基于高光譜成像技術的三文魚肉脂肪含量可視化研究

章海亮 代啟 葉青 劉雪梅 羅微

摘要：采用高光譜成像技術實現三文魚的脂肪含量檢測，并基于Matlab編程語言實現三文魚肉脂肪含量分布的可視化。將5條整魚按照相同切分規則切分成100個三文魚樣本，并分別采集100個樣本的高光譜成像數據，在此基礎上，提取每個樣本感興趣區域的光譜數據。利用偏最小二乘（PLS）模型，對100個樣本的光譜數據進行三文魚脂肪建模分析，其中75個樣本組成建模集，25個樣本組成預測集，分析結果顯示，預測集決定系數為0.913，均方根誤差（RMSEP）為0.921%。為簡化模型，對全譜利用連續投影算法（SPA）提取特征波長，然后基于特征波長建立PLS模型，模型預測集的決定系數為0.913，均方根誤差為0.920%，說明模型得到簡化的同時，精度并沒有降低。最后采用Matlab語言編程對三文魚的脂肪含量進行可視化研究，結果顯示，基于Matlab語言編程可以很形象地表達三文魚的脂肪含量分布。

關鍵詞：三文魚;脂肪含量分布;偏最小二乘（PLS）模型;連續投影算法;可視化表達

中圖分類號： S126;TP391.4文獻標志碼： A

文章編號：1002-1302（2019）18-0220-04

收稿日期：2018-06-13

基金項目：國家自然科學基金（編號：61565005）。

作者簡介：章海亮（1977—），男，江西南昌人，博士，副教授，主要從事高光譜成像技術及其應用研究。E-mail：hailiang.zhang@163.com。

通信作者：羅?微，碩士，講師，主要從事高光譜成像技術及其應用研究。E-mail：15270030556@163.com。

三文魚是一種高檔魚類消費品種，其肉質細嫩，富含脂肪、維生素、蛋白質和脂肪酸等物質，近年來隨著我國對外貿易日益便捷，三文魚日漸成為我國消費者喜歡的一種魚類消費品種，其價格比一般的普通淡水魚相對高一些[1]。

三文魚的脂肪同蛋白質一樣，是影響三文魚肉品質的一個重要物質，脂肪含量的高低，對三文魚的口感影響較大[2]。因此，三文魚的脂肪含量可作為評價三文魚品質好壞的一個重要參數，脂肪含量是三文魚檢測參數中必須檢測的一個參數。傳統的三文魚脂肪含量檢測方法一般都是破壞性的，須將三文魚肉搗碎，并須經過提取、分離等化學步驟，費時費力，且污染環境，不符合在線大批量實時檢測要求[3-4]。

近紅外光譜檢測技術作為一種近年來得到快速發展的無損檢測方法，在食品品質檢測中得到大量應用和研究，檢測精度較高[5]。但是近紅外光譜檢測方法只能檢測被檢測對象的內在品質屬性，如三文魚的蛋白質、脂肪含量，不能反映被檢測對象品質的空間屬性;而常規的圖像檢測方法只能檢測被檢測對象的外在空間屬性，不能對被檢測對象的內在品質屬性進行表達，或者能表達但準確度不能保證，隨著技術的發展，高光譜成像檢測技術因具備光譜檢測和圖像檢測的雙重優勢，得到了廣泛關注和報道[6-9]。采用高光譜成像技術檢測三文魚品質參數的研究在國內外都有所報道，但采用高光譜成像技術檢測三文魚脂肪含量的同時進行可視化表達的相關研究報道并不多見[10-15]。

本研究對100個三文魚樣本的脂肪含量進行檢測，并采用偏最小二乘（PLS）建模方法進行建模分析，在此基礎上，采用Matlab語言進行編程，對三文魚的脂肪含量進行可視化表達。

1?材料與方法

1.1?三文魚肉樣本

5條新鮮大西洋鮭整魚片購于加拿大蒙特利爾市當地超市。每條魚總質量為1 kg左右，誤差在±120 g范圍內，所有樣本的長度在50 cm左右，誤差為±3 cm。首先將每條魚分成背部和腹部2部分，然后分別將背部和腹部等分成10份，因此，每條三文魚樣本被細分成20塊試驗樣本，5條三文魚共細分成100塊試驗樣本。將每塊樣本裝入塑料袋中并編號，在2～4 ℃冰箱保存備用。

1.2?采集高光譜成像數據

采集100塊三文魚試驗樣本的高光譜成像數據，然后采用常規方法測定脂肪含量。長波近紅外高光譜成像系統的波段范圍是900～1 700 nm，共有167個波段，2個光源與樣本平臺呈45°放置于金屬架上，距樣本平臺的高度為40 cm。為保證采集的高光譜成像數據圖像不失真、不變形，需要調整電荷耦合器件（CCD）相機的曝光時間、樣本輸送平臺的水平運行速度和CCD鏡頭的高度，最終調試CCD相機鏡頭與樣本平臺的垂直距離為40 cm，曝光時間為0.9 s，平臺的水平運行速度為1.58 mm/s。同時為消除光線不均和電子噪聲等產生的影響，需要對高光譜成像數據進行校正，校正公式為

I=I0-BW-B×100%。（1）

式中：B為黑板數據;W為白板數據;I0為原始高光譜成像數據;I為校正后高光譜成像數據。

1.3?脂肪含量測定和光譜數據提取

采用索氏提取法提取三文魚中的脂肪，采用的儀器為索氏脂肪提取儀，儀器型號為意大利Usmate公司生產的SER148。采用感興趣區域（ROI）法提取樣本光譜數據，選取的正方形ROI邊長為80像素左右，取平均值得到每個樣本的光譜數據，光譜的波段數為167個，因此，最終的光譜矩陣維度為167×100。ROI光譜數據的提取在軟件ENVI 4.6中完成。

1.4?特征波長選擇算法

連續投影算法（SPA）是一種常用的特征波長提取方法，本研究采用的連續投影算法是基于Matlab語言工具箱的，運行時需要設定光譜和樣本脂肪理化值的建模集和預測集，根據提取特征波長數量需要，一般要設定一個波長數量范圍閾值，本研究設定的波長數量范圍閾值為5～30個。采用連續投影算法提取的特征波長建立的模型，大大簡化了建模數量，提高了模型運行效率和精度，關于連續投影算法的原理詳見文獻[16]。

1.5?PLS回歸模型的建立

PLS回歸模型是一種線性模型，在光譜建模分析中的應用較多，該建模方法將光譜變量轉變為維度更小的建模因子，同時生成建模回歸曲線，通過分析回歸曲線，可以提取有效波長，以方便后續建模分析[17]。本研究中的100個樣本，75個組成PLS建模集，25個組成PLS預測集，模型的評價參數為決定系數和均方根誤差。PLS模型運算在軟件Unscramble V9.7中完成。

1.6?三文魚樣本脂肪含量的可視化

在Unscramble計量分析軟件中利用PLS建模分析自動生成一條回歸曲線，利用這條回歸曲線建立三文魚樣本脂肪含量的線性回歸方程，然后利用Matlab語言編程將通過回歸方程得到的每個樣本像素點脂肪含量指標以圖形化的形式顯示在每塊樣本上。

2?結果與分析

2.1?三文魚樣本的光譜吸收曲線

基于ROI提取的光譜吸收曲線如圖1所示，可以看出，在1 100～1 300 nm近紅外區域的光譜反射率高于1 301～1 700 nm 區域，在1 180 nm左右處，存在較大的光譜吸收峰，這是由于三文魚樣本中的C—H、N—H及O—H等功能鍵在該波段處存在光譜吸收峰。

2.2?PLS模型分析

采用PLS模型預測三文魚樣本脂肪含量，結果（表1）可以看出，PLS建模集（校準集）的決定系數和預測集的決定系數都較高，其中預測集的決定系數為0.913，均方根誤差為0.921%，且建模集決定系數和預測集決定系數數值較為接近，沒有出現過擬合和欠擬合現象。圖2為采用PLS模型得到的建模集和預測集樣本脂肪含量的散點圖，可以看出，PLS模型的預測結果較為理想，可以用于三文魚脂肪含量預測。

2.2?連續投影算法提取的特征波長具體位置

為了提高模型運行效率和簡化模型的復雜度，采用連續投影算法提取特征波長，原始光譜的波段數量為167個，采用連續投影算法后，提取到的波長數量為6個（表2），圖3是采用連續投影算法提取的6個特征波長在一條完整光譜曲線上的具體位置。表3列出了基于6個特征波長建立PLS模型的評價參數，可以看出，PLS的建模集決定系數和預測集決定系數都較高，其中預測集的決定系數為0.913，均方根誤差為0.920%，且建模集決定系數和預測集決定系數數值較為接近，沒有出現過擬合和欠擬合現象，相對基于全譜建立的PLS模型而言，基于特征波長建立的PLS模型不但預測精度稍有提高，而且極大地簡化了模型，提高了模型的預測運行效率。

2.3?三文魚肉脂肪含量的可視化

三文魚樣本的脂肪含量可視化效果如圖4所示，顏色由深到淺表示三文魚樣本脂肪含量由低變到高，可以看出，a～d 4個樣本試驗塊的脂肪含量逐漸升高，與真實脂肪含量情況基本相符，說明采用可視化方法可以準確表達三文魚的脂肪含量，且這種方法可以精確到像素級別，應用前景非常廣泛。采用高光譜成像技術檢測三文魚脂肪含量的優勢，比采用光譜技術更為明顯，以圖形的形式表達脂肪含量更加直觀，脂肪含量分布檢測的主要步驟如圖5所示。

3?結論

本研究采用高光譜成像技術對三文魚脂肪含量進行檢測，并進行可視化表達，首先獲取到三文魚的原始高光譜成像數據并進行校正，然后提取樣本的光譜數據，建立PLS樣本脂肪含量預測模型， 并取得比較好的結果，在此基礎上，采用Matlab語言編程，利用回歸系數方程對三文魚脂肪含量進行圖形可視化表達，該表達方法可精確到每個像素點，更形象直觀，應用前景廣泛。

參考文獻：

[1]Xu J L，Riccioli C，Sun D W. Efficient integration of particle analysis in hyperspectral imaging for rapid assessment of oxidative degradation in salmon fillet[J]. Journal of Food Engineering，2016，169：259-271.

[2]ElMasry G M，Nakauchi S. Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality—A comprehensive review[J]. Biosystems Engineering，2016，142：53-82.

[3]Cheng J H，Sun D W，Pu H B. Combining the genetic algorithm and successive projection algorithm for the selection of feature wavelengths to evaluate exudative characteristics in frozen-thawed fish muscle[J]. Food Chemistry，2016，197：855-863.

[4]Kamruzzaman M，Makino Y，Oshita S. Non-invasive analytical technology for the detection of contamination，adulteration，and authenticity of meat，poultry，and fish：a review[J]. Analytica Chimica Acta，2015，853：19-29.

[5]Dai Q，Cheng J H，Sun D W，et al. Prediction of total volatile basic Nitrogen contents using wavelet features from visible/near-infrared hyperspectral images of prawn （Metapenaeus ensis）[J]. Food Chemistry，2016，197：257-265.

[6]Wang L，Pu H B，Sun D W. Estimation of chlorophyll-a concentration of different seasons in outdoor ponds using hyperspectral imaging[J]. Talanta，2016，147：422-429.

[7]Wu X，Song X L，Qiu Z J，et al. Mapping of TBARS distribution in frozen-thawed pork using NIR hyperspectral imaging[J]. Meat Science，2016，113：92-96.

[8]章海亮，楚秉泉，葉?青，等. 高光譜成像技術鑒別魚新鮮度[J]. 光譜學與光譜分析，2018（2）：559-563.

[9]陶?瑞，史智佳，貢?慧，等. 傅里葉變換近紅外光譜技術快速檢測金槍魚新鮮度[J]. 肉類研究，2017（4）：43-49.

[10]He H J，Sun D W. Toward enhancement in prediction of Pseudomonas counts distribution in salmon fillets using NIR hyperspectral imaging[J]. LWT - Food Science and Technology，2015，62（1）：11-18.

[11]He H J，Sun D W. Inspection of harmful microbial contamination occurred in edible salmon flesh using imaging technology[J]. Journal of Food Engineering，2015，150：82-89.

[12]He H J，Wu D，Sun D W. Potential of hyperspectral imaging combined with chemometric analysis for assessing and visualising tenderness distribution in raw farmed salmon fillets[J]. Journal of Food Engineering，2014，126：156-164.

[13]Wu D，Sun D W，He Y. Novel non-invasive distribution measurement of texture profile analysis （TPA） in salmon fillet by using visible and near infrared hyperspectral imaging[J]. Food Chemistry，2014，145：417-426.

[14]He H J，Sun D W，Wu D. Rapid and real-time prediction of lactic acid bacteria （LAB） in farmed salmon flesh using near-infrared （NIR） hyperspectral imaging combined with chemometric analysis[J]. Food Research International，2014，62：476-483.

[15]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.

[16]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（11）：3536-3541.

[17]王玉田，趙?煦，徐?婧，等. 基于U-PLS/RQL的油類混合物三維熒光導數光譜研究[J]. 中國激光，2016（5）：269-275.