高光譜成像的牛肉丸摻假檢測

孫宗保， 王天真， 李君奎， 鄒小波， 梁黎明， 劉小裕

江蘇大學(xué)食品與生物工程學(xué)院， 江蘇 鎮(zhèn)江 212013

引 言

肉丸是一種有著獨(dú)特口感的肉類深加工產(chǎn)品， 深受人們喜愛。 相比于豬肉、 雞肉、 魚肉等其他原料肉， 牛肉的蛋白質(zhì)含量較高、 肌纖維較粗， 因而加工特性更好， 牛肉丸也比其他肉丸更有彈性和嚼勁。 在我國， 以廣東潮汕地區(qū)制作的牛肉丸最為著名。 然而， 有不法商販?zhǔn)芾骝?qū)使， 在牛肉中摻入豬肉、 雞肉等廉價(jià)肉制作肉丸冒充純牛肉丸售賣。 這種行為不僅擾亂市場秩序， 還會(huì)引發(fā)一些宗教問題。 廣東省發(fā)布地方標(biāo)準(zhǔn)中明確規(guī)定汕頭牛肉丸中牛肉占原料肉的比例須大于90%[1]。 因而有必要研究快速檢測牛肉丸摻假的方法。

目前， 常用的肉類產(chǎn)品摻假鑒別方法有蛋白質(zhì)組學(xué)分析法[2]、 DNA分析法[3]、 傳感器法[4]和光譜法[5-8]等。 這些檢測方法各有其優(yōu)缺點(diǎn)。 蛋白質(zhì)組學(xué)分析法檢測結(jié)果準(zhǔn)確， 但所用設(shè)備價(jià)格昂貴， 重復(fù)性較差。 DNA分析法檢測限低、 靈敏度高， 但操作復(fù)雜， 且同樣存在重復(fù)性差的問題。 傳感器法有著快速無損的優(yōu)點(diǎn)， 然而其結(jié)果不夠準(zhǔn)確。 光譜法不僅快速無損， 且準(zhǔn)確度高， 近年來在肉品摻假檢測方面得到越來越廣泛的應(yīng)用。

高光譜成像技術(shù)作為光譜法的一種， 不僅具有光譜技術(shù)的常規(guī)優(yōu)點(diǎn)， 而且較其他光譜技術(shù)有著更加全面的信息。 高光譜成像能夠以數(shù)百個(gè)波長同時(shí)對(duì)樣本連續(xù)成像， 同步獲取樣本的光譜和圖像信息[9]， 有著數(shù)據(jù)量豐富、 分辨率高的特點(diǎn)。 但同時(shí)高光譜成像也存在光譜信息重疊、 冗余的問題， 需要通過特征波長的篩選來提升模型效率和精度。 高光譜成像在無損檢測肉品摻假方面已有較多的應(yīng)用。 Ropodi等[6]利用高光譜成像結(jié)合PLS-DA和LDA判別模型鑒別摻有豬肉的牛肉樣本， 結(jié)果表明， 兩種建模方法均可以較好地區(qū)分摻假樣本， 識(shí)別率分別為98.48%和96.97%。 Kamruzzaman等[7]利用高光譜成像預(yù)測牛肉中摻馬肉含量， 采用不同的方法處理光譜數(shù)據(jù)并建立偏最小二乘模型(PLS)， 模型預(yù)測集相關(guān)系數(shù)達(dá)到0.98。 Wu等[8]研究了高光譜預(yù)測蝦中摻假物明膠含量的可行性， 使用無信息變量消除(uninformative variable elimination, UVE)和連續(xù)投影法(successive projections algorithm, SPA)的組合篩選了最佳波長， 建立的LS-SVM模型預(yù)測集相關(guān)系數(shù)達(dá)0.965， 并實(shí)現(xiàn)了蝦中明膠含量的分布可視化。 上述研究證實(shí)了高光譜檢測肉品摻假的可行性， 然而目前未見高光譜應(yīng)用到牛肉丸摻假檢測的報(bào)道。

根據(jù)唐穗平等[10]的調(diào)查， 豬肉和雞肉是市場上最主要的牛肉丸摻假物。 因此， 利用高光譜成像系統(tǒng)采集摻有不同比例豬肉和雞肉的牛肉丸的信息， 對(duì)光譜信息進(jìn)行預(yù)處理后建立全波段偏最小二乘(partial least squares, PLS)摻假含量量預(yù)測模型， 而后采用SPA、 競爭性自適應(yīng)重加權(quán)算法(competitive adaptive reweighted sampling, CARS)、 聯(lián)合區(qū)間偏最小二乘法(synergy interval partial least squares, siPLS)和聯(lián)合區(qū)間偏最小二乘-競爭性自適應(yīng)重加權(quán)(synergy interval partial least squares-competitive adaptive reweighted sampling, siPLS-CARS)篩選特征波長， 建立PLS摻假含量預(yù)測模型， 以期為牛肉丸摻假快速檢測提供參考。

1 實(shí)驗(yàn)部分

1.1 樣本制備

實(shí)驗(yàn)所用牛腿肉、 豬肉、 雞腿肉、 淀粉、 調(diào)味料(食鹽、 白糖、 味精、 黑胡椒粉、 料酒)均購于鎮(zhèn)江麥德龍超市； 肉彈素、 谷氨酰胺轉(zhuǎn)氨酶(TG酶)均購于河南千志商貿(mào)有限公司。

牛肉丸制作方法參照文獻(xiàn)[11]。 肉丸制作配方： 每1 kg原料肉中加入淀粉100 g、 食鹽25 g、 白糖20 g、 肉彈素5 g、 味精4 g、 黑胡椒粉5 g、 TG酶5 g、 料酒20 mL、 水200 mL。 工藝流程： 選料→清洗→瀝干→絞肉→斬拌→混料→煮制→冷卻→包裝。 首先制作原料肉全部為牛肉的牛肉丸， 再分別制作以牛肉糜混合不同比例豬肉糜和雞肉糜的牛肉丸， 摻假肉占原料肉質(zhì)量比分別為5%, 10%, 15%, 20%和25%。 總共得到11類樣本， 每類樣本30個(gè)平行， 共計(jì)330個(gè)樣本。

1.2 高光譜圖像采集

1.2.1 高光譜成像系統(tǒng)

采用的高光譜成像系統(tǒng)如圖1所示， 由江蘇大學(xué)食品無損檢測實(shí)驗(yàn)室自主研制。 系統(tǒng)硬件部分主要包括CCD攝像機(jī)(ImSpector V10E, Spectral Imaging Ltd, Finland)、 150 W光纖鹵素?zé)?Fiber-Lite DC950 Illuminator, Dolan-Jenner Industries Inc, America)、 精密電控平移臺(tái)(SC30021A, Zolix Instruments Ltd, China)、 電子控制箱(SC300-1A, Zolix Instruments Ltd, China)和計(jì)算機(jī)等。 軟件部分主要是SpectralCube (Spectral Imaging Ltd, Finland)。

圖1 高光譜成像系統(tǒng)

1.2.2 高光譜成像數(shù)據(jù)采集與標(biāo)定

在高光譜數(shù)據(jù)采集之前先打開系統(tǒng)預(yù)熱30 min， 以減少基線漂移帶來的的影響。 設(shè)置采集參數(shù)： CCD攝像機(jī)曝光時(shí)間為45 ms， 圖像分辨率618×1 628； 光譜范圍為431～962 nm， 光譜波長間隔為0.858 nm； 電控平移臺(tái)移動(dòng)速度為1.25 m·s-1。 采集時(shí)將牛肉丸樣本置于電控平移臺(tái)上， 打開平移臺(tái)的同時(shí)點(diǎn)擊保存按鈕采集高光譜數(shù)據(jù)， 最終得到樣本的三維數(shù)據(jù)模塊。

高光譜數(shù)據(jù)采集過程易受光強(qiáng)不均勻和暗電流等影響， 需要對(duì)獲取的原始圖像進(jìn)行黑白板校正。 校正公式如式(1)所示。

(1)

式中，R為校正后高光譜圖像；I為原始高光譜圖像；B為黑板標(biāo)定圖像；W為白板標(biāo)定圖像。

1.3 數(shù)據(jù)處理方法

1.3.1 高光譜成像的光譜數(shù)據(jù)提取

利用ENVI軟件打開校正后牛肉丸樣本高光譜圖像， 采用矩形工具選取每個(gè)樣本中心附近200像素×200像素的區(qū)域作為感興趣區(qū)域(region of interest, ROI)， 計(jì)算ROI內(nèi)所有像素點(diǎn)的光譜反射率的平均值作為此樣本的光譜數(shù)據(jù)。 330個(gè)樣本共得到330條平均光譜， 最終得到330×618的光譜數(shù)據(jù)集。

受環(huán)境條件和儀器運(yùn)行等因素的影響， 采得的信息中包含無用信息和噪聲。 為了減少散射光和噪聲等影響， 需要對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理[12]。 采用的預(yù)處理方法包括一階導(dǎo)數(shù)(first derivative, 1stDer)、 二階導(dǎo)數(shù)(second derivative, 2ndDer)、 均值中心化(mean centering, MC)、 多元散射校正(multiplicative scatter correction, MSC)、 卷積平滑(savitzky-golay, SG)、 標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate transformation, SNVT)。 通過對(duì)比不同預(yù)處理方法所建立模型的效果， 選取最佳預(yù)處理方法進(jìn)行后續(xù)數(shù)據(jù)處理。

1.3.2 光譜特征波長篩選

光譜信息數(shù)據(jù)量巨大， 且存在冗余信息。 為了提高模型的效率和精度， 對(duì)預(yù)處理后的光譜進(jìn)行特征波長的篩選。 采用連續(xù)投影法(SPA)、 競爭性自適應(yīng)重加權(quán)算法(CARS)、 聯(lián)合區(qū)間偏最小二乘法(siPLS)和聯(lián)合區(qū)間偏最小二乘-競爭性自適應(yīng)重加權(quán)(siPLS-CARS)四種篩選特征波長方法。 SPA通過比較不同波長之間投影向量的大小， 以投影向量最大的波長為待選波長， 并用校正模型選擇最終特征波長[13]。 SPA可以使變量之間共線性最小化， 很大程度上減少變量的個(gè)數(shù)。 CARS通過蒙特卡羅采樣隨機(jī)抽取校正集的一部分樣本建立 PLS 模型， 計(jì)算此次采樣中波長回歸系數(shù)的絕對(duì)值權(quán)重， 再利用指數(shù)衰減函數(shù)(exponentially decreasing function, EDF)去除絕對(duì)值較小的波長變量點(diǎn)， 剩余的變量以其回歸系數(shù)的絕對(duì)值作為權(quán)重采用自適應(yīng)重加權(quán)采樣(adaptive reweighted sampling, ARS)建立PLS模型并計(jì)算RMSECV， 當(dāng)RMSECV最小時(shí)對(duì)應(yīng)變量即為選擇的特征波長。 siPLS先將全波段分為若干個(gè)子區(qū)間， 然后通過計(jì)算從所有可能的區(qū)間組合模型中選擇出相關(guān)系數(shù)最大且RMSECV值最小的區(qū)間組合， 是一種高效的篩選特征區(qū)間方法[14]。 本研究提出的siPLS-CARS是聯(lián)用siPLS和CARS進(jìn)行波長篩選的一種方法， 先利用siPLS選擇最佳波長區(qū)間， 再利用CARS從最佳區(qū)間中篩選特征波長。 最后對(duì)不同波長篩選方法下建立的預(yù)測模型效果進(jìn)行比較。

1.3.3 摻假含量預(yù)測模型

通過建立PLS模型預(yù)測牛肉丸摻假含量。 PLS能夠充分提取數(shù)據(jù)的有效信息， 解決變量共線性的問題， 在光譜數(shù)據(jù)建模中應(yīng)用廣泛。 PLS模型預(yù)測效果的評(píng)估指標(biāo)為校正集相關(guān)系數(shù)(correlation coefficient of calibration,RC)、 預(yù)測集相關(guān)系數(shù)(correlation coefficient of prediction,RP)、 交叉驗(yàn)證均方根誤差(root mean square error of cross validation, RMSECV)和預(yù)測均方根誤差(root mean square error of prediction, RMSEP)。RC和RP越接近1， RMSECV和RMSEP越接近0時(shí)， 模型的預(yù)測效果越好。

2 結(jié)果與討論

2.1 光譜預(yù)處理

圖2(a)和圖3(a)分別為摻有豬肉和雞肉的牛肉丸樣本的原始光譜圖， 圖2(b)和圖3(b)為對(duì)應(yīng)平均光譜圖(均含有純牛肉丸光譜)。 從平均光譜圖中可以看出， 不同摻假含量的樣本光譜曲線趨勢相近， 但反射率存在差別， 摻假量越大， 反射率越大。 純牛肉丸和摻有豬肉的樣本平均光譜在710 nm處有反射峰， 這主要與O—H鍵的三級(jí)倍頻吸收有關(guān)[15]。 摻有雞肉樣本光譜在710 nm處反射峰不如摻有豬肉樣本明顯， 這是由于相比于豬肉， 雞肉與牛肉的差別更大。 從原始光譜圖中可以看出， 當(dāng)樣本數(shù)量較大時(shí)， 光譜曲線重疊嚴(yán)重， 無法通過肉眼從光譜曲線上進(jìn)行區(qū)分， 此時(shí)需要進(jìn)行數(shù)據(jù)處理以實(shí)現(xiàn)摻假量預(yù)測。

圖2 摻有豬肉的牛肉丸樣本原始光譜(a)與平均光譜(b)

圖3 摻有雞肉的牛肉丸樣本原始光譜(a)與平均光譜(b)

2.2 牛肉丸中摻假豬肉含量預(yù)測模型建立

2.2.1 全波段PLS模型

將不同預(yù)處理方法處理后的光譜以隨機(jī)分組的方式把180條豬肉摻假光譜的2/3劃分為校正集， 1/3劃分為預(yù)測集。 用PCA優(yōu)選前15個(gè)主成分， 作為模型的輸入建立PLS摻假含量預(yù)測模型。 模型的預(yù)測結(jié)果如表1所示， 可以看出， 光譜經(jīng)MSC預(yù)處理后建立的模型預(yù)測效果最好， 當(dāng)主成分?jǐn)?shù)為15時(shí)， 模型的RC和RP分別為0.951 5和0.948 1， RMSECV和RMSEP分別為0.026 9和0.026 1。

表1 基于不同預(yù)處理方法的牛肉丸中摻豬肉含量PLS模型預(yù)測結(jié)果

Table 1 Predictive results of PLS model of pork content adulterated in beef meatballs based on different pre-processing methods

預(yù)處理方法PCsRCRMSECVRPRMSEP1st Der100.946 30.028 70.930 10.029 32nd Der150.881 80.041 90.877 40.038 8MC110.936 50.031 60.928 70.028 8MSC150.951 50.026 90.948 10.026 1SG120.941 10.029 20.924 90.031 8SNVT140.948 70.026 20.944 60.030 5

2.2.2 特征波長篩選

全波段光譜數(shù)據(jù)量大且有冗余信息， 需要進(jìn)行特征提取以簡化模型、 提升模型效率。 分別采用SPA， CARS， si-PLS和siPLS-CARS四種方法篩選特征波長。 2.2.1已指出摻有豬肉的最佳預(yù)測模型預(yù)處理方法是MSC， 故對(duì)光譜數(shù)據(jù)進(jìn)行MSC處理后進(jìn)行特征波長篩選。

(1) SPA篩選特征波長

設(shè)置選擇特征波長數(shù)量范圍1～25， 根據(jù)均方根誤差(RMSEC)選擇波長， 選擇結(jié)果如圖4所示。 圖4(a)和(b)分別表示RESE變化趨勢和最終篩選的特征波長具體位置。 從圖4(a)中看出， 當(dāng)波長數(shù)量從1增加到13時(shí)， 均方根誤差(root mean square error, RMSE)的值程階梯狀下降， 隨后趨于穩(wěn)定。 最終選擇了13個(gè)特征波長(431.05, 442.63, 476.73, 502.69, 522.89, 555.88, 742.60, 786.19, 864.10, 878.14, 903.59, 927.31和948.39 nm)， 占全波段的2.10%， 特征波長具體位置如圖4(b)所示。

(2) CARS篩選特征波長

CARS篩選波長的過程如圖5所示。 采樣次數(shù)設(shè)置為100次， 圖5(a)為變量個(gè)數(shù)隨采樣次數(shù)的變化趨勢， 隨著采樣次數(shù)增加， 選擇的波長數(shù)量逐漸減少， 先快減后緩慢。 圖5(b)為RMSECV隨采樣次數(shù)變化趨勢， 一開始RMSECV緩慢減小， 說明一些無關(guān)變量在采樣過程中被去除。 而后RMSECV階梯上升， 一些關(guān)鍵變量被去除。 圖5(c)顯示采樣次數(shù)為44時(shí)， RMSECV最小， 此時(shí)共篩選了51個(gè)特征波長， 占全波段的8.25%。

圖4 SPA篩選波長結(jié)果

圖5 CARS篩選波長過程

(3) siPLS篩選波長

將預(yù)處理后的全光譜劃分為10～25個(gè)子區(qū)間， 分別聯(lián)合2， 3和4個(gè)子區(qū)間， 以RMSECV最小原則優(yōu)選特征子區(qū)間組合。 圖6顯示了最優(yōu)聯(lián)合子區(qū)間的位置。 從圖中可以看出， 當(dāng)把全光譜分為14個(gè)子區(qū)間， 聯(lián)合第1, 3, 7, 13子區(qū)間時(shí)， RMSECV最小。 每個(gè)子區(qū)間包含45個(gè)波長， 因此共篩選180個(gè)特征波長， 占全波段的29.13%。

(4) siPLS-CARS篩選特征波長

siPLS-CARS通過聯(lián)用siPLS和CARS實(shí)現(xiàn)特征波長的選擇。 將siPLS篩選所得波長區(qū)間作為新數(shù)據(jù)， 進(jìn)行CARS波長篩選， 結(jié)果如圖7所示。 從圖中可以看出， 當(dāng)采樣次數(shù)為9時(shí)， 篩選出32個(gè)特征波長， 占全波段的5.18%。

圖6 siPLS選擇最佳子區(qū)間

圖7 siPLS后CARS篩選波長過程

2.2.3 特征波長下PLS模型結(jié)果

不同特征波長篩選方法的PLS模型結(jié)果如表2所示。 可以看出， CARS篩選波長后建立的模型預(yù)測效果最佳， 模型的RC和RP分別為0.981 4和0.972 1， RMSECV和RMSEP分別為0.016 3和0.020 3。 SPA雖然極大地減少了特征波長數(shù)量， 但模型的預(yù)測效果不如全波段下預(yù)測效果。 siPLS篩選特征區(qū)間后模型精度沒有得到提升， 這是因?yàn)樗崛〉淖兞渴沁B續(xù)的， 相鄰或者相互之間可能會(huì)存在高度相關(guān)性。 siPLS-CARS相比于siPLS不僅有效地縮減了特征波長數(shù)量， 而且提高了模型預(yù)測的精度； 相比于CARS篩選波長更少， 但精度略低。 CARS波長篩選后模型最佳， 可以說明CARS可以有效去除無關(guān)變量。 siPLS-CARS作為一種新的特征波長篩選方法需要在更多實(shí)際應(yīng)用中測驗(yàn)其實(shí)用性。

表2 基于不同特征波長篩選方法的牛肉丸中豬肉含量的PLS模型預(yù)測結(jié)果

Table 2 Predictive results of PLS model of pork content adulterated in beef meatballs based on different characteristic wavelengths screening methods

模型特征波長篩選方法篩選波長數(shù)量RCRMSECVRPRMSEPPLSSPA130.914 50.033 60.906 20.038 6CARS510.981 40.016 30.972 10.020 3siPLS1800.943 20.027 70.906 90.037 2siPLS-CARS320.963 10.023 30.941 80.029 6

2.3 牛肉丸中摻雞肉含量預(yù)測模型建立

2.3.1 全波段下PLS模型結(jié)果

牛肉丸中摻雞肉全波段PLS建模方法同2.2.1， 結(jié)果如表3所示。 摻雞肉含量預(yù)測結(jié)果總體優(yōu)于摻豬肉結(jié)果， 這是因?yàn)殡u肉與牛肉差異更大。 經(jīng)1stDer預(yù)處理后建立的模型預(yù)測效果最好， 當(dāng)主成分?jǐn)?shù)為14時(shí)， 模型的RC和RP分別為0.9861和0.9807， RMSECV和RMSEP分別為0.014 3和0.016 5。

表3 基于不同預(yù)處理方法的牛肉丸中摻假雞肉含量PLS模型預(yù)測結(jié)果

Table 3 Predictive results of PLS model of chicken content adulterated in beef meatballs based on different pre-processing methods

預(yù)處理方法PCsRCRMSECVRPRMSEP1st Der140.986 10.014 30.980 70.016 52nd Der110.974 30.019 40.982 80.015 7MC150.982 80.015 50.976 20.019 4MSC140.976 50.019 00.986 20.013 3SG120.972 60.020 10.964 10.022 0SNVT150.984 00.014 90.975 30.020 6

2.3.2 特征波長的篩選

利用SPA篩選了15個(gè)特征波長(439.32, 448.43, 461.72, 467.55, 473.39, 493.46, 504.37, 591.63, 622.44, 695.72, 704.38, 726.08, 768.74, 922.04和952.78 nm)， 占全波段的2.43%。 CARS篩選了61個(gè)特征波長， 占全波段的9.87%。 siPLS選擇的最佳區(qū)間組合為： 將全光譜分為14個(gè)子區(qū)間， 聯(lián)合第7, 8, 11, 12四個(gè)子區(qū)間， 共180個(gè)特征波長， 占全波段的29.13%。 siPLS-CARS篩選了28個(gè)特征波長， 占全波段的4.53%。

2.3.3 特征波長下PLS模型結(jié)果

不同特征波長篩選方法的PLS模型結(jié)果如表4所示。 與摻豬肉預(yù)測結(jié)果類似， CARS篩選波長后建立的模型預(yù)測效果最佳。 此時(shí)， 模型的RC和RP分別為0.990 2和0.987 8， RMSECV和RMSEP分別為0.012 3和0.012 6。 這表明CARS在牛肉丸高光譜摻假檢測中能夠較好地去除無關(guān)變量、 提升模型效率和精確度， 可結(jié)合PLS模型用于實(shí)際檢測。 不同波長篩選方法對(duì)牛肉丸中摻雞肉含量預(yù)測趨勢上與摻含量豬肉基本相同。

表4 不同特征波長篩選方法的牛肉丸中雞肉含量的PLS模型預(yù)測結(jié)果

Table 4 Predictive results of PLS model of chicken content adulterated in beef meatballs based on different characteristic wavelengths screening methods

模型特征波長篩選方法篩選波長數(shù)量RCRMSECVRPRMSEPPLSSPA150.945 60.027 80.937 30.030 0CARS610.990 20.012 30.987 80.012 6siPLS1800.980 90.015 20.969 60.021 8siPLS-CARS280.982 30.016 00.972 30.020 3

3 結(jié) 論

利用高光譜成像進(jìn)行牛肉丸摻豬肉和雞肉檢測研究。 首先采用不同預(yù)處理方法建立全波段下PLS模型并比較得出最佳預(yù)處理方法， 然后用不同方法篩選特征波長建立PLS模型。 結(jié)果表明: (1)在1stDer， 2ndDer， MC， MSC， SG和SNVT預(yù)處理方法中， 牛肉丸摻豬肉和雞肉PLS預(yù)測模型最佳預(yù)處理方法分別為MSC和1stDer。 (2)在SPA， CARS， siPLS和siPLS-CARS四種特征波長篩選方法中， 牛肉丸摻豬肉和雞肉PLS預(yù)測模型最佳方法均為CARS， 分別篩選了51和61個(gè)特征波長。 此時(shí)， 摻豬肉PLS預(yù)測模型RC和RP分別為0.981 4和0.972 1， RMSECV和RMSEP分別為0.016 3和0.020 3。 摻雞肉PLS預(yù)測模型RC和RP分別為0.990 2和0.987 8， RMSECV和RMSEP分別為0.012 3和0.012 6。 摻雞肉預(yù)測模型效果整體好于摻豬肉。 研究表明采用高光譜成像技術(shù)可以實(shí)現(xiàn)牛肉丸摻豬肉和雞肉含量預(yù)測， 可為快速無損檢測牛肉丸摻假提供理論基礎(chǔ)。