出缸期皮蛋凝膠質(zhì)構(gòu)特性與品質(zhì)的高光譜無(wú)損檢測(cè)

陳遠(yuǎn)哲，王巧華, 2*，田文強(qiáng)，徐步云，胡建超

1.華中農(nóng)業(yè)大學(xué)工學(xué)院，湖北 武漢 430070 2.農(nóng)業(yè)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

引 言

皮蛋是我國(guó)特有的傳統(tǒng)蛋制品，風(fēng)味獨(dú)特，營(yíng)養(yǎng)價(jià)值豐富；皮蛋中富含不飽和脂肪酸，且氨基酸比例平衡，易消化吸收，深受人們的喜愛(ài)[1]。傳統(tǒng)上，皮蛋的加工通常使用鉛和其他對(duì)人類有害的重金屬。玄夕龍等嘗試采用無(wú)鉛工藝腌制皮蛋[2]。然而，腌制液中缺乏鉛等金屬來(lái)控制堿性溶液滲透到鴨蛋內(nèi)部，可能會(huì)造成堿傷影響皮蛋的品質(zhì)[3]。由于堿傷的存在，出缸期后皮蛋就被分為不同的等級(jí)。凝固完全富有彈性的凝膠狀態(tài)屬于優(yōu)質(zhì)蛋；輕微堿傷，剝開(kāi)后有少許黏殼、糟頭等現(xiàn)象的屬于合格蛋；嚴(yán)重堿傷，剝開(kāi)后出現(xiàn)爛頭，局部液化的屬于不合格蛋[4]。由于蛋殼掩蓋了鴨蛋基質(zhì)中發(fā)生的過(guò)程，腌制期中很難根據(jù)皮蛋的凝膠質(zhì)構(gòu)特性準(zhǔn)確地調(diào)整堿性溶液的精確濃度，以避免產(chǎn)生堿傷的皮蛋。目前國(guó)內(nèi)對(duì)皮蛋分級(jí)一致的做法是依靠人工，通過(guò)燈照、敲蛋感知振蕩量等方式來(lái)估算。這種方法繁瑣低效，不能滿足皮蛋行業(yè)快速、可靠地檢測(cè)皮蛋的凝膠質(zhì)構(gòu)特性與不同品質(zhì)的分級(jí)要求。

高光譜圖像是一種無(wú)損檢測(cè)新技術(shù)，已成功應(yīng)用于肉類、果蔬等品質(zhì)的分析與檢測(cè)[5-6]。高光譜數(shù)據(jù)包含了豐富的光譜信息，能夠精確地檢測(cè)出缸期皮蛋的光譜特征，估算皮蛋的質(zhì)構(gòu)參數(shù)進(jìn)而判斷皮蛋的等級(jí)。近年來(lái)，研究人員已從皮蛋破損、凝膠狀態(tài)、分級(jí)等方面做了初步研究：劉龍等根據(jù)皮蛋蛋殼的聲學(xué)特性，基于小波能量和BP神經(jīng)網(wǎng)絡(luò)對(duì)皮蛋的破損狀況進(jìn)行檢測(cè)[7]；Li[8]等根據(jù)皮蛋的介電阻抗，采用介電檢測(cè)將皮蛋分為凝膠狀皮蛋和非凝膠狀皮蛋，BN分類器的精度為81%；王巧華等[9]利用機(jī)器視覺(jué)與近紅外光譜對(duì)皮蛋進(jìn)行分級(jí)，優(yōu)質(zhì)蛋、次品蛋和劣質(zhì)蛋的準(zhǔn)確率分別為：96.49%，94.12%和100%。目前關(guān)于皮蛋凝膠質(zhì)構(gòu)特性的高光譜預(yù)測(cè)的研究尚無(wú)報(bào)道。

為評(píng)價(jià)出缸期皮蛋的質(zhì)構(gòu)特性，高效、可靠地對(duì)皮蛋進(jìn)行分級(jí)，本工作對(duì)采集的皮蛋高光譜數(shù)據(jù)進(jìn)行多種光譜變換，分析一維光譜、二維光譜和質(zhì)構(gòu)特性的相關(guān)性，提取特征波長(zhǎng)，建立光譜信息與皮蛋凝膠質(zhì)構(gòu)特性的回歸模型和分類模型，以期為今后的皮蛋內(nèi)部檢測(cè)提供依據(jù)。

1 實(shí)驗(yàn)部分

1.1 材料

試驗(yàn)用的優(yōu)質(zhì)蛋、合格蛋和不合格蛋均由湖北神丹健康食品有限公司生產(chǎn)。這些皮蛋都是采用市面上常見(jiàn)的青殼新鮮鴨蛋腌制，所有皮蛋都是在相同的條件下，按照同一的程序生產(chǎn)的。腌制完成后，由經(jīng)驗(yàn)豐富的工人挑選大小相近，蛋殼無(wú)破損的皮蛋作為試驗(yàn)樣本。圖1(a)所示的為完全凝膠化的優(yōu)質(zhì)蛋，剝?nèi)ず?，皮蛋小端的蛋清彈性光滑，且含有“松花”，不存在粘稠液體；圖1(b)顯示的是由于黏殼，皮蛋尖端存在小部分糟頭現(xiàn)象，輕微堿傷，屬于合格蛋；圖 1(c)所示的皮蛋有嚴(yán)重爛頭現(xiàn)象，局部液化，存在粘稠液體，屬于未完全凝膠的不合格蛋。其中優(yōu)質(zhì)蛋有105枚，合格蛋有75枚，不合格蛋有60枚。

圖1 不同品質(zhì)皮蛋樣本圖

1.2 儀器

實(shí)驗(yàn)儀器：TMS-PRO型專業(yè)食品物性分析儀(質(zhì)構(gòu)儀)；Zolix Hyper SIS-VNIR-CL高光譜圖像采集系統(tǒng)(美國(guó)海洋光學(xué)公司)。如圖2所示，高光譜成像系統(tǒng)的組成主要有光譜儀(Spectral Imaging Ltd.公司)、CCD工業(yè)相機(jī)(Hamamatsu公司)、4個(gè)150 W的鹵鎢燈(北京卓立漢光儀器有限公司)、1架水平移動(dòng)控制臺(tái)(北京卓立漢光有限公司)等部件構(gòu)成。該采集系統(tǒng)的光譜波長(zhǎng)范圍為400～1 000 nm(含有520個(gè)波段)，分辨率為2.5 nm, 所有樣本均在暗箱內(nèi)采集。

圖2 高光譜成像系統(tǒng)

1.3 高光譜圖像的采集與校正

實(shí)驗(yàn)前，需將儀器預(yù)熱30 min，以消除暗電流和CCD工業(yè)相機(jī)芯片不穩(wěn)定的影響，之后在移動(dòng)平臺(tái)上放置自制帶孔載物板，打開(kāi)光源，將完整帶殼皮蛋鈍端朝下水平放置。高光譜數(shù)據(jù)采集的相關(guān)參數(shù)設(shè)置為：試驗(yàn)樣本與鏡頭的距離為35 cm, 曝光時(shí)間為0.15 s，水平移動(dòng)控制臺(tái)的速度為2 mm·s-1, 移動(dòng)距離為210 nm。實(shí)驗(yàn)中會(huì)有光照不均、響應(yīng)時(shí)間不同等影響，因此需對(duì)采集的原始高光譜圖像進(jìn)行黑白版校正[10]，最終得到光譜反射率I，圖像校正公式為

(1)

式(1)中，IRaw為原始高光譜反射率；IB為黑板校正反射率(反射率接近0)；IW為白板校正反射率(反射率接近1)。

校正后，利用ENVI軟件(美國(guó)Exelis VIS公司)建立掩膜獲取感興趣區(qū)域，選取反射強(qiáng)度最高的數(shù)值減去最低的數(shù)值作成的新灰度圖像，然后采用Otsu閾值分割獲得二值圖像，進(jìn)而提取每個(gè)樣本的ROI，計(jì)算每個(gè)樣本的ROI區(qū)域的平均反射光譜作為對(duì)應(yīng)的原始反射光譜。

1.4 皮蛋質(zhì)構(gòu)特性的測(cè)定方法

利用TMS-PRO型專業(yè)食品物性分析儀進(jìn)行TPA質(zhì)地多面剖析法(texture profile analysis)實(shí)驗(yàn)。將形成凝膠之后的蛋清切成1 cm×1 cm×1 cm的方塊，在傳感器上安裝P/5平底柱形探頭，在凝膠測(cè)定程序中設(shè)置參數(shù)為：測(cè)定前速度為60 mm·min-1, 測(cè)定速度為60 mm·min-1, 測(cè)定后速度為60 mm·min-1，壓縮比為0.4，引發(fā)距離為20 mm, 引發(fā)力為5 g。采用TPA程序進(jìn)行凝膠質(zhì)構(gòu)測(cè)定，得到硬度、彈性參數(shù)，重復(fù)3次取平均值。

1.5 數(shù)據(jù)處理

1.5.1 一維、二維特征光譜分析

利用Matlab2016a軟件對(duì)原始光譜反射率進(jìn)行多元散射校正(multiplicative scatter correction, MSC)、去除包絡(luò)線(continuum removal, CR)、一階求導(dǎo)(first derivative, FD)以及包絡(luò)線去除和一階求導(dǎo)組合變換法(CR-FD)得到一維光譜。利用SPSS軟件的Pearson相關(guān)分析法對(duì)不同預(yù)處理的一維光譜與質(zhì)構(gòu)特性進(jìn)行相關(guān)性分析。

二維相關(guān)光譜(two-dimensional correlation spectra, 2DCOS)是將一維光譜數(shù)據(jù)擴(kuò)展到第二維度上，可以增加光譜的分辨率，使得一維光譜的弱峰和重疊峰更加清晰。利用2D shige軟件將所有波段的一維光譜兩兩組合生成二位相關(guān)光譜，以質(zhì)構(gòu)特性作為外部擾動(dòng)條件，深度解析二維同步光譜的特征變化，尋找與質(zhì)構(gòu)特性擾動(dòng)相關(guān)的特征波段范圍。

1.5.2 特征波長(zhǎng)的選擇

針對(duì)二維相關(guān)光譜篩選出的特征波段范圍，光譜數(shù)據(jù)之間仍然存在共線嚴(yán)重，影響模型運(yùn)算速度等問(wèn)題。因此采用如下5種方法提取有效信息變量：連續(xù)投影算法(successive projections algorithm, SPA)是一種前向循環(huán)的特征變量選取方法，能夠過(guò)濾無(wú)用信息，降低光譜數(shù)據(jù)之間的共線性, 變量數(shù)的確定是根據(jù)在該范圍內(nèi)的最小均方根誤差值(root mean square error, RMSE)；競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(competitive adaptive reweighted sampling, CARS)是由自適應(yīng)重加權(quán)采樣(ARS)算法提取PLSR模型中Rc絕對(duì)值大的波動(dòng)點(diǎn)，并由交叉驗(yàn)證選出模型中RMSECV最小的子集作為最優(yōu)變量子集；遺傳算法(genetic algorithm, GA)是把復(fù)雜的模型用繁殖機(jī)制結(jié)合編碼技術(shù)表現(xiàn)，不斷迭代、優(yōu)化來(lái)求得最優(yōu)解。粒子群優(yōu)化算法(particle swarm optimization, PSO)是一種迭代啟發(fā)式智能優(yōu)化算法，具有容易實(shí)現(xiàn)、收斂效果好等特點(diǎn)，PSO算法中所有粒子都有一個(gè)函數(shù)所決定的適應(yīng)值，以F=R2(R2為決定系數(shù))為適應(yīng)度函數(shù)篩選特征波長(zhǎng)；無(wú)信息消除法(uninformative variables elimination，UVE)為在原始數(shù)據(jù)中隨機(jī)添加一定數(shù)量級(jí)(本研究采用0～10-6)的噪聲, 逐次剔除一個(gè)樣本，剩下的樣本作為訓(xùn)練集建立PLS回歸模型，得到的回歸系數(shù)x由可信度Y來(lái)判斷是否選取該波長(zhǎng)。

(2)

式(2)中，Yi為第i個(gè)波長(zhǎng)的可信度; mean(xi)為模型平均回歸系數(shù); std(xi)為每個(gè)波長(zhǎng)的方差；當(dāng)|Yk|>max|Yj|時(shí)，選取該波長(zhǎng),k取1～520,j取450～1 000。

1.5.3 建模方法與模型評(píng)價(jià)

采用PLSR建立皮蛋凝膠質(zhì)構(gòu)特性的檢測(cè)回歸模型。PLSR是一種經(jīng)典的根據(jù)最小偏差的平方對(duì)曲線進(jìn)行擬合的方法，它是將質(zhì)構(gòu)參數(shù)作為因變量引入到光譜自變量數(shù)據(jù)中，進(jìn)行分解，使得自變量的主成分與樣本的質(zhì)構(gòu)參數(shù)相關(guān)聯(lián)。

通過(guò)化學(xué)計(jì)量法結(jié)合皮蛋凝膠質(zhì)構(gòu)參數(shù)找出表征出缸期不同品質(zhì)皮蛋的光譜差異性，來(lái)實(shí)現(xiàn)對(duì)未知出缸期皮蛋樣本品質(zhì)的分級(jí)。本研究從監(jiān)督模式判別方法建立偏最小二乘判別分析(partial least squares discriminate analysis , PLS-DA)，BP(back propagation)神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林(random forest, RF)三種分類模型進(jìn)行皮蛋品質(zhì)鑒別。

建立回歸模型后，采用決定系數(shù)R2、均方根誤差和相對(duì)分析誤差(relative percent deviation, RPD)作為PLSR模型的有效指標(biāo),R2越大、RMSE越小，表明模型的預(yù)測(cè)性越好。RPD是表示模型是否穩(wěn)定，當(dāng)RPD<1.4時(shí)，則認(rèn)為模型不可靠；當(dāng)1.42時(shí)，說(shuō)明模型具有極好的預(yù)測(cè)能力。

分類模型的性能基于混淆矩陣、ROC和AUC對(duì)模型進(jìn)行評(píng)價(jià)?；煜仃囀怯脕?lái)對(duì)分類模型預(yù)測(cè)結(jié)果的一種評(píng)價(jià)方式，ROC曲線能反應(yīng)分類器在某個(gè)閾值時(shí)對(duì)樣本的識(shí)別能力，其曲線下的面積(area under curve, AUC)用來(lái)作為定量數(shù)值的指標(biāo)。

2 結(jié)果與討論

2.1 皮蛋的原始光譜曲線分析

不同品質(zhì)皮蛋的原始高光譜曲線如圖3(a), 不同品質(zhì)皮蛋的光譜曲線的走向趨勢(shì)相似，表明優(yōu)質(zhì)蛋、合格蛋與不合格蛋樣品的內(nèi)部化學(xué)成分基本一致，但光譜集在401.3～449.6和952.5～1 000 nm范圍存在明顯的噪聲，故選用波段區(qū)間(450～950 nm)的光譜作為有效波段進(jìn)行分析。

圖3 樣本原始光譜(a), 樣本平均光譜(b)

圖3(b)所示為混合樣本集105枚優(yōu)質(zhì)蛋、75枚合格蛋和60枚不合格蛋的ROI平均光譜曲線。不同品質(zhì)的皮蛋表現(xiàn)出一定的差異，不合格皮蛋的的反射強(qiáng)度最高，合格蛋次之，優(yōu)質(zhì)蛋最低。其中，不合格蛋的第一個(gè)平均反射率波峰在534～561 nm, 合格蛋和優(yōu)質(zhì)蛋的反射率波峰有所前移，在523～558 nm附近。由于可見(jiàn)/近紅外波段的主要的吸收帶是由強(qiáng)泛音和含氫鍵O—H(多來(lái)自于水分子)、C—H(多來(lái)自于有機(jī)分子)、N—H(多來(lái)自于蛋白質(zhì))的吸收產(chǎn)生的，因此這些差異可能與皮蛋在腌制期蛋殼氣孔數(shù)量和內(nèi)膜結(jié)構(gòu)特性對(duì)凝膠品質(zhì)造成的影響有關(guān)，使出缸期不同品質(zhì)皮蛋的光譜有明顯差異。

2.2 樣本集的劃分

試驗(yàn)樣本中共有240枚皮蛋，利用光譜理化值共生距離法(sample set partitioning based on joint X-Y distances, SPXY)結(jié)合光譜信息按照3∶1比例對(duì)質(zhì)構(gòu)硬度和彈性進(jìn)行校正集和預(yù)測(cè)集劃分，統(tǒng)計(jì)出校正集和預(yù)測(cè)集的最大值、最小值、平均值和標(biāo)準(zhǔn)差如圖4所示。在圖4(a)中，硬度的分布范圍2.1～11.1 N，校正集和預(yù)測(cè)集的標(biāo)準(zhǔn)差分別為1.414 3和1.402 5；在彈性統(tǒng)計(jì)分類圖4(b)中，彈性值在12.47%～39.72%范圍內(nèi), 校正集和預(yù)測(cè)集的標(biāo)準(zhǔn)差為3.015 4和2.985 4；通過(guò)SPXY法劃分的凝膠質(zhì)構(gòu)校正集的分布范圍要廣于預(yù)測(cè)集，因此數(shù)據(jù)具有代表性。

圖4 樣本凝膠質(zhì)構(gòu)參數(shù)統(tǒng)計(jì)

2.3 一維光譜特征與質(zhì)構(gòu)特性的相關(guān)性分析

對(duì)原始光譜平滑預(yù)處理后，進(jìn)行多元散射校正、包絡(luò)線去除、一階求導(dǎo)、包絡(luò)線去除和一階求導(dǎo)組合變換，獲取不同光譜變換后的光譜變量與皮蛋凝膠質(zhì)構(gòu)參數(shù)的相關(guān)性，得到皮蛋質(zhì)構(gòu)參數(shù)和光譜變換的相關(guān)系數(shù)圖以及最大相關(guān)系數(shù)和敏感波段表，由圖5和表1所示。

表1 皮蛋凝膠質(zhì)構(gòu)特性最大相關(guān)系數(shù)和敏感波段

由圖5(a)可知，MSC和CR變換后的光譜和硬度的相關(guān)性走勢(shì)相似，由MSC、CR變換的光譜在541～778和537～803 nm波段與凝膠質(zhì)構(gòu)硬度的相關(guān)性達(dá)到了0.01極顯著相關(guān)水平，分別在714和726 nm處光譜變換的反射率與凝膠質(zhì)構(gòu)硬度的相關(guān)性最大，為-0.832和-0.871，且CR變換后的相關(guān)性整體大于MSC變換后的；由FD和CR-FD變換后的光譜與質(zhì)構(gòu)硬度的相關(guān)性曲線呈正負(fù)起伏變化，兩者變換后的光譜在541～601，652～731，742～753和802～842 nm波段附近與凝膠質(zhì)構(gòu)硬度的相關(guān)性達(dá)到0.01極顯著相關(guān)水平，分別在657和683 nm處光譜變換的反射率與凝膠質(zhì)構(gòu)硬度相關(guān)性最大，為0.813和0.882。同理，如圖5(b)所示，對(duì)不同變換后的光譜反射率與凝膠質(zhì)構(gòu)彈性進(jìn)行相關(guān)性分析，由MSC和CR變換后的光譜相關(guān)性相似，兩者分別在450～523和450～519 nm波段的光譜變換反射值與質(zhì)構(gòu)彈性達(dá)到0.01極負(fù)顯著相關(guān)水平，在739～942和714～946 nm波段的光譜變換反射率值與質(zhì)構(gòu)彈性達(dá)到0.01極正顯著相關(guān)水平，在806和817 nm處光譜變換的反射值與質(zhì)構(gòu)彈性相關(guān)性最高，分別為0.714和0.782；由FD和CR-FD變換后的光譜與質(zhì)構(gòu)彈性的相關(guān)性曲線表現(xiàn)為正負(fù)交叉，同時(shí)波峰波谷增多，在472～491和517～603 nm波段附近達(dá)到0.01極負(fù)顯著相關(guān)水平，在654～821和846～950 nm波段附近達(dá)到0.01極正顯著相關(guān)水平，分別在713和715 nm處的光譜變換反射值與質(zhì)構(gòu)彈性相關(guān)性最高，為0.862和0.865；由此可見(jiàn)，經(jīng)CR-FD變換的光譜反射率值與凝膠質(zhì)構(gòu)參數(shù)的相關(guān)性較其他變換方法的相關(guān)性有所提高。

圖5 硬度與光譜變換數(shù)據(jù)的相關(guān)性(a), 彈性與光譜變換數(shù)據(jù)的相關(guān)性(b)

2.4 二維相關(guān)光譜的圖譜特征

對(duì)CR-FD變換后的光譜采用二維相關(guān)光譜技術(shù)，表征以凝膠質(zhì)構(gòu)硬度和彈性為擾動(dòng)因子時(shí)，高光譜信號(hào)變化的協(xié)同程度，繪出的樣本2DCOS同步譜、三維立體圖和自相關(guān)譜，如圖6所示。2DCOS同步譜圖6(a)存在自相關(guān)和交叉峰，對(duì)角線上的自相關(guān)峰與質(zhì)構(gòu)硬度和彈性相關(guān)，表征該波段處光譜信號(hào)在質(zhì)構(gòu)硬度和彈性改變時(shí)的變化程度；對(duì)角線外的交叉峰反映了在質(zhì)構(gòu)硬度和彈性變化時(shí)各吸收峰之間的相關(guān)程度。在自相關(guān)譜圖6(c)中，以硬度為擾動(dòng)因子時(shí)，波長(zhǎng)476，539，647，672，728和851 nm處存在自相關(guān)峰，表明該波長(zhǎng)處的光譜信號(hào)對(duì)硬度值較敏感，在波長(zhǎng)483，572，657，739和826 nm處的光譜信號(hào)對(duì)彈性值較敏感，說(shuō)明上述變量是與凝膠質(zhì)構(gòu)相關(guān)的敏感變量波長(zhǎng)。因此，本文選擇476～851 nm作為皮蛋凝膠硬度的研究區(qū)域，選擇483～826 nm作為皮蛋凝膠彈性的研究波長(zhǎng)范圍。

圖6 皮蛋凝膠質(zhì)構(gòu)特性二維相關(guān)同步譜(a)，三維立體圖(b)，自相關(guān)譜(c)

2.5 特征波長(zhǎng)提取

由二維相關(guān)光譜得出結(jié)果可以看出，兩種質(zhì)構(gòu)指標(biāo)的敏感波段數(shù)量依然較多。采用5種方法對(duì)經(jīng)CR-FD變換的質(zhì)構(gòu)硬度光譜476～851 nm波段和質(zhì)構(gòu)彈性483～826 nm波段篩選特征波長(zhǎng)，其分布情況如圖7所示。對(duì)于圖7(a)硬度波長(zhǎng)的篩選，由SPA算法選擇的波長(zhǎng)最少，使用CARS算法選擇的波長(zhǎng)數(shù)量最多，使用GA選擇的波長(zhǎng)分布在特定的波段區(qū)域，而使用PSO和UVE算法選擇的波長(zhǎng)相對(duì)均勻涉及整個(gè)波段。經(jīng)特征波長(zhǎng)選擇后，硬度波長(zhǎng)數(shù)量最少占整個(gè)波段的2.4%，最多占波段的6.7%。對(duì)于圖7(b)彈性波長(zhǎng)的篩選，使用SPA算法選擇波長(zhǎng)數(shù)最少，使用GA選擇的波長(zhǎng)最多，運(yùn)用不同方法選擇的波長(zhǎng)分布較分散且不連續(xù)，彈性波長(zhǎng)數(shù)量最少占整個(gè)波段的2.3%，最多占7.6%?？梢钥闯?，不同方法提取的波長(zhǎng)的數(shù)量也不同，因此確定特征波長(zhǎng)可以有效減少光譜數(shù)據(jù)冗余，提高模型的運(yùn)行速度。

圖7 硬度特征波長(zhǎng)分布(a), 彈性特征波長(zhǎng)分布(b)

2.6 PLSR模型的建立與預(yù)測(cè)

采用5種不同波長(zhǎng)選擇方法SPA，CARS，GA，PSO和UVE篩選的特征波長(zhǎng)作為PLSR模型的自變量，皮蛋凝膠質(zhì)構(gòu)硬度和彈性分別作為因變量，建立回歸模型。將全光譜數(shù)據(jù)用于建模對(duì)比，分析波長(zhǎng)篩選的效果，模型的預(yù)測(cè)效果如表2所示。

表2 皮蛋質(zhì)構(gòu)硬度和彈性的PLSR模型預(yù)測(cè)結(jié)果

圖8 質(zhì)構(gòu)硬度驗(yàn)證散點(diǎn)圖(a), 彈性驗(yàn)證散點(diǎn)圖(b)

2.7 皮蛋品質(zhì)的預(yù)測(cè)

為了準(zhǔn)確預(yù)測(cè)不同品質(zhì)的皮蛋，采用以彈性為標(biāo)準(zhǔn)值回歸模型較優(yōu)的PSO算法提取特征波長(zhǎng)，將得到的20個(gè)波長(zhǎng)變量作為輸入量分別導(dǎo)入到PLS-DA，BP和RF分類模型。對(duì)樣本集按照2∶1劃分，得到皮蛋測(cè)試集(優(yōu)質(zhì)蛋35枚、合格蛋25枚、不合格蛋20枚)，其預(yù)測(cè)效果與ROC曲線如圖9所示，PLS-DA模型的性能表現(xiàn)最好，優(yōu)質(zhì)蛋與合格蛋的準(zhǔn)確率在0.92以上，不合格蛋的準(zhǔn)確率達(dá)到1.00；相較之下，BP分類模型的泛化能力較弱，對(duì)優(yōu)質(zhì)蛋的分類RF分類模型效果略優(yōu)于BP模型。

圖9 不同模型預(yù)測(cè)結(jié)果的混淆矩陣與ROC曲線

3 結(jié) 論

(1)經(jīng)不同變換的一維光譜數(shù)據(jù)，可以提高凝膠質(zhì)構(gòu)硬度、彈性與光譜變量的相關(guān)性。由CR-FD變換后的光譜反射率與凝膠質(zhì)構(gòu)硬度、彈性相關(guān)性最大，分別在683和715 nm處取到最大值為0.882和0.865。基于二維相關(guān)光譜方法，以皮蛋凝膠質(zhì)構(gòu)硬度和彈性為擾動(dòng)因子，選擇476～851和483～826 nm兩個(gè)敏感波段分別作為凝膠硬度和彈性的研究區(qū)域。

(3)基于PSO提取的特征波長(zhǎng)建立的不同分類模型對(duì)不同品質(zhì)皮蛋進(jìn)行預(yù)測(cè)，以測(cè)試結(jié)果的混淆矩陣和ROC曲線作為綜合指標(biāo)，選擇PLS-DA模型可實(shí)現(xiàn)不同品質(zhì)皮蛋的準(zhǔn)確分類。