高光譜圖譜融合檢測羊肉中飽和脂肪酸含量

王彩霞， 王松磊， 賀曉光， 董 歡

寧夏大學(xué)農(nóng)學(xué)院， 寧夏 銀川 750021

引 言

脂肪酸是影響羊肉品質(zhì)的重要因素之一[1]。 羊肉中的脂肪酸主要為飽和脂肪酸(SFA)， 其含量與人體血液中的膽固醇水平有密切關(guān)系[2]。 傳統(tǒng)的脂肪酸檢測方法主要為氣相色譜法， 雖檢測精度較高， 但操作復(fù)雜， 耗時耗力[3]。 因此， 對羊肉中脂肪酸含量進行快速無損檢測具有重要意義。

高光譜成像技術(shù)具有快速無損、 圖譜合一的優(yōu)點， 可以同時實現(xiàn)光譜分析和圖像處理。 國內(nèi)外學(xué)者利用高光譜圖譜融合技術(shù)對果蔬類產(chǎn)品品質(zhì)研究較多[4-5]， 但在肉品領(lǐng)域涉及較少。 趙娟等[6]基于主成分紋理特征建立的牛肉嫩度線性判別模型預(yù)測集判別精度達94.44%； 邢素霞等[7]利用高光譜成像圖譜合一的特點， 通過訓(xùn)練后的K-means-RBF神經(jīng)網(wǎng)絡(luò)對20個雞肉測試集樣品進行分類， 正確率達100%。 關(guān)于羊肉中SFA含量的研究尚未見報道。 因此， 我們利用高光譜圖譜融合技術(shù)對羊肉中SFA含量進行預(yù)測， 提出一種基于分段閾值法的感興趣區(qū)域(ROI)提取方法； 通過不同的光譜預(yù)處理及特征波長提取方法建立不同的預(yù)測模型， 優(yōu)選出最佳光譜信息建模方法。 同時， 探討了光譜信息和紋理信息對羊肉中SFA含量預(yù)測性能的影響， 通過繪制SFA含量分布的偽彩色圖， 實現(xiàn)對羊肉中SFA含量的無損檢測及分布可視化表達。

1 實驗部分

1.1 樣本采集

羊肉樣本采自寧夏鹽池縣鑫海清真食品有限公司及甘肅臨夏農(nóng)貿(mào)市場。 經(jīng)屠宰后置于4 ℃下冷藏24 h進行排酸處理。 排酸結(jié)束后， 取羊胴體背最長肌、 前腿肉及后腿肉進行分割， 剔除表面多余的油脂和筋膜， 放入保溫箱運至實驗室， 貯藏在4 ℃冷柜備用。 光譜掃描前將肉樣整形切塊(大小約為40 mm×20 mm×10 mm)， 共獲得羊肉樣本141個(其中， 背最長肌、 前腿肉及后腿肉樣本數(shù)分別為53， 41和47個)。

1.2 高光譜成像系統(tǒng)及圖像獲取

高光譜成像儀為美國Headwall Photonics公司生產(chǎn)的HyperSpec Vis-NIR。 該儀器包括： 成像光譜儀(Imspector N系列， Golden Way Scientific Co., Ltd., US)、 G4-232增強型EMCCD相機(Golden Way Scientific Co.， Ltd.， US)、 光源系統(tǒng)由2個線光源(90～254 VAC, 47～63 Hz, Golden Way Scientific Co., Lab., EQUIP)、 VT-80精密電控位移平臺、 計算機和數(shù)據(jù)采集軟件(Hyperspec-N for AndorLuca Rev A.3.1.4.vi， Headwall Photonics Instruments Co., Ltd., Beijing, China)等組成。 成像光譜儀共有125個波段， 光譜分辨率為2.8 nm， 狹縫寬度25 μm， 相機像素尺寸8.0 μm。

光譜掃描前， 高光譜儀器預(yù)熱30 min。 同時， 將肉樣放置于室溫， 待肉樣中心溫度達到室溫水平后， 用濾紙吸干樣品表面的水分， 進行光譜掃描。 光譜掃描時光源強度、 傳感器中暗電流的存在、 曝光時間以及肉樣表面紋理形狀、 色澤等都會影響光譜信息采集。 因此， 圖像采集前需進行黑白校正并設(shè)置合理的掃描參數(shù)。 經(jīng)預(yù)試驗最終確定采集參數(shù)為： 物距為360 mm， 掃描速度設(shè)置為200 μm·s-1， 成像光譜儀曝光時間為30 ms， 線掃描實際長度為60 mm， 最終可獲得成像光譜分辨率為320 pix×360 pix×125 pix立方光譜圖像。

1.3 SFA含量測定

羊肉中SFA的測定根據(jù)Floch[8]的方法略作修改。 具體方法見文獻[9]。

GC條件： HP-5MS色譜柱 (30 m×0.25 mm， 0.25 μm)， 進樣口溫度250 ℃， 檢測器溫度200 ℃， 升溫程序： 70 ℃保留1 min， 以5 ℃·min-1升溫到210 ℃， 保留96 min。 利用計算機NIST 0.5譜庫數(shù)據(jù)庫檢索， 對比MS圖庫中的標準譜圖來確認羊肉中的脂肪酸成分， 通過內(nèi)標十一烷酸定量。

1.4 數(shù)據(jù)處理方法

1.4.1 感興趣區(qū)域(ROI)選取

由于羊肉表面不平整， 在采集高光譜圖像時肉樣與背景交界處會產(chǎn)生陰影區(qū)域。 同時， 肉樣表面水分分布、 光源照射均一度以及少量筋膜的存在等都會對光譜信息的采集造成影響。 為消除這些影響， 利用ENVI軟件中閾值分割法進行ROI選取。 首先對原始光譜圖像進行掩膜處理， 得到掩模圖像， 再將掩模圖像應(yīng)用于整個高光譜圖像上， 得到去除背景干擾的高光譜圖像。 然后對亮斑、 筋膜及肌肉部分分別設(shè)置閾值進行分割。

1.4.2 光譜特征信息提取

原始光譜數(shù)據(jù)維度較高， 信息冗余。 為提高預(yù)測模型性能， 需對光譜數(shù)據(jù)進行特征波段提取。 連續(xù)投影算法(SPA)[10]是一種矢量空間共線性最小的前向變量選擇算法， 通過從自變量中選取最低限度冗余信息的變量組， 可得到共線性小、 冗余度低的特征波長， 提高了建模效率和模型準確性。 變量組合集群分析法(VCPA)[11]作為一種較新的特征變量篩選方法， 通過二進制矩陣采樣法(BMS)進行模型種群分析， 并利用指數(shù)衰減函數(shù)(EDF)迭代進行變量篩選， 將被選頻率較大的剩余變量進行組合作為最終選擇出的特征波長變量。 加權(quán)β權(quán)重系數(shù)是根據(jù)建立的PLSR模型得到回歸系數(shù)曲線圖， 基于局部絕對值最大的原則挑選特征波長的方法。

1.4.3 圖像紋理信息提取

采用灰度共生矩陣法(GLCM)[12]提取圖像紋理信息。 對高光譜圖像進行主成分分析得到前5個主成分圖像， 選取表達信息量最多的圖像進行紋理信息提取。 利用Matlab中的graycomatrix函數(shù)， 設(shè)置距離參數(shù)值為1， 依次取0， 45°， 90°和135°方向下的能量、 熵、 同質(zhì)性和相關(guān)性[13]來描述圖像紋理信息。 由于所得信息維度較大， 故以四個紋理信息的平均值和標準差代表最終的紋理信息。 每個樣本可以獲取8個參數(shù)值來表示該樣本的紋理信息。

1.4.4 建模方法

比較了偏最小二乘回歸模型(PLSR)與最小二乘支持向量機模型(LS-SVM)對羊肉樣本SFA含量的預(yù)測效果。 PLSR作為一種多變量回歸分析方法， 可對光譜數(shù)據(jù)進行降維， 對數(shù)據(jù)信息進行綜合篩選， 并對兩組變量間的相關(guān)性進行分析等， 具有較高的建模穩(wěn)定性。 LS-SVM是在SVM基礎(chǔ)上改進的用于解決模式分類和函數(shù)估計問題的支持向量機， 它采用最小二乘線性系統(tǒng)作為損失函數(shù)， 有較強的非線性處理能力， 有效地簡化了計算的復(fù)雜性[14]。

模型性能由相關(guān)系數(shù)(r)和均方根誤差(RMSE)綜合評價， 性能較好的模型具有較高的r值和較低的RMSEC/RMSEP。 模型的r越大， 穩(wěn)定性越好； RMSE越小， 模型預(yù)測能力越好。

數(shù)據(jù)處理及分析基于ENVI 4.8(ITT Visual Informagtion Solutions， Boudler， USA)； Matlab 2016a (The MathWorks Inc. Massachusetts， USA)； The Unscramber X 10.1(CAMO AS， Oslo， Norway)等軟件實現(xiàn)。

2 結(jié)果與討論

2.1 羊肉樣本的光譜特征分析

采用分段閾值法進行ROI選擇。 筋膜區(qū)域閾值設(shè)為0.37～0.43， 高于0.43的樣本部分定義為亮斑區(qū)域， 低于0.37但高于0.1的樣本部分為肌肉。 由圖1可知， 在670～830 nm波段， 亮斑、 筋膜及肌肉部分的光譜反射率相差較大； 亮斑和筋膜部分的反射率明顯高于肌肉部分。 因此， 只選擇肌肉部分用于確定ROI。

圖1 羊肉樣品中不同區(qū)域的光譜特征圖

采集的高光譜原始光譜如圖2所示。

圖2 羊肉樣品原始光譜曲線

利用SPXY法對141個羊肉樣本按接近3∶1的比例劃分為校正集105個與預(yù)測集36個。 共測得37種脂肪酸。 其中SFA共有17種。 羊肉樣本SFA含量化學(xué)檢測及統(tǒng)計結(jié)果如表1所示。

對劃分后羊肉樣本的光譜數(shù)據(jù)進行預(yù)處理， 采用卷積平滑(SG)、 區(qū)域歸一化(Area normalize)、 基線校正(Baseline)、 標準正態(tài)變量變換(SNV)及多元散射校正(MSC)等方法對原始光譜進行預(yù)處理， 結(jié)合PLSR模型建模， 獲取校正集、 預(yù)測集的相關(guān)系數(shù)與其均方根誤差。 表2表示不同預(yù)處理方法建立的PLSR模型比較結(jié)果。

表1 羊肉樣本飽和脂肪酸含量統(tǒng)計結(jié)果

表2 不同預(yù)處理方法的PLSR建模結(jié)果

由表2可知， PLSR模型校正集與預(yù)測集相關(guān)系數(shù)差異不顯著， 說明校正集樣本SFA含量選擇范圍較好的涵蓋了預(yù)測集樣本。 與原始光譜建模效果比較， 經(jīng)過預(yù)處理后模型的校正集相關(guān)系數(shù)略有下降， 尤其經(jīng)Baseline法預(yù)處理后的光譜， 其校正集相關(guān)系數(shù)僅為0.911。 分析其原因， 基線校正法在使測量結(jié)果處于同一標準的過程中刪除了部分有效信息。 經(jīng)SNV法預(yù)處理后的光譜所建模型的校正集與預(yù)測集相關(guān)系數(shù)均高于原始光譜， 均方根誤差小于原始光譜， 表明SNV消除了羊肉樣本表面不平整、 表面散射及光程差異造成的影響， 提高模型的穩(wěn)健性及預(yù)測準確性， 因此采用SNV法對光譜數(shù)據(jù)進行預(yù)處理， 處理后的光譜曲線如圖3所示。

圖3 羊肉樣品SNV預(yù)處理光譜曲線

2.2 特征波長提取

采用SPA， VCPA和β權(quán)重系數(shù)法進行光譜數(shù)據(jù)特征波長提取。 其中， SPA法中設(shè)置特征波長選擇范圍為5～30。 VCPA法中采用5折交叉驗證， 采樣次數(shù)設(shè)置為1 000， 迭代次數(shù)為50， 變量子集中優(yōu)秀子集所占的比率0.1。β權(quán)重系數(shù)是反映評價指標重要程度的量化系數(shù)， 系數(shù)越大， 說明該指標對總目標影響越大。 在PLSR模型建立過程中， 得到前三個主成分累計貢獻率為99%， 故選前三個主成分進行特征波長提取。 三種方法提取的信息如圖4(a)—(c)所示。

圖4 特征波長提取

由圖4可知， 在400～1 000 nm波段總共有125個波段， 但與SPA含量特征相關(guān)的特征波段為數(shù)甚少。 從4(a)可以看出， SPA法提取的特征波長在各波段分布較為均勻， 表明通過SPA方法確定特征波長與SFA含量相關(guān)性較大； 圖4(b)中篩選出的特征波長較分散， 主要集中在880～950 nm的短波近紅外波段， 此波段與SFA含量相關(guān)的信息較多； 由圖4(c)可知， 前3個主成分的波峰波谷位置較為明顯， 在603～665及670～760 nm波段內(nèi)權(quán)重系數(shù)也出現(xiàn)少量波峰波谷， 但權(quán)重值較小， 與原始光譜相比較， 所含信息量不足以確定為特征波長。 特征波長提取結(jié)果見表3。

2.3 紋理特征提取

對羊肉樣本圖像進行主成分分析。 提取前5個主成分(累計貢獻率為99%)， 主成分圖如圖5所示。 選擇表達信息量最多的PC1進行紋理特征提取。 采用GLCM法依次取0， 45°， 90°和135°方向下的能量、 熵、 同質(zhì)性和相關(guān)性進行圖像紋理信息提取。 結(jié)果以四個紋理信息的平均值和標準差來表示， 數(shù)據(jù)保存在141×8的矩陣中。

表3 特征波長提取結(jié)果

圖5 羊肉樣本的前5個主成分圖像

2.4 數(shù)據(jù)建模分析

2.4.1 特征光譜建模分析

對表3提取出的特征變量分別運用PLSR和LS-SVM進行建模分析。 結(jié)果見表4。

表4 不同模型和特征波長的預(yù)測結(jié)果

由表4可知， 除β權(quán)重系數(shù)法提取的特征波長所建的PLSR模型效果較差外， 其他模型的校正集與預(yù)測集相關(guān)系數(shù)均達到0.85。β權(quán)重系數(shù)法提取特征波長相對較少， 但有效信息損失較大， 不利于提高模型預(yù)測效果。 PLSR模型中SPA波長提取方法所建模型的準確率略優(yōu)于VPCA。 LS-SVM模型中SPA法校正集的r略低， 但預(yù)測集r與RMSEP較VCPA更優(yōu)。 所以， 選擇SPA為最佳特征波長提取方法， 并且非線性的LS-SVM模型效果明顯優(yōu)于線性PLSR模型。 因此， SPA-LS-SVM法建模效果最佳。

2.4.2 圖譜特征融合建模分析

根據(jù)2.4.1的建模結(jié)果， 融合建模方法基于SPA法提取的特征波長進行。 將光譜特征與紋理特征融合優(yōu)化， 建立基于光譜信息與紋理特征融合的預(yù)測模型。 并對建模結(jié)果進行比較。 結(jié)果如表5所示。

表5 特征波長與紋理信息融合模型的預(yù)測結(jié)果

由表5可知， PLSR模型校正集與預(yù)測集相關(guān)系數(shù)分別為0.907 1和0.907 8， 較特征光譜模型分別增加了0.02和0.03， 均方根誤差分別為0.326 9和0.299 2， 較特征光譜模型分別增加0.03和0.04； LS-SVM模型校正集與預(yù)測集相關(guān)系數(shù)分別為0.920 6和0.894 6， 較特征光譜模型分別增加了0.02和0.002， 均方根誤差分別為0.251 9和0.245 8， 較特征光譜模型分別減少了0.02和0.002。 光譜信息預(yù)測結(jié)果與圖譜特征融合預(yù)測結(jié)果相比， 融合建模結(jié)果略優(yōu)， 但總體而言差異不顯著。 說明在信息融合的過程中， 紋理特征雖攜帶了部分有效信息， 但這些信息與羊肉樣本中SFA含量的相關(guān)性較小。

2.5 羊肉樣本飽和脂肪酸含量分布可視化

為了直觀表述高光譜模型預(yù)測效果， 對羊肉中SFA含量進行可視化分析。 根據(jù)2.4中的建模結(jié)果分析可知， 雖LS-SVM建模效果優(yōu)于PLSR法， 但LS-SVM模型結(jié)構(gòu)較復(fù)雜， 花費時間較長。 因此樣本中SFA含量分布可視化的研究采用SPA法提取出的特征波長所建立的PLSR預(yù)測模型進行。 模型方程如下所示

Y=-3.01+2.05X449.4+4.08X463.8+9.90X468.6+13.49X579.0-16.92X588.6+14.86X603.0+13.41X756.7+37.39X881.5-35.22X924.7+23.05X958.3-22.42X987.1+16.88X991.9

將圖像中像素點的數(shù)據(jù)代入到預(yù)測模型中， 得到每個像素點的賦值， 然后根據(jù)賦值大小對像素點進行顯色處理， 顯色原則用Jet色度帶所示。 主要操作過程為： 采用ENVI軟件對高光譜圖像進行掩膜處理去除背景， 得到樣本掩膜后的二值化圖像， 后把此圖像應(yīng)用至125個波段的高光譜圖像獲取掩膜后圖像， 將圖像信息用三維數(shù)據(jù)矩陣表征， 然后利用PLSR模型獲取與SFA含量相關(guān)的回歸系數(shù)， 使特征圖像每個像素點分別與代表SFA特征的回歸系數(shù)相乘， 根據(jù)矩陣賦值大小對像素點進行顯色處理。

可視化處理過程及結(jié)果如圖6所示。 紅色區(qū)域表示SFA含量較高， 藍色為背景色設(shè)定參數(shù)為0， 顏色隨SFA含量降低從紅色向藍色漸變， 樣本不同區(qū)域顏色差異及深淺表示該像素對應(yīng)的SFA含量。

圖6 羊肉樣本飽和脂肪酸含量分布圖

由圖6可知， 樣本邊緣部分偏藍色， 肌間脂肪較多的部分顏色偏紅。 分析其原因， 羊肉中的SFA在脂肪中分布較多。 樣本邊緣部分較為平滑， 大理石花紋不顯著， 所以肌間脂肪含量較少顏色偏藍， 樣品中間部分大理石花紋明顯， 肌間脂肪含量也較多故顏色偏紅。 因此SFA在肌間脂肪部分含量較高。 通過可視化圖能對羊肉樣本中SFA的含量分布更直觀了解。

3 結(jié) 論

基于高光譜成像技術(shù)對羊肉中SFA含量進行檢測分析。 主要結(jié)論有：

(1)通過5種不同預(yù)處理方法對羊肉樣本光譜信息進行預(yù)處理， 優(yōu)選出SNV法為最佳方法。 基于特征波長建立的PLSR與LS-SVM模型預(yù)測效果均較好。 其中， SPA法提取的12個特征波長建模結(jié)果優(yōu)于其他兩種方法。 LS-SVM模型建模效果均優(yōu)于PLSR法， 光譜數(shù)據(jù)的最優(yōu)建模方法為SPA-LS-LSVM。

(2)基于圖譜信息融合建模時， 圖譜融合模型較特征光譜模型性能略好， 但優(yōu)勢并不顯著。 圖譜信息融合建模需各信息均為有效信息， 通過GLCM提取的紋理特征雖攜帶了部分有效信息， 但這些信息與羊肉樣本中SFA含量的相關(guān)性較小。 因此， 尋找圖像紋理信息與羊肉SFA含量之間的相關(guān)性是提高模型性能的重要途徑。

(3)通過羊肉樣本SFA含量分布可視化圖， 可知SFA主要分布在肌間脂肪含量較多的部分， 肉樣邊緣含量較低。 在后續(xù)工作中， 將對其他脂肪酸含量及分布進行進一步研究。