近紅外高光譜聯(lián)用Stepwise算法快速無接觸評估冷鮮雞肉色澤及嫩度

蔣圣啟,何鴻舉,2,*,王 慧,馬漢軍,2,陳復生,劉 璽, 賈方方,康壯麗,潘潤淑,朱明明,趙圣明,王正榮

(1.河南科技學院食品學院，河南新鄉(xiāng) 453003； 2.河南科技學院博士后研發(fā)基地，河南新鄉(xiāng) 453003； 3.河南工業(yè)大學糧油食品學院，河南鄭州 450001； 4.商丘師范學院生物與食品學院，河南商丘 476000)

雞肉作為一種老少皆宜的肉類食品,因低脂肪、低膽固醇、高蛋白質(zhì)、易被消化等優(yōu)點,深受廣大消費者的青睞[1-3]。冷鮮雞肉由于安全性高、品質(zhì)好,消費量已占生鮮肉比重的30%左右。在我國大中型城市,冷鮮雞肉已逐漸占據(jù)雞肉消費市場,其品質(zhì)越來越受關注。其中色澤和嫩度常被消費者用于雞肉品質(zhì)的直觀評價。雞肉的色澤主要是由肌肉中肌紅蛋白、血紅蛋白和細胞色素的含量所決定,新鮮雞肉色澤鮮艷呈淡紅色、有光澤且彈性好[6-8]。雞肉的嫩度反映雞肉的質(zhì)地特性,對食用口感起決定性作用。目前雞肉色澤主要利用色差儀測定,嫩度主要使用質(zhì)構(gòu)儀測定,方法雖快速、簡便、精確,但需接觸甚至破壞樣品、不能實現(xiàn)大批量在線測定。

高光譜成像技術(Hyperspectral imaging,HSI)近年來在食品方面的研究應用備受關注。該技術興起于20世紀80年代,是基于非常多窄波段的影像數(shù)據(jù)技術,也是一種新興的無損檢測技術。其基本原理為當光源打在物體表面時,其反射出來的光會直接進入到光譜系統(tǒng)中,并經(jīng)過一系列的信號轉(zhuǎn)化,將光信號轉(zhuǎn)化成電信號,最后轉(zhuǎn)化成數(shù)字信號,并通過計算機顯示出來。相比傳統(tǒng)的光譜技術,HSI技術具有更高的光譜分辨率,通常精度可達2～3 nm,能充分反應光譜信息的細微變化,并可提供更多與試驗樣品相關的信息[9]。目前,HSI技術在雞肉品質(zhì)的無損檢測研究方面已有報道,如Jia等[10]采用400～900 nm波段HSI快速預測新鮮雞肉pH,經(jīng)光譜數(shù)據(jù)分析,雞肉pH的預測相關系數(shù)為0.85;Xiong等[11]也用相同波段的HSI技術對雞肉彈性進行了預測研究,預測相關系數(shù)為0.84。此外,采用HSI技術對雞肉水分[12]、揮發(fā)性鹽基氮[13]、硫代巴比妥酸[14]、氫脯氨酸[15]以及微生物如腸桿菌科、菌落總數(shù)[16]等方面的研究也取得了較好的效果。然而,目前使用近紅外高光譜技術對雞肉嫩度和色澤進行無接觸檢測的相關報道較少,故本試驗嘗試采用近紅外波段HSI技術對不同儲藏期的雞肉色澤和嫩度進行快速預測研究,旨在為在線、批量、快速、無接觸檢測雞肉品質(zhì)提供方法參考與數(shù)據(jù)支撐。

1 材料與方法

1.1 材料與儀器

冷鮮雞胸肉 由河南眾品食業(yè)股份有限公司提供。

HSI-eNIR-XC130型推掃式高光譜成像系統(tǒng) 臺灣五鈴光電科技有限公司。主要部件包括:3900-ER光源 Illumination Technologies Inc,New York,USA;ImSpector V10E光譜儀 Spectral Imaging Ltd.,Oulu,Finland;CCD探測儀 DL-604 M,Andor,Ireland;OLE2鏡頭 Schneider,German;IRCP0076-1COMB移動平臺 Isuzu Optics Corp,Taiwan,China;數(shù)據(jù)采集軟件 Spectral Image software,Isuzu Optics Corp,Taiwan,China;The Unscrambler 9.7建模軟件 挪威CAMO公司;Matlab程序開發(fā)軟件包 The Mathworks,Inc.,Natick,MA,USA;C-LM4型數(shù)顯式肌肉嫩度儀 東北農(nóng)業(yè)大學工程學院;BCD-368WPC美菱冰箱 中國美菱公司;CR-400便攜式色差儀 日本美能達公司。

1.2 試驗方法

1.2.1 樣品預處理 試驗肉樣準備:將新鮮的雞胸肉(長度(17.0±1.5) cm,寬度(10.0±1.5) cm)置于冷藏箱內(nèi),運至河南科技學院肉品加工與質(zhì)量控制實驗室,在超凈工作臺中剔筋、除膜、除去脂肪,將其中部分整塊樣品分割成3.0 cm(長度)×3.0 cm(寬度)×1.0 cm(厚度)試驗樣品[17],用于雞肉色澤試驗,共獲得217塊樣品;剩下的樣品被分割成3.0 cm(長度)×1.5 cm(寬度)×1.0 cm(厚度)的試驗樣品,用于雞肉嫩度的試驗,共獲得132塊樣品。然后將所有試驗樣品分裝于一次性帶蓋包裝盒,標記,置于0～4 ℃條件下連續(xù)儲藏7 d,每天取出若干樣本,用于獲取高光譜信息及參數(shù)測定。

1.2.2 高光譜數(shù)據(jù)采集 每次試驗前,從0～4 ℃冰箱內(nèi)隨機取出若干待測樣品,待其恢復至室溫,同時將高光譜成像系統(tǒng)提前30 min打開預熱,待光源穩(wěn)定之后進行掃描,設置高光譜系統(tǒng)參數(shù)為:掃描速度6.54 mm/s,曝光時間4.65 ms,檢測波長范圍為900～1700 nm。為降低系統(tǒng)暗電流和室內(nèi)照明對樣品信息采集過程中所帶來的影響,需對原始圖像進行校正,如式(1)所示:

式(1)

其中:IC-校正后的圖像;IR-原始高光譜圖像;IB-黑板圖像,其反射率為0%;IW-白板圖像,其反射率為99.9%。

1.2.3 色澤和嫩度的測定 高光譜圖像采集完畢,立即測定肉樣色澤和嫩度,采用CR-400便攜式色差儀測定雞肉色澤參數(shù)L*、a*和b*值,具體步驟參考刁雪洋等[18]的研究。采用C-LM4型數(shù)顯式肌肉嫩度儀測定嫩度。

1.2.4 光譜提取及預處理 為了減小誤差,綜合反映樣品的均體特征,本試驗選取高光譜圖像內(nèi)的整塊雞肉樣品作為感興趣區(qū)域(Range of interests,ROI),通過高光譜成像系統(tǒng)的HSI Analyzer分析軟件,計算并提取ROI內(nèi)的平均光譜。由于儀器自身的噪聲以及外界環(huán)境的影響,采集的光譜中不僅包含了樣品光譜信息,還包含噪聲信號[19-20]。為了降低系統(tǒng)噪音和外界環(huán)境影響,本試驗利用中值濾波平滑(Median filter smoothing,MFS)、多元散射校正(multiplicative scatter correction,MSC)和標準正態(tài)變量校正(Standard normal variable correction,SNV)三種方法預處理原始光譜。MFS可以除去密集噪聲點對光譜信息的影響[21],MSC用于消除散射影響,提高光譜信噪比[22],SNV用于消除固體顆粒大小、表面散射以及光程變化對光譜的影響[23]。

1.2.5 模型的構(gòu)建及評價 偏最小二乘(Partial least squares,PLS)回歸是從應用領域中提出的一種新型多元數(shù)據(jù)分析方法,通過最小化誤差的平方和找到一組數(shù)據(jù)的最佳函數(shù)匹配,用最簡單的方法求得一些絕對不可知的真值,而令誤差平方之和為最小。與傳統(tǒng)多元線性回歸(Multiple linear regression,MLR)模型相比,PLS能夠在自變量存在嚴重多重相關性的條件下進行回歸建模,允許在樣本點個數(shù)少于變量個數(shù)的條件下進行回歸建模,最終模型中將包含原有的所有自變量,更易于辨識系統(tǒng)信息與噪聲,每一個自變量的回歸系數(shù)將更容易解釋[24]。本試驗中將色澤參數(shù)和嫩度參考值作為因變量,將波長作為自變量,通過PLS回歸,建立雞肉中色澤和嫩度的預測模型。

PLS回歸模型性能通過以下參數(shù)評價:校正集相關系數(shù)(RC)、校正集誤差(Root mean square error of calibration,RMSEC)、內(nèi)部交叉驗證集相關系數(shù)(RCV)、內(nèi)部交叉驗證集均方根誤差(Root mean square error of cross validation,RMSECV)、外部預測集相關系數(shù)(RC)、外部預測集均方根誤差(Root mean square error of prediction,RMSEP)[25]。其中模型相關系數(shù)(R)越接近1,RMSEC、RMSECV、RMSEP越小,模型的預測性能越好[26]。

1.2.6 最優(yōu)波長的選擇與模型優(yōu)化 本試驗中獲得的全波段光譜共有486個波長,若采用全部波長作為建模的輸入變量,信息數(shù)據(jù)量將非常龐大,同時存在大量的冗余信息,因此要采用合適手段選取最優(yōu)波長區(qū)間或者波長,剔除無關信息,提取有用信息,減少數(shù)據(jù)計算量,以提高建模效率。本試驗采用逐步回歸法(Stepwise)篩選最優(yōu)波長。Stepwise是多元線性回歸法中選擇回歸變量的一種常用數(shù)學方法,即利用逐步回歸法按一定顯著水平篩選出統(tǒng)計檢驗顯著的波長,再進行多元線性回歸計算。逐步回歸法的具體篩選步驟參照Feng等[27]的研究。獲取最優(yōu)波長后,以最優(yōu)波長作為輸入變量,進行全波段PLS回歸模型(F-PLS)優(yōu)化,建立最優(yōu)波長PLS模型(O-PLS),以R和RMSE評價模型性能。當輸入變量個數(shù)小于樣本個數(shù)時,還可使用MLR建模[28]。經(jīng)Stepwise算法篩選獲取最優(yōu)波長后,以最優(yōu)波長作為輸入變量,構(gòu)建MLR模型,并對比O-PLS與MLR預測效果。Stepwise回歸操作在數(shù)學軟件MATLAB2016a中進行,模型構(gòu)建使用化學計量學軟件Unscrambler 9.7完成。

2 結(jié)果與分析

2.1 色澤和嫩度測定結(jié)果

試驗樣品的色澤(217個)和嫩度(132個)測定結(jié)果如表1所示。參照Wu等[17]研究方法,將所有色澤參數(shù)和嫩度測量值和依照從小到大排序,按每四個樣品中隨機取一個樣品(1/4)選入預測集,剩余樣品(3/4)選入校正集。

表1 校正集和預測集樣品色澤和嫩度測量結(jié)果統(tǒng)計Table 1 Results of measured chicken color and tenderness values in calibration set and prediction set

色澤參數(shù)L*、a*、b*及嫩度在不同的儲藏期變化如圖1所示。由圖1a可以看出,L*值隨著雞肉儲藏時間的增加,整體呈先上升后下降趨勢。由圖1b可以看出,a*值隨著雞肉儲藏時間的增加,整體呈下降趨勢。由圖1c可以看出,b*值隨著雞肉儲藏時間的增加,整體呈明顯上升趨勢。

圖1 樣品色澤和嫩度測定結(jié)果Fig.1 Test results of color and tenderness of samples 注:(a):L*值,(b):a*值,(c):b*值,(d):嫩度。

亮度前3 d先呈增大趨勢,主要是因為雞肉內(nèi)部水分滲出,附著于雞肉表面,對光的反射能力增強所致[29]。亮度在4～7 d下降是因為隨著儲藏時間的增加,微生物數(shù)量變多,雞肉產(chǎn)生乳黃色崩解產(chǎn)物造成黃度升高,亮度和紅度下降所致。肌紅蛋白被微生物分解破壞,導致其變性,也能使雞肉a*值下降。由圖1d可以看出,嫩度隨著雞肉儲藏時間的增加,呈上升趨勢。主要是因為隨著微貯藏時間的增加,肉中大塊蛋白明顯崩解,結(jié)構(gòu)蛋白軟化和消化,從而使嫩度增大[30]。

2.2 雞肉樣品光譜特征

通過近紅外高光譜成像系統(tǒng)軟件HSI Analyzer提取的217個雞肉樣品(用于色澤測量)和132個雞肉樣品(用于嫩度測量)的平均光譜特征分別如圖2、圖3所示。圖2a和圖3a是高光譜圖像校正后提取的原始光譜信息,圖2b和圖3b是MFS預處理的光譜信息,圖2c和圖3c是MSC預處理的光譜信息,圖2d和圖3d是SNV預處理的光譜信息。圖2～圖3顯示,所有樣品的光譜曲線高低位置不同,

圖2 用于色澤測量的雞肉樣品平均光譜Fig.2 Average spectral reflection curve of chicken samples for colour measurement注:(a)原始光譜,(b)MFS預處理光譜,(c)MSC預處理光譜,(d)SNV預處理光譜;圖3同。

圖3 用于嫩度測量的雞肉樣品平均光譜Fig.3 Average spectral reflection curve of chicken samples for tenderness measurement

這主要源于不同儲藏期雞肉的化學組分含量發(fā)生了變化,導致了光譜曲線主要的吸收波段發(fā)生改變。儲藏期間肌肉水分流失、組織結(jié)構(gòu)發(fā)生改變,使得雞肉光譜吸光值逐漸降低,也會使光譜曲線呈高低分布,但其總體趨勢一致[3]。

近紅外光譜出現(xiàn)吸收峰是源于雞肉化學組分中的各種基團(包括O-H、N-H和C-H)發(fā)生伸縮、振動、彎曲等運動[31]。吸收峰出現(xiàn)在980 nm(O-H的倍頻吸收帶)、1200 nm(O-H的合頻吸收帶)和1450 nm(O-H的倍頻吸收帶)處,源于雞肉中的水分吸收[32]。980、1200 nm處吸收較強,而1450 nm處的吸收峰很弱。由于雞肉水分含量太多(70%以上),掩蓋了肉品其他成分的光譜信息,導致蛋白質(zhì)和脂肪等成分的吸收峰不明顯。雖然光譜上沒有明顯的色澤和嫩度吸收峰,但是色澤和嫩度的變化與肉品化學組分相關,可通過化學計量學手段挖掘光譜信息,尋找到特征光譜信息與色澤和嫩度之間的定量關系。

2.3 基于全波段光譜的PLS預測色澤及嫩度結(jié)果

前期的預試驗結(jié)果顯示,基于原始光譜信息構(gòu)建的PLS模型預測效果較差,經(jīng)預處理后預測效果改善明顯。本試驗基于三種不同預處理全波段486個波長,采用PLS回歸算法分別挖掘色澤參數(shù)(L*、a*、b*)、嫩度與光譜信息之間的相關性。結(jié)果如表2所示。

表2 雞肉色澤和嫩度F-PLS回歸預測結(jié)果Table 2 F-PLS prediction performance for chicken color and tenderness

由表2得知,經(jīng)三種不同預處理全波段光譜信息后,構(gòu)建的F-PLS回歸模型預測效果相似。三種預處理相比較,經(jīng)MFS預處理光譜構(gòu)建的F-PLS回歸模型預測雞肉色澤參數(shù)L*、b*以及嫩度效果更優(yōu),對應的ΔE值分別為0.535、0.020和0.341,均低于其他兩種模型,RC分別為0.951、0.911和0.968,Rp分別為0.904、0.908和0.948,均高于0.900,且其RMSEC分別為1.501、1.557和1.255 N,RMSEP分別為2.036、1.577和1.596 N,其值均較低。這說明了構(gòu)建的F-PLS回歸模型具有良好的魯棒性。相比之下,色澤參數(shù)a*值的預測效果不理想,模型相關系數(shù)很低,說明雞肉色澤和近紅外光譜信息之間相關性很差,這可能是由于雞胸肉中肌紅蛋白含量、紅肌纖維數(shù)量較少,導致紅度值較低[33],測量誤差較大。后續(xù)試驗中不予分析。

2.4 Stepwise法篩選最優(yōu)波長結(jié)果

本試驗采用Stepwise回歸算法從全波段中篩選出最優(yōu)波長,以減少數(shù)據(jù)運算量、提高建模效率[34],篩選結(jié)果如表3和圖4所示。由表3得知,篩選后最優(yōu)波長的數(shù)量在13～20之間,光譜波長減少量在95%～98%之間。整體而言,從預處理光譜中篩選用于預測顏色的最優(yōu)波長數(shù)量少于預測嫩度的數(shù)量。對于參數(shù)L*,從三種預處理光譜中篩選的最優(yōu)波長分別為14、16和14個,與全波段數(shù)相比其波長減少量分別為97.12%、96.71%和97.12%。對于參數(shù)b*和嫩度,從MFS預處理光譜中篩選的最優(yōu)波長數(shù)量均多于其他兩種預處理(MSC和SNV)。

圖4 三種不同預處理光譜中Stepwise法篩選出的最優(yōu)波長具體位置Fig.4 The specific location of the optimal wavelengths selected by Stepwise method from the three pretreatment spectra

表3 Stepwise法篩選最優(yōu)波長結(jié)果比較Table 3 Comparison of optimal wavelengths selected by Stepwise method

2.5 基于最優(yōu)波長的PLS預測色澤及嫩度結(jié)果

最優(yōu)波長篩選后,以最優(yōu)波長為輸入變量,重新校正,優(yōu)化F-PLS回歸模型,結(jié)果如表4。 對于L*值預測,從SNV光譜中篩選的14個最優(yōu)波長構(gòu)建的O-PLS預測模型ΔE為0.665,低于MFS(0.834)和MSC(0.852)光譜的ΔE值;對于b*值預測,從SNV光譜中篩選的最優(yōu)波長數(shù)量最少(13個),其所構(gòu)建的O-PLS預測ΔE值為0.375,低于MFS(0.544)和MSC(0.384)光譜的ΔE值;不同于顏色參數(shù)預測,從MFS光譜中篩選的最優(yōu)波長(20個)預測雞肉嫩度值效果最好,其ΔE為1.340,均低于MFS(1.504)和MSC(1.586)光譜的ΔE值,且其RP為0.888,高于熊振杰等[3]的可見/近紅外高光譜(400～1000 nm)檢測結(jié)果(L*:RP=0.876;嫩度:RP=0.740)。這說明,針對不同的參數(shù)需要選擇合適的光譜預處理方法,以獲得最好的預測效果。本試驗O-PLS回歸模型預測結(jié)果顯示,高光譜技術預測雞肉顏色和嫩度潛力巨大。

表4 O-PLS預測雞肉色澤和嫩度結(jié)果Table 4 Results of O-PLS models for predicting chicken color and tenderness

2.6 MLR和O-PLS預測色澤及嫩度效果對比

最優(yōu)波長篩選后,波長數(shù)量大幅度減少,且數(shù)量少于試驗樣本數(shù),利用MLR建模預測雞肉顏色參數(shù)和嫩度,結(jié)果如表5。從表5中可得,對于參數(shù)L*,則基于SNV光譜所建MLR模型的性能和魯棒性均優(yōu)于經(jīng)MFS和MSC預處理所建MLR和O-PLS模型,其SNV-MLR模型的RC、RCV和Rp值分別為0.948、0.938和0.894,ΔE值為0.616;對于參數(shù)b*,經(jīng)SNV預處理所建O-PLS預測模型的魯棒性(ΔE=0.385)優(yōu)于MLR預測模型的魯棒性(ΔE=0.375);而對于雞肉嫩度值,則依然是基于MFS預處理的光譜所建的O-PLS預測模型的魯棒性(ΔE=1.340)好于MLR預測模型。經(jīng)對比兩種模型預測效果,針對L*、b*和嫩度,最優(yōu)預測結(jié)果分別如圖5～圖7所示。圖5為經(jīng)SNV預處理的光譜所建立的L*值的最優(yōu)MLR模型預測結(jié)果圖,其中圖5a為校正集和交叉驗證集的結(jié)果圖,圖5b為預測集的結(jié)果圖;圖6和圖7同圖5。

表5 MLR模型預測雞肉色澤和嫩度結(jié)果Table 5 MLR prediction performance for chicken color and tenderness based on optimal wavelengths

圖5 L*值最優(yōu)預測結(jié)果(MLR+SNV光譜)Fig.5 The best results for L* prediction(MLR+SNV spectra)注:(a)校正集和交叉驗證集結(jié)果;(b)預測集結(jié)果,圖6～圖7同。

圖6 b*值最優(yōu)預測結(jié)果(O-PLS+SNV光譜)Fig.6 The best results for b* prediction(O-PLS+SNV spectra)

圖7 嫩度值最優(yōu)預測結(jié)果(O-PLS+MFS光譜)Fig.7 The best results for tenderness prediction(O-PLS+MFS spectra)

3 結(jié)論

采用近紅外(900～1700 nm)高光譜成像技術對雞胸肉色澤和嫩度進行快速無損檢測研究。基于三種不同預處理光譜(MFS、MSC、SNV)信息,構(gòu)建全波段F-PLS模型預測雞肉色澤參數(shù)L*、b*和嫩度,均取得了較好的效果。經(jīng)Stepwise算法篩選最優(yōu)波長優(yōu)化F-PLS模型,從SNV光譜中篩選的14個最優(yōu)波長構(gòu)建的MLR模型預測L*值效果更好(RP=0.894,RMSEP=2.160),從SNV光譜中篩選的13個最優(yōu)波長構(gòu)建的O-PLS模型預測b*值效果更好(RP=0.877,RMSEP=1.811),從MFS光譜中篩選的20個最優(yōu)波長構(gòu)建的O-PLS模型預測雞肉嫩度值效果更好(RP=0.888,RMSEP=2.408 N)。近紅外高光譜成像技術結(jié)合Stepwise算法建立預測模型可潛在實現(xiàn)對雞肉色澤參數(shù)L*、b*以及嫩度的快速預測。