基于支持向量機及粒子群算法的臘肉品質等級檢測

郭培源++劉艷芳++邢素霞++王昕琨

摘 要：針對近年來備受關注的臘肉酸價和過氧化值超標、褪色、出油、發黏等品質問題，提出一種快速、準確、實用的檢測技術。采用支持向量機（support vector machine，SVM）將近紅外光譜（near infrared spectroscopy，NIR）檢測到的酸價、過氧化值、揮發性鹽基氮和顯微圖像處理得到的微生物菌落總數進行多數據融合，建立臘肉品質等級檢測模型，并利用粒子群優化（particle swarm optimization，PSO）算法進行模型優化。結果表明：支持向量機的分類方法取得了與生化方法相同的臘肉分級預測結果，且采用粒子群優化后的分類模型準確率由97.5%提升到100%。證明粒子群優化支持向量機模型能夠迅速對臘肉等級進行準確檢測。

關鍵詞：臘肉品質；近紅外光譜；圖像處理；支持向量機；粒子群優化算法

Predication of Chinese Bacon Quality Grades Based on Support Vector Machine and Particle Swarm Optimization Algorithm

GUO Peiyuan， LIU Yanfang*， XING Suxia， WANG Xinkun

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

Abstract： In recent years， quality problems of Chinese bacon such as acid values and peroxide values exceeding the national standard， color fading， oil exudation and sticky feeling to the touch have received growing attention. With that in mind， a fast， accurate and practical detection method to evaluate Chinese bacon quality is presented in this paper. We established a predictive model for bacon quality detection by using the support vector machine （SVM） approach based on the near-infrared spectral data （acid value， peroxide value， volatile base nitrogen） and microscopic image data （the total number of microbial colonies）. Moreover， the model was optimized by using particle swarm optimization （PSO） algorithm. It was found that the prediction results of the SVM model and the biochemical method were consisted for bacon quality classification. Besides， the predictive accuracy of the classification mode was increased from 97.5% to 100% after optimization. The SVM model optimized by PSO proved to be able to quickly and accurately detect Chinese bacon quality.

Key words： Chinese bacon quality； near infrared spectroscopy （NIR）； image processing； support vector machine （SVM）； particle swarm optimization （PSO）

DOI：10.7506/rlyj1001-8123-201703006

中圖分類號：TS251.1 文獻標志碼：A 文章編號：1001-8123（2017）03-0030-05

引文格式：

郭培源， 劉艷芳， 邢素霞， 等. 基于支持向量機及粒子群算法的臘肉品質等級檢測[J]. 肉類研究， 2017， 31（3）： 30-34. DOI：10.7506/rlyj1001-8123-201703006. http：//www.rlyj.pub

GUO Peiyuan， LIU Yanfang， XING Suxia， et al. Predication of Chinese bacon quality grades based on support vector machine and particle swarm optimization algorithm[J]. Meat Research， 2017， 31（3）： 30-34. DOI：10.7506/rlyj1001-8123-201703006. http：//www.rlyj.pub

中國臘肉是世界飲食文化的寶貴遺產，臘肉以其獨特的風味聞名于世，其制作工藝要求不高，在貯藏和運輸過程中很容易出現質量問題。隨著生活水平的提高，人們對食品安全的關注度也相應提高。臘肉主要成分包括脂肪和蛋白質，評價脂肪的降解指標是酸價和過氧化氫值，評價蛋白質的降解指標是揮發性鹽基氮[1-3]，這些也是傳統飲食安全的主要檢測指標。在實際臘肉樣品檢測中發現微生物菌落總數對臘肉的品質也有重要的影響[4]。目前，對于臘肉品質的檢測主要以理化檢測為主，但是其檢測時間過長，且具有破壞性，不利于衛生檢疫部門對臘肉品質的快速檢驗，因此急需一種新型的快速準確實用的無損檢測技術。

近紅外光譜（near infrared spectroscopy，NIR）作為一種新型的光學檢測技術在食品檢測中的應用越來越廣泛，尤其是在肉類品質檢測中對肉制品的保水性、肉色、新鮮度等的檢測具有突出優勢[5]。近年來國內外學者對臘肉的食用品質檢測做了很多研究，楊昆程等[6]以臘肉為對象，探討了高光譜技術在亞硝酸鹽含量快速檢測的可行性，賀稚非等[7]對川味臘肉在貨架期間的品質變化做了研究。這些研究雖然使我們對影響臘肉食用品質的因素以及臘肉品質變化的過程有了更深入的了解，但是臘肉食用品質檢測方法仍有待改進。本實驗以臘肉為主要研究對象，采用支持向量機（support vector machine，SVM）將近紅外光譜檢測到的酸價、過氧化值、揮發性鹽基氮和顯微圖像處理得到的微生物菌落總數進行多數據融合，建立臘肉品質等級檢測模型，并利用粒子群優化（particle swarm optimization，PSO）算法進行模型優化。以期為檢疫執法部門提供一種快速檢測技術，保證消費者的食用安全。

1 材料與方法

1.1 材料

廣式臘肉 廣州皇上皇集團有限公司。

1.2 儀器與設備

FoodScan近紅外全光柵透射光譜分析儀 丹麥Foss公司；BI-2000醫學圖像攝像電子顯微鏡 成都泰盟科技有限公司；恒溫恒濕箱 北京雅士林試驗設備有限

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。

1.3 方法

1.3.1 數據采集

將不同批次共計10 個臘肉樣品粉碎成肉糜狀，18 ℃恒溫箱保存。每隔12 h分次進行酸價、過氧化值、揮發性鹽基氮的理化數據及光譜數據的采集，并采集樣品的微生物菌落總數，采集12 次，共得到120 組包含理化、光譜、微生物菌落信息的樣本數據。其中酸價與過氧化值按GB/T 5009.37—2003《食用植物油衛生標準分析方法》[8]

測定；揮發性氨基氮按GB/T 5009.44—2003《肉與肉制品 衛生標準的分析方法》中半微量定氮法來測定[9]；近紅外光譜數據采用福斯近紅外光譜儀，每個樣品連續掃描32 次，取平均值，得到120 個光譜數據；微生物菌落總數采用電子顯微鏡，采集100物鏡下的顯微圖像，并將樣品菌落圖像進行平滑去噪處理然后進行黏連菌落分割計數，最后進行歸一化。

1.3.2 基于支持向量機的臘肉品質等級檢測模型建立

首先將采集的120 組樣品數據隨機分成校驗集（80 組）和預測集（40 組）2 部分。

其次利用自組織映射（self organizing maps，SOM）神經網絡[10]將生化實驗測得的酸價、過氧化值以及微生物菌落總數進行模式識別及分類，將臘肉樣品的品質等級在相關國家標準[11]的基礎上劃分為4 級：放心食用、可食用、不推薦食用和不可食用，從而細化分類等級，滿足人們生產生活的實際需要。

然后將近紅外光譜[12]采集到的校驗集的酸價、過氧化值、揮發性鹽基氮光譜與樣本所對應的理化值利用偏最小二乘方法建立定量分析模型[13]并用遺傳算法進行特征光譜選擇，將優選后的波段作為支持向量機的特征向量。同時利用計算機視覺獲取樣品顯微菌斑圖像[14]，將菌斑圖像進行平滑去噪處理然后進行黏連菌落分割計數，并對計數結果歸一化，將歸一化后的結果作為支持向量機的另一特征向量。

最后采用支持向量機[15-18]對處理后的酸價、過氧化值、揮發性鹽基氮數據和微生物菌落進行多數據融合，建立臘肉品質檢測模型，對臘肉的品質等級進行快速識別。圖1為支持向量機多數據融合結構圖。

2 結果與分析

2.1 基于支持向量機的臘肉品質等級檢測模型預測結果

2.1.1 近紅外光譜處理結果與分析

利用近紅外檢測技術采集校驗集樣品光譜得到如圖2a所示的原始光譜圖，其橫坐標為波長，縱坐標為樣品進行歸一化處理后的吸光度。圖2b、c、d是用遺傳算法進行特征光譜選擇后得到的酸價、過氧化值、揮發性鹽基氮的結果圖，深色縱帶為圖中指標所對應的波長段。優選的波段主要集中在863～873 nm、895～900 nm、930～963 nm和1 012～1 022 nm這幾個波段，雖然檢測指標不同，所選取的波段不同，但是所用波長總數依然是整個波段波長數（198=1048-850）的1/3。可以看出遺傳算法對波段進行波長選擇，能使模型精度提高，建模所用波長數減少。

2.1.2 微生物菌落處理結果與分析

圖3a、c、e分別是第6、14、28天某樣品的微生物菌落原始圖像，其中白色代表菌斑；圖3b、d、f是樣品菌斑圖像進行平滑去噪以及黏連菌落分割處理后的圖像。第6天菌斑是作為發酵劑的微生物所引起的，國標中允許在臘肉表面殘留一定的微生物，這些作為發酵劑的微生物有利于增加臘肉的特有風味。第12天菌相開始發生變化，說明在這個時間樣品的優勢菌種已經發生改變，而且此時菌斑數量明顯增多。第28天菌斑數量較之第12天增加更多，通過計數得知，此時的菌落總數為32 854 CFU/g，已經超過了國標[28]中10 000 CFU/g的標準。

圖4是一個月內校驗集樣本微生物菌落總數變化圖，通過數字圖像處理方法得到的菌落總數與通過國標人工計數的方法得到的菌落總數幾乎相同，這證明了通過數字圖像處理技術可以獲得微生物菌落總數，提高效率。

2.1.3 支持向量機模型分類預測結果與分析

SVM是Vapnik在多年研究統計學習理論線性分類的基礎上，提出的一種設計最佳準則，其最終決策函數只有少量的支持向量決定，所以具有較好的魯棒性，簡單高效[29]。由于本研究只有酸價、過氧化值、揮發性鹽基氮、菌落總數4 項指標，所以建立SVM臘肉品質檢測模型可以很迅速地實現臘肉品質的準確分類。

本研究樣品存在非線性不可分的情況，可以用低維空間的非線性問題轉化為高維空間的線性問題，然后在這個新空間中求解最優超平面。這種非線性轉化是通過定義適當的內積核函數實現的[30]。選擇正確的內積核函數可以使原空間到高維空間的非線性映射計算量大大減少。

為得到新空間中的函數集合，需要選取最佳的懲罰參數c和核函數參數g。采取交叉驗證（cross validation，CV）的方法，可以避免欠學習和過學習的現象。本研究在采用k-CV方法時，得到的分類結果準確率是97.5%。這種算法雖然可以找到最佳的c和g，可是因為本研究尋找最優c和g的網格范圍較大，用k-CV方法會遍歷網格內的所有參數點，較為費時，而且準確率還有待提高，所以采用粒子群優化算法來進行模型優化。

2.2 基于PSO算法的優化模型分類預測結果與分析

粒子群優化（PSO）算法是通過模擬鳥群覓食行為而發展起來的一種基于群體協作的隨機搜索算法。每個PSO算法的“粒子”表示的空間中可能的解，每個粒子具有由適應度函數來確定一個相應的適應值。PSO粒子群算法優化SVM分類預測參數選擇結果如圖5所示。

圖 5 PSO粒子群算法優化SVM分類預測參數選擇結果

Fig. 5 Selection of parameters for predictive classification of Chinese bacon quality by the optimized SVM model

由圖5可知，得到最佳懲罰參數c和核函數參數g分別為0.707 1和1.414 2。將預測參數選擇出的最佳懲罰參數c和核函數g參數帶入到SVM算法函數集合式中，得到經PSO算法優化后的支持向量機分類預測模型的準確率為100%。所以，采用PSO算法尋找最佳懲罰參數c和核函數參數g，不但可以解決人工選取懲罰參數c和核函數參數g沒有相關的理論依據，解決人工反復實驗選取的問題，而且還可以優化已建立的支持向量機分類預測模型，提高模型的精確度和泛化能力。

2.3 優化支持向量機模型與生化方法分級預測結果對比

表1是用生化方法對臘肉進行分級預測的結果。利用優化后的SVM模型對預測集40 個樣品采集的數據進行預測，結果如表2所示。

對比兩表中各項數據可以看出，2 種方法所得分級預測結果基本相同，證明可以用粒子群優化支持向量機模型對臘肉等級進行準確檢測。

3 結 論

本研究對臘肉品質進行分級預測的結果與使用生化方法對臘肉進行分級預測的結果基本相同，證明所建支持向量機預測模型可以對臘肉品質等級進行準確的分類檢測。而且經粒子群算法優化后的支持向量機分類預測模型準確率從97.5%提高到100%，運算時間縮短5.3 s，模型的準確率和效率得到了很大提高。

本研究在國家相關食品標準的基礎上，通過支持向量機對影響臘肉品質的因素進行多數據融合，建立了臘肉品質等級檢測模型，并利用粒子群算法進行模型優化從而對樣品臘肉品質等級進行模式識別及快速判別。本研究建立的檢測模型較傳統理化檢驗方法有如下優點：1）傳統理化檢驗操作復雜，檢驗周期為15 d左右，而本研究模型在保證精度的同時可以簡單迅速進行現場實時檢驗；2）傳統理化檢驗是一種破壞性的檢驗，而本研究為無損檢驗。所以本研究可以為相關部門提供一種快速檢測技術，保證消費者的食用安全。

參考文獻：

[1] 郭昕， 張春江. 湘西臘肉品質評價指標間的相關性研究[J]. 食品工業， 2015， 36（1）： 281-283.

[2] 趙杰文， 惠喆， 黃林， 等. 高光譜成像技術檢測雞肉中揮發性鹽基氮含量[J]. 激光與光電子學進展， 2013， 50（7）： 1-3. DOI：10.3788/LOP50.073003.

[3] 周令國， 肖琳， 祝義偉， 等. 近紅外光譜技術快速檢測臘肉酸價和過氧化值[J]. 肉類研究， 2012， 26（3）： 30-33. DOI：10.3969/j.issn.1001-8123.2012.03.009.

[4] 陳美春， 楊勇， 石磊. 四川臘肉生產過程中理化及微生物特性的研究[J]. 食品科學， 2008， 29（5）： 1002-6630.

[5] 黃偉， 楊秀娟， 張燕鳴， 等. 近紅外光譜技術在肉類定性鑒別中的研究進展[J]. 肉類研究， 2014， 28（1）： 31-34.

[6] 楊昆程， 郭培源， 劉碩， 等. 高光譜技術在臘肉亞硝酸鹽含量檢測的應用[J]. 科技通報， 2016， 32（4）： 70-74. DOI：10.13774/j.cnki.kjtb.2016.04.015.

[7] 賀稚非， 薛山. 川味臘肉貨架期間的品質變化[J]. 食品工業科技， 2013， 34（18）： 318-321. DOI：10.13386/j.issn1002-0306.2013.18.081.

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

[9] 中華人民共和國衛生部， 中國國家標準化管理委員會. GB 5009.44—2003 肉與肉制品 衛生標準的分析方法[S]. 北京： 中國標準出版社， 2003.

[10] 趙建華. 基于SOM神經網絡的半監督分類算法[J]. 西華大學學報（自然科學版）， 2015， 34（1）： 36-40. DOI：10.3969/j.issn.1673-159X.2015.01.029.

[11] 王昕琨， 郭培源， 林巖. 基于多數據融合技術的臘肉品質分級方法[J]. 食品科學， 2014， 35（2）： 217-221. DOI：10.7506/spkx1002-6630-201402042.

[12] RUST S R， PRICE D M， SUBBIAH J， et al. Predicting beef tenderness using near-infrared spectroscopy[J]. Journal of Animal Science， 2007， 86（1）： 211-219. DOI：10.2527/jas.2007-0084.

[13] 勵建榮， 王麗， 張曉敏， 等. 近紅外光譜結合偏最小二乘法快速檢測大黃魚新鮮度[J]. 中國食品學報， 2013， 13（6）： 209-214. DOI：10.16429/j.1009-7848.2013.06.015.

[14] 趙俊華， 郭培源， 邢素霞， 等. 基于高光譜成像的臘肉細菌總數預測建模方法研究[J]. 中國調味品， 2016， 41（2）： 74-78. DOI：10.3969/j.issn.1000-9973.2016.02.015.

[15] LI Weijun， LIU Zhenyu. A method of SVM with normalization in intrusion detection[C]//Proceedings of the 2011 2nd International Conference on Challenges in Environmental Science and Computer Engineering. Haikou： Procedia Environmental Sciences， 2011： 256-262.

[16] ZHONG Jingjing， TSE P W， WANG Dong. Novel Bayesian inference on optimal parameters of support vector machines and its application to industrial survey data classification[J]. Neurocomputing， 2015， 211（26）： 159-171. DOI：10.1016/j.neucom.2015.12.132.

[17] 陳燁， 劉淵. 基于參數優化SVM融合的網絡異常檢測[J]. 計算機應用于軟件， 2013， 30（9）： 39-43. DOI：10.3969/j.issn.1000-386x.2013.09.012.

[18] 王健峰， 張磊， 陳國興， 等. 基于改進的網格搜索法的SVM參數優化[J]. 應用科技， 2012， 39（3）： 28-31. DOI：10.3969/j.issn.1009-671X.201112016.

[19] 劉志康. 一種改進的混合核函數支持向量機文本分類方法[J]. 工業控制計算機， 2016， 29（6）： 113-114. DOI：10.3969/j.issn.1001-182X.2016.06.050.

[20] 胡局新， 張功杰. 基于K折交叉驗證的選擇性集成分類算法[J]. 科技通報， 2013， 29（12）： 115-117. DOI：10.3969/j.issn.1001-7119.2013.12.039.

[21] 谷文成， 柴寶仁. 基于粒子群優化算法的支持向量機研究[J]. 北京理工大學學報， 2014， 34（7）： 705-709. DOI：10.15918/j.tbit1001-0645.2014.07.014.

[22] 杜軍崗， 魏汝祥， 劉寶平. 基于PSO優化LS-SVM的小樣本非線性協整檢驗與建模研究[J]. 系統工程理論與實踐， 2014， 34（9）： 2322-2331.

[23] CAI Zhuoran， ZHAO Honglin， YANG Zhutian， et al. A modular spectrum sensing system based on PSO-SVM[J]. Sensors， 2012， 12（11）： 15292-15307. DOI：10.3390/s121115292.

[24] ALI B， HASHEMI， MEYBODI M R. A note on the learning automata based algorithms for adaptive parameter selection in PSO[J]. Applied Soft Computing Journal， 2011， 11（1）： 689-705. DOI：10.1016/j.asoc.2009.12.030.

[25] 陳治明. 改進的粒子群算法及其SVM參數優化應用[J]. 計算機工程與應用， 2011， 47（10）： 38-40. DOI：10.3778/j.issn.1002-8331.2011.10.011.

[26] 張慶， 劉丙杰. 基于PSO和分組訓練的SVM參數快速優化方法[J]. 科學技術與工程， 2008， 8（16）： 4613-4616. DOI：10.3969/j.issn.1671-1815.2008.16.045.

[27] 匡芳君， 徐蔚鴻， 張思揚. 基于改進混沌粒子群的混合核SVM參數優化及應用[J]. 計算機應用研究， 2014， 31（3）： 671-687. DOI：10.3969/j.issn.1001-3695.2014.03.007.

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

[29] 易輝， 宋曉峰， 姜斌， 等. 柔性支持向量回歸及其在故障檢測中的應用[J]. 自動化學報， 2013， 39（3）： 272-284. DOI：10.3724/SP.J.1004.2013.00272.

[30] 榮海娜， 張葛祥， 金煒東. 系統辨識中支持向量機核函數及其參數的研究[J]. 系統仿真學報， 2006， 18（11）： 3204-3208. DOI：10.3969/j.issn.1004-731X.2006.11.050.