基于高光譜技術(shù)的牛肉含水率無損檢測

柴玉華，遲　強(qiáng)，蘇中濱，王云鶴

(東北農(nóng)業(yè)大學(xué) 電氣與信息學(xué)院， 哈爾濱　150030)

?

基于高光譜技術(shù)的牛肉含水率無損檢測

柴玉華，遲強(qiáng)，蘇中濱，王云鶴

(東北農(nóng)業(yè)大學(xué) 電氣與信息學(xué)院， 哈爾濱150030)

摘要：牛肉含水率的高低不僅直接影響牛肉品質(zhì)，而且會對消費(fèi)者造成經(jīng)濟(jì)損失。為此，通過實(shí)驗(yàn)探究了采用高光譜圖像技術(shù)對牛肉含水率進(jìn)行檢測的可行性，為檢測牛肉品質(zhì)提供依據(jù)。采用82個(gè)牛肉后腿樣本作為實(shí)驗(yàn)材料，按5×4×1cm的規(guī)格通過國際烘干法測量其真實(shí)含水量，并采集它們的光譜圖像；獲取樣本的光譜信息后，通過ENVI及MatLab軟件獲取感興趣區(qū)域。同時(shí)，利用不同的預(yù)處理方法，分別建立BP神經(jīng)網(wǎng)絡(luò)和偏最小二乘校正模型，通過比對兩種模型結(jié)果，偏最小二乘校正模型能夠更有效預(yù)測牛肉含水率，校正集相關(guān)系數(shù)為0.91，校正標(biāo)準(zhǔn)差為0.121，預(yù)測集的相關(guān)系數(shù)為0.89，預(yù)測標(biāo)準(zhǔn)差為0.118。研究結(jié)果證實(shí)，利用高光譜圖像技術(shù)可以快速無損檢測牛肉含水率。

關(guān)鍵詞：牛肉；含水率；高光譜圖像；偏最小二乘

0引言

近年來，隨著生活水平的提高，肉制品受到人們的青睞。其中，牛肉因其高蛋白、低脂肪而在肉制品中首屈一指，尤其受到消費(fèi)者歡迎。但隨著需求量的增加，牛肉的品質(zhì)越來越受到關(guān)注和重視，含水率過高的牛肉不僅對人們的經(jīng)濟(jì)造成損失，也對人們身體健康構(gòu)成威脅，所以對牛肉品質(zhì)的檢測就更加重要[1]。

目前，全球范圍內(nèi)的檢測方式大多停留在化學(xué)方法。這種方式帶來了較高的檢測精度，卻同時(shí)伴有成本高、操作難、檢測周期長及破壞檢測樣本品質(zhì)的弊端。肉制品的無損檢測技術(shù)成為了廣大學(xué)和企業(yè)的研究目標(biāo)和實(shí)驗(yàn)方向，而光譜技術(shù)成為了最具潛力的無損檢測方法。近年來，光譜技術(shù)被國內(nèi)外學(xué)者和研究人員廣泛應(yīng)用于檢測肉制品品質(zhì)方面并取得良好效果。文東東等采用高光譜技術(shù)研究了不同品種干牛肉嫩度的快速檢測[2]；朱榮光等實(shí)現(xiàn)了利用高光譜技術(shù)對牛肉儲存時(shí)間和取樣部位的預(yù)測[3]；石慧等基于高光譜成像技術(shù)對對蝦品質(zhì)進(jìn)行快速檢測，并取得了良好成果[4]；吳建虎等基于高光譜散射特征成功對牛肉品質(zhì)參數(shù)進(jìn)行了預(yù)測[5]；EIMasry等通過高光技術(shù)對魚肉的脂肪和含水率進(jìn)行了檢測[6]；Shackelford等采用可見-近紅外光譜技術(shù)實(shí)現(xiàn)了牛肉嫩度的在線分級[7]。

本文采用高光譜圖像技術(shù)對牛肉含水量進(jìn)行檢測，通過選取感興趣區(qū)域，利用不同的預(yù)處理方法，建立主成分分析和偏最小二乘校正模型對預(yù)測集進(jìn)行評判，作為后期對牛肉品質(zhì)檢測的相關(guān)依據(jù)。具體實(shí)驗(yàn)流程圖如圖1所示。

圖1　實(shí)驗(yàn)流程圖

1實(shí)驗(yàn)材料

1.1高光譜成像系統(tǒng)

系統(tǒng)采用“推掃式”成像方法，其主要由高光譜成像儀(美國Headwall生產(chǎn))、光源、樣品輸送設(shè)置、圖像采集卡及計(jì)算機(jī)組成。光譜儀的光譜采集范圍為400～1 000nm，光譜分辨率為1.29，光譜采樣的波段間隔為0.64nm，空間分辨率為0.15。硬件部分整體框圖如圖2所示。

1.COMS相機(jī)　2.高光譜鏡頭　3.牛肉樣本　4.步進(jìn)式電機(jī)

1.2牛肉樣本

所有牛肉樣本的試驗(yàn)樣品取自哈爾濱阿城屠宰場，牛的品種為西門塔爾牛，所有樣本為屠宰后24h解僵后的后腿里脊肉；分割時(shí)，將牛肉樣本均切割成5×4×1cm大小，約25g；樣本經(jīng)過采集后，用密實(shí)袋包裝裝入生化保鮮箱移至實(shí)驗(yàn)室后，立即測量樣本的高光譜圖像信息和進(jìn)行含水率測量。

2實(shí)驗(yàn)方法

2.1高光譜圖像的黑白校正

高光譜成像系統(tǒng)在實(shí)驗(yàn)過程中，由于光源強(qiáng)度在不同波段的強(qiáng)度不同及攝像頭中的暗電流的影響，所采集到的光譜圖像存在很多噪音信號，影響實(shí)驗(yàn)結(jié)果。因此，必須在實(shí)驗(yàn)開始前對光譜圖像進(jìn)行黑白校正來避免實(shí)驗(yàn)結(jié)果不準(zhǔn)確[8]。進(jìn)行黑白校正時(shí)，在不產(chǎn)生任何外在變量條件下，關(guān)閉光譜相機(jī)鏡頭蓋，設(shè)定采集到的全黑的高光譜標(biāo)定圖像為黑(W)；開啟鏡頭蓋后，將設(shè)備設(shè)定為實(shí)驗(yàn)參數(shù)，將校準(zhǔn)白板放于移動平臺上，將采集到的標(biāo)準(zhǔn)全白的高光譜標(biāo)定圖像白(B)[9-10]。最后利用公式Ir=(I-B)/(W-B)，將實(shí)驗(yàn)所獲得的樣品絕對圖像I轉(zhuǎn)換成相對圖像Ir。其中，I為最終獲得的樣品高光譜圖像信息。

2.2光譜數(shù)據(jù)采集

在進(jìn)行光譜數(shù)據(jù)采集前，首先要將實(shí)驗(yàn)儀器光譜儀調(diào)至最佳實(shí)驗(yàn)狀態(tài)即打開后預(yù)熱約30min，用實(shí)驗(yàn)試樣本測試光源強(qiáng)度、曝光時(shí)間、移動平臺的起始位置和移動速率，從而保證實(shí)驗(yàn)所得光譜圖像清晰而不失真；在實(shí)驗(yàn)設(shè)備完全穩(wěn)定后即確定移動平臺初始位置為0，輸送速率為90nm/s，掃描長度為90nm，鏡頭曝光時(shí)間為2.5s，開始實(shí)驗(yàn)；對實(shí)驗(yàn)樣本依次進(jìn)行高光譜數(shù)據(jù)采集并按照編號用途儲存。在實(shí)驗(yàn)儀器運(yùn)行過程中，獲得實(shí)驗(yàn)樣本在光學(xué)焦平面垂直方向和平行方向上的光譜信息和空間圖像信息，最后獲得了涵蓋了特定像素下的光譜信息和含有特定波長下的空間圖像信息。得到的牛肉樣本原圖像和光譜數(shù)據(jù)如圖3和圖4所示。

圖3　牛肉樣本原圖像

圖4　光譜數(shù)據(jù)

由光譜圖可以看出：波長在550～600nm之間時(shí)，存在一個(gè)吸收峰；波長在720～770nm之間時(shí)，光譜的反射率最高。

2.3實(shí)驗(yàn)數(shù)據(jù)處理及模型評價(jià)

高光譜圖像采集選用高光譜成像儀(美國Headwall生產(chǎn))，數(shù)據(jù)的處理使用了ENVI4.7和MATLAB7.11軟件平臺。利用留一交叉驗(yàn)證相關(guān)系數(shù)，校正集標(biāo)準(zhǔn)差和預(yù)測集相關(guān)系數(shù) ,預(yù)測集標(biāo)準(zhǔn)差。其中，標(biāo)準(zhǔn)集和預(yù)測集的相關(guān)系數(shù)越大(接近1)、標(biāo)準(zhǔn)差越小(接近0)，說明模型性能越好，反之異然[11-12]。

2.4牛肉含水率測定

利用國際烘干發(fā)測定牛肉的含水量。將樣本連同承裝器皿稱重并編號后放入恒溫烤箱中，設(shè)置80℃烘烤2h后調(diào)至105℃烘干24h，取出樣本后測取質(zhì)量。計(jì)算公式為

X=(m2-m3)/(m2-m1)

其中，X為含水率；m1、m2、m3分別為承裝器皿質(zhì)量、干燥前樣本連同承裝器皿重量、烘干后樣本連同承裝器皿質(zhì)量。

實(shí)驗(yàn)中，考慮到所選擇的樣本必須具有高程度的代表性(即包含樣本的各個(gè)化學(xué)參數(shù)和光譜信息)，在滿足數(shù)學(xué)統(tǒng)計(jì)建模的前提下，將實(shí)驗(yàn)樣本按3：1的比例分為標(biāo)準(zhǔn)樣本集和預(yù)測集。牛肉樣本含水率經(jīng)測量后實(shí)驗(yàn)結(jié)果如表1所示。

表1　牛肉樣本含水率測量結(jié)果

2.5樣本代表性光譜及建模譜區(qū)范圍的選擇

在運(yùn)輸、存儲及實(shí)驗(yàn)過程中，實(shí)驗(yàn)樣本主要成分蛋白質(zhì)、脂肪等物質(zhì)不斷分解，造成肌體表面營養(yǎng)成分的分布和顏色分布不斷變化。所以，每次實(shí)驗(yàn)前都將樣本在空氣中進(jìn)行約0.5h的表面氧化；之后，選取肌體中心部分作為感興趣區(qū)域，盡量避免所選部位過于光亮。在所獲取的感興趣區(qū)域中涵蓋了大量的像素點(diǎn)，由于實(shí)驗(yàn)外部存在噪聲影響、特殊波段響應(yīng)值不足(波長小于450nm和大于880nm)等原因，選定450～880nm作為實(shí)驗(yàn)區(qū)域。

2.6光譜預(yù)處理方法的選擇

在采集光譜信息過程中，由于存在一些無用的信息，這些信息會導(dǎo)致模型預(yù)測性能大幅度下降，所以在對所采集的光譜數(shù)據(jù)進(jìn)行分析時(shí)需要對光譜數(shù)據(jù)進(jìn)行預(yù)處理，去除與樣本無關(guān)的信息。為了能取得更為良好的建模結(jié)果，通過對常用的預(yù)處理方法進(jìn)行對比性測試，通過比較獲取的標(biāo)準(zhǔn)集和預(yù)測集的相關(guān)系數(shù)和標(biāo)準(zhǔn)差來確定最佳預(yù)處理方法。本實(shí)驗(yàn)采取的預(yù)處理方法有平滑(S-G)、一階導(dǎo)、多元散射校正及變量標(biāo)準(zhǔn)化(SNV)[13]。

2.7特征波長選取

本實(shí)驗(yàn)選用連續(xù)投影法作為特征波長的選擇方法，通過多元線性回歸，從光譜信息中找出變量間線性關(guān)系最小的變量組。這大大提高了建模所需的變量利用率，省去了對無用信息的處理過程，從而提高了模型的預(yù)測性能。

3實(shí)驗(yàn)結(jié)果及建立并評價(jià)數(shù)學(xué)模型

3.1建模方法

常用的統(tǒng)計(jì)模型主要有多元線性回歸、多元逐步回歸、主成分分析、主成分回歸、偏最小二乘、人工神經(jīng)網(wǎng)絡(luò)、偏最小二乘支持向量機(jī)等方法。本實(shí)驗(yàn)采用BP神經(jīng)網(wǎng)絡(luò)和偏最小二乘方法分別建立了牛肉含水率預(yù)測模型，通過對比建模結(jié)果評判模型適用性。

3.2BP神經(jīng)網(wǎng)絡(luò)模型分析

BP神經(jīng)網(wǎng)絡(luò)可以在特征空間行程復(fù)雜的非線性決策邊界，從而解決非線性可分問題。為了快捷、有效地提取到具有代表性的特征波長，參照美國農(nóng)業(yè)部的研究結(jié)論：水的特征吸收波長分別有760、980、1 450、1 940nm。由于實(shí)驗(yàn)譜區(qū)范圍在450～880nm，選取760nm作為特征波長建立模型[14]。由于單單選定一個(gè)波長作為特征波長進(jìn)行建模，可能會受到實(shí)驗(yàn)對象物理特性的影響，因此選取720nm作為參考波長， 分別建立BP神經(jīng)網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果如表2、圖5、圖6所示。

表2　直接引用特征波長和引入?yún)⒖疾ㄩL建模結(jié)果

圖5　直接引用特征波長的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果

圖6　引入?yún)⒖疾ㄩL的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果

通過實(shí)驗(yàn)結(jié)果分析，引入了參考波長之后的建模結(jié)果得到了微小的提高；但兩個(gè)建模結(jié)果都不理想，校正集和預(yù)測集的相關(guān)系數(shù)較低，預(yù)測能力一般[14]。

3.3偏最小二乘模型分析

偏最小二乘法(PLSR)是在主成分分析法的基礎(chǔ)上更好地概括自變量信息，對多個(gè)自變量進(jìn)行分析即同時(shí)描述多個(gè)變量信息，同時(shí)對因變量也具有高效的解釋能力。

利用偏最小二乘建模過程中，利用交叉驗(yàn)證法來確定主成分的個(gè)數(shù)。通過采用外部驗(yàn)證法的留一法(leave-one-out)，將校正集樣本的主成分?jǐn)?shù)為1開始，不斷帶入模型中，計(jì)算出預(yù)測值，利用預(yù)測值推導(dǎo)計(jì)算出預(yù)測集標(biāo)準(zhǔn)差。當(dāng)驗(yàn)證標(biāo)準(zhǔn)差(SEV)出現(xiàn)極小值時(shí)，所選取的主成分個(gè)數(shù)即為最佳主成分?jǐn)?shù)。

驗(yàn)證不同種預(yù)處理方法建立的PLSR模型得到結(jié)果來選取最優(yōu)預(yù)處理方法，結(jié)果如表3和圖7所示。

表3　不同預(yù)處理方法得到的偏最小二乘模型結(jié)果

圖7　PLSR最佳建模結(jié)果

實(shí)驗(yàn)數(shù)據(jù)表明：采用不同預(yù)處理方法對PLSR模型有很大的影響。采用變量標(biāo)準(zhǔn)化對數(shù)據(jù)進(jìn)行預(yù)處理得到的模型結(jié)果最佳，對牛肉含水率具有很高的預(yù)測性。

4結(jié)論

基于高光譜成像技術(shù)對牛肉含水率進(jìn)行定量檢測，在400～1 000nm的波長范圍中，建立了BP神經(jīng)網(wǎng)絡(luò)模型和偏最小二乘校正模型，通過比對兩種模型對牛肉含水率定量預(yù)測能力及準(zhǔn)確度，選出最優(yōu)模型。實(shí)驗(yàn)研究結(jié)果表明：不同預(yù)處理方法對模型的精度有很大程度的影響。其中，變量標(biāo)準(zhǔn)化預(yù)處理所建立的PLSR模型具有更準(zhǔn)確的預(yù)測性，含水率校正集的相關(guān)系數(shù)及標(biāo)準(zhǔn)差分別為0.91和0.121，預(yù)測集的相關(guān)系數(shù)及標(biāo)準(zhǔn)差分別為 0.89和0.118，實(shí)現(xiàn)了對牛肉含水率的較理想預(yù)測。

參考文獻(xiàn)：

[1]中華人民共和國衛(wèi)生部,中國國家標(biāo)準(zhǔn)化管理委員會.GB/T 5009.44—2003肉與肉制品衛(wèi)生標(biāo)準(zhǔn)的分析方法[S]．北京:中國標(biāo)準(zhǔn)出版社,2004.

[2]文東東,李小昱,趙政,等.不同品種牛肉新鮮度光譜檢測模型的維護(hù)方法[J].食品安全質(zhì)量檢測學(xué)報(bào),2012,3(6):621-626.

[3]朱榮光,姚雪東,高廣娣,等.不同儲存時(shí)間和取樣部位牛肉顏色的高光譜圖像檢測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(7):1000-1298.

[4]石慧.基于高光譜成像技術(shù)的對蝦品質(zhì)信息快速檢測方法研究[D].杭州:浙江大學(xué),2013.

[5]吳建虎,彭彥昆.基于高光譜散射特征的牛肉品質(zhì)參數(shù)的預(yù)測研究[J].光譜學(xué)與光譜分析,2010,30(7):1815-1819.

[6]G. ElMasry,J. P. Wold. High-Speed Assessment of Fat and Water Content Distribution in Fish Fillets Using Online Imaging Spectroscopy[J].Journal of Agricultural and Food Chemistry, 2008,56(17): 7672-7677.

[7]S. D. Shackelford, T. L. Wheeler, M. Koohmaraie. On-line classification of US select beef carcasses for longissimus tenderness using visible and near-infrared reflectance spectroscopy[J]. Meat Science, 2005,69(3): 409-415.

[8]張海云,彭彥昆,王偉,等.生鮮豬肉主要品質(zhì)參數(shù)無損在線檢測系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(4):146-151.

[9]吳建虎,彭彥昆,江發(fā)潮,等.牛肉嫩度的高光譜法檢測技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(12):135-150.

[10]文東東.基于光譜技術(shù)的牛肉新鮮度檢測模型維護(hù)方法研究[D].武漢:華中農(nóng)業(yè)大學(xué)，2013.

[11]周彤,彭彥昆.牛肉大理石花紋圖像特征信息提取及自動分級方法[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(15):286-293.

[12]郭輝,彭彥昆,江發(fā)潮,等.手持式牛肉大理石花紋檢測系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(S):207-210．

[13]Guo Hui，Peng Yankun，Jiang Fachao，et al．Development of conveyable beef-marbling detection system[J]．Transactions of the Chinese Society for Agricultural Machinery，2012，43(S):207-210．

[14]湯修映,牛力釗,徐 楊,等. 基于可見近紅外光譜技術(shù)的牛肉含水率無損檢測[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(11)：248-254.

Abstract ID:1003-188X(2016)04-0222-EA

Nondestructive Determination of Water Content in Beef Using the Hyperspectral Image Detection

Chai Yuhua, Chi Qiang, Su Zhongbin, Wang Yunhe

(College of Electrical and information , Northeast Agricultural University, Harbin 150030, China)

Abstract：The moisture content of beef not only can directly affect the beef quality, but also brings great economic damage to the consumers, therefore this experiment provides the basis for beef quality detection by exploring the feasibility of detecting beef moisture content through hyperspectral image technology. 82 samples of cows’ back-legs are adopted as experiment materials to measure their real moisture and to collect their hyperspectral images by way of international drying method according to the specification of 5×4×1cm. After getting the hyperspectral information of the samples, with the help of ENVI and MATLAB software, interesting areas are gained. By different pretreatment methods, artificial neural network and PLS calibration model are separately built. Though comparison of the results of these two models, PLSR calibration model can better predict the beef moisture content. The correlation coefficient of correction is 0.91 the RMSEC is 0.121 the correlation coefficient of prediction set is 0.89and the RMSEP is 0.118. The results show that beef moisture content can be quickly and intact detected through hyperspectral image technology.

Key words：beef; moisture content; hyperspectral image; PLSR

文章編號：1003-188X(2016)04-0222-04

中圖分類號：S123

文獻(xiàn)標(biāo)識碼：A

作者簡介：柴玉華(1965-)，女，哈爾濱人，教授，博士生導(dǎo)師，(E-mail)yhchai@163.com。

基金項(xiàng)目：黑龍江省自然科學(xué)基金重點(diǎn)項(xiàng)目(ZD201303)

收稿日期：2015-03-30