基于一维卷积神经网络的烟叶仓储霉变预测方法研究 *

翟乃琦，云利军，叶志霞，王一博，李亚召

(云南师范大学信息学院，云南 昆明 650000)

1 引言

我国作为烟草大国，每年因烟叶霉变问题导致了巨大的经济损失。因此，及时有效地预防烟叶霉变具有重要的研究意义。烟叶本身含有较多的营养物质，为霉菌在生长繁殖过程中提供了必要的物质条件，同时仓储环境的温度和湿度等外部因素会影响霉菌在烟草中的繁殖[1]。防止烟叶霉变的关键在于通过实时监测仓储环境的变化，对烟叶霉变实现提前预警，从而减少经济损失[2 - 4]。

传统人工检测烟叶霉变的方法主要分为2种：一是通过感官进行评测，二是通过镜检鉴别方式检测[5]。传统的检测方法不仅耗时且经济成本较高。随着物联网技术和人工智能的发展，通常应用电子鼻技术来检测烟叶的霉变状态[6，7]，如利用电子鼻来检测烟气从而判断卷烟的品牌[8]，还可用于区分白肋烟的成熟度[9]。模式识别算法多采用机器学习的方法(如采用人工神经网络)对卷烟品牌进行区分[10]。

在机器学习方法中，BP(Back Propogation)神经网络作为一种自适应的多层前馈网络，具有自组织、自学习和联想等特征。程龙等[11，12]将影响烟叶霉变的各个因素作为网络输入，通过训练得到与霉变状态相关的非线性映射关系，进而预测烟叶霉变情况。运用BP神经网络虽解决了不少应用问题，但网络自身伴有局部极小化、收敛速度慢等问题，影响了网络的部分性能。针对这些问题，王荣等[13，14]使用粒子群优化算法解决局部最优问题或通过多种算法综合的方式提高预测准确率。近年来，深度学习技术也逐渐应用于各个行业，随着对传统网络的不断改进和深度学习方法的产生，预测准确率也在不断提高。

本文提出了一种基于一维卷积神经网络1D-CNN(One-Dimensional Convolutional Neural Network)的方法来预测烟叶霉变的状态，使用TGS系列半导体气敏传感器采集数值作为特征来训练网络模型，预测烟叶霉变的概率。最后，开发出一套烟叶霉变实时监测系统，具有一定的工程实用价值。

2 数据集

2.1 实验材料与仪器

本文所使用的实验材料是由云南省某烟厂提供的正常烟叶样本，通过对部分样本进行霉菌培养，将样本分为正常烟叶和霉变烟叶2大类[15]。实验仪器采用课题组自主研发的电子鼻系统(如图1所示)，主要采集TGS系列气敏传感器(TGS2600、TGS2602、TGS2603、TGS2611、TGS2620、TGS822)的响应值。部分原始测量典型数据如表1所示,第2列中的6个数字分别对应TGS2600、TGS2602、TGS2603、TGS2611、TGS2620、TGS822等6个传感器的响应值；在状态列中，0代表正常烟叶，1代表霉变烟叶。

Figure 1 Electronic nose system physical map图1 电子鼻系统实物图

编号传感器响应值 状态1247 1011 1175 583 396 58002254 1074 1192 597 404 58403256 1133 1200 601 411 587 04459 2146 1293 910 770 84615459 2148 1302 912 765 84716461 2150 1302 911 766 847 1

2.2 实验方法

利用课题组自主研发的电子鼻系统对正常烟叶与霉变烟叶进行测定的方法为：在测定之前首先对采集设备上电预热1 h，确定设备处于正常工作状态后,将实验样品放入检测箱内，采样频率为10秒/次，采样时间为5 min。采样数据通过设备中的无线模块传输到服务端进行存储分析。在每次采样结束之后，对采集设备进行状态恢复，以保障下一次样本采集工作的顺利进行。

3 数据特征表示

本文选用TGS系列气敏传感器气体响应值作为基本的特征组成成分。在得到基本特征之后，使用归一化函数将输入特征进行归一化处理，归一化函数如式(1)所示：

(1)

4 神经网络模型的构建和训练

4.1 神经网络的构建

一维卷积神经网络可以很好地用于分析传感器数据的时间序列，因此本文选用一维卷积神经网络作为模型进行训练。神经网络的结构如图2所示，每组烟叶样本数据包含180条实时采集数据，每一条实时数据中包含6种气敏传感器数据，从而得到大小为30×6的矩阵，在输入到模型之前，需要先将其平展成长度为180的向量，然后在第1层卷积层再将其变形为原始的大小为30×6的矩阵。

Figure 2 Basic structure of neural network model图2 神经网络模型的基本结构

(1)网络的第1层和第2层为卷积层(Conv Layer)，卷积窗口的大小设定为2，步长设定为1，卷积核数量设定为200。

(2)第3层为平展层(Flatten Layer)，该层将多维度数据平展成一维数据，从而连接全连接层。

(3)第4层与第5层均为全连接层(Dense Layer),其中，第4层连接神经元数量为200，第5层的神经元数量为50。

(4)第6层为丢弃层(Droupout)，Droupout的比例一般设定为0.5，随机失活网络中一半的神经元，防止过拟合现象的发生。

(5)最后一层为输出层(Output)，该层使用Sigmoid激活函数，将输入向量通过矩阵乘法运算变换成长度为2的向量，分别代表正常烟叶和霉变烟叶的预测概率。

在网络的每一层，使用激活函数对输出结果进行非线性化处理。网络中的前几层均使用ReLU激活函数，最后一层使用Sigmoid激活函数。ReLU和Sigmoid函数如式(2)和式(3)所示：

(2)

(3)

本次实验使用Keras模型搭建和训练神经网络。在构建过程中，为了提高模型的性能，本文主要通过改变网络模型中卷积层的层数以及卷积层中卷积核的数量和大小来优化网络结构，使模型达到最优。

4.2 模型训练

在网络训练过程中，本文选用Adam优化算法替代传统的随机梯度下降算法，基于训练数据迭代更新网络权重，在Loss损失函数中选用交叉熵函数。交叉熵函数式(4)所示：

(4)

其中,p为真实样本值，q为预测样本值，i代表向量p、q中元素的位置。

在模型训练过程中，设置网络训练迭代次数为20，设定目标误差为0.01，批处理大小设置为64，多次训练之后保存训练误差最小的网络模型。

5 实验结果与分析

5.1 评判标准

本文所解决的是一个二元分类问题，样本类别分为正常烟叶和霉变烟叶2大类，即正类和负类。根据数据集中独立测试集的真实标签和预测标签，可将每个样本的预测结果分为4种情况：TP(True Positive)、FP(False Positive)、TN(True Negative)和FN(False Negative)。具体如表2所示。

Table 2 Confusion matrix

表2中，TP表示本来是正样本，分类为正样本；FP表示本来是负样本，分类成正样本；TN表示本来是负样本，分类成负样本；FN表示本来是正样本，分类成负样本。在此标准之上，研究人员推演出了特异性Spe(Specificity)、准确性Acc(Accuracy)和敏感性Sen(Sensitivity)等评价指标[16]。

(5)

(6)

(7)

5.2 实验结果

本文将一个采样周期所得到的一组数据作为训练数据。在模型训练的过程中，会根据网络模型的结构动态调整学习速率、迭代次数和批处理样本大小等参数，每调整一次重新进行一次网络训练，训练结束之后，使用测试集数据对当前的网络进行测试。模型训练Loss曲线如图3所示。从图3中可以看出，Loss曲线随着训练次数的增加不断收敛，大概经过8轮次训练后，模型收敛接近目标训练误差，最终确定出模型网络结构。随机选取5组测试集样本进行网络模型的性能测试，其准确率结果如表3所示。

Figure 3 Loss curve图3 Loss曲线

%

从表3中可以看出，在多次网络训练后，训练集的平均准确率为99.46%，测试集的平均准确率为99.14%。结果表明，本文方法对烟叶霉变的识别是可行的、高效的，且模型具有一定的轻量化和实用性。

5.3 模型比较

在烟叶仓储霉变预测方法的相关研究进展中，对于烟叶霉变状态的预测多采用BP神经网络模型。为了验证本文所提模型相较于其它模型的优势，基于本文所采用的数据集，选用BP神经网络对正常烟叶与霉变烟叶进行分类，并与本文所提出的模型的分类结果进行对比。

在BP神经网络模型中，对实验所采集的数据进行特征提取，随机选择正常烟叶样本与霉变烟叶样本各30组。模型训练完成后随机选择5组测试集样本进行测试，多次测试之后取模型预测准确率的平均值进行比较，结果如表4所示。

Table 4 Classification accuracy of different medels表4 不同模型的分类正确率 %

从表4中可以看出，相较于传统的BP神经网络，本文所提出的1D-CNN模型预测准确率更高。

6 神经网络预测模型的应用

基于本文所构建的烟叶霉变预测模型，作者设计并实现了一套烟叶仓储环境智能监测管理系统。该系统通过气敏传感器阵列采集仓储环境数据，通过窄带物联网无线通信技术发送到监控中心数据服务器，在服务器中部署霉变预测模型与烟叶仓储环境智能监测信息管理系统。智能监测管理系统主要分为用户管理、仓储管理、烟垛区域管理、仓储环境信息监测和烟叶霉变预警5大功能模块。其中在烟叶霉变预警模块中，将环境监测数据输入到一维卷积神经网络中进行霉变预测，及时提醒管理人员进行处理。该系统经过一段时间的试运行，取得了较为满意的效果。

7 结束语

本文主要研究了烟叶霉变状态的预测问题，使用TGS气敏传感器采集数据作为网络训练特征，基于一维卷积神经网络，完成了对烟叶仓储霉变状态的预测，预测结果具有较高的准确率，并且应用此模型实现了一套烟叶仓储环境智能监测系统，具有一定的工程实用价值。