基于高光譜多參數(shù)的冷鮮牛肉品質(zhì)快速檢測技術

方 瑤，謝天鏵，郭 渭，白雪冰，李鑫星*

1. 中國農(nóng)業(yè)大學信息與電氣工程學院食品質(zhì)量與安全北京實驗室，北京 100083 2. 中國農(nóng)業(yè)大學工學院，北京 100083

引 言

隨著生活物質(zhì)水平逐步提高，人們對于牛肉消費要求趨向于新鮮、 衛(wèi)生。但消費者在選擇好品質(zhì)的肉時只能根據(jù)肉類品種、 商家廣告等判斷肉類好壞[1]。目前，我國的肉類銷售仍以冷凍儲藏為主，長期的冷凍儲藏會導致冷鮮肉的質(zhì)量逐漸發(fā)生變化。使用傳統(tǒng)的理化分析法檢測肉質(zhì)時存在耗費試劑量大、 檢測周期長和人力要求高等問題[2]。通過基于高光譜多參數(shù)融合的冷鮮肉品質(zhì)無損檢測既可以避免傳統(tǒng)破壞性檢測對產(chǎn)品的破壞，又可以實現(xiàn)對產(chǎn)品準確、 快速的實時檢測[3]。

高光譜成像作為一項新興的檢測成像技術，具有無損、 快速、 精度高等優(yōu)勢，被廣泛應用于食品安全檢測中[4]。國內(nèi)外許多學者將高光譜技術應用于豬、 羊、 魚等[5-8]的肉質(zhì)檢測，He[9]等采用HSI技術成功在全波段內(nèi)預測了三文魚的硬度、 內(nèi)聚性、 黏性。有研究使用高光譜成像方法實現(xiàn)了冷藏腐敗過程魚肉蛋白質(zhì)和脂肪變化檢測。但很少有學者對冷鮮牛肉的品質(zhì)檢測進行研究。

牛肉質(zhì)地特性[10-12]，例如硬度、 回復性、 彈性、 粘著性、 膠著度、 咀嚼度等是決定肉類產(chǎn)品整體質(zhì)量的關鍵參數(shù)。因而冷鮮肉質(zhì)的測定對肉質(zhì)品質(zhì)檢測具有重要的意義。

以不同儲藏時間和溫度的冰鮮牛肉作為研究對象，重點分析研究在冰鮮牛肉冷凍儲藏處理過程中其蛋白質(zhì)構成的特性: 粘著性、 回復性等復雜變化。采集其對應的高光譜圖像，分別采用一階微分、 多元散射校正、 二元一階微分、 標準正態(tài)變換對高光譜數(shù)據(jù)進行預處理； 采用連續(xù)投影法(SPA)篩選出最優(yōu)波長； 分別使用偏最小二乘法(PLSR)和主成分回歸法(PCR)建立預測模型。最終建立基于特征波長的高光譜與多參數(shù)的冷鮮肉品質(zhì)檢測模型。

1 實驗部分

1.1 材料

實驗所用樣本為北京市美廉美超市所購買的新鮮的牛肉背部肌。購買后立即將牛肉分成126份，平均分配到0，4和8 ℃三個恒溫箱中，每個溫度下的每塊樣品使用無菌袋單獨包裝，進行編號，在每個溫度的恒溫箱中放入溫度記錄儀。實驗共進行十四天，每天從每個恒溫箱中取出三個樣本進行實驗。

1.2 儀器

高光譜圖像采集設備采用中國農(nóng)業(yè)大學信息與電氣工程學院的GaiaSorter高光譜分選儀，采集軟件為SpecView，選用波段為1 000～2 500 nm的近紅外光譜相機獲取冷鮮肉的光譜反射率，手動調(diào)節(jié)焦距至圖像最清晰，每次采集圖像后按式(1)進行黑白校準

(1)

式(1)中，Ra為隨機矯正后的高精度光譜波形圖像，Ba為標準校正黑板反射光譜圖像；Wa為標準白板反射光譜圖像；Ia為隨機利用高精度光譜圖像采集處理系統(tǒng)進行采集后得到的高精度光譜波形圖像。TPA(質(zhì)構分析)參數(shù)采集使用Stable Micro Systems質(zhì)構儀，采用圓柱型探頭，直徑為6mm，默認返回速度為4.5 mm·s-1，兩次壓縮等待時間間隔為2 s，每個樣本采樣三次。

1.3 光譜數(shù)據(jù)和質(zhì)構特性參數(shù)采集

冷鮮肉的貨架期一般為14 d，是理想的試驗周期。本研究以牛肉背部肌為試驗樣本，每天對0，4和8 ℃三個溫度下儲存的冷鮮牛肉采集3個樣本的高光譜圖像及質(zhì)構特性參數(shù)，取平均值。獲取高光譜數(shù)據(jù)的軟件為ENVI5.3。ENVI(the environment for visualizing images)是一個完整的專業(yè)遙感軟件圖像處理分析平臺，匯集于其中的遙感軟件圖像處理分析技術覆蓋遙感圖像處理數(shù)據(jù)的精確定標、 數(shù)據(jù)流的融合、 信息提取等各種信息變換。對每一幅高光譜圖像設置50×50的感興趣區(qū)域(region of interest, ROI)，計算所有興趣區(qū)域的高光譜圖像平均值, 得到表示所選感興趣區(qū)域的高光譜圖像反射率與光譜波長之間關系值的曲線, 將得到的光譜數(shù)據(jù)導出。實驗所研究的對象為牛肉背部肌，每一塊樣品中不均勻地分布著牛肉脂肪沉淀，手動選擇ROI區(qū)域可以一定程度排除脂肪沉淀干擾。

2 結(jié)果與討論

2.1 質(zhì)構特性參數(shù)分析

利用新型質(zhì)構儀器測定冷鮮牛肉質(zhì)構得到具有粘聚性、 回復性等六個主要質(zhì)構測量指標，指標在不同牛肉貯藏時間溫度下隨保存時間的變化趨勢顯示如圖1所示。硬度、 彈性、 咀嚼度、 膠著度隨時間變化未呈現(xiàn)明顯的遞增或遞減趨勢，說明大多數(shù)質(zhì)構參數(shù)指標波動大，測量時干擾較多，數(shù)據(jù)存在一定的誤差，建模時需要篩選指標以保障模型的精確度。其中，測量精度較高的指標有： 粘聚性、 回復性。隨時間下降，粘聚性和回復性下降趨勢明顯說明牛肉品質(zhì)隨著儲藏時間的增加而下降，新鮮度降低。0～5 d下降趨勢較緩，第6天以后下降速度加快，第11天左右出現(xiàn)上升趨勢。這可能是由于儲存后期肉質(zhì)腐敗程度大，導致大量水分丟失、 組織結(jié)構受到很大破壞、 底部效應增強所導致[13]。為了篩選精確度較高的質(zhì)構特性指標，建立質(zhì)構特性預測模型，結(jié)果如表1所示，粘聚性和回復性預測集準確度較高，其余指標預測集準確度均遠低于0.5，模型誤差超出容錯范圍，舍去。最終，選擇粘聚性和回復性作為參數(shù)建模。

圖1 不同質(zhì)構參數(shù)隨時間變化曲線(a): 硬度隨時間變化； (b): 彈性隨時間變化； (c): 咀嚼度隨時間變化；(d): 粘聚性隨時間變化； (e): 膠著度隨時間變化； (f): 回復性隨時間變化Fig.1 Curve of different texture parameters changing with time(a): Hardness over time; (b): Resilience of hardness over time; (c): Chewiness of hardness over time; (d): Cohesivencess of hardness time; (e): Stalemate of hardness over time; (f): Resilience of hardness over time

表1 質(zhì)構特性參數(shù)結(jié)果Table 1 Results of texture characteristic parameters

2.2 樣本集的劃分

分別采用Kennard-Stone和SPXY算法將實驗樣本劃分為訓練集和預測集，其中篩選出35個訓練集樣本，7個預測集樣本。KS算法通過歐氏距離選擇樣本進入訓練集，以充分保證樣本集的選取具有代表性和均勻性。SPXY在計算樣品間距離時將自變量和因變量同時考慮在內(nèi)。為了保證樣本模型分析精度能夠達到最佳，訓練樣本模型應該在結(jié)構組成上和性質(zhì)上與預測到的樣本模型基本相同。對每種方法得到的樣本劃分結(jié)果以粘聚性作為參數(shù)分別采用全波段建模以確定最終的數(shù)據(jù)劃分方式。

為了比較不同樣本劃分方式效果的優(yōu)劣，采用相對標準偏差RSD及相關系數(shù)R2作為指標選擇最佳預處理方法，結(jié)果如表2所示。由表2可知，經(jīng)過SPXY和KS劃分后的樣本數(shù)據(jù)建立的偏最小二乘模型訓練集和預測集相關系數(shù)分別為0.769 3和0.596 6，均優(yōu)于無劃分方式的相關系數(shù)0.554 7，說明樣本劃分的必要性。使用KS算法樣品劃分后的建模預測集相關系數(shù)為0.596 6。使用 SPXY算法樣品劃分后建模預測集相關系數(shù)為0.769 3。兩者相對標準偏差接近，SPXY劃分結(jié)果相關系數(shù)相較于KS算法更接近1。綜上所述，SPXY建模效果優(yōu)于KS算法，采用SPXY作為樣本劃分方式。

表2 不同樣本劃分方式結(jié)果Table 2 Results of different sample partitioning methods

2.3 光譜曲線分析與數(shù)據(jù)預處理

圖2為冰鮮牛肉原始光譜曲線。不同時間測量的光譜曲線整體趨勢相近。隨著儲藏時間延長，曲線在1 100 nm處峰值增加，1 200 nm處的峰谷降低，這可能是由于肌紅蛋白的轉(zhuǎn)化和降解。由于原始光譜包含許多噪聲干擾，例如光譜基線漂移，隨機噪聲等等，影響光譜建模的準確性，可導致模型的精確度降低，因此對原始光譜進行預處理十分必要。研究中使用一階微分、 二階微分、 多元散射校正、 標準正態(tài)變換對高光譜數(shù)據(jù)進行預處理，處理后采用全波段建模以確定最終預處理方式，結(jié)果如表3所示。

圖2 冰鮮牛肉原始光譜曲線Fig.2 Raw spectral curve of chilled beef

表3 不同預處理方式結(jié)果Table 3 Results of different pretreatment method

從表3數(shù)據(jù)可得，使用預處理后的光譜數(shù)據(jù)建立的冷鮮牛肉品質(zhì)模型的準確度總體上升。以粘聚性為參數(shù)時，經(jīng)SNV處理后光譜的模型準確度高于其他預處理方法，R2約為0.81，模型具有較高精度。在以回復性為參數(shù)建模時，D2st預處理效果最好，相關系數(shù)達到0.867 4，RSD為0.099 4。在選用不同質(zhì)構參數(shù)建立偏最小二乘模型時，相同預處理方法對模型的精確度的提升效果不同。由表3確定以粘聚性、 回復性為參數(shù)建模時分別采用SNV、 D2st作為原始光譜預處理方法。預處理后總體建模準確度在0.7～0.8左右，這可能是參數(shù)測量時存在較大誤差，數(shù)據(jù)波動性較大，穩(wěn)定性差的緣故。

2.4 特征波長的選擇

經(jīng)預處理后的全波段牛肉品質(zhì)預測模型的效果得到改善。全波段光譜存信息量過大且包含大量冗雜數(shù)據(jù)，因此預測模型需要優(yōu)化。主要使用連續(xù)投影法(SPA)對不同光譜的最優(yōu)波段進行篩選。SPA選擇含有最少多余信息的波長變量組合以最小化信息重復疊加。圖3展現(xiàn)了SPA應用算法分析得到的每個特征波長在SNV預處理后的全波段反射光譜上的幾個具體位置。SPA提取特征波長結(jié)果詳見表4。由表4可知，相比于無特征波長提取，SPA從原始光譜中提取了4個特征波長，有效減小了全波段建模包含的大量噪聲信息的缺點，使模型的精確度得到保障的同時提高了模型的運行速度。

圖3 SPA選取最優(yōu)特征波長Fig.3 Optimal wavelength selected by SPA

表4 提取特征波長后建模結(jié)果Table 4 Modeling results after feature wavelength extraction

2.5 模型建立

現(xiàn)階段常用的預測變量建模和計算方法主要有PLSR，PCR和ANN等。PLSR通過投影分別將要預測的變量和其他觀測變量映射到一個新的空間, 來幫助尋找一個基于線性回歸的模型。分別采用SNV和D2st對數(shù)據(jù)進行預處理。對提取特征波長后的光譜進行粘聚性、 回復性預測模型的建立和分析。結(jié)果如表5和表6所示。

表5 基于PLSR的建模結(jié)果Table 5 Modeling results based on PLSR

表6 基于PCR的建模結(jié)果Table 6 Modeling results based on PCR

由表5對比可知，使用PLSR建模時，以粘聚性和回復性為參數(shù)的模型精確度分別為0.879 8和0.880 6。使用PCR建模時，以粘聚性和回復性為參數(shù)的模型精確度分別為0.728 8和0.766 04?；赑LSR的牛肉品質(zhì)參數(shù)預測模型的相關系數(shù)總體較高于基于PCR模型的相關系數(shù)，說明PLSR的建模效果優(yōu)于PCR，這可能由于PCR模型中與組分值無關的一些變量可能也具有很大的權重，導致使用PCR建模存在一定的誤差。

2.6 模型可靠性驗證

對原始冷鮮牛肉高光譜數(shù)據(jù)進行預處理，采用SPA算法篩選出最優(yōu)波段，提取特征波段輸入PLSR算法中，構成基于高光譜的冷鮮牛肉粘聚性、 回復性的預測模型，得到不同質(zhì)構特性參數(shù)的預測值。最小二乘回歸結(jié)果如圖4(a,b)所示。

圖4 質(zhì)構參數(shù)回歸模型(a): 粘聚性真實值與預測值散點圖；(b): 回復性真實值與預測值散點圖Fig.4 Regression model of TPA(a): Scatter plots of true and predicted values of cohesivencess; (b): Scatter plots of ture and predicted values of resilience

結(jié)果表明： 基于SPA-PLSR的牛肉品質(zhì)預測模型具有較高的精度，當預測參數(shù)分別為粘聚性、 回復性的識別指數(shù)分別為0.856 6和0.840 7。

3 結(jié) 論

采用粘聚性、 回復性作為綜合評價冷鮮牛肉品質(zhì)的參數(shù)，建立了基于高光譜的牛肉品質(zhì)預測模型。采用SPXY對光譜進行樣本劃分，生成35個訓練集樣本和7個預測集樣本，分別使用SNV和D2st對原始光譜數(shù)據(jù)進行預處理。采用SPA提取特征波長，將特征波段和質(zhì)構特性參數(shù)作為PLSR輸入，建立了基于高光譜與牛肉品質(zhì)(粘聚性、 回復性)預測模型，模型相關系數(shù)分別為0.879 8和0.880 6。經(jīng)過模型數(shù)據(jù)可靠性檢驗，該質(zhì)構預測模型精確度較高，適用于對牛肉品質(zhì)的在線快速檢測。