基于改进ICEEMDAN算法结合TCN-BiGRU模型的玉米湿度含量快速检测

本文是一篇原始研究，发表于期刊《Food Chemistry》，将于2025年第465卷发布，文章编号为142133，研究主题为“基于改进ICEEMDAN算法结合TCN-BiGRU模型的玉米湿度含量快速检测”。主要作者包括Jiao Yang、Haiou Guan、Xiaodan Ma、Yifei Zhang以及Yuxin Lu，分别来自黑龙江八一农垦大学信息与电气工程学院和农业学院。

一、研究背景与目的

研究背景
玉米是全球最高产量的食物作物，其水分含量（Moisture Content, MC）是衡量玉米和其他谷物质量的重要指标之一。玉米的成熟期湿度含量快速检测具有重要意义，它直接关联到田间栽培效率、机械化收割、储存和运输管理等多个方面。然而，传统干燥法和电学参数法因其操作繁琐、耗时、费力成为制约因素。同时，目前已有的许多基于机器学习和深度学习的湿度检测模型在准确性和扩展性方面存在不足。

研究目的
为解决传统检测方法的上述问题，本文提出了一种结合改进完全集合经验模态分解算法（Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, ICEEMDAN）和时间卷积网络-双向门控循环单元模型（Temporal Convolutional Network-Bidirectional Gated Recurrent Unit, TCN-BiGRU）的玉米湿度含量快速检测方法。本研究目标是在不破坏玉米样本的基础上，实现对玉米不同湿度阶段的分类检测，并提供高效、可靠的检测方法，为农业生产管理提供理论支持与技术保障。

二、研究流程

（一）实验数据采集

研究选择玉米作为研究对象，实验样本来自中国黑龙江省绥化市安达原种场。这里的年均积温为2990°C，总太阳辐射为4762 MJ/m²，年降雨量约为482.6 mm。玉米样本包括6个不同品种，共计405组数据，涵盖15%～60%的湿度含量范围。

研究使用傅里叶变换近红外光谱仪（Tango）采集光谱数据，扫描范围为11542 cm⁻¹至3940 cm⁻¹，分辨率为8 cm⁻¹，每次测量样本量为30 mL。通过干燥法测定玉米湿度作为基准，实验分为三个湿度分类：
- T1：湿度≤25%，适合机械收割种子；
- T2：25%＜湿度≤35%，适合机械收割玉米穗；
- T3：湿度＞35%，不适合机械化收割。

（二）数据预处理

采集到的原始光谱数据易受实验环境、仪器散热等因素干扰，需先进行数据去噪和特征提取步骤。本研究采用以下关键方法进行数据预处理：

1. 改进ICEEMDAN去噪方法
   ICEEMDAN是一种改进版的完全集合经验模态分解算法，可分解信号为若干本征模态函数（IMF）。通过加入自适应可控噪声，解决常规EMD中的模态混叠与端点效应问题。本研究进一步优化了ICEEMDAN的关键参数——噪声加入次数和噪声幅度权重，并采用CPO（Crested Porcupine Optimizer）算法优化了这两个参数。

   在实验中，光谱数据经CPO-ICEEMDAN方法分解为8个IMFs，通过傅里叶变换（Fourier Transform）和希尔伯特变换（Hilbert Transform）方法分析各IMF分量，并计算其相关系数。结果表明，IMF1至IMF3为噪声成分，而IMF4到IMF8包含有效信息，用于重构去噪后的光谱信号。

2. 特征波数提取
   光谱数据区间间隔较小可能导致数据冗余与高维信息重叠。本研究使用改进的混沌布谷鸟算法（Chaotic-Cuckoo Search, CCS）筛选203个特征变量。此方法保留OH基团（例如1450 nm和1940 nm）等与水分含量密切相关的吸收峰，加强了模型的数据表达能力并提高计算效率。

（三）检测模型构建

1. TCN-BiGRU模型设计
   本研究提出结合时间卷积网络（TCN）与双向门控循环单元（BiGRU）的深度学习网络结构，用于处理时间序列数据。模型结构分为六层，包括两层TCN模块用于提取高维特征、两层BiGRU模块用于捕捉序列双向特征信息，以及输入层和分类输出层。

   在TCN模块中，引入了因果卷积（Causal Convolution）、扩张卷积（Dilated Convolution）和残差连接（Residual Connection），以保留时间序列的因果性，同时扩大感受野并解决梯度消失问题。在BiGRU模块中利用正反向GRU捕捉序列两端的信息，增强特征提取能力。

2. 模型训练与验证
   经CPO-ICEEMDAN-CCS预处理后的光谱特征数据作为模型输入，训练集和测试集比例为2:1。在对比实验中，同时训练了未经预处理的原始光谱数据，并与其他模型进行结果比较。

三、研究结果

（一）数据预处理效果

数据经CPO-ICEEMDAN预处理后，去除了光谱信号中的高频噪声，重构数据与原始数据的相关系数达到0.9973，均方误差降至0.0730。与常规多元散射校正（MSC）和一阶导数（D1）法相比，CPO-ICEEMDAN表现出更高的数据利用率与一致性，进一步验证了该方法在光谱预处理中的优越性。

（二）特征波数提取效果

CCS方法成功选取了203个特征波数，覆盖多个关键吸收峰，并显著减少了冗余信息。相较于原始数据集922个波数变量，训练时间和计算复杂度均显著降低。

（三）模型性能表现

1. TCN-BiGRU模型实验分析
   经预处理与特征提取后，CPO-ICEEMDAN-CCS-TCN-BiGRU模型的测试集准确率高达97.54%。与未经处理的原始数据相比，准确率提高了14.75%，同时训练收敛速度显著加快（从2500次降至655次）。

2. 对比分析
   在与传统的CNN、LSTM、PLS及SVM等模型的对比中，TCN-BiGRU模型表现出最高的分类检测准确率。与直线回归方法PLS相比，其检测准确率高4.74%；与SVM模型相比提升了5.94%。

四、研究结论与意义

本研究提出了基于CPO-ICEEMDAN-CCS-TCN-BiGRU的玉米湿度分类检测模型，能够快速检测不同机械化收割时期的玉米湿度含量，且具有高准确性和高效率。研究结果不仅为农作物实时湿度检测提供了可靠的方法支持，还在深度学习与近红外光谱技术相结合的领域具有开拓性意义。

同时，研究也进一步验证了本方法的通用性：在公开数据集M5的验证中，TCN-BiGRU同样展现了较高的检测准确率（97.47%）。未来，这一模型可进一步扩展至嵌入式系统中，为便携式检测设备的开发部署提供可能。

五、研究亮点

1. 创新点：首次结合改进的CPO-ICEEMDAN算法与TCN-BiGRU深度学习模型，用于非破坏性的玉米湿度检测。
2. 效率提升：相比传统方法，所提方法在数据去噪、特征提取、模型训练方面具有更高的效率与精度。
3. 广泛适用性：模型的高扩展性和通用性为农业机械化发展和精准化田间管理提供了理论基础。

本研究在农业生产管理领域具有重要的科学与实践价值。