NIR高光譜成像技術檢測冷鮮羊肉嫩度

王婉嬌，王松磊，賀曉光，王家云，楊曉忱（寧夏大學農學院，寧夏銀川750021）

NIR高光譜成像技術檢測冷鮮羊肉嫩度

王婉嬌，王松磊*，賀曉光，王家云，楊曉忱
（寧夏大學農學院，寧夏銀川750021）

利用900～1700 nm近紅外高光譜成像系統(tǒng)對冷鮮羊肉嫩度進行快速無損檢測研究。采集冷鮮羊肉（1～8 d）表面的高光譜散射圖像，提取樣本感興趣區(qū)域反射光譜曲線并用剪切力值表征冷鮮羊肉的標準嫩度。以原始光譜、特征區(qū)域光譜和Savitzky-Golay卷積平滑預處理光譜建立冷鮮羊肉嫩度的偏最小二乘回歸（PLSR）模型，預處理的特征區(qū)域光譜建立的模型效果更優(yōu)。結果表明：特征區(qū)域光譜可有效替代全波段光譜，經(jīng)過S-G卷積平滑預處理后，模型預測效果最佳，預測相關系數(shù)（Rp）和均方根誤差（RMSEP）分別為0.773和1.060。研究表明：利用近紅外高光譜成像技術結合偏最小二乘回歸法對冷鮮羊肉嫩度的快速無損檢測是可行的。

高光譜成像，無損檢測，冷鮮羊肉，嫩度，偏最小二乘

冷鮮肉又稱冷卻肉，由于從原料加工到銷售始終處于0～4℃低溫控制下，大多數(shù)微生物的生長繁殖被抑制，并且經(jīng)歷了較為充分的成熟過程，營養(yǎng)更為豐富，質地柔軟有彈性，滋味鮮美，已成為目前肉類產(chǎn)品消費的主流［1-2］。

嫩度是消費者評判肉質優(yōu)劣的重要指標，其主要與肉中各種蛋白質的結構特性、肌肉中脂肪的分布狀態(tài)及肌纖維中脂肪的數(shù)量有關［3-4］。目前肉品行業(yè)中評估肉品嫩度的方法主要是感官評價和機械測定。感官評價主要依靠人為咀嚼品嘗，鑒定往往受主觀因素干擾，誤差較大；機械測定目前最常用的是質構儀，通過模擬牙齒切割肌纖維的過程測量肉的剪切力［5］，該方法過程繁瑣耗時，對肉具有破壞性，被檢測的肉品不能繼續(xù)應用于生產(chǎn)銷售。因此，研究出一種快速、無損可代替?zhèn)鹘y(tǒng)方法對冷鮮肉品嫩度進行檢測的方法很有必要。

高光譜成像技術［6-8］融合了傳統(tǒng)的圖像技術和光譜技術，能同時獲取待測物的圖像和光譜信息，全面地反映樣品內外品質特征，在農畜產(chǎn)品品質無損檢測領域應用前景廣闊。近年來，國內外利用高光譜成像技術對冷鮮肉的脂肪、蛋白質、水分含量、微生物和新鮮度［9-12］的檢測略有研究，而對冷鮮肉嫩度品質的研究則鮮有報道。本文利用900～1700 nm近紅外高光譜成像技術獲取冷鮮羊肉表面反射光譜信息，通過研究冷鮮羊肉貨架期低溫儲藏過程中嫩度的變化，找出嫩度值與光譜值之間的相關性并建立冷鮮羊肉嫩度的近紅外預測模型，用于冷鮮羊肉嫩度的快速檢測。研究利用近紅外高光譜預測冷鮮羊肉嫩度的方法，為建立冷鮮羊肉的在線無損檢測和品質分級奠定基礎，為冷鮮羊肉產(chǎn)品在市場銷售過程中嫩度品質的變化提供理論依據(jù)，最終達到對產(chǎn)品質量的控制。

1　材料與方法

1.1材料與儀器

羊肉選用寧夏特有的鹽池灘羊與小尾寒羊的雜交羊共80只，購于寧夏吳忠市澇河橋分割肉加工有限公司。

近紅外高光譜成像系統(tǒng)（波長范圍900～1700 nm）

北京卓立漢光儀器有限公司；TA-XT plus質構儀（HDP-BSW刀具，厚度3 mm） 英國SMS有限公司；HWS-24電熱恒溫水浴鍋西安禾普生物科技有限公司；熱電偶測溫儀（探頭直徑） 上海飛龍儀表電器有限公司；圓形鉆孔取樣器直徑1.27 cm。

1.2樣品制備及光譜采集

羊被屠宰后，取其胴體背最長肌部位（左右共兩塊），將其表面的脂肪和肌膜除去，整形切塊（大小約為20 mm×30 mm×10 mm），共獲得樣本數(shù)160個，用密封袋密封、編號，置于保鮮箱低溫保存運至實驗室，在0～4℃下保藏8 d。分別在1、2、3、4、5、6、7、8 d同一時間隨機取出20個樣本，于室溫下放置2 h后，用紙巾擦去樣本表面的水分，對樣本進行光譜采集和剪切力測定。

1.3嫩度值測定

冷鮮羊肉嫩度的測量依據(jù)NY/T 1180-2006標準進行，每個樣本用標準取樣器鉆取3個圓柱形肉條（直徑約1 cm）置于TA-XT plus質構儀上，垂直于肌肉纖維方向剪切，取3個肉條剪切力的均值作為該樣本的最終嫩度值。測試參數(shù)設定：測試模式為壓縮測試，探頭下降速度為6.0 mm/s，探頭回程速度為6.0 mm/s，測試距離為20 mm。

1.4光譜預處理

為了消除漫反射光譜中樣品的鏡面反射及不均勻性造成的噪聲對模型的影響，需要對原始光譜曲線進行預處理。分別采用基線校正法（Baseline）、Savitzky-Golay卷積平滑、多元散射校正法（Multiplicative scattering correction，MSC）、標準正態(tài)變量變換（Standard noumal variate transformation，SNV）、去趨勢算法（Detrending）等［13］6種方法對光譜進行預處理，應用UnscramblerX 10.2光譜分析軟件，通過PLS回歸分別建立羊肉嫩度檢測模型，分析各種光譜預處理方法對模型精度的影響。以各模型校正集與預測集的相關系數(shù)Rc、Rp和交互預測均方根誤差RMSECV作為模型精度的評價指標，R越高，RMSECV越低，表征模型效果越好。

1.5數(shù)據(jù)處理

通過ENVI 4.6軟件對采集到的高光譜圖像進行光譜數(shù)據(jù)提取，然后采用Unscrambler X 10.2軟件對采集到的原始光譜信息進行預處理，并建立全波段與特征區(qū)域下PLSR冷鮮羊肉嫩度的預測模型。用交互預測（cross-validation）來優(yōu)化模型的相關參數(shù)，以最低RMSECV值所對應的PLS模型作為最佳模型。

2　結果與分析

2.1光譜曲線的提取

為減弱成像光譜儀暗電流和室內照明對圖像的干擾，高光譜圖像掃描前要對儀器進行黑白校正［14］及參數(shù)設定。待儀器校正完畢后，將處理好的樣本放在近紅外高光譜電控位移平臺，每組同時放兩塊肉樣進行光譜掃描。為了綜合反映肉品均體特征，選取了整塊肉作為感興趣區(qū)域（range of interest，ROI），計算ROI內的平均光譜，得到原始光譜反射曲線如圖1所示。由于儀器在安裝調試時存在系統(tǒng)誤差，使得光譜實際范圍為918～1678 nm。通過圖1可以看出，原始光譜曲線上存在明顯的干擾噪聲，使得曲線不光滑，這對后續(xù)光譜建模存在一定的影響。

圖1　原始光譜曲線Fig.1　Reflectance curves of original spectrum

2.2嫩度測定結果

實驗測得160個樣本嫩度有效值，統(tǒng)計結果見表1。從每天測得的20個冷鮮肉樣本中抽選15個作為校正集，其余5個組成預測集，則共有120個校正集樣本，40個預測集樣本。本實驗所取校正集肉樣的嫩度測定值范圍分布較廣，基本覆蓋不同時間冷鮮羊肉的嫩度值，且預測集樣本嫩度值變化范圍基本在校正集變化范圍之內，樣本集選擇合理，具有較好的代表性。

表1　嫩度值數(shù)據(jù)統(tǒng)計Table 1　Statistics data of tenderness value

2.3不同預處理方法對建模效果的影響

表2為不同預處理方法對PLSR建模效果的影響，通過分析可看出：采用基線校正法處理后光譜的建模精度最差，Rc和Rp僅為0.815、0.710，RMSECV為1.164；用Savitzky-Golay卷積平滑處理光譜后建立的模型精度最好，Rc和Rp為0.869、0.748，均高于其他模型，且RMSECV最低，僅為1.015，因此確定Savitzky-Golay卷積平滑為建立羊肉嫩度模型的最佳光譜預處理方法。

表2　不同預處理方法對PLSR模型的影響Table 2　Effect of different pretreatment methods on PLSR model

經(jīng)過Savitzky-Golay卷積平滑預處理后的光譜曲線見圖2。對比圖1和圖2發(fā)現(xiàn)，原始光譜經(jīng)Savitzky-Golay卷積平滑處理后的光譜曲線趨勢和形狀不變，而光譜曲線上的噪音干擾明顯減弱，且曲線變得更為光滑。

圖2　Savitzky-Golay處理后的光譜曲線Fig.2　Reflectance curves of spectrum using Savitzky-Golay processing

2.4特征區(qū)域光譜選擇

高光譜成像系統(tǒng)采集得到的原始光譜除含有樣品自身信息外，還包含一些由儀器或樣本表面反射產(chǎn)生的噪聲，且部分噪聲波段數(shù)據(jù)的影響還會降低模型的識別精度，不利于實現(xiàn)快速在線檢測［15］。從圖1中可以看出波長在963 nm以下的光譜曲線噪聲干擾明顯，使該段數(shù)據(jù)失去分析價值。因此，為了提高檢測效率，降低數(shù)據(jù)運算量，提高模型精度，剔除963 nm以下的噪聲波段，選擇963～1678 nm光譜區(qū)域進行后續(xù)的分析，圖3所示為經(jīng)過Savitzky-Golay卷積平滑處理后的特征區(qū)域光譜。

圖3　Savitzky-Golay卷積平滑處理后的特征區(qū)域光譜Fig.3　Characteristic region spectrum of Savitzky-Golay smoothing convolution

2.5模型建立及評價

2.5.1冷鮮羊肉嫩度的PLSR模型實驗分別以原始光譜、Savitzky-Golay卷積平滑預處理光譜、特征區(qū)域光譜建立冷鮮羊肉嫩度的PLSR模型，結果見表3。

表3　冷鮮羊肉嫩度的PLSR模型Table 3　PLSR models of chilled mutton tenderness

對比原始光譜和預處理光譜PLSR模型效果：經(jīng)Savitzky-Golay卷積平滑預處理光譜模型校正集相關系數(shù)（Rc）和預測集相關系數(shù)（RP）均高于原始光譜模型，交互預測均方根誤差（RMSECV）小于原始光譜模型，模型預測能力得到提高；此外，經(jīng)Savitzky-Golay卷積平滑預處理光譜模型的RC、RCV、RP差異較原始光譜模型RC、RCV、RP小，模型穩(wěn)健性也相對較好；全波段下利用PLSR建模，由經(jīng)Savitzky-Golay卷積平滑預處理光譜建立的模型效果優(yōu)于原始光譜。由此可以得出，經(jīng)過Savitzky-Golay卷積平滑處理，與樣本嫩度特征相關的光譜吸收信息有所增加。

對比原始光譜和特征區(qū)域光譜的PLSR模型效果：對特征區(qū)域光譜建模，噪音干擾和波段維數(shù)都有所降低，提高了分析效率，模型效果均得到優(yōu)化。說明光譜區(qū)域的選擇有效地剔除了與檢測指標（冷鮮羊肉嫩度）不相關的噪聲和非線性變量，利用特征區(qū)域光譜建模效果更優(yōu)越，可優(yōu)化模型精度，提高檢測率。

2.5.2嫩度預測模型結果比較對預測集樣本，基于原始光譜和經(jīng)Savitzky-Golay卷積平滑預處理的特征區(qū)域光譜建立PLSR模型，預測結果見圖4。模型的預測相關系數(shù)（RP）和均方根誤差（RMSEP）分別為0.740、1.064和0.773、1.060。

Detection of chilled mutton tenderness by NIR hyperspectral imaging technology

WANG Wan-jiao，WANG Song-lei*，HE Xiao-guang，WANG Jia-yun，YANG Xiao-chen
（School of Agriculture，Ningxia University，Yinchuan 750021，China）

Near-infrared hyperspectral imaging system ranging from 900 nm to 1700 nm was used to study chilled mutton tenderness detection intactly and rapidly.Shear force being the criterion of tenderness，collected the hyperspectral scattering image of the chilled mutton samples and extracted the reflectance spectrum at range of interest.Used original spectrum，characteristic region spectrum and Savitzky-Golay convolution smoothing preprocessing spectrum to establish partial least squares regression（PLSR）model of chilled mutton’s tenderness，the model of pretreatment characteristics bands had better results.The result showed that characteristic region spectrum could effectively replace the whole band spectrum.After Savitzky-Golay convolution smoothing，model was better to predict，the correlation coefficient（RP）and the predict root mean square error（RMSEP）were 0.773 and 1.060.The research demonstrated that it was feasible to detect chilled mutton tenderness intactly and rapidly by near-infrared hyperspectral imaging technology associating with partial least squares regression method.

hyperspectral imaging technology；non-destructive detection；chilled mutton；tenderness；partial least squares regression

TS251.7

A

1002-0306（2015）20-0077-04

10.13386/j.issn1002-0306.2015.20.007

2015－02－02

王婉嬌（1990-），女，碩士研究生，主要從事農產(chǎn)品無損檢測方面的研究，E-mail：604358543@qq.com。

王松磊（1982-），男，博士，講師，主要從事農產(chǎn)品無損檢測方面的研究，E-mail：wangsonglei163@126.com。

國家自然科學基金資助項目（31101306）。