基于高光譜技術的羊肉含水率無損檢測

　,,　,,　,,,*

(1.內蒙古農業(yè)大學機電工程學院,內蒙古呼和浩特 010018; 2.內蒙古師范大學物理與電子信息學院,內蒙古呼和浩特 010022)

羊肉因其具有較高的營養(yǎng)價值而深受消費者喜愛,我國更是羊肉的生產和消費大國[1-3]。水分是羊肉組分中含量最高的成分,水分的多少直接影響肉品的色澤、嫩度、風味等食用品質[4-5]。近年來,我國食品安全形勢嚴峻,市場上常有一些經營者為謀求暴利,加工和出售注水羊肉。羊肉水分含量過高,容易加快細菌和霉菌的繁殖,引起肉的腐敗變質,嚴重危害消費者身體健康,并擾亂正常市場秩序。因此,研究羊肉含水率的快速檢測方法具有重要的現(xiàn)實意義[6-7]。

目前,肉品含水率的檢測方法主要有感官檢測法和理化檢測法。感官檢測法受主觀因素影響,準確率較低;理化檢測法不僅耗時費力,且破壞樣本,在實際生產中難以得到應用[8]。高光譜成像技術是近年來發(fā)展起來的無損檢測技術,它具有波段多、分辨率高和圖譜合一的特點[9]。隨著無損檢測技術的不斷發(fā)展和完善,采用高光譜成像技術檢測肉類含水率逐漸成為研究熱點。近年來,高光譜成像技術在肉類含水率檢測方面已有一些研究成果。

Liu等[10]利用高光譜成像技術(1000～2500 nm)預測了豬肉在腌制過程中含水率的變化,建立了基于反射率的偏最小二乘回歸模型,模型辨別準確率為0.969。Douglas等[11]用高光譜成像技術(900～1700 nm)預測了豬肉水分、脂肪和蛋白質含量,將得出的光譜信息進行PLS建模,獲得了較好的預測效果。湯修映等[12]利用可見/近紅外光譜技術(400～1170 nm)對牛肉含水率進行了檢測,建立了PLSR預測模型,模型預測效果較好。王婉嬌等[5]利用可見/近紅外高光譜成像技術(400～1000 nm)對冷鮮羊肉的水分含量進行了無損檢測,利用PLSR法建立了含水率預測模型,取得了較好的預測效果。雖然利用高光譜法檢測肉品含水率已有較多報道,但是光譜波段范圍多集中在400～1000 nm或者1000～1700 nm之間,本文則采用波段范圍為1000～2500 nm的高光譜成像系統(tǒng)研究羊肉含水率。

本實驗選取內蒙古錫林郭勒羊肉作為研究對象,采用高光譜成像技術對羊肉含水率進行無損檢測研究。通過對比分析,優(yōu)選出光譜最佳預處理算法,確定最優(yōu)建模方法,為今后羊肉含水率在線檢測系統(tǒng)的開發(fā)提供理論支持。

1　材料與方法

1.1　材料與儀器

羊肉購買于呼和浩特市東瓦窯農貿市場。

光譜采集系統(tǒng)臺灣五鈴光學股份有限公司的高光譜成像系統(tǒng),該系統(tǒng)包括光譜相機(1000～2500 nm)、鹵素燈、載物臺、計算機等,系統(tǒng)結構如圖1所示;電熱鼓風干燥箱上海一恒科學儀器有限公司;BT223S型電子天平賽多利斯科學儀器有限公司,精度:0.001 g。

圖1　光譜檢測系統(tǒng)Fig.1　Spectral detection system注:1.實驗黑箱;2.鹵素燈;3.光譜相機; 4.樣品;5.載物臺;6.計算機。

1.2　實驗方法

1.2.1樣品預處理在切去表面脂肪和肌膜后,將肉切成8 cm×7 cm×2 cm的肉塊,制為樣本。共制備樣本108份,選取18份作為原始樣本,剩下90份用于制備注水肉樣本。將90份待注水的樣本平均分成5份,每份18個樣本,每份分別注水0.8、1.6、2.4、3.2、4.0 mL,制備完畢后,將樣本放入密封袋,并編號放入冰箱冷凍保存,溫度為-18 ℃。

1.2.2羊肉光譜數(shù)據采集數(shù)據采集前,打開光源預熱30 min以上,其目的在于減少光源強度的不穩(wěn)定性以及溫度對實驗過程的影響。為減少光照和電流對實驗的影響,需要進行黑、白板校正。采集標準白板獲取白板圖像,遮住鏡頭獲取全黑信息。用采集到的標準黑白圖像信息對樣本光譜圖像進行校正,校正公式為:

式中：I為校正后圖像的反射強度,I0為原始圖像的反射強度,Ia為黑板圖像的反射強度,Iw為白板圖像的反射強度。

經預實驗確定了光譜數(shù)據的最佳采集參數(shù):物距280 mm,掃描速度14 mm/s,曝光時間10 ms,掃描距離200 mm。

1.2.3羊肉含水率的測定樣本光譜數(shù)據采集后,參照GB/T 9695.15-2008《肉與肉制品 水分含量測定》[13]對樣本含水率進行測定。首先,準確稱量樣本的質量(精度0.001 g),然后按照順序放入干燥箱,溫度設定為150 ℃,干燥至質量不變,取出樣本后將其放入干燥器中放置15 min至室溫,稱取干燥后的樣品質量。含水率計算公式為:

式中:M為樣品水分含量(%),m1容器質量(g),M1為烘干前樣本質量和容器總重(g),m0為烘干前樣本質量和容器總重(g)。

1.3　數(shù)據處理

采用MATLAB R2014a、The Unscrambler X 10.4、HSI Analyzer等軟件對光譜數(shù)據進行處理。采用標準正態(tài)變換法、歸一化法、去趨勢校正法、S-G卷積平滑法、導數(shù)法、多元散射校正法對原始光譜進行預處理。采用相關系數(shù)法提取特征波長,采用偏最小二乘回歸(PLSR)和逐步多元線性回歸(SMLR)兩種建模方法建立特征波長下的預測模型。采用校正集相關系數(shù)Rc、校正集標準誤差SEC、預測集相關系數(shù)Rp、預測集標準誤差SEP這4個參數(shù)對模型的預測能力進行評估。

2　結果與分析

2.1　樣本含水率測定結果

表1為羊肉水分含量統(tǒng)計結果,樣品水分含量范圍較大,滿足建立校正模型的條件。相關文獻報道羊肉含水率大于60%[5-6]。在本實驗中,有18個樣本含水率明顯低于60%,屬異常樣本,予以剔除。用隨機法分配62個樣本為校正集,28個樣本為預測集。

表1　羊肉水分含量統(tǒng)計結果Table 1　The statistical results of mutton moisture content

2.2　光譜數(shù)據的提取及分析

從校正后的光譜圖像中,隨機選取若干點,將這些點的平均光譜值作為該樣本的平均反射率,獲取的原始光譜曲線如圖2所示。原始光譜數(shù)據除了能反映樣本化學成分及物理結構等信息外,還包含了背景色、暗電流等噪聲信號。為減弱噪聲信號對建模效果的影響,提高信噪比,需要選擇合適的算法對原始數(shù)據進行預處理[14-15]。

圖2　樣品原始光譜曲線Fig.2　The original spectral curve of the sample

2.3　全波段下的羊肉含水率預測模型

為了探究全波段下不同光譜預處理方法對建模效果的影響,本研究采用標準正態(tài)變換(SNV)、歸一化(Normalization)等多種方法對原始光譜進行預處理,采用偏最小二乘法建立羊肉含水率預測模型,建模結果如表2所示。

表2　不同預處理方法下的PLSR模型結果Table 2　The results of PLSR model under different preprocessing methods

相關系數(shù)R表征了樣本含水率實測值與預測值之間的相關程度,R值越接近1,說明模型預測效果越好,標準誤差SE越小說明模型精度越高。由表2可知,光譜經預處理之后建立的預測模型相關系數(shù)都有所提高,其中去趨勢校正法效果最好,Rc及Rp分別為0.8561和0.8422,SEC和SEP分別為0.0770和0.0592。綜合這4項指標,確定去趨勢校正法為最佳光譜預處理算法。

2.4　特征波長提取

由于原始光譜數(shù)據高達242個波段,數(shù)據量大,為了降低數(shù)據處理運算量,提高檢測效率,需要對全波段光譜數(shù)據進行降維處理[16-18]。本研究采用相關系數(shù)法提取特征波長,相關系數(shù)法是將光譜矩陣中的每個波長對應的光譜值向量x與樣品含水率矩陣y進行相關性分析計算,得到波長與相關系數(shù)的變化曲線(圖3),各波段對應的相關系數(shù)絕對值越大其包含信息就越多,基于局部極大值的原則選擇波長點[19],特征波長為1100、1346、1421、1635、1786、2111 nm。

圖3　相關系數(shù)圖Fig.3　Correlation coefficient figure

為探究全波段和特征波段下的建模效果,采用經去趨勢校正法預處理后的光譜數(shù)據建立全波段和特征波段下的PLSR模型,建模結果如表3所示。

由表3可知,全波段模型和特征波段模型的校正集相關系數(shù)Rc分別為0.8235和0.8427,校正集標準誤差SEC分別為0.0655和0.0551;預測集相關系數(shù)Rp分別為0.8469和0.8601,預測集標準誤差SEP分別為0.0414和0.0403。由此可見,特征波段下所建模型的預測精度優(yōu)于全波段下所建模型。分析結果表明,基于相關系數(shù)法所提取的特征波段能更加精確的反映羊肉含水率情況,所建模型也更加精確、穩(wěn)定。

表3　全波段和特征波段下的PLSR模型結果Table 3　PLSR model results for whole band and characteristic bands

2.5　特征波長下的羊肉含水率預測模型

采用偏最小二乘回歸(PLSR)和逐步多元線性回歸(SMLR)兩種建模方法建立特征波長下的預測模型,建模結果如表4所示。

由表4可知,PLSR與SMLR模型校正集相關系數(shù)Rc分別為0.8427和0.8597,校正集標準誤差SEC分別為0.0551和0.0521;預測集相關系數(shù)Rp分別為0.8601和0.8654,預測集標準誤差SEP分別為0.0403和0.0387。不論是校正集還是預測集,SMLR模型相關系數(shù)更高,標準誤差相對較小。圖4為PLSR模型含水率實測和預測值散點圖,圖5為SMLR模型含水率實測和預測值散點圖,由圖4和圖5可知,SMLR模型含水率預測值和實測值散點圖對中心線的偏離程度較小。因此,采用逐步多元線性回歸(SMLR)法對羊肉含水率進行建模,取得的模型效果最好。

表4　特征波段下的PLSR 和SMLR模型結果Table 4　Results of PLSR and SMLR models under characteristic bands

圖4　PLSR模型含水率實測和預測值散點圖Fig.4　Scatter plots of measured and predicted values of moisture content of PLSR model

圖5　SMLR模型含水率實測和預測值散點圖Fig.5　Scatter plots of measured and predicted values of moisture content of SMLR model

3　討論與結論

國內外研究者在利用高光譜法檢測肉品含水率的研究中,取得了較好的預測效果。但是光譜波段范圍多集中在400～1000 nm或者1000～1700 nm之間,光譜范圍相對較窄。本文采用波段范圍為1000～2500 nm的高光譜成像系統(tǒng)研究羊肉含水率,波段范圍更寬。從課題組前期研究可知,在1000～2500 nm波段范圍內,光譜曲線有更多的水分吸收峰,預測準確性更高。本研究利用高光譜成像技術對羊肉含水率進行無損檢測,篩選出的最佳光譜預處理方法為去趨勢校正法。采用相關系數(shù)法選取特征波長,所選特征波長為1100、1346、1421、1635、1786、2111 nm?；谶@些特征波長,采用逐步多元線性回歸(SMLR)和偏最小二乘回歸(PLSR)兩種方法建模,SMLR模型效果較好,校正集相關系數(shù)Rc為0.8597,校正集標準誤差SEC為0.0521;預測集相關系數(shù)Rp為0.8654,預測集標準誤差SEP為0.0387。

[1]田曉靜,王俊,崔紹慶.羊肉純度電子舌快速檢測方法[J].農業(yè)工程學報,2013,29(20):255-262.

[2]王松磊,賀曉光,趙大鵬.基于介電特性的羊肉品質無損檢測[J].寧夏工程技術,2013,12(1):30-34.

[3]孫淑敏,郭波莉,魏益民,等.近紅外光譜指紋分析在羊肉產地溯源中的應用[J].光譜學與光譜分析,2011,31(4):937-941.

[4]朱丹實,吳曉菲,劉賀,等.水分對生鮮肉品品質的影響[J].食品工業(yè)科技,2013,34(16):363-366.

[5]王婉嬌,王松磊,賀曉光,等.冷鮮羊肉冷藏時間和水分含量的高光譜無損檢測[J].食品科學,2015,36(16):112-116.

[6]黃玉萍,陳桂云,夏建春,等.注水肉無損檢測技術現(xiàn)狀與發(fā)展趨勢分析[J].農業(yè)機械學報,2015,46(1):207-215.

[7]楊志敏,丁武,張瑤.應用近紅外技術快速鑒別原料肉注水的研究[J].食品研究與開發(fā),2012,33(5):118-120.

[8]劉善梅,李小星,鐘雄斌,等.基于高光譜成像技術的生鮮豬肉含水率無損檢測[J].農業(yè)機械學報,2013,44(s1):165-170.

[9]張保華,李江波,樊書祥,等.高光譜成像技術在果蔬品質與安全無損檢測中的原理及應用[J].光譜學與光譜分析,2014,34(10):2743-2751.

[10]Dan Liu,Da-Wen Sun,Jiahuan Qu,et al. Feasibility of using hyperspectral imaging to predict moisture content of porcine meat during salting process[J]. Food Chemistry,2014,152(2):197-204.

[11]Douglas F Barbin,Gamal Elmasry,Da-Wen Sun,et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J]. Food Chemistry,2013,138(2-3):1162-1171.

[12]湯修映,牛力釗,徐楊,等.基于可見/近紅外光譜技術的牛肉含水率無損檢測[J]. 農業(yè)工程學報,2013,29(11):248-254.

[13]GB/T 9695.15-2008《肉與肉制品 水分含量測定》[S]. 2010.

[14]鄧小蕾,李民贊,鄭立華,等.基于反射光譜預處理的蘋果葉片葉綠素含量預測[J]. 農業(yè)工程學報,2014,30(14):140-147.

[15]王動民,紀俊敏,高洪智.多元散射校正預處理波段對近紅外光譜定標模型的影響[J]. 光譜學與光譜分析,2014,34(9):2387-2390.

[16]王家云,王松磊,賀曉光,等.基于NIR高光譜成像技術的灘羊肉內部品質無損檢測[J]. 現(xiàn)代食品科技,2014,30(6):257-262,249.

[17]張嬙,潘磊慶,陳蒙,等. 基于高光譜圖像技術的油桃早期冷害無損檢測[J]. 食品工業(yè)科技,2014,35(20):53-56.

[18]楊菊梅,賀曉光,王松磊,等. 冷鮮羊肉品質的高光譜成像無損檢測[J]. 食品工業(yè)科技,2016,37(22):84-89.

[19]思振華,何建國,劉貴珊,等. 基于高光譜圖像技術羊肉表面污染無損檢測[J]. 食品與機械,2013,29(5):75-79.