高光譜技術(shù)融合紋理信息的羊肉總酚濃度快速檢測(cè)

孫有瑞，郭 美，劉貴珊*，樊奈昀*，張浩楠，李 月，蒲芳寧，楊世虎，王 昊

1. 寧夏大學(xué)食品與葡萄酒學(xué)院，寧夏 銀川 750021 2. 寧夏大學(xué)物理與電子電氣工程學(xué)院，寧夏 銀川 750021

引 言

灘羊是寧夏優(yōu)勢(shì)特色畜種，其肉質(zhì)鮮香細(xì)嫩、 不膻不腥、 肌肉紋理清晰，備受消費(fèi)者喜愛(ài)[1]。氧化是導(dǎo)致宰后肉品劣變的重要原因之一，總酚濃度(total phenolic content, TPC)是肌肉內(nèi)源抗氧化指標(biāo)之一，能反映宰后肉質(zhì)氧化還原程度，從而判別肉品的新鮮度。傳統(tǒng)檢測(cè)方法因費(fèi)時(shí)費(fèi)力，破壞性大不能滿足現(xiàn)代快速無(wú)損檢測(cè)的需求。近年來(lái)，高光譜成像技術(shù)因其可同時(shí)實(shí)現(xiàn)光譜信息分析和圖像處理，廣泛應(yīng)用于肉品新鮮度[2-4]、 嫩度[5]、 脂肪酸含量[6]、 食源性病原體[7]、 脂質(zhì)氧化[8]等方面，然而，基于高光譜成像技術(shù)結(jié)合紋理特征法檢測(cè)肉品中TPC的研究鮮有報(bào)道。

以灘羊肉為研究對(duì)象，采用高光譜成像結(jié)合圖像紋理信息對(duì)羊肉中TPC進(jìn)行無(wú)損檢測(cè)，通過(guò)將TPC反演到樣本的高光譜圖像以色彩直觀化形式展現(xiàn)出來(lái)，實(shí)現(xiàn)TPC含量的可視化表達(dá)。

1 實(shí)驗(yàn)部分

1.1 樣本

灘羊肉樣本采集于寧夏鹽池鑫海牧場(chǎng)。宰后將背最長(zhǎng)肌、 前腿肉及后腿肉放入保溫箱運(yùn)至實(shí)驗(yàn)室，用無(wú)菌刀剔除肉樣表面多余脂肪和筋膜，分割為3.0 cm×2.0 cm×1.0 cm的羊肉樣本180個(gè)(背最長(zhǎng)肌∶前腿肉∶后腿=1∶1∶1)，真空包裝后標(biāo)記，4 ℃冰箱排酸24 h。

1.2 圖像采集

可見(jiàn)/近紅外高光譜成像系統(tǒng)(400～1 000 nm)，由高光譜成像光譜儀、 CCD相機(jī)、 光纖鹵素?zé)?150 W)、 電控位移平臺(tái)、 數(shù)據(jù)采集軟件五部分組成。啟動(dòng)高光譜系統(tǒng)預(yù)熱30 min，進(jìn)行黑白校正和參數(shù)設(shè)定[6]。

1.3 總酚濃度測(cè)定

參考Luciano[9]等的方法并略作修改[10]。

1.4 數(shù)據(jù)分析

1.4.1 預(yù)處理方法

采用多元散射校正(multiplicative scatter correction，MSC)、 基線校準(zhǔn)(baseline)、 去趨勢(shì)(De-trending)、 卷積平滑(Savitzky-Golay，S-G)、 標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate transformation，SNV)、 歸一化(normalize)和De-trending-SNV預(yù)處理算法減少原始光譜中噪音和背景信息的干擾，增強(qiáng)光譜數(shù)據(jù)的有用信號(hào)，提高模型預(yù)測(cè)性能。

1.4.2 特征波長(zhǎng)選擇方法

引導(dǎo)軟收縮(bootstrapping soft shrinkage，BOSS)算法引入自助抽樣和加權(quán)自助抽樣來(lái)生成隨機(jī)變量組合并構(gòu)建子模型[11]。競(jìng)爭(zhēng)性自適應(yīng)加權(quán)抽樣(competitive adaptive reweighted sampling，CARS)算法遵循每組波長(zhǎng)變量通過(guò)各自的權(quán)重相互競(jìng)爭(zhēng)，大的權(quán)重集保留，較小的權(quán)重集去除的原理。變量組成集群分析-迭代保留信息變量(variable combination population analysis-iteratively retains informative variables，VCPA-IRIV)算法采用變量選擇混合策略，通過(guò)改進(jìn)的VCPA縮小變量空間，再使用IRIV進(jìn)一步優(yōu)化。區(qū)間變量迭代空間收縮法(interval variable iterative space shrinkage approach，iVISSA)算法是從整體和個(gè)體對(duì)波段進(jìn)行搜索。其中整體和個(gè)體分析采用波段的權(quán)重優(yōu)化，以準(zhǔn)確區(qū)分各個(gè)波段的位置、 寬度和組合[5]。

1.4.3 圖像紋理信息的提取

灰度共生矩陣(gray-level co-occurrence matrix，GLCM)用于計(jì)算相鄰像素之間不同灰度值的組合數(shù)目，以此反映在指定方向上的梯度信息[12]，在灰度梯度信息基礎(chǔ)上從不同角度(θ=0°，45°，90°，135°)提取能量(ASM)、 對(duì)比度(CON)、 相關(guān)性(COR)和熵(ENT)作為圖像紋理特征參數(shù)的典型性。提取的四個(gè)紋理參數(shù)根據(jù)式(1)—式(8)進(jìn)行計(jì)算

(1)

(2)

(3)

(4)

(5)

(6)

(7)

(8)

式中，X為GLCM的列數(shù)，Y為GLCM的行號(hào)，p(i,j)為灰度共生矩陣。

1.4.4 模型建立

2 結(jié)果與討論

2.1 光譜曲線分析

光譜反射率是肉樣化學(xué)成分、 顏色、 質(zhì)地、 溫度等性質(zhì)的綜合反映，Vis-NIR區(qū)域的光譜吸收峰與C—H，O—H和N—H分子鍵組成的有機(jī)化合物的基本振動(dòng)組合有關(guān)[13]。如圖1所示，430，580，760和970 nm為肉樣的主要吸收帶，430和580 nm左右的吸收帶與肉樣中色素蛋白有關(guān)[14]；760和970 nm左右的吸收峰由O—H基團(tuán)的第二泛音和第三泛音引起[15]，對(duì)應(yīng)于肉樣中的水分。

圖1 灘羊肉樣本的光譜曲線Fig.1 Spectral curves of Tan mutton samples

2.2 光譜預(yù)處理

2.3 特征波長(zhǎng)提取

采用CARS，BOSS，iVISSA和VCPA-IRIV對(duì)全波段光譜進(jìn)行降維處理，結(jié)果分析如圖3所示。BOSS和CARS算法提取特征波長(zhǎng)時(shí)，對(duì)于不太重要的特征，分配較小的權(quán)重，而不是直接消除，如圖3(a)和(b)所示。CARS算法最終選取了23個(gè)有效波長(zhǎng)，占全光譜的18.4%。BOSS算法最終選取了35個(gè)有效波長(zhǎng)，占全光譜的28%。VCPA-IRIV算法采樣過(guò)程中RMSECV分布如圖3(c)所示，當(dāng)采樣次數(shù)為43時(shí)，RMSECV下降到0.162 4，共選取出21個(gè)有效波長(zhǎng)，占全光譜的16.8%。如圖3(d)所示，iVISSA方法選擇的是一些位置、 組合和寬度都經(jīng)過(guò)優(yōu)化的波長(zhǎng)區(qū)間，最終獲得了57個(gè)光譜變量，占全光譜的45.6%。

圖2 不同預(yù)處理方法下TPC含量的全波段模型的性能Fig.2 Performances of full wavelength models based ondifferent pre-processing methods

2.4 紋理信息提取

對(duì)肉樣光譜圖像進(jìn)行主成分分析，前3個(gè)主成分圖(累計(jì)貢獻(xiàn)率>99%)如圖4所示。對(duì)表達(dá)最多的PC1從θ=0°，45°，90°和135°角度下進(jìn)行對(duì)比度、 能量、 熵和相關(guān)性紋理信息提取。對(duì)肉樣ROI圖像的紋理變量進(jìn)行計(jì)算，得到了一個(gè)包含180×4(樣本×變量)的紋理矩陣。

圖3 特征波長(zhǎng)的選擇 (a)：BOSS算法權(quán)重值變化和提取特征波長(zhǎng)分布圖；(b)：CARS算法平均權(quán)重值變化曲線； (c)：VCPA-IRIV算法的RMSECV變化圖；(d)：VCPA-IRIV和iVISSA提取特征波分布圖Fig.3 Selection of the characteristic wavelengths (a)：Change curve of mean weight value and the distribution map based on BOSS algorithm; (b)：Change curve of mean weight value by CARS algorithm; (c)：Changes map of RMSECV by VCPA-IRIV algorithm; (d)：Distribution maps based on the characteristic wavelengths extracted by VCPA-IRIV and iVISSA

2.5 模型建立

2.5.1 特征光譜模型建立

2.5.2 圖譜融合模型建立

圖4 羊肉樣本的前3個(gè)主成分圖像Fig.4 The images of first three PCs of mutton samples

表1 特征波長(zhǎng)建模效果Table 1 Model performances based on different feature-wavelength methods

表2 圖譜融合建模效果Table 2 Model performance based on image and spectroscopy fusion

2.6 TPC含量可視化分析

PLSR算法結(jié)構(gòu)簡(jiǎn)單，運(yùn)算效率快，適用范圍較廣。因此，選用特征變量下的最佳PLSR預(yù)測(cè)模型對(duì)肉樣中TPC含量進(jìn)行預(yù)測(cè)。由2.5.1中建模效果可知，BOSS-PLSR預(yù)測(cè)模型為肉樣中TPC含量的最佳簡(jiǎn)化模型?；贐OSS-PLSR模型將TPC含量定量反演到樣本的掩膜圖像上，從而實(shí)現(xiàn)TPC含量在樣本圖像上的動(dòng)態(tài)可視化表達(dá)(圖5)。圖中黃色區(qū)域代表較高的TPC含量，藍(lán)色區(qū)域代表TPC含量較低。從可視化圖中顏色的分布可以看出肉樣中TPC含量的分布較均勻，肉樣的邊緣部分呈現(xiàn)較低的濃度值可能是由于肉樣厚度不均勻?qū)е隆？梢暬植紙D能夠提供一種直觀的方式去表征TPC值的動(dòng)態(tài)變化過(guò)程。

圖5 TPC含量可視化分布圖Fig.5 Visualizaion maps of TPC content distributions

3 結(jié) 論

利用可見(jiàn)-近紅外高光譜技術(shù)結(jié)合圖像紋理信息對(duì)灘羊肉總酚濃度含量進(jìn)行預(yù)測(cè)，主要結(jié)論如下：

(2)CARS，BOSS，iVISSA和VCPA-IRIV分別提取出了23，35，57和43個(gè)特征波長(zhǎng)，占全光譜的18.4%，28%，45.6%和16.8%。

(5)利用簡(jiǎn)化模型將TPC濃度反演到樣本的高光譜圖像上，通過(guò)色彩直觀化形式展現(xiàn)出來(lái)，實(shí)現(xiàn)TPC含量的可視化表達(dá)。