rice [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(21): 301-307. (in Chinese with English abstract)

[2] 賈瀟，趙謀明，賈春曉，等. 大米蛋白與阿魏酸酶法交聯(lián)物的乳化特性和抗氧化穩(wěn)定性[J]. 食品科學(xué)，2017，38(13)：131－137.

Jia Xiao, Zhao Mouming, Jia Chunxiao, et al. Emulsifying properties and antioxidant stability of enzymatically cross-linked products between rice protein and ferulic acid[J]. Food Science, 2017, 38(13): 131－137. (in Chinese with English abstract)

[3] 陳媛，張志國. 大米蛋白研究進(jìn)展[J]. 糧食與油脂，2017，30(7)：13－16.

Chen Yuan, Zhang Zhiguo. Research progress in rice protein [J]. Cereals and oils, 2017, 30(7): 13－16. (in Chinese with English abstract)

[4] 國家衛(wèi)生和計(jì)劃生育委員會.食品安全國家標(biāo)準(zhǔn)食品中蛋白質(zhì)的測定：GB5009.5-2016[S]. 北京: 中國標(biāo)準(zhǔn)出版社，2016.

[5] 彭彥昆，趙芳，李龍，等. 利用近紅外光譜與PCA-SVM識別熱損傷番茄種子[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(5)：159－165.

Peng Yankun, Zhao Fang, Li Long, et al. Discrimination of heat-damaged tomato seeds based on near infrared spectroscopy and PCA-SVM method [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(5): 159－165. (in Chinese with English abstract)

[6] 劉明博，李玉鵬，唐延林，等. 大米蛋白質(zhì)含量近紅外光譜檢測模型研究[J]. 中國農(nóng)學(xué)通報，2013(12)：212－216.

Liu Mingbo, Li Yupeng, Tang Yanlin, et al. Study on NIR spectral detection model of rice protein content[J]. Chinese Agricultural Science Bulletin, 2013(12): 212－216. (in Chinese with English abstract)

[7] Miryeong S, Franklineii B, Annam M C, et al. Near-infrared spectroscopy for determination of protein and amylose in rice flour through use of derivatives[J]. Cereal Chemistry, 2004, 81(3): 341－344.

[8] 賈桂鋒，陳偉，馮耀澤. 基于生物散斑圖像和慣性矩譜分析的牛肉摻腐檢測[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(16)：281－286.

Jia Guifeng, Chen Wei, Feng Yaoze. Quantification detection of beef adulteration with spoiled beef based on biospeckle imaging and inertia moment spectrum [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(16): 281－286. (in Chinese with English abstract)

[9] Camps-Valls G, Tuia D, Bruzzone L, et al. Advances in hyperspectral image classification[J]. IEEE Signal Processing Magazine, 2014, 31(1): 45－54.

[10] 劉小丹，馮旭萍，劉飛，等. 基于近紅外高光譜成像技術(shù)鑒別雜交稻品系[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(22)：189－194.

Liu Xiaodan, Feng Xuping, Liu Fei, et al. Identification of hybrid rice strain based on near-infrared hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(22): 189－194. (in Chinese with English abstract)

[11] 孫紅，鄭濤，劉寧，等. 高光譜圖像檢測馬鈴薯植株葉綠素含量垂直分布[J]. 農(nóng)業(yè)工程學(xué)報，2018，34(1)：149－156.

Sun Hong, Zheng Tao, Liu Ning, et al. Vertical distribution of chlorophyll in potato plants based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(1): 149－156. (in Chinese with English abstract)

[12] 孫俊，金夏明，毛罕平，等. 基于高光譜圖像光譜與紋理信息的生菜氮素含量檢測[J]. 農(nóng)業(yè)工程學(xué)報，2014，30(10)：167－173.

Sun Jun, Jin Xiaming, Mao Hanping, et al. Detection of nitrogen content in lettuce leaves based on spectroscopy and texture using hyperspectral imaging technology[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(10): 167－173. (in Chinese with English abstract)

[13] 臧卓，林輝，楊敏華. ICA與PCA在高光譜數(shù)據(jù)降維分類中的對比研究[J]. 中南林業(yè)科技大學(xué)學(xué)報，2011，31(11)：18－22.

Zang Zhuo, Lin Hui, Yang Minhua. Comparative study on descending dimension classification of hyperspectral data between ICA algorithm and PCA algorithm[J]. Journal of Central South University of Forestry & Technology, 2011, 31(11): 18－22. (in Chinese with English abstract)

[14] Liu Z, He Y, Cen H, et al. Deep feature representation with stacked sparse auto-encoder and convolutional neural network for hyperspectral imaging-based detection of cucumber defects[J]. Transactions of the ASABE, 2018, 61(2): 425－436.

[15] Yu J, Huang D, Wei Z. Unsupervised image segmentation via Stacked Denoising Auto-encoder and hierarchical patch indexing[J]. Signal Processing, 2017: 143, 346－353.

[16] 孫俊，靳海濤，武小紅，等. 基于低秩自動編碼器及高光譜圖像的茶葉品種鑒別[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2018，49(8)：316－323.

Sun Jun, Jin Haitao, Wu Xiaohong, et al. Tea variety identification based on low-rank stacked auto-encoder and hyperspectral image[J]. Transactions of the Chinese Society for Agricultural Machinery, 2018, 49(8): 316－323. (in Chinese with English abstract)

[17] Zhou F F. Improving prediction of self-interacting proteins using stacked sparse auto-encoder with PSSM profiles[J]. International Journal of Biological Sciences, 2018, 14(8): 983－991.

[18] Zhang F, Du B, Zhang L. Saliency-guided unsupervised feature learning for scene classification[J]. IEEE Transactions on Geoscience & Remote Sensing, 2014, 53(4): 2175－2184.

[19] 趙娟，彭彥昆. 基于高光譜圖像紋理特征的牛肉嫩度分布評價[J]. 農(nóng)業(yè)工程學(xué)報，2015，31(7)：279－286.

Zhao Juan, Peng Yankun. Distribution of beef tenderness grading based on texture features by hyperspectral image analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(7): 279－286. (in Chinese with English abstract)

[20] 董高，郭建，王成，等. 基于近紅外高光譜成像及信息融合的小麥品種分類研究[J]. 光譜學(xué)與光譜分析，2015，35(12)：3369－3374.

Dong Gao, Guo Jian, Wang Cheng, et al. The classification of wheat varieties based on near infrared hyperspectral imaging and information fusion[J]. Spectroscopy and Spectral Analysis, 2015, 35(12): 3369－3374. (in Chinese with English abstract)

[21] 孫威，劉英. 高氣溫高濕環(huán)境對大米氨基酸的影響[J]. 武漢輕工大學(xué)學(xué)報，2013(1)：24－27.

Sun Wei, Liu Ying. Effects of treatment of high temperature and high relative humidity on rice amino acids[J].Journal of Wuhan Polytechnic University, 2013(1): 24－27. (in Chinese with English abstract)

[22] 朱文靜，毛罕平，周瑩，等. 基于高光譜圖像技術(shù)的番茄葉片氮素營養(yǎng)診斷[J]. 江蘇大學(xué)學(xué)報：自然科學(xué)版，2014，35(3)：290－294.

Zhu Wenjing, Mao Hanping, Zhou Ying, et al. Hyperspectral imaging technology of nitrogen status diagnose for tomato leaves[J]. Journal of Jiangsu University: Natural Science Edition, 2014, 35(3): 290－294. (in Chinese with English abstract)

[23] 趙凡，董金磊，郭文川. 高光譜圖像光譜提取區(qū)域?qū)ΛJ猴桃糖度檢測精度的影響[J]. 現(xiàn)代食品科技，2016(4)：223－228.

Zhao Fan, Dong Jinlei, Guo Wenchuan. Effect of spectral extraction regions in hyperspectral images on the precision in determining the sugar content of kiwifruits[J]. Modern Food Science & Technology, 2016(4): 223－228. (in Chinese with English abstract)

[24] Bengio Y, Lamblin P, Dan P, et al. Greedy layer-wise training of deep networks[J]. Advances in Neural Information Processing Systems, 2007, 19: 153－160.

[25] Baldi P. Autoencoders, unsupervised learning and deep architectures[C]// International Conference on Unsupervised and Transfer Learning Workshop, 2011: 37－50.

[26] Vincent P, Larochelle H, Bengio Y, et al. Extracting and composing robust features with denoising autoencoders[C]// International Conference on Machine Learning, ACM, 2008: 1096－1103.

[27] Jaitly N, Hinton G E. Using an auto-encoder with deformable templates to discover features for automated speech recognition[C]// The 14th Annual Conference of the International Speech Communication Association, Lyon, 2013: 25－29.

[28] 郭玉寶. 大米儲藏陳化中蛋白質(zhì)對其糊化特性的影響及其相關(guān)陳化機(jī)制研究[D]. 南京: 南京農(nóng)業(yè)大學(xué)，2012.

Guo Yubao. The Effects of Protein on Pasting Properties of Rice During Storage Ageing and its Related Ageing Mechanism[D]. Najing: Nanjing Agricultural University, 2012. (in Chinese with English abstract)

[29] Chen Y, Lin Z, Zhao X, et al. Deep learning-based classification of hyperspectral data[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2014, 7(6): 2094－2107.

[30] Cheng P, Fan W, Xu Y. Quality grade discrimination of Chinese strong aroma type liquors using mass spectrometry and multivariate analysis[J]. Food Research International, 2013, 54(2): 1753－1760.

[31] Guo W, Shang L, Zhu X, et al. Nondestructive detection of soluble solids content of apples from dielectric spectra with ANN and chemometric methods[J]. Food and Bioprocess Technology, 2015, 8(5): 1126－1138.

[32] 孫俊，叢孫麗，毛罕平，等. 基于高光譜的油麥菜葉片水分CARS-ABC-SVR預(yù)測模型[J]. 農(nóng)業(yè)工程學(xué)報，2017，33(5)：178－184.

Sun Jun, Cong Sunli, Mao Hanping, et al. CARS-ABC-SVR model for predicting leaf moisture of leaf-used lettuce based on hyperspectral[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(5): 178－184. (in Chinese with English abstract)

[33] 劉建學(xué)，吳守一，方如明. 近紅外光譜法快速檢測大米蛋白質(zhì)含量[J]. 農(nóng)業(yè)機(jī)械學(xué)報，2001，32(3)：68－70.

Liu Jianxue, Wu Shouyi, Fang Ruming. Rapid measurement of rice protein content by near infrared spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery, 2001, 32(3): 68－70. (in Chinese with English abstract)

[34] Bagchi T B, Sharma S, Chattopadhyay K. Development of NIRS models to predict protein and amylose content of brown rice and proximate compositions of rice bran[J]. Food Chemistry, 2016, 191: 21－27.

[35] Lin L, Lu F, Chang Y. Prediction of protein content in rice using a near-infrared imaging system as diagnostic technique[J]. International Journal of Agricultural and Biological Engineering, 2019, 12(2): 195－200.

Prediction model of rice protein content based on hyperspectral image and deep feature

Sun Jun, Jin Haitao, Lu Bing, Wu Xiaohong, Shen Jifeng, Dai Chunxia

(212013,)

nondestructive detection; spectrum analysis; models; hyperspectral imaging; stacked auto-encoder; deep feature; rice; protein content

10.11975/j.issn.1002-6819.2019.15.036

S126

A

1002-6819(2019)-15-0295-09

2018-12-11

2019-06-06

國家自然科學(xué)基金資助項(xiàng)目（31471413）；江蘇高校優(yōu)勢學(xué)科建設(shè)工程資助項(xiàng)目PAPD（蘇政辦發(fā)2011 6號）；江蘇省六大人才高峰資助項(xiàng)目（ZBZZ-019）；常州市科技支撐（社會發(fā)展）項(xiàng)目（CE20185029）

孫 俊，教授，博士，博士生導(dǎo)師。研究方向?yàn)橛?jì)算機(jī)技術(shù)在農(nóng)業(yè)工程中的應(yīng)用。Email：sun2000jun@ujs.edu.cn

孫 俊，靳海濤，蘆兵，武小紅，沈繼鋒，戴春霞. 基于高光譜圖像及深度特征的大米蛋白質(zhì)含量預(yù)測模型[J]. 農(nóng)業(yè)工程學(xué)報，2019，35(15)：295－303. doi：10.11975/j.issn.1002-6819.2019.15.036 http://www.tcsae.org

Sun Jun, Jin Haitao, Lu Bing, Wu Xiaohong, Shen Jifeng, Dai Chunxia. Prediction model of rice protein content based on hyperspectral image and deep feature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(15): 295－303. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.15.036 http://www.tcsae.org