高光譜成像技術對水產品品質檢測的應用

劉婧雯，王勝楠，陳泳詩，張艷婷， 龐 杰， 顏吉強

（1.福建農林大學食品科學學院，福建 福州 350002；2.福建農林大學計算機與信息學院，福建 福州 350002）

水產品味道鮮美，含有優質的蛋白質、特殊的氨基酸，以及具有保健功能的多不飽和脂肪酸，是人體重要的營養來源[1-2]。然而，水產品在死亡后，外界環境改變會引起自身肌肉組織發生一系列物理變化（如顏色、質構、持水程度）、化學變化（如蛋白質腐敗、脂肪氧化和三磷酸腺苷降解等），以及微生物活動，進而導致水產品不僅風味變化、營養價值降低，嚴重時會影響人體健康[3-4]。因此，水產品新鮮程度的檢測就變得尤為重要。

目前，水產品新鮮度檢測的常規方法有很多，涉及在物理、化學和微生物學特性方面。盡管這些方法穩定準確，但是這些方法需要專業人士進行檢測，主觀干擾因素較大，耗時費力，不僅破壞了樣品的完整性，而且所用的化學試劑容易造成環境污染。更重要的是延遲檢測時間，易造成試驗誤差。因此，找到一種經濟、無損、準確、快速的檢測水產品新鮮度的方法，是保證水產品安全、消費者健康的重要手段。

近年來，高光譜成像（Hyperspectral Imaging，HSI）技術融合了傳統的光譜信息（反映研究對象的化學成分及組織結構）與圖像信息技術（反映研究對象的空間分布、外部屬性及集合結構），能夠同時得到樣品照片上每個像素點的光譜要素，得到每個波段下的連續型圖像，進而實現研究對象“圖譜合一”的可視化手段。HSI技術既有光譜信息的優勢：測量簡單、省時高效、非破壞性、預測準確、多組分同時測定的優點，同時又具有視圖像技術的優點：直觀形象、靈活性高、精確度高、檢測面廣、可視化等[5-6]。因此，HSI技術在水產品快速無損檢測方面有大量的研究，試驗成果頗豐。

綜述了近年來HSI技術在水產品品質檢測方面的研究進展，主要包括水產品在貯藏過程中的物理屬性、化學變化及微生物污染情況3個方面，最后對HSI技術在水產品品質快速無損檢測的應用研究進行了展望。

1 HSI成像系統

1.1 HSI成像系統的基本原理

HSI系統主要由成像光譜儀、照相機、載物臺、光源、控制臺和計算機處理系統5個部分組成。在食品檢測領域中，“推掃式”線形掃描光譜儀是最常見的HSI系統（見圖1（a））。當光源照到檢測對象表面，反射投射光線經過鏡頭射入光譜儀，儀器再根據光纖的波長不同對光信息進行色散，形成光譜圖像。富含檢測樣本品質信息的光譜被面陣電耦合器件（Charge couples device，CCD）檢測到，當檢測對象在載物臺的運輸下與光譜相機做平行運動，通過線形掃描的方式獲取三維光譜圖像。高光譜圖像是一個三維的數據矩陣（x，y，λ）（見圖1（b））：一個二維空間維度（x，y）和一個一維的光譜維度（λ）。光譜圖像的每個像素點都有一條連續的光譜曲線，每個光譜波段都是一幅二維的空間圖像。CCD探測器將光譜信號轉換為電信號，再由圖像采集卡轉換為數字信號，最終通過計算機呈現出來。HSI技術通過掃描具有不同物理特性和化學組成的檢測對象，再根據譜線的峰形及反射值、吸收值及峰值位置的不同實現對檢測對象定性或定量的分析。最后，根據高光譜圖像提供的波譜空間分布信息，達到對檢測對象品質信息的可視化，進而實現在線檢測的目的。

HSI成像系統見圖1。

圖1 HSI成像系統

1.2 HSI圖像數據處理方法

高光譜數據處理流程圖見圖2。

圖2 高光譜數據處理流程圖

對待檢測樣品進行HSI圖像采集：確定樣品與鏡頭間距離、移動平臺的速度、成像分辨率和曝光時間等采樣條件后，采集樣本與黑白板HSI圖像，并進行黑白校正；利用計算機軟件對HSI圖像進行處理，常用處理方法為圖像尺寸調整（去除背景圖像，降低空間維度或光譜維度）、建立掩膜與圖像分割（完全去除背景并保留樣品完整信息）；感興趣區域與圖像處理（選取不含背景信息的盡可能含有大量有效信息的區域，取目的感興趣區域內所有像素點反射率的光譜數據，將光譜數據取平均值并提取，獲得光譜數據矩陣）。

為了方便模型的校正，減少外界干擾因素的影響，提高模型的精確性，需要對光譜進行預處理，如平滑、微分、求導、多元散射校正和標準正態變換等方法獲得高信噪比，低背景干擾的光譜數據。剔除多余的波長信息，提取與測量指標（物理、化學或微生物）緊密相關的具有特征的光譜信息，即為特征波長提取，常用的提取方法有回歸系數法（Regression coefficient，RC）、遺傳算法（Genetic al gorithm，GA）、連續投影算法（Successive projection algorithm，SPA）。

從HSI圖像提取的光譜數據與紋理變量可以反映被測樣品的性質、結構和組成。需要利用化學計量學建立模型，進而反映光譜數據和紋理變量與被測樣品品質參數之間的關系。

常用建模方法見表1。

表1 常用建模方法

2 HSI技術在水產品品質檢測中的應用

2.1 HSI技術在水產品物理特性檢測的應用

2.1.1 色澤

色澤是反映水產品品質變化的一個重要的物理屬性指標。肌細胞中的肌紅蛋白是影響魚肉色澤變換的主要因素[7]。蝦肉在冷藏過程中由于酶促褐變等生化反映使得蝦肉色澤發生變化[8-9]。這些都可以直觀地反應水產品的新鮮度，直接決定了消費者的購買意愿。對色澤的分析一般可以采用國際照明協會（CIE）的L*a*b*方法，通過色差儀進行測定。代瓊[10]利用HSI技術（400~1 000 nm）對不同冷藏時間的刀額新對蝦的色澤進行了HSI采樣。利用SPA算法分別提取色澤參數（L*，a*和b*）的特征波長，特征波長個數分別為12，9和11。隨即對3個參數的特征波長建立預測模型，LS-SVM模型具有良好的預測效果，其預測模型相關系數（R2p）分別為0.88，0.71和0.85，預測均方根誤差（Root means square error of prediction，RMSEP）為0.076，0.450和0.685。目前，HSI技術在蝦體色澤方面的研究報告較少，研究為以后HSI技術在蝦體色澤變化方面的快速無損檢測中的應用提供了理論基礎。

2.1.2 質構特性

水產品的質構特性與脂肪、膠原蛋白含量、肌纖維密度及結締組織的機械強度有很大的關系[11]。在冷藏過程中，水產品會發生細胞自溶、微生物和酶作用，使肉質變軟，失去彈性[9，12]。一般可以通過質構儀模擬人口腔的咀嚼動作結合水產品在腐敗過程中質構特性變化的原理，可以判斷新鮮程度。硬度、彈性、黏性、咀嚼性和膠著性是分析質構特性最常見的參數指標。這種傳統的檢測手段造成資源浪費，且由于生物體的差異導致預測結果不準確。HSI技術通過快速、無損檢測的手段，可以達到對每個待測樣本進行快速分析、準確預測的效果。朱逢樂[13]采用HSI漫反射模式采集了大菱鲆魚3±0.5℃下0~11 d的光譜圖像，并結合了質構參數（黏性、彈性和內聚性）采用Random Frog算法提出了光譜特征波長，特征波長個數分別為11，16和14。通過模型擬合發現LS-SVM的建模與預測結果最優。其中，黏性LS-SVM的R2p為0.909 4，RMSEP為10.000 6；彈性LS-SVM的R2p為0.875 4，RMSEP為0.200 1；內聚性的R2p為0.846 2，RMSEP為0.086 9。Chen J H等人[14]通過GA算法提取草魚的光譜數據與彈性相關的特征波長，通過LS-SVM模型擬合出最優結果，其模型擬合的R2p為0.941 0，RMSEP為1.229。由以上可以看出，LS-SVM模型對于HSI技術在魚肉質構的快速無損檢測方面具有很好的擬合效果。

2.1.3 系水力

系水力也是衡量水產品肉質的重要物理指標之一。在冷藏、加工和運輸過程中，系水力差的肌肉容易造成大量的汁液流失，進而導致可溶性營養成分和風味物質的損失，造成品質降低，減少經濟效益。水分占據肌肉組成的大半部分（75%），且其在肌肉中以結合水、不易流動水和自由水的形式存在于肌纖維粗絲和細絲之中、肌原纖維之間、肌纖維與肌內膜之間及肌纖維和肌束膜之間。在凍藏過程中，肌原纖維結構發生變化，不易流動的水向細胞外遷移轉變為自由水逐漸造成汁液流失，最終導致水分相對含量會發生變化[15]。其中，滴水損失法是眾多檢測方法中簡單易行、普遍應用的一種方法[16]。該檢測方法結果準確性高且操作簡單、但檢測耗時過長，不能時間對待測對象的實時動態監測，無法滿足在線檢測的要求。He H J等人[17-18]先后用HSI技術（900~1 700 nm和400~1 000 nm）測定鮭魚的系水力。均用RC算法提取草魚的光譜數據與系水能力相關的特征波長，特征波長個數分別為11和8。隨后2種高光譜均在PLSR模型擬合中取得了很好的效果，前者R2p為0.893，RMSEP為1.517；后者R2p為0.834，RMSEP為0.067。從模型的預測結果來看，兩者均有很高的預測相關系數。但是，從經濟節約角度來講，可見-近紅外光譜（400~1 000 nm）設備成本低，更易于應用在工業中[19]。HSI技術在水產品物理特性檢測的應用。

HSI技術在水產品物理特性檢測的應用見表2。

表2 HSI技術在水產品物理特性檢測的應用

2.2 HSI技術在水產品化學品質檢測的應用

2.2.1 營養成分

蛋白質和脂肪作為水產品重要的兩大有機營養成分在水產品貯藏過程中會發生腐敗和氧化。蛋白質等含氮物質易分解產生三甲胺、二甲胺、組胺、硫化氫、吲哚等具有腐敗氣味的低級產物，造成產品變質，失去食用價值。陳瑜楠[24]結合RC系數法提取的光譜信息與PLSR算法建立草魚和三文魚的預測模型，其中草魚的特征波長為402，425，495，553，593，613，626，643，935，962 nm，R2p為0.806；三文魚的特征波長為402，438，583，637，921，989 nm，R2p為0.809。水產品在冷藏過程中，脂肪會隨著氧化和水解的作用，造成脂肪酸敗、含量降低，不僅影響了水產品的食用價值（如口感、風味）還影響著水產品的后期加工[24]。葉青[11]運用SPA算法結合三文魚樣品的脂肪含量提取了6個特征波長值（970，1 152，1 210，1 286，1 397，1 464 nm），并利用PLSR模型進行擬合，得到了較高的R2p0.913，RMSEP為0.92。脂肪酸作為人體能量重要來源之一，可以根據其分子內雙鍵飽和程度分為3種類型，即飽和脂肪酸、單不飽和脂肪酸及多不飽和脂肪酸。其中，多不飽和脂肪酸根據第一個雙鍵在碳鏈上的位置分為ω-3，ω-6和ω-9系脂肪酸，ω-3和ω-6系脂肪酸為人體必需氨基酸，必須從使用中獲得。陳瑜楠[24]首次將HSI技術（400~1 000 nm）應用在了水產品脂肪酸無損檢測上，利用RC系數法選取草魚和三文魚的亞油酸、DHA和EPA的特征波長，并通過模型擬合，選取MILR方法作為最優預測模型，最后通過把草魚和三文魚3種脂肪酸含量的預測值信息轉化為圖像信息，成功實現了可視化分布。

（a）草魚、（b）三文魚脂肪酸含量的可視化分布圖[24]見圖3。

圖3 （a）草魚、（b）三文魚脂肪酸含量的可視化分布圖

2.2.2 pH值

在貯藏的初期階段，糖原發生降解且部分腺苷（如ATP和磷酸等）被分解產生了酸性物質，導致肌肉組織pH值下降[25]；隨著貯藏時間的延長，微生物活動使得蛋白質降解和一些氨基酸分解產生含氮的堿性物質，使得pH值升高[26]。因此，pH值也會作為判定水產品新鮮度的化學指標之一。酸度計法是常見的測定水產品pH值的手段，但是該方法很難準確測出同一魚體內不同部位的pH值變化[27]。He H J等人[17]利用HSI技術（400~1 000）檢測了不同地域鮭魚的pH值，RC系數法選取了10個特征波長，并建立了PLSR預測模型，其中R2p為0.877，RMSEP為0.046。

2.2.3 揮發性鹽基氮含量（TVB-N值）

TVB-N是指水產品在水解酶及微生物作用下，蛋白質分解產生氨及胺類等低級堿性含氮物質，因具有揮發性而得名[28]。是評價水產品品質和腐敗程度一個重要化學指標。根據國家標準（GB T5009.45—2003）規定30 mg N/100 g為海水魚品質極限閾值，20 mg N/100 g為淡水魚品質極限閾值[24，29]。Cheng J H等人[19]利用HSI技術檢測草魚在冷凍-解凍情況下的TVB-N含量，通過SPA結合草魚的TVB-N的化學值提取了10個特征波長（420，466，523，552，595，615，717，850，955 nm），并建立了PLSR和LS-SVM的模型，通過比較R2p，確定LS-SVM模型對草魚冷凍-解凍過程中TVB-N含量變化的預測具有很好的效果，其中R2p為0.902，RMSEP為2.782。最后用該模型預測HSI圖像上的每個像素點的TVB-N含量以展示TVB-N的分布。

冷藏草魚片TVB-N含量的可視化分布圖[19]見圖4。

圖4 冷藏草魚片TVB-N含量的可視化分布圖

2.2.4 硫代巴比妥酸含量（TBA值）

TBA值是反映脂質過氧化的指標之一。脂肪自身氧化過程中不斷生成醛基、酮基羧酸等低級氧化物，使得TBA值不斷增加[30]。因此，TBA值越大，脂肪氧化程度越高，酸敗程度越嚴重。Cheng J H等人[31]采用HSI技術（400~1 000 nm）檢測草魚和三文魚在冷藏過程中TBA值的變化，運用RC提取了各自的特征波長（10和6個），通過MILR模型擬合得到了最高的R2p和RMSEP，分別為0.902和0.84，2.782和1.513。

2.2.5 K值

K值是以三磷酸腺苷（ATP）的分解產物作為水產品新鮮度判定的指標。水產品死后，其在肌肉組織內的途徑為ATP-二磷酸腺苷（ADP）-一磷酸腺苷（AMP）-肌苷酸（IMP）-肌苷（HxR）-次黃嘌呤（Hx）。K值表示HxR和Hx濃度的總和占ATP代謝物濃度的比值[32-33]。雖然K值可以表示評價水產品新鮮程度的指標（K值越高，水產品越不新鮮），但是K值很難直接進行計算，外界很多因素（如養殖方式、成長階段、屠宰手段及僵直時間等）都對ATP的降解速率有直接或間接的影響。而且檢測ATP降解產物的操作過程復雜、儀器成本高、破壞檢測樣品及造成環境污染。Cheng J H等人[34]利用HSI技術（400~1 000 nm）檢測草魚和鰱魚的K值變化，SPA提取了7個特征波長（432，455，588，635，750，840，970 nm）并建立了PLSR（R2p=0.935，RMSEP=5.17）和LS-SVM模型（R2p=0.915，RMSEP=6.18），最終用PLSR模型預測高光譜圖像上每個像素點K值展示K值分布。

冷藏草魚片K值的可視化分布圖[34]見圖5。HSI技術在水產品化學品質檢測的應用見表3。

表3 HSI技術在水產品化學品質檢測的應用

圖5 冷藏草魚片K值的可視化分布圖

2.3 微生物污染評價

微生物污染程度是最常用來評價水產品新鮮程度的一個重要指標，也是食品安全領域必不可少的衛生檢測指標。這是由于水產品本身會攜帶很多微生物，死后由于肌肉組織疏松，蛋白質腐敗產生含氮物和氨基酸，為微生物的生長與繁殖提供大量營養物質[35-36]。微生物活動產生大量的腐敗產物，進而加速了水產品的腐敗程度。通常，微生物菌落總數（Total viable counts，TVC）作為反映水產品新鮮度最常用的指標[37-39]。代瓊[10]采用SPA算法結合刀額新對蝦蝦仁TVC提取了11個特征波長（408，416，420，423，429，435，441，600，652，719，939 nm），結合LS-SVM模型預測蝦仁中TVC（R2p=0.95，RMSEP=0.437），通過圖像融合技術實現了蝦仁TVC快速無損檢測及可視化分布。

一些特定的腐敗菌（如假單胞菌、沙門氏菌、大腸桿菌等）產生腐敗氣體，影響水產品質量，通常也可以用它們的具體數量來評價水產品的新鮮程度[40]。He H J等人[41]采用HSI技術（900~1 700 nm）檢測三文魚片上的大腸桿菌，通過SPA提取了7個特征波長，建立了PLSR模型（R2p=0.95，RMSEP=0.47），最后用該模型預測圖像上每個像素點的大腸桿菌數目，實現了可視化分布。同年，He H J等人[42]通過CARS結合三文魚片上的假單胞菌提取了10個特征波長，建立PLSR模型預測模型（R2p=0.91，RMSEP=0.49），最后結合圖像技術實現了快速無損檢測的可視化分布。

（a）冷藏刀額新對蝦TVC含量[10]，（b）冷藏三文魚假單胞菌含量的可視化分布圖見圖6。

圖6 （a）冷藏刀額新對蝦TVC含量[10]，（b）冷藏三文魚假單胞菌含量的可視化分布圖

3 結論

將HSI技術與化學計量學和圖像處理技術實現融合，可以準確高效地對水產品品質進行快速無損的檢測，進而實現水產品貨架期預測，打破了依靠專業人士進行繁瑣的傳統檢測技術，同時為消費者提供了一種客觀可靠的評價方法。實際上，將HSI技術投入到實際生產過程中，達到實時在線檢測的更早地應用于實際生產中。效果仍是一個十分復雜漫長的過程。這就對研究人員在開發新的數據處理算法，建立龐大的云計算數據庫提出了更高的要求，如簡化數據的預處理過程、縮短計算時間、提高模型擬合的準確度，擴大目標水產品的種類等，以便更準確地表示HSI數據與水產品品質之間的對應關系，提高模型擬合的精確度，

HSI技術在水產品微生物污染評價的應用見表4。

表4 HSI技術在水產品微生物污染評價的應用