基于近紅外高光譜成像的冷鮮羊肉表面細菌總數檢測

郭中華，鄭彩英，金 靈

（1.寧夏大學物理電氣信息學院，寧夏銀川 750021；2.寧夏沙漠信息智能感知重點實驗室，寧夏銀川 750021）

基于近紅外高光譜成像的冷鮮羊肉表面細菌總數檢測

郭中華1，2，鄭彩英1，金 靈1

（1.寧夏大學物理電氣信息學院，寧夏銀川 750021；2.寧夏沙漠信息智能感知重點實驗室，寧夏銀川 750021）

細菌總數是反映肉品被污染和腐敗狀況的重要指標，為尋找快速有效的冷鮮羊肉表面細菌總數無損檢測方法，本研究利用近紅外高光譜（900～1700nm）成像技術對20d貯藏期內的冷鮮羊肉表面細菌總數進行快速無損檢測。由80個樣本表面高光譜圖像獲取目標區域反射光譜，采用多元散射校正和二階導數相結合（MSC+SD）的方法進行預處理。將用主成分分析法對光譜降維后獲得6個特征波長作為輸入變量，分別采用偏最小二乘回歸（PLS）、誤差反向傳遞人工神經網絡（BP-ANN）和徑向基函數人工神經網絡（RBF-ANN）三種方法建立模型對冷卻羊肉表面細菌總數進行預測，均取得較好預測結果，其中，神經網絡建模效果優于PLS，預測效果最好的是RBF-ANN 模型，相關系數R為0.9988，均方根誤差RMSEP為0.2507。結果表明，NIR高光譜圖像技術可用于冷鮮羊肉表面細菌總數的快速無損檢測。關鍵詞：高光譜成像，冷鮮羊肉，細菌總數，無損檢測

我國是羊肉生產大國和消費大國，生產量和消費量均居世界第一。2006年，清真羊肉產業更是被列入寧夏回族自治區四大支柱產業之一，確定了其在農業經濟發展中戰略性主導地位。2008年，國家農業部發布的《優勢農產品區域布局規劃》中，寧夏清真羊肉被確定為全國重點發展的11種優勢農產品之一[1-3]。隨著居民生活水平的提高，對健康、營養、安全等重視程度的增加，冷鮮羊肉由于其營養好，風味佳，更是代表了未來羊肉類產品主流方向之一。然而，由于冷鏈系統不夠完善，在貯藏、加工等過程中，冷鮮羊肉表面微生物的大量繁殖不僅使冷卻肉的顏色、氣味等感官性質發生改變，更會導致病原體、毒素的形成，如假單胞菌、乳酸菌、黃桿菌及腸桿菌等[4]，對人體健康造成危害。傳統的肉品表面細菌總數的檢測方法效率低、周期長、肉品破損嚴重，這已嚴重制約著我國羊肉產業的發展[5]。因此，對于肉類的質量安全控制愈加嚴格的大環境下，對于準確、高效、簡便的監測手段的需求也愈加迫切，快速無損檢測技術具有重要現實意義。高光譜圖像技術同時具有光譜分辨能力和圖像分辨能力，克服了近紅外（NIR）光譜技術只能對農產品的光譜信息進行處理，而無法獲得被測樣的圖像信息的局限性[6]，可以同時獲取研究對象的外部品質和內部成分信息，是多信息融合檢測農產品的首選技術[7]，近年來在農畜產品內外品質檢驗中成為熱點之一，應用高光譜成像處理技術對肉品質檢測主要包括禽類表面污染檢測[8-9]、肉類表面大理石花紋[10-11]、肉類嫩度[12-13]、新鮮度[14]及含水量[15]等方面的檢測。在微生物檢測方面，陶斐斐等[16]以冷卻豬肉為對象，利用高光譜成像系統（400～1100nm）結合支持向量機的方法，研究其在14d貯藏期內，表面菌落總數與高光譜圖像的關系，選取五個最佳波長，采用支持向量機的方法，對豬肉細菌總數進行預測，相關系數r=0.87，取得了較好的預測效果，但相關報道多集中于禽類、豬肉及牛肉等，鮮有對羊肉的研究，且研究使用建模方法較為單一，未作對比研究。本實驗選取儲藏期內冷鮮羊肉表面為研究對象，對其表面細菌總數進行檢測。在近紅外高光譜成像系統（900～1700nm波長范圍）進行實驗，采集樣品的光譜和圖像數據，獲取目標區域反射光譜，確定最佳預處理方法并優選特征波長，結合多種方法建立預測模型加以分析比較，實現冷鮮羊肉表面細菌總數的無損檢測，為高光譜成像技術應用于羊肉安全質量實時檢測系統開發提供理論依據和技術支持。

1 材料與方法

1.1 材料與儀器

羊肉 寧夏本地羊肉，將采回樣本分割為5cm× 5cm×2cm（長×寬×厚）的肉塊，共計80個樣本，裝入密封保鮮袋中，置于4℃冰箱中貯存待測，實驗期間依次對樣本進行標記與編號。

高光譜成像系統（900～1700nm） 主要由高光譜成像光譜儀（ImspectorN17E）、CCD相機（Zelos-285GV）、4個35W的鹵鎢燈（HSIA-LS-TDIF）、暗箱、移動平臺（PSA200-11-X）和筆記本電腦等部件組成，光譜分辨率5nm，共256個波段；LRH-150B生化培養箱 廣東省醫療器械廠；LDZM-80KSC立式壓力蒸汽滅菌鍋 上海申安醫療器械廠；HDLAPPARATUS超凈工作臺 北京東聯哈爾儀器制造廠。

1.2 微生物測定

微生物測定參考GB 4789.2-2010食品安全國家標準法[17]。采用平板計數法對冷鮮羊肉樣本表面的細菌總數測定。

1.3 光譜測定

貯藏期20d測量期間，每天隨機從4℃冰箱內拿出4個待測樣品，將其置于室溫下30min后采集樣品的高光譜圖像。光譜數據采集前系統設置：光譜范圍900～1700nm，曝光時間為10ms，曝光速度為15mm/s，掃描寬度為180mm，以確保圖像清晰不失真。在采集樣本圖像之前，為校正相機暗電流和室內照明對圖像的影響，進行黑白校正[18]。

式中，R為校正后的高光譜圖像，R0為原始高光譜圖像，W為白板圖像，D為暗圖像。后期實驗中所用數據的分析均是基于黑白校正后的高光譜圖像。

1.4 建模方法

1.4.1 BP-ANN建模 BP神經網絡由輸入層、隱含層、輸出層組成，是一種多層前饋神經網絡，信號向前傳遞，誤差向后傳播。輸入層包含6個節點，確定隱含層節點數為10，迭代次數為1000，目標誤差為0.001。

1.4.2 RBF-ANN建模 RBF神經網絡屬于前向神經網絡類型，其基本思想是用RBF作為隱單元的基構成隱藏層空間，隱含層對輸入變量進行變換，將低維模式的輸入數據變換到高維空間內，使得低維空間內線性不可分的問題在高維空間內線性可分。輸入層包含6個節點，隱含層節點數為10。

1.4.3 模型的評價參數 通過模型評價指標相關系數（R）和預測集均方根誤差（RMSEP）來評價模型擬合精度和模型的預測能力。R值越接近1，RMSEP值越小，所建模型性能就越好。

1.5 數據處理與統計分析

1.5.1 光譜數據預處理 在光譜信息采集過程中，由于受到測量的條件、環境等因素的影響，光譜中除了樣本信息外還包含有噪聲信號，因此，在分析數據之前需要對原始光譜進行預處理分析，獲得低背景干擾、高信噪比的分析信號，提高模型的檢測精度和穩定性。本實驗中使用多元散射校正（MSC）、導數法（derivative）、標準正態變量變換（SNV）以及其相結合的算法等十種方法對原始光譜進行預處理。最后代入建立羊肉表面的細菌總數（TVC）建立模型，通過評價指標進行比較分析。

1.5.2 主成分分析提取最優波段 經預處理后光譜，在900～1700nm波長范圍，共有256個波段，數據中必然存在大量的冗余信息，通過主成分分析（PCA），去除無關信息，提取有用的信息，降低數據分析的計算量，提高分析模型的精度，找出局部相關系數極大值或極小值所對應的波長作為特征波長。實驗中選取的6個局部相關系數極大值和極小值作為特征波長，分別是987、1022、1106、1234、1440、1631nm建立冷鮮羊肉表面TVC預測模型，這6個主成分就能最大限度表征原始光譜的信息。

2 結果與分析

2.1 細菌總數測定

樣本的高光譜圖像數據采集后，立即對其進行表面細菌總數標準值的獲取，按照1∶10比例梯度稀釋倒平板，恒溫培養48h后計數，取對數值作為參考數據，采用平板計數法獲得的冷鮮羊肉表面細菌總數的參考值統計如表1所示。共計80個樣本，隨機分為校正集和預測集，校正集為60個樣本，預測集為20個樣本，成3∶1的比例。

2.2 光譜數據處理與分析

2.2.1 光譜值的獲取 高光譜圖像數據分析采用ENVI4.6軟件平臺。對校正后羊肉樣本高光譜圖像，選取它表面一個目標區域ROI并計算平均反射光譜作為樣本原始光譜，依次對所有樣本進行處理，得到80個樣本的原始反射光譜曲線如圖1所示。

表1 貯藏期20d內細菌總數參考測量值統計（log CFU/g）Table 1 Descriptive statistics for reference measurements in 20 days（log CFU/g）

圖1 樣本表面原始光譜圖Fig.1 Mean reflectance spectrum extracted from the hyperspectral image in ROI for all samples

2.2.2 光譜數據預處理 采用多種方法對原始光譜進行預處理，通過建模評價指標反映，可以得出細菌總數建模的最佳光譜預處理方法為多元散射校正和二階導數相結（MSC+SD），此預處理方法能夠很好地解決由基線漂移、散射等的影響。圖2為80樣本原始光譜經MSC+SD預處理后所得的光譜圖，即TVC建模的最佳預處理光譜圖。

圖2 建模最佳預處理光譜圖（MSC+SD）Fig.2 The best preprocessed spectroscopy of prediction model（MSC+SD）

2.3 模型的建立及預測結果

本實驗使用PLS及神經網絡建立模型并進行預測，比較各種建模方法預測細菌總數的能力。將經MSC+SD預處理及主成分分析提取最優波段后的光譜數據進行建模，依據所建模型對預測集樣品進行驗證。表2列出了使用PLS、BP-ANN以及RBF-ANN三種建模方法建立的冷鮮羊肉表面細菌總數的預測模型的評價參數數值。由表2可知，三種方法均取得了較好的預測效果，其相關系數（R）分別達到了0.9847、 0.9906和0.9988，預測集均方根誤差（RMSEP）分別為0.5414、0.3331和0.2507，且兩種神經網絡模型評價參數優于PLS。

圖3分別給出了經過三種建模方法預測的預測值和實際值之間的關系。從圖3中可以看出，當預測值越接近理想預測線，說明其相關性越好，也說明所建模型的精度越高其中，由此可以看出圖3（c）所對應的RBF-ANN模型預測值和實際值相關性最好，預測效果最佳，優于其他兩種方法。

表2 PLS、BP-ANN和RBF-ANN建模比較Table 2 Comparison of PLS，BP-ANN and RBF-ANN

圖3 定量模型預測集相關圖Fig.3 Correlation diagram of prediction set in quantitative model

3 討論

通過三種預測模型PLS、BP-ANN和RBF-ANN與化學計量方法結合，均取得了較好的預測效果。分析比較可知，由于神經網絡通過訓練使得誤差達到最小，且較好地解決了樣本數據的非線性關系，較大的提升了模型的精度，預測效果優于PLS。其中，RBFANN由于具有自適應確定、不易陷入局部最小、學習速度快和函數逼近能力強等特點，模型預測效果最好，其相關系數接近1，達到0.9988，而均方根誤差RMSEP較小。由此表明，RBF-ANN可以作為近紅外高光譜成像技術檢測冷鮮羊肉表面細菌總數的有效工具。利用NIR高光譜成像技術檢測冷卻羊肉表面細菌總數，較之于傳統的檢測方法，大大縮短了檢測時間，對肉品沒有破壞，且降低了人為檢測因素的影響，大大提升了檢測精度，這也將為高光譜成像技術應用于羊肉安全質量實時檢測系統開發提供參考。

4 結論

本實驗使用近紅外高光譜圖像技術及化學計量方法，對冷鮮羊肉表面的細菌總數的檢測方法進行研究，對預處理后的樣品光譜數據進行主成分分析降維。最后分別采用PLS、RBF-ANN和BP-ANN建立冷鮮羊肉表面細菌總數預測模型，結果表明RBF-ANN模型預測效果最好，相關系數達到0.9988，均方根誤差為0.2507。說明高光譜圖像技術結合化學計量學分析方法能夠實現對冷鮮羊肉表面細菌總數的快速、無損檢測，為實際的生產和生活提供了重要的理論依據。接下來應擴充實驗樣本的數量及多樣性，考慮結合羊肉內部品質對其進行綜合評價，多波段比較分析，進一步完善預測模型。

[1]陳麗，張德權，王培培，等.羊胴體產量分級模型初探[J].食品科技，2011，36（9）：114-118.

[2]夏曉平，李秉龍.我國羊肉產品國際競爭力之分析[J].國際貿易問題，2009（8）：13-15.

[3]全國優勢農產品區域布局規劃（2008～2015年）[N].農民日報，2008-09-12005.

[4]李曉波.微生物與肉類腐敗變質[J].肉類研究，2008，15（9）：41-44.

[5]周鈞，尹建軍，侯玉柱，等.食品中細菌總數快速檢測技術的研究進展[J].食品研究與開發，2010，31（12）：276-280.

[6]吳龍國，何建國，劉貴珊，等.基于近紅外高光譜成像技術的長棗含水量無損檢測[J].光電子·激光，2014，25（1）：135-140.

[7]洪添勝，李震，吳春胤，等.高光譜圖像技術在水果品質無損檢測中的應用[J].農業工程學報，2007，23（11）：280-285.

[8]Seung C Y，Bosoon P，Kurt C L，et al.Line-scan hyperspectral imaging system for real-time inspection of poultry carcasses with fecal material and ingesta[J].Computers and Electronics in Agriculture，2011，79（3）：159-168.

[9]趙進輝，涂冬成，歐陽靜怡，等.利用高光譜圖像技術檢測雞胴體內部糞便污染物[J].江西農業大學學報，2011，33（3）：573-577.

[10]Qiao J，Ngadimo，Wang N，et al.Pork quality and marbling level assessment using a hyperspectral imaging system[J].Journal of Food Engineering，2007，83（1）：10-16.

[11]高曉東.基于高光譜成像技術的牛肉大理石花紋的評估[D].北京：中國農業大學，2009.

[12]陳全勝，張燕華，萬新民，等.基于高光譜成像技術的豬肉嫩度檢測研究[J].光學學報，2010，30（9）：2602-2607.

[13]Cluff K，Naganathan G K，Subbiah J，et al.Optical scattering in beef steak to predict tenderness using hyperspectral imaging in the VIS-NIR region[J].Sensing and Instrumentation for Food Quality and Safety，2008，2（3）：189-196.

[14]張雷蕾，李永玉，彭彥昆，等.基于高光譜成像技術的豬肉新鮮度評價[J].農業工程學報，2012，28（7）：254-259.

[15]劉善梅，李小昱，鐘雄斌，等.基于高光譜成像技術的生鮮豬肉含水率無損檢測[J].農業機械學報，2013，44（S1）：165-170.

[16]陶斐斐，王偉，李永玉，等.冷卻豬肉表面菌落總數的快速無損檢測方法研究[J].光譜學與光譜分析，2010，30（12）：3405-3409.

[17]GB 4789.2-2010，食品安全國家標準食品微生物學檢驗 菌落總數測定[S].2010.

[18]黃培賢，姚志湘，粟暉，等.高光譜圖像技術在食品無損檢測中的研究進展[J].食品工業科技，2012，33（15）：412-417.

Measurement of total viable count on chilled mutton surface based on near-infrared hyperspectral imaging technique

GUO Zhong-hua1，2，ZHENG Cai-ying1，JIN Ling1
（1.School of Physics and Electronic Information Engineering，Ningxia University，Yinchuan 750021，China；2.Ningxia Key Laboratory of Intelligent Sensing for Desert Information，Yinchuan 750021，China）

Total viable count（TVC） is an important index to reflect the contamination and corruption of meat.In order to look for a quick and efficient detection method of TVC on chilled mutton surface ，NIR hyperspectral（900 ～1700nm） imaging technique was applied to the nondestructive detective of TVC on chilled mutton surface，there were 80 samples stored 1 to 20 days in this study.Spectral reflectance curves obtained from the target area of hyperspectral imaging of all samples.Two mixed methods：multiplicative scatter correction adding second derivative （MSC+SD） for pretreatment were used.Then dimensions were reduced by principal component analysis （ PCA ） to get six characteristic wavelengths as the input variables.Three models were established by using partial least squares（PLS），BP artificial neural network（BP-ANN） and radial basis function artificial neural network （ RBF-ANN ） ， all of them had achieved better prediction results ， in which the neural network modeling was better than PLS.Overall，the best prediction result was based on the radial basis function artificial neural network （RBF-ANN） model，the correlation coefficient and the root mean square error of prediction were 0.9988 and 0.2507.Therefore ，hyperspecctral imaging technique could be used for the nondestructive detection of TVC on chilled mutton surface.

hyperspectral imaging；chilled mutton；total viable count；nondestructive detection

TS251.7

A

1002-0306（2014）20-0066-04

10.13386/j.issn1002-0306.2014.20.005

2014-02-24

郭中華（1973-），男，博士，教授，研究方向：電路與系統，信號處理與檢測。

寧夏自然科學基金課題（NZ14047）。