基于多數(shù)據(jù)融合技術(shù)的臘肉品質(zhì)分級方法

王昕琨，郭培源，林 巖

（北京工商大學計算機與信息工程學院，北京 100048）

基于多數(shù)據(jù)融合技術(shù)的臘肉品質(zhì)分級方法

王昕琨，郭培源，林 巖

（北京工商大學計算機與信息工程學院，北京 100048）

針對近年來備受關(guān)注的臘肉酸價和過氧化值超標、褪色、出油、發(fā)黏等品質(zhì)問題，提出一種快速、準確、實用的檢測技術(shù)。首先利用自組織特征映射網(wǎng)，對生化實驗測得的酸價、過氧化值以及微生物菌落總數(shù)數(shù)據(jù)，在相關(guān)國家標準的基礎(chǔ)上將樣品臘肉的品質(zhì)等級劃分為4級：放心食用、可食用、不推薦食用和不可食用。在此基礎(chǔ)上采用近紅外光譜技術(shù)對臘肉的酸價與過氧化值進行檢測，用遺傳算法優(yōu)選后的波長建模所得預(yù)測均方根誤差分別是用優(yōu)選前建模的41%、57%，所用波長數(shù)約為整個波段波長數(shù)的1/3。采用顯微圖像技術(shù)獲得臘肉的菌斑信息，極大的改善了傳統(tǒng)細菌總數(shù)檢驗方法操作復(fù)雜、主觀性強、耗時長等問題。最后采用支持向量機對近紅外光譜數(shù)據(jù)和顯微圖像數(shù)據(jù)進行多數(shù)據(jù)融合，建立臘肉可食用等級快速判別模型。

近紅外光譜；多數(shù)據(jù)融合；支持向量機；臘肉

臘肉是一種悠久歷史、具有特有風味的傳統(tǒng)肉制品，是我國珍貴飲食文化遺產(chǎn)的重要組成部分[1]。酸價和過氧化值常用來衡量占臘肉成分30%～40%的脂肪油脂的酸敗、氧化程度，是評價臘肉品質(zhì)的主要指標。食用酸價和過氧化值過高的臘肉會導(dǎo)致人體腸胃不適、腹瀉并損害肝臟[2]。微生物對臘肉風味形成起著重要的作用，在臘肉的貯藏銷售期，如果微生物增多，酸價和過氧化值就會增加，臘肉會加速變質(zhì)，喪失營養(yǎng)價值，食用后可能引起嘔吐、腹瀉等癥狀，危害人體健康安全。我國現(xiàn)行標準只對臘肉的酸價和過氧化值設(shè)置閥值，將其分為超標與未超標2類。實際生活中，在不利貯藏環(huán)境條件影響下，當臘肉酸價與過氧化值還未超標時，微生物菌落總數(shù)可能已經(jīng)超標。此時，未超標的臘肉也會有明顯的感官特征，如酸味、發(fā)黏等，不能滿足人們對食品品質(zhì)日益增長的要求[3-4]。因此，需要融合酸價、過氧化值以及微生物菌落總數(shù)信息來評價臘肉品質(zhì)并進一步細化分類等級。由于傳統(tǒng)理化檢驗操作耗時，不能快速進行現(xiàn)場實時檢測，因此，迫切需要一種快速、準確、實用的檢測技術(shù)對臘肉品質(zhì)及分類進行檢測。

國內(nèi)近紅外光譜（near infrared spectroscopy，NIR）技術(shù)在肉制品中的應(yīng)用研究起步較晚。王多加等[3]總結(jié)了近紅外光譜檢測技術(shù)在農(nóng)業(yè)和食品分析上的應(yīng)用。屠康[4]對肉類品質(zhì)無損檢測技術(shù)的研究進展進行了總結(jié)和報道。朱迅濤[5]用近紅外檢測了火腿腸中的蛋白質(zhì)、脂肪和水分的含量。對未知樣品的細菌總數(shù)檢驗，國內(nèi)外研究和使用較多的方法主要是微菌落技術(shù)、SimplateTM全平器計數(shù)法、阻抗法、紙片法。微菌落技術(shù)在培養(yǎng)后，需對菌落染色、固定、過濾，操作繁瑣[6]；SimplateTM全平器計數(shù)法進一步簡化了操作，但仍需24 h[6]；基于阻抗技術(shù)的自動檢測儀器可縮短檢測時間，但成本昂貴，不適于基層單位和中小型食品廠[7]；紙片法 雖然簡便經(jīng)濟，但在檢測時間上與平板計數(shù)培養(yǎng)基法相比無明顯優(yōu)勢[7]。

目前偏最小二乘法是最常用的光譜數(shù)據(jù)量化分析方法之一[8-10]。偏最小二乘法能克服光譜數(shù)據(jù)間的共線，對用于建模的波長數(shù)沒有限制，甚至可用全部光譜數(shù)據(jù)建模，以免丟失光譜信息。然而研究發(fā)現(xiàn)，用信噪比（RSN）高的波段比用信噪比低的波段建立的偏最小二乘法校正模型的預(yù)測能力明顯較強[11]，因此建立校正模型之前應(yīng)該進行波長選擇。迄今為止，已有許多方法用在波長選擇上，其中遺傳算法以其全優(yōu)、易實現(xiàn)的特點在其應(yīng)用中作用明顯[12]。

本研究在國家相關(guān)食品標準的基礎(chǔ)上，研究并對臘肉品質(zhì)等級重新劃分，利用近紅外光譜檢測、數(shù)字圖像處理及多數(shù)據(jù)融合技術(shù)，通過支持向量機（support vector machine，SVM）數(shù)據(jù)分類器對樣品臘肉品質(zhì)等級進行模式識別及快速判別，以滿足實際應(yīng)用需要。

1 材料與方法

1.1 材料與試劑

不同批次、共計10個臘肉樣品購于嘉興市正泰食品有限公司、廣州皇上皇集團有限公司、鳳凰縣松桂坊民族食品開發(fā)有限公司。

1.2 儀器與設(shè)備

FoodScan近紅外全光柵透射光譜分析儀 瑞士Foss公司；BI-2000醫(yī)學圖像攝像電子顯微鏡（分辨率1 280×1 024，130萬像素） 成都泰盟科技有限公司。

1.3 方法

1.3.1 樣品制備

樣品粉碎成肉糜狀，18 ℃恒溫箱保存。每隔12 h進行數(shù)據(jù)采集，采集12次，共得到120個包含生化、光譜、顯微菌斑圖像信息的樣本數(shù)據(jù)。

1.3.2 臘肉制品的酸價、過氧化值以及微生物菌落總數(shù)的檢測[13-15]。

GB 2730—2005《腌臘肉制品衛(wèi)生標準》[13]作為檢測指標。按GB/T 5009.37—2003《食用植物油衛(wèi)生標準分析方法》[14]測定樣品酸價與過氧化值；按GB 4789.2—2010《食品微生物檢驗菌落總數(shù)測定》[15]測定樣品微生物菌落總數(shù)。

1.3.3 基于遺傳算法的近紅外光譜區(qū)選擇

遺傳算法是建立在自然選擇和進化概念基礎(chǔ)上的一種非導(dǎo)數(shù)的隨機優(yōu)化方法[16]，將其應(yīng)用在近紅外光譜波長選擇中的主要步驟為：

1）編碼：每個波長為1個基因，對基因進行0、1二進制編碼，若基因編為1，建模時包括此波長；若為0，不包括此波長。1種0-1編碼組合稱為1條染色體，染色體長度為被編碼的波長數(shù)。2）選擇初始群體：假如初始群體包含N個個體，每1個體的染色體長度（波段的波長數(shù)）為m，則初始群體的選擇方法為：隨機產(chǎn)生N個m位的0-1二進制數(shù)作為初始群體。3）適應(yīng)值函數(shù)：本研究采用交互驗證法評價模型的預(yù)測能力。評價指標為預(yù)測均方根誤差（root mean square error prediction，RMSEP），RMSEP值越小，則校正模型的預(yù)測能力越好。為使遺傳算法對適應(yīng)值較高的個體有更多的生存機會，對評價指標變換，得到適應(yīng)值函數(shù)為：

4）復(fù)制：復(fù)制的策略是以“輪盤賭”的方式進行正比選擇。5）交叉：本研究普通單點交叉方式。6）變異：變異方式是以一定概率產(chǎn)生發(fā)生變異的基因數(shù)，用隨機方法選出發(fā)生變異的基因。如果所選的基因的編碼為1，則變?yōu)?；反之編碼為0，則變?yōu)?。重復(fù)4）～6）至最大繁殖代數(shù)停止。

本研究將該方法用于臘肉酸價和過氧化值檢測基礎(chǔ)研究。光譜范圍為860～1 048 nm，分辨率為2 cm-1，每個樣品連續(xù)掃描32次，取平均值。

1.3.4 基于圖像形態(tài)學背景估算菌斑面積

GB 2726—2005《熟肉制品衛(wèi)生標準》[17]中明確規(guī)定，臘肉食品的菌落總數(shù)要小于等于30 000 CFU/g才為食品合格。本研究提出一種利用計算機視覺獲取顯微菌斑圖像的方法，具體流程如圖1所示。

具體操作如下：

1）選取合適的結(jié)構(gòu)元素：本研究選取菱形結(jié)構(gòu)元素[16]。2）利用確定的結(jié)構(gòu)元素對原圖像進行連續(xù)7次的膨脹操作（圖2a），再進行連續(xù)7次的腐蝕操作（圖2b），該圖像即為對原圖像背景的估計圖像。3）將原圖像與對背景的估計圖像進行減操作（圖2c）。4）采用閾值25對減掉背景的圖像進行分割（圖2d）。圖中黑色部分即為提取到的菌斑點。5）統(tǒng)計圖像中菌斑的面積[18-19]。將圖像轉(zhuǎn)換為二值圖像，利用Mat Lab函數(shù)bwarea（）求出黑色點所代表的菌斑點的總面積。

圖1 菌斑信息提取流程圖Fig.1 Flowchart of plaque extraction

圖2 圖像形態(tài)學提取菌斑面積操作過程Fig.2 Operation procedures for the extraction of plaque area by image morphology

1.3.5 基于支持向量機的臘肉模型建

將近紅外光譜檢測到的酸價、過氧化值數(shù)據(jù)和表面菌斑總面積作為特征向量，采用支持向量機進行多數(shù)據(jù)融合[20-22]，建立臘肉食用度識別模型。對臘肉的品質(zhì)等級進行快速識別。圖3是分類預(yù)測模型結(jié)構(gòu)圖。

圖3 支持向量機分類預(yù)測模型構(gòu)建Fig.3 Support vector machine (SVM) prediction model

在Mat Lab1012b中，將采集到的數(shù)據(jù)生成.mat文件，在120個樣本數(shù)據(jù)中，隨機抽取80個作為預(yù)測模型的訓練集，40個作為預(yù)測集。采用Libsvm工具箱建立SVM分類模型[23-26]交叉驗證下不同參數(shù)。

2 結(jié)果與分析

2.1 等級劃分和集合劃分

在Mat Lab2012b中對樣本數(shù)據(jù)序列進行訓練。自組織特征映射網(wǎng)設(shè)計如圖4所示。重新劃分等級前后酸價、過氧化值以及微生物菌落總數(shù)范圍如表1所示。

圖4 食用程度等級劃分自組織特征映射網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 Self-organizing feature map network structure for edibility classification

表1 臘肉品質(zhì)等級重新劃分前后酸價及過氧化值Table1 Acid value and peroxide value of bacon before and after quality grading

GB 2730—2005《腌臘肉制品衛(wèi)生標準》[13]中明確指出酸價大于4.00 mg/g、過氧化值大于0.25 g/100 g以及微生物菌落總數(shù)大于30 000 CFU/g的臘肉屬于超標。本研究將酸價大于3.85 mg/g、過氧化值大于0.24 g/100 g以及微生物菌落總數(shù)大于30 000 CFU/g的樣本劃分為不可食用一類，這與GB 2730—2005的劃分標準相同；而將未超標樣本細化成了3類：安全食用、可食用和不建議食用，不僅符合國標，而且可精細劃分臘肉可食用等級。按照該分類結(jié)果，將對應(yīng)的樣本分類，每1類30個，4類共120個樣本數(shù)據(jù)，以備之后的研究使用。

2.2 基于遺傳算法的近紅外光譜譜區(qū)選擇

表2 遺傳算法選取前后的矯正和預(yù)測結(jié)果Table2 Calibration and predictive results before and after selecting wavelengths by the genetic algorithms (GA)

表2列出了臘肉酸價和過氧化值用遺傳算法優(yōu)選前后的波長建立的偏最小二乘法校正模型（交互驗證），表中校正均方根誤差（root mean square error correction，RMSEC）和RMSEP分別用來評價模型的擬和能力和預(yù)測能力。結(jié)果表明：用遺傳算法優(yōu)選波長后建立的偏最小二乘法校正模型的預(yù)測能力有很大提高。用遺傳算法優(yōu)選后的波長建模所得酸價、過氧化值的RMSEP值是優(yōu)選前RMSEP值的41%、57%，所用波長數(shù)約為整個波段波長數(shù)的1/3。可以看出遺傳算法對波段進行波長選擇后模型精度提高、建模所用波長數(shù)減少。

由于遺傳算法為一種非導(dǎo)數(shù)的隨機優(yōu)化算法，其中群體的選擇、交叉、變異都帶有很強的隨機性，所以每一次選擇的波數(shù)組合不會完全相同，其RMSEP也有所不同，但所選波長的位置大體相同，結(jié)果相差很小。

2.3 基于圖像形態(tài)學背景估算菌斑面積

臘肉樣品第1、7天和第10天，所獲得的脂肪組織顯微圖片及進行圖像處理后得到的菌斑圖片，見圖5。

圖5 光電顯微圖像及菌斑提取結(jié)果Fig.5 Optical microscopic images and plaque extraction results

圖6 10個樣品的光電顯微圖像與采樣時間關(guān)系Fig.6 Relationship of optical microscopic image and sampling time for 10 samples

隨著采樣時間的推移，部分樣品光電顯微圖像上菌斑像素數(shù)的變化情況（圖6）可以看出，在樣品變質(zhì)過程中，顯微圖像中代表菌斑面積的像素數(shù)在不斷增加，與生化法檢中樣品細菌含量不斷增加的結(jié)論是一致的。因此菌斑統(tǒng)計可以描述臘肉變質(zhì)過程，實現(xiàn)臘肉品質(zhì)中細菌含量的快速檢測，避免耗時的生化方法檢測。

2.4 基于支持向量機的臘肉模型建立

為了得到較準確的模型，選取懲罰參數(shù)c和核函數(shù)參數(shù)g時，采用交叉驗證的方式可以有效的避免過學習和欠學習，得到較理想的準確率。選擇結(jié)果如圖7所示。最佳的參數(shù)為：懲罰參數(shù)c=0.707 107，核函數(shù)參數(shù)g=1.414 21。其運行結(jié)果如圖8所示，在多次訓練中，分類準確率為97.5%，實現(xiàn)了對臘肉品質(zhì)的快速判別。

圖7 最佳參數(shù)選擇結(jié)果Fig.7 Selection of optimum parameters

圖8 支持向量機分類預(yù)測模型預(yù)測結(jié)果Fig.8 Predicted results from the support vector machine (SVM) prediction model

表3 對隨機抽取的40個樣本的預(yù)測結(jié)果Table3 Prediction of 40 random samples

對預(yù)測集40個樣品采集的數(shù)據(jù)進行預(yù)測，結(jié)果如表3所示。將表3與表1結(jié)果進行比較研究可知，利用近紅外光譜獲得酸價與過氧化值、計算機視覺技術(shù)獲得微生物菌斑面積、支持向量機神經(jīng)網(wǎng)絡(luò)進行數(shù)據(jù)融合的技術(shù)對臘肉品質(zhì)進行分級預(yù)測的結(jié)果與使用生化方法對臘肉進行分級預(yù)測的結(jié)果相同，證明所建支持向量機預(yù)測模型可以通過近紅外光譜數(shù)據(jù)和顯微菌斑圖像的多數(shù)據(jù)融合，完成對臘肉進行準確的分類識別。

3 結(jié) 論

本研究提出一種快速、準確、實用的檢測技術(shù)。首先利用自組織特征映射網(wǎng)以及生化實驗測得的酸價、過氧化值以及微生物菌落總數(shù)數(shù)據(jù)，將樣品臘肉的品質(zhì)等級在相關(guān)國家標準的基礎(chǔ)上劃分為4級：放心食用、可食用、不推薦食用和不可食用。這既符合GB 2730—2005《腌臘肉制品衛(wèi)生標準》所規(guī)定的衛(wèi)生標準[13]，又細化了分類等級，符合人們生產(chǎn)生活的實際需要。在此基礎(chǔ)上采用近紅外光譜技術(shù)對臘肉的酸價與過氧化值進行檢測、用遺傳算法優(yōu)選后的波長建模所得RMSEP分別是用優(yōu)選前建模RMSEP值的41%、57%，所用波長數(shù)約為整個波段波長數(shù)的1/3。采用顯微圖像技術(shù)獲得臘肉的菌斑信息，極大的改善了傳統(tǒng)細菌總數(shù)檢驗方法操作復(fù)雜、主觀性強、耗時長等問題。最后采用支持向量機對近紅外光譜數(shù)據(jù)和顯微圖像數(shù)據(jù)進行多數(shù)據(jù)融合，建立臘肉可食用等級快速判別模型。

本方法可以實現(xiàn)對臘肉可食用程度的快速、準確判別。衛(wèi)生檢疫部門及相關(guān)肉品廠家可以采用這種快速、準確、實用的檢測技術(shù)，保證消費者的食用安全。

[1] 周光宏. 畜產(chǎn)品加工學[M]. 北京: 中國農(nóng)業(yè)出版社, 2003: 126-129; 112-123.

[2] 董寅初. 現(xiàn)代肉類科技對中國傳統(tǒng)風味臘肉品的影響[J]. 肉類研究, 1999, 14(1): 3-6.

[3] 王多加, 周向陽, 金同銘, 等. 近紅外光譜檢測技術(shù)在農(nóng)業(yè)和食品分析上的應(yīng)用[J]. 光譜學與光譜分析, 2004, 24(4): 125-137.

[4] 屠康. 肉類品質(zhì)無損檢測技術(shù)的研究進展[J]. 西北農(nóng)林科技大學學報: 自然科學版, 2005, 33(1): 45-49.

[5] 朱訓濤. 近紅外分析技術(shù)在火腿腸檢測中的應(yīng)用[J]. 肉類研究, 2002(2): 68-72.

[6] 于瑞雪, 郭培源. 基于光電顯微技術(shù)的豬肉新鮮度智能檢測[J]. 北京工商大學學報: 自然科學版, 2007, 25(4): 34-38.

[7] 畢松, 郭培源. 基于細菌菌斑變化的豬肉新鮮度檢測方法研究[J].農(nóng)機化研究, 2009, 31(5): 67-71.

[8] 孫通, 徐惠榮, 應(yīng)義斌. 近紅外光譜分析技術(shù)在農(nóng)產(chǎn)品/食品品質(zhì)在線無損檢測中的應(yīng)用研究進展[J]. 光譜學與光譜分析, 2009, 29(1): 122-125.

[9] 趙麗麗, 張錄達, 宋忠祥, 等. 近紅外光譜定量檢測腌臘肉制品品質(zhì)的研究[J]. 光譜學與光譜分析, 2007, 27(1): 46-49.

[10] 徐云, 吳靜珠, 王一鳴, 等. 基于近紅外光譜的未知類別樣品聚類方法[J]. 農(nóng)業(yè)工程學報, 2011, 27(8): 345-349.

[11] MOUAZEN A M, KAROUI R, BAERDEMACKER J D, et al. Classification of soils into different moisture content levels ba sed on VIS-NIR spectral[C]//Proceeding of the 2006 ASABE Annual International Meeting. Portland: American Society of Agricultural and Biological Engineers, 2006: 896-905.

[12] 郭培源, 陳巖, 薛紅, 等. 豬肉新鮮度智能檢測裝置: 中國, 101144780A[P]. 2008-03-19.

[13] 中華人民共和國衛(wèi)生部, 中國國家標準化管理委員會. GB 2730—2005 腌臘肉制品衛(wèi)生標準[S]. 北京: 中國標準出版社: 2005.

[14] 中華人民共和國衛(wèi)生部, 中國國家標準化管理委員會. GB/T 5009.37—2003 食用植物油衛(wèi)生標準分析方法[S]. 北京: 中國標準出版社, 2003.

[15] 中華人民共和國衛(wèi)生部, 中國國家標準化管理委員會. GB 47892—2010 食品安全國家標準 食品微生物學檢驗: 菌落總數(shù)測定[S]. 北京: 中國標準出版社, 2010.

[16] 王加華, 韓東海. 基于遺傳算法的蘋果近紅外光譜分析[J]. 光譜與光譜學分析, 2008, 28(10): 2308-2311.

[17] 中華人民共和國衛(wèi)生部, 中國國家標準化管理委員會. GB 2726—2005 熟肉制品衛(wèi)生標準[S]. 北京: 中國標準出版社: 2005.

[18] GONZALEZ R C, WOODS R E.. Digital image processing[M]. San Francisco: Pearson Education, 2005: 254-284.

[19] 王樹文, 閆成鑫, 張?zhí)煨? 等. 數(shù)學形態(tài)學在圖像處理中的應(yīng)用[J].計算機工程與應(yīng)用, 2004, 40(32): 90-92.

[20] 史峰, 王小川, 郁磊, 等. MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M]. 北京: 航空航天大學出版社, 2011: 118-132.

[21] 李靜, 查明, 郭元玲, 等. 光譜成像信息的數(shù)據(jù)融合技術(shù)在存儲表征中的應(yīng)用[J]. 光譜學與光譜分析, 2011, 31(10): 2639-2642.

[22] 張學工. 關(guān)于統(tǒng)計學理論與支持向量機[J]. 自動化學報, 2000, 26(1): 32-42.

[23] LINA J. Image processing with complex wavelets[J]. Journal of Mathematical Imaging and Vision, 1996, 7(3): 2543-2560.

[24] 陳純. 計算機圖像處理技術(shù)與算法[M]. 北京: 清華大學出版社, 2003: 86-107.

[25] SHCAKELFORD S D. Color image analysis technique for measuring of meat[J]. Meat Science, 2007, 65(3): 125-138.

[26] KLEYNEN O, LEEMANS V, DESTAIN M F. Development of a multi-spectral vision system for the detection of defects on apples[J]. Journal of Food Engineering, 2005, 69(1): 41-49.

Quality Grading of Bacon Based on Multi-Data Fusion Technology

WANG Xin-kun, GUO Pei-yuan, LIN Yan
(College of Computer and Information Engineering, Beijing Technology and Business University, Beijing 100048, China)

In recent years, problems with the quality of Chinese bacon such as acid value and peroxide value exceeding the standards, fading, oil exudation and sticky feeling to the touch have received growing attention. A fast, accurate and practical detection technology was developed to evaluate Chinese bacon quality. According to the relevant national standards as well as the results of acid value, peroxide value and total bacterial number in bacon samples measured by biochemical methods as the input of self-organizing feature map, the bacon samples were divided into four categories: safe to eat, edible, not recommended to eat and inedi ble. The acid value and peroxide value of bacon were detected using near infrared spectroscopy. The root mean square error prediction (RMSEP) results after the selection were 41% and 57% of those before selecting wavelengths by the genetic algorithms. The selected number of wavelength was 1/3 of the total number of the whole wavelength. Plaque area information was obtained by microscopic imaging technology, which has greatly improved many problems with traditional testing methods for the determination of total bacterial numbers, such as complex operation, subjectivity and time consuming. Finally, a quick discriminant model for grading the ed ibility of Chinese bacon was established using the support vector machine approach based on the near-infrared spectral data and microscopic image data.

near infrared spectroscopy; multi-data fusion; support vector machine; Chinese bacon

TS251.6；O433.4 ；TP391.4

A

1002-6630（2014）02-0217-05

10.7506/spkx1002-6630-201402042

2013-06-05

北京市自然科學基金資助項目（4122020）

王昕琨（1989—），女，碩士研究生，研究方向為肉類品質(zhì)。E-mail：wangxinkun218@163.com