金银花贮藏过程中绿原酸含量的高光谱无损检测(9)

2.4.3 SPA方法提取特征波长

SPA算法的最大有效波长设置为30，对应的RMSE分布如图4a所示，其中方块对应所选变量数。由图可知，随着变量数的增加，RMSE值呈下降趋势，当波长数增加到17后，RMSE值基本不变。通过SPA算法从824个波长中选择了17个最佳波长，分布如图4b所示，其中正方形对应所选择的波长所对应的具体波段（共17个），全光谱变量被极大压缩，占全波长的2.1%。

注：a图中方块表示最终筛选的变量个数；b图中方块表示筛选变量具体对应的波长。Note: Blocks in Fig. a denote the number of variables that are finally selected; blocks in Fig. b denote the specific wavelength corresponding to the selected variables.图4 SPA方法筛选结果Fig.4 Variables selected by SPA method

2.5 模型建立与比较

由于高光谱图像在采集过程中存在非线性因素在内的多种因素的影响，如背景干扰，散光和CCD噪声等，不利于对光谱数据的分析。而BP神经网络是一种常用的非线性的建模方法，它可以有效地处理非线性问题[39]。因此，本试验分别以UVE，CARS，SPA这3种算法提取的特征波长变量作为输入变量，金银花CGA含量值作为因变量建立线性PLSR和非线性BP神经网络模型。为了评估提取的特征波长对预测金银花不同贮藏时间的CGA含量的有效性，将其与全光谱数据的模型相比较，结果如表4所示。

表4 金银花CGA含量的PLSR和BP模型的预测结果Table 4 Prediction results of CGA content in honeysuckle by PLSR and BP models模型Model筛选方法Screeningmethods变量数Variable number建模集Calibration set预测集Prediction set R2RMSE /%R2RMSE /% PLSR全光谱8240.981 90.229 70.976 60.271 1 50.269 40.970 40.298 6 10.335 10.958 90.342 0 60.401 20.948 50.387 5 60.268 30.974 60.286 3 30.364 60.941 40.413 1 BP全光谱8240.989 80.172 50.977 10.258 1 70.211 30.971 50.287 1 20.218 90.971 20.287 8 90.225 10.974 30.290 5 80.172 40.978 40.250 3 40.237 60.964 90.316 4

对比线性的PLSR模型的结果可知，全光谱-PLSR模型校正集的R2为0.981 9，RMSE为0.229 7%，预测集的R2为0.976 6，RMSE为0.271 1%，代表模型效果较好。从特征波长选择的角度可知，不同波长筛选方法对相应模型的建立会发生不同程度的变化。UVE-PLSR，CARS- PLSR和SPA-PLSR模型的预测结果较全光谱-PLSR模型均有不同程度的降低，但校正集和预测集的R2均高于0.9，说明基于特征波长建立的PLSR模型还是可行的，具有良好的预测性能，其中UVE-PLSR模型的预测效果优于CARS-PLSR和SPA-PLSR，预测集的R2为0.970 4，RMSE为0.298 6%，且结果与全光谱-PLSR接近。表明UVE方法可以有效地剔除无用的信息变量，保留与金银花品质相关性强的信息，而SPA算法可能在剔除冗余变量的同时将有用的信息也剔除。但是，与CARS、SPA算法相比，UVE算法提取的特征波长数量较多（192个）占全波长的23.3%，导致模型运算时间相对较长。因此，为了提高UVE-PLSR模型的运算时间，将UVE分别与CARS和SPA算法相结合提取特征波长变量，UVE-CARS选取特征变量26个，占UVE的13.5%，UVE-SPA选取9个特征变量，占UVE的4.7%，并建立相应的模型，模型的预测结果见表4。由表4可知，UVE-CARS-PLSR模型的预测集R2为0.974 6，RMSE为0.286 3%，UVE-SPA-PLSR模型的预测集R2为0.9414， RMSE为0.413 1%。与UVE-PLSR对比可知，UVE-CARS-PLSR不仅减少了模型的输入变量，还提高了模型的预测精度，而UVE-SPA虽提取的特征波长数较少，减少了模型的运行时间，但其预测精度降低。综合考虑PLSR模型的复杂度，选择UVE-CARS-PLSR为CGA最优的PLSR预测模型。得到的UVE-CARS-PLSR模型如式（2）：

式中Y为预测的CGA的值，X为UVE-CARS筛选得到的特征波长对应的光谱反射率。

比较BP神经网络模型效果可知，全光谱-BP模型校正集R2为0.989 8，RMSE为0.172 5%，预测集R2为0.977 1，RMSE为0.258 1%，模型精度较好。分析UVE-BP，CARS-BP，SPA-BP，UVE-CARS-BP和UVE- SPA-BP模型可知，UVE-CARS-BP模型的预测效果最好，其预测集R2为0.978 4，RMSE为0.250 3%，且仅有UVE-CARS-BP模型的预测精度优于全光谱-BP模型。因此，选定UVE-CARS-BP模型为最优BP模型。

图5为5种变量筛选方法提取的特征波长的分布图，分析最佳变量筛选方法UVE-CARS筛选的波长主要集中在520～660 nm，这可能与C-H键的伸缩振动有关[40]，且选取的750 nm和810 nm附近与CGA物质的C-H、O-H 键以及H2O分子的倍频吸收有关[41]。与UVE-CARS算法相比，基于UVE算法提取的特征波长变量建立的预测模型性能与其接近，但选取的波长变量数较多。SPA与UVE-SPA 2种算法，可能选取的波长数较少，不足以提取与CGA物质相关性较强的波长。虽然CARS算法提取的波长基本包含了所有的UVE-CARS提取的波长，但建立的CARS-模型的精度低于UVE-CARS模型的精度，这可能是由于CARS算法选择的特征波长除包含与CGA物质相关的有用信息外，同时也包含噪声信息[42]。

文章来源：《无损检测》 网址: http://www.wsjczzs.cn/qikandaodu/2021/0310/422.html