孫曉榮 鄭冬鈺 劉翠玲 吳靜珠 靳佳蕊

(1. 北京工商大學(xué)人工智能學(xué)院，北京 100048；2. 食品安全大數(shù)據(jù)技術(shù)北京市重點實驗室，北京 100048)

小麥粉是由小麥籽粒經(jīng)研磨粉碎制成的粉體[1]，在中國需求極大。目前，小麥粉品質(zhì)檢測采用傳統(tǒng)的離線檢測方法[2-3]，測量時間長、對樣品有損害，因此，設(shè)計一個小麥粉在線快速、無損檢測系統(tǒng)極為重要。

Xue等[4]使用近紅外光譜實現(xiàn)了在線測量秸稈作物的燃料特性，并分析了焦距、傳送帶速度、積分時間等對近紅外在線采集的影響；郝勇等[5]使用可見—近紅外光譜技術(shù)建立了Adaboost分類模型，可對鴨梨黑心病進(jìn)行在線檢測和識別；楊盛杰等[6]開發(fā)了可作為卸糧裝置的機載式谷物水分近紅外光譜實時檢測系統(tǒng)樣機；沈廣輝等[7]利用自主搭建的在線近紅外平臺掃描樣品的動態(tài)光譜，通過競爭自適應(yīng)重加權(quán)法(CARS)篩選出與品質(zhì)參數(shù)密切相關(guān)的變量，結(jié)合偏最小二乘法建立了玉米籽粒中水分、粗蛋白、粗灰分和總能在線定量分析模型；王樂等[8]通過在豆粕生產(chǎn)線上安裝在線近紅外檢測設(shè)備建立了近紅外光譜分析模型。龔中良等[9]為在線獲取干燥過程中油茶籽含水量，采用基于干燥工況參數(shù)與干燥腔進(jìn)出口含濕量差、含濕量差變化率參數(shù)，建立了隨機森林模型。綜上，近紅外光譜分析技術(shù)以其多成分同時檢測，采集速度快、成本低、無前處理、無破壞性、無污染、可應(yīng)用于在線檢測等特點[10-12]，被廣泛應(yīng)用于食品和農(nóng)產(chǎn)品生產(chǎn)流水線持續(xù)工作的在線檢測領(lǐng)域中[13]。

由于實驗室近紅外檢測裝置體積大，費用高，不適宜安裝在小麥生產(chǎn)線管道附近對小麥粉品質(zhì)進(jìn)行實時檢測，因此，研究擬選擇結(jié)構(gòu)緊湊、輕便、成本相對低的MicroNIR-2200微型近紅外光譜儀作為采集設(shè)備，以古船小麥粉廠的小麥粉為研究對象，以水分、灰分、面筋的實際含量作為檢測指標(biāo)，設(shè)計并搭建基于近紅外光譜分析技術(shù)的小麥粉品質(zhì)在線檢測系統(tǒng)，旨在實現(xiàn)在線、快速、無損檢測小麥粉品質(zhì)，為小麥粉生產(chǎn)工廠和企業(yè)及市場監(jiān)督提供更高效的檢測手段。

1 總體方案設(shè)計

基于微型近紅外光譜儀的小麥粉品質(zhì)在線無損檢測系統(tǒng)整體結(jié)構(gòu)設(shè)計如圖1所示。

圖1 小麥粉品質(zhì)在線檢測系統(tǒng)總體設(shè)計方案圖

微型近紅外光譜儀集成裝置和生產(chǎn)線可調(diào)速模擬裝置用于在線采集小麥粉樣品的近紅外光譜。微型近紅外光譜儀與內(nèi)置S3C2416嵌入式開發(fā)板通過USB數(shù)據(jù)線實現(xiàn)數(shù)據(jù)交互，S3C2416嵌入式開發(fā)板與光譜采集軟件通過網(wǎng)線實現(xiàn)數(shù)據(jù)交互，接收分析軟件的指令并將最終的吸光度數(shù)據(jù)保存至指定路徑，生成建模所需的光譜數(shù)據(jù)。光譜在線采集控制軟件由實驗室自主研發(fā)，實現(xiàn)微型近紅外光譜儀集成裝置和生產(chǎn)線可調(diào)速模擬傳輸裝置的配合。在線建模分析軟件包括數(shù)據(jù)載入、數(shù)據(jù)處理、數(shù)據(jù)分析、可視化輸出與異常捕獲4個模塊，實現(xiàn)多種預(yù)處理算法和定量建模算法在上位軟件上的可視化選擇，以及建模結(jié)果和預(yù)測結(jié)果的可視化輸出。

2 系統(tǒng)硬件設(shè)計

2.1 微型近紅外光譜儀集成裝置

微型近紅外光譜儀集成裝置主要由微型近紅外光譜儀MicroNIR-2200、激光發(fā)射器、S3C2416嵌入式開發(fā)板、反射板、步進(jìn)電機、220 V轉(zhuǎn)5 V變壓器、USB轉(zhuǎn)換口、網(wǎng)線、藍(lán)寶石玻璃等組成，外部封裝由JDSU公司提供的金屬外殼進(jìn)行封裝。

微型近紅外光譜儀MicroNIR-2200內(nèi)部配備了一個128像素探測器陣列，每次采集光譜得到128個數(shù)據(jù)點的矩陣，包含波長和吸光度信息，吸光度數(shù)據(jù)可直接通過USB接口供電和數(shù)據(jù)傳輸，每個樣品掃描后得到3條光譜，以便于求平均光譜，減少單次掃描產(chǎn)生的隨機誤差。S3C2416嵌入式開發(fā)板將光譜分析軟件發(fā)出的命令，通過網(wǎng)線傳輸，發(fā)送給微型近紅外光譜儀，同時將光譜儀采集到的數(shù)據(jù)打包轉(zhuǎn)發(fā)返回至計算機上。

在數(shù)據(jù)處理接口，采用三次樣條插值算法，對采集到的吸光度數(shù)據(jù)進(jìn)行平滑處理，由128個數(shù)據(jù)點變?yōu)?25個，使得最終獲取的光譜更加光滑，減少噪聲等干擾。反射板、步進(jìn)電機和變壓器等主要是為了進(jìn)行暗電流校正和100%反射校正，相當(dāng)于背景校正，暗電流校正數(shù)據(jù)、100%反射數(shù)據(jù)與有效光譜數(shù)據(jù)一起經(jīng)過計算得到最終的吸光度數(shù)據(jù)。

2.2 生產(chǎn)線可調(diào)速模擬傳送裝置

該模擬裝置由4部分傳送裝置組成，包括兩個直線傳輸裝置和兩個180°轉(zhuǎn)彎傳輸裝置，組成一個大的環(huán)形傳送裝置，傳送帶順時針轉(zhuǎn)動，方向不可逆。電動機通過聯(lián)軸器、減速器帶動傳動滾筒轉(zhuǎn)動和其他驅(qū)動機構(gòu)，借助滾筒和其他驅(qū)動機構(gòu)與傳送帶之間的摩擦力，使輸送帶運動，并通過電子調(diào)速器進(jìn)行調(diào)速。

3 系統(tǒng)軟件設(shè)計

3.1 光譜在線采集控制軟件

光譜在線采集控制軟件是實驗室根據(jù)小麥粉樣本自主研發(fā)的光譜采集軟件，主要包括儀器初始化、硬件性能測試，儀器信息獲取、光譜測試4個部分。儀器初始化主要是連接服務(wù)器，配置光譜采集的積分時間，單次采集的光譜數(shù)和光譜保存路徑，以及打開光譜儀。硬件性能測試包括光源、信號燈、步進(jìn)電機控制反射板和激光器性能是否正常，能否保證正常工作。儀器信息主要是在采集過程中隨時獲取檢測溫度，這是因為隨著檢測時間的延長，光譜儀的內(nèi)部溫度會逐漸升高，容易導(dǎo)致基線漂移和光譜失真等情況，因此定時獲取儀器溫度，便于保證光譜儀在正常工作溫度范圍內(nèi)采集光譜。光譜測試包括暗電流校正、100%反射校正和光譜采集，每次采集光譜前都要進(jìn)行暗電流校正和100%反射。光譜在線采集控制軟件功能如圖2所示。

1. 儀器初始化 2. 儀器信息獲取 3. 硬件性能測試 4. 光譜檢測

在原光譜檢測軟件手動控制單次采集光譜的基礎(chǔ)上，實現(xiàn)了自動采集光譜的功能：當(dāng)選擇自動掃描工作模式，就會自動采集光譜，并進(jìn)行保存。單次掃描光譜包括暗電流校正、100%反射和光譜采集3步，同時每次掃描均獲取儀器溫度接口，判斷其是否在正常工作范圍內(nèi)，當(dāng)溫度超過范圍，光譜采集軟件自動停止工作，待溫度恢復(fù)至正常范圍時，再重新開始工作。

紹圣五年（1098），山谷54歲，以避表外兄張向之嫌，遷戎州（今四川省宜賓）安置。山谷初到戎州，居南寺無等院，在院中自筑小屋，取名“槁木寮”，或稱“死灰庵”。山谷《書遺道臻墨竹后與斌老》：“元符三年三月，戎州無等院涪翁借地所筑槁木庵中書?！保ā渡焦阮}跋》卷八）山谷寓居南寺無等院，心已如槁木死灰，為居室起名“槁木寮”“死灰庵”。（未完）

3.2 在線建模分析軟件

在線分析軟件主要對采集到的光譜數(shù)據(jù)和各組分化學(xué)值進(jìn)行數(shù)據(jù)處理和數(shù)據(jù)分析，主要包括樣本劃分、預(yù)處理、特征提取、建模及預(yù)測。

在線分析軟件工作流程：用戶在獲取賬號名、密碼后，通過登錄進(jìn)入主界面，首先以讀取本地文件的方式配置數(shù)據(jù)源，然后依次選擇樣本劃分、預(yù)處理、特征提取、建模、預(yù)測的算法和相應(yīng)參數(shù)，系統(tǒng)將自動生成相應(yīng)的模型并展示在UI界面，同時界面提供了完備的異常捕獲和運行日志，方便用戶實時查看算法執(zhí)行情況。

3.2.1 數(shù)據(jù)載入 用戶在使用在線軟件分析數(shù)據(jù)時，需先通過獲取數(shù)據(jù)模塊加載數(shù)據(jù)源。數(shù)據(jù)源是在線采集到的光譜數(shù)據(jù)(包括波長文件、吸光度文件、化學(xué)值文件)并通過轉(zhuǎn)儲成Matlab可讀文件。

3.2.2 數(shù)據(jù)處理 數(shù)據(jù)處理模塊是預(yù)處理階段，用戶在使用該模塊時需選擇預(yù)處理算法以及相應(yīng)算法的參數(shù)。獲取用戶輸入后，通過Matlab數(shù)據(jù)處理后，生成數(shù)據(jù)源的建模集、預(yù)測集、吸光度、組分含量，并將上述結(jié)果返回至UI展示。

預(yù)處理算法包括一階導(dǎo)數(shù)、二階導(dǎo)數(shù)、線性分段校正(PLC)、矢量歸一化(SNV)多元散射校正(MSC)、S-G卷積平滑和直接差分法(NDF)。

3.2.3 數(shù)據(jù)分析 數(shù)據(jù)分析模塊主要包括建模和預(yù)測兩個階段，用戶在使用該模塊時需選擇特征提取算法、建模算法以及對應(yīng)算法的參數(shù)，獲取輸入后傳遞給建模方法并得到處理結(jié)果。

定量建模算法包括多元線性回歸(MLR)、主成分回歸(PCR)及偏最小二乘回歸(PLSR)。

3.2.4 可視化輸出與異常捕獲 模型展示與日志模塊主要包括運行模型圖像的展示、軟件運行日志的記錄、展示、清空。該模塊的模型圖像展示基于Python Canvas，通過將Canvas注冊至Tkinter中并制定master，將數(shù)據(jù)模型展示至GUI中；運行日志基于Tkinter ScrolledText實現(xiàn)，在程序執(zhí)行的關(guān)鍵步驟后調(diào)用insertTolog方法將執(zhí)行結(jié)果輸出至ScrolledText中滾動展示，并自定義方法emptyLog用于清空當(dāng)前存儲的運行日志。

4 系統(tǒng)測試

4.1 試驗樣本

試驗樣本全部取自北京古船小麥粉廠不同生產(chǎn)日期、不同批次以及不同種類的小麥粉產(chǎn)品，小麥粉樣品共120個，對所有樣品從1～120進(jìn)行編號，其中100個作為校正集樣本，20個作為預(yù)測集樣本。小麥粉樣本水分、灰分和面筋含量特性見表1，由該系統(tǒng)微型近紅外光譜儀集成裝置采集的小麥粉樣本近紅外光譜如圖3所示。

4.2 小麥粉品質(zhì)檢測

該系統(tǒng)以決定系數(shù)(R2)、校正均方根誤差(RMSEC)和預(yù)測均方根誤差(RMSEP)為模型的評價指標(biāo)，并分別按式(1)～式(3)進(jìn)行計算。R2值越接近1，預(yù)測結(jié)果越準(zhǔn)確，RMSEC和RMSEP值越小，誤差越小，預(yù)測精度越高。

表1 小麥粉樣本特性

圖3 小麥粉樣品近紅外光譜圖

(1)

(2)

(3)

式中：

yi,actual——第i個樣本測定值；

yi,predicted——校正集或預(yù)測集預(yù)測過程中第i個樣本的預(yù)測值；

n——校正集或預(yù)測集樣本數(shù)；

ERMSEC——校正均方根誤差；

ERMSEC——預(yù)測均方根誤差；

m——預(yù)測集樣本數(shù)。

選用多元線性回歸(MLR)、主成分回歸(PCR)和偏最小二乘回歸(PLSR)3種定量算法結(jié)合多種預(yù)處理方法，建立小麥粉的水分、灰分、面筋定量分析模型，并各選擇較好的9個模型進(jìn)行對比，結(jié)果見表2。

由表2可知，由試驗系統(tǒng)采集并進(jìn)行數(shù)據(jù)分析的模型預(yù)測集R2均在0.9左右，滿足市場檢測要求，偏最小二乘回歸(PLSR)建立的小麥粉水分、灰分、面筋定量分析模型整體優(yōu)于多元線性回歸(MLR)和主成分回歸(PCR)算法，表明試驗設(shè)計的小麥粉在線無損快速檢測系統(tǒng)具有可行性。

表2 小麥粉水分、灰分、面筋建模結(jié)果對比表

4.3 試驗條件對建模結(jié)果的影響

試驗系統(tǒng)在線采集光譜環(huán)節(jié)需要考慮很多因素，包括樣品包裝材質(zhì)的選擇、采集速度以及積分時間，同時還要考慮試驗環(huán)境、溫度、光照等因素。為了保證試驗效果，嚴(yán)格控制在相對密閉的試驗空間，保證溫度、光照相同，在此基礎(chǔ)上測試不同包裝材質(zhì)、采集速度和積分時間對建模結(jié)果的影響。

4.3.1 包裝材質(zhì) 包裝材質(zhì)考察塑料袋和石英杯兩種，采用樣本劃分后的100個校正集和20個預(yù)測集樣本進(jìn)行研究。靜態(tài)試驗中，對于MicroNIR-2200探頭的最佳積分時間為5 500 ms，在同一采集速度(1.676 cm/s)同一積分時間(5 500 ms)的情況下采集光譜數(shù)據(jù)，并以水分為例建立偏最小二乘回歸(PLSR)模型，建模結(jié)果如表3所示。由表3可知，用石英杯盛放樣本進(jìn)行光譜采集的建模結(jié)果較好。

表3 包裝材質(zhì)對建模效果的影響

4.3.2 采集速度和積分時間匹配測試 在線采集光譜數(shù)據(jù)時，傳送帶速度接近或等于樣本通過光源的時間為最佳積分時間。近紅外光譜檢測中，傳送帶運行速度和微型近紅外光譜儀積分時間可能存在最佳匹配。試驗使用的光譜儀探頭直徑約為45 mm，選定5 cm距離，并依此算出15檔速度(0.835 cm/s)、20檔速度(1.676 cm/s)、25檔速度(2.196 cm/s)下光譜儀的積分時間取整分別為6 000，3 000，2 300 ms，涵蓋了微型近紅外光譜儀靜態(tài)采集的最佳積分時間為5 500 ms，通過3組匹配測試得到的水分PLSR建模結(jié)果如表4所示。

由表4可知，傳送帶保持15檔速度(0.835 cm/s)，微型近紅外光譜儀積分時間為6 000 ms時，PLSR建模效果最佳，該測試數(shù)據(jù)成功驗證了在線光譜采集速度與積分時間存在最佳匹配，為選擇傳送帶速度和光譜儀積分時間提供了可能性。

表4 3組速度與積分時間匹配試驗建模結(jié)果對比

5 結(jié)論

搭建了小麥粉在線模擬可調(diào)速傳送裝置，開發(fā)了小麥粉在線建模分析軟件，結(jié)合微型近紅外光譜儀集成裝置和光譜采集控制軟件，搭建了基于微型近紅外光譜儀的小麥粉在線無損快速檢測系統(tǒng)，將定量分析模型穩(wěn)健性優(yōu)化實現(xiàn)了軟件可視化選擇。但由于小麥粉樣品數(shù)量的局限性、試驗環(huán)境和儀器自身因素的影響，以及建模算法不夠完善，該系統(tǒng)的穩(wěn)健性和模型預(yù)測精度還有待進(jìn)一步提高。