基于多光譜圖像技術(shù)的冷鮮羊肉新鮮度檢測(cè)

馬嬌妍 ，曹希越 ，韓憲忠，王克儉，淑英，王媛

1.河北農(nóng)業(yè)大學(xué)（保定 071000）；2.國(guó)家羊肉加工技術(shù)研發(fā)專業(yè)中心-衡水志豪畜牧科技有限公司（衡水 053000）

羊肉味道鮮美，既能抵御風(fēng)寒又可補(bǔ)身體，隨著羊肉銷量逐漸增加[1]，消費(fèi)者對(duì)羊肉品質(zhì)的要求越來越高，食品安全問題受到關(guān)注[25]。冷鮮肉在4 ℃下進(jìn)行儲(chǔ)藏，和家用冰箱溫度相符。在冷藏期間肉類的新鮮度會(huì)隨著時(shí)間增加而變化，經(jīng)研究發(fā)現(xiàn)，揮發(fā)性鹽基氮（TVB-N）[14]在腐敗過程中使蛋白質(zhì)分解并產(chǎn)生化學(xué)物質(zhì)，這種物質(zhì)對(duì)肉類營(yíng)養(yǎng)價(jià)值造成很大影響，pH是肉類最基本的檢測(cè)指標(biāo)，可作為反映肉類新鮮程度的主要指標(biāo)。目前該項(xiàng)工作的重點(diǎn)任務(wù)，一是原料肉品質(zhì)提升技術(shù)：通過改善飼料品質(zhì)、加強(qiáng)飼養(yǎng)管理、減少農(nóng)獸藥殘留等技術(shù)，提供優(yōu)質(zhì)原料肉；加強(qiáng)宰前管理，減少宰前應(yīng)激，利用宰后排酸成熟技術(shù)，肉品摻假技術(shù)檢測(cè)，保障原料肉品品質(zhì)。二是加工過程控制技術(shù)：利用腌制、滾揉、凍結(jié)等技術(shù)，研究發(fā)色劑、品質(zhì)改良劑等作用，開發(fā)出羊肉調(diào)理制品。三是產(chǎn)品質(zhì)量控制技術(shù)：研究天然保鮮劑、包裝技術(shù)，利用數(shù)學(xué)模型推測(cè)肉中微生物變化，以延長(zhǎng)產(chǎn)品貨架期。任務(wù)目標(biāo)為：以河北省羊肉品牌“愛揚(yáng)”為中心，打造“愛揚(yáng)”系列羊肉調(diào)理制品。

冷鮮羊肉儲(chǔ)藏期間依據(jù)傳統(tǒng)的檢測(cè)方法例如各種感官判定、理化分析等，耗費(fèi)時(shí)間長(zhǎng)、有損害，依據(jù)如今快節(jié)奏的生活發(fā)展，需要找一種快速、精準(zhǔn)、無損傷的檢測(cè)方法[2,26]。2016年，汪明輝[13]檢測(cè)標(biāo)準(zhǔn)有通過腐敗分解產(chǎn)物特異性和數(shù)量變化進(jìn)行分析，采用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，從而預(yù)測(cè)肉類的新鮮度。近些年，新鮮度檢測(cè)更傾向于檢測(cè)TVB-N[11]，利用高光譜成像技術(shù)[8,22]、近紅外光譜[16,24]、多光譜技術(shù)[6]等在進(jìn)行肉品新鮮度快速無損檢測(cè)。2017年，姜新華[4]從不同理化成分和微生物的變化進(jìn)行檢測(cè)，通過對(duì)4種指標(biāo)建立新鮮度等級(jí)劃分，發(fā)現(xiàn)在新鮮度的建模上采取BP網(wǎng)絡(luò)進(jìn)行分類的精度更高。趙晶等[9]針對(duì)橫山羊肉在不同儲(chǔ)藏溫度下進(jìn)行羊肉DNA質(zhì)量的變化，發(fā)現(xiàn)不同溫度下貯藏新鮮度不同，理化性質(zhì)也隨著時(shí)間的延長(zhǎng)，發(fā)生不同程度的變化。但是沒有檢測(cè)pH、TVB-N對(duì)羊肉品質(zhì)方法的影響。

多光譜成像技術(shù)（300～1 700 nm）[12,15]具有精度高、分辨率高等特點(diǎn)，利用光譜技術(shù)可通過光譜數(shù)據(jù)對(duì)肉類指標(biāo)進(jìn)行定量分析。但近幾年在冷鮮羊肉預(yù)測(cè)與分級(jí)方面的研究仍不足，依據(jù)市場(chǎng)研究調(diào)查，大多數(shù)消費(fèi)者采用冷鮮的方式較多，因此有必要開展對(duì)冷鮮羊肉新鮮度的快速檢測(cè)研究。

選取樣品為冷鮮羊肉，采取部位是羊里脊，基于多光譜技術(shù)在羊肉檢測(cè)的應(yīng)用，將光譜數(shù)據(jù)利用不同預(yù)處理方法[3,5]提高建模性能，通過建立偏最小二乘模型選取最優(yōu)預(yù)處理方法，建立光譜數(shù)據(jù)的偏最小二乘[17]、灰色馬爾科夫[18]、邏輯回歸的預(yù)測(cè)模型[19]和KNN[10]分級(jí)模型，選取最優(yōu)模型，為相關(guān)研究提供參考。

1 材料與方法

1.1 材料

試驗(yàn)時(shí)間為7～8月，樣品取自河北省保定市某屠宰場(chǎng)，主要取自2歲左右小尾寒羊的羊里脊部位，將脂肪剔除后，把購(gòu)買的肉用保鮮膜包裝，放入4 ℃冰箱中進(jìn)行冷藏。將采買后的肉按照每份20 g（大小約30 mm×25 mm×6 mm）與10 g（大小約25 mm×20 mm×5 mm）進(jìn)行切塊，共80份，其中40份是用于檢測(cè)TVB-N，40份用于檢測(cè)pH。將分好的樣本儲(chǔ)藏在溫度4 ℃冰箱中，每天取出3個(gè)樣本進(jìn)行檢測(cè)，進(jìn)行光譜檢測(cè)，再用化學(xué)方法檢測(cè)TVB-N含量與pH，到羊肉變質(zhì)時(shí)結(jié)束試驗(yàn)。

1.2 儀器與設(shè)備

多光譜圖像采集系統(tǒng)為海洋光學(xué)的微型光譜儀NQ512-1.7、NQ51B0844（光學(xué)分別率3.1 nm FWHM w/25 μm狹縫，波長(zhǎng)范圍320～1 700 nm，數(shù)據(jù)獲取源于Oceanview軟件，光源為HL-2000系列鹵鎢光源，Ocean Optics（Shanghai）Co.，Ltd.）。

1.3 方法

1.3.1 多光譜圖像采集

由于羊肉的脂肪部分對(duì)光譜的反射會(huì)有影響，故將樣本中羊肉多余的脂肪與筋膜剔除掉。整個(gè)光譜檢測(cè)的過程均在暗箱中完成，采集前需要將儀器預(yù)熱30 min，把羊肉放在載物臺(tái)上進(jìn)行掃描，采集時(shí)需要設(shè)置好積分時(shí)間與移動(dòng)速度。試驗(yàn)設(shè)置積分時(shí)間100 ms、滑動(dòng)平均寬度3、平均掃描次數(shù)15，經(jīng)過黑白校正后的反射率在電腦上自動(dòng)顯示，每次掃描10個(gè)點(diǎn)，每次采集后取平均光譜作為參考光譜。

1.3.2 pH與TVB-N的測(cè)定

按照GB 5009.237—2016《食品安全國(guó)家標(biāo)準(zhǔn) 食品pH值的測(cè)定》測(cè)定pH[20]；按照GB/T 5009.44—2003《肉與肉制品衛(wèi)生標(biāo)準(zhǔn)的分析方法》測(cè)定TVB-N含量[21]，采用半微量定氮法。

1.3.3 多光譜數(shù)據(jù)預(yù)處理

采用MATLAB與SPSS軟件進(jìn)行數(shù)據(jù)預(yù)處理并進(jìn)行特征波長(zhǎng)提取操作，采用一階導(dǎo)、二階導(dǎo)、標(biāo)準(zhǔn)正態(tài)、矢量歸一化、小波變換這5種數(shù)據(jù)預(yù)處理方法，對(duì)羊肉的pH與TVB-N的原始全波段光譜進(jìn)行預(yù)處理?；赑LSR模型基礎(chǔ)上將原始光譜數(shù)據(jù)與預(yù)處理方法進(jìn)行對(duì)比。預(yù)測(cè)模型用均方根誤差（δRMSE）、相關(guān)系數(shù)（R）進(jìn)行判別。

1.3.4 模型建立

試驗(yàn)采用PLSR、灰色馬爾科夫、logistics這3種模型建立冷鮮羊肉的預(yù)測(cè)模型及分級(jí)模型，分級(jí)模型采用K近鄰（KNN）算法[7]與PLSR算法，根據(jù)國(guó)家標(biāo)定的新鮮度分級(jí)標(biāo)準(zhǔn)，將冷鮮羊肉分為“新鮮”“次新鮮”“變質(zhì)”，兩者用識(shí)別率進(jìn)行比較，選取最優(yōu)模型。針對(duì)光譜數(shù)據(jù)與建模算法的處理采用MATLAB R2016a軟件進(jìn)行處理。

2 結(jié)果與討論

2.1 多光譜反射率曲線分析

對(duì)冷鮮羊肉樣品的光譜數(shù)據(jù)進(jìn)行采集，得到的光譜曲線如圖1所示。

光譜儀器在掃描過程中不同區(qū)域的反射率不同，其中，冷鮮羊肉的反射率在450～500 nm波段，光譜反射率偏高，540～680 nm波段，光譜反射率偏低。反射率在9～45之間部分的為新鮮羊肉反射率，50以上部分為次新鮮反射率，9以下為變質(zhì)羊肉反射率，差異性還是明顯可區(qū)分的，為冷鮮羊肉的新鮮度判別提供可靠信息。

在可見光區(qū)域中，由于羊肉的化學(xué)成分有所差異，產(chǎn)生的近紅外吸收基團(tuán)都是C—H、N—H、O—H等含氫基團(tuán)，且可見光波段的反射顏色隨時(shí)間的變化由鮮紅色變?yōu)榘导t色，反射率就會(huì)不同，所以在光譜上會(huì)呈現(xiàn)不同差異。

圖1 冷鮮羊肉原始光譜曲線圖

2.2 pH與TVB-N結(jié)果分析

平均pH隨儲(chǔ)藏時(shí)間的變化趨勢(shì)如圖2所示。

隨著冷藏時(shí)間變長(zhǎng)，pH呈現(xiàn)先下降后上升趨勢(shì)，這是由于羊肉受體內(nèi)微生物生長(zhǎng)，肌肉中的物質(zhì)酵解會(huì)對(duì)pH產(chǎn)生影響。但整體趨勢(shì)呈上升趨勢(shì)，意味著羊肉在逐漸變質(zhì)。

由圖3可以得知，隨冷藏時(shí)間增加，TVB-N含量不斷增加，證明羊肉在不斷變質(zhì)。

圖2 pH隨冷藏天數(shù)的變化

圖3 TVB-N含量隨冷藏天數(shù)的變化

2.3 數(shù)據(jù)預(yù)處理方法的選擇

光譜采集系統(tǒng)放置于暗箱中，用于減少外界光源的干擾，另外有一臺(tái)計(jì)算機(jī)連接光譜儀，用于獲取光譜掃描后的數(shù)據(jù)。由于多光譜檢測(cè)之后的數(shù)據(jù)量太大，檢測(cè)時(shí)會(huì)受到周圍環(huán)境、測(cè)量條件等多方面因素的影響，取得的數(shù)據(jù)存在無用信息與噪聲，會(huì)對(duì)后期建立預(yù)測(cè)模型與分級(jí)模型造成影響，為降低干擾、提高信噪比，所以需要對(duì)數(shù)據(jù)進(jìn)行處理。

不同顏色代表不同時(shí)間的光譜反射率。從圖4中得知，冷鮮羊肉光譜數(shù)據(jù)和TVB-N、pH建立的偏最小二乘模型，二階導(dǎo)的處理性能最優(yōu)，可以減少較多光線與噪聲的干擾，可以提高光譜與TVB-N、pH之間的線性關(guān)系。

從圖4中不同預(yù)處理和原始光譜的對(duì)比可以得出，經(jīng)過數(shù)據(jù)預(yù)處理后的數(shù)據(jù)去除了噪聲與無關(guān)信息的干擾，從中提取出有用并且準(zhǔn)確的數(shù)據(jù)信息。

二階導(dǎo)進(jìn)行數(shù)據(jù)預(yù)處理的方法是為了減少不同數(shù)據(jù)組分之間的相互干擾，經(jīng)過處理后的光譜數(shù)據(jù)可以放大光譜中微弱的有用信號(hào)。表1是5種預(yù)處理方法基于偏最小二乘模型下得到的冷鮮羊肉回歸模型結(jié)果。

經(jīng)過二階導(dǎo)處理后的光譜曲線的波段范圍在600～1 000 nm，R=1.001 3，δRMSE=1.378 9，可以較好預(yù)測(cè)冷藏期間的羊肉新鮮度。

圖4 不同數(shù)據(jù)預(yù)處理結(jié)果

表1 不同數(shù)據(jù)預(yù)處理評(píng)價(jià)結(jié)果

2.4 建模方法及建模結(jié)果的比較分析

不同建模方法對(duì)數(shù)據(jù)得出的效果不同。采用偏最小二乘（PLSR）、灰色馬爾科夫、logistic模型與TVB-N、pH進(jìn)行模型的建立，并進(jìn)行分析與比較，用R、δRMSE作為評(píng)價(jià)模型的指標(biāo)，從而確定最優(yōu)模型。

偏最小二乘建?？梢圆檎倚迈r度指標(biāo)與光譜反射率之間的關(guān)系，原理是將自變量數(shù)據(jù)矩陣x（光譜反射率）與因變量數(shù)據(jù)矩陣y（新鮮度指標(biāo)pH、TVB-N）構(gòu)成數(shù)據(jù)表X、Y，從中提取能夠代表各自表中變異信息的成分t1、u1，并且兩成分的相關(guān)性強(qiáng)，建立X對(duì)t1的回歸、Y對(duì)u1的回歸，不斷迭代直到達(dá)到精度要求為止，進(jìn)行殘差矩陣對(duì)提取出的m個(gè)t1進(jìn)行回歸，變?yōu)閅對(duì)x的回歸方程。具體建模步驟為

1) 將自變量新鮮度指標(biāo){x1,x2,...,xp}，因變量光譜反射率{y1,y2,...,yq}進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化，得到標(biāo)準(zhǔn)化變量矩陣E0和標(biāo)準(zhǔn)化列向量f0。

2) 從標(biāo)準(zhǔn)化變量矩陣中提取第一個(gè)成分，并經(jīng)E0和f0在t1上的回歸。并在此基礎(chǔ)上提取第二個(gè)成分，不斷迭代。

3) 實(shí)施f0對(duì)t1,t2,…,tm的回歸：=r1t1+r2t2+…+rmtm寫成xj（j=1,…,p）形式。

在得到回歸方程后就可對(duì)模型進(jìn)行檢驗(yàn)，用判定系數(shù)R與均方根誤差δRMSE進(jìn)行模型判定，相關(guān)系數(shù)越接近1越好，與此同時(shí)均方根誤差越小越好。

式中：n是樣本數(shù)，個(gè)；yi為第i個(gè)樣本的實(shí)際值；為第i個(gè)樣本的預(yù)測(cè)值；是所樣本的平均值；R是采用PLS主成分?jǐn)?shù)。

灰色馬爾科夫建模方法主要是根據(jù)狀態(tài)轉(zhuǎn)移變化，計(jì)算初始狀態(tài)轉(zhuǎn)移概率矩陣并進(jìn)行預(yù)測(cè)，最終得到預(yù)測(cè)出的新鮮度指標(biāo)，適用于數(shù)據(jù)較少、變化浮動(dòng)不是很大的時(shí)間序列。

logistics模型可以說是線性回歸的優(yōu)化，可以實(shí)現(xiàn)多重回歸，對(duì)不連續(xù)因變量的回歸可以有效地進(jìn)行求解，把在線性回歸中離散的點(diǎn)的反射率映射到0到1之間，由直線變?yōu)榍€可以更好地對(duì)新鮮度指標(biāo)進(jìn)行預(yù)測(cè)。

2.4.1 TVB-N建模結(jié)果

采用PLSR方法進(jìn)行模型的建立，其中R與δRMSE分別是0.983 5和1.599 7，均高于灰色馬爾科夫模型與logistics模型。

圖5為基于TVB-N與光譜數(shù)據(jù)的冷鮮羊肉預(yù)測(cè)模型，左圖為邏輯預(yù)測(cè)模型，右圖的PLSR預(yù)測(cè)模型，對(duì)比可得，右圖為PLSR模型預(yù)測(cè)效果最優(yōu)?；赥VB-N與光譜數(shù)據(jù)的預(yù)測(cè)模型的結(jié)果如表2所示。

偏最小二乘（PLSR）適合自變量的情況下進(jìn)行回歸并建立模型，并且適合樣本個(gè)數(shù)少于變量數(shù)的條件下建模，模型中的以光譜反射率作為擬合的自變量，pH與TVB-N為應(yīng)變量。根據(jù)判別系數(shù)建立PLSR預(yù)測(cè)模型的相關(guān)系數(shù)達(dá)到0.983 5，效果均高于灰色馬爾科夫與logistics模型。

圖5 基于TVB-N與光譜數(shù)據(jù)的冷鮮羊肉預(yù)測(cè)模型

表2 基于TVB-N與光譜數(shù)據(jù)不同模型預(yù)測(cè)結(jié)果

2.4.2 pH建模結(jié)果

基于pH與光譜數(shù)據(jù)預(yù)測(cè)模型如圖6所示。

在預(yù)處理后的數(shù)據(jù)分別采用邏輯模型、PLSR模型進(jìn)行預(yù)測(cè)，結(jié)果表明圖6中右圖效果最優(yōu)。

圖6 基于pH與光譜數(shù)據(jù)的冷鮮羊肉預(yù)測(cè)模型

由表3可知，采用PLSR方法進(jìn)行預(yù)測(cè)模型建立，其中R與δRMSE分別是0.997 3和0.038 3，均高于灰色馬爾科夫模型與logistics模型。

表3 基于pH與光譜數(shù)據(jù)不同模型預(yù)測(cè)結(jié)果

2.5 分級(jí)模型的比較

試驗(yàn)在基于TVB-N預(yù)測(cè)模型的基礎(chǔ)上對(duì)冷鮮羊肉進(jìn)行分級(jí)模型的建立。根據(jù)國(guó)標(biāo)可知，肉中TVB-N＜ 15 mg N/100 g時(shí)為新鮮，15～25 mg N/100 g為次新鮮，＞25 mg N/100 g為變質(zhì)。從圖2中可以發(fā)現(xiàn)在前2和3 d時(shí)冷鮮羊肉處于新鮮狀態(tài)，在第13天之后已經(jīng)變質(zhì)。

k近鄰分類算法是將在特征空間中的k個(gè)最相似的樣本中的大多數(shù)分為一類。新鮮度的劃分按照規(guī)定分為3類，類別較少適用于KNN算法。算法采用歐氏距離方法，通過已知類別的點(diǎn)與當(dāng)前點(diǎn)的距離，選擇出與當(dāng)前距離最小的k個(gè)點(diǎn)并確定前k個(gè)點(diǎn)所在類別的出現(xiàn)概率，跟出現(xiàn)頻率最高類別作為當(dāng)前點(diǎn)的預(yù)測(cè)分類。

分級(jí)模型采用的是k近鄰模型（KNN）與PLSR模型進(jìn)行分級(jí)，將羊肉分為3類：新鮮、次新鮮、變質(zhì)，分別用0，1和2表示。由結(jié)果可以得出KNN算法在k值為2時(shí)識(shí)別率最高，可達(dá)到90%，PLSR的識(shí)別率為80%，顯然KNN的分級(jí)效果優(yōu)于PLSR和logistics的分級(jí)結(jié)果。結(jié)果如表4所示。

表4 PLSR分級(jí)結(jié)果

3 結(jié)論

對(duì)新鮮度指標(biāo)pH與TVB-N含量的變化進(jìn)行規(guī)律總結(jié)與分析，通過不同預(yù)處理方法利用偏最小二乘方法進(jìn)行預(yù)測(cè)模型建立，得到羊肉pH和TVB-N含量的最優(yōu)光譜預(yù)處理方法：二階導(dǎo)，在此基礎(chǔ)上進(jìn)行PLSR、logistics、灰色馬爾科夫預(yù)測(cè)模型建立，并選出最優(yōu)建模方法，均為PLSR，pH最優(yōu)模型的R、δRMSE分別為0.997 3和0.038 3，TVB-N最優(yōu)模型的R、δRMSE分別為0.983 5和1.599 7，預(yù)測(cè)結(jié)果很好。KNN模型、logistics與PLSR算法進(jìn)行冷鮮羊肉分級(jí)模型的建立，結(jié)果表明KNN分級(jí)結(jié)果最準(zhǔn)確，識(shí)別率可達(dá)99%。因此，利用多光譜技術(shù)的冷鮮羊肉新鮮度分析與分級(jí)可行。