基于多光譜圖像技術的冷鮮羊肉新鮮度檢測

馬嬌妍 ，曹希越 ，韓憲忠，王克儉，淑英，王媛

1.河北農業大學（保定 071000）；2.國家羊肉加工技術研發專業中心-衡水志豪畜牧科技有限公司（衡水 053000）

羊肉味道鮮美，既能抵御風寒又可補身體，隨著羊肉銷量逐漸增加[1]，消費者對羊肉品質的要求越來越高，食品安全問題受到關注[25]。冷鮮肉在4 ℃下進行儲藏，和家用冰箱溫度相符。在冷藏期間肉類的新鮮度會隨著時間增加而變化，經研究發現，揮發性鹽基氮（TVB-N）[14]在腐敗過程中使蛋白質分解并產生化學物質，這種物質對肉類營養價值造成很大影響，pH是肉類最基本的檢測指標，可作為反映肉類新鮮程度的主要指標。目前該項工作的重點任務，一是原料肉品質提升技術：通過改善飼料品質、加強飼養管理、減少農獸藥殘留等技術，提供優質原料肉；加強宰前管理，減少宰前應激，利用宰后排酸成熟技術，肉品摻假技術檢測，保障原料肉品品質。二是加工過程控制技術：利用腌制、滾揉、凍結等技術，研究發色劑、品質改良劑等作用，開發出羊肉調理制品。三是產品質量控制技術：研究天然保鮮劑、包裝技術，利用數學模型推測肉中微生物變化，以延長產品貨架期。任務目標為：以河北省羊肉品牌“愛揚”為中心，打造“愛揚”系列羊肉調理制品。

冷鮮羊肉儲藏期間依據傳統的檢測方法例如各種感官判定、理化分析等，耗費時間長、有損害，依據如今快節奏的生活發展，需要找一種快速、精準、無損傷的檢測方法[2,26]。2016年，汪明輝[13]檢測標準有通過腐敗分解產物特異性和數量變化進行分析，采用神經網絡進行建模，從而預測肉類的新鮮度。近些年，新鮮度檢測更傾向于檢測TVB-N[11]，利用高光譜成像技術[8,22]、近紅外光譜[16,24]、多光譜技術[6]等在進行肉品新鮮度快速無損檢測。2017年，姜新華[4]從不同理化成分和微生物的變化進行檢測，通過對4種指標建立新鮮度等級劃分，發現在新鮮度的建模上采取BP網絡進行分類的精度更高。趙晶等[9]針對橫山羊肉在不同儲藏溫度下進行羊肉DNA質量的變化，發現不同溫度下貯藏新鮮度不同，理化性質也隨著時間的延長，發生不同程度的變化。但是沒有檢測pH、TVB-N對羊肉品質方法的影響。

多光譜成像技術（300～1 700 nm）[12,15]具有精度高、分辨率高等特點，利用光譜技術可通過光譜數據對肉類指標進行定量分析。但近幾年在冷鮮羊肉預測與分級方面的研究仍不足，依據市場研究調查，大多數消費者采用冷鮮的方式較多，因此有必要開展對冷鮮羊肉新鮮度的快速檢測研究。

選取樣品為冷鮮羊肉，采取部位是羊里脊，基于多光譜技術在羊肉檢測的應用，將光譜數據利用不同預處理方法[3,5]提高建模性能，通過建立偏最小二乘模型選取最優預處理方法，建立光譜數據的偏最小二乘[17]、灰色馬爾科夫[18]、邏輯回歸的預測模型[19]和KNN[10]分級模型，選取最優模型，為相關研究提供參考。

1 材料與方法

1.1 材料

試驗時間為7～8月，樣品取自河北省保定市某屠宰場，主要取自2歲左右小尾寒羊的羊里脊部位，將脂肪剔除后，把購買的肉用保鮮膜包裝，放入4 ℃冰箱中進行冷藏。將采買后的肉按照每份20 g（大小約30 mm×25 mm×6 mm）與10 g（大小約25 mm×20 mm×5 mm）進行切塊，共80份，其中40份是用于檢測TVB-N，40份用于檢測pH。將分好的樣本儲藏在溫度4 ℃冰箱中，每天取出3個樣本進行檢測，進行光譜檢測，再用化學方法檢測TVB-N含量與pH，到羊肉變質時結束試驗。

1.2 儀器與設備

多光譜圖像采集系統為海洋光學的微型光譜儀NQ512-1.7、NQ51B0844（光學分別率3.1 nm FWHM w/25 μm狹縫，波長范圍320～1 700 nm，數據獲取源于Oceanview軟件，光源為HL-2000系列鹵鎢光源，Ocean Optics（Shanghai）Co.，Ltd.）。

1.3 方法

1.3.1 多光譜圖像采集

由于羊肉的脂肪部分對光譜的反射會有影響，故將樣本中羊肉多余的脂肪與筋膜剔除掉。整個光譜檢測的過程均在暗箱中完成，采集前需要將儀器預熱30 min，把羊肉放在載物臺上進行掃描，采集時需要設置好積分時間與移動速度。試驗設置積分時間100 ms、滑動平均寬度3、平均掃描次數15，經過黑白校正后的反射率在電腦上自動顯示，每次掃描10個點，每次采集后取平均光譜作為參考光譜。

1.3.2 pH與TVB-N的測定

按照GB 5009.237—2016《食品安全國家標準 食品pH值的測定》測定pH[20]；按照GB/T 5009.44—2003《肉與肉制品衛生標準的分析方法》測定TVB-N含量[21]，采用半微量定氮法。

1.3.3 多光譜數據預處理

采用MATLAB與SPSS軟件進行數據預處理并進行特征波長提取操作，采用一階導、二階導、標準正態、矢量歸一化、小波變換這5種數據預處理方法，對羊肉的pH與TVB-N的原始全波段光譜進行預處理?；赑LSR模型基礎上將原始光譜數據與預處理方法進行對比。預測模型用均方根誤差（δRMSE）、相關系數（R）進行判別。

1.3.4 模型建立

試驗采用PLSR、灰色馬爾科夫、logistics這3種模型建立冷鮮羊肉的預測模型及分級模型，分級模型采用K近鄰（KNN）算法[7]與PLSR算法，根據國家標定的新鮮度分級標準，將冷鮮羊肉分為“新鮮”“次新鮮”“變質”，兩者用識別率進行比較，選取最優模型。針對光譜數據與建模算法的處理采用MATLAB R2016a軟件進行處理。

2 結果與討論

2.1 多光譜反射率曲線分析

對冷鮮羊肉樣品的光譜數據進行采集，得到的光譜曲線如圖1所示。

光譜儀器在掃描過程中不同區域的反射率不同，其中，冷鮮羊肉的反射率在450～500 nm波段，光譜反射率偏高，540～680 nm波段，光譜反射率偏低。反射率在9～45之間部分的為新鮮羊肉反射率，50以上部分為次新鮮反射率，9以下為變質羊肉反射率，差異性還是明顯可區分的，為冷鮮羊肉的新鮮度判別提供可靠信息。

在可見光區域中，由于羊肉的化學成分有所差異，產生的近紅外吸收基團都是C—H、N—H、O—H等含氫基團，且可見光波段的反射顏色隨時間的變化由鮮紅色變為暗紅色，反射率就會不同，所以在光譜上會呈現不同差異。

圖1 冷鮮羊肉原始光譜曲線圖

2.2 pH與TVB-N結果分析

平均pH隨儲藏時間的變化趨勢如圖2所示。

隨著冷藏時間變長，pH呈現先下降后上升趨勢，這是由于羊肉受體內微生物生長，肌肉中的物質酵解會對pH產生影響。但整體趨勢呈上升趨勢，意味著羊肉在逐漸變質。

由圖3可以得知，隨冷藏時間增加，TVB-N含量不斷增加，證明羊肉在不斷變質。

圖2 pH隨冷藏天數的變化

圖3 TVB-N含量隨冷藏天數的變化

2.3 數據預處理方法的選擇

光譜采集系統放置于暗箱中，用于減少外界光源的干擾，另外有一臺計算機連接光譜儀，用于獲取光譜掃描后的數據。由于多光譜檢測之后的數據量太大，檢測時會受到周圍環境、測量條件等多方面因素的影響，取得的數據存在無用信息與噪聲，會對后期建立預測模型與分級模型造成影響，為降低干擾、提高信噪比，所以需要對數據進行處理。

不同顏色代表不同時間的光譜反射率。從圖4中得知，冷鮮羊肉光譜數據和TVB-N、pH建立的偏最小二乘模型，二階導的處理性能最優，可以減少較多光線與噪聲的干擾，可以提高光譜與TVB-N、pH之間的線性關系。

從圖4中不同預處理和原始光譜的對比可以得出，經過數據預處理后的數據去除了噪聲與無關信息的干擾，從中提取出有用并且準確的數據信息。

二階導進行數據預處理的方法是為了減少不同數據組分之間的相互干擾，經過處理后的光譜數據可以放大光譜中微弱的有用信號。表1是5種預處理方法基于偏最小二乘模型下得到的冷鮮羊肉回歸模型結果。

經過二階導處理后的光譜曲線的波段范圍在600～1 000 nm，R=1.001 3，δRMSE=1.378 9，可以較好預測冷藏期間的羊肉新鮮度。

圖4 不同數據預處理結果

表1 不同數據預處理評價結果

2.4 建模方法及建模結果的比較分析

不同建模方法對數據得出的效果不同。采用偏最小二乘（PLSR）、灰色馬爾科夫、logistic模型與TVB-N、pH進行模型的建立，并進行分析與比較，用R、δRMSE作為評價模型的指標，從而確定最優模型。

偏最小二乘建?？梢圆檎倚迈r度指標與光譜反射率之間的關系，原理是將自變量數據矩陣x（光譜反射率）與因變量數據矩陣y（新鮮度指標pH、TVB-N）構成數據表X、Y，從中提取能夠代表各自表中變異信息的成分t1、u1，并且兩成分的相關性強，建立X對t1的回歸、Y對u1的回歸，不斷迭代直到達到精度要求為止，進行殘差矩陣對提取出的m個t1進行回歸，變為Y對x的回歸方程。具體建模步驟為

1) 將自變量新鮮度指標{x1,x2,...,xp}，因變量光譜反射率{y1,y2,...,yq}進行數據標準化，得到標準化變量矩陣E0和標準化列向量f0。

2) 從標準化變量矩陣中提取第一個成分，并經E0和f0在t1上的回歸。并在此基礎上提取第二個成分，不斷迭代。

3) 實施f0對t1,t2,…,tm的回歸：=r1t1+r2t2+…+rmtm寫成xj（j=1,…,p）形式。

在得到回歸方程后就可對模型進行檢驗，用判定系數R與均方根誤差δRMSE進行模型判定，相關系數越接近1越好，與此同時均方根誤差越小越好。

式中：n是樣本數，個；yi為第i個樣本的實際值；為第i個樣本的預測值；是所樣本的平均值；R是采用PLS主成分數。

灰色馬爾科夫建模方法主要是根據狀態轉移變化，計算初始狀態轉移概率矩陣并進行預測，最終得到預測出的新鮮度指標，適用于數據較少、變化浮動不是很大的時間序列。

logistics模型可以說是線性回歸的優化，可以實現多重回歸，對不連續因變量的回歸可以有效地進行求解，把在線性回歸中離散的點的反射率映射到0到1之間，由直線變為曲線可以更好地對新鮮度指標進行預測。

2.4.1 TVB-N建模結果

采用PLSR方法進行模型的建立，其中R與δRMSE分別是0.983 5和1.599 7，均高于灰色馬爾科夫模型與logistics模型。

圖5為基于TVB-N與光譜數據的冷鮮羊肉預測模型，左圖為邏輯預測模型，右圖的PLSR預測模型，對比可得，右圖為PLSR模型預測效果最優。基于TVB-N與光譜數據的預測模型的結果如表2所示。

偏最小二乘（PLSR）適合自變量的情況下進行回歸并建立模型，并且適合樣本個數少于變量數的條件下建模，模型中的以光譜反射率作為擬合的自變量，pH與TVB-N為應變量。根據判別系數建立PLSR預測模型的相關系數達到0.983 5，效果均高于灰色馬爾科夫與logistics模型。

圖5 基于TVB-N與光譜數據的冷鮮羊肉預測模型

表2 基于TVB-N與光譜數據不同模型預測結果

2.4.2 pH建模結果

基于pH與光譜數據預測模型如圖6所示。

在預處理后的數據分別采用邏輯模型、PLSR模型進行預測，結果表明圖6中右圖效果最優。

圖6 基于pH與光譜數據的冷鮮羊肉預測模型

由表3可知，采用PLSR方法進行預測模型建立，其中R與δRMSE分別是0.997 3和0.038 3，均高于灰色馬爾科夫模型與logistics模型。

表3 基于pH與光譜數據不同模型預測結果

2.5 分級模型的比較

試驗在基于TVB-N預測模型的基礎上對冷鮮羊肉進行分級模型的建立。根據國標可知，肉中TVB-N＜ 15 mg N/100 g時為新鮮，15～25 mg N/100 g為次新鮮，＞25 mg N/100 g為變質。從圖2中可以發現在前2和3 d時冷鮮羊肉處于新鮮狀態，在第13天之后已經變質。

k近鄰分類算法是將在特征空間中的k個最相似的樣本中的大多數分為一類。新鮮度的劃分按照規定分為3類，類別較少適用于KNN算法。算法采用歐氏距離方法，通過已知類別的點與當前點的距離，選擇出與當前距離最小的k個點并確定前k個點所在類別的出現概率，跟出現頻率最高類別作為當前點的預測分類。

分級模型采用的是k近鄰模型（KNN）與PLSR模型進行分級，將羊肉分為3類：新鮮、次新鮮、變質，分別用0，1和2表示。由結果可以得出KNN算法在k值為2時識別率最高，可達到90%，PLSR的識別率為80%，顯然KNN的分級效果優于PLSR和logistics的分級結果。結果如表4所示。

表4 PLSR分級結果

3 結論

對新鮮度指標pH與TVB-N含量的變化進行規律總結與分析，通過不同預處理方法利用偏最小二乘方法進行預測模型建立，得到羊肉pH和TVB-N含量的最優光譜預處理方法：二階導，在此基礎上進行PLSR、logistics、灰色馬爾科夫預測模型建立，并選出最優建模方法，均為PLSR，pH最優模型的R、δRMSE分別為0.997 3和0.038 3，TVB-N最優模型的R、δRMSE分別為0.983 5和1.599 7，預測結果很好。KNN模型、logistics與PLSR算法進行冷鮮羊肉分級模型的建立，結果表明KNN分級結果最準確，識別率可達99%。因此，利用多光譜技術的冷鮮羊肉新鮮度分析與分級可行。