高光譜成像技術(shù)在農(nóng)畜產(chǎn)品有害微生物快速檢測(cè)中的研究進(jìn)展

崔　博,田有文,*,劉思伽

(1.沈陽(yáng)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院,遼寧沈陽(yáng) 110161;2.遼寧省農(nóng)業(yè)信息化工程技術(shù)研究中心,遼寧沈陽(yáng) 110161)

?

高光譜成像技術(shù)在農(nóng)畜產(chǎn)品有害微生物快速檢測(cè)中的研究進(jìn)展

崔博1,2,田有文1,2,*,劉思伽1,2

(1.沈陽(yáng)農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院,遼寧沈陽(yáng) 110161;2.遼寧省農(nóng)業(yè)信息化工程技術(shù)研究中心,遼寧沈陽(yáng) 110161)

農(nóng)畜產(chǎn)品中含有有害微生物可以使農(nóng)畜產(chǎn)品腐敗變質(zhì),快速可靠的檢測(cè)有害微生物顯得特別重要,高光譜成像技術(shù)可以對(duì)農(nóng)畜產(chǎn)品微生物進(jìn)行快速無(wú)損檢測(cè)。本文首先介紹高光譜成像系統(tǒng)以及高光譜圖像處理方法。然后介紹了高光譜成像技術(shù)在水產(chǎn)品微生物、肉類產(chǎn)品微生物、糧食籽粒微生物、水果表面有害微生物無(wú)損檢測(cè)方面的研究進(jìn)展。指出高光譜成像技術(shù)可以檢測(cè)出有害微生物種類以及有害微生物的總量。盡管高光譜成像技術(shù)優(yōu)勢(shì)明顯,但在精確性、快速挖掘數(shù)據(jù)等方面面臨著挑戰(zhàn)。隨著光學(xué)技術(shù)、計(jì)算機(jī)技術(shù)的進(jìn)一步發(fā)展,未來高光譜成像技術(shù)可能會(huì)在農(nóng)畜產(chǎn)品微生物實(shí)時(shí)在線檢測(cè)上得到應(yīng)用。

高光譜成像,檢測(cè),農(nóng)畜產(chǎn)品微生物

我國(guó)是農(nóng)業(yè)大國(guó),農(nóng)畜產(chǎn)品安全問題關(guān)系到每一個(gè)人的身體健康,食品安全也越來越受到人們的關(guān)注。有害微生物侵染農(nóng)畜產(chǎn)品是導(dǎo)致農(nóng)畜產(chǎn)品質(zhì)量下降的主要原因[1]。農(nóng)畜產(chǎn)品中有害微生物不僅給人們健康帶來危害,而且造成經(jīng)濟(jì)損失。檢測(cè)農(nóng)畜產(chǎn)品中有害微生物是十分必要的。

微生物指一切用肉眼看不見的微小生物的總稱。微生物主要包括包括細(xì)菌、病毒、真菌。傳統(tǒng)上檢測(cè)農(nóng)畜產(chǎn)品中有害微生物常用的方法有傳統(tǒng)理化檢測(cè)[2]、聚合酶鏈反應(yīng)(PCR)[3]、核酸探針技術(shù)[4]、生物芯片技術(shù)[5]、即用型紙片法[6]等。這些方法大多數(shù)需要專業(yè)人士操作,對(duì)樣本造成損害,成本較高,浪費(fèi)時(shí)間,準(zhǔn)確率不高[7],而且需要預(yù)處理,如樣本事先需要冰凍[8]或干燥[9],因此需要開發(fā)快速無(wú)損的方法。光譜技術(shù)可以快速檢測(cè)出有害微生物,但不能確定有害微生物分布情況[10]。

最近幾年研究發(fā)現(xiàn),應(yīng)用高光譜成像技術(shù)對(duì)農(nóng)畜產(chǎn)品有害微生物進(jìn)行檢測(cè),取得了比較好的結(jié)果。高光譜成像技術(shù)不僅可以獲得光譜信息,還可以獲得圖像信息,將圖像信息和光譜信息完美的結(jié)合到一起。農(nóng)畜產(chǎn)品有害微生物導(dǎo)致的病斑可以通過圖像信息判斷,有害微生物化學(xué)成分可以通過光譜數(shù)據(jù)反映[11]。本文介紹高光譜成像技術(shù)的原理及數(shù)據(jù)處理方法,以及檢測(cè)農(nóng)畜產(chǎn)品有害物的方法,以期為今后在線檢測(cè)農(nóng)畜產(chǎn)品有害物提供理論依據(jù)。

1　高光譜成像技術(shù)的原理及數(shù)據(jù)處理方法

1.1高光譜成像技術(shù)原理

上世紀(jì)80年代,高光譜作為新一代光電檢測(cè)技術(shù),最先被美國(guó)軍方使用,應(yīng)用在遙感領(lǐng)域。高光譜成像技術(shù)既可以獲得連續(xù)光譜信息,又可以獲得空間信息。高光譜分為紫外(200～400 nm)、可見(400～760 nm)、近紅外(760～2560 nm)以及波長(zhǎng)大于2560 nm中紅外這幾類。高光譜成像系統(tǒng)(見圖1)[12]由兩部分組成,分別是硬件平臺(tái)和軟件數(shù)據(jù)處理。硬件平臺(tái)由圖像光譜儀、高光譜攝像頭、視覺配套光源、相機(jī)、一個(gè)電控位移臺(tái)和計(jì)算機(jī)等部件組成[13]。利用高光譜成像系統(tǒng)掃描待測(cè)物體,采集得到待測(cè)物體的高光譜圖像。高光譜圖像是一個(gè)三維數(shù)據(jù)集,稱為超立方體(見圖2)[12]。在三維數(shù)據(jù)集中,x和y代表空間信息,λ代表光譜范圍[14]。每一幅圖像對(duì)應(yīng)一條光譜曲線。即在每一個(gè)波長(zhǎng)λi(i=1,2,…,n,n為正整數(shù))處得到一幅二維圖像(橫坐標(biāo)為x,縱坐標(biāo)為y),從而得到三維圖像塊(x,y,λ)[15]。近幾年來,高光譜成像技術(shù)已在農(nóng)畜產(chǎn)品內(nèi)部品質(zhì)預(yù)測(cè)[16]、外部質(zhì)量識(shí)別[17]、農(nóng)藥殘留[18]等領(lǐng)域得到成功的應(yīng)用。

圖1　高光譜成像裝置示意圖Fig.1　Schematic diagram of high spectral imaging device

圖2　高光譜圖像示意圖Fig.2　Sketch of a hyperspectral image

1.2高光譜成像技術(shù)數(shù)據(jù)處理方法

高光譜圖像數(shù)據(jù)分析是高光譜圖像檢測(cè)系統(tǒng)中重要的組成部分,軟件數(shù)據(jù)處理方法是依據(jù)高光譜圖像特點(diǎn)提出的。高光譜成像系統(tǒng)測(cè)連續(xù)光譜信息,因此數(shù)據(jù)量大,數(shù)據(jù)處理復(fù)雜,如何選擇合理的圖像數(shù)據(jù)處理方法尤為重要[19]。減少數(shù)據(jù)量最有效的方法是提取最佳波段,可以保證在不丟失重要信息的前提下最大限度的反映原始信息[20]。數(shù)據(jù)降維也是必不可少的,主要的方法有主成分分析法[21]、流形學(xué)習(xí)[22]、特征波段法等[23]。將高光譜數(shù)據(jù)降維后,采用主成分分析[24]、逐步多元回歸[25]等方法獲取最優(yōu)波段,最后采用人工神經(jīng)網(wǎng)絡(luò)[26]、支持向量機(jī)[27]、偏最小二乘法[28]、洛倫茲函數(shù)算法[29]和主成分回歸分析法[30]等建立基于光譜圖像信息的農(nóng)畜產(chǎn)品有害微生物檢測(cè)的預(yù)測(cè)模型或識(shí)別模型,進(jìn)而實(shí)現(xiàn)對(duì)農(nóng)畜產(chǎn)品微生物缺陷的檢測(cè)。

2　高光譜成像技術(shù)在農(nóng)畜產(chǎn)品微生物檢測(cè)中的應(yīng)用

高光譜圖像技術(shù)不同于傳統(tǒng)的光譜技術(shù),因?yàn)樗粌H提供光譜信息同時(shí)也提供空間信息。利用高光譜圖像的圖譜合一的特性,全面反映被測(cè)樣品特征,因此該技術(shù)近幾年逐漸被引入到農(nóng)畜產(chǎn)品無(wú)損檢測(cè)中[31]。

2.1水產(chǎn)品微生物檢測(cè)

水產(chǎn)品是最受人們歡迎的食物之一,然而水產(chǎn)品也最容易產(chǎn)生有害微生物,人們食用含有有害微生物的水產(chǎn)品,常常會(huì)導(dǎo)致腹瀉、嘔吐甚至死亡。因此快速準(zhǔn)確識(shí)別出含有有害微生物的水產(chǎn)品尤為重要。利用高光譜圖像系統(tǒng)獲取水產(chǎn)品的高光譜圖像,選取合適的特征波段得到水產(chǎn)品的特征圖像,借助一定算法處理可有效識(shí)別水產(chǎn)品中是否含有有害微生物以及有害微生物的數(shù)量。

Jun Hu Cheng等[32]利用400～1000 nm高光譜成像系統(tǒng)對(duì)魚微生物細(xì)菌總數(shù)量檢測(cè)研究。在全波端上建立偏最小二乘回歸和最小二乘支持向量機(jī)模型,預(yù)測(cè)相關(guān)系數(shù)為0.93,預(yù)測(cè)誤差均方根為0.49。連續(xù)投影算法結(jié)合偏最小二乘模型,預(yù)測(cè)相關(guān)系數(shù)為0.90,預(yù)測(cè)誤差均方根為0.57。研究結(jié)果表明,高光譜成像技術(shù)可以用來檢測(cè)微生物總數(shù)。Hong JuHe等[33]利用900～1700 nm近紅外高光譜成像技術(shù)對(duì)蛙魚中乳酸菌進(jìn)行檢測(cè)。利用最小二乘支持向量機(jī)算法(LS-SVM),相關(guān)系數(shù)RP為0.929,均方根誤差RMESP為0.515。利用競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣(CARS)算法選出最優(yōu)波長(zhǎng),最終從239個(gè)波長(zhǎng)中選擇8個(gè)波長(zhǎng)。建立CARS-LS-SVM模型,相關(guān)系數(shù)RP為0.925,RMSEP為0.531。同時(shí),根據(jù)該模型得出了高光譜圖像中每一個(gè)像素點(diǎn)的乳酸菌含量,從而得出了鮭魚中乳酸菌含量的分布圖,如圖3所示[33],該圖像直觀、形象的顯示了鮭魚中乳酸菌含量的高低。研究結(jié)果表明,利用CARS-LS-SVM這一方法對(duì)乳酸菌檢測(cè)效果對(duì)比LS-SVM方法檢測(cè)效果好。隨后,Hong Ju He等[34]又利用900～1700 nm近紅外高光譜成像系統(tǒng)對(duì)可以使用的新鮮鮭魚中腸桿菌和假單胞菌總數(shù)檢測(cè)研究。利用偏最小二乘回歸方法對(duì)采集到的腸桿菌和假單胞菌數(shù)據(jù)進(jìn)行處理。采用變量篩選方法選擇重要波長(zhǎng)信息來簡(jiǎn)化模型。研究結(jié)果表明,利用變量篩選方法選擇重要波長(zhǎng)構(gòu)建簡(jiǎn)單偏最小二乘模型對(duì)腸桿菌和假單胞菌預(yù)測(cè)效果比在全波長(zhǎng)上構(gòu)建模型效果好。

圖3　腐敗過程可視化分布圖Fig.3　Visual distribution of corruption

綜上所述,利用可見、近紅外高光譜技術(shù)可以對(duì)水產(chǎn)品中的細(xì)菌總量、乳酸菌、腸桿菌和假單胞菌進(jìn)行檢測(cè),檢測(cè)效果比較準(zhǔn)確。最小二乘支持向量機(jī)為最常用的算法,競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣算法結(jié)合最小二乘支持向量機(jī)算法為較好的算法。

2.2肉類微生物檢測(cè)

有害微生物是導(dǎo)致肉類腐敗變質(zhì)的主要原因之一。引起肉類腐敗的微生物主要有細(xì)菌、酵母菌和霉菌[35]。傳統(tǒng)檢測(cè)肉類中還有有害微生物的方法是有損的并且檢測(cè)時(shí)間長(zhǎng)。高光譜成像技術(shù)可以彌補(bǔ)傳統(tǒng)檢測(cè)技術(shù)的不足,實(shí)現(xiàn)實(shí)時(shí)在線檢測(cè),無(wú)損、操作簡(jiǎn)單。

王偉等[36]利用400～1000 nm高光譜成像系統(tǒng)評(píng)估豬肉有害細(xì)菌總量。比較偏最小二乘法、人工神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機(jī)建立模型,得出最小二乘支持向量機(jī)建立模型效果最好,決定系數(shù)R2為0.987,校正均方根誤差和預(yù)測(cè)均方根誤差分別為0.2071和0.2176。宋育霖等[37]利用400～1100 nm高光譜成像系統(tǒng)以豬肉為研究對(duì)象,用洛倫茲擬合參數(shù)分析處理數(shù)據(jù)。利用單參數(shù)和不同參數(shù)結(jié)合的方法建立多元線性回歸模型。結(jié)果表明,三個(gè)參數(shù)相結(jié)合的方法建立模型預(yù)測(cè)效果最優(yōu),校正集相關(guān)系數(shù)為0.96,標(biāo)準(zhǔn)差為0.42;預(yù)測(cè)集相關(guān)系數(shù)為0.89,標(biāo)準(zhǔn)差為0.46,能較好的應(yīng)用于豬肉細(xì)菌總數(shù)的檢測(cè)。Barbin等[38]利用900～1700 nm近紅外反射高光譜圖像技術(shù)結(jié)合偏最小二乘法檢測(cè)豬肉細(xì)菌總數(shù)。利用標(biāo)準(zhǔn)正態(tài)變量和多元散射校正預(yù)測(cè)豬肉品質(zhì)。建立偏最小二乘回歸模型預(yù)測(cè)顏色、pH等,決定系數(shù)R2為0.93和0.87。在760～2560 nm近紅外光譜上采用偏最小二乘模型的預(yù)測(cè)能力好于選擇11個(gè)最優(yōu)波長(zhǎng)的預(yù)測(cè)能力。

Tao等[39]利用400～1100 nm可見/近紅外高光譜成像系統(tǒng)檢測(cè)牛肉總活菌數(shù)量。分別用單個(gè)洛倫茲參數(shù)和洛倫茲參數(shù)組合并結(jié)合主成分回歸、偏最小二乘回歸、BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)牛肉總活菌數(shù)的預(yù)測(cè)模型。利用單個(gè)洛倫茲參數(shù)預(yù)測(cè)相關(guān)系數(shù)為0.81,均方根誤差為1.27.洛倫茲參數(shù)組合并結(jié)合主成分回歸、偏最小二乘回歸、BP神經(jīng)網(wǎng)絡(luò)相關(guān)系數(shù)RP和均方根誤差分別為0.86和0.93,0.87和0.79,0.90和0.88。研究結(jié)果表明,高光譜成像技術(shù)可以預(yù)測(cè)牛肉總活菌數(shù)量,洛倫茲參數(shù)結(jié)合偏最小二乘回歸這個(gè)方法預(yù)測(cè)效果比較好。

鄭彩英等[40]利用高光譜成像技術(shù)對(duì)羊肉表面微生物進(jìn)行研究。采用偏最小二乘、人工神經(jīng)網(wǎng)絡(luò)等方法,結(jié)合生物化學(xué)計(jì)量學(xué)的方法,進(jìn)行了定量與定性的研究,建立羊肉中總細(xì)菌含量和嗜冷菌含量預(yù)測(cè)模型,利用主成分分析和波段比法檢測(cè)和提取感興趣部分,正確識(shí)別率達(dá)到92.5%。研究結(jié)果表明,多元散射校正結(jié)合二階導(dǎo)數(shù)是針對(duì)細(xì)菌總數(shù)建模最好的預(yù)處理方法。多元散射校正則是針對(duì)嗜冷菌數(shù)建模最好的預(yù)處理方法。郭中華等[41]利用900～1700 nm近紅外高光譜成像系統(tǒng)對(duì)羊肉表面細(xì)菌總數(shù)進(jìn)行檢測(cè)研究。利用多元散射校正結(jié)合二階導(dǎo)數(shù)的方法進(jìn)行預(yù)處理,采用主成分分析對(duì)光譜數(shù)據(jù)降維,利用偏最小二乘回歸、誤差反向傳遞人工神經(jīng)網(wǎng)絡(luò)和徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)建立模型。研究結(jié)果表明,徑向基函數(shù)人工神經(jīng)網(wǎng)絡(luò)模型比較好,相關(guān)系數(shù)R為0.9988,均方根誤差RMESP為0.2507。

綜上所述,可見/近紅外高光譜成像技術(shù)可以對(duì)肉類有害微生物進(jìn)行檢測(cè),數(shù)據(jù)降維的主要方法有主成分分析法、特征波段法,選取最優(yōu)波段的方法有主成分分析法和波段比法,建立預(yù)測(cè)或者識(shí)別模型的主要方法有偏最小二乘回歸法、人工神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機(jī)、多元線性回歸模型。一般來說,比較好的方法有最小二乘支持向量機(jī)、洛倫茲參數(shù)結(jié)合偏最小二乘回歸法。

2.3糧食籽粒微生物檢測(cè)

有害微生物是導(dǎo)致糧食作物籽粒發(fā)芽率低的主要原因之一,嚴(yán)重影響糧食產(chǎn)量,人食用含有有害微生物的籽粒,易引發(fā)嘔吐甚至中毒。傳統(tǒng)檢測(cè)方法費(fèi)時(shí)、費(fèi)力,需要專業(yè)人員操作,而高光譜成像系統(tǒng)可以實(shí)現(xiàn)快速、無(wú)損檢測(cè)。

Jayme G A等[42]利用528～1785 nm高光譜成像技術(shù)對(duì)小麥籽粒是否含有赤霉病進(jìn)行檢測(cè)研究。首先采用閾值分割法進(jìn)行圖像預(yù)處理,并進(jìn)行籽粒與背景分割,然后采用掩模分離籽粒圖像,最后采用閾值法判斷赤霉病程度。結(jié)果表明該算法不僅能檢測(cè)赤霉病,也可以評(píng)估脫氧雪腐鐮刀菌含量。T Senthilkumar等[43]利用1000～1600 nm近紅外高光譜成像系統(tǒng)檢測(cè)小麥?zhǔn)欠癖换揖G曲霉、青霉、赭曲霉毒素A侵染。利用主成分分析選擇波段作為特征波長(zhǎng)。線性、二次和馬氏判別三種分類器識(shí)別被微生物感染的種子準(zhǔn)確率均達(dá)到90%以上。研究結(jié)果表明,二次判別分類器識(shí)別精度高于線性和馬氏距離分類器識(shí)別精度。U.Siripatrawan等[44]利用400～1000 nm高光譜成像系統(tǒng)采集反射圖像,對(duì)水稻籽粒含有真菌情況檢測(cè)研究。然后采用無(wú)監(jiān)督的自組織映射模型對(duì)真菌感染可視化數(shù)據(jù)進(jìn)行分類。最后采用偏最小二乘回歸方法用來預(yù)測(cè)水稻籽粒真菌生長(zhǎng)情況。實(shí)驗(yàn)結(jié)果表明,水稻籽粒含真菌量預(yù)測(cè)值和實(shí)際值間決定系數(shù)為0.97,誤差平均值為0.39。自組織映射結(jié)合偏最小二乘回歸方法可以有效區(qū)分水稻質(zhì)量。

A Del Fiore等[45]利用400～1000 nm高光譜成像系統(tǒng)對(duì)玉米種子的產(chǎn)毒真菌檢測(cè)研究。利用主成分分析法和最小顯著差數(shù)法對(duì)數(shù)據(jù)進(jìn)行分析。結(jié)果表明利用高光譜成像技術(shù)可以識(shí)別健康和有病害的種子,高光譜成像技術(shù)在食品安全監(jiān)督檢測(cè)方面發(fā)揮重要作用。Paul J Williams等[46]利用1000～2498 nm近紅外高光譜成像系統(tǒng)結(jié)合多變量數(shù)據(jù)分析,對(duì)玉米種子表面是否含有輪枝樣鐮刀菌檢測(cè)研究。使用主成分分析法去除反射圖像上壞的像素點(diǎn)。研究表明,近紅外高光譜成像技術(shù)結(jié)合偏最小二乘法可以用來預(yù)測(cè)玉米種子真菌感染等級(jí)。Lalit Mohan Kandpal等[47]利用1100～1700 nm短波紅外高光譜成像技術(shù)對(duì)玉米種子是否含有黃曲霉毒素B1檢測(cè)研究。將四種含有不同濃度黃曲霉毒素玉米種子作為樣本,利用偏最小二乘判別分析模型對(duì)玉米種子黃曲霉毒素含量進(jìn)行分類。研究結(jié)果表明,短波紅外高光譜成像技術(shù)對(duì)玉米種子黃曲霉毒素識(shí)別準(zhǔn)確率為96.9%。但不能識(shí)別濃度在10 μg/kg以下的樣本。王偉等[48]利用1000～2500 nm高光譜成像系統(tǒng)檢測(cè)玉米籽粒中的黃曲霉毒素B1。利用圖像鑲嵌去除背景和陰影。采用主成分分析和交互式分析去除由于探測(cè)器本身缺陷導(dǎo)致的壞線條。實(shí)驗(yàn)結(jié)果表明,識(shí)別玉米籽粒中黃曲霉毒素胚芽向下放置比胚芽向上放置精度高。

Jian Jin等[49]利用400～1000 nm高光譜成像系統(tǒng)對(duì)馬鈴薯上產(chǎn)毒與未產(chǎn)毒黃曲霉菌株進(jìn)行分類研究。利用主成分分析法對(duì)數(shù)據(jù)進(jìn)行去除相關(guān)性和降維處理。利用基于B距離的遺傳算法選擇主成分。利用支持向量機(jī)對(duì)是否含有黃曲霉毒素進(jìn)行分類。研究結(jié)果表明,在鹵素?zé)粼聪?產(chǎn)毒真菌識(shí)別率達(dá)到83%,未產(chǎn)毒真菌識(shí)別率達(dá)到74%。在紫外燈下,產(chǎn)毒真菌識(shí)別率達(dá)到67%,未產(chǎn)毒真菌識(shí)別率達(dá)到85%。

2.4水果表面有害微生物檢測(cè)

有害微生物會(huì)導(dǎo)致水果腐爛變質(zhì),造成經(jīng)濟(jì)損失,因此檢測(cè)水果表面有害微生物含量特別重要[51]。引起水果腐爛變質(zhì)的微生物主要有細(xì)菌(乳酸桿菌、醋酸桿菌、大腸桿菌等)、酵母菌和霉菌。

Lorente.D等[52]利用高光譜成像系統(tǒng)對(duì)柑橘中是否含有真菌檢測(cè)研究。利用多層感知器進(jìn)行分類,采用極限學(xué)習(xí)機(jī)算法。研究結(jié)果表明,識(shí)別出被真菌感染的柑橘正確率為89%。Bulanon D M等[53]利用400～1100 nm高光譜成像系統(tǒng)對(duì)柑橘是否被真菌感染檢測(cè)研究。利用線性判別分類器和人工神經(jīng)網(wǎng)絡(luò)建立模型,選擇最優(yōu)波長(zhǎng)493、629、713、781 nm作為輸入。識(shí)別正確率達(dá)到92%。王斌等[54]利用380～2000 nm高光譜成像系統(tǒng)對(duì)梨棗腐爛情況檢測(cè)研究。利用逐步判別分析法和偏最小二乘支持向量機(jī)方法建立分類模型。研究結(jié)果表明,特征參數(shù)選用光譜近似系數(shù)結(jié)合逐步判別分析法分類效果最好,準(zhǔn)確率達(dá)到99.12%。M A Teena等[55]利用400～2500 nm高光譜成像系統(tǒng)對(duì)棗中是否含有真菌檢測(cè)研究。利用線性判別分析和二次判別分析選擇最優(yōu)波段,檢測(cè)出受真菌感染的大棗準(zhǔn)確率為91%～99%。研究結(jié)果表明,高光譜成像技術(shù)可以檢測(cè)出大棗受真菌感染的情況,二次判別分析方法比線性判別分析方法好。Zhang等[56]利用高光譜成像系統(tǒng)對(duì)蘋果是否由真菌導(dǎo)致腐爛進(jìn)行檢測(cè)研究。利用偏最小二乘判別分析分類器驗(yàn)證最優(yōu)波長(zhǎng)。采用主成分分析和最小噪聲變換處理圖像。將腐爛蘋果從健康蘋果中識(shí)別出來的準(zhǔn)確率達(dá)到98%。研究結(jié)果表明,高光譜成像技術(shù)可以檢測(cè)出蘋果中有害微生物。ShuaibuM等[57]利用高光譜成像系統(tǒng)和光譜測(cè)量?jī)x對(duì)蘋果中是否含有真菌檢測(cè)研究。利用花青素反射指數(shù)、修改的三角植被指數(shù)、紅邊位置植被指數(shù)與光譜反射率數(shù)據(jù)作為二次判別和支持向量機(jī)的分類特征。該方法對(duì)健康和被真菌污染的蘋果識(shí)別準(zhǔn)確率達(dá)到97.7%和99.2%。

綜上所述,利用高光譜成像系統(tǒng)可以用來檢測(cè)水果表面真菌、霉菌等有害微生物以及腐爛情況,檢測(cè)效果比較準(zhǔn)確。在水果表面有害微生物檢測(cè)中,常采用的數(shù)學(xué)模型有多層感知器、線性判別分類器、人工神經(jīng)網(wǎng)絡(luò),二次判別分析法檢測(cè)效果比較好。

3　結(jié)論與展望

綜上所述,本文闡述了憑借高光譜成像技術(shù)顯著的優(yōu)勢(shì),其在水產(chǎn)品、肉類、糧食籽粒、水果中有害微生物檢測(cè)取得了顯著的成果。該技術(shù)結(jié)合了光譜和圖像技術(shù),彌補(bǔ)了只有光譜信息或者只有圖像信息造成的不全面的問題。樣本不需要準(zhǔn)備,能實(shí)現(xiàn)快速無(wú)損的檢測(cè),在一個(gè)樣本中能同時(shí)檢測(cè)多個(gè)參數(shù),推掃式采集方式適合農(nóng)畜產(chǎn)品在線檢測(cè),同時(shí)提供光譜和圖像信息,可以直觀的觀察有害微生物的分布情況,這種可視化圖像能更直觀、形象的反映農(nóng)畜產(chǎn)品中微生物的含量。但高光譜成像技術(shù)也存在一些不足。該技術(shù)一般只用來檢測(cè)固體樣本,還不能檢測(cè)氣體或者液體樣本。另外,高光譜圖像數(shù)據(jù)量龐大,如何進(jìn)行降維、確定農(nóng)畜產(chǎn)品各種有害微生物的有效波長(zhǎng)是比較困難的。此外,該技術(shù)只能提取樣本表面光譜信息,不能研究?jī)?nèi)部組成成分。

隨著高光譜成像技術(shù)在農(nóng)畜產(chǎn)品微生物檢測(cè)方面廣泛的應(yīng)用,以及光譜技術(shù)和圖像技術(shù)的進(jìn)一步發(fā)展,選擇具有準(zhǔn)確性和普遍性的數(shù)據(jù)降維算法是未來研究的方向之一。目前高光譜成像技術(shù)還只能在實(shí)驗(yàn)室中實(shí)現(xiàn),如何將高光譜成像技術(shù)應(yīng)用到農(nóng)畜產(chǎn)品微生物檢測(cè)生產(chǎn)中,實(shí)現(xiàn)快速準(zhǔn)確的在線檢測(cè)還需要進(jìn)一步研究。另外,高光譜成像系統(tǒng)體積大,不方便攜帶,如何開發(fā)出便攜式、準(zhǔn)確性高的農(nóng)畜產(chǎn)品檢測(cè)光譜成像儀是未來的研究方向。

[1]王雷,喬曉艷,董有爾,等.高光譜圖像技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用進(jìn)展[J].應(yīng)用光學(xué),2009,30(4):639-645.

[2]陳維斌,宋玉清.農(nóng)產(chǎn)品快速檢測(cè)方法的研究[J].雜糧作物,2001,21(4):45-46.

[3]王艷冬.豬螺桿菌聚合酶鏈反應(yīng)檢測(cè)方法的建立及初步應(yīng)用[D].北京:中國(guó)疾病控制預(yù)防中心,2013.

[4]趙欣,李震,顧大勇.肽核酸探針技術(shù)及其在微生物檢測(cè)中的應(yīng)用[J].微生物學(xué)雜志,2008,28(1):76-82.

[5]盧衛(wèi)紅,付力,鄭琦,等.生物芯片技術(shù)的應(yīng)用與展望[J]. 傳感器與微系統(tǒng),2006,25(6):1-4.

[6]闞方琦,董非,李華,等.兩種大腸菌群快檢紙片的質(zhì)量檢測(cè)及應(yīng)用效果比較[J]. 預(yù)防醫(yī)學(xué)文獻(xiàn)信息,2003,9(2):167-168.

[7]魏子淏,李汴生.食源性致病微生物的快速檢測(cè)方法及其研究現(xiàn)狀[J].現(xiàn)代食品科技,2013,29(2):438-451.

[8]Hossein,Kiani,DaWen Sun.Water crystallization and its importance to freezing of foods:A review[J].Trends in Food Science& Technology,2011,22:407-426.

[9]Zhang wei Cui,Li-Juan Sun,WeiChen.Preparation of dry honey by microwave-vacuum drying[J].Journal of Food Engineering,2008,84:582-590.

[10]陳倩,李沛軍,孔寶華.拉曼光譜技術(shù)在肉品科學(xué)研究中的應(yīng)用[J].2012,33(15):307-313.

[11]田有文,牟 鑫,程 怡.高光譜成像技術(shù)無(wú)損檢測(cè)水果缺陷的研究進(jìn)展[J].農(nóng)機(jī)化研究,2014,32(6):1-5.

[12]曲佳歡,馬驥,孫大文.高光譜成像在食品質(zhì)量評(píng)估方面的研究進(jìn)展與應(yīng)用[J].肉類研究,2012,26(04):40-45.

[13]田有文,李天來,張 琳,等.高光譜圖像技術(shù)診斷溫室黃瓜病害的方法[J].農(nóng)業(yè)工程學(xué)報(bào),2010,26(5):202-206.

[14]張琳.高光譜圖像技術(shù)診斷黃瓜病害方法的研究[D].沈陽(yáng):沈陽(yáng)農(nóng)業(yè)大學(xué),2011.

[15]陳守滿.高光譜圖像與農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)研究進(jìn)展[J].安康學(xué)院學(xué)報(bào),2011,23(6):1-6.

[16]王家云,王松磊,賀曉光，等.基于NIR高光譜成像技術(shù)的灘羊肉內(nèi)部品質(zhì)無(wú)損檢測(cè)[J].現(xiàn)代食品科技,2014,30(6):257-261.

[17]Mehla P M,Chen Y R,Kimb M S,et al. Development of detection methodsfor defects and contaminations on apple surface using hyperspectral imaging technique[J]. Journal of Food Engineering,2004,20(61):67-81.

[18]張令標(biāo).基于高光譜成像技術(shù)的紅棗表面農(nóng)藥殘留無(wú)損檢測(cè)的研究[D].銀川:寧夏大學(xué),2014.

[19]王成.高光譜圖像壓縮的方法研究[D].南京:南京理工大學(xué),2014.

[20]魏芳潔.高光譜波段選擇方法的研究[D].哈爾濱:哈爾濱工程大學(xué),2013.

[21]祝志慧,劉婷,馬美湖. 基于高光譜信息融合和相關(guān)向量機(jī)的種蛋無(wú)損檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2015,31(15):285-292.

[22]金瑞,李小昱,顏伊蕓,等. 基于高光譜圖像和光譜信息融合的馬鈴薯多指標(biāo)檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào),2015,31(16):258-263.

[23]高陽(yáng).高光譜數(shù)據(jù)降維算法研究[D].徐州:中國(guó)礦業(yè)大學(xué),2013.

[24]劉紅玉,毛罕平,朱文靜,等.基于高光譜的番茄氮磷鉀營(yíng)養(yǎng)水平快速診斷[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(增刊1):212-220.

[25]趙娟,彭彥昆.基于高光譜圖像紋理特征的牛肉嫩度分布評(píng)價(jià)[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(7):279-286.

[26]郭文川,董金磊.高光譜成像結(jié)合人工神經(jīng)網(wǎng)絡(luò)無(wú)損檢測(cè)桃的硬度[J].光學(xué)精密工程,2015,23(6):1530-1537.

[27]李勛蘭,易時(shí)來,何紹蘭,等.高光譜成像技術(shù)的柚類品種鑒別研究[J].光譜學(xué)與光譜分析學(xué),2015,35(9):2639-2643.

[28]丁希斌,劉飛,張初,等.基于高光譜成像技術(shù)的油菜葉片SPAD值檢測(cè)[J].光譜學(xué)與光譜分析學(xué),2015,35(2):486-491.

[29]Tao F,PENG Y. A method for nondestructive prediction of pork meat quality and safety attributes by hyperspectral imaging technique[J]. Journal of Food Engineering,2014,126:98-106.

[30]高俊峰,張初,謝傳奇,等.應(yīng)用近紅外高光譜成像技術(shù)預(yù)測(cè)甘蔗可溶性固形物含量[J].光譜學(xué)與光譜分析學(xué),2015,35(8)2154-2158.

[31]唐延林,黃敬峰,王人潮,等.利用高光譜數(shù)據(jù)預(yù)測(cè)水稻籽粒粗蛋白含量研究[J].農(nóng)業(yè)工程學(xué)報(bào),2006,22(7):114-118.

[32]Jun-Hu Heng,Jia-HuanQu,Da-Wen Sun.Visible/near-infrared hyperspectral imaging prediction of textural rmness of grass carp(Ctenopharyngodonidella)as affected by frozen storage[J].Food Research International2014,56(8):190-198.

[33]Hong-Jun He,Da-Wen Sun,Di Wu.Rapid and real-time prediction of lactic acid bacteria(LAB)in farmed salmon flesh using near-infrared(NIR)hyperspectral imaging combined with chemometric analysis[J].Food Research International,2014,62(8):476-483.

[34]Hong-JuHe,Da-Wen Sun.Inspection of harmful microbial contamination occurred in edible salmon flesh using imaging technology[J].Journal of Food Engineering.2015,150(12):82-89.

[35]李曉波.微生物與肉類腐敗變質(zhì)(J).中國(guó)肉類食品綜合研究中心,2008,115(9):41-44.

[36]王偉,彭彥昆,張曉莉.基于高光譜成像的生鮮豬肉細(xì)菌總數(shù)預(yù)測(cè)建模方法研究[J].光譜學(xué)與光譜分析,2010,30(2):411-415.

[37]宋育霖,彭彥昆,陶斐斐,等.生鮮豬肉細(xì)菌總數(shù)的高光譜特征參數(shù)研究[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào),2012,06(3):595-599

[38]Barbin,Douglas F,Elmasry,et al. Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J]. Analytica Chimica Acta,2012,719(8):30-42.

[39]FeifeiTao,YankunPeng,CarmenL.Gomes.A comparative study for improving prediction of total viable count in beef based on hyperspectral scattering characteristics[J].Journal of Food Engineering.2015,162(10):38-47.

[40]鄭彩英.基于高光譜成像技術(shù)的冷卻羊肉表面微生物活細(xì)胞數(shù)量無(wú)損檢測(cè)方法研究[D]. 銀川:寧夏大學(xué),2014.

[41]郭中華,鄭彩英,金靈.基于近紅外高光譜成像的冷鮮羊肉表面細(xì)菌總數(shù)檢測(cè).食品工業(yè)科技.2014,20(12):66-81.

[42]JaymeGA,BarbedoCasianeS,Tibola.DetectingFusarium head blight in wheat kernels using hyperspectralimaging[J].Biosystems Engineering 2015,24(131):65-76.

[43]T.senthilkumar,D.S.Jayas,N.D.G.White.Detection of fungal infection and Ochratoxin A contamination in stored wheat using near-infrared hyperspectral imaging[J].Journal of Stored Products Research,2016,32(65):30-39.

[44]U sirlpatrawan,Y.Makino.Monitoring fungal growth on brown rice grains using rapid and non-destructive hyperspectral imaging[J]. International Journal of Food Microbiology.2014,199(15):93-100.

[45]A.Delflore,M Reverberi,A Ricelli.Early detection of toxigenic fungi on maize by hyperspectral imaging analysis[J]. International Journal of Food Microbiology. 2010,144(22):64-71.

[46]Paul J Williams,Paul Geladi,Trevor J.Britz.Investigation of fungal development in maize kernels using NIR hyperspectral imaging and multivariate data analysis[J].Journal of Cereal Science.2011,55(28):272-278.

[47]Lalit Mohan,KandpalSangdae Lee,MOON S KIM.Short wave infrared(SWIR)hyperspectral imaging technique for examination of aflatoxinB1(AFB1)on corn kernels[J]. Food Control.2015,(15)51:171-176.

[48]Wei Wang,Xinzhi Ni,Kurt C.Feasibility of detecting Aflatoxin B1in single maize kernels using hyperspectral imaging[J].Journal of Food Engineering.2015,18(166):182-192.

[49]Jian Jin,Lie Tang,ZuzanaHruska.Classification of toxigenic and atoxigenic strains of Aspergillusflavus with hyperspectralimaging[J].Computers and Electronics in Agriculture.2009,24(69):158-164.

[50]Wei Wang,Xinzhi Ni,Kurt C. Lawrence.Feasibility of detecting Aflatoxin B1in single maize kernels using hyperspectralimaging[J].Journal of Food Engineering.2015,166(33):182-192.

[51]Pu,Y.-Y.,Feng,Y.-Z.,Sun,D.-W. Recent progress of hyperspectral imaging on quality and safety inspection of fruits and vegetables:A review[J].Comprehensive Reviews in Food Science and Food Safety.2015,14(4):176-188.

[52]Lorente,D.,Aleixos,N.,Gómez-Sanchis,J.Selection of Optimal Wavelength Features for Decay Detection in Citrus Fruit Using the ROC Curve and Neural Networks[J].Food and Bioprocess Technology.2013,6(2):530-541.

[53]Bulanon,D.M.,Burks,T.F.,Kim,D.G.Citrus black spot detection using hyperspectral image analysis[J].Agricultural Engineering International:CIGR Journal.2013,15(3):171-180.

[54]王斌,薛建新,張淑娟.基于高光譜成像技術(shù)的腐爛、病害梨棗檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào).2013,44(3):205-209.

[55]M.A. Teena,A. Manickavasagan,L. Ravikanth.Near infrared(NIR)hyperspectral imaging to classify fungal infected date fruits[J].Journal of Stored Products Research 2014,59(3):306-313.

[56]Zhang,B.,Fan,S.,Li,J.Detection of Early Rottenness on Apples by Using Hyperspectral Imaging Combined with Spectral Analysis and Image Processing[J].Food Analytical Methods.2015,8(8):2075-2086.

[57]ShuaibuM.Lee,W.S.,Hong,Y.K..Detection of apple Marssoninablotchdisease using hyperspectralimaging[J].American Society of Agricultural and Biological Engineers Annual International Meeting.2015,2(6):984-997.

Recent research developments in hyperspectral imaging technology for rapid detection of microbial contaminants in agricultural-animal and food products

CUI Bo1,2,TIAN You-wen1,2,*,LIU Si-jia1,2

(1.College of Information and Electric Engineering Shenyang Agricultural University,Shenyang 110161,China; 2.Liaoning Agricultural Information Engineering Technology Research center,Shenyang 110161,China)

Microbial contaminant in agricultural and food products leads to spoilage which is damage for human healthand economic conditions.It is very important to rapidly detect the microbial contaminant.Hyperspectral imaging technology can rapidly detect microbial contaminant in agricultural and food products. In this paper,hyperspectral imaging system andprocessing methods were introduced. Then,recent research developments of hyperspectral imaging technology in the detection of microbial in meat products,grains were introduced. It was pointed out that thehyperspectral imaging technology can detect the microbial contaminant species and the total amount of microbial contaminant. Although the advantage of hyperspectral imaging technology is obvious,it is a challenge in accuracy and mining of data. With the further development of optical technology and computer technology,hyperspectral imaging technology will be applied in detection for microbial contaminant online.

hyperspectralimaging;detection;microbialin agricultural and food products

2016-02-26

崔博(1988-)，男，碩士，主要從事圖譜分析在農(nóng)產(chǎn)品品質(zhì)檢測(cè)方面應(yīng)用,E-mail:cuibo.244633323@163.com

田有文(1968-)，女，博士，教授，主要從事圖譜分析在農(nóng)產(chǎn)品品質(zhì)檢測(cè)方面應(yīng)用,E-mail:youwen_tian10@163.com。

沈陽(yáng)市大型儀器設(shè)備共享服務(wù)專項(xiàng)項(xiàng)(F15-166-4-00);遼寧省科技計(jì)劃項(xiàng)目(201401236-3)。

TS207.4

A

1002-0306(2016)17-0366-06

10.13386/j.issn1002-0306.2016.17.064