以面粉为研究对象, 运用漫透射近红外光谱检测技术, 是因为漫透射检测方式可以透过样品使携带有大量样品内部的光谱信息被捕捉接收, 且加装反射罩不仅可以使得未被光谱仪采集到的信息通过样品表面的反射再次被光谱仪所接收, 还可以防止外界杂散光的干扰, 使得光谱更能如实的反应样品内部信息^{[11, 12]}。 近红外是基于可见光和中红外之间的电磁波, 当近红外照射到物体上时, 特定频率的光与被照物体的某个含氢基团的振动频率一样, 那么该特定频率的光会被吸收, 经过该物体透射后的近红外光便可反映其内部结构信息^[13]。 该面粉多品质检测仪包括光谱采集模块、 光源控制模块、 处理与显示模块和电源模块构成, 通过实时检测软件来控制光源的开关, 利用USB数据线实现光谱仪与树莓派之间的通信。 利用移植好的预测模型进行面粉的湿度和DON的预测, 其工作原理图如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 检测仪工作原理图Fig.1 Working principle of detection system

为了缩小仪器尺寸, 使仪器更具便携性, 将锂电池放入自行设计的检测附件下面, 仪器外壳背面留有锂电池充电口, 仪器内壁分别安装光谱仪、 树莓派4B和光源控制板, 通过挡板的上下移动带动附件中反射罩的上下移动, 实现样品的放置与取出。 自行设计的检测附件不仅可以通过反射罩实现光谱补偿功能还可以避免外界光的干扰。 通过移动燕尾导轨滑块带动反射罩上下移动, 实现与外界光的隔绝, 保证光谱采集时免受外界杂散光的干扰, 提高光谱的信噪比。 整个仪器的结构示意图如图2所示, 结构紧凑, 空间布置合理。 仪器尺寸大小为250 mm× 170 mm× 300 mm。

图2

Fig.2

Figure Option ViewDownloadNew Window

图2 检测仪器硬件示意图 (a): 仪器结构图; (b): 仪器实物图; 1: 壳体; 2: 通风孔; 3: 微型光谱仪; 4: 把手; 5: 上盖及触摸屏; 6: 树莓派4B; 7: 凸台; 8: 光源控制电路板; 9: 卡槽; 10: 检测附件; 11: 电源Fig.2 Schematic diagram of device hardware (a): Instrument strumcture diagram; (b): Physical drawing of instrument 1: Shell; 2: Vent; 3: Micro spectrometer; 4: Grip; 5: Upper cover and touch screen; 6: Raspberry Pi 4B; 7: Lug boss; 8: Light source control circuit board; 9: Card slot; 10: Testing accessories; 11: Power Supply

1.2.1 光谱采集模块

光谱采集模块由光谱仪和检测附件组成, 光谱仪选购了德国INSION公司的NIR 1.7/S 微型近红外光谱仪, 有效波段为: 910~1 900 nm, 分辨率为16 nm, 波长重复性为 0.1 nm, 信噪比为5 000:1, 自带散热风扇。 该光谱仪把所有的光学元器件集成在一块基底材料上, 具有良好的抗震性。 由自行设计的检测附件不仅具有光补偿的功能其上下移动的导轨滑块带动调节杆再带动反射罩还可以防止外界杂散光的干扰, 有效降低光谱采集时的噪声。 该检测附件如图3所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 检测附件 1: 载物台; 2: 铜螺柱; 3: 光源座; 4: 光源盖; 5: 参考盒; 6: 反射罩; 7: 光纤准直镜; 8: 调节杆; 9: 燕尾导轨滑块; 10: 燕尾导轨; 11: 支架Fig.3 Test accessories 1: Objective table; 2: Copper stud; 3: Light source seat; 4: Light source cover; 5: Sample pool; 6: Reflective cover; 7: Optical fiber collimating mirror; 8: Adjusting rod; 9: Swallowtail guide slide block; 10: Dovetail guide rail; 11: Support

光谱仪通过自身携带的光纤与检测附件通过光纤准直镜7连接, 实现样品光谱信息的采集。 参考盒中分别放入1, 1.5, 2, 2.5, 3和3.5 g面粉样品, 表面等重压平, 在外界光源环境相同的情况下, 利用自己编写的检测软件设置积分时间为50 ms, 平均扫描次数为2, 采集全波段吸光度, 如图4所示。 从图中可以看出, 不同样品量的光谱曲线大致相同, 由于长波近红外穿透力较弱, 随着样品量的增加, 不仅长波区域采集到的噪音会增加, 而且相应样品的吸光度也会增加。 1 200 nm波长点附近具有明显的吸收峰, 表明随着样品量的增加水分的倍频信息也会相应增加。 故选择样品量为2 g, 光谱噪音较少, 利于后续建模。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 不同样品量的光谱曲线Fig.4 Spectra of flour samples with different quantities

1.2.2 光源控制模块

光源控制模块由卤素灯珠、 光源座、 电路板、 1 kΩ 上拉电阻和TIP120达林顿晶体管。 通过达林顿晶体管来控制12 V的大功率光源, 使用1 kΩ 的上拉电阻是为了防止由晶体管的开关切换引起的电流峰值导致GPIO引脚过载。 光源选用六个飞利浦卤素灯珠(10 W 12 V), 五个排成环形, 还有一个位于环形中间, 其有效波长可达900~1 900 nm。 光源控制模块的电路板接线图如图5所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 光源控制模块 1: 电路板; 2: 树莓派4B; 3: 锂电池; 4: 1 kΩ 上拉电阻; 5: 卤素灯珠; 6: TIP120达林顿晶体管Fig.5 Light source control module 1: Circuit board; 2: Raspberry Pi 4B; 3: Lithium battery; 4: 1 kΩ pull-up resistor; 5: Halogen lamp bead; 6: TIP120 Darlington transistor

1.2.3 处理与显示模块

作为便携式面粉多品质检测仪的核心部件, 其不仅要与光谱仪进行通信, 实现数据传输, 还要对采集到的光谱信息进行数据处理, 控制光源的开和关以及显示信息。 选择树莓派4B作为整个核心处理器, 是因为其集成度高, 便于开发软件。 树莓派4B是基于ARM(CortexA-72)的微型计算机主板, 采用BroadcomBCM2711BO(1.5 GHz主频, 4核, 4 G内存)处理器, 拥有2个USB3.0和2个USB2.0, 还有1个以太网接口, 40针引脚, 1个HDMI接口, 1个TYPE-C充电接口, 非常适合用于便携式设备的开发。 其尺寸大小为88 mm× 58 mm× 19.5 mm, 为防止程序加载时间过长, 芯片过热, 树莓派4B还需安装风扇以及在芯片上安装散热片。 另外选择7寸液晶触摸屏实现终端显示功能, 其屏幕分辨率为800× 480像素, 触摸屏通过树莓派4B的HDMI接口实现连接。 光谱仪通过USB数据线实现与树莓派4B的通信。

1.2.4 电源模块

电源模块选择可充电锂电池, 该电池拥有1 1800 mA· h的容量, 可持续供电2 h。 输入12 V, 输出为5, 9和12 V, 分别给树莓派、 光谱仪和卤素灯供电。

面粉样品来自江苏三零面粉海安有限公司, 共采购200份样品。 将采购后的200份样品标记并封于塑料袋中, 其中取180份样品用于建模集和预测集, 20份样品用于外部验证集, 将180份样品中的每份样品再分三份, 每份取100 g, 分别用红黄蓝三种颜色标记每种样品中分成的三份。 红色用于采集光谱信息, 黄色用于理化试验以便获取湿度值, 蓝色样品用于理化试验以便获取DON的含量。 所有样品使其受一定程度的赤霉病感染, 放置于常温中保存。

取所有黄色样品用于面粉湿度值的测定, 根据《GB/T 5009.3-2016》使用直接干燥法测得, 每份样品测二次, 取平均值。 根据《SN/T3137-2012出口食品中脱氧雪腐镰刀菌烯醇、 3-乙酰脱氧雪腐镰刀菌烯醇、 15-乙酰脱氧雪腐镰刀菌烯醇及其代谢物的测定液相色谱-质谱/质谱法》测得所有蓝色样品的DON含量。 为保证面粉的湿度与DON不会随着同一种样品之间因为测量时间间隔过长而导致的误差, 需要同时进行所有红色样品的光谱信息采集, 所有黄色样品的湿度值测量以及所有蓝色样品的DON含量测量^[14]。

面粉湿度和DON含量的统计结果如表1、 表2所示。 建模集和预测集的标准偏差相差不大表明两类样本之间的差距很小。 DON测量结果中发现偏高的标准偏差反映了各个样品之间DON含量相差较大, 表明样品受到了不同程度的赤霉病的感染。

表1

Table 1

表1(Table 1)

表1 面粉湿度测量结果 Table 1 Moisture measurement results of flour Yellow sample set Min/% Max/% Average/% Standard deviation/% Calibrationset 11.49 14.86 13.18 0.61 Predictionset 12.02 15.31 13.53 0.52

表1 面粉湿度测量结果 Table 1 Moisture measurement results of flour

表2

Table 2

表2(Table 2)

表2 面粉DON含量测量结果 Table 2 Measurement results of DON content in flour Blue sample set Min/(mg· kg-1) Max/(mg· kg-1) Average/(mg· kg-1) Standard deviation /(mg· kg-1) Calibration set 0.005 1 8.455 6 0.873 4 1.339 6 Prediction set 0.021 2 8.999 6 0.856 1 1.518 6

表2 面粉DON含量测量结果 Table 2 Measurement results of DON content in flour

将所有红色样品的70%和30%分别设置成建模集和预测集, 然后从每个待测样品中分别依次取2 g平铺于样品池中并使用自行设计的检测仪采集光谱。 采集波段为900~1 870 nm, 原始光谱如图6所示。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 面粉原始光谱图Fig.6 Original spectra of flour

原始图谱中1 195和1 470 nm波长点处存在水分的倍频吸收峰, 表明面粉的水分对近红外光谱的影响。 由于赤霉病在感染小麦时, 会使得面粉中蛋白质、 淀粉等成分减少, 受感染的越严重, 反映在1 140, 1 420和1 582 nm波长处的吸光度会呈现下降趋势^[15]。

利用箱线图可以进行异常值的检测, 图7为原始样品前20个光谱波段的箱线图, 发现在900~1 048和1 788~1 870 nm之间存在异常值, 即存在有吸光度值大于上四分位数加上1.5倍四分位间距的样本, 原因是光谱首尾端存在相当大的噪声, 导致出现异常吸光度值。 在1 327~1 351 nm波段也出现异常吸光度值, 是因为存在一个异常样本。 图8为剔除异常值后前20个光谱波段的箱线图, 最终截取1 048~1 747 nm波段的光谱数据进行后续处理。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 原始光谱箱线图Fig.7 Box plot graphics depicting the outliers in original spectra

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 剔除异常值后的箱线图Fig.8 Box plot graphics depicting the outliers removed

由于附件的制造精度误差以及光谱采集时不可避免的系统误差等原因, 存在基线漂移和光散射等现象, 会影响模型的精度。 因此选择多元散射校正(MSC)、 S-G卷积平滑和标准正态变换(SNV)对原始光谱数据进行预处理。 其中S-G平滑法的预处理效果如图9所示。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 S-G卷积平滑Fig.9 Savitzky-Golay smoothing

通过The Unscrambler X 10.4光谱分析软件将未经过预处理和经过预处理的数据通过偏最小二乘回归法(PLS)建立定量模型。 根据表格3所示, 不采用任何预处理的建模效果要优于经过预处理的建模效果, 其建模集和预测集相关系数分别为0.883和0.853, 均方根误差分别为0.145%和0.286%, 残差预测偏差RPD为2.5。

表3

Table 3

表3(Table 3)

表3 不同预处理后的PLSR预测模型 Table 3 PLSR prediction models after different pretreatment Pre- treatment Calibration set Prediction set RPD Rc2 RMSEC/% Rp2 RMSEC/% None 0.883 0.382 0.853 0.286 2.5 MSC 0.826 0.393 0.803 0.316 2.2 SG 0.872 0.351 0.794 0.264 2.4 SNV 0.783 0.410 0.722 0.323 2.0

表3 不同预处理后的PLSR预测模型 Table 3 PLSR prediction models after different pretreatment

根据我国GB 2715-2005《粮食卫生标准》对于小麦中呕吐毒素含量的限量标准规定, 把含量超过1 000 μ g· kg^-1的样品归为超标样品, 不超过1 000 μ g· kg^-1的样品归为未超标样品, 将未超标样本标记为0类标签, 超标样本标记为1类标签。

3.4.1 主成分分析

对126份建模集的面粉样品进行主成分分析, 如图10所示, 第一主成分和第二主成分的累积贡献率已经超过了99.6%, 故运用前两个主成分就能基本表示原先86个波段下的特征信息。 利用第一第二主成分画出图11, 发现样品明显的分类趋势, 因此接下来使用逻辑回归对样品进行分类并评估模型。

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 主成分得分图Fig.10 Score plot of PCA

图11

Fig.11

	Figure Option ViewDownloadNew Window
	图11 建模集样本的主成分分析Fig.11 PCA of modeling set samples

3.4.2 逻辑回归

逻辑回归是一个经典的二分类模型, 基于上述PCA的分析, 使用逻辑回归对预测集进行分类。 决策边界如图12所示, 预测结果的混淆矩阵如图13所示, 对未超标样本的预测准确率高达96%, 对超标样本的预测准确率高达89%。

图12

Fig.12

	Figure Option ViewDownloadNew Window
	图12 决策边界Fig.12 Decision boundary

图13

Fig.13

	Figure Option ViewDownloadNew Window
	图13 逻辑回归预测结果混淆矩阵Fig.13 Confusion matrix of LR prediction result

为进一步验证模型的分类性能, 做出了逻辑回归分类模型的受试者工作特征曲线(ROC), 如图14所示, 代表模型性能指标的AUC值达到了0.927。 表明PCA-逻辑回归模型对面粉中DON超标与否的判别有较高的准确率。

图14

Fig.14

	Figure Option ViewDownloadNew Window
	图14 逻辑回归ROC曲线Fig.14 LR ROC curves

本检测仪配套的软件是基于python语言对德国INSION公司的NIR 1.7/S 微型近红外光谱仪进行二次开发。 在Win10操作系统上使用PyQt5编写人机交互界面, PyCharm Community Edition 2020.1.2 x64编写后台逻辑文件, 然后将程序移植到树莓派4B系统中, 从而实现面粉的湿度预测和DON超标与否的判别。 如图15所示, 该检测系统主要分为4个模块: 光谱图像显示区、 目标预测区、 光谱仪控制模块和模型与数据模块。 光谱图像显示区主要用来显示由光谱仪采集到的光谱数据, 包括采集暗背景、 白参考和样品光谱。 目标预测区即显示面粉的湿度值和DON有无超标情况。 光谱仪控制模块可以控制光源的开关, 连接光谱仪设置积分时间, 平均扫描次数, 采集暗背景, 白参考以及样品光谱, 也可以进行连续测量, 若勾选预测, 即可实现预测功能。 模型与数据模块可以对采集到的数据进行显示和保存以及导入本地的数据进行模型训练和保存, 若本地有模型, 也可直接导入用于预测和判别分析。

图15

Fig.15

	Figure Option ViewDownloadNew Window
	图15 检测系统界面Fig.15 Testing system interface

其工作流程图如图16所示。 当显示连接光谱仪成功后, 设置积分时间50 ms和平均扫描次数2次, 可以采集暗光谱和白参考, 并将采集到的数据经过计算绘制成图像显示在光谱图像显示区; 可以添加、 删除和保存已经采集好的数据; 采集完一组数据后, 可以进行模型训练, 并将训练好的模型保存, 以便为下次采集样本提供模型; 也支持从外部导入数据进行模型训练并保存; 当采集完暗背景和白参考后, 可以测量样品, 选择建立好的模型后, 勾选预测, 点击采集样本, 便会在目标预测区显示出结果; 本程序也支持连续采集, 设置连续采集时的时间间隔后, 勾选连续测量, 点击采集样本, 此时光谱图像显示区将会连续显示光谱图像, 目标预测区将会连续显示检测结果。

图16

Fig.16

	Figure Option ViewDownloadNew Window
	图16 工作流程图Fig.16 Work flow chart

取剩余的20份外部验证集样品并分别编号用于对便携式面粉多品质检测仪的精确性和稳定性的验证, 使用该检测仪对20份样品进行面粉湿度和DON超标与否的预测, 将软件所预测的结果与标准理化值进行比较。 其中每份样品的湿度分别测量3次, 取3次预测结果的平均值作为最终预测结果, 用最大相对误差来衡量仪器的稳定性, 每份样品的DON超标与否只测量一次, 与实际结果进行比较, 计算识别准确率来衡量仪器的精确性。

试验结果显示面粉水分的最大相对误差为2.89%, 面粉湿度的预测值与真实值的相关性如图17所示, 面粉湿度预测模型的相关系数为0.876, 均方根误差为0.21%, 检测仪对外部验证集样品DON超标与否的判定结果如表4所示, 有2个样本被误判, 其余全部判别正确, 识别准确率达到了90%, 外部验证集的准确率略低于测试集可能是因为外部验证集放置时间太长导致禾谷镰刀菌繁殖, 使原本未超标的样本被检测仪预测为超标。 检测仪测定的结果与实际结果相差不大且具有较高的识别准确率表明该仪器可以实现面粉湿度和DON超标与否的预测。

图17

Fig.17

	Figure Option ViewDownloadNew Window
	图17 面粉湿度测试结果Fig.17 Test results of flour moisture

表4

Table 4

表4(Table 4)

表4 外部验证集判别结果统计 Table 4 Detection result of samples in external verification set Number Predict result True result 01 1 1 02 0 0 03 0 0 04 0 0 05 1 1 06 0 0 07 1 1 08 0 0 09 1 0 10 0 0 11 0 0 12 1 1 13 1 1 14 0 0 15 0 0 16 0 0 17 1 0 18 0 0 19 0 0 20 0 0

表4 外部验证集判别结果统计 Table 4 Detection result of samples in external verification set