基于不同預處理高光譜信息的雞肉滴水損失率快速預測研究

何鴻舉,王洋洋,王 魏,王 慧,馬漢軍,2,陳復生,王玉玲,朱明明,趙圣明

(1.河南科技學院食品學院,河南新鄉 453003;2.河南科技學院博士后研發基地,河南新鄉 453003;3.河南工業大學糧油食品學院,河南鄭州 450001;4.河南科技學院生命科技學院,河南新鄉 453003)

作為僅次于美國的雞肉生產和消費大國,我國雞肉產量年平均增長率保持在8%左右,占肉類產品的15%,2019年我國肉雞生產量約為1200萬t,消費量約為1190萬t[1]。雞肉具有脂肪含量低、膽固醇含量低、蛋白質營養價值高、容易消化、價格低廉等特點[2],同時,雞肉含有對人體生長發育重要的多種礦物質(如K、Na、Ca、Fe等)以及各種必需氨基酸,湯汁滋味鮮美,深受消費者青睞[3]。

雞肉品質的優劣關乎廣大消費者的飲食是否健康、安全,因此加大雞肉品質的監管力度十分必要。雞肉品質常通過色澤、剪切力、保水性、pH、硫代巴比妥酸值等進行評價[4]。其中,保水性是指雞肉在一定壓力下保持自身原有水分和從外界攝取水分的能力,是影響雞肉貯存時間、商家經濟利益的重要因素。滴水損失率是反映雞肉保水性的指標之一,滴水損失率越低,說明雞肉的保水性越好,品質越高[5]。傳統檢測滴水損失率的方法主要以理化檢測為主,操作簡便、但需破壞樣品,且無法實現實時、現場、批量的快速檢測[6]。

1 材料與方法

1.1 材料與儀器

雞胸肉 由河南眾品食業股份有限公司提供。

HSI-eNIR-400-1700高光譜成像系統 上海五嶺光電科技有限公司;XY1000C電子天平 常州市幸運電子設備有限公司;冰箱 青島海爾集團;Unscrambler v9.7軟件 挪威CAMO公司。

1.2 實驗方法

1.2.1 樣品準備 將河南眾品食業股份有限公司提供的冷鮮雞胸肉當天運至肉品實驗室,在無菌超凈工作臺上經過簡單修整后,人工分割成3 cm× 3 cm× 1 cm的立方體小塊,共獲得76個樣品(初始含水量為70.52%～76.73%)。將雞肉樣品置于一次性保鮮盒中,分裝、編號,0～4 ℃儲藏,待用。

1.2.2 光譜信息采集 試驗前先打開高光譜儀器預熱約30 min,使高光譜成像系統達到穩定[13]。同時,為了減少系統誤差,需利用系統自帶軟件Spectral Image-NIR進行系統校正,通過測試確定曝光時間為4.10 ms,移動平臺速度為6.56 mm/s,檢測波長范圍為900～1700 nm。試驗開始,將待測雞肉樣品從冰箱中取出放至室溫,然后將雞肉樣品置于高光譜系統的載物臺上,打開Spectral Image-NIR軟件掃描,獲取雞肉樣品的高光譜圖像。為了消除光源強度分布不均、暗電流以及樣品自身性質的差異等對樣品圖像造成的影響,需對采集的原始高光譜圖像進行黑白校正轉化為校正圖像[14],按以下公式(1)進行:

式(1)

式中:R為校正圖像,R0為采集的原始圖像,RB為全黑圖像,RW為全白圖像。

圖像校正完成后,利用系統自帶軟件HSI Analyzer提取校正圖像感興趣區內的每個像素點的光譜信息并做平均,結果每個雞肉樣品獲得一條平均光譜信息。

1.2.3 滴水損失率測定 參考Honikel[15]的測定方法,樣品采集過光譜信息后,立即將其置于電子天平上稱量,記錄原始重量為M1。稱重后,將肉樣穿線放到充氣的保鮮袋中,在0～4 ℃的冷藏室中懸掛24 h,再次稱重,記錄數值為M2。根據兩次稱重數值之差可獲得每個樣品的滴水損失率,計算公式如下:

式(2)

1.2.4 光譜信息預處理 光譜預處理可以有效減弱環境、高光譜系統自身所帶來的負面影響,以及樣品本身存在的差異,同時可提高模型的穩定性。本試驗采用基線校正(Baseline Correction,BC)、標準正態變量校正(Standard Normal Variable Correction,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)、高斯濾波平滑(Gaussian Filter Smoothing,GFS)、歸一化校正(Normalization Correction,NC)五種方法進行光譜預處理。BC預處理可以有效抑制基線漂移造成的誤差[16],SNV預處理主要用來消除樣品表面散射和光程變化的影響[17],MSC用來校正由于樣品表面分布不均產生的光譜散射[18],GFS預處理是通過加權求平均以提高信噪比[19],NC預處理可以減弱各個樣品之間的差異引起的誤差[20]。

1.2.5 模型構建及性能評價 本文采用偏最小二乘(Partial Least Squares Regression,PLSR)建立光譜信息與測量指標(如本試驗中的滴水損失率)之間的定量關系,目前已被廣泛應用于數據統計中[21]。PLS在消除變量多重相關性方面有很大優勢,能夠識別噪音等無用信息,可以提高模型的穩定性和預測性能[22]。本試驗構建的PLSR模型性能通過相關系數(rP、rCV、rP)、均方根誤差(RMSEC、RMSECV、RMSEP)、剩余預測偏差RPD和魯棒性ΔE(RMSEC和RMSEP之差的絕對值)等進行評價。

1.2.6 最優波長篩選及模型優化 高光譜成像系統獲取的樣品光譜信息量大,本試驗采集的900～1700 nm范圍內有486個波長,其中不止含有對模型有用的信息,同時也包含有干擾信息,因此需要篩選出對模型穩定性和精度影響較大的波長即最優波長,來優化模型,提高模型的預測性能[23]。本試驗分別采用回歸系數法(Regression Coefficient,RC)[24]、連續投影算法(Successive Projections Algorithm,SPA)[25]和逐步回歸法(Stepwise)[26]篩選最優波長。然后基于這三種方法選取的最優波長建立PLSR模型和多元線性回歸(Multiple Linear Regression,MLR)模型。

1.3 數據處理

PLSR模型和MLR模型構建以及RC法篩選最優波長在軟件Unscrambler v 9.7中進行,SPA法和Stepwise法篩選最優波長在MATLEB R2016a中進行。

隨著新生兒重癥監護病房(neonatal intensive care unit，NICU)收治的新生兒數量逐年的增加，尤其是危重癥患兒的增多，使得使用機械通氣的患兒也不斷增加，機械通氣是搶救危重新生兒的重要手段。目前，呼吸機在NICU的有效應用，顯著提高了危重新生兒的搶救成功率，同時機械通氣所導致的并發癥—呼吸機相關性肺炎(ventilator associated pneumonia，VAP)又是導致醫院感染，延長住院時間，增加住院費用，導致醫療成本上升的主要因素之一。VAP是機械通氣治療后的一種嚴重并發癥，發病率高達9% ～70%;而VAP

2 結果與分析

2.1 肉樣滴水損失率測量結果

將76個雞胸肉樣品滴水損失率測量值按照升序的方式排列,每4個測量值中取1個值劃入預測集(19個),剩余的測量值劃入建模集(57個),具體兩個集合測量值統計結果如表1所示:

表1 校正集和預測集樣品雞肉滴水損失率統計結果Table 1 Statistical results of drip loss rate in chicken samples in calibration set and prediction set

2.2 雞肉樣品的平均光譜特征

通過高光譜系統的HSI Analyzer軟件獲取的76個樣品的原始平均光譜特征以及經過五種不同方法預處理的平均光譜特征如圖1所示。

由圖1可知,在900～1700 nm波長范圍內,雖然預處理方法不同,但是六種光譜中的光譜特征整體走勢基本趨于一致。光譜中吸收峰位置高低略有不同,這是由于每個肉樣的化學成分含量存在一定差異所致。此外,觀測到在980、1200 nm處有明顯的吸收峰,這分別源于肉樣組分中O-H鍵的倍頻吸收和O-H鍵的合頻吸收;在1450 nm處有很弱的吸收峰,這也源于O-H鍵的倍頻吸收[27]。

圖1 雞肉的平均光譜特征Fig.1 Average spectral characteristics of chicken注:a:原始光譜;b:BC光譜;c:SNV光譜;d:MSC光譜;e:GFS光譜;f:NC光譜。

2.3 基于全波段光譜預測雞肉滴水損失率結果

基于不同預處理的900～1700 nm范圍內486個波長,建立雞肉滴水損失率的全波段PLSR預測模型,結果如表2所示。

表2 雞肉滴水損失率全波段PLSR回歸預測結果Table 2 Results of full band PLSR models for predicting drip loss rate of chicken samples

由表2可以看出,基于原始光譜和五種不同預處理光譜構建的6種PLSR模型預測雞肉滴水損失率效果均良好,潛變量個數在8～10之間,相關系數(rC、rCV、rP)均在0.90以上,均方根誤差均較小(RMSEC、RMSECV、RMSEP),在0.23%～0.39%之間,RPD值在2.29～3.07之間。其中,基于BC光譜構建的BC-PLSR模型使用的潛變量更少(9),rP最大(0.95),RMSEP最小(0.29%),同時RPD最大(3.07),ΔE最小(0.024),預測雞肉滴水損失率效果最好。簡言之,基于900～1700 nm光譜信息構建PLSR模型可實現雞肉滴水損失率的快速預測。

2.4 最優波長篩選結果

鑒于BC光譜構建PLSR模型預測雞肉滴水損失率效果最好,本試驗基于BC光譜篩選最優波長,以提高建模效率,采用RC法、SPA法和Stepwise法篩選最優波長,結果如表3所示,這三種方法從BC光譜中篩選出的最優波長數量分別為17個、14個和19個,波長減少量均在96%以上。

表3 篩選最優波長結果Table 3 Results of optimal wavelength selection

2.5 基于最優波長的PLSR模型預測雞肉滴水損失率結果

表4 基于最優波長的PLSR模型預測雞肉滴水損失率結果Table 4 Results of drip loss rate prediction in chicken samples by PLSR models based on optimal wavelengths

由表4可知,基于RC、Stepwise和SPA三種方法從BC光譜中篩選的最優波長建立的3種PLSR模型(RC-BC-PLSR,SW-BC-PLSR和SPA-BC-PLSR)預測雞肉滴水損失率效果均良好。相比之下,SW-BC-PLSR模型使用的波長數最少(14個),但其相關系數(rC、rCV、rP)均最大、均方根誤差(RMSEC、RMSECV、RMSEP)均最小,RPD值最大(3.82),ΔE值最小(0.0012),具有更好的精度和魯棒性,預測雞肉滴水損失率效果最好。

與BC-PLSR模型相比,RC-BC-PLSR模型和SW-BC-PLSR模型預測雞肉滴水損失率精度有所提高,而SPA-BC-PLSR模型預測雞肉滴水損失率精度有所下降,說明基于RC法和Stepwise法篩選的最優波長更適合優化BC-PLSR模型。其中,基于Stepwise法優化效果最好。

2.6 基于最優波長的MLR模型預測雞肉滴水損失率結果

當波長數量(14～19)少于樣品數量(76)時,也可使用MLR算法構建模型預測樣品指標[28]。基于RC、Stepwise和SPA三種方法從BC光譜中篩選的最優波長建立的3種MLR模型(RC-BC-MLR,SW-BC-MLR和SPA-BC-MLR)預測雞肉滴水損失率結果如表5所示。三種MLR模型預測效果均良好,其中SW-BC-MLR模型效果最好(rC=0.97、RMSEC=0.22%、rP=0.97、RMSEP=0.22%、RPD=4.19、ΔE=0.0036)。

表5 基于最優波長的MLR模型預測雞肉滴水損失率結果Table 5 Results of predicting drip loss rate of chicken samples by MLR models based on optimal wavelengths

SW-BC-MLR模型和SW-BC-PLSR模型對比,預測雞肉滴水損失率效果相似,表明基于900～1700 nm光譜范圍內的14個最優波長(900.6、903.8、905.5、907.1、917.0、997.7、1162.2、1272.4、1354.8、1369.6、1410.8、1425.6、1584.1和1695.1 nm)構建MLR模型也可實現雞肉滴水損失率的快速預測。

3 結論

試驗通過挖掘5種不同預處理(BC、SN、MSC、GFS、NC)的900～1700 nm高光信息與雞肉滴水損失率之間的定量關系。采用PLSR算法建立486個波長的PLSR模型預測雞肉滴水損失率,其中基于BC光譜建立的BC-PLSR模型預測效果最好(rc=0.95、RMSEC=0.27%、rP=0.95、RMSEP=0.29%、RPD=3.07、ΔE=0.024)。采用RC、Stepwise和SPA三種方法從BC光譜中篩選最優波長優化BC-PLSR模型,結果顯示基于Stepwise法篩選的14個最優波長(900.6、903.8、905.5、907.1、917.0、997.7、1162.2、1272.4、1354.8、1369.6、1410.8、1425.6、1584.1和1695.1 nm)建立的SW-BC-PLSR模型預測雞肉滴水損失率效果最好,基于這14個波長建立的SW-BC-MLR模型和SW-BC-PLSR模型預測效果相近。表明基于900～1700 nm光譜信息構建PLSR模型和MLR模型均可實現雞肉滴水損失率的快速預測。