基于計(jì)算機(jī)圖像處理技術(shù)與紅外特征光譜融合的兔肉熟食識(shí)別方法

孫乃旭

(濮陽醫(yī)學(xué)高等?？茖W(xué)校，河南 濮陽 457000)

隨著人民生活水平的提高，具有獨(dú)特風(fēng)味的兔肉熟食受到了消費(fèi)者的追捧。然而在利益的驅(qū)使下，某些不法商販開始用雞肉、豬肉等廉價(jià)肉類摻假甚至直接代替，嚴(yán)重侵犯了消費(fèi)者的權(quán)益甚至身體健康[1]。因此，如何快速有效識(shí)別兔肉熟食是食品安全領(lǐng)域亟需解決的一項(xiàng)難題[2]。

目前，肉制品的識(shí)別方法主要有感官品評(píng)法[3]、PCR技術(shù)[4]、電子鼻等，但這些方法檢測(cè)耗時(shí)長(zhǎng)、樣品處理過程復(fù)雜，故在實(shí)際應(yīng)用中均受到了一定的限制。近紅外光譜法操作簡(jiǎn)便、檢測(cè)速度快，近年來被研究者廣泛研究，其與計(jì)算機(jī)圖像處理技術(shù)結(jié)合已經(jīng)在肉類食品新鮮度檢測(cè)、摻假檢測(cè)中得到了應(yīng)用[5-8]。但是現(xiàn)有研究均以鮮肉制品為研究對(duì)象，未見其應(yīng)用于熟肉制品的識(shí)別。本研究為彌補(bǔ)現(xiàn)有研究方向的空缺，以不同比例豬肉摻假兔肉的熟食制品為實(shí)驗(yàn)材料，采集樣品近紅外光譜信息，紅外圖像預(yù)處理后進(jìn)行光譜分析、PLS模型和BP-ANN模型建立和評(píng)價(jià)，提出了一種快速準(zhǔn)確的兔肉熟食識(shí)別方法。

1 材料與方法

1.1 材料與儀器

兔肉和豬肉：購自河南濮陽超市，均為冷藏熟肉，樣品于2 h內(nèi)保鮮運(yùn)輸至實(shí)驗(yàn)室并于4 ℃冰箱保存。

Antaris Ⅱ型傅立葉變換紅外光譜儀 美國Thermo Fisher Scientific 公司；ME-275小型絞肉機(jī) 榮事達(dá)三洋電器股份有限公司；AL204 型電子天平 梅特勒-托利多儀器有限公司。

1.2 摻假兔肉樣品的制備

為建立良好的模型，將兔肉熟食和豬肉熟食外表的皮層剔除并且盡量選取均勻的樣品。首先將兔肉熟食和豬肉熟食都切成1 cm3左右的小塊，然后將肉塊分別用絞肉機(jī)絞成肉糜，制備出兔肉糜樣品和豬肉糜樣品。最后，在兔肉糜中摻入預(yù)設(shè)比例的豬肉來制造不同比例的豬肉摻假兔肉樣品。兔肉糜∶豬肉糜(質(zhì)量比)分別為10∶0、8∶2、6∶4、5∶5、4∶6、2∶8、0∶10，再次使用攪拌機(jī)攪拌1 min使樣品混合均勻。每個(gè)比例的樣品均有20個(gè)平行，共140個(gè)樣品。取(15.00±0.50) g樣品放入5 cm樣品杯中壓實(shí)壓平，用于接下來近紅外光譜的采集[9]。

1.3 光譜數(shù)據(jù)采集

將光譜儀預(yù)熱30 min后進(jìn)行白板參比和性能測(cè)試。將樣品盒放入指定位置，每個(gè)樣品掃描3次，將3次采集數(shù)據(jù)的平均值作為最終光譜數(shù)據(jù)。儀器參數(shù)設(shè)置：掃描范圍為全波長(zhǎng)掃描；掃描間隔為1 nm；掃描次數(shù)為64次；分辨率為16 cm-1；光譜采集軟件為Omnic 7.3；主機(jī)光譜范圍為10000～4000 cm-1；工作溫度范圍為15～20 ℃[10]。

1.4 計(jì)算機(jī)圖像處理

為了降低信噪比、提高模型準(zhǔn)確度，使用Origin 8.1對(duì)紅外光譜進(jìn)行Savitzky-Golay平滑和SNV(標(biāo)準(zhǔn)歸一化)預(yù)處理[11]，其中進(jìn)行SNV預(yù)處理時(shí)，分析劃分子區(qū)間數(shù)目對(duì)模型的影響并找出最佳局部模型。

1.5 近紅外光譜分析

3/5的樣本(即每個(gè)比例的樣品有12個(gè)，共84個(gè))隨機(jī)選擇作為訓(xùn)練集，其他2/5的樣本(即每個(gè)比例的樣品有8個(gè)，共56個(gè))作為構(gòu)建回歸模型的預(yù)測(cè)集用于驗(yàn)證模型性能。偏最小二乘判別分析(PLS-DA)和反向傳播神經(jīng)網(wǎng)絡(luò)(BP-ANN)是常用的線性分類監(jiān)督方法[12]，在本研究中用于對(duì)摻有不同比例豬肉的兔肉熟食進(jìn)行建模分析。數(shù)據(jù)處理采用Matlab 8.03軟件平臺(tái)進(jìn)行分析。

1.6 模型驗(yàn)證及評(píng)價(jià)

以上建立的模型必須具有較準(zhǔn)確的預(yù)測(cè)性才能真正用于實(shí)際生產(chǎn)，故需要對(duì)PLS-DA和BP-ANN建立的模型進(jìn)行重復(fù)性、適用性驗(yàn)證。將預(yù)測(cè)集的樣品用模型進(jìn)行實(shí)際預(yù)測(cè)，以確定其可靠性。

2 結(jié)果與分析

2.1 原始紅外光譜

圖1 不同摻假兔肉熟食的近紅外光譜圖Fig.1 Near infrared spectrogram of different adulterated cooked rabbit meat

由圖1可知，10∶0為純兔肉熟食的紅外光譜，0∶10為純豬肉熟食的紅外光譜，在所有樣品紅外圖譜中，二者的吸光度分別為最高和最低，但隨波數(shù)的變化趨勢(shì)類似，因?yàn)樾笕忸惖闹?、蛋白質(zhì)中的官能團(tuán)相似?？梢?，紅外光譜能在一定程度上識(shí)別兩種肉類[13]。但是，設(shè)置不同摻假比例后，摻假兔肉熟食的吸光度介于純兔肉熟食和純豬肉熟食之間，并且光譜的變化趨勢(shì)相同，波峰、波谷所在波段是相同的，吸光度值差距較小。若僅僅通過該原始紅外光譜來準(zhǔn)確判定兔肉熟食中豬肉的摻假比例是不合理的，但是紅外光譜吸光度值與摻假比例之間有一定的相關(guān)性，這初步證明了利用紅外特征光譜判定兔肉熟食摻假的檢測(cè)方法的可行性。

2.2 PLS模型建立與結(jié)果分析

SNV處理可減小表面散射對(duì)光譜的影響，紅外圖譜在SNV預(yù)處理時(shí)，子區(qū)間劃分的數(shù)目會(huì)顯著影響PLS模型的適用性和準(zhǔn)確度，故有必要對(duì)劃分子區(qū)間數(shù)目進(jìn)行比較，以模型的交互驗(yàn)證均方根誤差值(RMSECV)作為指標(biāo)[14，15]。若RMSECV值最低，則該P(yáng)LS模型具有最高的適用性。將近紅外全光譜(10000～4000 cm-1)劃分為2～20個(gè)子區(qū)間來探究不同子區(qū)間數(shù)目對(duì)PLS模型性能以及最佳波長(zhǎng)區(qū)間的影響，見表1。

表1 不同子區(qū)間劃分的最佳局部模型結(jié)果Table 1 Results of the best local model with different subinterval partition

續(xù) 表

由表1可知，隨著劃分子區(qū)間數(shù)目的增大，最佳局部模型的RMSECV先減小后增大。在這11種區(qū)間劃分方式中，最優(yōu)的方式是將整個(gè)光譜區(qū)域劃分為12個(gè)子區(qū)間，此時(shí)，最佳局部模型區(qū)域?yàn)榈?區(qū)域(所屬波長(zhǎng)范圍為7027.53～6389.82 cm-1)，最佳局部模型的主成分?jǐn)?shù)為6，RMSECV為4.45，此時(shí)不論從信息量方面還是模型準(zhǔn)確性方面，利用該區(qū)域進(jìn)行建模要比直接利用全光譜建模效果好。

在此條件下建立的PLS模型結(jié)果見表2。訓(xùn)練集RMSECV為4.45，訓(xùn)練集RMSECV為4.58，RMSECV值均較低，說明模型準(zhǔn)確度較高；同時(shí)相對(duì)誤差較小，各個(gè)摻假比例的預(yù)測(cè)誤差均低于8%，整體呈現(xiàn)摻假比例越高(豬肉占比越高)，預(yù)測(cè)相對(duì)誤差越低的趨勢(shì)，最低能達(dá)到4.8%，說明能夠達(dá)到定量識(shí)別摻假兔肉熟食的目的。7組樣品預(yù)測(cè)結(jié)果表明，該模型能夠很好地識(shí)別豬肉摻假兔肉熟食樣品，具有較高的適用性和穩(wěn)定性。

表2 PLS模型的預(yù)測(cè)結(jié)果Table 2 Prediction results of PLS model

2.3 BP-ANN模型建立與結(jié)果分析

利用BP-ANN算法進(jìn)行兔肉熟食摻假模型的建立，需對(duì)其進(jìn)行小波變換處理，這樣可以將原有全光譜冗雜的數(shù)據(jù)量壓縮，提取有效信息，提高有效信號(hào)所占比重。經(jīng)過軟件分析，確定了最佳網(wǎng)絡(luò)結(jié)構(gòu)。輸入層(200個(gè))-隱含層(10個(gè))-輸出層(1個(gè))，具體學(xué)習(xí)過程為：學(xué)習(xí)速率為0.05，初始權(quán)重為0.3，動(dòng)量為0.2，最小誤差為0.0005。BP-ANN模型的預(yù)測(cè)結(jié)果見表3，訓(xùn)練總時(shí)間花費(fèi)19 s，總體來看預(yù)測(cè)準(zhǔn)確率為99.45%。利用BP-ANN模型對(duì)已知摻假比例的預(yù)測(cè)集進(jìn)行預(yù)測(cè)，對(duì)于這7組樣品，預(yù)測(cè)相對(duì)誤差隨著摻假量(豬肉比例)的增加而減小，最小可達(dá)3.5%，所有含量的相對(duì)誤差均在6%以內(nèi)。結(jié)果表明，利用近紅外光譜數(shù)據(jù)建立的BP-ANN模型能夠較為準(zhǔn)確地定量檢測(cè)和預(yù)測(cè)兔肉熟食中豬肉的摻假比例。

表3 BP-ANN模型的預(yù)測(cè)結(jié)果Table 3 Prediction results of BP-ANN model

3 結(jié)論

本研究對(duì)比分析了兔肉熟食、豬肉熟食、不同豬肉摻假比例的兔肉熟食的近紅外光譜特征。將全光譜劃分為15個(gè)子區(qū)間，以第3區(qū)域建立PLS模型。經(jīng)過小波分析后建立BP-ANN模型，進(jìn)行兔肉熟食識(shí)別。研究結(jié)果表明，PLS模型和BP-ANN模型均具有較好的識(shí)別能力，對(duì)兩模型進(jìn)行驗(yàn)證，PLS模型中的各摻假比例相對(duì)誤差均低于8%；BP-ANN模型中的各摻假比例相對(duì)誤差均低于6%，且均隨摻假比例的提高而降低。由此可見，可以利用基于計(jì)算機(jī)圖像處理技術(shù)(圖像預(yù)處理及建立PLS模型、BP-ANN模型)與紅外特征光譜融合的檢測(cè)方法來進(jìn)行兔肉熟食的識(shí)別，該方法具有快速、準(zhǔn)確、適用范圍廣的特點(diǎn)。