可見(jiàn)/近紅外技術(shù)與感官評(píng)價(jià)信息融合預(yù)測(cè)冷藏條件下羅非魚(yú)TVB-N的研究

,,,, ,,,*

(1.北京農(nóng)業(yè)信息技術(shù)研究中心,北京 100097; 2.天津科技大學(xué)電子信息與自動(dòng)化學(xué)院，天津 300222; 3.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心,北京 100097; 4.農(nóng)產(chǎn)品質(zhì)量安全追溯技術(shù)及應(yīng)用國(guó)家工程實(shí)驗(yàn)室,北京 100097)

可見(jiàn)/近紅外技術(shù)與感官評(píng)價(jià)信息融合預(yù)測(cè)冷藏條件下羅非魚(yú)TVB-N的研究

史策1,3,4,孫立濤1,2,錢(qián)建平1,3,4,韓帥1,3,4,范蓓蕾1,3,4,楊信廷1,3,4,*

(1.北京農(nóng)業(yè)信息技術(shù)研究中心,北京 100097; 2.天津科技大學(xué)電子信息與自動(dòng)化學(xué)院，天津 300222; 3.國(guó)家農(nóng)業(yè)信息化工程技術(shù)研究中心,北京 100097; 4.農(nóng)產(chǎn)品質(zhì)量安全追溯技術(shù)及應(yīng)用國(guó)家工程實(shí)驗(yàn)室,北京 100097)

應(yīng)用可見(jiàn)/近紅外光譜技術(shù)與感官評(píng)價(jià)信息融合實(shí)現(xiàn)冷藏條件下有鱗羅非魚(yú)不同部位魚(yú)肉揮發(fā)性鹽基氮(TVB-N)的預(yù)測(cè)。通過(guò)便攜式近紅外光譜儀采集有鱗羅非魚(yú)胸部、中部和尾部魚(yú)肉在340～1063 nm的光譜數(shù)據(jù),分別采用卷積平滑法、變量標(biāo)準(zhǔn)化、一階(1st Der)和二階(2nd Der)導(dǎo)數(shù)進(jìn)行光譜預(yù)處理,利用連續(xù)投影算法(SPA)提取羅非魚(yú)不同部位魚(yú)肉的特征波長(zhǎng),建立魚(yú)肉光譜與TVB-N偏最小二乘回歸(PLSR)模型,結(jié)果表明尾部魚(yú)肉的1st Der-SPA-PLSR模型預(yù)測(cè)均方根誤差(RMSEP)=1.1295 mg/100 g,預(yù)測(cè)相關(guān)系數(shù)(Rp2)=0.8998,預(yù)測(cè)結(jié)果高于其胸部和中部魚(yú)肉模型,并稍高于尾部魚(yú)肉全波段模型。因此,選擇尾部魚(yú)肉作為羅非魚(yú)光譜采樣區(qū)域。為進(jìn)一步提高模型預(yù)測(cè)準(zhǔn)確性,將尾部魚(yú)肉特征光譜數(shù)據(jù)與感官評(píng)價(jià)進(jìn)行信息融合。通過(guò)對(duì)比尾部魚(yú)肉光譜、尾部魚(yú)肉光譜與感官評(píng)價(jià)融合的SPA-PLSR、SPA-BP神經(jīng)網(wǎng)絡(luò)和SPA-偏最小二乘支持向量機(jī)(LS-SVM)模型,結(jié)果表明,尾部光譜和感官評(píng)價(jià)信息融合的SPA-LS-SVM模型預(yù)測(cè)結(jié)果為RMSEP=0.9701 mg/100 g,Rp2=0.9255,能更準(zhǔn)確預(yù)測(cè)羅非魚(yú)冷藏條件下TVB-N變化。為冷藏過(guò)程中羅非魚(yú)新鮮度預(yù)測(cè)方法提供了新的思路。

可見(jiàn)/近紅外光譜技術(shù),羅非魚(yú),新鮮度,預(yù)測(cè)模型,貯藏,信息融合

羅非魚(yú)(Oreochromis),又名非洲鯽魚(yú),自2000年以來(lái)我國(guó)羅非魚(yú)養(yǎng)殖產(chǎn)量發(fā)展迅猛,現(xiàn)已成為世界上最大的羅非魚(yú)養(yǎng)殖國(guó)家[1]。羅非魚(yú)含有豐富的蛋白質(zhì)和多種不飽和脂肪酸,有望成為未來(lái)動(dòng)物性蛋白質(zhì)的主要來(lái)源之一。然而由于富含蛋白質(zhì)和水分,導(dǎo)致貯藏過(guò)程中極易腐敗變質(zhì)。目前主要采用理化分析、微生物檢測(cè)來(lái)鑒別魚(yú)類(lèi)的新鮮度,而傳統(tǒng)的理化、微生物等分析方法費(fèi)時(shí)費(fèi)力、具有破壞性,因此,迫切需要一種無(wú)損的新鮮度檢測(cè)技術(shù)對(duì)魚(yú)類(lèi)進(jìn)行品質(zhì)評(píng)價(jià)。

表1 羅非魚(yú)感官評(píng)價(jià)標(biāo)準(zhǔn)Table 1 The criterion of sensory index for tilapia

可見(jiàn)/近紅外光譜技術(shù)是近年來(lái)發(fā)展起來(lái)的一種高效、快速、無(wú)損的檢測(cè)技術(shù)[2],目前廣泛的應(yīng)用于食品領(lǐng)域。陳偉華等[3]采集絞碎前后羅非魚(yú)片背肉及腹肉的近紅外光譜,并將其與揮發(fā)性鹽基氮(total volatile basic nitrogen,TVB-N)含量進(jìn)行擬合,能夠較好的預(yù)測(cè)TVB-N的變化;Nilsen等[4]利用近紅外光譜研究冰藏鱈魚(yú)和三文魚(yú)的冷藏時(shí)間,應(yīng)用多元統(tǒng)計(jì)分析光譜數(shù)據(jù)與冷藏時(shí)間的相關(guān)性,相關(guān)系數(shù)分別為0.97和0.98;Sivertsen等[5]采用可見(jiàn)/近紅外光譜檢測(cè)了解凍鱈魚(yú)在冰藏條件下的存儲(chǔ)時(shí)間,通過(guò)偏最小二乘法對(duì)光譜數(shù)據(jù)和存儲(chǔ)時(shí)間建模,預(yù)測(cè)鱈魚(yú)的貯藏時(shí)間精度在1.6 d左右。目前大部分的研究集中在近紅外光譜與冷藏時(shí)間或TVB-N等之間的相關(guān)性。然而僅憑光譜信息單一指標(biāo)判定魚(yú)類(lèi)冷藏條件下的新鮮度或貨架期,其準(zhǔn)確性有限。因此,將光譜信息與感官評(píng)價(jià)等內(nèi)外品質(zhì)信息融合用于魚(yú)新鮮度無(wú)損檢測(cè),有助于綜合評(píng)價(jià)魚(yú)類(lèi)的新鮮度。

本研究提出了基于可見(jiàn)/近紅外光譜和感官評(píng)價(jià)信息融合預(yù)測(cè)羅非魚(yú)新鮮度的研究思路。主要采用商業(yè)化便攜式手持近紅外光譜儀,分別測(cè)定并對(duì)比了冷藏條件下有鱗羅非魚(yú)胸部、中部和尾部魚(yú)肉的光譜數(shù)據(jù)與TVB-N的相關(guān)性,選擇較優(yōu)的羅非魚(yú)新鮮度檢測(cè)部位;其次采用光譜數(shù)據(jù)和感官評(píng)價(jià)進(jìn)行信息融合,建立PLSR,BP-ANN和LS-SVM預(yù)測(cè)模型,以期獲得更好的羅非魚(yú)TVB-N預(yù)測(cè)結(jié)果。為進(jìn)一步提高冷藏過(guò)程中羅非魚(yú)新鮮度預(yù)測(cè)準(zhǔn)確率提供依據(jù)。

1 材料與方法

1.1材料與儀器

60條羅非魚(yú)(657±67) g 北京農(nóng)貿(mào)市場(chǎng);氧化鎂,硼酸,甲基紅,次甲基藍(lán)(均為分析純)北京化學(xué)試劑公司。

D2010W電動(dòng)攪拌器 上海梅穎浦儀器儀表制造有限公司;YP30002越平電子天平 上海右一儀器有限公司;KDY-9820凱氏定氮儀 北京通潤(rùn)源機(jī)電技術(shù)公司；便攜式可見(jiàn)近紅外光譜儀 美國(guó)ASD公司,采集光譜波段范圍是325～1075 nm,光譜采樣間隔為0.81 nm,掃描次數(shù)20次。

1.2實(shí)驗(yàn)方法

1.2.1 樣品前處理 鮮活羅非魚(yú)擊斃后,裝入聚乙烯袋中并密封,置于4 ℃培養(yǎng)箱中貯藏。在貯藏0、2、4、6、8、10 d時(shí)取樣,每次取10條羅非魚(yú)用于實(shí)驗(yàn)。每條魚(yú)左右兩側(cè)作為2個(gè)樣本,共120個(gè)樣本。其中80個(gè)樣本作為建模集,40個(gè)樣本作為預(yù)測(cè)集。

1.2.2 感官評(píng)價(jià) 參照李杉等[6]和史策等[7]關(guān)于魚(yú)體感官指標(biāo)的測(cè)定方法,并做部分修改。經(jīng)過(guò)感官培訓(xùn)的7位食品專(zhuān)業(yè)同學(xué)作為評(píng)審成員,在光線(xiàn)充足無(wú)氣味的環(huán)境中,從魚(yú)體的眼球、體表色澤、肌肉彈性和氣味4個(gè)方面分別進(jìn)行感官評(píng)分,每個(gè)部分滿(mǎn)分為25分。以60分為食用標(biāo)準(zhǔn),100分為新鮮魚(yú),低于60分為不可食用。

1.2.3 揮發(fā)性鹽基氮(TVB-N) 參照董偉坤[8]的方法,按照半微量蒸餾法進(jìn)行測(cè)定。

1.2.4 光譜的采集 將羅非魚(yú)體表面水分擦干后置于黑色背景布上,以標(biāo)準(zhǔn)白板(聚四氟乙烯)為參比,以漫反射的方式采集光譜,采集區(qū)域如圖1標(biāo)識(shí)所示。分別采集羅非魚(yú)胸部、中部和尾部各20次(圖1),每個(gè)部位采集區(qū)域不重疊。取每個(gè)樣品得到的20條光譜曲線(xiàn)的平均值。

圖1 羅非魚(yú)近紅外光譜采集部位Fig.1 Spectra extraction regions of tilapia

1.3數(shù)據(jù)分析

光譜預(yù)處理:分別采用Savitzky-Golay(SG)卷積平滑法、變量標(biāo)準(zhǔn)化(Standard Normal Variate,SNV)、一階(1stDer)和二階(2ndDer)求導(dǎo)算法對(duì)光譜進(jìn)行預(yù)處理分析;

特征波長(zhǎng)選擇:采用連續(xù)投影算法(Successive projections algorithm,SPA)進(jìn)行特征波長(zhǎng)選擇;

建模方法:采用BP人工神經(jīng)網(wǎng)絡(luò)(Back-propagation Artificial Neural Network,BP-ANN)、偏最小二乘回歸法(Partial Least Squares Regression,PLSR)和最小二乘支持向量機(jī)(Least Squares Support Vector Machine,LS-SVM)進(jìn)行建模。

實(shí)驗(yàn)數(shù)據(jù)(均方根誤差(RMSE)、平方相關(guān)系數(shù)(R2)等)使用Excel 2007進(jìn)行數(shù)據(jù)處理,采用SAS軟件進(jìn)行方差分析和差異顯著性分析,算法主要采用Unscrambler(CAMO,Process,AS,OSLO,Norway)、ASD View Spec Pro、MATLAB 2014a(The Math Works,Natick,USA)實(shí)現(xiàn)。

2 結(jié)果與分析

2.1冷藏過(guò)程中羅非魚(yú)感官值和TVB-N的變化

圖2對(duì)羅非魚(yú)的眼球、體表色澤、肌肉彈性和氣味4個(gè)方面分別進(jìn)行了評(píng)分,隨著貯藏時(shí)間的延長(zhǎng)感官值逐漸下降。0～6 d時(shí)羅非魚(yú)感官值下降速率較慢,6 d后,羅非魚(yú)感官值下降速率顯著增加。當(dāng)貯藏至第6 d時(shí),對(duì)應(yīng)的感官值為68,6 d后,魚(yú)肉逐漸失去使用價(jià)值。李莎等[9]研究發(fā)現(xiàn)4 ℃貯藏5 d后羅非魚(yú)片品質(zhì)明顯下降;Hong等[10]研究4 ℃冷藏下鳙魚(yú)的感官值發(fā)現(xiàn),8 d后鳙魚(yú)不可食用。以上報(bào)道都與本研究結(jié)果類(lèi)似。

圖2 羅非魚(yú)4 ℃貯藏過(guò)程中感官值和TVB-N的變化Fig.2 The change of sensory evaluation and TVB-N value of tilapia during storage at 4 ℃

TVB-N是酶和細(xì)菌分解蛋白質(zhì)產(chǎn)生的氨及胺類(lèi)等堿性含氮物質(zhì)[11],目前被廣泛用于判斷水產(chǎn)品及肉品的新鮮度。其中,一級(jí)鮮度淡水魚(yú)為T(mén)VB-N≤13 mg/100 g,二級(jí)鮮度淡水魚(yú)為T(mén)VB-N≤20 mg/100 g。如圖2所示,新鮮羅非魚(yú)的TVB-N含量為7.6 mg/100 g,隨著貯藏時(shí)間的延長(zhǎng)TVB-N含量逐漸增加,在第6 d達(dá)到感官拒絕值時(shí)的TVB-N含量為17.2 mg/100 g。

本實(shí)驗(yàn)所采集的羅非魚(yú)感官評(píng)價(jià)和TVB-N的范圍分別為12.54～100和7.6～23.5 mg/100 g,兩種指標(biāo)數(shù)據(jù)范圍均較大,可滿(mǎn)足光譜技術(shù)定量建模的需求。

2.2冷藏過(guò)程中羅非魚(yú)胸部、中部和尾部的可見(jiàn)/近紅外原始光譜曲線(xiàn)的變化

由于前后波段噪聲較大,最終選取340～1063 nm波長(zhǎng)范圍的吸光值作為羅非魚(yú)原始光譜曲線(xiàn)。將原始光譜平均后,得到羅非魚(yú)胸部、中部和尾部平均后的光譜曲線(xiàn)(如圖3)。三個(gè)部位羅非魚(yú)肉的光譜峰谷變化趨勢(shì)基本一致,與zhu等[12]測(cè)定的比目魚(yú)片近紅外光譜谷峰趨勢(shì)類(lèi)似。413 nm處光譜吸光度都達(dá)到最高值;3個(gè)部位的魚(yú)肉光譜在452～628 nm波段都出現(xiàn)峰谷波動(dòng),552 nm附近的波峰可能是由于血紅蛋白(Hb)和肌紅蛋白(Mb)分子上血紅素的吸收,512 nm和620 nm處的波谷可能是由于高鐵血紅蛋白(metHb)和高鐵肌紅蛋白(metMb)分子上氧化血紅素的吸收[5];3個(gè)部位魚(yú)肉的光譜曲線(xiàn)在977 nm處的波峰可能是由于水分子中O-H鍵的二級(jí)倍頻吸收帶在970 nm附近有特征吸收[13]。

圖3 羅非魚(yú)胸部、中部和尾部的平均光譜曲線(xiàn)Fig.3 Average spectra of three regions for tilapia

2.3不同預(yù)處理方法對(duì)羅非魚(yú)胸部、中部和尾部建模的影響

光譜除樣品本身的信息外,還會(huì)受到魚(yú)體表面不均勻、紋理等物理因素,甚至背景噪聲等無(wú)關(guān)信息的干擾,因此需要對(duì)光譜進(jìn)行預(yù)處理[2]。SG平滑不僅能夠減少噪聲對(duì)該數(shù)據(jù)點(diǎn)數(shù)值的干擾,還能保持?jǐn)?shù)據(jù)信號(hào)的真實(shí)性[14],SNV處理通常用于校正樣本間由散射引起的光譜誤差[14],1st Der和2nd Der常用于近紅外光譜的預(yù)處理,能夠一定程度上解決光譜信號(hào)中由于倍頻和合頻引起的光譜信號(hào)重疊問(wèn)題[15]。本實(shí)驗(yàn)主要比較了原始光譜(Raw)、SG、SNV、1st Der和2nd Der以及不同方法組合對(duì)建模結(jié)果的影響。

表2 4 ℃冷藏過(guò)程中經(jīng)過(guò)不同預(yù)處理的羅非魚(yú)胸部、中部和尾部魚(yú)肉光譜與TVB-N的PLS建模結(jié)果Table 2 The result of PLSR models for correlating between spectral measurement of different positions for tilapia by different preprocessing methods and TVB-N

經(jīng)過(guò)不同預(yù)處理的胸部、中部和尾部魚(yú)肉光譜與TVB-N建立PLSR的模型,如表2所示。對(duì)比胸部、中部和尾部魚(yú)肉的校正集、交互驗(yàn)證集和預(yù)測(cè)集結(jié)果,其中胸部魚(yú)肉經(jīng)過(guò)SNV和1st Der處理的建模結(jié)果總體較優(yōu),中部魚(yú)肉經(jīng)過(guò)2nd Der處理的光譜建模結(jié)果總體較優(yōu),尾部魚(yú)肉經(jīng)過(guò)1st Der和2nd Der處理的光譜建模結(jié)果總體較優(yōu),這可能由于導(dǎo)數(shù)能夠消除光譜基線(xiàn)漂移及魚(yú)表面不平等背景干擾。胸部魚(yú)肉經(jīng)過(guò)1st Der處理的模型校正集均方根誤差(RMSEP=1.1694 mg/100 g)大于其SNV結(jié)果(RMSEP=0.8804 mg/100 g),但交互驗(yàn)證集和預(yù)測(cè)集均方根誤差(RMSEP=1.6437 mg/100 g和1.5092 mg/100 g)小于其SNV處理結(jié)果(RMSEP=1.6837 mg/100 g和1.6788 mg/100 g),由于SNV處理后胸部魚(yú)肉的校正集與交互驗(yàn)證集和預(yù)測(cè)集的均方根誤差及相關(guān)系數(shù)差距較大,可能出現(xiàn)過(guò)擬合情況,因此選擇1st Der處理的胸部魚(yú)肉數(shù)據(jù)進(jìn)行下一步建模。尾部魚(yú)肉光譜經(jīng)過(guò)1st Der處理的模型校正集和交互驗(yàn)證集均方根誤差分別與其2nd Der結(jié)果相近,但尾部魚(yú)肉光譜經(jīng)過(guò)1st Der預(yù)處理的模型預(yù)測(cè)集均方根誤差(1.2293 mg/100 g)小于其2nd Der處理的結(jié)果(1.3998 mg/100 g),因此尾部魚(yú)肉光譜經(jīng)過(guò)1st Der處理的建模結(jié)果總體較優(yōu);而羅非魚(yú)中部建模結(jié)果中,經(jīng)過(guò)2nd Der處理的光譜預(yù)測(cè)集效果較優(yōu),RMSEP=1.0345 mg/100 g,Rp2=0.9088。通過(guò)對(duì)比預(yù)處理后的胸部、中部和尾部魚(yú)肉建模效果發(fā)現(xiàn),胸部和尾部魚(yú)肉經(jīng)過(guò)1st Der處理、中部經(jīng)2nd Der處理的全波段光譜建模結(jié)果總體較優(yōu)。

2.4基于連續(xù)投影法(SPA)的胸部、中部和尾部魚(yú)肉特征波長(zhǎng)選取及TVB-N預(yù)測(cè)

為了減少不必要和多余的信息,并優(yōu)化檢測(cè)速度,本文選擇SPA進(jìn)行最優(yōu)波長(zhǎng)的選擇。SPA被廣泛的用于變量的選擇,能最大程度的減少光譜信息的重疊[16],簡(jiǎn)化校正模型和縮短校正時(shí)間。圖4為羅非魚(yú)胸部1st Der、中部2nd Der和尾部1st Der預(yù)處理光譜經(jīng)過(guò)SPA選擇的過(guò)程,胸部、中部和尾部魚(yú)肉分別優(yōu)選出15、15和19個(gè)光譜變量。羅非魚(yú)胸部魚(yú)肉光譜變量主要集中在347～366 nm和976～1062 nm,中部魚(yú)肉光譜變量主要集中在502～652 nm和968～1039 nm,尾部魚(yú)肉光譜變量主要集中在347～369 nm和935～1061 nm。3個(gè)部位選擇的特征波段都集中在900～1060 nm之間,主要由于這部分波段是水分吸收帶,而水分是魚(yú)肉最主要的成分[16]。

圖4 羅非魚(yú)胸部、中部和尾部魚(yú)肉光譜SPA法選擇變量過(guò)程Fig.4 Selection of optimum spectral variables of different tilapia positions by SPA

基于SPA算法選擇的特征波長(zhǎng)分別建立了胸部、中部和尾部魚(yú)肉SPA-PLSR模型(表3)。通過(guò)對(duì)比不同部位建模結(jié)果發(fā)現(xiàn),尾部魚(yú)肉SPA-PLSR模型的校正集、交互驗(yàn)證集和預(yù)測(cè)集的相關(guān)系數(shù)(R2)顯著高于胸部和中部。與尾部魚(yú)肉全波段建模結(jié)果相比,經(jīng)過(guò)SPA算法預(yù)處理后的尾部魚(yú)肉PLSR模型RMSEP=1.1295 mg/100 g,Rp2=0.8998,較全波段建模結(jié)果有所提高(RMSEP=1.2293 mg/100 g,Rp2=0.8698),且尾部魚(yú)肉SPA-PLSR模型僅使用19個(gè)變量,建模的速度和效率得到提升。因此,羅非魚(yú)尾部魚(yú)肉光譜經(jīng)過(guò)1st Der、SPA算法預(yù)處理后能夠良好的預(yù)測(cè)4 ℃貯藏條件下羅非魚(yú)TVB-N的變化。

2.5羅非魚(yú)尾部魚(yú)肉光譜與感官值信息融合的預(yù)測(cè)模型

表3 經(jīng)過(guò)連續(xù)投影法選擇特征波長(zhǎng)后的PLSR建模結(jié)果Table 3 The result of PLSR models of different positions for tilapia by SPA

表4 PLSR,BP-ANN和LS-SVM模型結(jié)合多種變量對(duì)TVB-N建模與預(yù)測(cè)結(jié)果的參數(shù)統(tǒng)計(jì)Table 4 Comparison of storage time with different data variables based on PLSR,BP-ANN and LS-SVM

信息融合根據(jù)融合系統(tǒng)所處理的信息層面主要分為原始數(shù)據(jù)層融合、特征層融合和決策層融合。在本文中,由于光譜和感官評(píng)價(jià)特性不一致,較難直接關(guān)聯(lián);而決策層融合需要與光譜及感官相關(guān)的先驗(yàn)知識(shí)進(jìn)行決策,所需數(shù)據(jù)庫(kù)龐大,因此,本文選擇特征層融合。通過(guò)將光譜數(shù)據(jù)進(jìn)行特征處理后,與感官數(shù)據(jù)聯(lián)合進(jìn)行特征層融合完成對(duì)羅非魚(yú)新鮮度的綜合評(píng)價(jià)。

為了提高羅非魚(yú)貯藏過(guò)程TVB-N的預(yù)測(cè)精度,將上文中經(jīng)過(guò)1st Der、SPA預(yù)處理的尾部魚(yú)肉光譜特征波長(zhǎng)與感官評(píng)價(jià)聯(lián)合進(jìn)行信息融合,采用PLSR,BP-ANN和LS-SVM建立TVB-N預(yù)測(cè)模型(表4)。

BP-ANN是一種多層前饋神經(jīng)網(wǎng)絡(luò),從輸出層反向經(jīng)過(guò)隱含層回到輸入層,逐步修正各連接權(quán)值。本文中BP-ANN模型選取的是單隱含層模型,隱含層和輸出層的傳遞函數(shù)分別選取logsig和purelin,經(jīng)過(guò)10000次訓(xùn)練后,光譜、光譜和感官值融合的BP-ANN模型的隱含層的神經(jīng)元分別為10、11時(shí),逼近效果最好。LS-SVM是一種遵循結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的核函數(shù)學(xué)習(xí)機(jī)器。利用非線(xiàn)性映射函數(shù)將輸入向量映射到高維特征空間,采用拉格朗日乘子計(jì)算向量的偏微分,從而以較快的方法解決多元校正問(wèn)題[17-18],能夠降低計(jì)算機(jī)的復(fù)雜性,提高計(jì)算效率[14]。本文中LS-SVM模型采用的徑向基核函數(shù),并通過(guò)交叉驗(yàn)證優(yōu)化參數(shù)建立LS-SVM模型。

對(duì)比3種建模方法,光譜和感官信息融合的LS-SVM預(yù)測(cè)模型的結(jié)果總體略?xún)?yōu)。這可能是由于變量較多并且變量之間線(xiàn)性關(guān)系并不明顯,而PLSR模型只能處理光譜數(shù)據(jù)中的線(xiàn)性關(guān)系;在2組BP-ANN模型中RMSEP顯著大于RMSECV,在運(yùn)行過(guò)程中可能出現(xiàn)過(guò)擬合情況;而LS-SVM模型可以利用光譜數(shù)據(jù)的非線(xiàn)性信息,提高了模型預(yù)測(cè)的準(zhǔn)確性[19]。2組LS-SVM模型的交互驗(yàn)證集結(jié)果接近,而光譜和感官值融合模型的預(yù)測(cè)集RMSEP=0.9701 mg/100 g優(yōu)于光譜模型的預(yù)測(cè)集RMSEP=1.2364 mg/100 g,光譜和感官值融合的LS-SVM模型能較好的預(yù)測(cè)羅非魚(yú)的TVB-N含量。羅非魚(yú)的品質(zhì)劣變是個(gè)復(fù)雜的過(guò)程,伴隨著內(nèi)部指標(biāo)和外部指標(biāo)變化,可見(jiàn)/近紅外光譜數(shù)據(jù)反映了羅非魚(yú)內(nèi)部化學(xué)變化,感官評(píng)價(jià)反映了羅非魚(yú)外部感官變化。將光譜數(shù)據(jù)和感官評(píng)價(jià)信息融合的LS-SVM模型能更全面的反映羅非魚(yú)冷藏條件下新鮮度變化。

3 結(jié)論

通過(guò)商業(yè)化便攜式手持近紅外光譜儀采集不同部位(胸部、中部和尾部)羅非魚(yú)光譜與TVB-N進(jìn)行擬合,構(gòu)建預(yù)測(cè)模型以評(píng)價(jià)冷藏過(guò)程中新鮮度。通過(guò)SG、SNV、1st Der和2nd Der以及不同方法組合的光譜預(yù)處理及SPA算法的優(yōu)化,結(jié)果表明羅非魚(yú)尾部1st Der-SPA-PLSR模型預(yù)測(cè)效果好于其胸部和中部預(yù)測(cè)模型,并較尾部全波段建模結(jié)果有所提高。因此,選取尾部魚(yú)肉作為羅非魚(yú)光譜采樣區(qū)域。

為提高羅非魚(yú)冷藏過(guò)程中TVB-N的預(yù)測(cè)準(zhǔn)確性,將經(jīng)過(guò)1st Der、SPA預(yù)處理的尾部魚(yú)肉光譜數(shù)據(jù)與感官評(píng)價(jià)特征層信息融合,對(duì)比光譜、光譜和感官值信息融合的PLSR,BP-ANN和LS-SVM模型效果。尾部魚(yú)肉光譜和感官評(píng)價(jià)信息融合的SPA-LS-SVM模型略?xún)?yōu),預(yù)測(cè)集的RMSEP=0.9701 mg/100 g,Rp2=0.9255。通過(guò)尾部魚(yú)肉光譜和感官評(píng)價(jià)信息融合能更全面的反映羅非魚(yú)冷藏條件下新鮮度變化,為提高冷藏過(guò)程中羅非魚(yú)新鮮度檢測(cè)準(zhǔn)確率提供理論依據(jù)。

[1]楊弘. 我國(guó)羅非魚(yú)產(chǎn)業(yè)現(xiàn)狀及產(chǎn)業(yè)技術(shù)體系建設(shè)[J]. 中國(guó)水產(chǎn),2010(9):6-10.

[2]黃濤,李小昱,彭毅,等. 基于近紅外光譜的淡水魚(yú)新鮮度在線(xiàn)檢測(cè)方法研究[J]. 光譜學(xué)與光譜分析,2014(10):2732-2736.

[3]陳偉華,許長(zhǎng)華,樊玉霞,等. 近紅外光譜技術(shù)快速無(wú)損評(píng)價(jià)羅非魚(yú)片新鮮度[J]. 食品科學(xué),2014,35(24):164-168.

[4]Nilsen H,Esaiassen M,Heia K,et al. Visible/Near-Infrared Spectroscopy:A New Tool for the Evaluation of Fish Freshness?[J]. Journal of Food Science,2002,67(5):1821-1826.

[5]Sivertsen A H,Kimiya T,Heia K. Automatic freshness assessment of cod(Gadus morhua)fillets by Vis/Nir spectroscopy[J]. Journal of Food Engineering,2011,103(3):317-323.

[6]李杉,馬海霞,李來(lái)好,等. 減菌化預(yù)處理對(duì)鮮羅非魚(yú)片質(zhì)量的影響[J]. 食品科學(xué),2009(18):379-384.

[7]史策,崔建云,王航,等. 反復(fù)冷凍-解凍對(duì)鰱品質(zhì)的影響[J]. 中國(guó)水產(chǎn)科學(xué),2012,19(1):167-173.

[8]董偉坤. 食品檢驗(yàn)與分析[Z]. 北京:中國(guó)輕工業(yè)出版社,1989.

[9]李莎,李來(lái)好,楊賢慶,等. 羅非魚(yú)片在冷藏過(guò)程中的品質(zhì)變化研究[J]. 食品科學(xué),2010,31(20):444-447.

[10]Hong H,Luo Y,Zhou Z,et al. Effects of low concentration of salt and sucrose on the quality of bighead carp(Aristichthysnobilis)fillets stored at 4 C[J]. Food Chemistry,2012,133(1):102-107.

[11]Olafsdóttir G,Martinsdóttir E,Oehlenschl?ger J,et al. Methods to evaluate fish freshness in research and industry[J]. Trends in Food Science & Technology,1997,8(8):258-265.

[12]Zhu F,Zhang D,He Y,et al. Application of visible and near infrared hyperspectral imaging to differentiate between fresh and frozen-thawed fish fillets[J]. Food and Bioprocess Technology,2013,6(10):2931-2937.

[13]B. G. O,T. F. Near Infrared Spectroscopy in Food Analysis[M].New York:Longman Scientific & Technical,1986.

[14]朱逢樂(lè).基于光譜和高光譜成像技術(shù)的海水魚(yú)品質(zhì)快速無(wú)損檢測(cè)[D]. 浙江大學(xué)生物系統(tǒng)工程,2014.

[15]Lin M,Cavinato A G,Huang Y,et al. Predicting sodium chloride content in commercial king(Oncorhynchustshawytscha)and chum(O.keta)hot smoked salmon fillet portions by short-wavelength near-infrared(SW-NIR)spectroscopy[J]. Food Research International,2003,36(8):761-766.

[16]Cheng J,Sun D,Zeng X,et al. Non-destructive and rapid determination of TVB-N content for freshness evaluation of grass carp(Ctenopharyngodonidella)by hyperspectral imaging[J]. Innovative Food Science & Emerging Technologies,2014,21:179-187.

[17]顧燕萍,趙文杰,吳占松. 基于最小二乘支持向量機(jī)的電站鍋爐燃燒優(yōu)化[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2010,30(17):91-97.

[18]Suykens J A,Vandewalle J. Least squares support vector machine classifiers[J]. Neural processing letters,1999,9(3):293-300.

[19]朱逢樂(lè),何勇,邵詠妮. 應(yīng)用近紅外高光譜成像預(yù)測(cè)三文魚(yú)肉的水分含量[J]. 光譜學(xué)與光譜分析,2015(1):113-117.

TVB-Npredictionoftilapiawithscalesbyinformationfusionofnearinfraredspectrumtechnologyandsensoryevaluationduringchilledstorage

SHICe1,3,4,SUNLi-tao1,2,QIANJian-ping1,3,4,HANShuai1,3,4,FANBei-lei1,3,4,YANGXin-ting1,3,4,*

(1.Beijing Research Center for Information Technology in Agriculture,Beijing 100097,China; 2.College of Electronic Information and Automation,Tianjin University of Science & Technology,Tianjin 300222,China; 3.National Engineering Research Center for Information Technology in Agriculture,Beijing 100097,China; 4.National Engineering Laboratory for Agri-product Quality Traceability,Beijing 100097,China)

The information fusion of near infrared spectrum technology and sensory evaluation was applied to predict the freshness of different parts for tilapia with scales during chilled storage.Spectral signatures ofbreast,middle and tail region in the range of 340～1063 nm were extracted.Smoothing Savitzky-Golay(SG),standard normal variate(SNV),polynomial derivative filters(1st Der and 2nd Der)were used for spectral pre-processing.Partial least square regression(PLSR)was used to correlate the whole wavelengths spectra with total volatile basic nitrogen(TVB-N).Optimal wavelengths of different tilapia positions were selected by successive projections algorithm(SPA)to develop new SPA-PLSR models,and the SPA-PLSR predictive performances of tails position(root mean square error of prediction(RMSEP)=1.1295 mg/100 g,determination coefficient(Rp2)=0.8998)was better than that of breast and middle region,and also better than whole wavelengths model of tails region.Therefore,tail region was selected as spectrum sampling area. In order to evaluate the comprehensively fish freshness and improve the accuracy of model,spectral data and sensory evaluation were integrated for nondestructive measurement of freshness for tail region of tilapia based on PLSR,back-propagation artificial neural network(BP-ANN)and least squares support vector machines(LS-SVM). Compared with single characteristic,information fusion of spectral data and sensory evaluation for LS-SVM had its superiority,which achieved accurate results with Rp2of 0.9255,RMSEP of 0.9701 mg/100 g. This result indicated that information fusion by integrating spectral data and sensory evaluation could significantly improve the TVB-N prediction performance,and it has tremendous potential in prediction of freshness in fish during chilled storage.

near infrared spectrum technology;tilapia;freshness;predictive model;storage;information fusion

2017-03-03

史策(1989-)，女，博士，助理研究員，研究方向：農(nóng)產(chǎn)品質(zhì)量安全控制技術(shù)，E-mail：shic@nercita.org.cn。

*

楊信廷(1974-)，男，博士，研究員，主要從事農(nóng)業(yè)信息化關(guān)鍵技術(shù)及農(nóng)產(chǎn)品質(zhì)量安全控制研究，E-mail:yangxt@nercita.org.cn。

北京市自然科學(xué)基金項(xiàng)目(6174040)；北京市農(nóng)林科學(xué)院青年科研基金(QNJJ201720)；國(guó)家重點(diǎn)研發(fā)計(jì)劃(2016YFD0401205)。

TS254.1

A

1002-0306(2017)21-0268-06

10.13386/j.issn1002-0306.2017.21.053