基于SVM方法的豬肉新鮮度分類問題研究*

劉靜，管驍

1(上海海事大學信息工程學院，上海，200135)2(上海理工大學醫療器械與食品學院，上海，200093)

基于SVM方法的豬肉新鮮度分類問題研究*

劉靜1，管驍2

1(上海海事大學信息工程學院，上海，200135)2(上海理工大學醫療器械與食品學院，上海，200093)

文中采取減壓貯藏方式對新鮮豬肉進行了貯藏實驗，測定了不同貯藏時間樣品的揮發性鹽基氮含量(TVB-N)、細菌總數、pH值及感官評價數據，并運用支持向量機(support vector machine，SVM)對這些樣本數據進行訓練，選取不同的核函數，得到SVM神經網絡模型，隨后利用此模型對測試數據進行豬肉新鮮度分類預測。實驗表明，根據樣本特性進行數據預處理，且選取合適的核函數后，SVM神經網絡能得到極高的豬肉新鮮度正確分類率。

支持向量機，豬肉新鮮度，分類

隨著人們生活水平的不斷提高，大眾的健康意識不斷增強，食品安全問題也得到越來越多的關注。肉品作為人們餐桌上的常見食物之一，其品質關系到廣大人民群眾的食肉安全。肉品的衛生質量常用新鮮度來衡量，在我國常分為新鮮、次新鮮和腐敗3個等級，快速準確地評價肉品的新鮮度對食肉安全具有十分重要的意義。長期以來，眾多學者對鮮肉的新鮮度檢測進行了多方面的深入研究，并建立了一些主要的、為人們普遍采用的測試指標，包括揮發性鹽基氮含量(TVB-N)、菌落總數、pH 值、感官檢測等［1－2］，有的甚至納入了國家標準。然而，肉品的變質受諸方面因素的影響，任何單一指標都不能全面代表鮮肉的新鮮度衛生狀況［2］，必須經過專業人士對多個指標進行綜合評價后才能對肉品新鮮度給出準確的結論，這對于從事大量肉品檢驗工作的政府部門或企業而言無疑是一項極其繁瑣的任務。因此，在對肉品有了基本的檢測指標測定后，還需要開發一種快速、準確、智能的綜合評價方法去代替人工方式對肉品的新鮮度進行判定。

人工神經網絡是在生物神經網絡基礎上發展而來的交叉學科，它在自動控制、機器人、模式識別等領域都已有廣泛的應用。目前已有將后向傳播(back propagation，BP)神經網絡應用于肉品新鮮度分類的相關報道［3－5］，但是，BP 神經網絡存在初始化權值難以確定，容易出現過擬合現象降低預測能力，且適合樣本趨于無窮的情形;然而，在實際情況中很難得到海量樣本。統計學習理論是一種專門研究小樣本情況下機器學習規律的理論，它根據有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折衷，以獲得最好的推廣能力。支持向量機(support vector machine，SVM)神經網絡就是這樣一種基于統計學習理論的新的學習方法，具有很好的泛化能力，且能夠較好的解決小樣本、非線性、高維數等實際問題，目前已成為機器學習領域的研究熱點［6－7］。

基于此，本文以常用的幾項評價肉品新鮮度的指標為屬性，在Matlab開發環境下應用SVM對肉品新鮮度進行智能化綜合預報。

1 材料與方法

1.1 實驗材料

鮮豬肉樣品取自當地農貿市場，生豬屠宰后4 h內取豬臀部肌肉。

JYL2型減壓冷藏庫，上海善如水保鮮科技有限公司;主要技術參數:有效容積2 m3，極限壓力200 Pa，精度25 Pa;溫度0～20℃可調，溫差0.1℃;功率2.1 kW。

1.2 實驗方法

將豬肉樣品切分為約80 g的小塊，分別裝入標記好的保鮮袋中，置于減壓冷藏庫開始儲藏。減壓冷藏庫的條件設置為:溫度2℃、壓力(600±50)Pa、換氣速率1個庫體積/h、相對濕度90%。貯藏過程中每隔3 d取4份平行樣品按測定項目檢測并記錄，如測定結果顯示某批次樣品明顯劣變時停止儲藏實驗。

1.3 分析指標及測試方法

1.3.1 揮發性鹽基氮(TVB-N)含量測定

采用國標GB/T 5009.44－2003《肉與肉制品衛生標準的分析方法》中規定的“半微量定氮法”進行。

1.3.2 細菌總數測定

采用GB/T 4789.2－2008《食品衛生微生物學檢驗——菌落總數測定》中規定的“平板菌落計數法”進行。

1.3.3 pH值測定

將待測樣品絞成肉泥后，準確稱取10 g，置于盛有100 mL雙蒸水的燒杯中，浸泡并不時振搖15 min后，過濾取濾液，采用pH計測定。

1.3.4 感官測定

感官評定小組由10人組成，采取10分制評分標準。依據豬肉感官指標的設置對不同樣品從色澤、氣味、彈性、黏度等4個方面進行評分，權重分別設置為0.2、0.2、0.3、0.3，感官評定得分取 10 人的平均值。感官評分細則如表1所示。

表1 豬肉感官評定評分細則

2 結果與分析

2.1 豬肉貯藏期間品質的變化

TVB－N是國家食品法規規定的檢測肉類新鮮度的重要指標之一，按照GB2722－51規定，TVB-N含量對應于肉類新鮮度等級為:新鮮肉＜15 mg/100 g，次鮮肉15 ～25 mg/100 g，腐敗肉 ＞25 mg/100 g。盡管TVB-N是目前肉品新鮮度檢測中最重要的判定依據之一，但同時也存在其局限性，因該指標一般適用于正常氣體環境儲藏條件下的肉品的檢測［5，8］。細菌總數指標也常用來鑒別肉的新鮮度，一般認為新鮮肉細菌總數＜1×104個/g，次鮮肉1×104～1×106個/g，腐敗肉＞1×106個/g。肉品腐敗時，由于肉中蛋白質被分解為氨和胺類等堿性物質，所以使肉趨于堿性，pH值會顯著增高。因而，pH值也可作為檢查肉類質量的一個指標，有研究表明，鮮肉pH值 ＜6.2，次鮮肉 pH值 6.2～6.7，腐敗肉 pH值 ＞6.7［9－11］。

根據以上分析，對共28份豬肉樣品進行了為期19 d的減壓儲藏實驗，期間共抽檢了7次，每次4個平行樣本，檢測的理化指標包括TVB-N，細菌總數和pH值，實驗數據如表2所示。由表2的理化檢測結果，結合感官評分可知1～7 d減壓儲藏期的樣品(共計12份)質量保持較好，屬新鮮肉，第10天和第13天的樣品(共計8份)為次鮮肉，第16天和第19天的樣品(共計8份)肉品已經變質，為腐敗肉。

表2 不同貯藏時間的豬肉樣本的理化指標與感官評分結果

由表2的結果可知，在對肉品新鮮度進行分類研究時，若單獨使用TVB-N為評價指標，僅有17份樣品分類正確，正確率僅達60.7%，特別是對第16天和第19天的樣品分類完全錯誤。肉品中TVB-N的來源主要是微生物對豬肉中含氮有機化合物的分解作用，而不同類型微生物降解蛋白的能力差異較大，所以樣品的TVB-N含量的高低，不僅與微生物污染和生長繁殖的程度有關，而且主要取決于生長的微生物的種類［2］，在減壓儲藏這種對微生物種類有很大影響的特殊環境下以此指標來判定豬肉新鮮度難免會有失偏頗。同樣，若單獨以pH值為評價指標，只有19份樣品分類正確，正確分類率也僅達67.9%。感官評定中我們以得分在8分及其以上的樣品評判為新鮮肉，6～8分的為次鮮肉，低于6分的為腐敗肉，但感官評定結果也存在評定小組成員的主觀因素，導致有2份樣本的判定出現了偏差，分類正確率為92.8%。

2.2 利用SVM對豬肉新鮮度進行分類

基于以上分析，對肉品新鮮度分類不能單獨依據某一項指標結果，必須綜合考慮理化檢測結果與感官評價結果，因此，本實驗提出將SVM思想引入到肉品分類問題中來:即新鮮度的分類基于TVB-N、細菌總數、pH值和感官評分這4個屬性，分類至3種標簽:新鮮、次新鮮和腐敗。利用SVM對數據進行分類，是一項漸進的、泛化的、易于操作的、全局最優的方法。它不像傳統的人工神經網絡，模型完全基于分層網絡，且需要考慮多少節點比較適合。SVM的模型來自于樣本本身。實驗者可以自由地將數據分類，將訓練集的屬性值和標簽作為已知量，選取不同的核函數和歸一化方式，訓練出匹配的模型。與此同時，加入交叉驗證，可以使數據得到最充分的運用，在最優參數下得到的模型為最終用于分類的模型。這個模型基本涵蓋了訓練集的所有信息，可以說是較為完善的、體系的模型。最后以這個模型來對測試集進行分類可得到很高的分類準確率。

2.2.1 SVM基本思想

SVM是由Vapnik提出的一種全新的機器學習方法，其分類算法的基本思想是找到一個最優分類超平面，使兩類樣本的分類間隔最大化。設給定數據樣本:(x1，y1)，Λ，(xl，yl)∈Rn×{+1，01};最優超平面方程為:w×x+b=0，其中w×x表示輸入向量與加權向量w的內積，b為一常數偏差，分類間隔為2/‖2‖，則最優超平面的確定即是求解:minw‖2，s.t.yi［(w×x)+b］≥1 。這是一個二次凸規劃問題，根據優化理論，存在全局最小解。通過Lagrange優化方法可將其轉化成相應的對偶問題，即在約束條件，=0，αi≥0(i=1，...，n) 下求解下列函數 Q(α)=iαjyiyj(xi·xj)的極大值，其中 αi為每個樣本對應的Lagrange乘子，其對應的樣本即為支持向量，可得到最優超平面決策函數為f(x)=sgn{w* ×x)+b*}=sgn(yi(x×xi)+b*)。

對于非線性問題，支持向量機解決思路是通過一個非線性映射將樣本映射到一個高維的特征空間中轉化成線性問題。相應的決策函數為f(x)=sgn{w*·φ(x))+b*}=sgnyi(φ(x)·φ(xi))+b*，在此尋優問題中只涉及樣本間的內積運算，為此引入核函數理論。只要核函數滿足Mercer條件，即K(xi，xj)=(φ(xi)·φ(xj))，則決策函數可改寫為f(x)=sgn{(w*·φ(x))+b*}=sgn((x，xi)+b)，引入核函數有效地解決了樣本高維和計算復雜度之間的矛盾。選擇不同的核函數就構成不同的支持向量機，目前常用于SVM的核函數主要有:

線性核函數(Linear):K(xi，xj)=

多項式核函數(Polynomial):K(xi，xj)=(γ，γ ＞0;徑向基核函數(RBF):K(xi，xj)=exp( － γ‖xi－)2，γ ＞0;兩層感知器核函數(Sigmoid):K(xi，xj)=tanh(+r)。

使用核函數向高維空間映射后，若樣本仍然存在線性不可分的情況，可引入松弛變量ξ≥0，相應的二次凸規劃問題轉化為minw‖2+C，s.t.yi［(w ×x)+b］≥1其中 C 為懲罰系數，它可以控制對錯分樣本ξi＞ 懲罰的程度，同時也反映支持向量機模型的復雜度?？傊?，SVM處理樣本數據線性不可分的優勢主要通過松弛變量和核函數技術體現，這在下面的仿真實驗中也有充分的體現。

2.2.2 SVM模型建立

本文的分類問題采用的總體技術路線是:從28個原始數據里把訓練集和測試集提取出來，然后進行數據歸一化和數據交叉驗證的預處理，隨后使用訓練集對SVM進行訓練得到預測模型，再對測試集進行分類。

2.2.3 實驗數據設置

表2中的28個樣本中，樣本序號1～12屬于類別1，樣本序號13～20屬于類別2，樣本序號21～28屬于類別3，數據清單見表3。現將每個類別分成2組，一部分作為訓練集，一部分作為測試集。

另外，由于樣本數據較少，為有效地避免過學習和欠學習狀態的發生，本文將對數據采用交叉驗證的思想選取SVM模型的懲罰參數和核函數參數，最終對于測試集合的預測得到理想的準確率。

表3 數據清單

2.2.4 實驗結果

SVM神經網絡分類預測實驗對豬肉樣本數據分別從核函數、歸一化方式角度獲取分類結果。

在不進行歸一化時，考慮到不同核函數下的分類情況，包括Linear核函數、Polynomial核函數、RBF核函數和Sigmoid核函數，通過正確分類率來衡量其分類狀況，且記錄錯誤分類個數，使得結果更明朗，其實驗結果見表4。

表4 不歸一化伴隨各核函數的分類情況

在歸一化至［0，1］時，考慮到不同核函數下的分類情況，包括Linear核函數、polynomial核函數、RBF核函數和Sigmoid核函數，通過正確分類率來衡量其分類狀況，且記錄錯誤分類個數，使得結果更明朗，其實驗結果見表5。

表5 歸一化至［0，1］伴隨各核函數的分類情況

在歸一化至［－1，1］時，考慮到不同核函數下的分類情況，包括 Linear核函數、polynomial核函數、RBF核函數和Sigmoid核函數，通過正確分類率來衡量其分類狀況，且記錄錯誤分類個數，使得結果更明朗，其實驗結果見表6。

表6 歸一化至［－1，1］伴隨各核函數的分類情況

經過以上實驗，驗證了豬肉樣本在不同的歸一化條件下，選擇不同核函數的分類情況，現將數據進行匯總，詳情見圖1。

圖1 豬肉分類結果

通過以上實驗可知，對于本次樣本，Linear核函數和RBF核函數表現比較理想，在肉品的分類結果中，都處于較高的分類率狀態，但需注意的是RBF核函數對歸一化方式較為依賴，明顯看出，在歸一化至［－1，－1］時它的分類率較高，但是其他情況時分類率有所降低;Polynomial核函數比較合適不進行歸一化;最后，Sigmoid核函數的表現則不太理想，不太適合于本次分類。

3 結論

本論文采用TVB-N、細菌總數、pH值以及感官評分為評價指標，通過SVM神經網絡方法成功完成了對豬肉新鮮度的數據分類預測，特別重點關注了歸一化方式和核函數選取對分類結果的影響，得到以下結論:

(1)對豬肉新鮮度分類僅靠某單項理化指標或感官評價均難以得到正確結果，需綜合考慮TVB-N、細菌總數、pH以及感官評分等指標。

(2)采用SVM神經網絡方法在肉品新鮮度分類領域是一種快速、有效、智能的方法，其中核函數和歸一化方式的選擇是至關重要的。Linear核函數在豬肉新鮮度分類中表現十分優良，不管規一化方式如何，均能達到100%分類率;RBF核函數分類情況在歸一化至［－1，1］時效果很好;Polynomial核函數次之，均能高概率正確分類，但表現出的不足是波動性較大;Sigmoid核函數則不適合于本次數據，僅在歸一化至［－1，1］時能分類。

［1］ 曲世海，郭培源.基于多信息處理的肉類新鮮度檢測方法研究.北京工商大學學報:自然科學版，2006，24(5):26－30

［2］ 賈英民，王玲，張子德，等.牛肉新鮮度檢測與指標分析［J］.肉類研究，1998，2:45－47

［3］ 郭培源，曲世海，陳巖.豬肉新鮮度的智能檢測方法［J］.農業機械學報，2006，37(8):78－81.

［4］ 鄭麗敏，田立軍，朱虹.基于MATLAB的BP神經網絡在豬等級評定中的應用研究［J］.計算機應用研究，2008，25(6):1 642－1 644.

［5］ 王笑丹，孫永海，胡鐵軍.基于神經網絡的冷卻豬肉新鮮度測定［J］.分析檢測，2005，26(5):173－175.

［6］ Vapnik V.Statistical Learning Theory［M］.New York:John Wiley＆ Sons Inc，1998.

［7］ Nicolas H B，Manuel A D，Victor A S et al.Chilean wine classification using volatile organic compounds data obtained with a fast GC analyzer［J］.IEEE Transactions on Instrumentation and Measurement，2008，57(11):2 421 －2 436.

［8］ Lawrie R A，Ledward D A.編，周光宏譯.Lawrie＇s Meat Science(第七版)［M］.北京:中國農業大學出版社，2009.

［9］ 李彬.生鮮豬肉新鮮度的檢測及貯藏品質評價［J］.商洛學院學報，2007，21(2):57－59.

［10］ 黃蓉，劉敦華.豬肉新鮮度評價指標、存在問題及應對措施［J］.肉類工業，2010(6):43－46.

［11］ Hendrickx M，Ludikhuyze L，Van den Broeck I，et al.Effects of high pressure on enzymes related to food quality［J］.Food Biotechnology，1999，13(1):13－32.

Studies on the Classification of Pork Freshness by SVM

Liu Jing1，Guan Xiao2
1(College of Information Engineering，Shanghai Maritime University，Shanghai 200135，China)2(School of Medical Instrument and Food Engineering，University of Shanghai for Science and Technology，Shanghai 200093，China)

The pork freshness is a big safety issue on people＇s health.In this paper，fresh pork samples were stored in decompression storage room.The TVB-N content，total bacterial count，pH value and sensory scores of the samples were determined at different storage stage.SVM neural networks models were obtained by training the sample data with different kernel functions and cross－validation.Furthermore，the test data were used to predict the freshness of pork sample by SVM neural network.The experiment results suggested that the SVM neural networks obtained higher correct classification rate of pork freshness with the right kernel function and cross－validation according to the sample performance.

support vector machine，pork freshness，classification

博士，講師(管驍博士為通訊作者，E-mail:gnxo@163.com)。

*上海市晨光計劃項目(2008CG055)，上海市教委科研創新項目(10YZ113)

2010－12－18，改回日期:2011－02－15