雞胴體表面稀釋污染物的連續投影-多元線性回歸-受試者特性分析檢測

吳 威，吳明清，陳桂云，于鎮偉，陳坤杰*

雞胴體表面稀釋污染物的連續投影-多元線性回歸-受試者特性分析檢測

吳 威，吳明清，陳桂云，于鎮偉，陳坤杰*

（南京農業大學工學院，江蘇 南京 210031）

建立基于連續投影算法（successive projections algorithm，SPA）-多元線性回歸（multiple linear regression，MLR）-受試者特性（receiver operating characteristic，ROC）分析雞胴體表面稀釋污染物識別方法。首先采用高光譜成像系統獲取了20 個涂有稀釋污染物的雞胴體圖像，再利用SPA從1 232 個波長中提取出10 個特征波長，然后通過MLR方法構建識別函數和特征波長光譜值之間的回歸模型，最后通過ROC分析方法，確定出能夠獲得高真陽性率（true positive rate，TPR）和低假陽性率（false positive rate，FPR）的最佳分類閾值，并據此對雞胴體表面稀釋后的污染物進行檢測。結果顯示，利用SPA-MLR-ROC分類器檢測20 個污染雞胴體樣本，檢出污染區域的TPR達到98.08%，FPR僅為0.39%，高于波段比算法以及雙波段算法檢測相同樣本的準確率，可見，SPA-MLRROC分類器方法檢測雞胴體表面稀釋污染物獲得了較好的效果，但由于樣本數量有限，還需要具有較大樣本量的研究來進一步驗證此方法檢測結果的穩定性。

連續投影-多元線性回歸-受試者特性分析；分類器；污染物；高光譜圖像；雞胴體

在我國，雞肉是僅次于豬肉的第二大肉類消費品。近20年來，雞肉產量以每年平均5%～6%的速度持續增長[1]，在這些規模化生產加工過程中，雞胴體極易受到血液、膽汁、以及十二指腸、盲腸中的糞便等污染[2-6]。研究發現從商業屠宰廠提取的肉雞樣品中，95%～99%的雞胃中彎曲桿菌的檢測結果為陽性[7]，肉雞胃中的大腸桿菌含量為4.4（lg（CFU/g））[8]，這些含有致病菌的消化道內容物在肉雞屠宰過程中可能會殘留在雞胴體表面。研究表明即使少量的盲腸糞便（5 mg）也會引起雞胴體表面彎曲桿菌數量上的顯著增加[9]。因此將受到污染的雞胴體檢測出來，并進行適當的處理是十分必要的。

人工及生化檢測無法實現污染物的在線自動檢測。高光譜圖像同時具有光譜和圖像信息，并且光譜分辨率很高，可以提供識別物質特征的豐富信息，因此被廣泛地應用于雞肉檢測領域，如利用高光譜圖像技術可以檢測雞胸肉菌落總數[10]、預測新鮮雞肉彈性[11]、定量檢測雞肉中揮發性鹽基氮含量[12]、快速檢測雞肉表面脯氨酸含量[13]以及檢測雞胚胎性別[14]等。

國內外的研究表明高光譜圖像技術可以成功地檢測出雞胴體表面的污染物，這些研究通常選取2～3 個特征波長，利用特征波長之間的波段比圖像進行圖像處理[2-3,15-20]，從而實現污染物的識別，如文獻[2,15-19]均采用565/517 nm的波長比圖像進行污染物的識別，文獻[3,20]在565/517 nm的波長比圖像處理的基礎上增加了802 nm波長處的圖像去除假陽性點。

既有研究的對象大多是從雞腸道中直接提取的糞便污染物[2-3,15-20]，但在實際的肉雞屠宰加工過程中，雞胴體表面的水分會將殘留在胴體表面的污染物稀釋，可見度很差，很難被人眼及普通的機器視覺識別。為了識別稀釋后的低可見污染物，陳坤杰等[21]提出一種雙波段的雞胴體表面稀釋污染物檢測方法，對雞胸腹局部區域殘留稀釋污染物的檢測真陽性率（true positive rate，TPR）可以達到81.6%。但這種方法檢測范圍過小，真陽性率也還有待提高。

本實驗試圖構建一種光譜學方法，通過光譜建模而不是圖像處理的方法精確提取低可見檢測目標的特征，以實現雞胴體表面稀釋污染物的精確識別。首先通過連續投影算法（successive projections algorithm，SPA）選擇相關性最小的特征波長，然后利用多元線性回歸（multiple linear regression，MLR）構建特征波長圖像中的反射率與識別函數之間的對應關系，再通過受試者特性（receiver operating characteristic，ROC）分析方法選擇分類閾值，最后將識別效果與既有研究中普遍采用的波段比算法[2-3,15-20]，以及文獻[21]提出的雙波段檢測方法進行對比。

1 材料與方法

1.1 材料

2015年12月從雨潤肉雞加工廠購買20 只45 d的白羽雞雞胴體，雞胴體為隨機挑選。在實驗室人工將內臟取出，并將腸道分離出來。每個雞胴體表面的污染物都是取自該胴體本身。

使用移液管從每個雞胴體分別抽取十二指腸和盲腸糞便各1 mL，從腹腔中抽取血液1 mL，從膽囊中抽取膽汁1 mL，放入不同的玻璃培養皿中。再分別抽取與污染物等體積的清水與污染物混合，分別制成稀釋的污染樣本，隨機涂布在雞胴體表面。

每個雞胴體表面涂布的污染區域數量最少6 個，最多16 個，20 個雞胴體表面共計有208 個污染區域。由于稀釋后的污染物流動性強，無法使得所有污染區域面積保持一致，污染區域的面積在232 個像素和4 200 個像素之間。4 種污染區域（十二指腸糞便、盲腸糞便、膽汁和血液）的平均面積分別為1 501、1 354、1 630、1 421 個像素。

1.2 方法

1.2.1 高光譜圖像系統

實驗采用的高光譜成像系統由圖像采集單元、照明單元和電動平移臺構成，如圖1所示。圖像采集單元包括一臺Raptor EM285CL高感度EMCCD相機、光譜范圍為358～1 021 nm的Imspector V10E線掃描成像光譜儀。照明單元為配有Ocean Optics HL-2000線性光導管組以及光纖和聚光鏡的鹵素光源，位于電動平移臺上方220 mm處，垂直于電動平移臺的軌道。電動平移臺由一臺計算機控制，計算機中安裝高光譜系統自帶軟件Spectral Image（臺灣五鈴光學股份有限公司），用于控制曝光時間、電動平移臺的速度、光源亮度等。

將雞胴體胸腹部向上，放在一個蒙著黑布的托盤上，再將托盤放在高光譜圖像系統電動平移臺上，進行高光譜圖像采集。設定電動平移臺速率為1.3 mm/s，相機曝光時間為380 ms，進行逐行掃描，采集得到20 個雞胴體圖像樣本，以raw格式存儲于計算機。每個高光譜圖像都包含空間信息（x，y）和光譜信息（z）。x方向像素為1 632；由于雞胴體大小不同，掃描時間不同，因此y方向的像素在600～1 000之間；z方向為358～1 021 nm，共有1 232 個波長。圖像和數據的分析處理運用了ENVI4.8可視化圖像處理平臺（美國Exelis VIS公司）和MATLAB R2009a矩陣實驗室（美國MathWorks公司）軟件。

圖1 高光譜圖像系統的實景圖Fig. 1 Picture of the hyperspectral imaging system

1.2.2 訓練集和驗證集的選取

將獲取的高光譜圖像進行黑白校正，校正方程[22]如公式（1）所示：

式中：I為校正后圖像；I0為從高光譜圖像系統中獲取的原始圖像；W為在與獲取樣本圖像相同拍攝條件下，拍攝標準白板獲得了白色參考圖像；為了去除相機傳感器暗電流的影響，在相機鏡頭關閉狀態下拍攝了暗參考圖像B。黑白校正后的圖像用于模型訓練以及算法驗證。

采用ENVI軟件中的感興趣區（region of interesting，ROI）工具手工選取訓練集像素。任選10 個雞胴體高光譜圖像，隨機選取60 個污染區域（其中包括12 個盲腸糞便污染區域、17 個十二指腸糞便污染區域、18個血液污染區域、以及13 個膽汁污染區域）和57 個潔凈皮膚區域。污染區域和潔凈皮膚區域的平均面積分別為1 354 個像素和2 200 個像素。統計每一個區域中所有像素的平均光譜，將此117 個平均光譜作為訓練集。訓練集像素的光譜保存在一個矩陣中，矩陣中的前1 232 列代表樣本在1 232 個波長下的相對反射率，最后一列定義為識別函數值y。污染區域像素的y值指定為1，而非污染區域像素的y值指定為0；然后再利用ENVI的ROI工具，手工選取所有20 個高光譜圖像中的208 個污染區域，和胴體表面所有非污染區域作為驗證集像素。提取每個驗證集像素特征波長下的光譜作為驗證集數據，檢驗分類器的分類性能。

1.2.3 SPA-MLR-ROC分類器算法

1.2.3.1 SPA-MLR-ROC分類器算法流程

圖2 構建及評估SPA-MLR- ROC分類器的流程圖Fig. 2 Flow chart of successive projections algorithm (SPA)-multivariable linear regression (MLR)-receiver operating characteristic curve (ROC) classifier algorithm and model evaluation

構建及評估SPA-MLR-ROC分類器的整體流程如圖2所示。SPA選出特征波長，特征波長光譜與識別函數之間的對應關系由MLR構建，通過ROC方法選擇分類的最優閾值，最后將SPA-MLR-ROC分類器識別效果與既有研究中的方法進行比較。

1.2.3.2 SPA選擇特征波長

SPA是一種十分有效的變量選擇方法，可以從眾多的高光譜波長圖像中選取具有最小線性關系的波長，以此去除全波長模型的共線性[23]。

SPA包括兩個階段[24]，第1個階段是從任選的1 個波長開始，通過向剩余波長光譜矩陣連續投影，每次投影選出來的波長都與前面選出的波長的反射率之間具有最小的共線性。訓練集中一共有117 個樣本光譜，因此選出的特征波長數量的最大值不能大于116。投影前任意選取的波長有1 232 種可能，因此會產生116×1 232 個備選波長鏈。

SPA的第2個過程是從所有的備選波長鏈中選出最優集合。Galvao等[24]研究發現F快速檢測可以用來移除那些對預測結果作用不大的變量，以此增加模型的簡約性。計算包含不同數量波長的每種組合的均方根誤差（rootmean-square error，RMSE），如式（2）所示：

式中：xi為第i次投影選出的特征波長的光譜信息；x表示該組合所有波長下的平均光譜；n為此波長鏈的波長數量。選出比RMSE的最小值稍大的RMSE作為決定值，其對應組合的波長數量的最小值即為通過SPA選出的特征波長的數量。

將訓練集中污染區域的60 個平均光譜和非污染區域的57 個平均光譜輸入到SPA算法中，按照F檢驗法進行顯著性檢驗，選擇顯著性水平α為0.25[24]，獲得通過SPA選出的特征波長。

1.2.3.3 MLR回歸建模

利用多元線性回歸模型構建特征光譜與識別函數之間的回歸關系，如（3）式所示，

y=β0＋β1x1＋β1x2＋…βpxp（3）

式中：y為識別函數；xp為SPA選出的第p個特征波長下的相對反射率；βp為回歸系數；p為SPA選出的特征波長的數量。

1.2.3.4 ROC閾值選擇

將117 個訓練集區域中所有像素的特征波長光譜值代入MLR模型后，實際獲得的識別函數預測值是處于某一區間范圍內的離散量，但可能取值的數量遠遠大于待分類數量，需要設置一個閾值T進行歸類處理。識別函數預測值如果大于閾值T，則相應的分類結果被指定為y＝1，即被檢測的像素被判斷處于污染區域。反之，如果識別函數預測值小于閾值T，則分類器給出的分類結果為y = 0，則該像素被認為出自非污染區域。

檢測結果的TPR[25]定義為所有檢測出的污染區域數量與實際污染區域數量的比值。TPR是按區域定義的，因為檢測目標是稀釋污染物，污染區域有很多稀釋污染物和皮膚的混合像元，不可能將一個區域中的所有像素都檢測出來，因此如果一個區域中有大于50 個像素被檢出，這個區域就被標記為污染區域；如果一個像素實際為非污染區域像素，但卻被分類器判定為污染區域像素，這樣的像素稱為假陽性點。假陽性點的數量與實際非污染區域總的像素的比值定義為假陽性率（false positive rate，FPR）。FPR定義在像素級，是由于非污染區域是一個整體區域，無法將FPR定義在區域級。

性能優越的分類器或分類模型應具有高的TPR以及低的FPR。通常一個閾值的選擇需要在高TPR與低FPR之間找到一個平衡點。ROC圖像可以綜合反映敏感性和特異性的雙重屬性[26]。ROC圖像以TPR為縱坐標，以FPR為橫坐標，通過設定多個不同的閾值繪制成曲線或分立點，以此直觀、形象地揭示TPR和FPR的相互關系。在ROC圖像上，最靠近左上角的點（TPR=1，FPR=0）對應的閾值即為最優閾值。

1.2.3.5 檢測結果可視化

為了直觀地了解分類器的性能，將分類器檢測出的陽性點標記出來，而非污染區不加以標記，這樣檢測結果的可視化圖中就可以直觀地觀察到檢測出的污染區域的數量和位置。可視化的具體做法如下[27]：根據驗證集中所有像素的特征光譜信息，應用SPA-MLR-ROC分類器進行分類，將檢測出的陽性像素的位置坐標信息輸入到MATLAB的plot函數，并將其標記出來。檢測結果圖中會有一些由于皮膚褶皺或者組織連接處的陰影所造成的假陽性點，這些假陽性點通常面積較小。在MATLAB中，通過區域標記的方法[28]，標記出檢測結果圖中所有的連通區域，保留所有面積大于50 個像素的連通區域，這樣便可以去除那些面積較小的假陽性點[29]。

1.2.4 用于對比的檢測算法

1.2.4.1 波段比算法

既有研究中多采用主成分分析選擇特征波長，按照主成分載荷最大的原則選出兩個特征波長λ1為517 nm和λ2為565 nm[2-3,5-6,16,18-20,30]，在565/517 nm的波段比圖像中采用圖像處理識別污染物。然后利用單線性回歸確定第3個特征波長λ3為803 nm，其中B為辨別函數（對于污染區域B為1，非污染區域B為0），通過517 nm和802 nm波段比圖像消除假陽性點[3,16,19]。

1.2.4.2 雙波段算法

前期研究[21]提出的基于高光譜成像技術的雙波段檢測算法也是用來檢測雞胴體表面低可見污染物的方法。雙波段檢測算法利用一個特征波長下的圖像進行區域生長，生長后的區域即為雞胴體的胸腹部，將其作為掩膜。掩膜與污染物可分辨度最大的特征波長圖像進行“與”操作，提取出最大面積的雞胴體待檢ROI，最后利用標記法識別出ROI內有污染物存在的雞胴體，可以檢測出雞胴體表面81.6%的污染區域。

2 結果與分析

2.1 構建的SPA-MLR-ROC模型

連續投影過程中，各個波長鏈的RMSE中最小值為0.256 99，比其稍大的RMSE的波長鏈中波長的數量為10，波長鏈中的波長為369、371、376、393、413、451、579、596、937、1 021 nm，即為通過SPA選出的特征波長。

通過多元線性回歸模型構建的識別函數y與特征波長光譜之間的線性回歸關系如公式（4）所示：

式中：x為各個特征波長下的相對反射率。

圖3 不同閾值產生的ROC圖Fig. 3 ROC plot created with different thresholds.

將選出的117 個區域中所有像素的特征光譜值代入回歸方程，獲得的識別函數值范圍在-1.5～1.5之間。采用ROC分析方法，在-1.5～1.5之間每隔0.1選擇一個閾值，計算每一個閾值對應的TPR 和 FPR，繪制ROC圖（圖3），可見，最優閾值出現在T為1.3時，此時分類器獲得最優性能（TPR=100%和FPR=0.43%）。

2.2 SPA-MLR-ROC分類器檢測結果

任選一個涂有污染物的雞胴體（圖4a），利用SPAMLR-ROC分類器檢測此胴體高光譜圖像中所有像素點，其檢測結果見圖4b。可見，所有污染區域均被檢測出來，圖像右下角的皮膚淤血也被檢測出來。

圖4 涂有污染物的雞胴體的彩色圖像（a）和通過SPA-MLR-ROC分類器獲得的檢測結果可視化圖（b）Fig. 4 Original image of contaminated carcass and visual results obtained by SPA-MLR-ROC classifier

SPA-MLR-ROC分類器檢測所有20 個雞胴體表面的208 個污染區域，結果顯示204 個污染區域被檢出，污染區域的TPR為98.08%，在像素級別FPR為0.385%。

2.3 既有算法的檢測結果

2.3.1 波段比算法的檢測結果

對訓練集數據進行主成分分析，分析結果顯示前3 個主成分占總體光譜變量的97.41%，提取出載荷最大的3 個波長：400、452 nm和679 nm。3 個特征波長相互組合，構成波段比圖像，其中污染區域識別度最高的是679/452 nm。單線性回歸選取出去除噪聲的特征波長為516 nm。利用波段比算法檢測圖4a中雞胴體的檢測結果如圖5a所示。

圖5 兩個既有算法的檢測結果圖Fig. 5 Results obtained by two existing algorithms

利用波段比算法檢測所有20 個雞胴體，污染區域檢測的TPR為80.15%，像素級別FPR為0.042%。2.3.2 雙波段算法的檢測結果

按文獻[21]提出的可識別度定義，計算所有波長下圖像的可識別度，得到可識別度最大的波長為400 nm；掩膜選擇參數最大值出現在675 nm。利用雙波段算法檢測圖4a中雞胴體的檢測結果如圖5b所示。

對于20 個驗證集中的雞胴體，雙波段算法檢測污染區域的TPR為82.37%，像素級別FPR為0.895%。

3 討 論

性能優越的檢測算法應該具有高的TPR，以及低的FPR。因此用3 種算法（SPA-MLR-ROC分類器、波段比算法以及雙波段檢測算法）分別檢測驗證集中所有的雞胴體樣本，比較三者的檢測性能。

統計3 種檢測方法對每只雞檢測的TPR和FPR，20 個雞胴體檢測結果的統計分析如表1所示。由表可見：1）SPA-MLR-ROC分類器的區域TPR遠高于波段比算法和雙波段檢測算法，原因是SPA選取的10 個特征波長保留了更多的污染區域特征光譜信息，使得污染區域TPR大大提高；并且特征光譜信息能最大程度地區分污染區域和皮膚區域，使得SPA-MLR-ROC分類器可以將整個雞胴體作為檢測范圍，將胸腹部以外（如雞腿部）的污染區域也檢測出來，而不必擔心雞胸腹部與翅膀以及雞腿連接處的陰影造成的假陽性點。對比圖4和圖5b，可見，SPAMLR-ROC分類器檢出了雙波段檢測算法沒有檢出的雞腿部的十二指腸糞便和盲腸糞便污染，以及雞身上的淤血（圖5b黑色背景區域中用虛線橢圓標出的3 個區域）；SPA-MLR-ROC分類器也檢出了波段比算法沒有檢出的雞腿部的十二指腸糞便，以及胴體胸腹部的膽汁污染區以及淤血區域（圖5a中虛線橢圓標出的5 個區域）。2）SPA-MLR-ROC分類器的像素級FPR僅有0.385%，不到雙波段算法FPR的一半。雖然SPA-MLR-ROC分類器的FPR稍大于波段比算法，但是SPA-MLR-ROC分類器的TPR也遠大于波段比算法，而作為一種識別算法，高的TPR尤為重要。3）SPA-MLR-ROC分類器的檢測結果中，TPR和FPR的標準偏差都小于波段比算法以及雙波段算法，證明了SPA-MLR-ROC分類器檢測性能更加穩定。

綜上所述，SPA-MLR-ROC分類器算法與雙波段檢測算法以及波段比算法相比，不僅具有高TPR同時具有低FPR，因此是一個性能穩定、檢測效果好的分類器。

表1 SPA-MLR-ROC分類器與波段比算法以及雙波段檢測算法在TPR和FPR方面的檢測結果對比Table 1 Comparison in detection results of the SPA-MLR-ROC classifier and the band ratio algorithm as well as the dual-band algorithm in terms of true positive rate (TPR) and false positive rate (FPR)

4 結 論

本實驗提出了一種用于精確提取雞胴體表面污染物特征的SPA-MLR-ROC分類器方法，研究了SPAMLR-ROC分類器檢測雞胴體表面稀釋污染物的可行性。研究發現SPA從1 232 個高光譜波長中選取的10 個（369、371、376、393、413、451、579、596、937、1 021 nm）最優的特征波長，能夠精確提取污染物的特征。SPA-MLR-ROC分類器能夠根據高光譜圖像中的每一個像素的10 個特征光譜信息，給出每一個像素的識別結果。SPA-MLR-ROC分類器對20 個雞胴體表面的污染區域的TPR可以達到98.08%，而檢出的FPR僅有0.385%。相比波段比算法大大提高了檢測TPR；相比雙波段檢測算法，擴大了檢測范圍、提高了檢測精度。由此可見，采用SPA-MLR-ROC分類器可以更好地實現對雞胴體表面低可見污染物的精確檢測。本實驗注重方法研究，其檢測結果的穩定性還需要更多的雞胴體樣本加以驗證，同時還需要繼續研究在實際生產線上利用多光譜相機代替高光譜相機后的檢測速度與檢測效果。

[1] 夏芳. 白羽肉雞行業迎來復蘇[J]. 農產品市場周刊, 2016(3)∶ 15-17.DOI∶10.3969/j.issn.1009-8070.2016.03.009.

[2] PARK B, LAWRENCE K C, WINDHAM W R, et al. Hyperspectral imaging for detecting fecal and ingesta contaminants on poultry carcasses[J]. Transactions of the Asae, 2002, 45(6)∶ 2017-2026.DOI∶10.13031/2013.11413.

[3] HEITSCHMIDT G, PARK B, LAWRENCE K, et al. Improved hyperspectral imaging system for fecal detection on poultry carcasses[J]. Transactions of the Asabe, 2007, 50(4)∶ 1427-1432.DOI∶10.13031/2013.23615.

[4] WINDHAM W R, HEITSCHMIDT G W, LAWRENCE K C, et al.Effect of spectrally mixed hyperspectral image pixels on detection of cecal contaminated broiler carcasses[J]. International Journal of Poultry Science, 2007, 6(12)∶ 955-959. DOI∶10.3923/ijps.2007.955.959.

[5] 趙進輝, 涂冬成, 歐陽靜怡, 等. 利用高光譜圖像技術檢測雞胴體內部糞便污染物[J]. 江西農業大學學報, 2011, 33(3)∶ 573-577.DOI∶10.3969/J.ISSN.1000-2286.2011.03.030.

[6] 趙進輝, 吁芳, 吳瑞梅, 等. 基于分段主成分分析與波段比的雞胴體表面糞便污染物檢測[J]. 激光與光電子學進展, 2011(7)∶ 163-167.DOI∶10.3788/lop48.073001.

[7] MUSGROVE M T, BERRANG M E, BYRD J A, et al. Detection of Campylobacter spp. in ceca and crops with and without enrichment[J].Poultry Science, 2001, 80(6)∶ 825-828. DOI∶10.1093/PS/80.6.825.

[8] BERRANG M E, BUHR R J, CASON J A. Campylobacter recovery from external and internal organs of commercial broiler carcass prior to scalding[J]. Poultry Science, 2000, 79(2)∶ 286-290. DOI∶10.1093/PS/79.2.286.

[9] BERRANG M E, SMITH D P, WINDHAM W R, et al. Effect of intestinal content contamination on broiler carcass campylobacter counts[J]. Journal of Food Protection, 2004, 67(2)∶ 235-238.DOI∶10.4315/0362-028X-67.2.235.

[10] JIANG F C, LONG Y, TANG X Y, et al. Detection of the total viable counts in chicken based on visible/near-infrared spectroscopy[C]//Proceedings of spie-the international society for optical engineering.International society for optics and photonics, 2014, 9108∶ 91080S.DOI∶10.1117/12.2053201.

[11] XIONG Z J, SUN D W, DAI Q, et al. Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat[J]. Food Analytical Methods, 2015, 8(2)∶ 380-391. DOI∶10.1007/S12161-014-9853-3.

[12] 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(7)∶ 158-164. DOI∶10.3788/LOP50.073003.

[13] XIONG Z J, SUN D W, XIE A G, et al. Potential of hyperspectral imaging for rapid prediction of hydroxyproline content in chicken meat[J]. Food Chemistry, 2015, 175∶ 417-422. DOI∶10.1016/j.foodchem.2014.11.161.

[14] G?HLER D, FISCHER B, MEISSNER S. In-ovo sexing of 14-day-old chicken embryos by pattern analysis in hyperspectral images (vis/Nir spectra)∶a non-destructive method for layer lines with gender-specific down feather color[J]. Poultry Science, 2017, 96(1)∶ 1-4. DOI∶10.3382/ps/pew282.

[15] PARK B, LAWRENCE K C, WINDHAM W R, et al. Multispectral imaging system for fecal and ingesta detection on poultry carcasses[J].Journal of Food Process Engineering, 2004, 27(5)∶ 311-327.DOI∶10.1111/j.1745-4530.2004.00464.x.

[16] WINDHAM W R, SMITH D P, BERRANG M E, et al. Effectiveness of hyperspectral imaging system for detecting cecal contaminated broiler carcasses[J]. International Journal of Poultry Science, 2005,4(9)∶ 657-662. DOI∶10.3923/ijps.2005.657.662.

[17] YOON S C, LAWRENCE K C, PARK B, et al. Optimization of fecal detection using hyperspectral imaging and kernel density estimation[J]. Transactions of the ASABE, 2007, 50(3)∶ 1063-1071.DOI∶10.13031/2013.23120.

[18] PARK B, YOON S-C, WINDHAM W R, et al. Line-scan hyperspectral imaging for real-time in-line poultry fecal detection[J].Sensing and Instrumentation for Food Quality and Safety, 2011, 5(1)∶25-32. DOI∶10.1007/s11694-011-9107-7.

[19] YOON S C, PARK B, LAWRENCE K C, et al. Line-scan hyperspectral imaging system for real-time inspection of poultry carcasses with fecal material and ingesta[J]. Computers and Electronics in Agriculture, 2011, 79(2)∶ 159-168. DOI∶10.1016/j.compag.2011.09.008.

[20] WINDHAM W R, HEITSCHMIDT G W, SMITH D P, et al. Detection of ingesta on pre-chilled broiler carcasses by hyperspectral imaging[J].International Journal of Poultry Science, 2005, 43(12)∶ 10157-10163.DOI∶10.3923/ijps.2005.959.964.

[21] 吳威, 陳桂云, 夏建春, 等. 雞胴體表面低可見污染物的雙波段檢測方法研究[J]. 光譜學與光譜分析, 2014, 34(12)∶ 3363-3367.DOI∶10.3964/j.issn.1000-0593(2014)12-3363-05.

[22] 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(8)∶ 89-93. DOI∶10.7506/spkx1002-6630-201408017.

[23] ARAúJO M C U, SALDANHA T C B, GALV?O R K H, et al. The successive projections algorithm for variable selection in spectroscopic multicomponent analysis[J]. Chemometrics & Intelligent Laboratory Systems, 2001, 57(2)∶ 65-73. DOI∶10.1016/S0169-7439(01)00119-8.

[24] GALV?O R K H, ARAúJO M C U, FRAGOSO W D, et al. A variable elimination method to improve the parsimony of MLR models using the successive projections algorithm[J]. Chemometrics and Intelligent Laboratory Systems, 2008, 92(1)∶ 83-91. DOI∶10.1016/j.chemolab.2007.12.004.

[25] YUAN Y, FANG J W, WANG Q. Online anomaly detection in crowd scenes via structure analysis[J]. IEEE Transactions on Cybernetics,2015, 45(3)∶ 548-561. DOI∶10.1109/TCYB.2014.2330853.

[26] METZ C E. Basic principles of roc analysis[J]. Seminars in Nuclear Medicine, 1978, 8(4)∶ 283-298. DOI∶10.1016/S0001-2998(78)80014-2.

[27] WU D, SHI H, WANG S J, et al. Rapid prediction of moisture content of dehydrated prawns using online hyperspectral imaging system[J].Analytica Chimica Acta, 2012, 726(9)∶ 57-66. DOI∶10.1016/j.aca.2012.03.038.

[28] STEFANO L D, BULGARELLI A. A simple and efficient connected components labeling algorithm[C]//Image analysis and processing,1999∶ 322-327. DOI∶10.1109/ICIAP.1999.797615.

[29] WU W, CHEN G Y, WU M Q, et al. Detection of diluted contaminants on chicken carcasses using a two-dimensional scatter plot based on a two-dimensional hyperspectral correlation spectrum[J]. Applied Optics, 2017, 56(9)∶ 72-78. DOI∶10.1364/AO.56.000D72.

[30] PARK B, LAWRENCE K C, WINDHAM W R, et al. Assessment of hyperspectral imaging system for poultry safety inspection[J].Proceedings of Spie, 2003, 4879∶ 269-279. DOI∶10.1117/12.462394.

Successive Projections Algorithm-Multiple Linear Regression-Receiver Operating Characteristic Analysis for Diluted Contaminant Identification on Chicken Carcasses

WU Wei, WU Mingqing, CHEN Guiyun, YU Zhenwei, CHEN Kunjie*
(College of Engineering, Nanjing Agricultural University, Nanjing 210031, China)

This paper presents a method for the identification of diluted contaminants on the surface of chicken carcasses based on successive projections algorithm (SPA)-multiple linear regression (MLR)-receiver operating characteristic (ROC)classifier. Firstly, a total of 20 images of carcasses with diluted contaminants were acquired by hyperspectral imaging system, and 10 characteristic bands were extracted from the 1 232 bands by SPA. Then the MLR method was used to construct a regression model between the discriminant function and the characteristic spectral bands. Finally, the optimal classification threshold with high true positive rate (TPR) and low false positive rate (FPR) was determined by ROC analysis. Thus, the SPA-MLR-ROC classifier allowed the identification of the diluted contaminants. The results showed that the TPR of the SPA-MLR-ROC classifier was 98.08% and the FPR was only 0.39%. The detection accuracy was higher than that of the band ratio algorithm and the dual-band algorithm. Hence, the SPA-MLR-ROC classifier exhibited good performance for the detection of diluted contaminants on the surface of chicken carcass. However,because of the limited number of samples, further study using more samples is needed to verify the stability and feasibility of this method.

successive projections algorithm-multiple linear regression-receiver operating characteristic analysis; classifier;contaminants; hyperspectral imaging; chicken carcass

DOI∶10.7506/spkx1002-6630-201724040

S123；TP391.4

A

1002-6630（2017）24-0247-06

吳威, 吳明清, 陳桂云, 等. 雞胴體表面稀釋污染物的連續投影-多元線性回歸-受試者特性分析檢測[J]. 食品科學, 2017,38(24)∶ 247-252. DOI∶10.7506/spkx1002-6630-201724040. http∶//www.spkx.net.cn

2017-04-26

江蘇省科技支撐計劃項目（BE2014708）；中央高校基本科研業務費專項（KYZ201665）

吳威（1978—），女，講師，博士，研究方向為農產品無損檢測。E-mail：wuwei@njau.edu.cn

*通信作者：陳坤杰（1963—），男，教授，博士，研究方向為農產品檢測與加工技術。E-mail：kunjiechen@njau.edu.cn

WU Wei, WU Mingqing, CHEN Guiyun, et al. Successive projections algorithm-multiple linear regression-receiver operating characteristic analysis for diluted contaminant identification on chicken carcasses[J]. Food Science, 2017, 38(24)∶247-252. (in Chinese with English abstract) DOI∶10.7506/spkx1002-6630-201724040. http∶//www.spkx.net.cn