论文部分内容阅读
随着工业污染的日益加剧,重金属铅逐渐侵害我国的耕地、水源和空气,对农业生产安全构成巨大挑战。高浓度的铅不仅会抑制蔬菜的生长,导致蔬菜减产,甚至还会通过食物链逐级在生物体内富集,严重危害人们身体健康。因此,寻找快速检测蔬菜铅含量的方法对保证蔬菜产业的发展和人体健康具有重要的研究意义。目前,常用的化学分析法能够实现重金属的痕量检测,但是该方法破坏性强、耗材大、过程繁琐,难以进行实时检测。高光谱图像技术作为兴起的无损检测技术,在农副产品的品质检测中具有广泛的应用。高光谱数据存在相关性强和冗余度高的问题,如何有效处理非线性高光谱数据是研究的难点。传统的高光谱数据分析方法建模精度较低,难以满足精确检测的要求,而深度信念网络(DBN)可以提取出原始数据中的本质特征,同时具备更强的预测能力。因此,本文将DBN应用到高光谱数据的处理中,将光谱数据直接作为网络的输入,建立生菜叶片铅含量的预测模型,并与传统模型进行对比分析,具体的研究内容如下:(1)基于高光谱图像信息划分得到生菜叶片样本的训练数据。采集了360个生菜叶片高光谱图像,将整个生菜样本作为感兴趣区域(ROI),计算ROI的平均光谱值,并将其作为样本的光谱数据。通过石墨炉原子吸收光谱法获取生菜叶片中铅含量的真实值。去除抖动性强的波段后,采用SG平滑算法对光谱数据进行降噪处理,接着根据SPXY算法按照3:1的比例划分校正集和测试集,最终校正集和预测集的个数分别为270和90。(2)基于传统算法构建生菜叶片的铅含量预测模型。首先,采用连续投影算法(SPA)和主成分分析算法(PCA)分别获取特征光谱数据。然后,采用浅层结构算法BP神经网络建立分析模型。其中,SPA-BP模型的预测效果要优于PCA-BP模型,说明PCA的特征提取能力略逊于SPA。为了进一步改善BP神经网络的预测性能,分别采用粒子群优化算法(PSO)和灰狼优化算法(GWO)对BP神经网络进行寻优。结果表明,SPA-GWO-BP模型的预测效果最佳,R_c~2和R_p~2分别为0.932和0.910,RMSEC和RMSEP分别为0.342 mg/kg和0.383 mg/kg,RPD为3.886,运行时间为20.427 s。(3)基于DBN算法构建生菜叶片的铅含量预测模型。将预处理后的光谱数据进行归一化,并将其作为DBN网络的输入,分析DBN的网络参数对建模结果的影响。其中,网络结构设置为399-150-100-50-1,学习率为0.1,批量大小为90时,DBN模型的预测精度最高,R_c~2和R_p~2分别为0.950和0.935,RMSEC和RMSEP分别为0.275 mg/kg和0.332 mg/kg,RPD为4.492,运行时间为10.457s。(4)基于改进DBN算法构建生菜叶片的铅含量预测模型。为了避免DBN模型在训练的过程中陷入局部最优,分别利用PSO算法和GWO算法优化DBN网络的初始权重和偏置。改进后的DBN模型虽然训练时间较长,但是预测精度和稳定性都得到了提高。此外,与PSO-DBN模型相比,GWO-DBN模型的预测精度更高,稳定性更强,训练时间更短。GWO-DBN模型的R_c~2和R_p~2分别是0.980和0.973,RMSEC和RMSEP分别是0.204 mg/kg和0.226 mg/kg,RPD达到6.582,训练时长为25.382s。将SPA-GWO-BP模型和DBN模型进行对比分析,可以发现DBN模型的预测精度更高,验证了深度学习模型的高效性。DBN算法经过群体智能算法优化后,所建立的深度模型性能得到进一步提高,表明将高光谱图像技术与GWO-DBN模型相结合可以更高效地实现生菜叶片铅含量的快速、无损、精确检测,为实时监测蔬菜的重金属含量提供了技术支持。