基于高光譜和極限學習機的冷鮮羊肉顏色無損檢測

梁曉燕,郭中華,2,*,線文瑤,魏 菁

(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)

基于高光譜和極限學習機的冷鮮羊肉顏色無損檢測

梁曉燕1,郭中華1,2,*,線文瑤1,魏 菁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)

利用400～1000 nm近紅外高光譜成像系統對冷鮮羊肉顏色進行快速無損檢測研究。采集140個冷鮮羊肉樣品(貯藏1～7 d)光譜圖像,并測量其亮度(L*)、紅度(a*)、黃度(b*)和飽和度(C*)等顏色參數。選取感興趣區域獲取樣品代表性光譜,利用聯合區間偏最小二乘法(siPLS)對一階微分、多元散射校正、標準正態變量變換(SNV)等方法預處理后的光譜數據篩選特征波段,建立冷鮮羊肉顏色各參數的siPLS-ELM神經網絡校正模型。對于L*、a*、b*和C*,模型的預測集相關系數(RP)分別為0.9219、0.9391、0.9603和0.8839,預測集均方根誤差(RMSEP)分別為1.1935、0.2333、0.6009和0.3586。結果表明:采用可見-近紅外高光譜成像技術結合siPLS-ELM神經網絡對冷鮮羊肉顏色的快速無損檢測是可行的。

高光譜成像技術,冷鮮羊肉,顏色參數,聯合區間偏最小二乘法,極限學習機,無損檢測

羊肉由于其肉質細嫩、味道鮮美、營養價值高,深受人們喜愛,在肉類消費中占有較大比例。近年來,隨著消費者對健康日益關注、食品安全和質量的重視,冷鮮肉逐漸成為了我國生鮮肉消費的主流,受到越來越多消費者的青睞[1-2]。顏色是選擇羊肉最常用的指標,也是色、香、味、質中最先導的感官要素,對于普通消費者來說,購買肉制品時,顏色更為直觀,并且在非接觸狀態下,顏色是消費者評判產品質量的重要依據[3]。目前,對于肉色的評價多偏重于主觀性,誤差較大,其客觀評價主要通過精密色差儀測定,在測定過程中容易帶來污染以及安全問題,因此,亟需開發一種快速無損的冷鮮肉顏色等品質指標檢測手段。

近年來,高光譜成像技術[4-5]已經廣泛應用于食品及農畜產品無損檢測中。其融合了圖像和光譜技術的優勢,可全面地反映樣品內外品質特征,具有廣闊的應用前景,引起了國內外研究學者的廣泛關注。Thyholt[6]和王文秀[7]等利用可見-近紅外光譜成像技術對冷鮮肉與解凍肉進行了識別研究;J Qiao[8-9]等結合高光譜成像技術和人工神經網絡對豬肉品質進行了分級;G.K Naganathan[10-11]等利用400～1100 nm波長范圍高光譜成像技術對牛肉嫩度進行分級,鄒小波[12]等利用高光譜成像技術和偏最小二乘回歸(PLSR)法建立模型對肴肉新鮮度進行快速無損檢測,吳建虎[13]等利用高光譜散射特征對牛肉品質參數進行預測研究。

表1 顏色參數數據統計

本實驗以寧夏灘羊為研究對象,利用400～1000 nm可見-近紅外高光譜成像技術對貯藏1～7 d的冷鮮羊肉顏色進行無損檢測,采用聯合區間偏最小二乘法(siPLS)篩選特征波段,并結合極限學習機(ELM)神經網絡算法,對冷鮮羊肉顏色各參數(亮度L*、紅度a*、黃度b*和飽和度C*)建立模型并通過預測集進行評價,為建立羊肉新鮮度的相關檢測方法提供依據。

1 材料與方法

1.1 材料與儀器

羊肉 選用寧夏鹽池灘羊為實驗對象,購于寧鑫冷鮮羊肉直銷店出售的里脊肉,生產日期均為購買前1 d。

Hyper VNIR高光譜成像系統(波長范圍400～1000 nm) 美國的Headwall Photonics 公司;JA3102分析天平 上海海康電子儀器廠;HDLAPPARATUS超凈工作臺 北京東聯哈爾儀器制造有限公司;精密色差儀 KONICA MINOLTA公司。

1.2 實驗方法

1.2.1 羊肉的處理 羊被屠宰后,取羊脊椎骨內側的條狀里脊肉,將其制成大約長×寬×厚為4 cm×3 cm×1.5 cm的實驗樣本,共140塊。樣品用密封袋密封、按序編號,置于保鮮箱低溫保存運至實驗室,在 0～4 ℃下貯藏7 d。

1.2.2 光譜采集 貯藏期7 d測量期間,每天隨機從4 ℃冰箱中取出20個待測樣本,置于室溫下1 h。待樣品中心溫度達到室溫水平后,放置于可見-近紅外高光譜電控位移平臺,進行高光譜圖像掃描。光譜數據采集前系統設置:光譜范圍400～1000 nm,曝光時間為15 ms,曝光速度為16 mm/s,掃描寬度為180 mm,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。校正后的高光譜圖像計算公式如下:

R=(R0-D)/(W-D)

式(1)

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。

1.3 顏色參數測定

根據國際照明委員會(CIE)的標準,顏色參數用L*、a*、b*和C*表示。通過測量L*、a*、b*值,來確定樣品的明亮度及色彩度。C*與a*、b*值得關系式如下:

式(2)

羊肉樣品經高光譜圖像采集后,采用由精密色差儀測量羊肉的L*、a*、b*顏色參數。具體方法是:色差儀使用標準黑白板校正后進行測量,為避免測量誤差,對每一塊樣品的三個不同的部位測量,取平均值作為該樣品肉色參數的最終測定值。

1.4 特征波長的篩選

經預處理后的光譜,在400～1000 nm波長范圍,共有125個波長,若采用全部波長作為建模的輸入信息數據量太大,存在大量的冗余信息,因此要選取合適的光譜區間或波長進行建模,去除無關信息,提取有用信息,降低數據分析的計算量,提高分析模型的精度。聯合區間偏最小二乘法[14](siPLS)是一種有效的特征波長篩選方法。該方法將整個光譜等分成若干個子區間,然后聯合其中的幾個子區間建立局部模型,利用驗證均方根誤差(RMSECV)和預測樣本均方根誤差(RMSEP)來評價與對比各個局部模型的準確度,準確度最好的局部模型所對應的聯合子區間即為最優子區間。

2 結果與分析

2.1 顏色參數的統計分析

羊肉樣品的L*、a*、b*等顏色參數值的統計結果由表1所示。將利用色差儀所獲得的140個羊肉樣品各顏色參數值,按照3∶1的比例隨機取3/4(105個)樣本作為校正集用于模型建立,其余1/4(35個)樣本作為預測集用于模型驗證,本實驗所取校正集肉樣的顏色測定值范圍分布較廣,覆蓋了冷鮮羊肉顏色測定值的最大值和最小值,且預測集樣本顏色值變化范圍基本在校正集變化范圍之內,樣本集劃分合理,具有較好的代表性。

2.2 光譜數據處理與分析

高光譜圖像數據分析采用ENVI4.6軟件平臺。提取140個羊肉樣本感興趣區域(range of interest,ROI)的平均光譜信息作為原始光譜,為綜合反映肉品均體特征,選取樣品整塊肉表面作為感興趣區域(range of interest,ROI),計算ROI內的平均反射光譜,得到140個樣本的原始光譜反射曲線如圖1所示。由圖1可以看出,原始光譜反射曲線上夾雜了明顯的噪聲信息,使曲線不光滑,這些信息對模型的準確性和穩定性存在一定影響。

表2 顏色各參數(L*、a*、b*、C*)特征區間的siPLS模型分析結果

圖1 樣本原始光譜Fig.1 Original spectroscopy for all samples

2.3 光譜預處理的方法選擇

為了消除干擾信號影響以及突出光譜中各參數特征信息,需要對光譜進行預處理。為獲得較好的建模效果,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對原始光譜進行預處理。最后代入羊肉顏色建立模型,通過評價指標進行比較分析,可以得出各參數最佳光譜預處理方法,有效的解決了由基線漂移、散射等的影響。參數a*采用多元散射校正和一階導數相結合(MSC+FD),參數b*采用多元散射校正和標準正態變量變換相結合(MSC+SNV),參數C*和參數L*采用一階導數和均值中心化相結合(FD+MC)。圖2為各參數建模最佳預處理光譜圖。對比圖2和圖1可以看出,經過預處理過的光譜更加收斂緊湊,光譜曲線上的噪音干擾明顯減少,平滑度也有所提高,并改善了譜峰的分辨率。

圖2 各參數建模最佳預處理光譜圖Fig.2 The best preprocessed spectroscopy of prediction model注:(a)a*(MSC+FD);(b)b*(MSC+SNV);(c)L*、C*(FD+MC)。

2.4 特征波長的篩選

圖3 通過siPLS對顏色各參數的特征光譜區域篩選Fig.3 Optimal feature spectral regions selected by siPLS of color parameters注:(a)L*;(b)a*;(c)b*;(d)C*。

本實驗將全光譜劃分為10、11、12、……、25個子區間,并考察劃分不同子區間時分別聯合2、3、4個子區間建立預測模型。表2為用聯合區間偏最小二乘模型進行特征波長篩選結果。圖3為聯合區間偏最小二乘法選取的最優區間。數據處理的結果表明,參數L*的特征區間劃分為17個區間,聯合第2、7、11、12這4個區間與實測值建立PLS模型,主成分因子數為7時,RMSECV最小,為參數L*的最優子區間。參數a*的特征區間劃分為23個區間,聯合第1、6、12、21這4個區間,主成分因子數為7時,RMSECV最小,為參數a*的最優子區間。參數b*的特征區間劃分為18個區間,聯合第1、3、4、18這4個區間,主成分因子數為6時,RMSECV最小,為參數b*的最優子區間。參數C*特征區間劃分為21個區間,聯合第1、6、12、20這4個區間,主成分因子數為4時,RMSECV最小,為參數C*的最優子區間。圖中帶狀區域為優選出的子區間。

2.5 模型建立與結果

利用上述選定的特征波長區間,通過采用siPLS和極限學習機(ELM)兩種校正方法建立L*、a*、b*和C*各顏色參數的校正模型,找出了適合本研究的最佳校正模型。

表4 siPLS和ELM模型結果對比

2.5.1 ELM建模 極限學習機[15-16](Extreme learning machine,ELM)是一種單隱層前饋神經(SLFN)網絡學習算法。該算法隨機設定輸入層與隱含層間連接權值和隱含層神經元的閾值,并且在訓練過程中無需調整,只需要設置隱含層節點數目就可以獲得唯一的最優解。相比于傳統的神經網絡算法,其優勢是:1、不會陷入局部最優;2、無需迭代,可快速求解;3、無需設置復雜的參數。本實驗中,隱含層激勵函數選擇sigmoid函數,隱含層節點數初始化為10,以5為周期增加隱層節點數,通過交互驗證的手段對ELM的隱層節點數進行優化。得出最佳隱含層節點數為20。

2.5.2 建模結果比較 對比ELM和PLS兩種模型預測結果,見表4,以訓練集和預測集的相關系數(R)作為模型評價指標,并且以預測集指標為主,可以看出,兩種建模方法中,ELM模型校正集相關系數(RC)和預測集相關系數(RP)高于PLS模型,模型預測能力得到提高。可以得出ELM模型的性能要優于SI-PLS模型。圖4給出了顏色各參數基于ELM建模方法預測的預測值和實測值之間的關系。從圖4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,所建模型精度越高。ELM具有很好的全局搜索能力,可以克服傳統梯度算法(支持向量機等)常有的局部極小、過擬合和學習率選擇不合適等問題,并且有更好的泛化能力,所以其模型精度要高于線性PLS模型,在利用siPLS對特征區間進行篩選,模型精度得到了進一步的提高。

圖4 ELM模型預測集相關圖Fig.4 Correlation diagram of prediction set in ELM model注:(a)L*;(b)a*;(c)b*;(d)C*。

3 結論

本實驗利用可見/近紅外高光譜成像技術對冷鮮羊肉顏色參數進行無損檢測,首先使用多元散射校正(MSC)、導數法(derivative)、標準正態變量變換(SNV)以及其相結合的算法對原始光譜進行預處理,選擇最優預處理方法。其次對最優預處理后的樣品光譜采用聯合區間偏最小二乘法(siPLS)進行了特征波段的篩選,最后結合SI-PLS和ELM方法分別建立預測模型,結果表明兩種模型都表達了羊肉顏色參數(L*、a*、b*、C*)較好的預測能力,其中,ELM模型對冷鮮羊肉顏色各參數的預測效果優于SI-PLS模型。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顏色的快速無損檢測,為實際的生產和在線檢測提供了重要的理論依據。

[1]劉珂,劉騫. 冷卻肉品質控制技術[J]. 肉類工業,2010(6):1-3.

[2]王婉嬌,王松磊,賀曉光,等. 冷鮮羊肉冷藏時間和水分含量的高光譜無損檢測[J]. 食品科學,2015,36(16):112-116.

[3]朱彤,王宇,楊君娜,等. 肉色研究的概況及最新進展[J]. 肉類研究,2008(2):11-18.

[4]郭中華,王磊,金靈,等. 基于近紅外透射光譜的乳制品蛋白質、脂肪含量檢測[J]. 光電子·激光,2013,24(6):1163-116.

[5]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.

[6]THYHOLT K,SAKSSON T. Differentiation of frozen and unfrozen beef using near-infrared spectroscopy[J]. Journal of the Science of Food and Agriculture,1997,73(4):525-532.

[7]王文秀,彭彥昆. 基于近紅外光譜的冷鮮肉-解凍肉的判別研究[J]. 食品安全質量檢測學報,2014,5(3):754-760.

[8]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.

[9]Qiao J,Wang N,Ngadimo,et al. Prediction of driploss,pH,and color for pork using a hyperspectral imaging technique[J]. Meat Science,2007,76(l):1-8.

[10]Naganathan G K,Grimes L M. Partial least square analysis of near-infrared hyperspectral imagesfor beef tenderness prediction[J]. Sensing and Instrumentation for Food Quality and Safety,2008,2(3):178-188.

[11]Naganathan G K,Grimes L M. Visible/near-infrared hyperspectral imaging for beef tenderness prediction[J]. Computers and Electronics in Agriculture,2008,64(2):225-233.

[12]鄒小波,李志華,石吉勇,等. 高光譜成像技術檢測肴肉新鮮度[J]. 食品科學,2014,35(08):89-93.

[13]吳建虎,彭彥昆,陳菁菁,等. 基于高光譜散射特征的牛肉品質參數的預測研究[J]. 光譜學與光譜分析,2010,30(7):1815-1819.

[14]趙杰文,畢夏坤,林顥,等. 雞蛋新鮮度的可見-近紅外透射光譜快速識別[J]. 激光與光電子學進展,2013,50(5):1-8.

[15]Huang G B,Zhu Q Y,Siew C K. Extreme learning machine:a new learning scheme of feed forward neural networks[C]. Budapest,Hungary:In Proceedings of the International Joint Conference on Neural Networks,2004:985-990.

[16]Guangbin Huang,Hongming Zhou,Xiaojian Ding,et al. Extreme learning machine for regression and multiclass classification[J]. IEEE Transactions on Systems Man and Cybernetics,PartB:Cy-bernetics,2012,42(2):513-529.

Non-destructive detection of color in chilled mutton based on hyperspectral technique and extreme learning machine

LIANG Xiao-yan1,GUO Zhong-hua1,2,*,XIAN Wen-yao1,WEI Jing1

(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)

Near-infrared hyperspectral imaging system that was ranging from 400 nm to 1000 nm was used to finish the research of non-destructive and rapid testing of the chilled mutton colors. Hyperspectral images were taken from the 140 chilled mutton samples(storaging 1～7 d),and it measured the colors parameters:brightness(L*),redness(a*),yellowness(b*)and saturation(C*). Then it selected an interested area to get a representative sample spectra,and utilized the spectral data which was gotten from the preprocess Synergy interval Partial Least Squares Regression(siPLS),the first derivative(FD),multiplicative scatter correction(MSC)and SNV and it was used to select the characteristic bands. It established siPLS-ELM neural network calibration model that was based on the colors parameters of the chilled mutton. The correlation coefficient(RP)of the model prediction was 0.9219,0.9391,0.9603,0.8839 which was corresponded to the L*,a*,b*and C*. The Root Mean Square Error Prediction(RMSEP)was 1.1935,0.2333,0.6009,0.3586. The results showed that:the near-infrared hyperspectral imaging technologies combing with SiPls-ELM neural network was feasible for the non-destructive and rapid testing of the the chilled mutton colors.

Hyperspectral imaging technology;Chilled Mutton;color parameters;siPLS;ELM;Non-destructive Detection

2016-04-29

梁曉燕(1990-),女,碩士研究生,研究方向:計算機網絡與多媒體通信,E-mail:lxy19900212@163.com。

*通訊作者: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,E-mail:guozhh@nxu.edu.cn。

國家自然科學基金(61565014)。

TS207.3

A

1002-0306(2016)24-0000-00

10.13386/j.issn1002-0306.2016.24.000