基于高光譜圖像技術的臘腸酸價含量檢測

劉　碩,郭培源,楊昆程,趙俊華

(北京工商大學計算機和信息工程學院,北京 100048)

?

基于高光譜圖像技術的臘腸酸價含量檢測

劉碩,郭培源,楊昆程,趙俊華

(北京工商大學計算機和信息工程學院,北京 100048)

本文以臘腸為研究對象,探討了高光譜圖像技術對其酸價檢測的可行性。研究中,對高光譜成像系統獲得的數據進行了MNF變換、PPI純凈指數計算、n-D Visualizer等處理,獲得純凈的光譜數據信息。采用主成分分析,獲得主成分圖像,選取PC2作為分析對象,通過比較權重系數,選取六個特征波長943.28、1003.20、1136.53、1240.03、1326.95、1477.64 nm,并通過特征波長,選定1000～1500 nm波長范圍作為光譜分析區域。利用PLS建模方法將高光譜數據與酸價實際值關聯,獲得臘腸酸價評價模型。采用一階導+SG(17)+矢量歸一化和二階導+SG(21)+矢量歸一化校正方法建立校正模型,校正集RMSECV和R2分別為0.28,0.97和0.31和0.96,驗證集RPD分別為2.92和2.89,一階導+SG(17)+矢量歸一化建立的PLS模型更適合酸價的定量檢測,模型預測值平均重復性標準差為0.22,模型預測值平均相對誤差為10.32%。研究結果表明,高光譜圖像技術檢測臘腸酸價含量是可行的。

酸價,高光譜圖像技術,PLS,主成分分析

腌臘制品這一古老的傳統肉制品,以其獨特的風味、便于保存的優點、以及千百年來不斷傳承的飲食文化,在傳統肉制品消費中仍然占有重要位置。然而,臘腸制品因其蛋白質、脂肪含量高,運輸和貯藏中出現問題等因素,很容易發生脂質氧化,酸敗,微生物超標等品質劣變[1],產生臘腸褪色、出油、風味差等不同程度的質量問題,嚴重的還會威脅到人們的身體健康。酸價在我國的國家標準中,是一項用來衡量臘腸酸敗程度的強制性指標,國標規定,每g脂肪中酸價應不大于4 mg·g-1KOH。酸價保持在適度的范圍內,會使臘肉產生特有的風味,但過度氧化便會產生醛、酮、醇、羥甲基等,會給臘腸帶來刺鼻的哈喇味,嚴重的氧化還會產生毒素,危害人體健康。

高光譜圖像技術(hyper-spectral image)是近十幾年來快速發展起來的一種將影像信息和光譜信息相結合的新興檢測技術[2]。高光譜的圖像是一系列光波波長處的光學圖像,范圍可以從紫外到近紅外(200～2500 nm)及波長更長的區域[3],能夠得到既多且窄的光譜波段,擁有極高的光譜分辨率。高光譜數據既有能反映內部物理結構、化學成分的光譜信息,也有能反映樣品品質的外部特征的圖像信息。因此,高光譜技術在食品安全檢測方面凸顯了它的優越性和檢測精度[4]。洪添勝[5]等運用高光譜圖像技術與計算機圖像技術對水果品質進行評價。Nagata[6]等應用650～1000 nm高光譜成像系統分別對草莓的可溶性固體和硬度進行了預測。Sivakumarc[7]采用高光譜圖像技術結合人工神經網絡研究預測了芒果中水分的含量。

目前,應用高光譜技術在豬肉,牛肉等肉類品質的組分定量檢測進展顯著[8-9],對于應用高光譜技術對臘味香腸的酸價的相關研究,目前尚未見報道。本實驗以臘味香腸為研究對象,探討研究了高光譜圖像技術在快速檢測腌臘肉制品中酸價含量的可行性,以期建立一種腌臘肉制品品質的快速檢測方法。

1　材料與方法

1.1材料與儀器

廣味臘腸:廣西名香園食品有限公司;購于家樂福超市。

GaiaSorter高光譜分選儀北京卓立漢光儀器有限公司;8011S組織搗碎機美國Waring Commercial公司;OPUS6.0光譜處理軟件德國布魯克光譜儀器公司;ENVI5.0高光譜處理軟件美國Exelis Visual Information Solutions公司。

1.2實驗方法

1.2.1樣品制備采購不同批次的廣味臘腸,保質期六個月,置于無菌培養箱中,常溫保存。選取15個接近生產日期,25個保質期內,以及8個超出保質期兩個月的臘腸,共計48個臘腸樣品構成樣品集。樣品粉碎成肉糜狀,冰箱中保存。樣品解凍后,每份樣品分成兩部分,分別用于獲取理化實驗中酸價值以及高光譜圖像的信息。

本實驗中酸價的獲取按照國標GB 2730-2005《腌臘肉制品衛生標準》中相關規定進行測定。

1.2.2高光譜成像系統高光譜圖像數據用卓立漢光公司GaiaSorter“蓋亞”高光譜分選儀系統采集。高光譜采集系統如圖1所示,主要由基于圖像光譜儀的高光譜攝像機、CCD、光源、精密電控平移臺,以及計算機等部件組成。其中,成像光譜儀的波段范圍為900～1700 nm,光譜儀分辨率為5 nm,平均曝光時間為1 μs～500 ms,在900～1700 nm波長范圍內一共有256個波段。

圖1　高光譜成像系統Fig.1　Hyperspectral imaging system

采集系統的工作流程為,待測樣品放置在有光源照射的電控移動平臺上,光譜相機捕獲樣品反射光的信息,伴隨著電控平臺的勻速運行,獲得連續的影像及光譜信息,所有的過程由計算機控制,最終獲得了一個完整的高光譜數據立方體。

1.2.3理化實驗方法實驗中酸價的理化實際含量按照國標GB 2730-2005《腌臘肉制品衛生標準》中相關規定進行測定。

所用試劑包括:乙醚-乙醇混合液(按乙醚∶95%乙醇=2∶1混合,用氫氧化鉀溶液(3 g/L)中和至酚酞指示液呈中性)、氫氧化鉀標準滴定溶液[c(KOH)=0.050 mol/L]、酚酞指示液(10 g/L乙醇溶液)。

結果計算:試樣的酸價按式(1)進行計算。計算結果保留兩位有效數字。

式(1)

式中:X:樣品的酸價(以KOH計),單位:毫克每克(mg/g);V:樣品消耗的氫氧化鉀標準滴定溶液體積,單位:毫升(mL);c:氫氧化鉀標準滴定的實際濃度,單位:摩爾每升(mol/L);m:樣品質量,單位:克(g)。

1.2.4高光譜數據采集實驗前,將待采集光譜數據樣品去皮,用組織搗碎機將其打成肉糜狀。將粉碎所得肉糜樣品均勻鋪滿聚苯乙烯表面皿,并置于水平移動平臺上,采集光譜時,要保持周圍環境的穩定性,以降低外界因素對數據的影響。光譜的采集范圍是900～1700nm,分辨率為5nm,傳送速度為100mm/s,共得到256個波段,采集到的數據如圖2所示。高光譜數據包含海量的數據,高光譜圖像數據中的每個像素點,均有一條對應的光譜曲線。

圖2　高光譜數據Fig.2　Hyperspectral data

由于光源在各波段下強度分布不均勻以及攝像頭中非人為因素的影響,會導致光源強度分布弱的波段下噪聲較大,因此,需要對高光譜數據進行黑白標定[10]。保持與采集數據時的系統設定不變,掃描標準白板得到全白標定圖像W,關閉相機快門進行圖像采集得到全黑的標定圖像B,高光譜圖像標定的結果是使絕對圖像I變成相對圖像R。

式(2)

式中:R標定后圖像,I原始圖像;W白板圖像;B黑色圖像。

1.2.5光譜平均反射值選取高光譜數據擁有龐大的數據量,但因其維數較大、波段寬度窄,相鄰波段相關性大,數據中冗余度也相對較大,且數據中含有不可避免的噪聲干擾。為了保證選取的光譜平均反射值能夠保留盡可能多的數據信息,保證數據的純凈,需要對高光譜原始數據進行處理。

最小噪聲分離(MNF)是一種能夠判斷高光譜數據維數和分離數據中噪聲的方法,在主成分變換的基礎上對其改進,不但能夠獲取圖像內在維數,而且能將數據中無用噪聲分離出來,把光譜主要信息集中在前幾個波段中,去除噪聲的同時還可減少數據之間的相關性,大大減少了后續處理中的計算量。MNF也是一種線性變換,本質上是兩次重疊的主成分分析。經過MNF處理后的影像質量隨著波段的增加,質量逐漸下降,按照信噪比從大到小排列。其主要信息主要集中在前幾個波段中[11]。

原始圖像經過MNF變換后,特征值分布圖如圖3所示,圖中橫坐標為變換后的特征波段數,與原圖像波段數相同,縱坐標為特征值,縱坐標越接近零,表明其噪聲越大,貢獻度越小,可認為是無用信息。由圖可知,經過MNF變換的影像前18個波段中已含有大量信息,故可認為其后波段中均為噪聲。

圖3　MNF變換結果Fig.3　The MNF transform results

純凈像元指數(PPI)[12]是一種可以在多光譜和高光譜圖像中尋找出最“純凈”的像元的工具。它是通過N維散點圖迭代映射為一個隨機單位向量,每次映射的極值像元以及其被標記的總次數一同被記錄下來,從而生成一幅像元純度圖像。通常PPI運行于排出了噪聲波段的MNF結果文件。實驗中,選取MNF變換結果的前18個波段作為PPI指數的信息輸入,計算PPI時,迭代次數為10000次,每次運行250次迭代,閾值設定為2.0,結果篩選出大約6000個像元。

n維可視化(n-D Visualizer)工具[13]可以與MNF和PPI結果相結合,用于定位、識別、聚集數據集中最純的像元,從而獲得純凈的端元波譜。采用n-D Visualizer工具中前面4個維度,n維空間的點呈現一些聚集合分散,聚集點表明該部分像元波譜圖類似,聚集緊密,表明是一類波譜。實驗中共分四類。

最終將n-D Visualizer分類出來的四種類型的波譜映射回最初的光譜輸入文件,通過比對,找到臘腸處映射的顏色光譜,劃定ROI(感興趣區域)找到處理后的臘腸平均反射光譜。圖4為經過處理后的ROI光譜曲線,與圖2中未經處理的曲線相比,處理后的反射光譜更加平滑,且在低頻波段和高頻波段的噪聲被去除,反射光譜更加純凈、準確。圖5所示為經過同樣處理獲得的48組樣品光譜曲線。

圖4　ROI平均光譜曲線Fig.4　ROI average spectral curve

圖5　48組臘腸樣品光譜圖Fig.5　The 48 groups sausage sample spectra

2　結果與分析

2.1臘腸酸價理化結果

根據國家標準測定的48組樣品酸價的結果如表1所示。

2.2最優波段的選取

主成分分析是一種可以去除波段間多余信息、沿著協方差最大的方向由高維數據壓縮到更有效的少數幾個轉換波段的方法。通過主成分分析,數據根據方差貢獻率大小排列,選取累計方差貢獻率大于85%～95%的前面幾個主成分數便能夠代表原始變量所能提供的絕大部分信息,每個主成分圖像都是經過原始數據中各波長經線性組合而成的,通過比較線性組合中權重系數,便可以優選出最優波長及波段[14]。

表1　臘腸樣品中酸價的范圍、均值、標準差Table 1　Chemical analyses of the range,mean, standard deviationin the Sausage samples

經過分析,前五個主成分圖像貢獻率達到了96.75%,圖6是經過PCA后的前五個主成分圖像。由圖中可知,PC5已經出現了較大的噪聲,PC3可以看到清晰的臘腸樣品圖像,但其干擾比PC1和PC2的大,貢獻因子較小,PC1圖像光斑影響大,且圖像背景及樣品圖像區分度不明顯,所以選擇PC2的權重系數選擇特征波段。

圖6　主成分分析得到的前5個圖像Fig.6　Principal component analysis to get top five images

PC2是由256個波段下的圖像經線性組合而成,即:

式(3)

通過比較256各波長下所對應的權重系數,找到6個局部最大權重系數,它們分別是α21、α39、α79、α110、α136、α181對應的波長分別為943.28、1003.20、1136.53、1240.03、1326.95、1477.64 nm。由于在低頻段出現了比較大的噪聲,而在高頻段附近曲線平緩,無明顯吸收,綜合特征波長,本實驗選取1000～1500 nm波長范圍作為光譜分析區域,用于臘腸酸價模型的預測。

2.3光譜的預處理

為了保證模型的穩定性和可靠性,提高模型精度,在進行數據分析前,需要對光譜數據進行變換處理,消除一些非目標參數對光譜的影響[15]。矢量歸一化(Vector normalization)主要是消除由微小光程或者樣品厚度引起的光譜變化。導數化可以有效地消除基線漂移和其他背景的干擾,提高分辨率和靈敏度,其中一階導數、二階導數用得最為廣泛。但為了消除光譜變換帶來的噪聲,常在求導前進性平滑處理。SG(Savitzky-Golay)也可求取導數光譜,其本質是對光譜曲線進行低通濾波,去掉高頻成分,保留有用低頻信息[16]。

圖7、圖8分別為一階導數+SG+矢量歸一化和二階導數+SG+矢量歸一化處理之后的光譜曲線。

圖7　一階導數+SG+矢量歸一化Fig.7　The first derivative+SG+vector normalization

圖8　二階導數+SG+矢量歸一化 Fig.8　The second derivative+SG+vector normalization

2.4不同預處理所建模型的對比

本文采用OPUS6.5軟件建立偏最小二乘法(PLS)酸價含量預測模型。PLS是一種多元因子回歸方法,PLS不僅可以對光譜陣X進行處理,而且可以在處理光譜陣X的同時對濃度陣Y進行處理,考慮兩者之間相互關系,加強對應計算關系,從而保證獲得最佳校正模型。隨著對PLS方法深入研究發現,采用特征波長區間進行建模,更能有效的消除不相關或非線性變量的影響,可以減少運算量,簡化模型,更能提高模型整體的預測精度[17]。故本實驗通過主成分分析,確定特征波段并進行建模,模型采用內部交互驗證標準偏差(RMSECV)和決定系數(R2),RMSECV越小,R2值越接近1,表明模型準確度高,模型回歸性好。其計算公式為:

式(4)

式中:yi,actual為第i個樣品的測定值;yi,predicted為模型對第i個樣品的預測值;n為校正集的樣品數。

式(5)

48個臘腸樣品中平均選取36個作為校正集,12個為預測集,保證最大值以及最小值均在校正集中。

本實驗中,采用一階導數+SG+矢量歸一化、二階導數+SG+矢量歸一化光譜校正方法進行預處理。并觀察不同平滑點數對PLS模型的影響。

表2　不同光譜校正方法和平滑點數對PLS模型的影響Table 2　The influence on PLS model using different spectral pretreatment methods and the smooth points

平滑點數的不同,對模型有一定的影響,在實際操作中,不同樣品的理想平滑點數是不同的。一般情況下,平滑點數過小,去噪效果不理想,平滑點數過大,容易把有用信息過濾掉[18]。表2中列舉了兩種不同光譜校正方法下不同平滑點數對模型的影響,通過RMSECV和R2對模型結果進行評價,對一階導數+SG+矢量歸一化來說,最佳平滑點數為17,此時它的RMSECV為0.31,R2為0.96,對二階導+SG+矢量歸一化來說最佳平滑點數為21,此時的RMSECV為0.62,R2為0.96。

采用一階導+SG(17)+矢量歸一化和二階導+SG(21)+矢量歸一化校正后的定量偏最小二乘模型,驗證集RPD分別為2.92和2.89。由表3可知,PLS模型中一階導+SG(17)+矢量歸一化的處理效果更佳。制取接近生產日期、保質期內、超出保質期的臘腸樣品各2個,共6個實驗樣品,作為未知濃度樣品,國標法測定其真實理化值,利用構建好的一階導+SG(17)+矢量歸一化PLS模型進行預測,預測結果如表4所示。

表3　臘腸酸價定量模型分析結果Table 3　Sausage acid value quantitative model analysis results

由表4可知,一階導+SG(17)+矢量歸一化PLS模型的預測結果在含量比較低的濃度時,預測結果誤差較大,原因可能為濃度過小,超出模型的檢測范圍;實際含量大時,模型檢測效果不佳,原因可能為建立模型的過程中,參與模型的校正集過少,整體模型的預測效果較好,6組實驗樣品的平均重復性標準差為0.22 mg·g-1。結果表明,用高光譜圖像技術對臘腸中酸價的檢測是可行的。

表4　模型預測結果與酸價實際測量值對比Table 4　Evaluation results for the PLS models of acid value

3　結論

本文研究了利用高光譜圖像技術進行臘腸中酸價定量檢測的新方法。臘腸定量模型分析結果表明,一階導+SG(17)+矢量歸一化校正方法建立的模型RMSECV為0.28,R2為0.97,驗證集RPD為2.92,二階導+SG(21)+矢量歸一化校正方法建立的模型RMSECV為0.31,R2為0.96,驗證集RPD為2.89。實驗結果表明,高光譜圖像技術對臘腸中酸價的定量分析是可行的,并且具有較好的準確度,其中一階導+SG(17)+矢量歸一化處理后的模型分析結果較好,可以滿足酸價的實際要求。

[1]薛山,賀稚非,李燕利,等.川味香腸貨架期間理化品質變化規律研究[J].食品工業科技,2013,34(19):323-327.

[2]ElMasry G,Wang N,Vigneault C. Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks[J]. Postharvest Biology and Technology,2009,52(1):1-8.

[3]李江波,饒秀勤,應義斌.農產品外部品質無損檢測中高光譜成像技術的應用研究進展[J].光譜學與光譜分析,2011,31(8):2021-2026.

[4]田有文,王曉娟.基于高光譜圖像技術的農產品品質無損檢測[J].農機化研究,2009,31(10):220-226.

[5]洪添勝,喬軍,王寧,等.基于高光譜圖像技術的雪花梨品質無損檢測[J].農業工程學報,2007,23(2):151-155.

[6]NagataM,Tallada J G,Kobayashi T,et al.Predictingmaturity quality parameters of strawberries using hyperspectral imaging [C].American Society of Agricultural EngineersAnnual Meeting,2004:043033.

[7]Sivakumar S S,Qiao J,Gariepy Y,et al.Detectingm aturityparameters of mango using hyperspectral imaging techology[C]. American Society of Agricultural Engineers AnnualMeeting,2006:066183.

[8]Wu Jianhu,Yu Youwei. Prediction of Fresh Pork Quality using Hyperspectral Scattering Imaging(HSI)Technique[J]. Animal Husbandry and Feed Science,2015,7(3):144-147,151

[9]Gamal Elmasry,Douglas F Barbin,Da-Wen Sun,et al. Meat Quality Evaluation by Hyperspectral ImagingTechnique:An Overview[J]. Food Science and Nutrition,2012,52(8):689-711.

[10]G Polder,G W A M Van Der Heijden,L C P Keizer，et al.Calibration and characterization of imagings pectrographs[J]. Near Infrared Spectroscopy,2003,11(3):193-210.

[11]王婉嬌,賀曉光,王松磊,等. 基于高光譜成像技術的靈武長棗常見缺陷檢測[J].食品與機械,2015，31(3):62-65.

[12]楊強,張志,覃志豪,等. 基于ASTER數據的混合像元分解技術在水之檢測與評價中的應用[J].遙感信息,2011(2):20-25.

[13]李雅輝,楊武年,劉漢湖.利用ALI遙感圖像進行蝕變信息提取方法探討[J].四川地址學報,2010,30(3):347-350.

[14]姚璐,丁亞明,馬曉鐘.基于高光譜成像技術的金華火腿無損分級檢測研究[J].食品安全質量檢測學報,2012,3(3):162-166.

[15]Mohammed. K,Gamal. E,Da-Wen Sun. Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression[J]. Innovative Food Science and Emerging Technologies,2012,6(3):4-12.

[16]梁劍,劉斌美,陶亮之,等.基于水稻種子近紅外特征光譜的品種鑒別方法研究[J].光散射學報,2013,25(4):423-428.

[17]褚小立.化學計量學方法與分子光譜分析技術[M].北京:化學工業出版社,2011.

[18]史智佳,臧明伍,呂玉,等.近紅外光譜快速測定乳化香腸的化學成分[J].食品科學,2013,34(18):175-179.

Study on detection of Chinese sausage using hyperspectral imaging technique

LIU Shuo,GUO Pei-yuan,YANG Kun-cheng,ZHAO Jun-hua

(School of Computer and Information Engineering,Beijing Technology and Business University,Beijing 100048,China)

Based on Chinese sausage,it has a discussion about the feasibility of hyperspectral imaging technique for detecting acid value. To deal with hyperspectral data by MNF(Minimum Noise Fraction Rotation)transform,PPI(pixel purity index)index calculation,n-D Visualizer,the “pure” reflection spectrum information were collected. Principal component analysis were used to obtain the principal component images.To compare with weight coefficient of the second principal component images,the the characteristic wavelengths were 943.28,1003.20,1136.53,1240.03,1326.95,1477.64 nm. Choosing 1000 to 1500 nm wavelength range as the spectral analysis area. PLS modeling method was used to combine hyperspectral data with acid value practical values.The studies developed the calibration model using first derivative and SG(17)adding vector normalization、second derivative and SG(21)adding vector normalization. The RMSECV andR2of calibration were 0.28,0.97 and 0.31,0.96 separately,and the RPD of prediction were 2.92 and 2.89 separately. Overall,the best prediction result was based on PLS established by first derivative and SG(17)adding vector for AV detection. The average of repeatability standard deviation and relative error were 0.22 and 10.32%.Therefore,hyperspectral imaging technique could be used to detect acid value on Chinese sausage.

acid value;hyperspectral imaging technique;PLS;principal component analysis

2015-09-02

劉碩(1990-)，男，碩士研究生，主要從事農產品智能檢測研究，E-mail：350186529@qq.com。

國家自然科學基金資助項目(61473009)；北京市自然科學基金資助(4122020)。

TS201.6

A

1002-0306(2016)05-0287-06

10.13386/j.issn1002-0306.2016.05.049