鄒金萍,章 帥,董文韜,章海亮*
1. 江西生物科技職業(yè)學(xué)院,江西 南昌 330013 2. 華東交通大學(xué)電氣與自動(dòng)化工程學(xué)院, 江西 南昌 330013
隨著水產(chǎn)經(jīng)濟(jì)的快速發(fā)展,消費(fèi)魚(yú)肉產(chǎn)品成為人們的一種日常習(xí)慣,因此水產(chǎn)品的品質(zhì)安全保障日益得到人們的關(guān)注,比如魚(yú)肉新鮮度準(zhǔn)確判別對(duì)漁業(yè)生產(chǎn)者,消費(fèi)者和零售商來(lái)說(shuō),都是一個(gè)很重要的問(wèn)題,不新鮮的魚(yú)肉產(chǎn)品輕微影響口感,嚴(yán)重一點(diǎn)影響消費(fèi)者的身體健康安全[1]。
具體到魚(yú)肉產(chǎn)品新鮮度指標(biāo)參數(shù)而言,有各種成分含量參數(shù)、 物理特性如魚(yú)肉肌肉彈性、 水分含量、 表面顏色變化和化學(xué)變化如微生物菌落總數(shù)、K值含量以及揮發(fā)性鹽基總氮(total volatile basic nitrogen, TVB-N)等[2-4]。其中TVB-N指魚(yú)、 肉類(lèi)樣品攪碎后經(jīng)離心機(jī)高速旋轉(zhuǎn)離心后靜置一段時(shí)間,上層浸液在弱堿性條件下能與水蒸汽一起蒸餾出來(lái)的總氮量。一般在低溫條件下,肉,魚(yú)類(lèi)揮發(fā)性鹽基氮的量達(dá)到30 mg/100 g時(shí),即認(rèn)為是肉質(zhì)變質(zhì)的標(biāo)志[2]。
采用化學(xué)方法檢測(cè)魚(yú)肉新鮮度參數(shù),通常都比較費(fèi)時(shí)、 程序繁瑣,需要對(duì)魚(yú)肉進(jìn)行破壞處理,且一般只能在實(shí)驗(yàn)室完成,不能用于現(xiàn)場(chǎng)原位檢測(cè),且需要接受過(guò)長(zhǎng)時(shí)間專(zhuān)門(mén)培訓(xùn)的人員才能勝任。物理方法檢測(cè)魚(yú)肉新鮮度參數(shù)往往又不夠準(zhǔn)確,不能夠數(shù)字化定量魚(yú)肉新鮮度參數(shù)。因此,需要一種能夠現(xiàn)場(chǎng)、 快速、 安全的檢測(cè)方法[5]。傳統(tǒng)圖像處理只能檢測(cè)外部空間屬性,隨著機(jī)器視覺(jué)技術(shù)發(fā)展,對(duì)外部空間檢測(cè)的精度越來(lái)越高,但還是無(wú)法對(duì)其內(nèi)部的品質(zhì)進(jìn)行準(zhǔn)確的定量表達(dá)[17]。近紅外光譜檢測(cè)雖然能檢測(cè)內(nèi)部的品質(zhì)屬性,如三文魚(yú)的TVB-N含量,但缺乏檢測(cè)分析外部空間屬性的能力[18]。高光譜成像檢測(cè)同時(shí)集合了兩種常規(guī)方法的特性[6],在每個(gè)光譜波段上生成高光譜圖像,既獲得了實(shí)驗(yàn)對(duì)象的光譜特性信息,又獲取了其外部的空間圖像信息,具有同時(shí)分析內(nèi)外部屬性的優(yōu)點(diǎn)。在國(guó)內(nèi)外,高光譜檢測(cè)三文魚(yú)的理化值已有一定的研究[3, 7-8],但是采用波長(zhǎng)范圍在900~1 700 nm的高光譜成像技術(shù)檢測(cè)三文魚(yú)TVB-N含量并同時(shí)進(jìn)行可視化處理,以此評(píng)價(jià)魚(yú)肉產(chǎn)品新鮮度相關(guān)研究報(bào)道卻很少。
本實(shí)驗(yàn)將100個(gè)魚(yú)肉樣本隨機(jī)分為校正集75個(gè)樣本和預(yù)測(cè)集25個(gè)樣本。首先獲取三文魚(yú)的高光譜信息和檢測(cè)TVB-N的含量,然后用LS-LVM和PLS建立模型,最后采用matlab2010a編程對(duì)圖像進(jìn)行處理,對(duì)三文魚(yú)的TVB-N含量進(jìn)行可視化表達(dá)。
從加拿大蒙特利爾當(dāng)?shù)厥袌?chǎng)購(gòu)買(mǎi)了五條三文魚(yú),每條重約1 kg,正負(fù)120 g誤差,并立即運(yùn)到實(shí)驗(yàn)室。新鮮三文魚(yú)被屠宰,斬首,掏內(nèi)臟,剝皮,收集,然后用冷水清洗。每條三文魚(yú)按照背面和反面(腹部)進(jìn)行分割處理,背面和反面(腹部)各10等分,每條三文魚(yú)制作成20個(gè)樣本,用塑料薄膜包裝在4 ℃下保存12 h,拿出樣本,在室溫條件下放置2 h,以模擬供應(yīng)鏈中的溫度條件。
圖像數(shù)據(jù)是利用如圖1所示的基于光譜儀的高光譜成像系統(tǒng)所獲取。整個(gè)系統(tǒng)主要包括一組CCD 攝像機(jī)(Hamamastsu), 一套150W的光纖鹵素?zé)?SCHOTT DCRⅢ),一臺(tái)ImSpector V10E高光譜攝像機(jī)(芬蘭Specimen公司),一組輸送裝置和計(jì)算機(jī)(HP,Inter Core i5-2320@3.00GHz)等部件組成。
圖1 高光譜圖像系統(tǒng)檢測(cè)原理圖Fig.1 Imaging system schematic diagram of hyperspectral
為了最大限度地減少背景噪聲以及成像系統(tǒng)物理配置差異的影響,需要將原始采集的高光譜圖像(R0)校準(zhǔn)到反射模式,并采集黑板(B)和標(biāo)準(zhǔn)白板(W)圖像數(shù)據(jù)用于校正分析。黑板圖像(~0%反射)是在用黑色蓋帽完全蓋住相機(jī)鏡頭后,通過(guò)記錄光譜圖像獲得的黑板數(shù)據(jù)。白板參考圖像數(shù)據(jù)是使用均勻的反光白色聚四氟乙烯(約99%反光)獲得的數(shù)據(jù)。校準(zhǔn)圖像(RC)由式(1)計(jì)算
(1)
式(1)中,B為黑板,W為標(biāo)準(zhǔn)白板,R0為原始高光譜成像數(shù)據(jù)。
將100個(gè)三文魚(yú)片放置在移動(dòng)平臺(tái)上,然后以1.58 mm·s-1的調(diào)整速度逐行掃描到攝像機(jī)的視野區(qū)域,進(jìn)行高光譜成像采集,平臺(tái)與樣本的垂直距離為40 cm,兩側(cè)的線光源投射夾角為90°。采集到的100幅高光譜圖像數(shù)據(jù)以原始格式生成、 記錄和存儲(chǔ)。
TVB-N含量采用蒸餾法測(cè)定[9],具體為,取10 g魚(yú)肉,90 mL高氯酸,魚(yú)肉搗碎并采用3 000轉(zhuǎn)·min-1的離心機(jī)運(yùn)行10 min。在蒸餾液中加入50 mL 30%氫氧化鈉,再蒸餾5 min,制得堿液。將蒸餾堿液收集在含有50 mL硼酸水溶液(40 g·L-1)的錐形瓶中,并將0.1 g甲基紅和0.1 g溴甲酚綠溶解到100 mL 95%乙醇中,形成混合指示劑。隨后,用0.01 mL鹽酸溶液滴定所得硼酸溶液。測(cè)定TVB-N值,根據(jù)鹽酸消耗量以mg N/100 g表示,重復(fù)測(cè)定三次,取平均值,結(jié)果如表1。
表1 采用傳統(tǒng)方法測(cè)量TVB-N含量(mg N/100 g)
圖2顯示了在900~1 700 nm波長(zhǎng)范圍內(nèi)魚(yú)肉樣本的高光譜圖像的平均反射光譜??梢悦黠@地看出,在7~17 mg N/100 g范圍內(nèi),不同TVB-N值的魚(yú)肉光譜,顯示出相似的趨勢(shì),但光譜幅度存在一些差異,這可能是由于魚(yú)肉鮮度損失過(guò)程中主要化學(xué)成分的變化所致。根據(jù)反射值,一個(gè)顯著的吸收峰位于約1 180 nm處,可能與有機(jī)飼料成分的殘留有關(guān)。
LS-SVM建模方法是一種經(jīng)典的非線性光譜數(shù)據(jù)建模方法,被廣泛應(yīng)用光譜分析領(lǐng)域,其利用非線性映射函數(shù)和映射特征到高維空間,采用拉格朗日乘子法計(jì)算各特征的偏微分,以達(dá)到最優(yōu)解[10-12]。PLS是一種線性建模方法,在化學(xué)計(jì)量分析中應(yīng)用很多,PLS將光譜波長(zhǎng)數(shù)據(jù)轉(zhuǎn)變?yōu)榫S度更小的潛在因子變量[13]。
圖2 不同TVB-N含量值三文魚(yú)樣本的光譜曲線圖Fig.2 The reflectance spectra of salmon fish filletsat different TVB-N values
采用LS-SVM和PLS建模后,預(yù)測(cè)三文魚(yú)TVB-N含量結(jié)果如表2,LS-SVM的校正集和預(yù)測(cè)集的決定系數(shù)分別為0.919和0.918,預(yù)測(cè)均方根誤差分別為2.292%和2.312%,PLS的校正集和預(yù)測(cè)集的決定系數(shù)分別為0.905和0.907,預(yù)測(cè)均方根誤差分別為2.742%和2.751%?;谌ㄩL(zhǎng)建立的PLS和LS-SVM模型的校正集和預(yù)測(cè)集樣本散點(diǎn)圖如圖3所示,與PLS模型相比,LS-SVM模型的效果更為優(yōu)秀,可對(duì)魚(yú)肉TVB-N含量分布進(jìn)行檢測(cè)。
表2 LS-SVM和PLS模型預(yù)測(cè)結(jié)果Table 2 Prediction results of LS-SVM and PLSbased on full spectral parameters
圖3 三文魚(yú)TVB-N含量PLS(a)和LS-SVM(b)全波長(zhǎng)模型校正集和預(yù)測(cè)集散點(diǎn)圖
魚(yú)片樣品高光譜圖像具有高維性、 冗余性和相鄰波段間的多重共線性。因此,在多變量分析中,剔除無(wú)用的或不必要的波長(zhǎng),選擇攜帶反映TVB-N含量變化的最有價(jià)值信息的最佳波長(zhǎng)成為一個(gè)關(guān)鍵步驟。SPA作為一種前向變量選擇方法,以解決最小冗余度下的共線性問(wèn)題為目的,被證明是多元校正框架下變量選擇的有效工具和策略[13-15]。
圖4 采用SPA提取特征波長(zhǎng)具體位置Fig.4 Position of selected effective wavelengths by SPA
表3 應(yīng)用SPA提取特征波長(zhǎng)值Table 3 Effective wavelengths selected by SPA
表4 基于特征波長(zhǎng)建立SPA-LS-SVM和SPA-PLS模型
TVB-N主要是由于酶和微生物活性的影響而引起的蛋白質(zhì)降解所產(chǎn)生的氨和胺,這一重要指標(biāo)的含量能夠有效地反映出鮮度質(zhì)量的損失。因此,TVB-N分布的可視化有助于進(jìn)一步解釋與蛋白質(zhì)分解有關(guān)的化合物的動(dòng)態(tài)變化,以指示新鮮度的損失程度[9, 16]。
SPA-LS-SVM模型展現(xiàn)了其準(zhǔn)確性高和運(yùn)算速度快的特點(diǎn),選擇為最適合TVB-N預(yù)測(cè)模型,用來(lái)將高光譜圖像中的每個(gè)像素轉(zhuǎn)換成相應(yīng)的TVB-N值并在魚(yú)肉圖片上以不同顏色展示。圖5顯示了四個(gè)不同TVB-N值的可視化示例,可以明顯地觀察到,可視化圖中的不同顏色反映了魚(yú)肉樣本中與圖像像素的光譜變化相對(duì)應(yīng)的TVB-N值。同時(shí),魚(yú)肉樣品的TVB-N分布密度是不均勻和不對(duì)稱(chēng)的,因?yàn)門(mén)VB-N包括含氮化合物(如魚(yú)肉蛋白質(zhì))降解的成分也是不均勻和不對(duì)稱(chēng)的。因此,TVB-N的分布有助于解釋這些化學(xué)物質(zhì)的降解速度,本研究采用如下步驟對(duì)魚(yú)肉TVB-N含量分布進(jìn)行檢測(cè),如圖6所示。
通過(guò)高光譜圖像技術(shù)實(shí)現(xiàn)了對(duì)魚(yú)的TVB-N含量檢測(cè),采取SPA算法提取8個(gè)最佳波長(zhǎng),并作為輸入到LS-SVM和PLS模型,實(shí)驗(yàn)表明,基于最佳波長(zhǎng)的SPA-LS-SVM模型是最適合TVB-N檢測(cè)模型,其決定系數(shù)(R2)為0.903,RMSEP為2.761%。采用MATLAB語(yǔ)言編程將高光譜圖像中的每個(gè)像素通過(guò)最佳模型轉(zhuǎn)換成相應(yīng)的TVB-N值,可以明顯地觀察到,可視化的圖中不同顏色反映了魚(yú)肉樣本中與圖像像素的光譜變化相對(duì)應(yīng)的TVB-N含量。結(jié)果表明,應(yīng)用高光譜圖像技術(shù)檢測(cè)魚(yú)肉TVB-N含量是可行的,為下一步魚(yú)肉TVB-N含量的定量分析和分類(lèi)奠定了基礎(chǔ)。
圖5 魚(yú)樣本TVB-N含量分布可視化圖Fig.5 Visualization of the predicted TVB-N contentfor 4 fish samples in prediction set
圖6 采用高光譜成像技術(shù)檢測(cè)三文魚(yú)TVB-N含量分布主要步驟Fig.6 Main steps of detection of salmon fishfillets TVB-N content using HIS