Гиперспектральная визуализация для оценки содержания бета-глюкана в овсе
Овес является важной зерновой культурой с высоким содержанием питательных веществ и низким содержанием сахара. Особую ценность представляет β-глюкан, пищевое волокно, содержащееся в овсе, обладающее доказанными полезными свойствами для здоровья, такими как снижение уровня холестерина и стабилизация уровня сахара в крови.
Традиционные методы определения содержания β-глюкана (колориметрические и ферментные) отличаются высокой точностью, но являются трудоемкими, дорогостоящими и непригодными для оперативного анализа больших объемов зерна.
Гиперспектральная визуализация представляет собой перспективный подход, позволяющий одновременно получать пространственное и спектральное распределение объекта. Эта технология обеспечивает быстрое, неразрушающее и многокомпонентное определение внутренних качественных характеристик продукта без сложной пробоподготовки. Существуют различные типы гиперспектральных систем (на основе дифракционных решеток, акустооптических фильтров, призм и др.). Гиперспектральная визуализация успешно применяется в сельском хозяйстве и пищевой промышленности для контроля качества различных продуктов.
Материалы и методы
Материалы и оборудование
Образцы овса: Лущеный овес (Avena spp.), выращенный в окрестностях г. Синин, провинция Цинхай. Отобранный овес был неповрежденным, без признаков плесени и прорастания. Хранение осуществлялось в помещении при 20°C.
Гиперспектральная камера: Модель FS13 производства Hangzhou Caipu Technology Co., Ltd. (диапазон 400-1000 нм, спектральное разрешение < 2.5 нм, 1200 спектральных каналов, скорость съемки до 128 кадров/с в полном спектре и до 3300 Гц после выбора полос).
Процедура эксперимента
Подготовка образцов
После тщательного перемешивания овес отбирался методом квартования и распределялся равномерным слоем (толщина 1 см) в чашках Петри (диаметр 10 см), стараясь минимизировать зазоры между зернами. Всего было подготовлено 200 образцов, которые случайным образом распределили на обучающую (150 образцов) и тестовую (50 образцов) выборки, и пронумеровали.
Сбор гиперспектральных данных
Гиперспектральные изображения образцов были получены с использованием системы визуализации (см. Рисунок 1) при следующих параметрах: высота камеры 33 см, время экспозиции 25 мс, скорость перемещения платформы 27 мм/с.
Коррекция шума
Для компенсации влияния неравномерного освещения и темнового тока камеры была проведена калибровка с использованием эталонных изображений, полученных с белой и черной пластинами.
Предобработка данных
В связи с неровностью поверхности образца (плотный слой зерен овса), важным этапом являлась предобработка спектральных данных для минимизации влияния шума, фона и рассеянного света. Для каждой пробы выделялась фиксированная область размером 25x25 пикселей, и рассчитывалось среднее значение спектра. Для устранения влияния неровности поверхности использовались методы стандартизации переменных и коррекции мультипликативного рассеяния (MSC). Дополнительно, были исключены 20 спектральных каналов с каждой стороны диапазона (400-1000нм) для уменьшения краевых эффектов.
Результаты и обсуждение
Определение содержания β-глюкана эталонным методом и статистический анализ
После сбора гиперспектральных данных образцы овса были измельчены и просеяны для подготовки к анализу. Содержание β-глюкана было измерено с использованием стандартного метода NY/T 2006-2011. Результаты измерений представлены в Таблице 1 и демонстрируют хорошее соответствие и однородность содержания β-глюкана между обучающей и тестовой выборками.
Спектральные характеристики овса
На основе спектральных кривых 150 образцов обучающей выборки был рассчитан средний спектр отражения овса (Рис. 2). Наблюдались характерные полосы поглощения вблизи длин волн 640 нм и 840 нм, что отражается в виде минимумов на кривой отражения.
Отбор и предобработка гиперспектральных данных
Для уменьшения размерности данных и повышения эффективности анализа была применена кусочно-линейная регрессия. В результате была выбрана длина волны 640 нм, обеспечивающая оптимальный баланс между скоростью распознавания и точностью анализа. На Рисунке 3 представлена диаграмма рассеяния значений спектрального отражения на длине волны 640 нм в зависимости от содержания β-глюкана.
Разработка модели прогнозирования на основе нейронной сети обратного распространения (BP)
Для прогнозирования содержания β-глюкана в овсе была разработана модель на основе нейронной сети BP (структура представлена на Рис. 4). В качестве входных данных использовалась информация о спектре (Pi), полученная методом кусочно-линейной регрессии. В качестве передаточной функции скрытого слоя использовалась тангенциальная функция logsig. Выходной слой соответствовал прогнозируемому содержанию β-глюкана (a). Количество нейронов в скрытом слое было оптимизировано эмпирически, путем последовательных итераций. Обучение сети проводилось с использованием алгоритма Гаусса-Ньютона с максимальным количеством итераций 1000 и целевой ошибкой 0.02%. Функция обучения описывается выражением logsig(Q+X), где Q – веса, соответствующие различным участкам спектра, а X – остаточная ошибка.
Результаты обучения показали (Рис. 5), что прогнозируемые значения содержания β-глюкана хорошо согласуются с эталонными значениями, а среднее абсолютное отклонение составляет около 0.02%. Это свидетельствует об успешной разработке количественной модели для оценки содержания β-глюкана в овсе на основе анализа спектральных данных.
Верификация и оценка точности модели
Для оценки прогностической способности разработанной нейронной сети BP была проведена верификация модели на независимой тестовой выборке (50 образцов). Разница между спрогнозированными и лабораторно определенными значениями содержания β-глюкана варьировалась от 0 до 0.56, что указывает на хорошую точность модели (Таблица 2). В частности, для большинства образцов (60%) разница не превышала 0.2, и лишь для одного образца превысила 0.5.
Анализ статистических показателей (Таблица 3) подтвердил высокую точность модели: коэффициент детерминации (R) для обучающей выборки составил 0.97 (RMSE=0.64), а для тестовой выборки - 0.98 (RMSE=0.58).
Графическое представление результатов верификации (диаграмма рассеяния на Рисунке 6) демонстрирует хорошее соответствие между спрогнозированными и измеренными значениями содержания β-глюкана, что подтверждает применимость разработанной модели на основе нейронной сети BP для неразрушающего прогнозирования содержания β-глюкана в овсе.
Заключение
В настоящей работе продемонстрирована возможность применения гиперспектральной визуализации (400-1000 нм) в сочетании с методом кусочно-линейной регрессии и нейронной сетью BP для неразрушающего прогнозирования содержания β-глюкана в овсе. Разработанная трехслойная модель нейронной сети обеспечила удовлетворительную точность прогнозирования.
Данное исследование представляет собой новый подход к оперативному и неразрушающему контролю качества овса и может служить основой для разработки мультиспектральных систем мониторинга качества зерна. Полученные результаты открывают перспективы для широкого применения гиперспектральной визуализации в сельском хозяйстве.
