基于高光譜成像技術的冷鮮羊肉嫩度檢測方法研究

于洋， 張玨,2， 田海清*， 王迪， 王軻， 張紅旗

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

隨著生活水平提高，消費者對肉制品需求逐漸多樣化。羊肉作為主要肉制品之一，因其富含維生素及微量元素得到了越來越廣泛的認可，需求量也逐漸增加[1-2]。內蒙古錫林郭勒羊肉作為自治區特色品牌，具有肉質細嫩、味道鮮美和易消化等優點，被廣大消費者所喜愛。目前，肉類產品主要以冷藏的方式保持其品質，以冷鮮羊肉為例，通常放置于0～4 ℃環境中，從而達到抑制細菌繁殖、保持肉質品質的目的[3]。羊肉嫩度是鑒別羊肉品質的重要指標，傳統檢測方法分為感官評價和機械評定。感官評價是依靠人為咀嚼品嘗，主觀性和隨意性較強；機械評定常采用質構儀測量剪切力，通過剪切模擬牙齒咀嚼羊肉的過程，該評價方法需破壞肉品，檢測過程繁瑣且耗時[4]。

高光譜成像技術基于傳統光譜和成像，融合光電子和計算機技術，能同時獲取被測物的圖像和光譜信息，全面反映出樣品內外品質特征,具有檢測速度快、不破壞樣品的優點，在食品檢驗方面被廣泛應用[5-7]。馬世榜等[8]采用MSC(multi-plicative scatter correction)和Savitzky-Golay平滑方法對光譜數據進行處理，再分別建立嫩度線性判別模型和SVM分類模型，結果表明，該方法可對牛肉嫩度快速無損判別。趙娟等[9]基于遺傳算法(genetic algorithm，GA)選出牛肉嫩度的特征波段，分別建立支持向量機(support vector machine，SVM)和線性判別(linear discriminant analysis，LDA)的嫩度等級判別模型，研究結果證明，基于高光譜圖像紋理特征分析可以建立牛肉的嫩度判別模型。陳全勝等[10]利用主成分分析法提取豬肉高光譜6個主成分因子，基于反向傳播神經網絡(BP-ANN)建立豬肉嫩度評判模型，模型校正率為96.15%。Naganathan等[11]采集屠宰后14 d的牛排背脊部位的高光譜圖像信息，依據牛排嫩度類型與紋理特性關系建立嫩度預測模型，其預測率為94.6%。上述研究利用高光譜成像技術對肉類嫩度進行判別，處理方法較單一化，且較少利用高光譜和圖像信息特征層融合方法對冷鮮羊肉嫩度進行檢測。因此，本研究擬基于高光譜和圖像信息特征層融合方法對冷鮮羊肉嫩度進行檢測。

BP神經網絡具有自學習、自適應和容錯能力強等優點，支持向量機解決回歸類問題較理想，兩種方法都具有較強的泛化能力。因此，本研究利用可見光-近紅外高光譜成像技術(400～1 000 nm)獲得冷鮮羊肉表面反射光譜和圖像數據，通過研究0～4 ℃件下不同貯藏天數冷鮮羊肉的嫩度變化，探討嫩度與圖譜融合信息的相關性，并建立羊肉嫩度的BP神經網絡和支持向量機預測模型，實現高光譜成像技術對冷鮮羊肉嫩度的快速檢測。

1 材料與方法

1.1 試驗樣本制備

供試樣品為內蒙古錫林郭勒羔羊肉，購自內蒙古呼和浩特市某清真鮮肉市場，均為現殺且一次性購買，部位為羊里脊肉，將羊肉樣品放在低溫冷藏箱內迅速送至實驗室。將試驗樣本置于操作臺上，并用無菌刀剔除表面筋膜和脂肪，盡量讓樣品表面平整。制作試驗樣品120個，尺寸約為60 mm×60 mm×30 mm，用自封保鮮袋密封后逐個編號，無擠壓地放在4 ℃環境中貯藏，每隔24 h取出15個樣本，分別采集光譜信息并測量剪切力。

1.2 高光譜圖像采集

高光譜成像系統(ImSpector N25E)購自臺灣五鈴光學股份有限公司，主要由光譜相機、鹵素燈(model 3900-ER，21 V/150 W)、移動平臺(IRCP0076-1 COM，TaiWan)和計算機(DELL Inspiron 14R-5437)等組成，如圖1所示。其中，相機的光譜分辨率為2.8 nm，鹵素燈對稱分布在被采集區域上方50 cm處，與移動平臺成45°，以保證光源均勻分布。通過預試驗得出最佳系統參數：相機曝光時間2.1 ms，采樣時間間隔60 s，被掃描區域的實際長度210 mm，實際寬度80 mm。

注：1—光譜儀；2—鏡頭；3—鹵素燈；4—移動平臺；5—肉樣；6—光源控制器；7—計算機。

圖像采集前設置系統參數，并調節鏡頭焦距和光圈，使鏡頭與樣品之間距離為50 cm。圖像采集中由于傳感器暗電流和光源不穩定的影響，會使部分波段采集的數據中含有噪聲，而導致數據失真，在圖像采集前要對高光譜圖像進行黑白校正(式1)[12]。

(1)

式中，I為標定后的高光譜圖像，I0為原始高光譜圖像，Idark為全黑標定圖像，Iwhite為全白標定圖像。

將羊肉樣品從冰箱里取出，置于室溫20 ℃環境放置30 min，用濾紙吸去表面的水分和油脂，隨后采集羊肉樣品光譜圖像。

1.3 羊肉剪切力測定

根據《肉嫩度的測定剪切力測定法》(NY/T 1180—2006)[13]測定羊肉樣品嫩度值，試樣處理使用的儀器包括數顯恒溫水浴鍋HH-1(常州國華電器有限公司)、電熱偶測溫儀(臺灣泰仕有限公司)。

對所處理的實驗羊肉用直徑為12.7 mm的圓形取樣器沿肌纖維平行方向鉆切，孔樣長度不少于25 mm，取樣位置距樣品邊緣不少于5 mm，兩個取樣邊緣間距不少于5 mm，剔除有明顯缺陷的孔樣，測定樣品數量2～3個，取樣后立即測定剪切力。

采用FTC公司的TMS-Pro型專業研究級物性儀-質構儀測量剪切力，其力量檢測精度優于0.015%；力量感應元最小感應力解析度為0.01 g；刀頭為輕型單刀復合剪切探頭(TNS LIGHT WEIGHT BLADE SET)，對每份樣品分別剪切2次，取其平均值。質構儀測試模式設置為剪切模式，刀具前進速度為30 mm·s-1，回程速度為60 mm·s-1，觸發力為1 N，測試距離為60 mm。將120個樣本隨機分成90個訓練集和30個預測集，對訓練集和預測集樣本進行羊肉嫩度統計，嫩度統計情況如表1所示。

表1 訓練集和預測集中羊肉嫩度實測值

1.4 數據分析方法

本研究主要使用Excel、ENVI5.3和MATLAB 2016a實現光譜數據處理和建模分析。

1.4.1光譜曲線構建 利用ENVI5.3軟件提取采集的高光譜圖像數據，在羊肉樣本圖片上隨機選擇五個20×20像素的矩形感興趣區域(region of interest，ROI)，避開筋膜及因水分殘留導致高亮的部分，如圖2所示。

圖2 羊肉高光譜圖像感興趣區域

采集到的高光譜圖像中除了含有樣本自身信息的圖像和光譜外，還含有暗電流和光散射等干擾信息，因此要進行預處理以提高建模精度。較常見的光譜數據預處理算法包括矢量歸一化算法(nomalization)、多元散射校正(MSC)、標準正態變換(standard normal variate，SNV)、導數(de-rivation)等。

本研究利用Matlab 2016a軟件，采用多元散射校正方法對光譜進行預處理，該方法可大大消除由于樣本表面分布不均而帶來的散射影響，從而增強光譜與數據之間的相關性[16]。

1.4.2特征波長圖像選取 采用主成分分析法(principal component analysis，PCA)選取特征波長，該方法是較常見的線性變換投影方法，經分析后主成分圖像方差貢獻率越大能解釋原始高光譜圖像中的信息就越多。

1.4.3圖像特征提取 利用灰度共生矩陣(gray-level co-occurrence matrix，GLCM)提取圖像特征，其又稱為灰度共現矩陣，其用兩個位置像素的聯合概率密度來定義，不僅反映亮度的分布特征，也反映具有同樣亮度或接近亮度的像素之間的位置分布特性，是圖像亮度變化的二階統計特征，是定義紋理特征的基礎。在一個灰度圖像中，任何兩個像素點之間存在一定相關性，通過統計分析像素點方向和距離上的相關特性可得知圖像灰度在方向、間隔、變化幅度上的綜合信息。取圖像(N×N)中任意一點(x，y)及偏離其另一點(x+a，y+b)，設該點對的灰度值為(g1，g2)。令點(x，y)在整個畫面上移動，則會得到不同(g1，g2)值，設灰度值的級數為k，則(g1，g2)的組合共有k2種。對于整個畫面，可統計出每一種(g1，g2)值出現的次數，然后排列成一個方陣，在用(g1，g2)出現的總次數將它們歸一化為出現的概率P(g1，g2)，這樣的方陣稱為灰度共生矩陣[20-22]。表達式如公式(5)所示。

Pδ(i,j,d,θ)={((x,y),(x+Dx,y+Dy)|

f(x,y)=i;|f(x+Dx+

y+Dy)=j)}

(5)

式中，(x,y)表示圖像中任意一點像素坐標，i表示此像素點的灰度級，取偏離這點一定像素距離D的另一點則表示可選擇的方向，一般有0°、45°、90°、135°。

在圖像紋理特征的研究中，一般有14種特征來代表不同紋理特征值，本研究選取對比度、相關性、同一性、熵四種特征量，其中對比度可反映羊肉樣本表面溝紋深淺和清晰度，相關性反映羊肉表面紋理是否有一致性，同一性反映羊肉紋理粗糙度，熵值反映羊肉紋理的復雜程度[23]。

1.4.4圖像顏色特征提取 不同儲存天數的羊肉顏色存在微小差異，這就導致光譜反射率的差異。圖像亮度均值Aag和標準差Ssg則可以反映出反射率的高低，該研究單個波長下灰度圖像顏色特征選擇亮度均值和標準差兩個特征進行提取，計算公式如下。

(6)

(7)

1.5 羊肉嫩度模型建立方法

本文主要使用BP神經網絡和支持向量機(SVM)對光譜圖像數據建模以實現羊肉無損檢測。結構模型由輸入層、隱含層和輸出層組成，輸入層函數選擇trainlm，隱含層和輸出層傳遞函數為tansig。將所提取的54個特征參數作為BP神經網絡模型輸入，羊肉嫩度預測值為模型輸出，隱含層節點個數根據公式(8)計算。

(8)

式中，H為隱含層節點數目，m和n分別是輸入層和輸出層節點數目，a為1～10之間的調節常數。

支持向量機是20世紀中葉由Vapnik[25]提出的一種新型統計學習方法，可分為支持向量機分類和支持向量機回歸兩種，當支持向量機算法用于回歸擬合時，由于羊肉表面光譜反射率與紋理和羊肉嫩度為非線性關系，可使用非線性映射算法將低維輸入空間線性不可分的樣本轉化為高維特征空間，使其線性可分，從而使得在高維特征空間中采用線性算法對樣本的非線性特征進行線性分析成為可能。常用的核函數有線性核函數、多項式核函數、高斯核函數、拉普拉斯核函數、sigmoid核函數。因高斯核函數具有穩定性高、預測精度好等特點，本文選擇高斯核函數。

2 結果與分析

2.1 羊肉嫩度光譜分析

羊肉嫩度原始光譜曲線如圖3所示，在560和760 nm附近各存在一個吸收峰，分別由于脫氧肌紅蛋白和血紅蛋白、肌紅蛋白的影響。經MSC處理后如圖4所示，與原始光譜相比剔除了各樣品間由于散射影響所導致的基線變化影響，大大消除很多冗余信息。同時，由于儀器的特性光譜數據兩端噪聲較多，故選取400～900 nm波段范圍內的光譜數據。

圖3 原始平均光譜

圖4 MSC預處理后的平均光譜

2.2 特征波長圖像選取

利用ENVI5.3軟件對高光譜圖像進行主成分分析，圖像信息貢獻率按從大到小取前三個主成分主成分圖像，如圖5所示。通過圖片對比，第一主成分圖像最接近原始圖像，代表了原始圖像的大多數信息，方差貢獻率為96.37%，第二主成分圖像開始出現噪聲，在第三主成分圖像中能看到明顯噪聲，方差貢獻率分別為3.11%和0.17%。因此，根據第一主成分圖像尋找特征波長圖像。

圖5 原始圖像和前三個主成分圖像

比較不同樣本第一主成分圖像的351 個權重系數，前三個分別為第169波段、265波段、304波段，對應的波長分別為620.23、761.48、819.48 nm，如圖6所示。因此，本研究選取方差貢獻率最大波長下的灰度圖像作為此后進行特征參數提取的特征圖像。

圖6 主成分分析獲取的前三個波段圖像

2.3 圖像特征分析

利用Matlab 2016a提取前三個特征波長圖像對比度、相關性、同一性和熵四種特征量，其中滑動窗口5×5，步距d=1，方向為0°、45°、90°、135°。羊肉原始圖像灰度級為255，如果直接計算運算量極大，為了快速計算將灰度級降為16級[24]。

2.4 羊肉嫩度模型建立及預測結果分析

2.4.1BP神經網絡模型分析 BP神經網絡模型輸入層m為54，輸出層n為1，由公式(8)可得隱含層節點個數取值范圍為8～17，通過多次訓練調試最終確定隱含層節點個數為10。設置最小訓練速率為0.1；動態參數為0.7；Sigmoid參數為0.9；允許誤差為0.001；最大迭代次數為1 000，預測值與實測值散點圖如圖7所示。可以看出，預測效果較好，BP神經網絡模型對預測集的R2為0.85，RMSEP為1.86。

圖7 BP神經網絡模型預測值與實測值的散點圖

2.4.2支持向量機模型分析 利用網格搜索法給懲罰參數C和核參數g不同的取值，通過交叉驗證的方法尋找到最優參數組合。在本文的實證過程中，將參數C和g的范圍均限定在[2-8，28]，步長均為0.5，則C和g可選參數為[2-8，2-7.5，2-7，…，27.5，28]。選取K=10對于尋優過程進行K折交叉驗證。尋優結果如圖8所示：C=11.313 7，g=0.116 6，MSE=0.156 9。支持向量機模型對預測集結果決定系數R2為0.77，RMSEP為2.37(圖9)。

圖8 SVM核函數參數網格搜索

圖9 SVM模型預測值與實測值的散點圖

2.4.3BP神經網絡和支持向量機模型比較分析經主成分分析從MSC預處理后的光譜中提取特征波長圖像，將特征圖像的紋理特征和顏色特征作為輸入變量構建羊肉嫩度神經網絡和支持向量機模型，結果如表2所示。

表2 羊肉嫩度值模型精度

從表2可以看出，BP神經網絡模型的訓練集和預測集的決定系數(R2)分別為0.84和0.85，均方根誤差RMSEC和RMSEP分別為2.54和1.86；而支持向量機模型的訓練集和預測集的決定系數R2分別為0.72和0.77，均方根誤差RMSEC和RMSEP分別為3.11和2.37。結合圖10對比發現，BP神經網絡模型精度預測能力和穩定性優于SVM支持向量機模型。研究表明：采用高光譜和圖像信息特征層融合方法對冷鮮羊肉嫩度進行預測具有可行性，該方法具有快速、無損等優點，對于冷鮮羊肉嫩度檢測具有一定的參考價值。

圖10 BP網絡模型和SVM模型預測結果

3 討論

肉質無損檢測是近些年的研究熱點，但關于羊肉嫩度檢測研究方面較少，傳統機械評定和感官評價破壞樣本且帶有主觀性，本研究將高光譜成像技術與紋理特征融合對羊肉嫩度進行預測，紋理特征常用于圖像識別和分類，主要表現為在局部空間的變化次序在更大的區域內不斷重復，宏觀講是具有半周期性或有規律排列的圖案，具有旋轉不變性和良好的抗噪性，羊肉表面其纖維走向、粗細、分布特征可以表征羊肉嫩度情況[17-19]。研究結果表明，采用高光譜和圖像信息特征層融合方法對冷鮮羊肉嫩度進行預測具有可行性，與傳統方法相比不會破壞肉樣且省時省力。王松磊等[26]采用高光譜特征波長與羊肉表面脂肪圖像特征參數融合的方法建立羊肉嫩度的預測模型，模型預測精度結果為0.89。熊振杰[27]分別建立雞肉特征光譜、紋理變量、特征光譜與紋理變量數據融合模型，結果表明數據融合后的模型對雞肉種類判別率最高，這與本研究結論基本一致。本文提出的方法可為羊肉嫩度預測提供參考依據，但現在對于羊肉嫩度等級評價還沒有一個統一的標準，究其原因在于羊肉的嫩度受品種、年齡、肌肉部位以及蒸煮溫度、時間等多方面影響，所以本研究有一定局限性，只適用于當前品種的羊肉，對于其他品種羊肉嫩度還有待研究。