皮蛋凝膠品質(zhì)含水率和彈性的高光譜預(yù)測(cè)及其可視化

陳遠(yuǎn)哲，王巧華,2,*，高 升，梅 璐

（1.華中農(nóng)業(yè)大學(xué)工學(xué)院，湖北 武漢 430070；2.農(nóng)業(yè)農(nóng)村部長(zhǎng)江中下游農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430070）

皮蛋又稱松花蛋、彩蛋，其風(fēng)味獨(dú)特，營(yíng)養(yǎng)豐富，氨基酸比例均衡，易消化吸收，是我國(guó)特有的一種傳統(tǒng)蛋制品[1]。皮蛋加工歷史悠久，主要利用堿和鹽腌制而成，其形成過程一般會(huì)從溶液狀態(tài)轉(zhuǎn)變?yōu)槿苣z狀態(tài)，進(jìn)而轉(zhuǎn)變?yōu)楦挥袕椥缘哪z狀態(tài)[2-4]。但腌制液中的堿濃度過高時(shí)，凝固的蛋清蛋白會(huì)水解液化，使已經(jīng)吸附的結(jié)合水又以自由水的狀態(tài)釋放出來，此過程稱為堿傷[5-7]。影響皮蛋凝膠品質(zhì)主要有腌制液濃度、腌制溫度、蛋殼氣孔大小等因素[8-14]。出缸期皮蛋的凝膠強(qiáng)弱是工廠對(duì)皮蛋分級(jí)的一個(gè)重要衡量標(biāo)準(zhǔn)。而彈性與皮蛋凝膠品質(zhì)相關(guān)，凝膠越好，皮蛋的彈性就越大[15]；含水率作為食物中重要的衡量指標(biāo)，對(duì)皮蛋的內(nèi)部品質(zhì)、質(zhì)構(gòu)特性及風(fēng)味會(huì)產(chǎn)生較大影響[16]；因此，彈性和含水率可以作為消費(fèi)者進(jìn)行購買時(shí)的重要參考指標(biāo)，但是皮蛋彈性目前只能依靠手掂方式估算，含水率只能依據(jù)生化檢測(cè)方法計(jì)算，繁瑣低效。

高光譜成像技術(shù)是將光譜技術(shù)與圖像技術(shù)相結(jié)合，探測(cè)待測(cè)物體的二維集合空間的圖像信息和一維的光譜信息，具有簡(jiǎn)便、快速、無損、準(zhǔn)確等優(yōu)點(diǎn)，已成功應(yīng)用于肉類、果蔬等品質(zhì)的分析與檢測(cè)[17-22]。近年來，國(guó)內(nèi)已有對(duì)皮蛋品質(zhì)的相關(guān)報(bào)道，分別從皮蛋破損、斑點(diǎn)、分級(jí)、微量元素等方面進(jìn)行研究，劉龍等[23]根據(jù)皮蛋蛋殼的聲學(xué)特性，采用小波變換和BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對(duì)皮蛋蛋殼破損進(jìn)行檢測(cè)；吳玲等[24]利用機(jī)器視覺技術(shù)分析不同腌制配方對(duì)皮蛋表面斑點(diǎn)形成的影響，最終確定最佳生產(chǎn)配方；王巧華等[25]利用機(jī)器視覺結(jié)合近紅外光譜技術(shù)，對(duì)優(yōu)質(zhì)皮蛋、次品皮蛋和劣質(zhì)皮蛋進(jìn)行檢測(cè)和分級(jí)，其中優(yōu)質(zhì)蛋的識(shí)別率為96.49%，次品蛋識(shí)別率為94.12%，劣質(zhì)蛋的識(shí)別率為100%；黃郁杰等[26]采用絡(luò)合滴定法與原子吸收光譜法測(cè)定了皮蛋中的鉛含量，但這并不能滿足快速、高效、檢測(cè)的要求。目前關(guān)于皮蛋凝膠內(nèi)部品質(zhì)高光譜成像檢測(cè)的研究鮮見報(bào)道。

本實(shí)驗(yàn)以皮蛋為研究對(duì)象，采集出缸期皮蛋的高光譜信息，建立光譜信息與皮蛋凝膠品質(zhì)含水率和彈性的回歸模型，進(jìn)而實(shí)現(xiàn)出缸期皮蛋凝膠品質(zhì)的可視化分析與不同品質(zhì)皮蛋的預(yù)測(cè)。

1 材料與方法

1.1 材料

材料為市面上常見的青殼皮蛋，由湖北神丹健康食品有限公司提供，由經(jīng)驗(yàn)豐富的工人挑選大小相近，顏色相似、蛋殼無破損的出缸期皮蛋作為實(shí)驗(yàn)樣本，其中優(yōu)質(zhì)蛋105個(gè)，合格蛋75個(gè)，建模總樣本數(shù)為180 顆。將選取的樣本依次編號(hào)，優(yōu)質(zhì)蛋樣本編號(hào)為1～105，合格蛋樣本編號(hào)為106～180，按照編號(hào)依次對(duì)樣本去除蛋殼進(jìn)行光譜信息采集和理化指標(biāo)的測(cè)定。

1.2 儀器與設(shè)備

Zolix Hyper SIS-VNIR-CL高光譜成像系統(tǒng)（美國(guó)海洋光學(xué)公司）如圖1所示，該系統(tǒng)主要由高光譜成像光譜儀（芬蘭Spectral Imaging公司）、CCD工業(yè)相機(jī)（日本Hamamatsu公司）、1 支Cob款帕燈（功率24 W，顏色為暖白；北京卓立漢光儀器有限公司）、1 臺(tái)絲桿式位移步進(jìn)電機(jī)控制平臺(tái)（北京卓立漢光儀器有限公司）等部件組成。光譜的波段范圍為450～1 000 nm（含有520 個(gè)波長(zhǎng)），光譜的分辨率為2.8 nm，整個(gè)采集過程在暗箱中進(jìn)行。通過提取450～1 000 nm的三維光譜圖形信息，分析不同波段和圖像像素的特征，進(jìn)行皮蛋凝膠品質(zhì)的內(nèi)部指標(biāo)可視化分析與檢測(cè)。

圖1 高光譜成像系統(tǒng)Fig. 1 Hyperspectral imaging system

TMS-PRO型質(zhì)構(gòu)儀 美國(guó)FTC公司；101電熱鼓風(fēng)干燥箱 上海捷呈實(shí)驗(yàn)儀器有限公司。

1.3 方法

1.3.1 圖像的采集與校正

高光譜圖像采集之前，需將儀器預(yù)熱20 min后進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)時(shí)，在圖像采集臺(tái)上放置自制帶孔燈箱，打開光源，將去殼皮蛋鈍端朝下放置在透光孔處。高光譜成像系統(tǒng)參數(shù)設(shè)置：樣本與鏡頭距離為300 nm，相機(jī)曝光時(shí)間0.15 s，步進(jìn)電機(jī)移動(dòng)速率為2 mm/s，移動(dòng)范圍為0～200 mm。為消除光照和相機(jī)暗電流工作不穩(wěn)定性的影響，需對(duì)高光譜成像系統(tǒng)進(jìn)行黑白校正[27-28]。全黑圖像ID、全白圖像IW分別通過遮蓋鏡頭、掃描標(biāo)準(zhǔn)白板獲得；將皮蛋放在載物平板上獲取原始高光譜透射圖像IR；校正圖像IC按式（1）計(jì)算：

利用ENVI軟件（美國(guó)Exelis VIS公司）選擇整顆皮蛋的圖像作為感興趣區(qū)域（region of interst，ROI）高光譜數(shù)據(jù)，ROI大小在200×200像素左右，將提取ROI的平均光譜作為對(duì)應(yīng)的透射原始光譜[27]。

1.3.2 彈性值測(cè)定

利用質(zhì)構(gòu)儀進(jìn)行質(zhì)地多面剖析（texture profile analysis，TPA）實(shí)驗(yàn)，測(cè)定皮蛋彈性值。首先在質(zhì)構(gòu)儀上裝上P/5平底柱形探頭，然后在彈性測(cè)定程序中設(shè)置參數(shù)：測(cè)試前速率30 mm/min，測(cè)試速率60 mm/min，測(cè)試后速率60 mm/min，壓縮程度40%，測(cè)試時(shí)間間隔5 s。

1.3.3 含水率的測(cè)定

光譜采集和彈性值測(cè)定之后，將皮蛋去殼切碎放入食物攪拌器中攪拌，依次稱取每顆皮蛋大約10 g作為樣本。采用GB 5009.3—2016《食品中含水率的測(cè)定》。取潔凈鋁盒，加熱、干燥后稱量為m3，放入樣本后的鋁盒質(zhì)量為m1，然后在105 ℃電熱鼓風(fēng)干燥箱內(nèi)烘干后樣本和鋁盒的質(zhì)量為m2，按式（2）計(jì)算樣品中皮蛋含水率（X）：

1.4 數(shù)據(jù)處理

1.4.1 光譜數(shù)據(jù)預(yù)處理

為解決光譜信息信噪比低、光譜變動(dòng)及光譜重疊等問題，利用Matlab2016a軟件對(duì)采集的光譜數(shù)據(jù)進(jìn)行處理。保留450～1 000 nm波段的光譜數(shù)據(jù)，對(duì)原始光譜進(jìn)行卷積平滑（Savitzky-Golay，S-G）處理可以有效消除基線漂移、傾斜等噪聲；一階導(dǎo)數(shù)（first derivation，F(xiàn)D）處理，可以消除與波長(zhǎng)無關(guān)的變量，該方法可以提高模型準(zhǔn)確性；并計(jì)算S-G后光譜數(shù)據(jù)的S-G-FD。

1.4.2 異常樣本剔除

皮蛋高光譜數(shù)據(jù)采集和理化值測(cè)定時(shí)，由于儀器、人為操作不當(dāng)?shù)纫蛩厥箶?shù)據(jù)中存在異常點(diǎn)，所得到的模型會(huì)偏離真實(shí)模型，此時(shí)不能代表數(shù)據(jù)的主體信息，均方根誤差波動(dòng)較大，甚至得到錯(cuò)誤的結(jié)論[28-31]。利用蒙特卡羅偏最小二乘（Monte Carlo-partial least squares，MCPLS）法可以同時(shí)檢測(cè)光譜信息和彈性、含水率的異常值，由交叉驗(yàn)證均方根誤差達(dá)到最小值確定最佳主成分?jǐn)?shù)，根據(jù)計(jì)算得到的樣本誤差均值和標(biāo)準(zhǔn)差為準(zhǔn)，其值越大，則判定為異常樣本。

1.4.3 特征波長(zhǎng)的選擇

全波長(zhǎng)共含有520 個(gè)波長(zhǎng)變量，為使光譜變量之間共線性達(dá)到最小以及降低光譜冗雜信息的變量組，本實(shí)驗(yàn)采用連續(xù)投影算法（successive projection algorithm，SPA）和無信息消除（uninformative elimination，UVE）法進(jìn)行特征波長(zhǎng)選取。

SPA是一種前向循環(huán)的特征變量篩選方法，可以過濾掉無用信息，大大降低數(shù)據(jù)間的共線性影響[32]。UVE法是淘汰一些與變量關(guān)聯(lián)非常小的波長(zhǎng)。具體實(shí)現(xiàn)為向原始光譜數(shù)據(jù)中隨機(jī)添加同行列一定數(shù)量級(jí)（本實(shí)驗(yàn)采用大小0～10-6）的噪聲，每剔除一個(gè)樣本，將剩下的樣本作為訓(xùn)練集建立最小二乘回歸模型，每次得到回歸模型的回歸系數(shù)α通過可信度Y判斷是否選取該波長(zhǎng)點(diǎn)。模型系數(shù)按式（3）計(jì)算：

式中：Yi為第i個(gè)波長(zhǎng)點(diǎn)處的模型系數(shù)；mean（αi）為模型平均回歸系數(shù)；std（αi）為方差；當(dāng)|Yk|＞max|Ym|時(shí)，則選取該波長(zhǎng)點(diǎn)，其中，k取1～520，m取450～1 000。

1.4.4 樣本集的劃分

采用光譜理化值共生距離（sample set partitioning based on joint X-Y distance，SPXY）法對(duì)剔除后樣本的彈性和含水率按3∶1比例進(jìn)行校正集和預(yù)測(cè)集劃分，統(tǒng)計(jì)分析計(jì)算出校正集和預(yù)測(cè)集樣本的最小值、最大值、平均值和標(biāo)準(zhǔn)差。

1.4.5 回歸和分類模型的建立與評(píng)價(jià)

多元逐步回歸（multiple stepwise regression，MSR）是在逐步回歸基礎(chǔ)上改進(jìn)的一種建模方法，能夠建立多個(gè)自變量與因變量之間的關(guān)系模型。而MSR模型適用于光譜變量數(shù)少于理化值數(shù)的情況，因此本實(shí)驗(yàn)采用由SPA和UVE算法提取的波長(zhǎng)建立回歸模型。

BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，目前被廣泛適用。它是按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，由大量的神經(jīng)元聯(lián)結(jié)構(gòu)成，具有很強(qiáng)的非線性函數(shù)逼近能力，并擁有強(qiáng)大的容錯(cuò)率。本實(shí)驗(yàn)采用BP對(duì)競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法（competitive adaptive reweighting sampling，CARS）提取的特征波長(zhǎng)建立出缸期不同品質(zhì)皮蛋的預(yù)測(cè)模型。

回歸模型建立后，采用測(cè)試集的決定系數(shù)R2、均方根誤差（root mean square error，RMSE）和相對(duì)分析誤差（relative percent deviation，RPD）對(duì)皮蛋彈性和含水率的估算模型進(jìn)行評(píng)價(jià)。當(dāng)決定系數(shù)R2越接近1、RMSE越小，表明模型效果越好；其中，當(dāng)RPD＞2時(shí)，模型具有極好的預(yù)測(cè)能力，當(dāng)RPD為1.4～2時(shí)，模型效果一般，可以進(jìn)行粗略評(píng)估，當(dāng)RPD＜1.4時(shí)，該模型無法對(duì)樣本進(jìn)行預(yù)測(cè)[33]；而分類模型的性能采用混淆矩陣對(duì)出缸期不同品質(zhì)皮蛋進(jìn)行評(píng)估預(yù)測(cè)。

1.4.6 偽彩色圖像處理技術(shù)

偽彩色處理是根據(jù)特定的準(zhǔn)則對(duì)灰度值賦予彩色的處理，可以將單色圖像變換成給定彩色的分布圖像。該技術(shù)可以提高對(duì)圖像細(xì)節(jié)的辨別力，達(dá)到圖像增強(qiáng)的效果。本研究利用最優(yōu)回歸模型分別估算出缸期不同品質(zhì)皮蛋高光譜圖像上每個(gè)像素點(diǎn)的彈性值和含水率，結(jié)合偽彩色圖像處理技術(shù)生成彈性值和含水率的彩色分布圖。

2 結(jié)果與分析

2.1 出缸期皮蛋光譜特征

對(duì)高光譜圖像上ROI提取光譜，光譜波長(zhǎng)范圍為450～1 000 nm，共520 個(gè)波長(zhǎng)，獲得優(yōu)質(zhì)蛋與合格蛋的原始光譜和平均光譜曲線如圖2所示?？梢钥闯?，不同品質(zhì)皮蛋的光譜曲線變化趨勢(shì)基本相同；在450～643 nm（可見光波段）光譜的透射率整體升高，由于皮蛋蛋殼氣孔數(shù)量和內(nèi)膜結(jié)構(gòu)特性對(duì)凝膠品質(zhì)的影響，造成對(duì)可見光吸收減弱，從而在波長(zhǎng)570 nm附近出現(xiàn)第1次透射率波谷；由于C—H鍵二級(jí)倍頻和一級(jí)倍頻的吸收，在波長(zhǎng)640 nm附近出現(xiàn)光譜上的最高峰；在波長(zhǎng)657～910 nm（可見-近紅外波段）光譜的透射率持續(xù)下降，這是因?yàn)樵诓ㄩL(zhǎng)900 nm附近對(duì)皮蛋凝膠中水分子O—H鍵吸收減弱形成的第2次波谷。皮蛋腌制期腌制液濃度、腌制溫度、蛋殼氣孔大小等因素使出缸期皮蛋的光譜發(fā)生了明顯變化[34-35]，主要表現(xiàn)為優(yōu)質(zhì)蛋比合格蛋對(duì)光的吸收更強(qiáng)。因此，可以根據(jù)光譜間的差異進(jìn)行皮蛋凝膠品質(zhì)彈性和含水率的估算。

圖2 出缸期皮蛋光譜曲線Fig. 2 Spectral curves of preserved eggs

2.2 皮蛋含水率、彈性與光譜數(shù)據(jù)的相關(guān)性分析

利用SPSS軟件中的Pearson相關(guān)分析法對(duì)不同預(yù)處理的光譜數(shù)據(jù)和含水率、彈性進(jìn)行相關(guān)性分析，其相關(guān)性曲線如圖3所示。在圖3a中，皮蛋含水率與原始光譜在可見光波長(zhǎng)范圍內(nèi)呈負(fù)相關(guān)，且相關(guān)性不斷增高，在波長(zhǎng)667 nm處相關(guān)性最高，相關(guān)系數(shù)為-0.732，由于腌制期腌制液濃度、蛋殼氣孔大小、內(nèi)膜結(jié)構(gòu)等因素對(duì)凝膠特性的影響，使穿過吸收區(qū)域水層的光能太少，造成在近紅外波長(zhǎng)范圍相關(guān)系數(shù)基本趨近0，不相關(guān)；含水率與S-G光譜數(shù)據(jù)的相關(guān)性和原始光譜相似，但相關(guān)性有所提高，在波長(zhǎng)672 nm處相關(guān)性最高，相關(guān)系數(shù)為-0.836；FD后的光譜與含水率相關(guān)性曲線呈正負(fù)起伏變化，波長(zhǎng)在623 nm處相關(guān)性最大，相關(guān)系數(shù)為0.753；S-G-FD組合變換的相關(guān)性曲線與FD相關(guān)性曲線相似，在波長(zhǎng)625 nm處相關(guān)性達(dá)到0.851。在圖3b中，經(jīng)S-G處理后光譜數(shù)據(jù)與原始光譜數(shù)據(jù)相似，兩者分別在可見光波長(zhǎng)671 nm和657 nm處相關(guān)性最高，相關(guān)系數(shù)為0.715、0.794；經(jīng)FD處理后的光譜數(shù)據(jù)與S-G-FD處理后的相似，在可見光波長(zhǎng)754 nm和757 nm處相關(guān)性最高，相關(guān)系數(shù)為0.704、0.786；由此可見，原始光譜與不同預(yù)處理方法的光譜在可見光波長(zhǎng)520～760 nm范圍內(nèi)的相關(guān)性較高，表明可以通過預(yù)處理方法有效提高光譜數(shù)據(jù)與皮蛋含水率、彈性的相關(guān)性。

圖3 皮蛋含水率、彈性與光譜數(shù)據(jù)的相關(guān)性Fig. 3 Correlation between water content and springiness of preserved eggs and spectral data

2.3 異常樣本剔除

實(shí)驗(yàn)中儀器、人為操作不當(dāng)?shù)纫蛩卦斐傻漠惓?shù)據(jù)由MCPLS分析法剔除，結(jié)果如圖4a所示。彈性值異常樣本檢測(cè)以預(yù)測(cè)誤差平均值3.24，預(yù)測(cè)誤差標(biāo)準(zhǔn)差0.631為標(biāo)準(zhǔn)，共剔除異常樣本8個(gè)，分別為13、24、47、63、85、117、146和161號(hào)樣本。剔除后的樣本決定系數(shù)R2由原來的0.726 5提升到了0.812 4。由圖4b所示，光譜值和含水率的蒙特卡羅分析檢測(cè)中未出現(xiàn)較大的平均值偏差和標(biāo)準(zhǔn)偏差，因此沒有進(jìn)行異常樣本剔除。

圖4 彈性值、含水率MCPLS法異常樣本剔除Fig. 4 Elimination of abnormal samples by MCPLS method for springiness and water content

2.4 樣本集的劃分

如表1所示，實(shí)驗(yàn)中共180 個(gè)樣本，利用SPXY法將剔除異常值的彈性和未剔除異常值的含水率樣本結(jié)合光譜信息按照3∶1的分布范圍為16.36%～39.64%，校正集和預(yù)測(cè)集的標(biāo)準(zhǔn)差分別為3.322 4%、3.284 5%；含水率的分布范圍為46.15%～74.50%，校正集和預(yù)測(cè)集的標(biāo)準(zhǔn)差分別為6.342 7%、6.421 5%；通過SPXY法劃分的彈性和含水率校正集的分布范圍大于預(yù)測(cè)集，說明數(shù)據(jù)具有代表性。

表1 利用SPXY算法劃分樣本集的數(shù)據(jù)統(tǒng)計(jì)Table 1 Data statistics of sample sets divided by SPXY algorithm

2.5 特征波長(zhǎng)的提取

為減少光譜數(shù)據(jù)的冗雜性，提高模型的運(yùn)行速度，采用SPA和UVE算法提取不同預(yù)處理和原始光譜數(shù)據(jù)的特征波長(zhǎng)并建立回歸模型。以彈性指標(biāo)和原始光譜為例介紹特征波長(zhǎng)提取的過程。如圖5所示，建立SPA彈性模型，初始設(shè)定提取波長(zhǎng)變量范圍為5～30，提取步長(zhǎng)為1；由圖5a可知，RMSE最小為0.394 7，對(duì)應(yīng)模型中變量的個(gè)數(shù)為10 個(gè)，即經(jīng)SPA提取的最優(yōu)波長(zhǎng)點(diǎn)有10 個(gè)，優(yōu)選出波長(zhǎng)點(diǎn)的位置如圖5b的原始光譜索引顯示，所選波長(zhǎng)變量占總波長(zhǎng)的1.923%。不同預(yù)處理的光譜由SPA提取的波長(zhǎng)結(jié)果如表2所示。

圖5 SPA提取波長(zhǎng)過程Fig. 5 Extraction of characteristic wavelengths by SPA

表2 SPA提取波長(zhǎng)結(jié)果Table 2 Results of extraction of characteristic wavelengths by SPA algorithm

利用UVE法提取特征波長(zhǎng)，如圖6所示，建立UVE的彈性模型，初始設(shè)置噪聲矩陣最大穩(wěn)定性絕對(duì)值的90%作為剔除閾值，圖中黃色曲線為光譜變量的穩(wěn)定性值，紅色曲線為噪聲變量信息的穩(wěn)定值。以閾值±27.43為界，兩條水平虛線之外是需要保留變量，虛線之外為剔除的變量，最終經(jīng)UVE變量選取出12個(gè)波長(zhǎng)變量，波長(zhǎng)點(diǎn)的位置在圖6b中顯示，所選波長(zhǎng)點(diǎn)占總波長(zhǎng)的2.31%。由UVE選取的波長(zhǎng)結(jié)果如表3所示。

圖6 彈性的UVE提取特征波長(zhǎng)Fig. 6 Extraction of characteristic wavelengths by UVE for springiness

表3 UVE算法提取波長(zhǎng)結(jié)果Table 3 Results of extraction of characteristics wavelengths by UVE algorithm

2.6 MSR模型的建立與預(yù)測(cè)

分別以SPA和UVE算法提取的特征波長(zhǎng)建立不同預(yù)處理后的光譜數(shù)據(jù)MSR模型，計(jì)算每種模型在預(yù)測(cè)集中彈性和含水率的估算值，回歸模型效果如表4所示?？梢钥闯?，對(duì)皮蛋含水率來說，基于UVE算法經(jīng)S-G-FD預(yù)處理后的模型性能最好，決定系數(shù)R2為0.882，RMSE為0.583，RPD為2.1；用于預(yù)測(cè)彈性指標(biāo)經(jīng)S-G-FD預(yù)處理后的SPA-MSR模型性能最好，決定系數(shù)R2為0.903，RMSE為0.348，RPD為2.2。建立的含水率和彈性的MSR模型如圖7所示，可以看出，2 種特征提取方法結(jié)合MSR模型分別對(duì)含水率和彈性取得了不錯(cuò)的估算結(jié)果。

表4 皮蛋彈性和含水率模型預(yù)測(cè)結(jié)果Table 4 Parameters of prediction models for springiness and water content of preserved eggs

圖7 含水率和彈性預(yù)測(cè)值和實(shí)測(cè)值散點(diǎn)圖Fig. 7 Scatter plots for predicted values versus measured values of water content and springiness

以光譜透射率X為自變量，建立的最優(yōu)預(yù)測(cè)含水率和彈性的MSR回歸模型方程：

式中：YW為含水率預(yù)測(cè)值；YS為彈性預(yù)測(cè)值；Xi為特征波長(zhǎng)處的透射率（下標(biāo)表示波長(zhǎng)/nm）。

2.7 含水率和彈性的可視化檢測(cè)

利用UVE-MSR和SPA-MSR模型分別估算出缸期皮蛋高光譜圖像的每個(gè)像素點(diǎn)的含水率和彈性，結(jié)合Matlab編程，采用偽彩色圖像處理技術(shù)生成含水率和彈性的分布圖[36]，不同的顏色和深淺程度代表不同品質(zhì)皮蛋的含水率和彈性，結(jié)果如圖8所示。圖8a、b中，不同品質(zhì)皮蛋的蛋清凝膠部分主要呈淺藍(lán)色和綠色，不同的是合格蛋的蛋黃部分主要呈黃色和淺紅色，含水率主要集中為52%～65%，優(yōu)質(zhì)蛋的蛋黃部分主要呈黃色和深紅色，含水率主要分布在57%～69%之間，優(yōu)質(zhì)蛋的含水率要高于合格蛋的含水率；圖8c、d中，不同品質(zhì)皮蛋的蛋清凝膠部分主要呈淺藍(lán)色和綠色，不同的是優(yōu)質(zhì)蛋蛋黃部分要比合格蛋的蛋黃部分顏色淺，合格蛋的彈性主要分布在26%～38%之間，優(yōu)質(zhì)蛋的彈性主要分布在29%～42%之間，優(yōu)質(zhì)蛋的彈性值要高于合格蛋。通過可視化不同品質(zhì)皮蛋的分布圖，可以直觀看出皮蛋的不同部位的含水率和彈性值，從理論上有助于分析皮蛋內(nèi)部品質(zhì)變化規(guī)律，從應(yīng)用上有助于后續(xù)在線檢測(cè)皮蛋凝膠品質(zhì)。

圖8 不同品質(zhì)皮蛋含水率和彈性分布圖Fig. 8 Water content and springiness distribution maps of preserved eggs of different quality grades

2.8 出缸期皮蛋品質(zhì)的預(yù)測(cè)

為快速準(zhǔn)確地預(yù)測(cè)出缸期不同品質(zhì)皮蛋，采用CARS算法進(jìn)行特征波長(zhǎng)的提取。采樣過程中，CARS算法以彈性的標(biāo)準(zhǔn)值篩選出10 個(gè)特征波長(zhǎng)473、504、541、583、619、654、699、748、827 nm和937 nm，如圖9所示。再以特征波長(zhǎng)作為輸入值，建立BP預(yù)測(cè)模型。對(duì)優(yōu)質(zhì)蛋與合格蛋樣本按照2∶1劃分訓(xùn)練集和預(yù)測(cè)集，模型參數(shù)：最大訓(xùn)練次數(shù)為200、學(xué)習(xí)率為0.1、誤差為0.1。如圖10所示，由混淆矩陣可以看出，出缸期不同品質(zhì)皮蛋的預(yù)測(cè)總準(zhǔn)確率為98.3%，預(yù)測(cè)結(jié)果較為理想。

圖9 CARS特征波長(zhǎng)選擇Fig. 9 Selection of characteristic wavelengths by CARS

圖10 混淆矩陣Fig. 10 Confusion matrix

3 結(jié) 論

出缸期不同品質(zhì)的皮蛋光譜變化趨勢(shì)基本相同，不同的是，優(yōu)質(zhì)蛋比合格蛋對(duì)光的吸收更強(qiáng)。對(duì)出缸期皮蛋的原始光譜進(jìn)行不同的預(yù)處理可以提高與含水率、彈性的相關(guān)性，在可見光波長(zhǎng)520～760 nm范圍內(nèi)不同預(yù)處理的光譜數(shù)據(jù)與含水率、彈性的相關(guān)系數(shù)較高，經(jīng)S-GFD處理后的光譜在625 nm處與皮蛋含水率相關(guān)性最高，為0.851；經(jīng)S-G處理后的光譜在657 nm處與皮蛋彈性相關(guān)性最高，為0.794。

基于SPA和UVE算法提取特征波長(zhǎng)建立的MSR預(yù)測(cè)模型。預(yù)測(cè)含水率的最優(yōu)模型為UVE-MSR，R2和RMSE分別為0.882、0.583，RPD為2.1；預(yù)測(cè)彈性的最優(yōu)模型為SPA-MSR，R2和RMSE分別為0.903、0.348，RPD為2.2。

分別利用UVE-MSR、SPA-MSR預(yù)測(cè)模型計(jì)算出缸期不同品質(zhì)皮蛋每個(gè)像素點(diǎn)的含水率和彈性值，結(jié)合偽彩色圖像處理技術(shù)生成可視化分布圖，實(shí)現(xiàn)出缸期不同品質(zhì)皮蛋的含水率、彈性值的評(píng)價(jià)。

基于CARS提取的特征波長(zhǎng)建立的BP模型對(duì)出缸期不同品質(zhì)皮蛋進(jìn)行預(yù)測(cè)，總準(zhǔn)確率為98.3%，表明高光譜技術(shù)可以實(shí)現(xiàn)對(duì)不同品質(zhì)的皮蛋進(jìn)行預(yù)測(cè)。