基于高光譜成像技術的雞肉菌落總數快速無損檢測

李文采++劉飛++田寒友++鄒昊++王輝++張振琪

摘 要：以市售新鮮冷藏（4 ℃）雞胸肉為研究對象，采集雞胸肉表面的高光譜（400～1 100 nm）圖像信息，采用偏最小二乘回歸（partial least square regression，PLSR）建立菌落總數預測模型，采用不同預處理方法提高模型的預測準確性和穩健性，實現快速無損檢測生鮮雞胸菌落總數的目的。結果表明：標準變量變換（standard normalized variate，SNV）預處理后，模型性能最佳。模型的校正標準差（standard error of calibration，sEC）和驗證標準差（standard error of prediction，sEP）分別為0.40和0.57，sEP/sEC為1.08，校正集相關系數（correlation coefficient of prediction，RC）和驗證集相關系數（correlation coefficient of prediction，RP）分別為0.93和0.86；且應用最佳模型可有效預測樣品菌落總數的分布地圖。

關鍵詞：雞肉；菌落總數；高光譜成像；圖像預處理；偏最小二乘法（PLSR）；無損檢測

Rapid Non-Destructive Detection of Total Bacterial Count in Chicken Using Hyperspectral Imaging

LI Wencai1， LIU Fei1， TIAN Hanyou1， ZOU Hao1， WANG Hui1， ZHANG Zhenqi1， ZHENG Xiaochun2， LI Yongyu2，

LI Jiapeng1， QIAO Xiaoling1，*

（1. Beijing Key Laboratory of Meat Processing Technology， China Meat Research Center， Beijing 100068， China；

2.College of Engineering， China Agricultural University， Beijing 100083， China）

Abstract： In order to develop a rapid and non-destructive method to predict total bacterial count in chicken breasts by using hyperspectral imaging technology， 83 chicken breast samples refrigerated at 4 ℃ were collected from local supermarket and 63 of these were used as calibration samples. The hyperspectral scattering image of each sample was collected by using hyperspectral imaging system in the wavelength range of 400?1 100 nm. Various algorithm combinations were used to preprocess the hyperspectral information of the samples to enhance the performance of the model developed by using partial least square regression （PLSR） algorithm. Based on the predictive accuracy and stability of the model， the efficiency of different algorithm combinations for spectral preprocessing were evaluated and discussed. The results showed that the optimal model performance was achieved by preprocessing of the hyperspectral information with standard normalized variate. The standard error of calibration （sEC） and standard error of prediction （SEP） of the model were 0.40 and 0.57， respectively. The correlation coefficients of calibration （RC） and prediction （RP） were 0.93 and 0.86， respectively. The optimal model allowed effective prediction of distribution maps of total bacterial count in chicken breasts.

Key words： chicken； total bacterial count； hyperspectral imaging； image processing； partial least square regression （PLSR）； non-destructive detection

DOI：10.7506/rlyj1001-8123-201703007

中圖分類號：O657.33 文獻標志碼：A 文章編號：1001-8123（2017）03-0035-05

摘 要：以市售新鮮冷藏（4 ℃）雞胸肉為研究對象，采集雞胸肉表面的高光譜（400～1 100 nm）圖像信息，采用偏最小二乘回歸（partial least square regression，PLSR）建立菌落總數預測模型，采用不同預處理方法提高模型的預測準確性和穩健性，實現快速無損檢測生鮮雞胸菌落總數的目的。結果表明：標準變量變換（standard normalized variate，SNV）預處理后，模型性能最佳。模型的校正標準差（standard error of calibration，sEC）和驗證標準差（standard error of prediction，sEP）分別為0.40和0.57，sEP/sEC為1.08，校正集相關系數（correlation coefficient of prediction，RC）和驗證集相關系數（correlation coefficient of prediction，RP）分別為0.93和0.86；且應用最佳模型可有效預測樣品菌落總數的分布地圖。

關鍵詞：雞肉；菌落總數；高光譜成像；圖像預處理；偏最小二乘法（PLSR）；無損檢測

Rapid Non-Destructive Detection of Total Bacterial Count in Chicken Using Hyperspectral Imaging

LI Wencai1， LIU Fei1， TIAN Hanyou1， ZOU Hao1， WANG Hui1， ZHANG Zhenqi1， ZHENG Xiaochun2， LI Yongyu2，

LI Jiapeng1， QIAO Xiaoling1，*

（1. Beijing Key Laboratory of Meat Processing Technology， China Meat Research Center， Beijing 100068， China；

2.College of Engineering， China Agricultural University， Beijing 100083， China）

Abstract： In order to develop a rapid and non-destructive method to predict total bacterial count in chicken breasts by using hyperspectral imaging technology， 83 chicken breast samples refrigerated at 4 ℃ were collected from local supermarket and 63 of these were used as calibration samples. The hyperspectral scattering image of each sample was collected by using hyperspectral imaging system in the wavelength range of 400?1 100 nm. Various algorithm combinations were used to preprocess the hyperspectral information of the samples to enhance the performance of the model developed by using partial least square regression （PLSR） algorithm. Based on the predictive accuracy and stability of the model， the efficiency of different algorithm combinations for spectral preprocessing were evaluated and discussed. The results showed that the optimal model performance was achieved by preprocessing of the hyperspectral information with standard normalized variate. The standard error of calibration （sEC） and standard error of prediction （SEP） of the model were 0.40 and 0.57， respectively. The correlation coefficients of calibration （RC） and prediction （RP） were 0.93 and 0.86， respectively. The optimal model allowed effective prediction of distribution maps of total bacterial count in chicken breasts.

Key words： chicken； total bacterial count； hyperspectral imaging； image processing； partial least square regression （PLSR）； non-destructive detection

DOI：10.7506/rlyj1001-8123-201703007

中圖分類號：O657.33 文獻標志碼：A 文章編號：1001-8123（2017）03-0035-05

鹵鎢燈直流點光源（Oriel Instruments） 美國

Stratford公司；CD33-120N-422位置傳感器 日本Optex公司；Intel core i3-3240計算機 聯想有限公司。

該儀器采用的光譜范圍為400～1 100 nm，可以采集雞肉樣品表面的散射光譜，其光譜分辨率為2.8 nm。

1.3 方法

1.3.1 樣品制備

實驗時從冰箱隨機取樣，切成厚度大約為1 cm，質量大約為10 g的雞肉塊，每24 h測定1 次，每次測定3 個樣品。

1.3.2 樣品高光譜信息的采集

每隔24 h從4 ℃冰箱中隨機取出雞胸肉樣品，利用實驗室構建的高光譜成像系統，采集400～1 100 nm波長范圍內的雞肉樣品表面散射光譜，曝光時間為80 ms。由相機軟件（Camera control Kit V2.19）完成圖像采集過程，為確保樣本的一致性，掃描過程中所采集樣本的掃描線需與雞肉樣本纖維方向平行，每掃描4 次，自動平均得到一條掃描線。實驗過程中對每個樣本表面進行全掃描，得到160 個掃描圖像。

1.3.3 樣品菌落總數的測定

對高光譜圖像進行采集后，立即對雞胸肉樣品表面菌落總數進行檢測。本實驗參考GB 4789.2—2010[24]中的10 倍梯度稀釋法進行操作，選取合適的稀釋梯度，每個稀釋梯度倒3 塊平板，37 ℃條件下培養48 h后計數，取菌落總數的對數值作為分析數據，單位為lg（CFU/g）。

1.3.4 數據分析

高光譜圖像信息采集后，采用MATLAB2015b（美國Mathworks公司）對數據進行分析。依次提取冷卻雞肉樣本高光譜圖像感興趣區域（range of interest，ROI），計算其平均散射光譜值，將其作為雞肉樣本的原始光譜值。對光譜圖像特征進行分析后，應用PLSR對光譜數據和菌落總數測定值進行關聯，建立雞胸肉菌落總數預測模型。

1.3.5 模型預處理方法的篩選

選擇的預處理方法包括：歸一化方法（normalization method，NM）、Savitzky-Golay求導（Savitzky-Golay derivative，SGD）、標準變量變換（standard normalized variate，SNV）、附加散射校正（multiplication scatter correction，MSC）。

對樣品高光譜信息進行不同預處理，去除無關干擾信息、降低隨機噪聲和強化譜帶特征，采用PLSR統計方法建模，綜合校正標準誤差（standard error of calibration，sEC）、驗證標準誤差（standard error of prediction，sEP）、驗證標準差和校正標準誤差的比值（sEP/sEC）和差值（sEP-sEC）對模型性能進行評價[25]，篩選出最佳預處理方法。

1.3.6 模型評價原則

sEP 代表高光譜分析的總誤差，其中包括可靠性偏差、穩健性偏差和信息處理過程產生的誤差，因此可以直接用于評價模型的預測準確性。sEC代表模型在建模樣品范圍內的分析誤差，不包括穩健性偏差，因此sEP-sEC

應大于0。美國谷物化學組織的近紅外分析標準中將

sEP/sEC作為評價模型穩健性的參數，規定sEP/sEC應小于1.2，其值大于1.2時則表示模型的穩健性不夠[20]。

因此，在篩選性能最佳的模型時，首先模型應同時滿足sEP/sEC<1.2或sEP-sEC>0，然后在剩余的模型中選取sEP最小的模型，此模型不僅穩健且預測準確性較好，這個模型所對應的算法或算法組合即為最佳預處理方法。

1.3.7 菌落總數分布地圖

用高光譜成像技術預測菌落總數，不僅可以提供光譜信息還可以提供菌落總數的空間分布[26-29]。高光譜圖像中每個像素點對應一個光譜，因此在每個像素點上可計算出樣品菌落總數的預測值，從而構成分布地圖。本實驗中，利用PLSR模型預測光譜圖像中每一個像素點對應的菌落總數，最終構成菌落總數預測值的分布地圖。

2 結果與分析

2.1 樣品菌落總數化學測量值的測定結果

本實驗所用的83 個雞胸肉樣品的菌落總數化學測量值的統計結果如表1所示，涵蓋新鮮雞肉菌落總數（約3.97（lg（CFU/g）））至腐敗雞肉菌落總數（約7.75（lg（CFU/g））），GB 16869—2005[3]對鮮禽產品中菌落總數含量所允許的最大值為6（lg（CFU/g）），3.97～7.75（lg（CFU/g））的范圍說明本實驗選用的樣品具有較強的代表性。從總樣品集中選取菌落總數化學測量值分布均勻的樣品63 個作為校正集，用于模型的建立；剩余的20 個樣品作為驗證集，用于驗證模型的預測準確性和穩健性，統計結果見表1。

2.2 雞肉高光譜圖像感興趣區域的確定

利用Matlab2015b分析軟件從高光譜圖像中提取ROI。圖1所示為不同掃描位置的光譜圖像，圖2所示雞肉樣品不同掃描位置處的光譜曲線，距離掃描線中心0、10、15、20 nm位置處整個波長范圍內的散射光譜。

由圖2可知，在波長方向上，低于470 nm和高于920 nm位置處形成較大噪音影響，信號較弱；在空間方向上，掃描線中心位置的散射強度最大，距離掃描線中心位置越遠，散射強度越弱，因此，將光譜軸[470 nm，920 nm]和空間軸[-20 nm，20 nm]所組成的矩形區域作為ROI。沿著光譜軸在470～920 nm區間計算ROI區域上點的平均散射光譜作為該樣本的散射光譜。對所有的圖像進行處理，共獲得83 條波長曲線如圖3所示。

2.3 最佳預處理算法的確定

應用不同算法組合對樣品的高光譜信息進行預處理后，菌落總數預測模型的性能評價參數如表2所示。

對光譜信息不進行任何預處理，與其他預處理方法相比，校正集相關系數（correlation coefficient of prediction set，RC）不變，但是驗證集相關系數（correlation coefficient of prediction set，RP）較低。對模型進行SNV單獨預處理時，由表2可知，各個模型的RC均保持不變，但是RP均有不同程度的增加；光譜數據經SNV單獨處理后再建模，與無預處理相比，RC不變，但是RP由0.80上升0.86，且sEP/sEC值為1.08，其值小于1.2，說明經SNV單獨處理后，模型的準確性和穩健性均有所增加，將SNV確定為最佳預處理方法。其他不同組合算法的準確性和穩健性均低于SNV算法，在表中未列出。不同預處理方法對模型預測的準確性和穩健性有很大的影響，恰當的預處理方法可以提高模型性能評價參數，但過度的預處理方法會使得模型性能降低，樣品光譜信息中大量有效信息丟失，這與鄒昊等[30]研究結果相一致。

2.4 最佳預處理算法條件下菌落總數的預測

以校正集和驗證集樣品的菌落總數化學測量值為橫坐標，模型的預測值為縱坐標作圖，結果如圖4所示。

由圖4可知，校正集中樣品的菌落總數化學測量值緊密地分布在回歸線兩側，模型的預測值與校正集樣品的菌落總數化學測量值吻合度較高，模型的sEC為0.40，RC為0.93，說明建模前對樣品光譜信息進行SNV預處理后，模型較好地擬合了光譜信息中反映樣品菌落總數含量的信息。驗證集中，樣品的菌落總數化學測量值和模型的預測值相關性較高，sEP為0.57，RP為0.86，說明模型對驗證集樣品中的菌落總數含量有較好的預測準確性。

2.5 雞肉菌落總數分布地圖的生成

圖5表示雞胸肉樣品菌落總數的分布圖，顏色條RGB值由0到7.75（由灰到白），表示菌落總數值由小到大。在預測分布地圖中，光譜性質相同的像素點擁有相同的預測值，用相同的顏色比例分配表示，所以，分布地圖中不同的顏色表示不同的菌落總數分布。

由圖5可知，A樣品和B樣品菌落總數預測對數值分別為4.00 （lg（CFU/g））和6.77 （lg（CFU/g）），依照GB 4789.2—2010所測值為3.99 （lg（CFU/g））和6.79 （lg（CFU/g））。不同菌落總數的雞胸肉，菌落總數含量和分布預測地圖存在明顯差異，白色越多，表示菌落總數預測值越大。與傳統技術相比，高光譜成像技術可用于更大的樣品，甚至整個動物胴體，生鮮肉微生物檢測已成為屠宰廠建立和實施危害分析和關鍵控制點（hazard analysis critical control point，HACCP）體系重要的信息來源。高光譜成像技術已成為肉類工業中微生物檢測的一個可行、簡單、快速有效的方法。

3 結 論

高光譜成像技術具有費用低、無損檢測等特點，它在肉類在線質量控制系統中實現了快速化、準確化和簡單化。為了快速檢測雞胸肉菌落總數，本實驗在400～1 100 nm波長范圍內，使用ROI方法提取雞胸肉表面高光譜圖像的散射光譜。其中，用于建立菌落總數預測模型校正集的樣品共63 個，用于驗證集的樣品共20 個。使用不同算法和算法組合對樣品的高光譜信息進行預處理后利用PLSR進行建模。通過模型評價參數對預處理方法進行篩選后發現，經SNV對樣品進行預處理后，模型性能較好，模型sEC和sEP分別為0.40和0.57，sC和RP分別為0.93和0.86，且sEP/sEC值為1.08，其值小于1.2，模型的準確性和穩健性為最佳。通過每個像素點對應的光譜可預測得到菌落總數分布地圖，通過分布地圖可看出，不同樣品菌落總數預測值的大小以及菌落總數在樣品中的分布情況。高光譜成像技術有望成為雞肉產業中微生物快速檢測的一個行之有效的方法。

參考文獻：

[1] 程金權， 胡繼貴. 食品中菌落總數快速檢測研究進展[J]. 食品與發酵科技， 2014， 50（6）： 1-5. DOI：10.3969/j.issn.1674-506X.2014.06-001.

[2] 王長遠， 馬萬龍， 姜昱男. 豬肉新鮮度的檢測及肉質綜合評定[J].

農產品加工（學刊）， 2007（10）： 75-77. DOI：10.3969/j.issn.1671-9646-B.2007.10.025.

[3] 衛生部食品衛生監督檢驗所， 全國食品工業標準化技術委員會秘書處. GB 16869—2005 鮮凍禽產品[S]. 北京： 中國標準出版社， 2005.

[4] 林蕾， 張煒. 食品微生物檢驗技術的研究進展[J]. 現在農業科學， 2008， 15（10）： 97-99.

[5] 劉木華， 趙杰文， 鄭建鴻， 等. 農畜產品品質無損檢測中高光譜圖像技術的應用進展[J]. 農業機械學報， 2006， 36（9）： 139-143. DOI：10.3969/j.issn.1000-1298.2005.09.036.

[6] 徐爽， 何建國， 馬瑜， 等. 高光譜圖像技術在水果品質檢測中的研究進展[J]. 食品研究與開發， 2013， 34（10）： 4-8. DOI：10.3969/j.issn.1005-6521.2013.010.002.

[7] 劉燕德， 張光偉. 高光譜成像技術在農產品檢測中的應用[J]. 食品與機械， 2012， 28（5）： 223-226. DOI：10.3969/j.issn.1003-5788.2012.05.059.

[8] KAMRUZZAMAN M， ELMASRY G， SUN D W， et al. Application of NIR hyperspectral imaging for discrimination of lamb muscles[J]. Journal of Food Engineering， 2011， 104（3）： 332-340. DOI：10.1016/j.jfoodeng.2010.12.024.

[9] FENG Y Z， ELMASRY G， SUN D W， et al. Near-infrared hyperspectral imaging and partial least squares regression for rapid and reagentless determination of Enterobacteriaceae on chicken fillets[J]. Food Chemistry， 2013， 138（2/3）： 1829-1836. DOI：10.1016/j.foodchem.2012.11.040.

[10] BARBIN D， ELMASRY G， SUN D W， et al. Near-infrared hyperspectral imaging for grading and classification of pork[J]. Meat Science， 2012， 90（1）： 259-268. DOI：10.1016/j.meatsci.2011.07.011.

[11] ELMASRY G， SUN D W， ALLEN P. Near-infrared hyperspectral imaging for predicting colour， pH and tenderness of fresh beef[J]. Journal of Food Engineering， 2012， 110（1）： 127-140. DOI：10.1016/j.jfoodeng.2011.11.028.

[12] KAMRUZZAMAN M， ELMASRY G， SUN D W， et al. Non-destructive assessment of instrumental and sensory tenderness of lamb meat using NIR hyperspectral imaging[J]. Food Chemistry， 2013， 141（1）： 389-396. DOI：10.1016/j.foodchem.2013.02.094.

[13] 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. DOI：10.3788/AOS20103009.2602.

[14] ELMASRY G， SUN D W， ALLEN P. Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging[J]. Food Research International， 2011， 44： 2624-2633. DOI：10.1016/j.foodres.2011.05.001.

[15] KAMRUZZAMAN M， BARBIN D， ELMASRY G， et al. Potential of hyperspectral imaging and pattern recognition for categorization and authentication of red meat[J]. Innovative Food Science and Emerging Technologies， 2012， 16： 316-325. DOI：10.1016/j.ifset.2012.07.007.

[16] KAMRUZZAMAN M， MAKINO Y， OSHITA S. Hyperspectral imaging for real-time monitoring of water holding capacity in red meat[J]. LWT-Food Science and Technology， 2016， 66： 685-691. DOI：10.1016/j.lwt.2015.11.021.

[17] KAMRUZZAMAN M， MAKINO Y， OSHITA S. Online monitoring of red meat color using hyperspectral imaging[J]. Meat Science， 2016， 116： 110-117. DOI：10.1016/j.meatsci.2016.02.004.

[18] BARBIN D F， ELMASRY G， SUN D W， et al. Non-destructive assessment of microbial contamination in porcine meat using NIR hyperspectral imaging[J]. Innovative Food Science and Emerging Technologies， 2013， 17： 180-191. DOI：10.1016/j.ifset.2012.11.001.

[19] PENG Y， ZHANG J， WANG W， et a1. Potential prediction of the microbial spoilage of beef using spatially resolved hyperspectral scattering profiles[J]. Journal of Food Engineering， 2011， 102（2）：

163-169. DOI：10.1016/j.foodeng.2010.08.014.

[20] 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. DOI：10.3964/j.issn.1000-0593（2010）12-3405-05.

[21] 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， 15（10）： 97-99.

[22] 王正偉， 王家云， 王松磊， 等. 基于VIS/NIR高光譜成像技術檢測雞肉嫩度[J]. 食品科技， 2015（11）： 270-274. DOI：10.13684/j.cnki.spkj.2015.11.052.

[23] 熊振杰. 基于高光譜成像技術的雞肉品質快速無損檢測[D]. 廣州： 華南理工大學， 2015.

[24] 中國疾病預防控制中心營養與食品安全所， 遼寧出入境檢驗檢疫局. 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]. 北京： 中國標準出版社， 2010.

[25] 嚴衍祿， 陳斌， 朱大洲， 等. 近紅外光譜分析的原理、技術與應用[M].

北京： 中國輕工業出版社， 2013： 169-170.

[26] LIU D， SUN D W， QU J H， et a1. Feasibility of using hyperspectral imaging to predict moisture content of porcine meat during salting process[J]. Food Chemistry， 2014， 152： 197-204. DOI：10.1016/j.foodchem.2013.11.107.

[27] HE H J， WU D， SUN D W. Rapid and non-destructive determination of drip loss and pH distribution in farmed Atlantic salmon （Salmo salar） fillets using visible and near-infrared （Vis-NIR） hyperspectral imaging[J]. Food Chemistry， 2014， 156： 394-401. DOI：10.1016/j.foodchem.2014.01.118.

[28] KAMRUZZAMAN M， ELMASRY G， SUN D W， et a1. Prediction of some quality attributes of lamb meat using near-infrared hyperspectral imaging and multivariate analysis[J]. Analytica Chimica Acta， 2012， 714： 57-67. DOI：10.1016/j.aca.2011.11.037.

[29] BARBIN D F， ELMASRY G， SUN D W， et a1. Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J]. Analytica Chimica Acta， 2012， 719： 30-42. DOI：10.1016/j.aca.2012.01.004.

[30] 鄒昊， 田寒友， 劉飛， 等. 應用近紅外技術快速預判生豬血液指標及劣質肉[J]. 肉類研究， 2016， 30（4）： 41-45. DOI：10.15922/j.cnki.rlyj.2016.04.009.