基于高光譜和頻譜特征的注水肉識別方法

於海明 徐佳琪 劉浩魯 劉 超 張大成 陳坤杰

(1.南京農(nóng)業(yè)大學(xué)工學(xué)院， 南京 210031； 2.農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機械化研究所， 南京 210014)

0 引言

豬肉是我國居民的主要消費肉品，2016年的總消費量達到5.27×107t，位居世界第一。我國生豬養(yǎng)殖規(guī)模較小，屠宰較為分散。有不法分子采用宰殺前或者宰殺后給豬肉注水的方式獲得非法利益[1]。當過多水分注入到豬的體內(nèi)之后，會嚴重影響豬肉品質(zhì)，進而危害消費者健康。因此，必須對注水肉進行檢測識別，以維護市場秩序、保證肉品的安全。

目前，傳統(tǒng)的注水肉檢測方法主要有感官檢驗法、試紙檢驗法和實驗室檢驗法，普遍存在耗費時間長、檢測效率低、肉品會受到破壞且識別準確率不高等問題[2]。因此，研究注水肉的快速、準確、經(jīng)濟且無損的檢測方法具有實際意義。近年來，高光譜分析技術(shù)廣泛應(yīng)用于農(nóng)業(yè)工程諸多領(lǐng)域[3-7]，因其具有分析速度快、不破壞樣本、操作方便等特點，已成為無損檢測技術(shù)的重要方向。一些學(xué)者通過高光譜成像技術(shù)對肉品的含水率、蛋白含量、脂肪含量、嫩度和新鮮度等進行定量和定性分析[8]，也有學(xué)者將高光譜分析技術(shù)用于肉品表面污染程度和細菌總數(shù)的安全評價等方面[8]。但利用高光譜分析技術(shù)進行注水豬肉的檢測識別，目前還未見研究報道。

本文利用358～1 021 nm波段的高光譜成像系統(tǒng)，采集正常豬肉和注水豬肉的光譜信息，基于光譜信息研究注水肉分類識別模型，以實現(xiàn)對注水豬肉進行快速精準識別。

1 材料與方法

1.1 樣本的獲取與制備

選擇當天宰殺的冰鮮新淮豬里脊肉作為試驗樣本，用保鮮袋包裝好后置于實驗室冷藏柜保存。試驗前，先切去肉品表面脂肪和肌膜，將每個樣本切成質(zhì)量大約100 g的方形肉塊，共計84個，其中45個樣本使用規(guī)格為5 mL的注射器從豬肉樣本的中心和4個側(cè)面向肉內(nèi)注入不同量水分，注射完畢后，將樣本放入保鮮袋密封，放在室溫(20℃)下靜置2 h左右，使水分在肉塊中擴散，以保證肉塊各個部位的含水率均勻相同，用于后續(xù)試驗。其余39個為正常肉樣本，作為對照。

1.2 光譜采集

采用Hyper SIS 型高光譜成像儀進行樣本的光譜采集，光譜儀主要技術(shù)參數(shù)如表1所示[9]。

表1 高光譜成像儀技術(shù)參數(shù)Tab.1 Parameters of high spectral image

參照文獻[10-12]方法，在每一次測量開始之前，先進行高光譜儀預(yù)熱，再利用黑白板進行圖像校正，公式為

(1)

式中I——經(jīng)過白板校正后圖像反射率

I0——初始圖像反射率

Ia——黑板圖像反射率

Iw——白板圖像反射率

1.3 感興趣區(qū)域提取

光譜采集時是將整塊肉樣本都進行儀器掃描，因為不同部位的肉其光譜參數(shù)值不同，為了能夠避開被測樣品的脂肪和結(jié)締組織區(qū)域，通過ENVI 5.1軟件，采用人工手動工具去除脂肪和結(jié)締組織，并將脂肪和結(jié)締組織以外的所有區(qū)域都設(shè)為感興趣區(qū)域(Region of interest，ROI)，這樣感興趣區(qū)域內(nèi)得出的平均光譜參數(shù)值更具有代表性，如圖1所示。

圖1 豬肉樣本感興趣區(qū)域提取Fig.1 Extraction of ROI from original pork samples

1.4 特征波長提取

為剔除多余信息、降低高光譜數(shù)據(jù)維數(shù)，采用回歸系數(shù)權(quán)重法進行特征波長提取[13]。該方法是根據(jù)波長與含水率之間的相關(guān)性，將回歸系數(shù)作為選擇波長的指標，通過給出對應(yīng)波長點在模型中重要性的近似度量[14]來確定特征波長，回歸系數(shù)公式為

(2)

(3)

(4)

式中m——波長的點數(shù)

n——校正集的樣品數(shù)

xi,j——光譜參數(shù)yi——含水率

1.5 頻譜特征參數(shù)提取

通過傅里葉變換[15]，對高光譜曲線進行頻譜分析，以提取高光譜曲線的頻譜特征。對于連續(xù)波長信號f(t)，進行傅里葉變換

(5)

式中t——時間ω——頻域

(6)

通過式(6)可以計算出任意頻點的傅里葉變換值，假設(shè)F(ω)的主要取值區(qū)間位于[ω1,ω2]，要計算區(qū)間均勻抽樣的k個值，則有

(7)

其中

式中 Δω——頻域抽樣間隔[16]

1.6 分類識別模型的建立

1.6.1支持向量機模型

支持向量機(SVM)是在最小結(jié)構(gòu)風(fēng)險的理論基礎(chǔ)上來對學(xué)習(xí)機的學(xué)習(xí)能力進行改良的算法，其決策規(guī)則是使用一定的訓(xùn)練樣本得到的，能夠使單個的預(yù)測集有較高的準確性。圖2(圖中x表示輸入信息)為SVM網(wǎng)絡(luò)構(gòu)造，其主要原理是利用SVM核函數(shù)把樣品的光譜信息投射到高維特性的空間，在這種特殊空間中建造出有最大分類間隔特點的超平面，進而精確地區(qū)分出類別不同的樣品，實現(xiàn)分類的要求[17]。

圖2 支持向量機網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.2 Schematic of support vector machine network structure

1.6.2神經(jīng)網(wǎng)絡(luò)分類法

人工神經(jīng)網(wǎng)絡(luò)算法可以對任何正態(tài)的、隨機的數(shù)據(jù)進行分析與推算[18]。圖3為模擬神經(jīng)細胞結(jié)構(gòu)，該模型可對非線性的映射關(guān)系進行闡述。

圖3 神經(jīng)元結(jié)構(gòu)模型Fig.3 Neuron structure model

圖3中，x1，x2，…，xn是輸入信息。a1,a2,…,an表示互聯(lián)的強度，也就是權(quán)值。經(jīng)過權(quán)值與輸入信息的計算，得到神經(jīng)細胞的輸入，比較輸入與閾值θi，利用作用函數(shù)h來進行轉(zhuǎn)換，最后產(chǎn)生輸出信息yi。神經(jīng)元的輸入-輸出公式為

yi=h(aijxj+θi)

(8)

1.7 模型的評價

采用誤差矩陣即混淆矩陣對分類模型進行評價。它通過對已經(jīng)進行歸類的某種類型樣品數(shù)量與實際記錄的這個類型樣本數(shù)量進行比較的方法，來對模型的分類結(jié)果進行評價，適合對樣品分類的準確度進行測評。通過模型進行分類而產(chǎn)生的類別信息被當作混淆矩陣中的行，實際的數(shù)據(jù)信息被當作混淆矩陣中的列，表2為典型的混淆矩陣的形式。

表2 混淆矩陣Tab.2 Confusion matrix

表2中，大小為m×m的方陣是混淆矩陣的主體部分，m代表高光譜圖像上物體類別的數(shù)量，Xi,j指的是在混淆矩陣第i行第j列的樣本數(shù)量,Xi+指的是被劃分為類型i的樣本總個數(shù)，X+j指的是在實際數(shù)據(jù)里類型j的樣本總個數(shù)。

生產(chǎn)者精度(Product’s accuracy, PA)指特定類別中被正確歸類的樣本數(shù)量與此類別的總個數(shù)之比；用戶精度(User’s accuracy, UA)指樣品歸類完成后，在特定類別中被正確歸類的樣本數(shù)量與分為此類別的總數(shù)量之比[19]，其計算方程為

(9)

(10)

總體分類精度[20](Overall accuracy,OA)是指分類結(jié)果中被正確分類的樣本數(shù)與各類別樣本總數(shù)的比值，反映了分類結(jié)果與真實參考類型一致的概率。由混淆矩陣中主對角元素和總體樣本的個數(shù)N計算得到，公式為

(11)

2 結(jié)果與分析

2.1 注水肉與正常肉的光譜分析

按上述方法對每一個樣本進行高光譜掃描，圖4為所有樣本感興趣區(qū)域(ROI)的反射率光譜曲線。為更清晰地對注水肉與正常肉光譜進行觀察和分析，分別計算并繪制出注水肉和正常肉的平均反射光譜曲線，結(jié)果如圖5所示。

圖4 樣本的反射光譜曲線Fig.4 Reflectance spectrum of sample

圖5 平均光譜曲線Fig.5 Average spectral curves

從圖4可以觀察到，雖然注水肉和正常肉在358～1 021 nm波段內(nèi)有著相似的曲線趨勢，都是在370、480、680、810 nm附近有顯著的波峰。但從圖5可以看出，二者之間也有十分明顯的區(qū)分性，即總體而言，注水肉的反射率要明顯高于正常肉的反射率。這很可能是由于注水肉的含水率高，造成反射強度大。由于含水率的差異性，光譜曲線呈現(xiàn)出顯著的差異性，為實現(xiàn)通過光譜對注水肉進行識別提供了科學(xué)依據(jù)。

2.2 特征波段的提取及頻譜特征參數(shù)的計算

采用相關(guān)系數(shù)權(quán)重法進行特征波長提取，得到波長與相關(guān)系數(shù)的變化曲線如圖6所示。

圖6 相關(guān)系數(shù)隨波長變化曲線Fig.6 Regression coefficient diagram

信息含量多的部分多表現(xiàn)在各波段對應(yīng)的相關(guān)系數(shù)絕對值大的部分，因此，選擇相關(guān)系數(shù)曲線的極大值點為特征波長點，得到40個特征波長，分別為359、366、368、370、388、392、396、405、408、507、511、540、567、700、702、706、711、715、718、720、727、730、740、784、786、789、807、810、813、814、816、819、821、834、866、918、1 006、1 009、1 013、1 018 nm。

對每個樣本數(shù)據(jù)采用多元散射校正方法預(yù)處理后進行頻譜分析，計算出每個樣本的頻譜特征參數(shù)，得到正常豬肉和注水豬肉兩種肉類的頻譜圖如圖7所示。

圖7 頻譜分析圖Fig.7 Spectral analysis diagram

從兩幅頻譜分析圖可以看出，正常肉的幅值主要在0.2～0.8之間，注水肉的幅值則主要分布在0.2～0.5之間，二者之間有一定的差異，但差別并不明顯。

將358～1 021 nm之間的616個波長進行等間隔分段，以28個波長為1段，一共分為22段。然后進行每一段波長頻譜特征參數(shù)的最小值、最大值、平均值和標準差的統(tǒng)計計算，得到22個波段內(nèi)的88個特征參數(shù)。再將圖7中每個樣本在各個頻率段內(nèi)的幅值進行求和，得到每個樣本的頻譜特征參數(shù)。所有特征集合如表3所示。

表3 樣本的特征集合Tab.3 Set of features of sample

2.3 分類模型建立

2.3.1支持向量機法

將試驗樣本按3∶1的比例分為標準訓(xùn)練集和測試集。分別將616個全光譜、40個特征光譜和88個頻譜特征參數(shù)輸入SVM模型，對模型進行訓(xùn)練后，再以測試集對模型進行驗證，計算出分類精度，結(jié)果如表4所示。

表4 SVM模型的識別結(jié)果Tab.4 SVM model recognition results

從表4可以看出，基于頻譜特征參數(shù)建立的支持向量機分類識別模型具有最優(yōu)的分類識別效果，正確識別率可達96.4%。而采用全光譜的分類效果最差，正確識別率只有84.5%。

2.3.2神經(jīng)網(wǎng)絡(luò)模型分類結(jié)果

由于樣本數(shù)量不足，采用K折交叉驗證法BP神經(jīng)網(wǎng)絡(luò)進行模型訓(xùn)練和驗證，用K個結(jié)果的平均值來衡量模型的好壞。本試驗將樣本隨機分成7份，每次選擇6份作為訓(xùn)練集，剩下的1份作為測試集，共進行7次輪回后算出平均識別結(jié)果作為該模型的最終識別結(jié)果，如表5所示。

從表5可以看出，不論是全光譜輸入、特征光譜輸入還是頻譜特征輸入，BP神經(jīng)網(wǎng)絡(luò)模型都有較好的分類結(jié)果，其中，基于頻譜特征參數(shù)建立的BP神經(jīng)網(wǎng)絡(luò)分類識別模型具有最優(yōu)的分類識別效果，正確識別率可達98.8%，明顯優(yōu)于支持向量機分類識別模型。

表5 BP神經(jīng)網(wǎng)絡(luò)模型識別結(jié)果Tab.5 BP model recognition results

3 結(jié)論

(1)在3種基于高光譜分析的注水肉識別方法中，利用頻譜特征分析進行注水肉識別的效果優(yōu)于其他處理方法，說明頻譜特征是區(qū)別注水肉和正常肉的主要特征。

(2)在2個分類識別模型中，與SVM模型的分類精度相比，BP模型的識別效果更好，以頻譜特征參數(shù)為輸入的BP神經(jīng)網(wǎng)絡(luò)模型，可以達到最佳分類識別效果。因此，可采用基于頻譜特征參數(shù)的BP模型對注水豬肉進行快速檢測識別。