基于近紅外光譜技術的三文魚肉質分類研究

王 磊，殷姣姣，余心杰

(1.太原科技大學電子信息工程學院，山西 太原 030024;2.浙江大學寧波理工學院信息科學與工程學院，浙江 寧波 315100)

0 引言

三文魚［1］也稱為大西洋鮭魚，屬于硬骨魚綱鮭形目鮭亞目鮭科的種類，是生長在加拿大、挪威和美國等高緯度地區(qū)的屬于冷水性的高度洄游魚類。三文魚生長的溫度大致范圍是0℃～30℃。若生長在溫度適宜的環(huán)境下，三文魚會攝取很多的食物，生長速度很快。相反，若生長的環(huán)境不合適，三文魚的攝食量就會大幅度地減少，從而影響其生長的速度。因為三文魚是喜歡逆流生長的魚類，所以多采用流水型養(yǎng)殖。如果生長環(huán)境的水量和水流都是在最佳狀態(tài)，則可刺激三文魚，使其保持其良好的物質代謝，促進其生長速度。研究表明，三文魚適宜的溶氧量為6 mg/L以上，最適合的pH 范圍為6.5～7.5。在養(yǎng)殖池中的三文魚主要喂養(yǎng)含有蝦青素的飼料，因此它的魚肉中含有蝦青素，所以其肉色為紅色或鮮橘紅色。

三文魚中富含腦黃金(DHA)、二甲氨基乙醇(DMAE)等主要成分，可預防慢性疾病、糖尿病等疾病，還可有效減輕因風濕、牛皮癬等疾病帶來的痛苦，并且還能降低血液中的膽固醇含量，因此三文魚是世界上最有益健康的魚類之一。此外，三文魚的魚肉中，膽固醇含量很低，熱量低，蛋白質含量高，符合現(xiàn)代食品營養(yǎng)學標準和人們對健康魚類的界定。

三文魚的肉色是消費者判斷其品質的重要標準，對肉色鮮紅的三文魚，要想知道其顏色，就必須將其進行宰殺并解剖。一般只通過觀察魚體本身，不能準確地辨別魚肉的質量，所以需要一種快速無損辨別魚肉質量的方法。因為蝦青素在可近紅外光下的光譜反射比較明顯，因此利用近紅外光譜儀對三文魚進行照射，得到的反射光譜數(shù)據(jù)［2］對三文魚進行肉色分級分類研究。

1 試 驗

1.1 實驗設備

1)近紅外光譜儀:QE65000 光譜儀由Ocean Optics 研制。光譜儀的測量區(qū)間為350～1100 nm;探測器是CCD 探測器，該探測器總共有15 個光柵，光譜采樣間隔為0.81 nm，采集所用的軟件是配套的Ocean Optics SpectraSuite，該軟件的數(shù)據(jù)采集頁面如圖1 所示。

圖1 軟件的數(shù)據(jù)采集頁面

2)光源:光源是與近紅外光譜儀所對應的一個設備，該設備使用比較簡便，并且耐用、經濟，可測定的波長區(qū)間為300～1050 nm。

3)硬件環(huán)境:一臺PC 計算機，基本配置中等即可。實驗裝置如圖2 所示。

圖2 實驗裝置

1.2 實驗材料與光譜數(shù)據(jù)獲取

1)樣本準備。

實驗所用的三文魚是山東省煙臺市東方海洋養(yǎng)殖基地養(yǎng)殖的。挑選重量在1 kg 左右的三文魚作為實驗目標。首先，在一個裝有干凈海水的小養(yǎng)殖池里，將挑選的三文魚進行麻醉，每次麻醉幾條，然后放在暗箱上。

2)光譜數(shù)據(jù)的獲取。

利用近紅外光譜儀對三文魚進行照射，照射的區(qū)域為圖3 中的虛線區(qū)域，每次測量都做好標記，便于以后進行處理。利用軟件把光譜數(shù)據(jù)存起來，對每條魚的一面進行測量，圖3 中虛線區(qū)域是測量范圍，這樣是為了避開魚體內部和外部因素對數(shù)據(jù)采集產生干擾。最后，剖開魚體的表面，將測量部位的肉色(如圖4 所示)與SalmoFanTM比色卡(圖5 所示)進行比對，并記錄等級。

圖3 魚肉的照射范圍

圖4 對照射部位進行解剖

圖5 三文魚的魚肉和SalmoFanTM比色卡比對

2 近紅外光譜數(shù)據(jù)的預處理

對采集三文魚的近紅外光譜數(shù)據(jù)，首先消除樣本不均勻、基線漂移、高頻隨機噪聲等影響，對采集的光譜數(shù)據(jù)進行預處理，只保留300～1 000 nm 的數(shù)據(jù)來研究，其余波段的數(shù)據(jù)都去除;然后進行基線校準，并采用平均平滑法，再進行多元散射校正(MSC)，得到預處理后的光譜數(shù)據(jù)(如圖6 所示);根據(jù)蝦青素的反射特點，最后采用350.51～580.05 nm 范圍的光譜數(shù)據(jù)來處理和分析。在實際出售中，以SalmoFanTM進行肉質鑒別，比色卡上等級24 以上的肉質是好的，所以分為2 類，等級大于24 的為第一類，等級小于24為第二類。

圖6 部分樣本預處理后的光譜數(shù)據(jù)

3 稀疏表示算法

近一些年，在處理模式識別的各類問題上，稀疏表示分類算法是一種很重要的算法。稀疏表示分類算法的優(yōu)點是運用殘差進行數(shù)據(jù)的分類，比傳統(tǒng)的分類算法精確了不少，也提高了分類的準確度。目前，國內外的專家運用稀疏表示分類算法對圖像去噪［3］、自適應權重［4］和音樂流派與樂器分類［5］等方面進行研究，而且對稀疏表示分類器進行分類的范圍越來越多。例如基于和鉉識別在音樂結構和旋律方面的重要性，董麗夢利用稀疏表示分類器進行和弦識別，在識別率上高于傳統(tǒng)的識別方法［6］。

3.1 稀疏表示原理

稀疏表示分類器［7］是一種基于l1最小化范數(shù)的分類器，在模式識別的應用中已經取得了很大的成效。在特征上，稀疏表示分類器是用少量的樣本數(shù)據(jù)來構成樣本訓練集，獲得比支持向量機(Support Vector Machine，SVM)和線性分類器等分類方法更好的分類性能［8-10］。下面采用本實驗數(shù)據(jù)來實現(xiàn)稀疏表示分類器的分類。

已知進行分類的光譜數(shù)據(jù)有80 個訓練樣本，訓練樣本數(shù)據(jù)可表示為:其中，Ai構成了i 類的向量空間，矩陣A 構成了1 種光譜數(shù)據(jù)的數(shù)據(jù)詞典，矩陣的行數(shù)表示每個樣本特征參數(shù)的個數(shù)，矩陣的列數(shù)表示樣本的總數(shù)。

對于取自第k 類光譜數(shù)據(jù)的測試樣本的向量y，可由它的訓練矩陣A 所構成的空間線性表示:

在理想情況下，假設測試樣本y 是來自第k 類待測樣本，那么x 在其所屬類別的基Ak上的投影系數(shù)不為0，而在其他訓練樣本基(即Ai，i≠k)上的投影為0。但實際情況是，測試樣本的類別是未知的，如果所求的列向量足夠稀疏，根據(jù)壓縮感知理論［11-20］，得到如下求解公式:

在光譜數(shù)據(jù)的獲取過程中會包含噪聲，那么y 就很難對A 進行準確的線性表示，因此上述表達式可改寫為:

對于第i 類，定義δi是選取中一個與第i 類有關的系數(shù)向量。因此，如果判別y 為第i 類時，用=Aδi)近似y，即與y 距離越小，屬于i 的可靠性越高。因此，提出識別y 所屬類別的方法如下:

其中，用第i 類訓練樣本重建y 的殘差為ri(y)。

其中L(y)表示y 的標記。

3.2 實驗結果與分析

對預處理過的三文魚(其中100 個為訓練樣本，每類50 個;40 個為測試樣本，每類20 個)的光譜數(shù)據(jù)進行如下的操作:

1)稀疏表示算法在MATLAB2013a 下編程實現(xiàn)，將數(shù)據(jù)的維數(shù)最終降到100 維。

2)主成分分析算法在MATLAB2013a 下編程實現(xiàn)，共提取前100 個主成分。

3)基于線性判別分析的分類算法(LDA)在Matlab2013a 下編程實現(xiàn)。

4)基于最小二乘支持向量機算法(LS-SVM)在MATLAB2013a 下編程來實現(xiàn)。

光譜數(shù)據(jù)分別在主成分分析法和稀疏表示(降維方法)處理的基礎上，利用基于線性判別分析分類算法進行模型建立，通過分析得出結果;光譜數(shù)據(jù)在2 種降維方法處理后，再利用基于最小二乘支持向量機分類算法進行模型建立，通過分析得出結果。

表1 實驗的分類結果

從表1 中可以看出，在第一類中，不管是在LDA還是在LS-SVM 分類處理上，SR 降維處理的分類正確率都比PCA 高;在第二類中，雖然在LDA 分類處理上，SR 和PCA 降維處理后的分類正確率相同，但是在LS-SVM 分類處理上，SR 還是比PCA 降維后的分類正確率高。

因此，利用稀疏表示分類算法降維后的光譜數(shù)據(jù)進行分類的正確率比主成分分析降維后進行分類的正確率要高。因此，與主成分分析法的降維方法相比較，稀疏表示算法能有效地提取高維光譜數(shù)據(jù)中的信息，在此基礎上，能更好地對三文魚的肉質特色進行正確的分類。

4 結束語

本文利用稀疏表示分類算法對三文魚的近紅外光譜數(shù)據(jù)進行降維處理，再利用線性判別分析(LDA)和最小二乘支持向量機(LS-SVM)對三文魚的肉質建立了分類預測模型。實驗結果表明，利用稀疏表示算法對近紅外光譜數(shù)據(jù)進行降維，能取得比傳統(tǒng)的主成分分析法(PCA)光譜降維方法更好的分類預測結果。所以稀疏表示分類算法為近紅外光譜檢測中的海量數(shù)據(jù)降維提供了一種良好的新途徑。

［1］羅剛.大西洋鮭魚營養(yǎng)研究概況［J］.畜牧與飼料科學，2009，30(5):23-25.

［2］高榮強，范世福.現(xiàn)代近紅外光譜分析技術的原理及應用［J］.分析儀器，2002(3):9-12.

［3］喬雅莉.基于稀疏表示的圖像去噪算法研究［D］.北京:北京交通大學，2009.

［4］段剛龍，魏龍，李妮.基于自適應權重的多重稀疏表示分類算法［J］.計算機工程與應用，2014，50(8):173-177.

［5］徐星.基于最小-范數(shù)的稀疏表示音樂流派與樂器分類算法研究［D］.天津:天津大學，2012.

［6］董麗夢，李鏘，關欣.基于稀疏表示分類器的和弦識別研究［J］.計算機工程與應用，2012，48(29):133-136.

［7］Wright J，Yang A Y，Ganesh A，et a1.Robust face recognition via sparse representation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2008，31(2):210-227.

［8］黃敏，萬相梅，朱啟兵，等.基于高光譜成像技術的菜用大豆厚度檢測［J］.食品與生物技術學報，2012，31(11):1142-1147.

［9］蔣璐璐，駱美富，張瑜，等.汽車變速箱油的近紅外光譜識別研究［J］.光譜學與光譜分析，2014，34(1):64-68.

［10］Wright J，Yang A Y，Ganesh A，et a1.Robust face recognition via sparse representation［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2008，31(2):210-227.

［11］杜愎剛，朱毅，朱會田.汽車自動變速器油質異常的原因及預防措施［J］.潤滑與封閉，2004(3):104-105，109.

［12］Suykens J A K，Gestel T Van，Brabanter J De.Least Squares Support Vector Machines ［M］.World Scientific Publishing Company，2002.

［13］程國首，郭俊先，石呰，等.基于高光譜成像技術的新疆紅富士蘋果重量預測［J］.新疆農業(yè)大學學報，2011，34(3):249-252.

［14］洪添勝，喬軍，Michael D Ngadi，等.基于高光譜成像技術的雪花梨品質無損檢測［J］.農業(yè)工程學報，2007，23(2):151-155.

［15］徐爽，何建國，易東，等.基于高光譜成像技術的長棗糖度無損檢測［J］.食品與機械，2012，28(6):168-170.

［16］孫玉寶.圖像稀疏表示模型及其在圖像處理反問題中的應用［D］.南京:南京理工大學，2010.

［17］鄧承志.圖像稀疏表示理論及其應用研究［D］.武漢:華中科技大學，2008.

［18］浦劍，張軍平.基于詞典學習和稀疏表示的超分辨率方法［J］.模式識別與人工智能，2010，23(3):335-340.

［19］Donoho D.Compressive sensing［J］.Transaction on Information Theory，2006，52(4):1289-1306.