1 引言

在中国几千年的文化里,酒是不可或缺的,中国人对白酒的情怀高于世界任何其他国家。然而近年来白酒市场上充斥着大量的假酒,假酒不仅使消费者蒙受经济损失,而且危害饮用者的身体健康,甚至危及其生命。为了加强市场上白酒的监管力度,需要一种能快速、有效辨识白酒真假的方法。目前,白酒的检测方法有气相色谱法^[1-2]、品红-亚硫酸比色法^[3]、电子鼻法^[4-5]、紫外可见吸收光谱法^[6]等,但这些方法都难以有效地识别市场上的各类假酒。此外,假酒的类型多种多样,如工业酒精勾兑的假酒、高度酒稀释成低度酒、小品牌白酒冒充名牌白酒等,给假酒的检测带来了极大困难。

激光诱导荧光(LIF)技术具有单次检测成本低、测量速度快、灵敏度高等优点,可以对被检测物进行定量分析。目前,LIF技术主要应用于燃烧气体浓度的测量^[7-8]、液体中有机物的检测^[9-11]、水源类别的识别^[12-13]等。至今,还未在文献中见到有将LIF技术和深度学习算法相结合用于假酒检测的报道。本文搭建了基于LIF技术的白酒检测系统,将深度学习用于白酒荧光光谱的识别。深度学习概念是Hinton等在2006年首次提出的,在没有人工特征提取的前提下可以实现复杂图像的高精度分类^[14-15]。将深度学习算法和先进的LIF技术相结合,可辨识出被测白酒的品牌与度数,在数据库完备的情况下,能快速和准确辨识被测白酒的真假。

2 深度学习

2.1 深度学习简述

深度学习提出的目的是构建一种模拟人大脑运行机理的深层网络,以解决实际问题。相对于浅层机器学习算法,深隐层的网络模型具有更强的特征表达能力,经深度网络学习而获得的特征比人工设计的特征具有更好的泛化能力^[16]。深度学习主要用于图像识别、自然语言处理、语音识别等,并取得了较大成功,尤其是在图像识别领域。

卷积神经网络(CNN)算法作为深度学习领域最具代表性的监督图像分类算法,近年来得到了快速发展,网络深度由最初的LeNet-5^[17]的5层网络结构发展到GoogLeNet^[18]的90多层,其输入图片的像素也从最初的32 pixel×32 pixel增加到227 pixel×227 pixel。微软研究团队利用CNN算法搭建的深度学习模型在ImageNet 2012分类数据集中的错误率已降低至4.94%^[19],低于人眼的辨识错误率(5.1%)。为准确识别不同白酒的荧光光谱,在酒样光谱识别中选用的深度学习算法为CNN算法。

2.2 CNN理论

CNN算法的学习过程和反向传播(BP)神经网络非常相似,都包含参数的前向传递和误差的反向传播,通过梯度下降法降低网络的训练误差。CNN的结构主要由输入层、卷积层、池化层和全连接层组成,网络的输入层为网络训练数据的入口,输入的可以是一张二维图片,也可以是一张三维图片。

卷积层C为特征提取层,每个神经元的输入与前一层的局部感受视野相连,以提取该局部的特征,卷积的数学形式为

xjl=f∑i∈Mjxjl-1*kijl+bjl,(1)

式中 xjl为第l个卷积层的第j个神经元的输出,f(x)为激活函, kijl为卷积核矩阵, bjl为偏置,M_j为第1层卷积核数。在BP神经网络中,激活函数一般选用sigmoid函数,但在深层网络中sigmoid函数很容易进入饱和区,严重影响网络的收敛速度,所以在深层网络中,激活函数一般选用relu函数^[20]。relu函数的数学表达式为

relu(x)=x,x≥00,x<0 。(2)

一般情况下,每个或多个卷积层后都会连接一个实现局部平均和子抽样的计算层P(池化层),用以降低特征映射的分辨率,池化的数学表达式为

xjl=fβjlPoolxjl-1+bjl,(3)

式中β为下采样层的权重系数;Pool(·)为池化函数。全连接层是将所有图像的特征图矩阵转换成一维特征向量,在整个卷积神经网络中起到“分类器”的作用,就多分类而言,全连接层会连接一个softmax分类函数,将输出转化为概率(即指数归一化)。

3 LIF系统

物质吸收能量后的辐射光即为荧光,高能量激光照射物质可诱导其发出荧光,荧光光谱是通过测量荧光物质的发光强度随激发光波长变化而获得的光谱。

本研究构建了LIF技术的白酒快速检测系统,系统主要由硬件和软件组成:软件部分是上位机;硬件部分主要由光路部分组成,包括发射波长为405 nm的激光器、USB2000+型光谱仪、采用直角光路系统的浸入式微型荧光探头和石英光纤。其中,USB2000+光谱仪选用美国海洋光学公司生产的个性化配置光谱仪,接收范围设置为400~799 nm波段,光谱采样间隔设置为0.5 nm,积分时间设置为500 ms。系统结构简图如图1所示。

图 1. LIF系统结构框图

Fig. 1. LIF system structure diagram

下载图片 查看所有图片

4 实验与分析

4.1 酒样光谱的采集

假酒的类型多种多样,例如工业酒精勾兑的假酒(含有大量甲醇)、高度酒勾兑的低度酒、假冒名牌酒等。本实验根据常见的假酒类型,选取4种酒作为实验样本,分别命名为酒样A、B、C、D,其中酒样A为56度牛栏山二锅头(生产厂商为北京顺鑫农业股份有限公司牛栏山酒厂),酒样B为42度牛栏山二锅头(生产厂商为北京顺鑫农业股份有限公司牛栏山酒厂),酒样C为市场上10元500 mL的56度散酒(生产厂商未知),酒样D为42度小青花(生产厂商为保定古泉酒业有限公司)。

实验中,每个酒样在相同环境下各采集了100个荧光光谱图,其中每种酒样的80个荧光光谱用于深度学习模型的训练,剩余的20个荧光光谱用于模型的测试。图2为实验中4种酒样的原始荧光光谱。

图 2. 4种酒样的荧光光谱

Fig. 2. Fluorescence spectra of four samples

下载图片 查看所有图片

由图2中4种酒样的荧光光谱可知,不同白酒荧光强度的差异主要在400~600 nm波段。图3为同一品牌不同度数白酒的荧光光谱,图4~5为不同品牌相同度数白酒的荧光光谱。

图 3. (a)相同品牌不同度数白酒的荧光光谱;(b)第一波峰局部图;(c)第二波峰局部图;(d) 465~500 nm波段的光谱

Fig. 3. (a) Fluorescence spectra of samples with same brand and different degrees; (b) local diagram of the first wave peak; (c) local diagram of the second wave peak; (d) local fluorescence spectra in band of 465-500 nm

下载图片 查看所有图片

图 4. (a) 56度不同品牌白酒的荧光光谱;(b)第一波峰局部图;(c)第二波峰局部图;(d) 465~500 nm波段的光谱

Fig. 4. (a) Fluorescence spectra of samples with different brands and same degree; (b) local diagram of the first wave peak; (c) local diagram of the second wave peak; (d) local fluorescence spectra in band of 465-500 nm

下载图片 查看所有图片

图 5. (a) 42度不同品牌白酒的荧光光谱;(b)第一波峰局部图;(c)第二波峰局部图;(d) 465~500 nm波段的光谱

Fig. 5. (a) Fluorescence spectra of samples with different brands and same degree of 42; (b) local diagram of the first wave peak; (c) local diagram of the second wave peak; (d) local fluorescence spectra in band of 465-500 nm

下载图片 查看所有图片

为了更清楚地观察不同酒样荧光光谱的差异,图3~5中给出波长在400~600 nm之间的酒样的荧光光谱及局部光谱。由图3可知,对于同一品牌的白酒,度数不同,其荧光光谱曲线稍有差异。由图4~5可知,度数相同的白酒,如果品牌不同,其荧光光谱曲线也会有一定差异。不同品牌、不同度数的白酒,其光谱曲线图都会有所差别。就假酒而言,其成分或食用酒精浓度都会有别于真酒,故而假酒的荧光光谱图亦会有别于真酒。可见,将LIF技术用于白酒真假的检测是可行的。

4.2 深度学习模型设计

就光谱图而言,其差别在于光谱曲线的峰值与变化趋势,与色彩无关,所以文中深度学习模型中输入的光谱图选黑白图片。为减少模型的训练时间,输入光谱图的像素为72 pixel×72 pixel,如图6示。

图 6. 模型输入的光谱。(a)酒样A;(b)酒样B;(c)酒样C;(d)酒样D

Fig. 6. Spectra of the input model. (a) Sample A; (b) sample B; (c) sample C; (d) sample D

下载图片 查看所有图片

图 7. 深度学习模型简图

Fig. 7. Deep learning model flow chart

下载图片 查看所有图片

深度学习模型的隐层越多,其分类精度就越高,但随着模型深度的加深,其训练时间也在增加。所以在保证深度学习模型分类精度的同时,应尽可能减少模型的训练时间。文中设计的深度学习模型选用5个卷积层,3个池化层,3个全连接层。卷积层的卷积核大小为5×5,步长为1,激活函数选用relu函数;池化层采用最大池化法,池化核为3×3,步长为2,模型如图7所示(N为迭代次数,adam算法是Tensorflow函数的一种CNN优化算法)。

4.3 酒样光谱的识别

实验中,利用Google的深度学习框架Tensorflow搭建出文中设计的深度学习模型,将LIF系统采集的酒样光谱调整大小后输入模型进行训练,模型训练过程中的分类精度和损失曲线如图8示,其中loss为模型训练时的损失函数值。

由图8可知,本研究设计的深度学习模型在训练时的收敛速度较快,模型大约经历1200次迭代后,就能稳定地实现酒样光谱的100%分类。训练好的模型测试结果如表1所示,共测试10次,取平均值。

从表1可知,深度学习训练好的模型对4种酒样的识别率为98.44%,这表明深度学习模型能准确识别不同白酒的荧光光谱。

4.4 深度学习与BP对比

实验中设计的深度学习模型输入光谱图片的像素为72 pixel×72 pixel,所以BP神经网络的输入层神经元数为5184(5184=72×72),第一隐层神经元数为256,第二隐层为4个神经元,输出节点数为4。激活函数为sigmoid函数,学习率取值与深度学

图 8. 深度学习模型训练过程曲线图

Fig. 8. Deep learning model training process curves

下载图片 查看所有图片

习模型相同,为0.001。BP神经网络的训练精度和深度学习模型训练精度对比如图8所示,训练好的模型的平均测试结果如表2所示。

由表2可知,在酒样光谱图像识别中,深度学习模型的光谱分类准确率比BP神经网络更高。可见,深度学习在酒样光谱识别中的性能更优异。

5 结论

构建了基于LIF技术的白酒真假辨识系统,利用LIF技术快速获取3种品牌2个度数的白酒的光谱,采用深度学习算法在图片基础上辨识了白酒光谱曲线,进而判别被测酒样的品牌与度数。实验中4个酒样的平均辨识率为98.44%。实验结果表明,LIF技术结合深度学习算法可有效辨识白酒的真假。因此,基于LIF技术和深度学习算法的假酒识别系统能准确辨识不同品牌与度数的白酒,为市售假酒的检测提供了一种新思路与新方法。