基于BP和Adaboost-BP神經網絡的羊肉新鮮度高光譜定性分析

范中建，朱榮光，張凡凡，姚雪東，邱園園，閻 聰

(1.石河子大學機械電氣工程學院，新疆石河子 832003；2.石河子大學動物科技學院，新疆石河子 832003)

0 引 言

【研究意義】在貯存過程中羊肉新鮮度逐漸降低，揮發性鹽基氮(TVB-N)含量常作為評價肉類新鮮度的重要指標，通常以TVB-N<15 mg/100 g、15 mg/100 g25 mg/100 g將肉品新鮮度分為新鮮、次鮮和腐敗[1]。新鮮度傳統檢測方法主要依賴感官評價、理化或微生物實驗，但感官評價主觀性較強，TVB-N理化指標測定步驟繁瑣、檢測速度慢，無法滿足肉品新鮮度快速檢測的要求，需要一種快速、準確的肉類新鮮度檢測方法。【前人研究進展】高光譜圖像技術融合了圖像處理與光譜分析的優點，近年來在肉類新鮮度無損檢測中已有一些應用，郭培源等[2]利用主成分分析(PCA)和神經網絡方法開展了豬肉高光譜圖像的新鮮度定性分級研究。成軍虎[3]對不同新鮮度的草魚樣品建立多種分類模型進行比較分析，其中最小二乘支持向量機(LS-SVM)預測準確率最優為91.46%。Stuart等[4]利用高光譜圖像技術基于pH值指標開展了牛肉新鮮度的分級研究，所建SVM模型精度達91%以上。羊肉檢測方面，朱榮光等[5]利用高光譜圖像技術檢測羊肉TVB-N含量，建立的偏最小二乘回歸模型預測相關系數為0.92。【本研究切入點】目前，多為采用反向傳播(BP)神經網絡或SVM方法對豬肉、牛肉新鮮度進行檢測，而對羊肉新鮮度的定性檢測研究較少，且利用自適應提升BP算法(Adaboost-BP)的肉類品質檢測研究也較少。研究基于BP和Adaboost-BP神經網絡的羊肉新鮮度高光譜定性分析。【擬解決的關鍵問題】揭示羊肉的光學特性及腐敗機理，利用高光譜圖像技術開展不同貯藏時間的羊肉新鮮度快速檢測研究。獲取羊肉純肌肉部分提取代表性光譜，經光譜預處理后分別采用連續投影算法(SPA)提取特征波長，PCA降維提取主成分，建立基于BP和Adaboost-BP的羊肉新鮮度等級判別模型，比較確定較優的建模方法。為實現羊肉新鮮度的快速檢測提供理論基礎。

1 材料與方法

1.1 材 料

試驗肉樣取自20只當天宰殺的小尾寒羊外脊部位，購于新疆石河子市農貿市場。將羊肉置于4℃冷藏箱運回農畜產品實驗室，切片處理成大小約4 cm×4 cm×2 cm的羊肉樣品共72個，使用保鮮袋密封、編號后于4℃恒溫箱中貯藏1～14 d，每隔24 h隨機取出5個樣品進行羊肉高光譜圖像采集和新鮮度指標TVB-N值的測定，其中第7 d測7個樣品。

1.2 方 法

1.2.1 高光譜圖像采集系統

高光譜圖像采集系統主要包括：圖像光譜儀(ImSpector V10E-QE，芬蘭)、CMOS相機(MV-1024E，Rocketech科技)、兩個150 W的光纖鹵素燈(3 900 Illuminatior, Illumination科技)、暗箱、電控位移平臺和控制計算機等。該光譜儀光譜范圍為400～1 000 nm，光譜分辨率為0.63 nm。為確保采集的圖像清晰，經反復實驗確定相機曝光時間為10 ms，樣品與鏡頭間距為38 cm，位移平臺移動速度為1.25 mm/s。

為去除相機中的暗電流以及不均勻光強對圖像的噪聲影響，需對高光譜圖像進行黑白校正。校正公式R=DN×(Rraw-Rdark)/(Rwhite-Rdark)[6]，其中R為校正后圖像；Rraw為原始圖像；Rwhite為標準白板掃描圖像；Rdark為黑板參考圖像；DN是亮度最大值，取4 095[7]，由于高光譜系統輸出為12位，因此數值DN范圍為0～4 095。

1.2.2 TVB-N測定及羊肉新鮮度評價

采集完樣品高光譜圖像后，按照GB/T 5009.44-2003中半微量定氮法測定TVB-N值[8]，為保證實驗結果的一致性，實驗前先對樣品集中進行預處理，將濾液保存在冰箱中待測，每個樣品作2次平行實驗，取平均值作為最終測定結果。依據測定結果將羊肉新鮮度劃分為3個等級：新鮮(TVBN≤15 mg/100 g)，次鮮(1525 mg/100 g)，并分別用1、2、3表示。

1.2.3 光譜特征提取

為了有效處理數據，需對數據進行壓縮。目前壓縮波段有兩種方法：1.從眾多波段中選擇感興趣的若干波段進行分析；2.利用所有波段通過數學變換進行數據壓縮。連續投影算法(SPA)是一種簡單、快速的特征變量選擇方法，基于光譜變量之間的投影分析提取含有最低限度冗余和最小共線性影響的特征變量組，最大程度地減少信息重疊[9]；主成分分析(PCA)是通過數據轉換將原始變量化為較少幾個綜合指標的降維方法，可以利用少數幾個主成分來反映原始數據中的大部分信息，通常取累計貢獻率在85%或90%以上的前幾個主成分進行分析[10]。

1.2.4 分類模型及模型參數設置

反向傳播(BP)神經網絡是一種誤差逆向傳播算法，通過不斷調節網絡權重，使網絡的最終輸出與期望輸出盡可能接近，具有良好的非線性逼近能力，但由于BP神經網絡初始權值和閾值一般隨機選擇，模型易陷入局部極小值[11,12]。模型以SPA、PCA提取的特征作為輸入、新鮮度等級為輸出，優化隱含層神經元個數，參數設置如下：訓練函數選擇‘trainlm’，隱含層和輸出層傳遞函數分別為‘tansig’、‘logsig’，網絡訓練目標誤差設為0，學習速率為0.1，訓練最大步數設為1 000。

自適應提升BP算法(Adaboost-BP)是以BP神經網絡作為弱分類器，經過多次訓練BP神經網絡預測樣本輸出，通過Adaboost算法組合多個BP神經網絡弱分類器構建的強分類器。其核心思想是通過在迭代過程中改變訓練樣本的權值分布，對訓練的BP網絡得到的多個分類結果，采用加權投票法組合決定最終的分類，具有適用性強、精度高的優點。具體計算過程參見文獻[13]。Adaboost-BP參數設置如下：BP弱分類器個數設為10，訓練函數選擇‘trainlm’，隱含層和輸出層傳遞函數分別為‘tansig’、‘logsig’，網絡訓練目標誤差設為0，學習速率為0.1，訓練最大步數設為20。

1.3 數據處理

高光譜圖像的采集基于Spectral Cube軟件平臺，高光譜數據的分析與處理使用ENVI 4.8(Research System，美國)、Matlab R2010b(Mathworks，美國)軟件完成，模型效果主要依據預測集準確率進行評價。

2 結果與分析

2.1 羊肉新鮮度等級劃分

實驗共計72個羊肉樣品，其中新鮮肉20個、次鮮肉26個、腐敗肉26個。以試驗測得的TVB-N理化值濃度排序，按隔三選一法劃分為54個校正集樣品和18個預測集樣品，校正集樣品用于建立模型，預測集樣品用于驗證所建模型的準確性，列出羊肉新鮮度等級劃分結果。表1

表1 不同新鮮度等級的樣品集劃分
Table 1 The sample set division results of different freshness levels

樣本集Sampleset新鮮Fresh次鮮Sub-fresh腐敗Corrupt總數Total校正集Calibrationset15192054預測集Predictionset57618

2.2 高光譜數據的提取與預處理

采用波段加減法運算、二值化和掩膜法[14]依次去除羊肉樣品高光譜圖像的背景、陰影、脂肪、亮點和結締組織，獲取與羊肉TVB-N值相對應的純肌肉部分提取光譜數據，72個羊肉樣品的代表性原始平均光譜為，采集的高光譜數據由于受到儀器電噪聲和樣品粗糙導致的散射干擾，譜峰之間信息相互掩蓋，需進行預處理以去除干擾，提高模型預測能力。研究采用1階導數、15點S-G平滑和中心化相結合的方法對光譜進行預處理。圖1

圖1 羊肉樣品原始光譜
Fig.1 The original spectrum of mutton samples

2.3 高光譜數據降維

由于全波段變量較多、冗余度大，分別采用SPA提取特征波長，PCA降維提取主成分信息。以預處理后的光譜數據和新鮮度類別賦值進行SPA特征波長選取，波長變量數設為1～20。繪出SPA提取的各特征波長分布圖，最終得到6個特征波長為：589.56、600.81、611.45、627.13、833.88和949.57 nm。繪出數據經PCA降維后各主成分的累計貢獻率，選取前7個主成分時累計貢獻率已超過90%，已能夠代表原始數據的大部分信息，因此，研究選取前7個主成分信息作為后續模型的輸入。圖2，圖3

圖2 SPA選擇的特征波長分布
Fig.2 Characteristic wavelengths selected by SPA

圖3 PCs累計貢獻率
Fig.3 The cumulative contribution rates of PCs

2.4 羊肉新鮮度判別模型

為比較BP和Adaboost-BP的模型效果，分別以SPA提取的6個特征波長和PCA降維的7個主成分作為BP、Adaboost-BP模型的輸入變量，羊肉新鮮度等級作為輸出變量，建立羊肉新鮮度判別模型，并對模型效果進行驗證，建模和預測。

研究表明，采用SPA特征波長提取、PCA降維所建立的BP模型校正集準確率均為100%，對于預測集的18個樣品，采用SPA提取特征波長建立的BP模型1個次鮮羊肉樣品被誤分為新鮮，2個腐敗肉被誤分為次鮮，采用PCA降維建立的BP模型1個新鮮羊肉樣品被誤分為次鮮，1個次鮮肉被誤分為腐敗，1個腐敗肉被誤分為次鮮，二者準確率均為83.33%。發生誤判主要集中在兩新鮮度級別之間，原因可能在于相鄰新鮮度某些樣品TVB-N指標十分接近，其類間差異較小，判別時相互影響從而造成錯分。

采用SPA、PCA建立的Adaboost-BP模型各有一個樣品產生錯分，預測集準確率均為94.44%。相比BP分類結果，Adaboost-BP模型預測集分類準確率提高了11.11%，模型分類更加準確且穩定性更好。試驗表明，Adaboost-BP算法改善了常規BP神經網絡泛化能力低的不足，提高了模型預測精度。表2

表2 不同羊肉新鮮度等級的模型判別結果
Table 2 The model discriminant results of different freshness levels

降維壓縮方法Dimensionlitycompressionmethod建模方法Modelingmethod網絡結構Networkstructure校正集準確率Calibrationsetaccuracy(%)預測集 Predictionset新鮮Fresh次鮮Sub-fresh腐敗Corrupt準確率(%)AccuracySPABP6-8-11006848333Adaboost-BP6-8-11006669444PCABP7-10-11004868333Adaboost-BP7-10-11005859444

3 討 論

根據羊肉新鮮度分類結果，從數據降維與壓縮的角度分析，采用PCA變換提取了反映羊肉新鮮度的有效信息，采用SPA從原始特征中挑選到了具有代表性、分類性能較好的波段特征，兩種降維方法均可以用于羊肉新鮮度特征信息的獲取；從BP和Adaboost-BP模型分類效果分析，BP模型預測集準確率較低為83.33%。在實際建模過程中，由于BP網絡權值和閾值的選取是隨機初始化的，造成每次訓練學習的預測結果都不穩定，且由于BP網絡是在梯度法基礎上推導出來的，對初始權值的選取極為敏感，在訓練過程中收斂速度慢，容易陷入局部最優。通過合并多個BP弱分類器檢測結果構成的adaboost-BP強分類器克服了傳統BP網絡的局限性，能夠提高BP網絡的分類精度，使分類結果更加準確可靠。經驗證Adaboost-BP分類結果優于多個BP網絡的簡單均值結果。

4 結 論

通過提取不同新鮮度的羊肉樣品純肌肉光譜并進行預處理，采用SPA、PCA兩種壓縮降維方法和BP、Adaboost-BP兩種建模方法開展羊肉新鮮度的快速無損檢測研究。兩種壓縮方法下Adaboost-BP模型檢測效果均優于BP模型，建立的Adaboost-BP模型校正集準確率均為100%，預測集準確率均為94.44%。利用高光譜圖像技術結合Adaboost-BP方法對羊肉新鮮度等級進行分類判別是可行的。

)

[1] 楊東, 陸安祥, 王紀華. 高光譜成像技術定量可視化檢測熟牛肉中揮發性鹽基氮含量[J]. 現代食品科技, 2017, 33(9):1-7.

YANG Dong, LU An-xiang, WANG Ji-hua, et al. (2017). Quantification and Visualization of the Total Volatile Basic Nitrogen of Cooked Beef Based on Hyperspectral Imaging Technique [J].ModernFoodScienceandTechnology, 33(9):1-7. (in Chinese)

[2] 郭培源, 林巖, 付妍, 等. 基于近紅外光譜技術的豬肉新鮮度等級研究[J]. 激光與光電子學進展, 2013, 50(3):183-189.

GUO Pei-yuan, LIN Yan, FU Yan, et al. (2013). Research on Freshness Level of Meat Based on Near-Infrared Spectroscopic Technique [J].LaserandOptoelectronicsProgress, 50(3):183-189. (in Chinese)

[3] 成軍虎. 基于高光譜成像魚肉新鮮度無損快速檢測方法研究[D]. 廣州: 華南理工大學博士學位論文, 2016.

CHENG Jun-hu. (2016).Non-destructiveandRapidDetectionofFishFreshnessusingHyperspectralImagingTechnique[D]. PhD Thesis. South China University of Technology, Guangzhou. (in Chinese)

[4] Crichton, S. O. J., Kirchner, S. M., Porley, V., Retz, S., Gersdorff, G. V., & Hensel, O., et al. (2017). High ph thresholding of beef with vnir hyperspectral imaging.MeatScience, (134): 14-17.

[5] 朱榮光, 姚雪東, 段宏偉, 等. 羊肉揮發性鹽基氮的高光譜圖像快速檢測研究[J]. 光譜學與光譜分析, 2016, 36(3):806-810.

ZHU Rong-guang, YAO Xue-dong, DUAN Hong-wei, et al. (2016). Study on the Rapid Evaluation of Total Volatile Basic Nitrogen (TVB-N) of Mutton by Hyperspectral Imaging Technique [J].SpectroscopyandSpectralAnalysis, 36(3):806-810. (in Chinese)

[6] 樊陽陽, 裘正軍, 陳儉, 等. 基于近紅外高光譜成像技術的干制紅棗品種鑒別[J]. 光譜學與光譜分析, 2017, 37(3):836-840.

FAN Yang-yang, QIU Zheng-jun, CHEN Jian, et al. (2017). Identification of Varieties of Dried Red Jujubes with Near-Infrared Hyperspectral Imaging [J].SpectroscopyandSpectralAnalysis, 37(3):836-840. (in Chinese)

[7] Wang, W., Li, C., Tollner, E. W., Gitaitis, R. D., & Rains, G. C. (2012). Shortwave infrared hyperspectral imaging for detecting sour skin ( burkholderia cepacia )-infected onions.JournalofFoodEngineering,109(1): 38-48.

[8] GB/T 5009.44-2003. 肉與肉制品衛生標準的分析方法[S].

GB/T 5009.44-2003.MethodforAnalysisofHygienicStandardofMeatandMeatProducts[S]. (in Chinese)

[9] 田衛新, 何丹丹, 楊東, 等. 一種基于高光譜圖像的熟牛肉TVB-N含量預測方法[J]. 食品與機械, 2016, 32(12):70-74.

TIAN Wei-xin, HE Dan-dan, YANG Dong, et al. (2016).A method for predicting TVB-N content of cooked beef based on hyperspectral image [J].FoodandMachinery, 32(12):70-74. (in Chinese)

[10] 羅微, 杜焱喆, 章海亮. PCA和SPA的近紅外光譜識別白菜種子品種研究[J]. 光譜學與光譜分析, 2016, 36(11):3 536-3 541.

LUO Wei, DU Yan-zhe, ZHANG Hai-liang. (2016).Discrimination of Varieties of Cabbage with Near Infrared Spectra Based on Principal Component Analysis and Successive Projections Algorithm [J].SpectroscopyandSpectralAnalysis, 36(11):3,536-3,541. (in Chinese)

[11] 劉思伽, 田有文, 張芳, 等. 采用二次連續投影法和BP人工神經網絡的寒富蘋果病害高光譜圖像無損檢測[J]. 食品科學, 2017, 38(8):277-282.

LIU Si-jia, TIAN You-wen, ZHANG Fang, et al. (2017). Hyperspectral imaging for nondestructive detection of Hanfu apple diseases using successive projections algorithm and BP neural network [J].FoodScience, 38(8):277-282. (in Chinese)

[12] 梁棟, 張鳳琴, 陳大武, 等. 一種基于決策樹和遺傳算法-BP神經網絡的組合預測模型[J]. 中國科技論文, 2015, 10(2):169-174.

LIANG Dong, ZHANG Feng-qin, CHEN Da-wu, et al. (2015). A composite prediction model based on decision tree and GA-BPNN [J].ChinaSciencepaper, 10(2):169-174. (in Chinese)

[13] 王軍, 費凱, 程勇. 基于改進的Adaboost-BP模型在降水中的預測[J]. 計算機應用, 2017, 37(9):2 689-2 693.

WANG Jun, FEI Kai, CHENG Yong. (2017). Prediction of rainfall based on improved Adaboost-BP model [J].JournalofComputerApplications, 37(9):2,689-2,693. (in Chinese)

[14] 段宏偉, 朱榮光, 王龍, 等. 感興趣區域對羊肉pH高光譜檢測模型的影響研究[J]. 光譜學與光譜分析, 2016, 36(4):1 145-1 149.

DUAN Hong-wei, ZHU Rong-guang, WANG Long, et al. (2016). Effects of regions of interest (ROIs) on Detection Models of Mutton pH Based on Hyperspectral Imaing [J].SpectroscopyandSpectralAnalysis, 36(4):1,145-1,149. (in Chinese)