基于高光譜技術(shù)的蛋白粉摻假檢測(cè)研究

李 斌， 殷 海， 張 烽， 崔惠楨， 歐陽愛國(guó)

華東交通大學(xué)智能機(jī)電創(chuàng)新研究院， 江西 南昌 330013

引 言

在經(jīng)濟(jì)利益的驅(qū)使下， 食品摻假屢見不鮮， 并已成為全球性的挑戰(zhàn)。 從簡(jiǎn)單加工到復(fù)雜制作， 都有可能出現(xiàn)食品摻假。 食品摻假會(huì)產(chǎn)生一系列的問題， 例如降低食品營(yíng)養(yǎng)成分、 食物中毒或引起過敏， 從而會(huì)影響消費(fèi)者的健康， 甚至?xí)?duì)消費(fèi)者產(chǎn)生致命的后果。 蛋白粉是最基本的營(yíng)養(yǎng)補(bǔ)劑， 也是健身的必備物品， 對(duì)于每個(gè)健身者來說都不可或缺。 蛋白粉不僅能在健身后提供必要的蛋白質(zhì)， 而且所提供的能量能讓肌肉加速恢復(fù)和增長(zhǎng)。 目前， 蛋白粉的市場(chǎng)需求量在不斷增加， 但是， 有些蛋白粉生產(chǎn)商家為了降低生產(chǎn)成本， 會(huì)以顏色相近且價(jià)格低廉的其他粉末作為摻假物質(zhì)添加到蛋白粉中。 這樣不僅會(huì)大大損害消費(fèi)者的權(quán)益， 而且對(duì)正規(guī)生產(chǎn)商家蛋白粉的生產(chǎn)和銷售產(chǎn)生威脅。

目前， 蛋白粉摻假檢測(cè)大多采用化學(xué)方法檢測(cè)， 這些方法既有長(zhǎng)處也存在短處[1]。 例如， 免疫分析法是利用毒物與標(biāo)記毒物競(jìng)爭(zhēng)性結(jié)合抗體檢測(cè)毒物的方法， 雖然成本較低， 但是不耐高溫， 無法在高溫環(huán)境中進(jìn)行檢測(cè)[2]； 生物傳感器法具有檢測(cè)速度快、 成本低等優(yōu)點(diǎn)， 但在生物響應(yīng)方面， 需進(jìn)一步加強(qiáng)其穩(wěn)定性[3]； 氣相色譜法檢測(cè)靈敏度極高， 但是對(duì)固體樣品、 部分無機(jī)樣品不適用[4]； 液相色譜法具有常溫操作， 不受樣品揮發(fā)度和熱穩(wěn)定性的限制等優(yōu)點(diǎn)， 但是檢測(cè)儀器昂貴[5]。 雖然這些方法檢測(cè)精度高， 但是是有損檢測(cè)[6-7]。 目前亟需探索一種易于操作， 并且在不損害實(shí)驗(yàn)樣本的情況下實(shí)現(xiàn)快速檢測(cè)的蛋白粉摻假檢測(cè)方法。

高光譜技術(shù)具有操作簡(jiǎn)單， 且能夠快速、 無損檢測(cè)等優(yōu)點(diǎn)， 被廣泛應(yīng)用于食品摻假方面的檢測(cè)， 如Ropodi等利用高光譜技術(shù)檢測(cè)將不同比例的豬肉摻入牛肉中并進(jìn)行有效區(qū)分[8]。 Wu等采用高光譜技術(shù)研究了在蝦中進(jìn)行明膠摻假， 并驗(yàn)證了其檢測(cè)的可靠性與準(zhǔn)確性[9]。 Shun等基于高光譜圖像的特征光譜信息有效判別出了東北長(zhǎng)粒香大米摻入了不同比例的江蘇溧水大米[10]。 Shun等利用高光譜技術(shù)對(duì)牛肉丸中摻入豬肉和雞肉進(jìn)行檢測(cè)， 然后采用不同的預(yù)處理方法處理光譜數(shù)據(jù)， 并聯(lián)用四種篩選波長(zhǎng)的方法后建立PLS模型， 表明了高光譜技術(shù)可以實(shí)現(xiàn)牛肉丸中摻假含量的預(yù)測(cè)[11]。

上述研究表明了高光譜技術(shù)在檢測(cè)食品摻假上具有可行性， 然而在多種已有的對(duì)蛋白粉摻假的檢測(cè)方法中， 高光譜技術(shù)未被提及。 本研究采用高光譜技術(shù)對(duì)蛋白粉摻假進(jìn)行定性、 定量檢測(cè)， 以期能為蛋白粉安全品質(zhì)監(jiān)控提供一定的幫助。

1 實(shí)驗(yàn)部分

1.1 樣品制備

實(shí)驗(yàn)所用的蛋白粉和摻假物(玉米粉、 大米粉和小麥粉)均從大型超市購(gòu)買， 總共制備了四類樣品， 分別是： 第一類是純蛋白粉樣品， 第二類是蛋白粉摻了玉米粉的樣品， 第三類是蛋白粉摻了大米粉的樣品和第四類是蛋白粉摻了小麥粉的樣品。 摻假樣品一共配置288個(gè)樣品， 質(zhì)量百分?jǐn)?shù)5%～60%， 濃度間隔5%， 其濃度和樣本數(shù)量的詳細(xì)信息如表1所示， 以及純蛋白粉樣品96個(gè)， 故共制備了384個(gè)樣品。 采用配有50 mL聚丙烯離心管的旋渦混合器對(duì)每個(gè)實(shí)驗(yàn)樣本進(jìn)行混合處理； 為了使得每種摻假樣品能夠在蛋白粉中均勻分布， 機(jī)器工作時(shí)間設(shè)定為1 min。 然后， 用液壓機(jī)在10 MPa的壓力下壓1 min， 制備樣品壓片， 壓片的形狀為圓餅形， 直徑為13 mm， 厚度為0.8～1.1 mm。 將這樣制備好的樣品放在貼有標(biāo)簽的袋子里， 并將其密封。

表1 三類摻假樣品的質(zhì)量百分?jǐn)?shù)及樣本數(shù)量

1.2 高光譜圖像采集

1.2.1 高光譜成像系統(tǒng)

實(shí)驗(yàn)數(shù)據(jù)采集用蓋亞(GaiaSorter)高光譜分選儀， 其組成結(jié)構(gòu)示意圖如圖1所示。 系統(tǒng)硬件的組成主要包括成像光譜儀、 四盞鹵素?zé)?20 W)、 位移平臺(tái)和步進(jìn)電機(jī)。 軟件主要采用SpectralView。

圖1 高光譜成像系統(tǒng)

1.2.2 高光譜成像數(shù)據(jù)采集與標(biāo)定

在圖像采集之前， 為了減少基線漂移， 需要打開系統(tǒng)預(yù)熱30 min。 設(shè)置的參數(shù)如表2所示。 操作步驟： (1) 將壓成圓餅狀的樣品放在位移平臺(tái)上； (2) 打開位移平臺(tái)， 并點(diǎn)擊保存按鈕采集高光譜數(shù)據(jù)； (3) 利用計(jì)算機(jī)軟件記錄數(shù)據(jù)， 最終形成一個(gè)包含了影像信息和光譜信息的三維數(shù)據(jù)立方體。

表2 高光譜系統(tǒng)具體參數(shù)設(shè)置

由于攝像頭中存在暗電流， 會(huì)對(duì)實(shí)驗(yàn)數(shù)據(jù)產(chǎn)生影響， 為了減少這種影響， 需要對(duì)采集到的原始圖像進(jìn)行黑白版校正[12]。 校正公式如式(1)所示。

(1)

式(1)中，R，R0，B和W分別為校正后的圖像、 原始圖像、 黑色參考和白色參考。

1.3 數(shù)據(jù)處理方法

1.3.1 光譜數(shù)據(jù)提取

感興趣區(qū)域(ROI)面積為100像素×100像素， 是采用ENVI4.5軟件提取的， 該區(qū)域內(nèi)的光譜反射率的平均值為樣本的光譜數(shù)據(jù)。 利用高光譜成像系統(tǒng)采集到的信息不能夠直接應(yīng)用于建模， 因?yàn)槠浒艘恍?duì)于實(shí)驗(yàn)分析造成影響的信息和噪聲。 在建立模型之前， 為減少噪聲等對(duì)實(shí)驗(yàn)結(jié)果產(chǎn)生不好的影響[13]， 采用卷積平滑(SG)、 標(biāo)準(zhǔn)化(Normalize)、 多元散射校正法(MSC)、 基線校正(Baseline)和標(biāo)準(zhǔn)正態(tài)變換(SNV)對(duì)數(shù)據(jù)進(jìn)行處理[14]， 然后， 建立不同預(yù)處理方法處理后的模型， 對(duì)比模型性能， 為后續(xù)的數(shù)據(jù)處理選出最佳的預(yù)處理方法。

1.3.2 特征波長(zhǎng)的選取

全波段光譜數(shù)據(jù)量非常龐大， 可能會(huì)包含一些無關(guān)信息和重復(fù)信息， 這些無用信息不僅會(huì)降低模型的運(yùn)算速度， 甚至?xí)档湍Ｐ偷臏?zhǔn)確性。 因此， 進(jìn)行特征提取以簡(jiǎn)化模型、 提升模型效率非常必要。 篩選特征波長(zhǎng)的方法多種多樣， 如競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(CARS)、 連續(xù)投影算法(SPA)等[15]。 在不同摻假物濃度的定量分析中采用了SPA和CARS算法, 然后分別建立最小二乘支持向量機(jī)(LSSVM)模型。

2 結(jié)果與討論

2.1 不同類摻假的定性分析

2.1.1 所有樣品的光譜特征

毛夫人搖頭說，不知道，這種事在醫(yī)院總是有的，而且毛德君也很少在家說單位的事。秦明月沉吟一下說：“有必要的話，我們還要到你家去看看?！泵蛉苏f：“只要能抓到那個(gè)兇手，我什么都愿意做。”秦明月留下自己的名片，讓她想起什么就打他的電話。

從圖2(a)中可知， 摻入玉米粉、 大米粉和小麥粉的樣品光譜曲線趨勢(shì)有很大的共同性， 并且大部分樣品的光譜相重疊， 通過肉眼根本無法區(qū)分出樣品摻入了何種摻假物， 但是從圖2(b)中可以看出， 蛋白粉中摻入20%質(zhì)量分?jǐn)?shù)的摻假物， 光譜曲線還是存在明顯的區(qū)別， 所以在樣本數(shù)量較大時(shí)， 需要通過對(duì)數(shù)據(jù)進(jìn)行處理， 以提高檢測(cè)不同摻假物的建模精度。

2.1.2 光譜數(shù)據(jù)處理

運(yùn)用Kennard-stone(KS)算法， 將384個(gè)樣本按照3∶1的比例的分成訓(xùn)練集和預(yù)測(cè)集， 即訓(xùn)練集有288個(gè)樣本數(shù)據(jù)， 預(yù)測(cè)集有96個(gè)樣本數(shù)據(jù)。 光譜曲線中既包含有用信息， 也包含一些噪聲等無用信息， 為了減少無用信息對(duì)后續(xù)建模精度產(chǎn)生影響， 需要對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。 本研究采用的算法包括SG， Normalize， MSC， Baseline和SNV。

圖2 蛋白粉中摻假不同物質(zhì)的光譜曲線

為了找出性能較優(yōu)的預(yù)測(cè)模型， 將各種預(yù)處理后的全波段光譜建立三種預(yù)測(cè)模型， 分別是主成分回歸(PCR)模型、 反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)模型和隨機(jī)森林(RF)模型, 然后比較它們?cè)诟餍☆惿系臏?zhǔn)確率以及整體的準(zhǔn)確率， 最后得出一個(gè)能夠預(yù)測(cè)不同摻假物的最優(yōu)判別模型。

2.1.3 全波段模型效果評(píng)價(jià)

從表3中可知： 基于原始全波段光譜建立的PCR， BPNN和RF模型整體準(zhǔn)確性都沒有達(dá)到100%。 全波段光譜經(jīng)過各種預(yù)處理方法處理后， 建立主成分回歸(PCR)模型， 除預(yù)處理Baseline建立的模型外， 其他模型相比于原始光譜建立的模型， 精度都得到了一定的提高， 精度提高最大的預(yù)處理算法是MSC, 模型總共判斷錯(cuò)誤8例， 分別是摻假物為玉米粉4例和摻假物為小麥粉4例， 整體準(zhǔn)確性為97.9%， 模型的判別效果較優(yōu)。 經(jīng)過各種預(yù)處理方法后的全波段光譜建立的BPNN模型， 雖然在小類的準(zhǔn)確率達(dá)到了100%， 但在整體準(zhǔn)確率上卻沒有超過70.0%， 其模型的判別效果較差。 相比于以上兩種模型， RF模型整體準(zhǔn)確率都達(dá)到了94.0%以上， 甚至在MSC預(yù)處理方法下建立的模型， 其整體準(zhǔn)確率達(dá)到了100%， 其對(duì)應(yīng)的RP和RMSEP分別為0.997 9和0.018 9。 故對(duì)于預(yù)測(cè)蛋白粉中不同摻假物的最優(yōu)判別模型是MSC-RF模型。

2.2 不同摻假濃度的定量分析

2.2.1 不同摻假濃度的平均光譜特征

2.2.2 光譜數(shù)據(jù)處理

為了定量分析蛋白粉中摻假物的含量， 運(yùn)用Kennard-stone(KS)算法， 將每類的104條蛋白粉摻假光譜按照3∶1的比例分成訓(xùn)練集和預(yù)測(cè)集， 即訓(xùn)練集有78個(gè)樣本數(shù)據(jù)， 預(yù)測(cè)集有26個(gè)樣本數(shù)據(jù)。 然后， 分別基于原始光譜和SG， Normalize， MSC， Baseline和SNV建立了LSSVM(RBF_kernel)模型。 比較模型的預(yù)測(cè)結(jié)果， 選出最好的光譜預(yù)處理。

表3 基于原始及預(yù)處理全波段光譜的三種模型下準(zhǔn)確率對(duì)比

圖3 三類摻假樣本的各濃度平均光譜曲線

2.2.3 全波段LSSVM(RBF_kernel)模型效果評(píng)價(jià)

表4是采用原始全波段光譜以及各種預(yù)處理方法處理過的數(shù)據(jù)作為L(zhǎng)SSVM(RBF_kernel)模型輸入值后的結(jié)果。 比較表中的結(jié)果可知， 基于原始全波段光譜建立的摻假物為玉米粉的模型精度最高， RMSEP為0.017 8，RP為0.996 1， 其對(duì)應(yīng)的γ=4 464 077.790 8，σ2=921.039 0； 摻假物為大米粉的模型精度最高的預(yù)處理方法是Baseline， RMSEP為0.018 4，RP為0.996 1， 其對(duì)應(yīng)的γ=54 097.003 8，σ2=2 042.103 4; 摻假物為小麥粉的模型精度最高的預(yù)處理方法是Normalize， RMSEP為0.013 8，RP為0.997 8， 其對(duì)應(yīng)的γ=149 529.038 6，σ2=802.730 2。

2.2.4 特征波長(zhǎng)的選擇

為了簡(jiǎn)化模型和提高模型的檢測(cè)速度， 需要從全波段光譜中挑選出具有代表性的特征波長(zhǎng)， 因此選用SPA和CARS兩種方法去篩選， 然后分別使用篩選出的特征波長(zhǎng)建立模型。

使用SPA方法分別對(duì)三類摻假樣本的光譜進(jìn)行波段篩選， 特征波長(zhǎng)的數(shù)量范圍將其設(shè)置為1～40， 最后SPA篩選出三類摻假樣本的特征波長(zhǎng)數(shù)量為12， 10和13。 使用CARS方法篩選時(shí)， 將采樣次數(shù)設(shè)置為100次， 最終篩選出三類摻假樣本的特征波長(zhǎng)變量分別為33， 41和47， 兩種方法篩選出的波長(zhǎng)如表5所示。

2.2.5 特征波長(zhǎng)LSSVM(RBF_kernel)的結(jié)果

利用SPA和CARS這兩種方法獲取三類摻假物樣本光譜的特征波長(zhǎng)， 然后分別建立SPA-LSSVM和CARS-LSSVM簡(jiǎn)化模型， 結(jié)果如表6所示。 可以看出， 三類摻假樣本的SPA-LSSVM模型對(duì)應(yīng)的RP為0.989 0， 0.986 0和0.997 9， CARS-LSSVM模型對(duì)應(yīng)的RP為0.991 0， 0.994 6和0.999 1。 而從表4中可知摻假物為玉米粉、 大米粉和小麥粉的樣本對(duì)應(yīng)最佳的LSSVM模型的RP分別為0.996 1，0.996 1和0.997 8。 綜上所述， 基于全波段光譜建立的模型與基于特征波長(zhǎng)建立的模型， 其性能相差無幾， 摻假物為小麥粉的樣本基于特征波長(zhǎng)建立的CARS-LSSVM模型性能要優(yōu)于基于全波段光譜建立的LSSVM模型。 并且由于特征波長(zhǎng)篩選會(huì)大大降低波長(zhǎng)的數(shù)量， 使得模型的運(yùn)算時(shí)間會(huì)大幅度縮減， 效率更高， 所以總體上會(huì)更適合在線檢測(cè)的要求。 同時(shí)， 從RP和RMSEP方面對(duì)比兩種波長(zhǎng)篩選方法建模后的預(yù)測(cè)效果， 從表6中可知， 三類摻假樣本的CARS-LSSVM模型的RP均高于三類摻假樣本的SPA-LSSVM模型， RMSEP均低于三類摻假樣本的SPA-LSSVM模型， 所以蛋白粉中摻玉米粉、 大米粉和小麥粉的LSSVM 預(yù)測(cè)模型所對(duì)應(yīng)的最佳特征波長(zhǎng)篩選方法均為CARS。 圖4(a)， (b)和(c)分別是CARS-LSSVM蛋白粉摻玉米粉、 大米粉和小麥粉含量預(yù)測(cè)模型的散點(diǎn)圖。

表4 基于原始及預(yù)處理全波段光譜的LSSVM(RBF_kernel)模型預(yù)測(cè)結(jié)果

3 結(jié) 論

通過高光譜技術(shù)對(duì)蛋白粉中的玉米粉、 大米粉和小麥粉三類摻假物進(jìn)行了定性、 定量檢測(cè)分析。 首先， 對(duì)樣本的光譜數(shù)據(jù)進(jìn)行預(yù)處理， 預(yù)處理方法包括SG， Normalize， MSC， Baseline和SNV， 然后， 將原始和預(yù)處理后的光譜分別建立PCR， BPNN和RF模型， 比較模型之間的正確率， 得出全波段光譜在MSC預(yù)處理方法下建立的RF模型最優(yōu)， 其整體準(zhǔn)確率達(dá)到了100%。 再對(duì)蛋白粉中不同摻假物濃度進(jìn)行定量分析。 首先， 利用原始全波段光譜和預(yù)處理后的全波段光譜建立LSSVM預(yù)測(cè)模型， 比較模型性能， 得出蛋白粉中摻玉米粉、 大米粉和小麥粉的LSSVM預(yù)測(cè)模型最佳預(yù)處理方法分別是無、 Baseline和Normalize, 然后， 在SPA和CARS這兩種特征波長(zhǎng)篩選方法中， 蛋白粉中摻玉米粉、 大米粉和小麥粉的LSSVM預(yù)測(cè)模型所對(duì)應(yīng)的最佳特征波長(zhǎng)篩選方法均為CARS, 篩選出的特征波長(zhǎng)的數(shù)量分別為26， 41和47，與之對(duì)應(yīng)的RP和RMSEP分別為0.991 0和0.025 3， 0.994 6和0.022 7， 0.999 1和0.008 8。 研究表明， 高光譜技術(shù)可快速、 準(zhǔn)確、 無損對(duì)蛋白粉摻假進(jìn)行定性、 定量檢測(cè)， 為進(jìn)一步運(yùn)用高光譜技術(shù)開展蛋白粉安全品質(zhì)快速檢測(cè)提供理論和實(shí)驗(yàn)參考。

表5 兩種波段篩選方法下篩選的結(jié)果

表6 基于不同特征波長(zhǎng)篩選方法的蛋白粉中摻假物含量的LSSVM(RBF_kernel)模型預(yù)測(cè)結(jié)果

圖4 CARS-LSSVM三類摻假樣本的預(yù)測(cè)模型散點(diǎn)圖