基于高光譜技術(shù)的羊肉含水率無(wú)損檢測(cè)

　,,　,,　,,,*

(1.內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院,內(nèi)蒙古呼和浩特 010018; 2.內(nèi)蒙古師范大學(xué)物理與電子信息學(xué)院,內(nèi)蒙古呼和浩特 010022)

羊肉因其具有較高的營(yíng)養(yǎng)價(jià)值而深受消費(fèi)者喜愛(ài),我國(guó)更是羊肉的生產(chǎn)和消費(fèi)大國(guó)[1-3]。水分是羊肉組分中含量最高的成分,水分的多少直接影響肉品的色澤、嫩度、風(fēng)味等食用品質(zhì)[4-5]。近年來(lái),我國(guó)食品安全形勢(shì)嚴(yán)峻,市場(chǎng)上常有一些經(jīng)營(yíng)者為謀求暴利,加工和出售注水羊肉。羊肉水分含量過(guò)高,容易加快細(xì)菌和霉菌的繁殖,引起肉的腐敗變質(zhì),嚴(yán)重危害消費(fèi)者身體健康,并擾亂正常市場(chǎng)秩序。因此,研究羊肉含水率的快速檢測(cè)方法具有重要的現(xiàn)實(shí)意義[6-7]。

目前,肉品含水率的檢測(cè)方法主要有感官檢測(cè)法和理化檢測(cè)法。感官檢測(cè)法受主觀因素影響,準(zhǔn)確率較低;理化檢測(cè)法不僅耗時(shí)費(fèi)力,且破壞樣本,在實(shí)際生產(chǎn)中難以得到應(yīng)用[8]。高光譜成像技術(shù)是近年來(lái)發(fā)展起來(lái)的無(wú)損檢測(cè)技術(shù),它具有波段多、分辨率高和圖譜合一的特點(diǎn)[9]。隨著無(wú)損檢測(cè)技術(shù)的不斷發(fā)展和完善,采用高光譜成像技術(shù)檢測(cè)肉類含水率逐漸成為研究熱點(diǎn)。近年來(lái),高光譜成像技術(shù)在肉類含水率檢測(cè)方面已有一些研究成果。

Liu等[10]利用高光譜成像技術(shù)(1000～2500 nm)預(yù)測(cè)了豬肉在腌制過(guò)程中含水率的變化,建立了基于反射率的偏最小二乘回歸模型,模型辨別準(zhǔn)確率為0.969。Douglas等[11]用高光譜成像技術(shù)(900～1700 nm)預(yù)測(cè)了豬肉水分、脂肪和蛋白質(zhì)含量,將得出的光譜信息進(jìn)行PLS建模,獲得了較好的預(yù)測(cè)效果。湯修映等[12]利用可見(jiàn)/近紅外光譜技術(shù)(400～1170 nm)對(duì)牛肉含水率進(jìn)行了檢測(cè),建立了PLSR預(yù)測(cè)模型,模型預(yù)測(cè)效果較好。王婉嬌等[5]利用可見(jiàn)/近紅外高光譜成像技術(shù)(400～1000 nm)對(duì)冷鮮羊肉的水分含量進(jìn)行了無(wú)損檢測(cè),利用PLSR法建立了含水率預(yù)測(cè)模型,取得了較好的預(yù)測(cè)效果。雖然利用高光譜法檢測(cè)肉品含水率已有較多報(bào)道,但是光譜波段范圍多集中在400～1000 nm或者1000～1700 nm之間,本文則采用波段范圍為1000～2500 nm的高光譜成像系統(tǒng)研究羊肉含水率。

本實(shí)驗(yàn)選取內(nèi)蒙古錫林郭勒羊肉作為研究對(duì)象,采用高光譜成像技術(shù)對(duì)羊肉含水率進(jìn)行無(wú)損檢測(cè)研究。通過(guò)對(duì)比分析,優(yōu)選出光譜最佳預(yù)處理算法,確定最優(yōu)建模方法,為今后羊肉含水率在線檢測(cè)系統(tǒng)的開(kāi)發(fā)提供理論支持。

1　材料與方法

1.1　材料與儀器

羊肉購(gòu)買于呼和浩特市東瓦窯農(nóng)貿(mào)市場(chǎng)。

光譜采集系統(tǒng)臺(tái)灣五鈴光學(xué)股份有限公司的高光譜成像系統(tǒng),該系統(tǒng)包括光譜相機(jī)(1000～2500 nm)、鹵素?zé)?、載物臺(tái)、計(jì)算機(jī)等,系統(tǒng)結(jié)構(gòu)如圖1所示;電熱鼓風(fēng)干燥箱上海一恒科學(xué)儀器有限公司;BT223S型電子天平賽多利斯科學(xué)儀器有限公司,精度:0.001 g。

圖1　光譜檢測(cè)系統(tǒng)Fig.1　Spectral detection system注:1.實(shí)驗(yàn)黑箱;2.鹵素?zé)?3.光譜相機(jī); 4.樣品;5.載物臺(tái);6.計(jì)算機(jī)。

1.2　實(shí)驗(yàn)方法

1.2.1樣品預(yù)處理在切去表面脂肪和肌膜后,將肉切成8 cm×7 cm×2 cm的肉塊,制為樣本。共制備樣本108份,選取18份作為原始樣本,剩下90份用于制備注水肉樣本。將90份待注水的樣本平均分成5份,每份18個(gè)樣本,每份分別注水0.8、1.6、2.4、3.2、4.0 mL,制備完畢后,將樣本放入密封袋,并編號(hào)放入冰箱冷凍保存,溫度為-18 ℃。

1.2.2羊肉光譜數(shù)據(jù)采集數(shù)據(jù)采集前,打開(kāi)光源預(yù)熱30 min以上,其目的在于減少光源強(qiáng)度的不穩(wěn)定性以及溫度對(duì)實(shí)驗(yàn)過(guò)程的影響。為減少光照和電流對(duì)實(shí)驗(yàn)的影響,需要進(jìn)行黑、白板校正。采集標(biāo)準(zhǔn)白板獲取白板圖像,遮住鏡頭獲取全黑信息。用采集到的標(biāo)準(zhǔn)黑白圖像信息對(duì)樣本光譜圖像進(jìn)行校正,校正公式為:

式中：I為校正后圖像的反射強(qiáng)度,I0為原始圖像的反射強(qiáng)度,Ia為黑板圖像的反射強(qiáng)度,Iw為白板圖像的反射強(qiáng)度。

經(jīng)預(yù)實(shí)驗(yàn)確定了光譜數(shù)據(jù)的最佳采集參數(shù):物距280 mm,掃描速度14 mm/s,曝光時(shí)間10 ms,掃描距離200 mm。

1.2.3羊肉含水率的測(cè)定樣本光譜數(shù)據(jù)采集后,參照GB/T 9695.15-2008《肉與肉制品 水分含量測(cè)定》[13]對(duì)樣本含水率進(jìn)行測(cè)定。首先,準(zhǔn)確稱量樣本的質(zhì)量(精度0.001 g),然后按照順序放入干燥箱,溫度設(shè)定為150 ℃,干燥至質(zhì)量不變,取出樣本后將其放入干燥器中放置15 min至室溫,稱取干燥后的樣品質(zhì)量。含水率計(jì)算公式為:

式中:M為樣品水分含量(%),m1容器質(zhì)量(g),M1為烘干前樣本質(zhì)量和容器總重(g),m0為烘干前樣本質(zhì)量和容器總重(g)。

1.3　數(shù)據(jù)處理

采用MATLAB R2014a、The Unscrambler X 10.4、HSI Analyzer等軟件對(duì)光譜數(shù)據(jù)進(jìn)行處理。采用標(biāo)準(zhǔn)正態(tài)變換法、歸一化法、去趨勢(shì)校正法、S-G卷積平滑法、導(dǎo)數(shù)法、多元散射校正法對(duì)原始光譜進(jìn)行預(yù)處理。采用相關(guān)系數(shù)法提取特征波長(zhǎng),采用偏最小二乘回歸(PLSR)和逐步多元線性回歸(SMLR)兩種建模方法建立特征波長(zhǎng)下的預(yù)測(cè)模型。采用校正集相關(guān)系數(shù)Rc、校正集標(biāo)準(zhǔn)誤差SEC、預(yù)測(cè)集相關(guān)系數(shù)Rp、預(yù)測(cè)集標(biāo)準(zhǔn)誤差SEP這4個(gè)參數(shù)對(duì)模型的預(yù)測(cè)能力進(jìn)行評(píng)估。

2　結(jié)果與分析

2.1　樣本含水率測(cè)定結(jié)果

表1為羊肉水分含量統(tǒng)計(jì)結(jié)果,樣品水分含量范圍較大,滿足建立校正模型的條件。相關(guān)文獻(xiàn)報(bào)道羊肉含水率大于60%[5-6]。在本實(shí)驗(yàn)中,有18個(gè)樣本含水率明顯低于60%,屬異常樣本,予以剔除。用隨機(jī)法分配62個(gè)樣本為校正集,28個(gè)樣本為預(yù)測(cè)集。

表1　羊肉水分含量統(tǒng)計(jì)結(jié)果Table 1　The statistical results of mutton moisture content

2.2　光譜數(shù)據(jù)的提取及分析

從校正后的光譜圖像中,隨機(jī)選取若干點(diǎn),將這些點(diǎn)的平均光譜值作為該樣本的平均反射率,獲取的原始光譜曲線如圖2所示。原始光譜數(shù)據(jù)除了能反映樣本化學(xué)成分及物理結(jié)構(gòu)等信息外,還包含了背景色、暗電流等噪聲信號(hào)。為減弱噪聲信號(hào)對(duì)建模效果的影響,提高信噪比,需要選擇合適的算法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理[14-15]。

圖2　樣品原始光譜曲線Fig.2　The original spectral curve of the sample

2.3　全波段下的羊肉含水率預(yù)測(cè)模型

為了探究全波段下不同光譜預(yù)處理方法對(duì)建模效果的影響,本研究采用標(biāo)準(zhǔn)正態(tài)變換(SNV)、歸一化(Normalization)等多種方法對(duì)原始光譜進(jìn)行預(yù)處理,采用偏最小二乘法建立羊肉含水率預(yù)測(cè)模型,建模結(jié)果如表2所示。

表2　不同預(yù)處理方法下的PLSR模型結(jié)果Table 2　The results of PLSR model under different preprocessing methods

相關(guān)系數(shù)R表征了樣本含水率實(shí)測(cè)值與預(yù)測(cè)值之間的相關(guān)程度,R值越接近1,說(shuō)明模型預(yù)測(cè)效果越好,標(biāo)準(zhǔn)誤差SE越小說(shuō)明模型精度越高。由表2可知,光譜經(jīng)預(yù)處理之后建立的預(yù)測(cè)模型相關(guān)系數(shù)都有所提高,其中去趨勢(shì)校正法效果最好,Rc及Rp分別為0.8561和0.8422,SEC和SEP分別為0.0770和0.0592。綜合這4項(xiàng)指標(biāo),確定去趨勢(shì)校正法為最佳光譜預(yù)處理算法。

2.4　特征波長(zhǎng)提取

由于原始光譜數(shù)據(jù)高達(dá)242個(gè)波段,數(shù)據(jù)量大,為了降低數(shù)據(jù)處理運(yùn)算量,提高檢測(cè)效率,需要對(duì)全波段光譜數(shù)據(jù)進(jìn)行降維處理[16-18]。本研究采用相關(guān)系數(shù)法提取特征波長(zhǎng),相關(guān)系數(shù)法是將光譜矩陣中的每個(gè)波長(zhǎng)對(duì)應(yīng)的光譜值向量x與樣品含水率矩陣y進(jìn)行相關(guān)性分析計(jì)算,得到波長(zhǎng)與相關(guān)系數(shù)的變化曲線(圖3),各波段對(duì)應(yīng)的相關(guān)系數(shù)絕對(duì)值越大其包含信息就越多,基于局部極大值的原則選擇波長(zhǎng)點(diǎn)[19],特征波長(zhǎng)為1100、1346、1421、1635、1786、2111 nm。

圖3　相關(guān)系數(shù)圖Fig.3　Correlation coefficient figure

為探究全波段和特征波段下的建模效果,采用經(jīng)去趨勢(shì)校正法預(yù)處理后的光譜數(shù)據(jù)建立全波段和特征波段下的PLSR模型,建模結(jié)果如表3所示。

由表3可知,全波段模型和特征波段模型的校正集相關(guān)系數(shù)Rc分別為0.8235和0.8427,校正集標(biāo)準(zhǔn)誤差SEC分別為0.0655和0.0551;預(yù)測(cè)集相關(guān)系數(shù)Rp分別為0.8469和0.8601,預(yù)測(cè)集標(biāo)準(zhǔn)誤差SEP分別為0.0414和0.0403。由此可見(jiàn),特征波段下所建模型的預(yù)測(cè)精度優(yōu)于全波段下所建模型。分析結(jié)果表明,基于相關(guān)系數(shù)法所提取的特征波段能更加精確的反映羊肉含水率情況,所建模型也更加精確、穩(wěn)定。

表3　全波段和特征波段下的PLSR模型結(jié)果Table 3　PLSR model results for whole band and characteristic bands

2.5　特征波長(zhǎng)下的羊肉含水率預(yù)測(cè)模型

采用偏最小二乘回歸(PLSR)和逐步多元線性回歸(SMLR)兩種建模方法建立特征波長(zhǎng)下的預(yù)測(cè)模型,建模結(jié)果如表4所示。

由表4可知,PLSR與SMLR模型校正集相關(guān)系數(shù)Rc分別為0.8427和0.8597,校正集標(biāo)準(zhǔn)誤差SEC分別為0.0551和0.0521;預(yù)測(cè)集相關(guān)系數(shù)Rp分別為0.8601和0.8654,預(yù)測(cè)集標(biāo)準(zhǔn)誤差SEP分別為0.0403和0.0387。不論是校正集還是預(yù)測(cè)集,SMLR模型相關(guān)系數(shù)更高,標(biāo)準(zhǔn)誤差相對(duì)較小。圖4為PLSR模型含水率實(shí)測(cè)和預(yù)測(cè)值散點(diǎn)圖,圖5為SMLR模型含水率實(shí)測(cè)和預(yù)測(cè)值散點(diǎn)圖,由圖4和圖5可知,SMLR模型含水率預(yù)測(cè)值和實(shí)測(cè)值散點(diǎn)圖對(duì)中心線的偏離程度較小。因此,采用逐步多元線性回歸(SMLR)法對(duì)羊肉含水率進(jìn)行建模,取得的模型效果最好。

表4　特征波段下的PLSR 和SMLR模型結(jié)果Table 4　Results of PLSR and SMLR models under characteristic bands

圖4　PLSR模型含水率實(shí)測(cè)和預(yù)測(cè)值散點(diǎn)圖Fig.4　Scatter plots of measured and predicted values of moisture content of PLSR model

圖5　SMLR模型含水率實(shí)測(cè)和預(yù)測(cè)值散點(diǎn)圖Fig.5　Scatter plots of measured and predicted values of moisture content of SMLR model

3　討論與結(jié)論

國(guó)內(nèi)外研究者在利用高光譜法檢測(cè)肉品含水率的研究中,取得了較好的預(yù)測(cè)效果。但是光譜波段范圍多集中在400～1000 nm或者1000～1700 nm之間,光譜范圍相對(duì)較窄。本文采用波段范圍為1000～2500 nm的高光譜成像系統(tǒng)研究羊肉含水率,波段范圍更寬。從課題組前期研究可知,在1000～2500 nm波段范圍內(nèi),光譜曲線有更多的水分吸收峰,預(yù)測(cè)準(zhǔn)確性更高。本研究利用高光譜成像技術(shù)對(duì)羊肉含水率進(jìn)行無(wú)損檢測(cè),篩選出的最佳光譜預(yù)處理方法為去趨勢(shì)校正法。采用相關(guān)系數(shù)法選取特征波長(zhǎng),所選特征波長(zhǎng)為1100、1346、1421、1635、1786、2111 nm。基于這些特征波長(zhǎng),采用逐步多元線性回歸(SMLR)和偏最小二乘回歸(PLSR)兩種方法建模,SMLR模型效果較好,校正集相關(guān)系數(shù)Rc為0.8597,校正集標(biāo)準(zhǔn)誤差SEC為0.0521;預(yù)測(cè)集相關(guān)系數(shù)Rp為0.8654,預(yù)測(cè)集標(biāo)準(zhǔn)誤差SEP為0.0387。

[1]田曉靜,王俊,崔紹慶.羊肉純度電子舌快速檢測(cè)方法[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(20):255-262.

[2]王松磊,賀曉光,趙大鵬.基于介電特性的羊肉品質(zhì)無(wú)損檢測(cè)[J].寧夏工程技術(shù),2013,12(1):30-34.

[3]孫淑敏,郭波莉,魏益民,等.近紅外光譜指紋分析在羊肉產(chǎn)地溯源中的應(yīng)用[J].光譜學(xué)與光譜分析,2011,31(4):937-941.

[4]朱丹實(shí),吳曉菲,劉賀,等.水分對(duì)生鮮肉品品質(zhì)的影響[J].食品工業(yè)科技,2013,34(16):363-366.

[5]王婉嬌,王松磊,賀曉光,等.冷鮮羊肉冷藏時(shí)間和水分含量的高光譜無(wú)損檢測(cè)[J].食品科學(xué),2015,36(16):112-116.

[6]黃玉萍,陳桂云,夏建春,等.注水肉無(wú)損檢測(cè)技術(shù)現(xiàn)狀與發(fā)展趨勢(shì)分析[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2015,46(1):207-215.

[7]楊志敏,丁武,張瑤.應(yīng)用近紅外技術(shù)快速鑒別原料肉注水的研究[J].食品研究與開(kāi)發(fā),2012,33(5):118-120.

[8]劉善梅,李小星,鐘雄斌,等.基于高光譜成像技術(shù)的生鮮豬肉含水率無(wú)損檢測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2013,44(s1):165-170.

[9]張保華,李江波,樊書祥,等.高光譜成像技術(shù)在果蔬品質(zhì)與安全無(wú)損檢測(cè)中的原理及應(yīng)用[J].光譜學(xué)與光譜分析,2014,34(10):2743-2751.

[10]Dan Liu,Da-Wen Sun,Jiahuan Qu,et al. Feasibility of using hyperspectral imaging to predict moisture content of porcine meat during salting process[J]. Food Chemistry,2014,152(2):197-204.

[11]Douglas F Barbin,Gamal Elmasry,Da-Wen Sun,et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J]. Food Chemistry,2013,138(2-3):1162-1171.

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

[13]GB/T 9695.15-2008《肉與肉制品 水分含量測(cè)定》[S]. 2010.

[14]鄧小蕾,李民贊,鄭立華,等.基于反射光譜預(yù)處理的蘋果葉片葉綠素含量預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2014,30(14):140-147.

[15]王動(dòng)民,紀(jì)俊敏,高洪智.多元散射校正預(yù)處理波段對(duì)近紅外光譜定標(biāo)模型的影響[J]. 光譜學(xué)與光譜分析,2014,34(9):2387-2390.

[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):257-262,249.

[17]張嬙,潘磊慶,陳蒙,等. 基于高光譜圖像技術(shù)的油桃早期冷害無(wú)損檢測(cè)[J]. 食品工業(yè)科技,2014,35(20):53-56.

[18]楊菊梅,賀曉光,王松磊,等. 冷鮮羊肉品質(zhì)的高光譜成像無(wú)損檢測(cè)[J]. 食品工業(yè)科技,2016,37(22):84-89.

[19]思振華,何建國(guó),劉貴珊,等. 基于高光譜圖像技術(shù)羊肉表面污染無(wú)損檢測(cè)[J]. 食品與機(jī)械,2013,29(5):75-79.