多光譜成像技術在食品營養(yǎng)品質檢測方面的應用進展

,*

(1.華南理工大學食品科學與工程學院,廣東廣州 510640;2.華南理工大學現代食品工程研究中心,廣東廣州 510006;3.菏澤職業(yè)學院食品科學與化學工程系,山東菏澤 274000)

食品產業(yè)是關系民生的重要產業(yè),近幾十年來,隨著經濟的迅速發(fā)展和生活水平的提升,人們對食品營養(yǎng)的認識逐漸加深,食品營養(yǎng)品質逐漸成為影響食品消費的重要因素之一[1]。營養(yǎng)品質檢測主要針對兩個方面,一是食品中營養(yǎng)素的含量,如肉類中的蛋白質、脂質、水分含量,水果中的可溶性固形物、生物活性物質含量,以及作物的淀粉含量等;二是食品在加工、貯藏、運輸、銷售過程中,營養(yǎng)物質可能發(fā)生的物理或化學屬性上的變化。然而,許多營養(yǎng)品質的評價依舊采用復雜的、耗時的、破壞性的、甚至是經驗主義的方法進行檢測[2],如何快速、無損、準確地檢測食品營養(yǎng)品質已經成為研究的熱點。學者們利用聲學、光學、電磁學等手段對快速無損檢測技術進行了探索[3],高光譜成像技術受到了研究者們的關注。

與成像技術和光譜技術相比,高光譜成像技術將二者的優(yōu)勢結合起來,既能獲得空間的圖像信息,又可以得到光譜信息,從而形成可以反映食品物理及化學屬性差異的三維信息立方體(空間二維信息+一維光譜信息)[3],并且可以將屬性差異轉化為可視化的二維分布圖像。然而,由于高光譜成像技術需要采集和分析數百幅連續(xù)光譜范圍內的圖像,其運行速度大打折扣,尤其限制了其在工業(yè)生產實時檢測方面的潛力[4]。

多光譜成像技術作為對高光譜成像技術的一種改進技術,離散光譜范圍內收集和分析數據[5],從而大大簡化了數據,減少了冗余信息,提升了處理速度?；谶@個優(yōu)勢,多光譜成像技術在近年來被廣泛關注,該技術滿足了工業(yè)生產中對檢測技術的速度需求,為下一步開發(fā)快速無損、準確高效的實時檢測工具提供了可能[6]。目前為止,還沒有相關文獻對多光譜成像技術在食品營養(yǎng)品質檢測方面的研究進展進行綜述報道,因此,本文旨在對近五年多光譜成像技術在食品營養(yǎng)品質檢測領域的研究進展進行探討。首先介紹了多光譜成像技術原理以及對多光譜成像技術在肉品、果蔬、糧食作物的營養(yǎng)品質檢測方面的應用進行了分析,最后對多光譜成像技術目前的局限性和未來發(fā)展?jié)摿M行了探討。

1 多光譜成像技術

經典的多光譜成像系統(tǒng)主要由相機、過濾和分散裝置、光源、外殼和樣品載物臺等部件組成,反射光通過一定波段范圍的濾光鏡后進入成像系統(tǒng),形成樣本的多光譜信息。圖2為丹麥Videometer公司的VideometerLab多光譜成像儀,其在405～970 nm波段內選取了19個特殊波長(405、435、450、470、505、525、570、590、630、645、660、700、780、850、870、890、910、940、970 nm)進行信息采集,該系統(tǒng)在多項研究中得到了廣泛的應用[7-12]。多光譜成像系統(tǒng)與高光譜成像系統(tǒng)非常相似,但其不同之處在于,作為高光譜成像技術的改進,多光譜成像技術利用化學計量學分析手段,將高光譜成像數據中的有用信息進行放大,并去除了不需要的信息[13]。多光譜成像系統(tǒng)獲取的測試樣本圖像的光譜波段是離散的、不連續(xù)的、不規(guī)則的,而高光譜成像系統(tǒng)中的每一個像素都有完整的、連續(xù)的光譜,因此多光譜成像系統(tǒng)采集和分析信息的時間以及信息的復雜程度遠低于高光譜成像系統(tǒng)?；瘜W計量學分析技術的優(yōu)勢在于降低數據復雜程度,構建準確性高和魯棒性強的模型[14]。該技術主要分為兩部分:變量選擇算法和建模算法。變量選擇算法通常用于選擇信息最豐富的光譜區(qū)域以簡化建模,主要包括:主成分分析(Principal component analysis,PCA)[9]、連續(xù)投影算法(Successive projections algorithm,SPA)[15-16]、回歸系數分析(Regression coefficient,RC)[17-18]、無信息變量消除(Uninformation variable elimination,UVE)[19]、變量重要性指標(Variable importance in projection,VIP)[16]和遺傳算法(Genetic algorithm,GA)[20]等。常用的建模算法包括多元線性回歸(Multiple linear regression,MLR)[19,21],偏最小二乘回歸(Partial least squares regression,PLSR)[22-23],反向傳播神經網絡(Back-propagation neural network,BPNN)[11]和最小二乘支持向量機(Least-square support vector machine,LS-SVM)[15,24]等。模型建立后,需要用一些統(tǒng)計參數來評價模型的準確性,常用的統(tǒng)計參數有決定系數(Coefficient of determination,R2)、相關系數(Coefficient of association,R)、均方根誤差(Root mean square error,RMSE)。在每項試驗中,通常都要得到校準集、交叉驗證和預測集三組的統(tǒng)計參數[14]。此外,由于幾乎所有的有機化合物的主要結構和官能團都可以在可見/近紅外光譜(300～2500 nm)中檢測到,因此,多光譜成像系統(tǒng)的工作波段一般在可見及近紅外光譜區(qū)[25]。

圖1 VideometerLab多光譜成像系統(tǒng)[8] Fig.1 VideometerLab Instrument[8]注:(a)外觀;(b)內部構造。

2 多光譜成像技術在食品營養(yǎng)品質檢測中的應用

2.1 肉類營養(yǎng)品質檢測

通常所說的肉類一般包括畜肉、禽肉和水產品,富含優(yōu)質蛋白質、脂類、脂溶性維生素、維生素B族和礦物質等,是平衡膳食的重要組成部分[26]。隨著居民生活水平的提高,肉類消費量逐年增加。預計到2025年,世界肉品年消費量將增加到35649萬噸,中國肉品年消費量增加至9996萬噸[27],百姓對肉品營養(yǎng)品質的期望也隨著消費水平的提高而增加。因此,在進入市場流通前,必須對肉品的營養(yǎng)品質進行檢測,以保障肉品質量和實現不同質量肉品等級分級。

表1 多光譜成像在肉類營養(yǎng)品質檢測方面的應用 Table 1 Multispectral imaging for detection of meat nutritional quality

除了水分、脂肪、蛋白質等常見營養(yǎng)素外,多光譜成像技術還廣泛地應用于一些肉類中的特殊營養(yǎng)素的預測,如豬肉中的血紅素鐵和非血紅素鐵[8]、魚肉中的二十二碳六烯酸(Docosahexaenoic acid,DHA)、二十碳五烯酸(Eicosapentaenoic,EPA)[29]和蝦青素[30]、以及關鍵營養(yǎng)素的降解程度指標如硫代巴比妥酸值(Thiobarbituric acid reactive substances,TBARS)[31-32]、揮發(fā)性鹽基氮(Total volatile basic nitrogen,TVB-N)[33]等影響肉品新鮮度的指標。這些檢測都取得了良好的效果,說明多光譜成像技術有較大的潛力對肉類中的營養(yǎng)物質進行快速無損檢測。研究人員注意到,通過對肉品各種營養(yǎng)成分含量、分布情況及其隨條件變化的檢測,可以比較得出不同品種、不同環(huán)境條件下肉類品質的差異,進而可以對肉類進行鑒別與分類。余俊杰等[9]利用多光譜成像技術結合化學計量學方法,利用SVM建立分類模型,對不同方法處理的冷凍牛肉樣本進行鑒別分類,其預測集分類準確度為83.33%;Ropodi等[34]利用多光譜成像信息結合數據分析方法,建立two-step SVM分類模型,對摻有牛肉肉糜的馬肉肉糜進行鑒別區(qū)分,分類準確度高達95.31%;此外,Ropodi等[35]研究也表明,新鮮牛肉肉糜和不同冷凍時間的冷凍后解凍牛肉肉糜亦可以被多光譜成像技術準確分類,準確率達到100%。由此可知,多光譜成像技術在肉類分類分級和鑒別摻假肉類方面也有不錯的效果。

2.2 果蔬營養(yǎng)品質檢測

水果蔬菜一直是健康膳食的重要組成部分,其富含維生素(尤其是維生素A與維生素C)、人體所需的礦物質、水分、糖分和膳食纖維[40]。除了提供能量和營養(yǎng)外,果蔬還有預防某些疾病的功效[41]。過去幾十年間,果蔬消費量隨著經濟發(fā)展和人們對健康膳食了解的深入而快速增長,與此同時,消費者對果蔬營養(yǎng)品質的期望也逐漸變高。然而,果蔬的保質期較短不宜存放且在貯藏運輸銷售過程中營養(yǎng)物質變化較快,對其營養(yǎng)價值和消費價格影響較大,因此有必要對果蔬的營養(yǎng)品質進行快速無損檢測。

可溶性固形物含量(Soluble solids content,SSC)是指包括可溶性糖、酸、維生素、礦物質和纖維素等成分的綜合型指標,是評價果蔬營養(yǎng)品質的重要參數[3]。但是,現行的SSC檢測標準使用的方法是折射儀法[42],用時長且需要破壞樣品。因此,如何快速無損地檢測果蔬中的SSC一直是研究者們關注的重點。Liu等[10]利用多光譜成像系統(tǒng),對草莓的SSC進行預測,他們在405～970 nm的波段內選取了19個關鍵波長進行信息采集,建立BPNN模型,得到R2=0.689,預測結果一般。而Khodabakhshian等[43]建立的多光譜成像系統(tǒng),在400～1100 nm的波段內,選取六個關鍵波長(450、521、630、780、853、950 nm),利用MLR模型對石榴的SSC進行預測,得到R=0.97,取得了良好的效果。除了直接利用多光譜成像系統(tǒng)外,更多的研究是建立在高光譜成像的基礎上,利用變量選擇算法提取關鍵波長,然后建立多光譜模型對SSC進行預測。Li等[44]提出了MC-UVE和SPA的新變量選擇算法組合,并用該組合選取了18個關鍵波長,并用PLSR建立模型對鴨梨的SSC進行預測,得到預測集的R=0.88,RMSE=0.35°Brix,總體結果良好。在選取合適數量關鍵波長的情況下,多光譜模型既減少了需要處理的信息量,提升了處理速度,又能保證模型的準確性不受較大影響[45]。

除了可溶性固形物外,色素、酚類及黃酮類化合物也是果蔬中重要的營養(yǎng)物質。Liu等[11]利用VideometerLab多光譜成像儀,對番茄中的番茄紅素和總酚類物質進行檢測,通過BPNN模型,得到預測準確度分別為R2=0.938和R2=0.965。Shui等[24]也利用該多光譜成像儀對菊花中的木犀草素含量進行了研究,他們建立了LS-SVM模型,得到的預測準確度為R2=0.965。其他多光譜成像技術在果蔬營養(yǎng)品質檢測方面的應用見表2。

在實時檢測的研究方面,Liu等[12]利用VideometerLab多光譜成像儀,對胡蘿卜片在熱空氣中脫水的過程中的水分含量變化。他們選擇60 ℃的空氣溫度來模擬工業(yè)實踐并保持熱敏胡蘿卜成分的生物活性。為了獲得不同水分含量,將總共700個胡蘿卜切片在熱風烘箱中脫水7個時間段0、30、60、120、180、240和300 min(每個脫水期100個樣品)。研究者們利用BPNN模型對水分含量進行預測,得到結果為R2=0.991,顯示出良好的預測性。這個實驗也說明,多光譜成像技術有很大的潛力對加工過程中果蔬營養(yǎng)品質的變化進行實時檢測。

表2 多光譜成像在果蔬營養(yǎng)品質檢測方面的應用Table 2 Multispectral imaging for detection of fruit and vegetable nutritional quality

2.3 糧油作物營養(yǎng)品質檢測

糧油作物指谷類作物、薯類作物和豆類作物,一般作為人的主食,為人類提供淀粉、蛋白質、油脂和膳食纖維等營養(yǎng)物質。糧油作物種植范圍廣,種類繁雜,品質不一,因此多光譜成像技術對糧油作物的品質檢測主要集中于來源的區(qū)分和品種的鑒別方面。

Liu等[48]利用VideometerLab多光譜成像儀,對非轉基因水稻種子中混有的轉基因蘇云金芽孢桿菌水稻種子進行了鑒別,通過LS-SVM模型,達到了100%的鑒別率,達到了良好的分類效果。Sun等[52]利用高光譜成像系統(tǒng),在390～2548 nm的光譜范圍內,利用PCA選取9個關鍵波長,再通過建立的SVM模型對來自四個地區(qū)的不同水稻品種進行鑒別,準確率達到了91.67%。在玉米品種鑒別方面,Yang等[55]對糯玉米種子的胚芽側和胚乳側分別進行多光譜成像的鑒別,利用SPA在胚芽側選取26個關鍵波長,胚乳側選取19個關鍵波長,利用SVM進行建模,分類準確率在胚芽側高達98.2%,胚乳側亦高達96.3%,顯示出了良好的準確性。

除品種鑒別外,多光譜成像技術在針對某種糧油作物的特殊營養(yǎng)物質(如花生中的油脂、馬鈴薯中的淀粉、咖啡豆中的咖啡因等)檢測中也得到了廣泛的應用。Zhang等[56]在874～1734 nm范圍內利用高光譜成像系統(tǒng)進行信息采集,利用隨機蛙跳(Random frog,RF)選取了13個關鍵波長(1254、1257、1268、1278、1281、1291、1342、1352、1355、1359、1379、1392、1396 nm),PLSR模型獲得了滿意的效果,預測決定系數R2=0.878。Jin等[58]利用高光譜成像系統(tǒng)檢測花生中的含油量,在1000～2500 nm范圍內利用RC選擇了六個關鍵波長,建立PLSR模型預測五種花生中的含油量,預測決定系數R2=0.934,預測效果良好。

分時檢測在糧油作物方面同樣有相關研究,Sun等[60]將120個紫薯切片平均分成六組的六個不同干燥時長(0、30、60、120、180、240 min)進行超聲熱風聯(lián)合干燥。將干燥好的切片放入高光譜成像系統(tǒng)進行檢測,利用RC選取十個關鍵波長,然后建立MLR模型校準并預測切片水分含量,預測決定系數R2=0.9359,效果良好,同時反映出多光譜成像系統(tǒng)在食品干燥加工的實時檢測方面有很大的應用潛力。其他應用見表3。

表3 多光譜成像在糧油作物營養(yǎng)品質檢測方面的應用Table 3 Multispectral imaging for detection of oil and grain crops nutritional quality

3 多光譜成像技術的局限性

大量的研究表明,多光譜成像技術在快速無損檢測食品營養(yǎng)品質方面具有良好的可行性。然而,該技術的進一步發(fā)展還有較大的局限性:a.多光譜成像系統(tǒng)的設計需要耗費大量的時間和精力,選擇最優(yōu)算法組合和感興趣區(qū)域依然需要人工執(zhí)行;b.多光譜成像技術工作波段在可見及近紅外光譜區(qū),其他區(qū)域的信息利用有待探究;c.雖然多光譜成像可以快速無損檢測食品品質,但其檢測標準依舊需要靠傳統(tǒng)方法確定,是一種間接檢測方法;d.多光譜成像技術目前只用于實驗室環(huán)境,對環(huán)境復雜度高的工廠等環(huán)境的適應性還需要進一步提高。

首先,如何更加準確快速地選擇化學計量學分析方法是一個非常重要的問題。在本文報道的所有研究中,有超過一半的研究使用了高光譜成像系統(tǒng),利用關鍵波長選擇算法對關鍵波長進行選擇,簡化運算量,然后利用建模算法對所得數據進行建模分析,得到預測結果。然而,不同的變量選擇算法和建模算法,在預測同一食品中同一營養(yǎng)素含量和變化量時的準確性可能有所不同,合理地選擇算法可以提高預測的準確性。Dong等[15]在檢測蘋果營養(yǎng)品質時,分別運用SPA和UVE兩種波長選擇算法和PLSR、LS-SVM、BPNN三種建模算法進行排列組合,對SSC、水分含量進行預測。在比較PLSR,LS-SVM和BPNN模型的校準和預測性能時,發(fā)現LS-SVM在大多數情況下對于每個調查的質量參數具有比PLS和BPNN更好的性能。而且,使用變量選擇算法后,LS-SVM的預測能力有所提升。在比較SPA和UVE對預測結果的影響時發(fā)現,SPA對水分含量預測的提升效果較好,但對SSC的提升效果比UVE差,考慮到SPA的關鍵波長為23個,遠小于UVE的122個,大大減少了運算量,因此可以認為SPA-LS-SVM是預測蘋果營養(yǎng)品質的最佳算法組合。

但是不是所有食品中的不同營養(yǎng)素都能有一種最佳算法組合,Pu等[19]預測羊肉中的水分、蛋白質、脂肪,選擇了UVE-SPA-CSA-MLR算法組合,該組合對水分和脂肪的預測準確度較好(R水=0.92,R脂肪=0.98),但是對蛋白質的預測準確度一般(R蛋白質=0.67)。Rahman等[16]在對大蒜中SSC和大蒜素的預測中,對SSC和大蒜素使用了不同的算法組合,對SSC使用SPA-LS-SVM算法組合,得到R2=0.90;對大蒜素使用VIP-LS-SVM算法組合,得到R2=0.83,都得到了不錯的結果。除了對同一食品的不同品質預測之外,對同類食品的不同品種的營養(yǎng)物的預測也會受到算法組合的影響。Guo等[61]在預測西選、華優(yōu)兩種獼猴桃中SSC時,使用了SPA-LS-SVM算法組合,分別對西選、華優(yōu)以及兩品種混合選擇了9、9和19個關鍵波長,該組合對華優(yōu)和兩品種混合的預測效果較好,但略差于全光譜的LS-SVM模型;對于西選的預測準確度一般,但是優(yōu)于全光譜模型。

在實驗中,不同品種、不同營養(yǎng)品質、不同化學計量學分析方法都是決定實驗結果的變量。目前的研究里,對化學計量學分析方法的選擇和調整都是人工完成,不斷地試錯也耗費了大量時間成本,最終選擇的算法和模型也很難保證是最優(yōu)解。因此,化學計量學分析方法的選擇會限制多光譜成像技術向工業(yè)化實時檢測發(fā)展。

其次,雖然多光譜成像技術是一種快速無損的食品營養(yǎng)品質檢測技術,但是不能忽視的是,其本身目前是一種間接的檢測技術,需要依靠傳統(tǒng)破壞性實驗方法和校準集數據的結合確定標準,然后依據該標準對預測集樣品進行預測。Ma等[36]在預測豬肉背最長肌含水量時,先用傳統(tǒng)的烘箱干燥方法測得了樣品的水分含量,然后結合校準集校準PLSR模型,并最終進行預測,預測結果R2=0.966,體現了良好的效果。雖然目前來看多光譜成像技術有較好的預測準確性,但是花費在標準校正和選擇波長上的時間較多,限制了其在工業(yè)實時檢測應用上的發(fā)展?jié)摿Α?/p>

4 結論與展望

多光譜成像技術除了擁有“空間+光譜”三維信息立方體外,還通過化學計量學分析方法以及過濾與分散裝置獲得了離散光譜的數據,大大降低了數據復雜度,減少了處理時間,在工業(yè)化應用方面具有巨大潛力。本文綜述了近些年來多光譜成像技術在肉類營養(yǎng)品質和果蔬的營養(yǎng)品質快速無損檢測方面的研究進展。多光譜成像技術已被證實是一項性能良好、發(fā)展迅速的快速無損檢測技術。

多光譜成像技術是一門復雜的跨學科技術,涉及到食品科學、計算機科學、自動化控制等多個學科的交叉。在未來的發(fā)展中,建立自動化的算法選擇和感興趣區(qū)域選擇及建模方法將成為多光譜成像技術的研究重點和發(fā)展趨勢,建立自動選擇方法,以提升運算速度和準確度,提高普適性。如何進一步減少分析數據量也是研究的重點,減少數據量并且盡可能保持分析精度,可以大大提升運算速度。為實時檢測的發(fā)展做準備。在工業(yè)應用研究方面,未來發(fā)展過程中要通過跨學科合作建立硬件精度更高,程序更穩(wěn)定的系統(tǒng),以進一步適應更為復雜的檢測環(huán)境。