光譜技術(shù)在水產(chǎn)品異物殘留檢測(cè)中的研究進(jìn)展

李鑫星，馬殿坤，謝天鏵，張春艷，胡金有*

1.中國(guó)農(nóng)業(yè)大學(xué)信息與電器工程學(xué)院食品質(zhì)量與安全北京實(shí)驗(yàn)室，北京 100083 2.南昌理工學(xué)院新能源與環(huán)境工程學(xué)院，江西 南昌 330044 3.中國(guó)農(nóng)業(yè)大學(xué)工學(xué)院，北京 100083

引 言

“十四五”期間，我國(guó)漁業(yè)總產(chǎn)量預(yù)計(jì)達(dá)到每年6 600～7 100萬噸[1]，水產(chǎn)品在消費(fèi)者飲食組成中占比進(jìn)一步加重，與此同時(shí)，新冠肺炎疫情的防控促使冷凍預(yù)制水產(chǎn)品跳過批發(fā)市場(chǎng)與餐飲行業(yè)、直接進(jìn)入消費(fèi)者餐桌[2]，但也更易發(fā)生消費(fèi)者因食品安全知識(shí)和操作能力存在差距導(dǎo)致的食品安全事件[3-4]。根據(jù)《中國(guó)食品安全發(fā)展報(bào)告(2019)》指出，“重金屬污染、非食用物質(zhì)的污染是影響食品安全的主要因素”，因此如何在水產(chǎn)品加工預(yù)制的過程中，消除影響食品安全的主要因素，特別是異物殘留，成為水產(chǎn)業(yè)發(fā)展中亟待解決的問題。

光譜檢測(cè)技術(shù)具有快速、無損、測(cè)試重現(xiàn)度高等優(yōu)點(diǎn)，既體現(xiàn)物體的光譜屬性，也體現(xiàn)了樣品的空間信息。通過光譜信息的化學(xué)計(jì)量學(xué)建模技術(shù)，可以快速無損地測(cè)得樣品的化學(xué)成分含量；通過物體的紋理特征、像素特征等圖像信息，可以實(shí)現(xiàn)對(duì)各種成分的可視化。近年來，光譜技術(shù)應(yīng)用于水產(chǎn)品檢測(cè)已成為熱點(diǎn)[5]，但多聚焦于新鮮度檢測(cè)[6]，對(duì)水產(chǎn)的異物殘留的研究較散落，本文綜述了近10年來光譜技術(shù)在水產(chǎn)品異物殘留相關(guān)的研究進(jìn)展，分別從魚骨檢測(cè)、摻偽分析、寄生蟲檢測(cè)與重金屬檢測(cè)四方面介紹常見光譜技術(shù)在其應(yīng)用及進(jìn)展，主要包括X射線技術(shù)(X-Rays)、可見光成像(VIS)、近紅外成像(NIR)，高光譜成像(HSI)等，各光譜對(duì)應(yīng)波長(zhǎng)范圍如圖1所示。

圖1 光譜信息圖

1 光譜技術(shù)在水產(chǎn)品異物檢測(cè)中的研究進(jìn)展

1.1 魚骨檢測(cè)

魚骨是經(jīng)常出現(xiàn)在魚類加工品中異物殘留，其形狀大小受魚種類影響、顏色與魚肉相近。目前生產(chǎn)廠家多依靠人工手指觸摸及日光燈下視覺判斷方式挑出魚骨殘留，效率低且需復(fù)檢。光譜技術(shù)中因X射線具有極高的穿透性，并且在穿透物體過程中被不同程度的吸收，在成像系統(tǒng)檢測(cè)中表現(xiàn)為圖像中圖像灰度值的不同，因此被應(yīng)用于異物殘留檢測(cè)。相比于雞骨檢測(cè)，X射線技術(shù)應(yīng)用于魚骨檢測(cè)起步較晚，2005年才出現(xiàn)第一臺(tái)工業(yè)用X射線魚骨檢測(cè)設(shè)備，但只局限于白鮭的魚骨檢測(cè)。X射線對(duì)水產(chǎn)品異物殘留檢測(cè)還存在以下問題：如何區(qū)分魚骨區(qū)域與因魚肉過厚、重疊導(dǎo)致灰度值過高的區(qū)域；如何提高檢測(cè)效率與實(shí)時(shí)性。

已有的研究多聚焦于設(shè)備整體設(shè)計(jì)、單元操作設(shè)備升級(jí)、圖像算法處理技術(shù)。在設(shè)備整體設(shè)計(jì)中，胡記東等[7]針對(duì)海產(chǎn)魚異物殘留檢測(cè)，篩選出設(shè)備設(shè)計(jì)參數(shù)范圍，包括電壓范圍、電流范圍、亮度范圍，此外篩選出魚片的最佳被檢測(cè)狀態(tài)，為工業(yè)化設(shè)計(jì)X射線檢測(cè)儀器打下基礎(chǔ)。除冰鮮狀態(tài)外，針對(duì)不同魚種的單元設(shè)備升級(jí)、參數(shù)優(yōu)化研究，也被應(yīng)用在魚的工業(yè)化魚骨拔除過程中[8]。圖像算法處理技術(shù)方面，鐘錦敏等[9]對(duì)X射線圖像進(jìn)行小波分解，保留高頻圖像有效信息的同時(shí)降低魚肉邊緣、厚度邊緣等的干擾，后采用Canny算法進(jìn)行邊緣提取，實(shí)現(xiàn)對(duì)魚骨位置的準(zhǔn)確定位，檢出率提高至83%。有研究提出了一種基于圖像預(yù)處理和粒子群算法的圖像分割方法，一方面通過形態(tài)學(xué)增強(qiáng)、感興趣區(qū)域(region of interest，ROI)的選擇以及利用高斯分布和灰度值分布的性質(zhì)進(jìn)行的圖像預(yù)處理，另一方面采用粒子群算法及逆行圖像分割，不僅降低了圖像數(shù)據(jù)量、提高了檢測(cè)效率，還在約2 000個(gè)魚片樣本中取得85%的高檢出率。針對(duì)魚類X光樣本采用優(yōu)化后的煙花算法的Gabor濾波器，后采用大律法進(jìn)行分割，試驗(yàn)結(jié)果表明比直接分割圖像能夠更好地區(qū)分圖片中魚骨和病灶點(diǎn)，分割魚骨的比率達(dá)到96%。針對(duì)魚肉厚度不均、重疊的干擾，建立了X射線下不規(guī)則形狀肉檢測(cè)與基于激光三角法的肉厚度檢測(cè)的數(shù)學(xué)模型，基于模型對(duì)魚肉厚度不均導(dǎo)致的干擾進(jìn)行厚度補(bǔ)償，同時(shí)采用徑向基函數(shù)(radial basis function，RBF)神經(jīng)網(wǎng)絡(luò)全局矯正法和多項(xiàng)式模型矯正法實(shí)現(xiàn)對(duì)X射線圖像的畸變校正，校正真實(shí)誤差0.43 mm，滿足對(duì)1 mm魚骨異物檢測(cè)的要求。Mery等[10]使用支持向量機(jī)(support vector machine，SVM)的方法，包含圖像均值、方差、局部二值模式等24個(gè)特征，模型訓(xùn)練結(jié)果正確率95%，實(shí)現(xiàn)對(duì)鮭魚片中有無魚骨的有效分類。

近年來，研究者也在研究將高光譜、熒光光譜用于魚骨檢測(cè)的新方法。Song等[11]提出了一種基于拉曼高光譜成像技術(shù)的魚骨檢測(cè)，利用FRSTCA選擇了最優(yōu)的波段信息，采用支持向量數(shù)據(jù)描述(support vector data description, SVDD)建立自動(dòng)魚骨檢測(cè)的分類模型，結(jié)果表明該方法能夠有效檢測(cè)深度小于2.5 mm的魚骨，檢測(cè)準(zhǔn)確率達(dá)到90.5%。有研究檢測(cè)魚片骨刺的紫外熒光特征，基于主成分分析法(principal component analysis，PCA)和線性判別法(linear discriminant analysis，LDA)進(jìn)行了魚骨骨圖像識(shí)別，得到了穩(wěn)定的識(shí)別效果與正確率。

1.2 摻偽分析

水產(chǎn)品的摻偽分析主要目標(biāo)是多品種、產(chǎn)地與外物[12]。在近紅外光譜中，不同波長(zhǎng)點(diǎn)的吸收峰與被檢測(cè)物質(zhì)具有良好的線性關(guān)系，因此多使用近紅外光譜進(jìn)行摻假鑒別。如采用近紅外光譜與PCA或SIMCA運(yùn)算法則結(jié)合，鑒別草魚魚肉與鰱魚魚肉的摻雜，結(jié)合偏最小二乘法回歸(partial least squares regression，PLSR)等分析方法，預(yù)測(cè)摻雜含量的相關(guān)系數(shù)達(dá)到了0.980 9。Garrido等[13]提出一種基于近紅外光譜成像的不同動(dòng)物蛋白粉鑒別方法，對(duì)光譜模型和紋理模型建立偏最小二乘判別分析(partial least squares-discriminant analysis，PIS-DA)，并利用分類樹整合，分類正確率達(dá)到92%，為后續(xù)摻偽分析提供基礎(chǔ)。Tena等[14]利用近紅外顯微鏡成像技術(shù)，建立PIS-DA模型，可以有效區(qū)分骨粉和魚粉。Rohman等[15]采用傅里葉變換近紅外光譜分析與化學(xué)計(jì)量法對(duì)摻有動(dòng)物脂肪的魚肝油進(jìn)行定性與定量鑒別，定量鑒別中摻假含量預(yù)測(cè)的準(zhǔn)確度為0.992。有研究采用近紅外光譜檢測(cè)技術(shù)對(duì)摻入不同含量大豆油和菜籽油的魚油進(jìn)行定量預(yù)測(cè)分析并建立PLSR模型，該模型對(duì)大豆油與菜籽油的檢測(cè)相關(guān)系數(shù)分別可以達(dá)到0.941 2和0.932 6。

1.3 寄生蟲檢測(cè)

魚片中存在多種寄生蟲，如蠕蟲、鞭蟲、小瓜蟲等，而目前除燭光臺(tái)人工視覺檢查外，尚無有效的檢測(cè)方法，且人工檢查中只能有效識(shí)別60%～70%的寄生蟲[18]。針對(duì)此問題利用可見光/近紅外光譜成像技術(shù)對(duì)鱈魚片中的寄生蟲進(jìn)行自動(dòng)檢測(cè)[19]。Yang等[20]以鱈魚片為樣本，采用紫外熒光成像技術(shù)對(duì)海洋魚類第三期異型幼蟲進(jìn)行了檢測(cè)，基于PCA和陣列值分析對(duì)不同處理方法進(jìn)行研究和優(yōu)化，總體檢出率大于80%。Kroeger等[21]利用近紅外成像技術(shù)，基于輪廓確定彈性曲率能量和幾何形狀參數(shù)，設(shè)計(jì)了針對(duì)茴香線蟲檢測(cè)裝置，可以有效檢測(cè)腌制、冷藏和鹽漬等水產(chǎn)品中活的和死的線蟲幼蟲。

此外，通過對(duì)比正常魚與存在寄生蟲的魚的高光譜圖像，也可實(shí)現(xiàn)魚肉中寄生蟲的自動(dòng)檢測(cè)[22]。Sivertsen等[23-24]提出并改進(jìn)通過估計(jì)的局部背景光譜來校準(zhǔn)嵌入半透明材料中小物體光譜特征的方法，在工業(yè)條件下的新型高光譜成像系統(tǒng)中實(shí)現(xiàn)自動(dòng)檢測(cè)鱈魚片中的線蟲。Coelho等[25]首次利用高光譜成像系統(tǒng)揭示蛤蜊及其寄生蟲的歸一化光譜透射率，結(jié)果表明，在600～950 nm的光譜波段內(nèi)，蛤殼腔的歸一化透射率隨寄生菌的存在而發(fā)生改變，可用作設(shè)計(jì)寄生蟲探測(cè)器的有效光譜特征，并實(shí)現(xiàn)100%的檢測(cè)精度。PCA應(yīng)用于魚片的高光譜圖像，可清晰辨別出寄生蟲部位，證明了檢測(cè)算法的移植與優(yōu)化具備研究性和可行性[26]。

1.4 漁藥殘留檢測(cè)

目前我國(guó)危害比較嚴(yán)重的水產(chǎn)養(yǎng)殖動(dòng)物疾病高達(dá)100多種[27]，增大了漁民養(yǎng)殖用藥壓力的同時(shí)，不規(guī)范用藥甚至使用國(guó)家禁用藥物作為殺菌劑，漁藥殘留導(dǎo)致的食品安全事件頻頻發(fā)生。相比傳統(tǒng)檢測(cè)方法——液相色譜質(zhì)譜聯(lián)用檢測(cè)法步驟操作復(fù)雜[28]、耗時(shí)長(zhǎng)且需要昂貴的分析儀器，光譜技術(shù)因其優(yōu)點(diǎn)被研究使用在漁藥殘留檢測(cè)中。

Li等[29]使用表面增強(qiáng)拉曼光譜實(shí)現(xiàn)對(duì)農(nóng)藥三環(huán)唑和百草枯殘留的快速靈敏檢測(cè)，靈敏度分別達(dá)到5×10-3和1×10-3mg·L-1。Xu等[30]建立表面增強(qiáng)拉曼光譜快速檢測(cè)魚肉中的亞甲基藍(lán)和孔雀石綠方法，針對(duì)羅非魚魚片的最低檢測(cè)濃度達(dá)到1和0.3 ng·g-1。Xu等[30]采用金納米基底，吳煥樂[31]采用聚二甲基硅氧烷薄片表面沉積銀納米顆粒，研究了表面增強(qiáng)拉曼光譜對(duì)魚肉中孔雀石綠定量分析，并且檢測(cè)相關(guān)系數(shù)r為0.98，表現(xiàn)出極好的預(yù)測(cè)能力。此外，熒光強(qiáng)度與孔雀石綠濃度與有良好的線性關(guān)系，表面熒光光譜[32]、三維熒光光譜均可檢測(cè)出魚肉中孔雀石綠殘留濃度，最低檢出限為0.25 μg·L-1，最佳檢測(cè)pH環(huán)境為7.0，相關(guān)系數(shù)r分別達(dá)到0.997 4與0.989 77。

2 存在問題

應(yīng)用光譜技術(shù)進(jìn)行異物檢測(cè)存在局限性。如近紅外光譜需要20～50組已知參數(shù)的樣品，并且其結(jié)果的準(zhǔn)確性受到參考方法與樣品可靠性的影響；拉曼光譜的測(cè)量效果也會(huì)受到拉曼散射效應(yīng)強(qiáng)度、生物熒光干擾強(qiáng)度、儀器成本以及激光熱效應(yīng)的影響[33]；多光譜成像系統(tǒng)在消除數(shù)據(jù)冗余、加快檢測(cè)速度和選擇最佳波長(zhǎng)等方面也存在困難。光譜學(xué)已發(fā)現(xiàn)大量多元分析模型，但仍難完全解釋光譜儀所獲取的復(fù)雜光譜[34]。水產(chǎn)品研究多集中魚肉及魚肉制品，針對(duì)牡蠣、扇貝等水產(chǎn)品的研究多停留在尺寸、顏色等外觀分類問題，仍需深入探討[35]。

3 前景與展望

光譜技術(shù)在水產(chǎn)品異物檢測(cè)方面應(yīng)用前景十分廣闊，存在以下發(fā)展方向：

(1)傳統(tǒng)檢測(cè)算法進(jìn)一步優(yōu)化，多光譜技術(shù)應(yīng)用于水產(chǎn)品異物殘留檢測(cè)。王非等[36]提出一種基于優(yōu)選波長(zhǎng)的反射光譜成像技術(shù)檢測(cè)相似異物，在近紫外-可見-近紅外離散波段中篩選最佳光照波長(zhǎng)，并設(shè)置對(duì)應(yīng)反射光源，實(shí)現(xiàn)對(duì)異物圖像的有效提取。有研究對(duì)比了亞像素邊緣檢測(cè)算法和聚類算法的邊緣檢測(cè)效果，證明meanshift聚類算法在X射線圖像的異物殘留檢測(cè)更有效。

(2)深度學(xué)習(xí)在特征提取展現(xiàn)巨大優(yōu)勢(shì)，深度學(xué)習(xí)被用于光譜處理[37]。特別是深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)模型網(wǎng)絡(luò)可以對(duì)輸入數(shù)據(jù)自動(dòng)學(xué)習(xí)，無需人工提取特征，因而在圖像處理方面具備極大潛力[38]。可見光光譜技術(shù)，特別是RGB圖像，最早只可應(yīng)用于工業(yè)流水線中魚的初步切割[39]，但隨著深度學(xué)習(xí)應(yīng)用于機(jī)器視覺，已有研究應(yīng)用于魚骨識(shí)別，并取得較高的識(shí)別率與較快識(shí)別速度[40]。

(3)光譜技術(shù)與多種檢測(cè)技術(shù)的有機(jī)融合是今后發(fā)展的必然趨勢(shì)。將高光譜與超聲成像技術(shù)融合，實(shí)現(xiàn)對(duì)調(diào)理牛排的快速鑒別。Wei等[41]將三步紅外光譜與ATR-IR顯微成像光譜結(jié)合，魚骨識(shí)別長(zhǎng)度突破1.0 mm。將光纖與光譜技術(shù)相結(jié)合，也使在線監(jiān)測(cè)成為水產(chǎn)品檢測(cè)的可能。