基于近紅外高光譜成像技術(shù)的新鮮與凍融牛肉鑒別技術(shù)研究

何加偉,王懷文,計(jì)宏偉

(天津商業(yè)大學(xué)機(jī)械工程學(xué)院,天津 200134)

?

基于近紅外高光譜成像技術(shù)的新鮮與凍融牛肉鑒別技術(shù)研究

何加偉,王懷文*,計(jì)宏偉

(天津商業(yè)大學(xué)機(jī)械工程學(xué)院,天津 200134)

研究運(yùn)用近紅外高光譜成像技術(shù)對(duì)新鮮與凍融的牛肉進(jìn)行判別。將45個(gè)牛肉樣品隨機(jī)分為兩組,第一組25個(gè)為新鮮樣品,第二組20個(gè)作為凍融樣品。本實(shí)驗(yàn)通過(guò)高光譜成像儀獲取樣品的光譜圖像數(shù)據(jù),并對(duì)圖像校正處理后進(jìn)行分割,分離出感興趣區(qū)域(ROI,Region of Interest)。然后再提取感興趣區(qū)域的平均光譜,并將其作為樣品的高光譜數(shù)據(jù)。經(jīng)過(guò)對(duì)高光譜數(shù)據(jù)的多元散射校正(MSC,Multiplicative Scatter Correction)預(yù)處理,應(yīng)用偏最小二乘回歸(PLSR,Partial Least Squares Regression),在全光譜范圍(950～1500 nm)構(gòu)建了本實(shí)驗(yàn)的最優(yōu)模型。實(shí)驗(yàn)表明,該模型具有較高的預(yù)測(cè)精度,其判別正確率為94.4%。因此,近紅外高光譜成像技術(shù)對(duì)凍融牛肉的鑒別檢測(cè)具有適用性。

近紅外高光成像技術(shù),新鮮牛肉,凍融牛肉,偏最小二乘回歸

牛肉鮮嫩美味、營(yíng)養(yǎng)豐富,是人們喜歡的肉類(lèi)食品。隨著生活水平的提高,人們對(duì)新鮮的、品質(zhì)良好的牛肉的需求也不斷增加[1]。延長(zhǎng)牛肉保質(zhì)期的常用方法有:冷藏、冷凍、干燥和真空包裝等[2-5],其中冷藏和冷凍是最為常用的方法。然而,冷凍與解凍過(guò)程中會(huì)發(fā)生許多物理、化學(xué)和微生物的變化[6],從而導(dǎo)致牛肉品質(zhì)降低。同時(shí)由于解凍后的牛肉有大量的汁液流失,會(huì)使得許多營(yíng)養(yǎng)元素也隨之損失,不僅降低了牛肉的營(yíng)養(yǎng)價(jià)值,而且解凍后的牛肉變得干燥,口感變差。因?yàn)榻鈨雠Ｈ獾膬r(jià)格低于新鮮牛肉的價(jià)格,易使商家使用解凍牛肉冒充新鮮牛肉。這不僅嚴(yán)重傷害了消費(fèi)者的利益,也使得市場(chǎng)競(jìng)爭(zhēng)變得不公平。因此,如何辨別凍融的牛肉和新鮮的牛肉極其重要。

傳統(tǒng)的肉類(lèi)質(zhì)量檢測(cè)方法有感官檢測(cè)、理化檢驗(yàn)和微生物檢驗(yàn)等。這些檢驗(yàn)方法不僅繁瑣、費(fèi)時(shí)費(fèi)力、對(duì)樣品具有破壞性,而且成本較高且受檢驗(yàn)人員訓(xùn)練素質(zhì)的限制。因此,許多無(wú)損檢測(cè)技術(shù)被應(yīng)用于食品品質(zhì)檢測(cè)的研究,例如可見(jiàn)光-近紅外光譜技術(shù)、熒光法、核磁共振等[7-9]。高光譜成像技術(shù)作為一種新的無(wú)損檢測(cè)技術(shù)集成了光譜技術(shù)和成像技術(shù),因此它能夠同時(shí)提供樣品的物理和化學(xué)變化以及它們的空間分布。近年來(lái),利用高光譜成像技術(shù)對(duì)食品品質(zhì)檢測(cè)的研究已有一些發(fā)展。彭彥昆、陳全勝[10-11]等應(yīng)用高光譜成像技術(shù)對(duì)生鮮豬肉的新鮮度及細(xì)菌總數(shù)等進(jìn)行了預(yù)測(cè)和評(píng)價(jià),其預(yù)測(cè)準(zhǔn)確率達(dá)91%,得到了較為可靠的預(yù)測(cè)結(jié)果。張海亮[12]等基于高光譜圖像信息對(duì)魚(yú)的不同冷藏時(shí)間及凍融次數(shù)進(jìn)行了鑒別分析。孫大文[13-16]等利用可見(jiàn)光-近紅外高光譜成像技術(shù)分別對(duì)新鮮和凍融的豬肉里脊、新鮮和凍融的魚(yú)片進(jìn)行了判別研究,得到了較為理想的判別模型。

本文應(yīng)用近紅外高光譜成像技術(shù)對(duì)新鮮與凍融的牛肉進(jìn)行了判別分析,為區(qū)分凍融牛肉和評(píng)價(jià)其品質(zhì)提供了有效的方法。

1　材料與方法

1.1材料與儀器

新屠宰的并已解僵成熟的新鮮牛肉購(gòu)買(mǎi)于當(dāng)?shù)氐牧闶凵?并保藏在4 ℃的冷藏箱中運(yùn)送至實(shí)驗(yàn)室。將新鮮牛肉切割成約10 cm×10 cm×1 cm的肉塊,共獲得45個(gè)樣品,然后樣品稱(chēng)重,并隨機(jī)分為兩組:第1組為新鮮樣品,共25個(gè)。第2組為凍-融樣品,共20個(gè),將其用保鮮袋包裝并放于-30 ℃的冷凍箱。

實(shí)驗(yàn)用的冷凍設(shè)備為冷凍箱TSBY-240型臥式平板冷凍箱天津市天商冰原科技發(fā)展有限公司制造。實(shí)驗(yàn)用的高光譜圖像數(shù)據(jù)采集裝置如圖1所示。該系統(tǒng)包括一臺(tái)波長(zhǎng)范圍為900～1700 nm、光譜分辨率為5 nm的高光譜成像儀(ImSpector N17E,Spectral Imaging Ltd.,Finland),一個(gè)InGaAs制冷型CCD相機(jī),一個(gè)鏡頭,四個(gè)鹵鎢燈光源,電控位移平臺(tái),計(jì)算機(jī)以及數(shù)據(jù)采集軟件等部件。

圖1　高光譜成像系統(tǒng)Fig.1　Schematic of the hyperspectral imaging system

1.2實(shí)驗(yàn)方法

1.2.1實(shí)驗(yàn)過(guò)程首先,用高光譜成像系統(tǒng)對(duì)第1組樣品分別掃描,獲取光譜圖像。然后,24 h后將第2組樣品放于4 ℃中解凍12 h,并在室溫中平衡30 min,去除保鮮袋,用紙巾吸掉樣品表面的水分,再用高光譜成像系統(tǒng)進(jìn)行掃描。將掃描后的樣品進(jìn)行稱(chēng)重,測(cè)量其解凍損失。其中,隨機(jī)選取15個(gè)新鮮樣品和12個(gè)凍融樣品作為校準(zhǔn)集,剩余的10個(gè)新鮮樣品和8個(gè)凍融樣品作為預(yù)測(cè)集。

1.2.2解凍損失計(jì)算新鮮樣品沒(méi)有經(jīng)過(guò)處理,因此將其解凍損失值設(shè)為0。凍融樣品的解凍損失用公式(1)進(jìn)行計(jì)算:

式(1)

其中,Wb是冷凍前樣品重量,Wa是解凍后樣品重量。

1.2.3光譜數(shù)據(jù)采集與校正實(shí)驗(yàn)前,將每片牛肉樣品放置在電控移動(dòng)臺(tái)上,移動(dòng)相機(jī)視野,設(shè)置曝光時(shí)間,然后調(diào)整掃描速度為0.9 cm/s與曝光時(shí)間相匹配,對(duì)樣品逐一掃描,從而獲得原始的高光譜圖像數(shù)據(jù)。高光譜圖像是一個(gè)“超立方體”,有3個(gè)維度(X,Y,λ),其中X,Y代表空間維度,λ代表波段數(shù)。該研究中,每幅圖像共有256個(gè)波段。為了消除傳感器響應(yīng)及照明造成的樣品間的光譜差異,需要對(duì)原始光譜圖像進(jìn)行反射率校正。校正后的高光譜圖像的相對(duì)反射率為:

式(2)

其中:B為黑色圖像,W為標(biāo)準(zhǔn)白板的反射率,IO為原始光譜圖像。

對(duì)校正過(guò)的原始高光譜圖像數(shù)據(jù)目視檢測(cè)顯示,光譜數(shù)據(jù)的兩端具有較大的噪音,不適合提取光譜數(shù)據(jù)。因此,將1～25波段(即870～950 nm)和191～256波段(即1500～1713 nm)去除,圖像被調(diào)整為165個(gè)波段(即950～1500 nm)。

1.2.4光譜數(shù)據(jù)提取在黑白校正后的圖像上盡可能大地選擇紋理清晰的瘦肉部分作為感興趣區(qū)域,如圖2a所示。將感興趣區(qū)域中所有像素點(diǎn)的光譜值進(jìn)行平均,獲得的感興趣區(qū)域的光譜平均值作為該樣品的光譜數(shù)據(jù),如圖2b所示。對(duì)每一個(gè)樣品進(jìn)行上述操作,獲取高光譜數(shù)據(jù)。

圖2　感興趣區(qū)域的選擇和光譜數(shù)據(jù)的提取Fig.2　Region of interest extraction and spectral data extraction

1.2.5多元散射校正由于樣品厚度不均勻,反射光譜發(fā)生散射,使得不同牛肉樣品的光譜強(qiáng)度產(chǎn)生很大差異,因此應(yīng)用多元散射校正(multiple scatter correct,MSC)對(duì)高光譜曲線(xiàn)進(jìn)行處理[17]。將獲得的高光譜數(shù)據(jù)導(dǎo)入到The Unscrambler 9.7(CAMO,Process,AS,OSLO,Norway)軟件中進(jìn)行多元散射校正。經(jīng)過(guò)MSC處理后的光譜數(shù)據(jù)能有效地消除散射影響所導(dǎo)致的基線(xiàn)平移或偏移現(xiàn)象,增強(qiáng)光譜所含的信息。

1.2.6模型的建立與評(píng)價(jià)將上述處理好的光譜數(shù)據(jù)導(dǎo)入到The Unscrambler 9.7中,然后將樣品解凍損失值的數(shù)據(jù)從Excel表格復(fù)制到軟件中與對(duì)應(yīng)的樣品進(jìn)行關(guān)聯(lián),采用偏最小二乘法和交叉-驗(yàn)證(Cross-validation)建立全光譜模型。

除此之外，加強(qiáng)海內(nèi)外校外實(shí)踐基地建設(shè)，并不斷篩選提高校外實(shí)踐基地質(zhì)量。目前跟60多家國(guó)際五星級(jí)酒店建立合作關(guān)系，同時(shí)達(dá)成集團(tuán)層面的戰(zhàn)略合作，開(kāi)展社會(huì)實(shí)踐、專(zhuān)業(yè)／畢業(yè)實(shí)習(xí)、教師掛職、企業(yè)高管進(jìn)課堂等多個(gè)深度合作項(xiàng)目，形成“從學(xué)生到教師、從課內(nèi)到課外、從理論到實(shí)踐”全方位的校企協(xié)同育人模式。

偏最小二乘回歸是一個(gè)強(qiáng)大的化學(xué)計(jì)量學(xué)工具,并已廣泛應(yīng)用于光譜數(shù)據(jù)的建模分析。應(yīng)用多元散射處理后的數(shù)據(jù)建立偏最小二乘模型,模型結(jié)果如下式:

Y=bX+e

式(3)

其中,Y是預(yù)測(cè)參數(shù)值矩陣(樣品數(shù)n×1),X是樣品光譜矩陣(樣品數(shù)n×波段數(shù)λ),e是預(yù)測(cè)殘差。

采用隨機(jī)分類(lèi)的校準(zhǔn)集對(duì)最優(yōu)模型進(jìn)行驗(yàn)證,并對(duì)模型的可靠性和預(yù)測(cè)性能進(jìn)行評(píng)價(jià)。模型的主要性能指標(biāo)有校準(zhǔn)集的相關(guān)系數(shù)(Rc)和校準(zhǔn)集均方根誤差(RMSEC),預(yù)測(cè)集的相關(guān)性系數(shù)(Rp)和預(yù)測(cè)集均方根誤差(RMSEP)。一個(gè)可靠的預(yù)測(cè)模型應(yīng)當(dāng)具有較高的相關(guān)系數(shù)值,較低的均方根誤差值。

2　結(jié)果與分析

2.1解凍損失結(jié)果

解凍損失結(jié)果如表1所示。解凍損失的最大值是10.80%,最小值是5.96%,平均值是8.5%。由于冷凍過(guò)程中蛋白質(zhì)變性和細(xì)胞內(nèi)冰晶的不斷生長(zhǎng),致使細(xì)胞膜及細(xì)胞器等破裂和肌肉系水能力降低[18]。在解凍過(guò)程中,由于冰晶導(dǎo)致的損傷,使得解凍期間流出細(xì)胞外的汁液不能被重新吸收,從而導(dǎo)致最后的汁液損失[19]。

表1　解凍損失結(jié)果(%)Table 1　Result of drip lossduring thawing process(%)

2.2光譜分析

在波長(zhǎng)950～1500 nm范圍內(nèi),新鮮和凍融牛肉的感興趣區(qū)域的平均光譜曲線(xiàn)如圖3所示。新鮮樣品與凍融樣品的光譜具有相似的趨勢(shì),但在光譜反射率值上并不相同。光譜反射率值的差異主要在950～1400 nm的波長(zhǎng)范圍內(nèi),這意味著凍融過(guò)程引起的變化可由光譜信息進(jìn)行檢測(cè)[20]。雖然冷凍儲(chǔ)存有效的抑制微生物繁殖和酶活性,延長(zhǎng)保質(zhì)期,但冷凍過(guò)程中細(xì)胞內(nèi)有冰晶形成和生長(zhǎng)會(huì)導(dǎo)致細(xì)胞破壞。解凍后,肌肉的系水能力降低,導(dǎo)致汁液損失,從而加速了蛋白質(zhì)的變性和脂肪氧化[21]。此外,在冷凍儲(chǔ)存過(guò)程中,冰晶的形成,甲醛的存在以及脂肪氧化的產(chǎn)物都可影響光譜反射率,并致使凍融的肉的光譜反射率低于新鮮肉的光譜反射率[22]。

2.3模型驗(yàn)證與預(yù)測(cè)

應(yīng)用建立的全光譜模型對(duì)樣品進(jìn)行預(yù)測(cè)分析,其結(jié)果如圖4、圖5所示。校正集的相關(guān)性系數(shù)和校準(zhǔn)均方根誤差分別為0.953和0.017。驗(yàn)證集的相關(guān)性系數(shù)和預(yù)測(cè)均方根誤差分別為0.89和0.023。由此可知,該模型具有較高的預(yù)測(cè)能力和良好的可靠性。

圖4　校正集中測(cè)量值與預(yù)測(cè)值關(guān)系Fig.4　Correction set diagram measured and predicted values

圖5　驗(yàn)證集中測(cè)量值與預(yù)測(cè)值關(guān)系Fig.5　Prediction set diagram measured and predicted values

應(yīng)用全光譜模型對(duì)預(yù)測(cè)集凍融樣品的解凍損失進(jìn)行預(yù)測(cè),其結(jié)果如表2所示。解凍損失預(yù)測(cè)值的最大誤差是1.55%,最小誤差是0.10%。模型統(tǒng)計(jì)的有效誤差為5%。因此,該模型應(yīng)有較高的預(yù)測(cè)精度和預(yù)測(cè)穩(wěn)定性。

表2　預(yù)測(cè)集中解凍損失預(yù)測(cè)結(jié)果Table 2　The predicted results of drip loss thawing process inprediction set

應(yīng)用建立的全光譜預(yù)測(cè)模型去建立預(yù)測(cè)集樣品判別分類(lèi)模型。將新鮮與凍融的樣品設(shè)置一個(gè)虛擬的Y變量值:新鮮樣品為0,凍融樣品為1。然后,采用一個(gè)0.5的閾值,當(dāng)預(yù)測(cè)值Y小于0.5時(shí),樣品被鑒定為0類(lèi),即新鮮樣品;當(dāng)預(yù)測(cè)值Y大于0.5時(shí),樣品被鑒定為1類(lèi),即凍融樣品。全光譜判別分類(lèi)模型對(duì)預(yù)測(cè)集的判別結(jié)果如表3所示。新鮮樣品共有10個(gè),判斷錯(cuò)誤樣品1個(gè),正確分類(lèi)率為90%;凍融樣品共有8個(gè),錯(cuò)誤判斷樣品0個(gè),正確分類(lèi)率為100%,整體正確分類(lèi)率為94.4%。因此,該判別分類(lèi)模型具有較高的分類(lèi)精度,可以應(yīng)用此模型對(duì)新鮮與凍融的牛肉進(jìn)行分類(lèi)。

表3　預(yù)測(cè)集的判別結(jié)果Table 3　The results of statistical prediction set

3　結(jié)論與展望

實(shí)驗(yàn)表明,在全波長(zhǎng)范圍內(nèi),應(yīng)用建立的全光譜預(yù)測(cè)模型可以得到較好的預(yù)測(cè)效果。預(yù)測(cè)集相關(guān)系數(shù)值為0.953,預(yù)測(cè)均方根誤差為0.017。預(yù)測(cè)樣品集的整體判斷正確率為94.4%。說(shuō)明應(yīng)用近紅外高光譜成像技術(shù)對(duì)新鮮與凍融的牛肉進(jìn)行區(qū)分鑒別具有可行性,并能夠很好的對(duì)其品質(zhì)進(jìn)行分析,從而實(shí)現(xiàn)牛肉品質(zhì)的快速評(píng)價(jià)。

[1]吳建虎,陳菁菁,彭彥昆.基于高光譜散射技術(shù)的牛肉嫩度和顏色的預(yù)測(cè)研究[C]紀(jì)念中國(guó)農(nóng)業(yè)工程學(xué)會(huì)成立三十周年暨中國(guó)農(nóng)業(yè)工程學(xué)會(huì)2009年學(xué)術(shù)年會(huì)(CSAE2009).2009.

[2]Wang L,Sun D W.Rapid cooling of porous and moisture foods by using vacuum cooling technology[J].Trends in Food Science & Technology,2001,12(5):174-184.

[3]Delgado A E,Zheng L,Sun D W.Influence of Ultrasound on Freezing Rate of Immersion-frozen Apples[J].Food & Bioprocess Technology,2009,2(3):263-270.

[4]Sun D W,J L Woods.Simulation of the heat and moisture transfer process during drying in deep grain beds[J].Drying Technology,1997,15(10):2479-2492.

[5]Delgado A E,Sun D W.Desorption isotherms for cooked and cured beef and pork[J].Journal of Food Engineering,2002,51(2):163-170.

[6]Sen A R,Sharma N.Effect of Freezing and Thawing on the Histology and Ultrastructure of Buffalo Muscle[J].Asian Australasian Journal of Animal Sciences,2004,17(9):1291-1295.

[7]Uddin M,Okazaki E,Turza S,et al.Non-destructive Visible/NIR Spectroscopy for Differentiation of Fresh and Frozen-thawed Fish[J].Journal of Food Science,2005,70(8):506-508.

[8]Durek J,Bolling J S,Knorr D,et al.Effects of different storage conditions on quality related porphyrin fluorescence signatures of pork slices.[J].Meat Science,2011,90(1):252-258.

[9]Li C,Liu D,Zhou G,et al.Meat quality and cooking attributes of thawed pork with different low field NMR T(21).[J].Meat Science,2012,92(2):79-83.

[10]張雷蕾,李永玉,彭彥昆,等.基于高光譜成像技術(shù)的豬肉新鮮度評(píng)價(jià)[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(7):254-259.

[11]陳全勝,張燕華,萬(wàn)新民,等.基于高光譜成像技術(shù)的豬肉嫩度檢測(cè)研究[J].光學(xué)學(xué)報(bào),2010,30:2602-2607.

[12]章海亮,朱逢樂(lè),劉雪梅,等.基于圖像光譜信息融合的魚(yú)不同凍藏時(shí)間及凍融次數(shù)鑒別[J].農(nóng)業(yè)工程學(xué)報(bào),2014,30(6):272-278.

[13]Pu H,Sun D W,Ma J,et al.Using Wavelet Textural Features of Visible and Near Infrared Hyperspectral Image to Differentiate Between Fresh and Frozen-Thawed Pork[J].Food &Bioprocess Technology,2014,7(11):3088-3099.

[14]Pu H,Sun D W,Ji M,et al.Classification of fresh and frozen-thawed pork muscles using visible and near infrared hyperspectral imaging and textural analysis[J].Meat Science,2015,99:81-88.

[15]Zhu F,Zhang D,He Y,et al.Application of Visible and Near Infrared Hyperspectral Imaging to Differentiate Between Fresh and Frozen-Thawed Fish Fillets[J].Food & Bioprocess Technology,2013,6(10):2931-2937.

[16]Cheng J H,Qu J H,Sun D W,et al.Visible/near-infrared hyperspectral imaging prediction of textural firmness of grass carp

(Ctenopharyngodonidella)as affected by frozen storage[J].Food Research International,2014,56:190-198.

[17]蘆永軍,曲艷玲,宋敏.近紅外相關(guān)光譜的多元散射校正處理研究[J].光譜學(xué)與光譜分析,2007,27(5):877-880.

[18]Benjakul S,Visessanguan W C,Tanaka M.Comparative study on physicochemical changes of muscle proteins from some tropical fish during frozen storage[J].Food Research International,2003,36(8):787-795.

[19]Ventanas S,Heinonen M,Estevez M.Protein Carbonylation and Water-Holding Capacity of Pork Subjected to Frozen Storage:Effect of Muscle Type,Premincing,and Packaging[J].Journal of Agricultural & Food Chemistry,2011,59(10):5435-5443.

[20]Barbin D F,Sun D W,Su C.NIR hyperspectral imaging as non-destructive evaluation tool for the recognition of fresh and frozen-thawed porcine longissimusdorsi muscles[J].Innovative Food Science & Emerging Technologies,2013,18(2):226-236.

[21]Calvelo A.Recent studies on meat freezing[J].Developments in Meat Science,1981.

[22]Sánchez-Alonso I,Carmona P,Careche M.Vibrational spectroscopic analysis of hake(Merlucciusmerluccius L.)lipids during frozen storage[J].Food Chemistry,2012,132(1):160-167.

Application of near infrared hyperspectral imaging to differentiate between fresh and frozen-thawed beef

HE Jia-wei,WANG Huai-wen*,JI Hong-wei

(School of Mechanical Engineering,Tianjin University of Commerce,Tianjin 200134,China)

The objectives of this research were to develop a hyperspectral imaging system to differentiate between fresh and frozen-thawed beef fillets.A total of 45 beef fillets were randomly divided into two groups,including 25 fresh and 20 frozen-thawed samples.In this study,spectral imaging dates were obtained by hyperspectral imaging system.All images were calibrated for reflectance,followed by segmentation to obtain the region of interest(ROI),and then the average spectral data was generated from the ROI images.Through multiplicative scatter correction(MSC)pretreatment to hyperspectral imaging data,optimal model of this test was built in range of full spectrum(950～1500 nm)by means of partial least square regression(PLSR).The results showed that,the model had high prediction accuracy,the correct classification rate was 94.4%,and the near-infrared hyperspectral imaging technology was suit for recognizing to frozen-thawed beef.

near infrared hyperspectral imaging technology;fresh beef;frozen-thawed beef;partial least square regression(PLSR)

2015-10-16

何加偉(1988-)，男，碩士研究生，研究方向：食品冷鏈技術(shù)，E-mail：819663320@qq.com。

王懷文(1975-)，男，博士，教授，研究方向：實(shí)驗(yàn)力學(xué)測(cè)試技術(shù)在食品冷凍冷藏中的應(yīng)用研究，E-mail：wanghw@tjcu.edu.cn。

國(guó)家自然科學(xué)基金(11572223，11372222)；天津市自然科學(xué)基金(14JCZDJC34600)。

TS205.7

A

1002-0306(2016)09-0304-05

10.13386/j.issn1002-0306.2016.09.050