基于高光譜成像的咸鴨蛋腌制品質(zhì)快速檢測

徐佛言，趙 欣，張曉瑞，郁姍姍，王 麗，黃星奕

（江蘇大學(xué)食品與生物工程學(xué)院，江蘇鎮(zhèn)江 212013）

咸鴨蛋是中國傳統(tǒng)腌制食品，因其具有獨(dú)特的風(fēng)味和松軟的口感，深受人們的喜愛。在我國，70%以上的鴨蛋用于蛋制品加工，如皮蛋、咸鴨蛋和咸蛋黃等，其中，咸鴨蛋的市場份額更是占到鴨蛋制品的68%左右[1]。

由于咸鴨蛋消費(fèi)量大，因此其安全與質(zhì)量品質(zhì)必須被深入探究。咸鴨蛋中的水分和脂質(zhì)不僅是影響咸鴨蛋品質(zhì)的重要物質(zhì)[2]，也是判斷咸鴨蛋是否腌制成熟的重要參考標(biāo)準(zhǔn)。在鴨蛋的腌制過程中，隨著鹽分向內(nèi)擴(kuò)散，蛋黃內(nèi)親油基團(tuán)與親水基團(tuán)分離，游離態(tài)水分子增多并逐漸從蛋黃向蛋白轉(zhuǎn)移[3]，最終擴(kuò)散到蛋殼外，這也是咸鴨蛋蛋黃出現(xiàn)硬化的原因[4]。當(dāng)咸鴨蛋蛋白和蛋黃的含水量分別降至75%和20%，蛋黃油脂含量增加到55%左右時，即可認(rèn)為咸鴨蛋腌制成熟[5]。因此，水分和脂質(zhì)含量是咸鴨蛋腌制品質(zhì)的重要參考指標(biāo)。

傳統(tǒng)的咸鴨蛋腌制方法主要包括鹽水腌制和滾灰腌制等。然而，傳統(tǒng)方法的腌制周期較長[6]，不適合規(guī)模化的工業(yè)生產(chǎn)。因此，為縮短咸鴨蛋的腌制周期，研究者們已探究采用各種方法輔助咸鴨蛋腌制[7-9]，以縮短咸鴨蛋的腌制周期。隨著各種快速腌制工藝的出現(xiàn)，如何快速客觀地評價腌制品質(zhì)也顯得尤為重要。

為實(shí)現(xiàn)禽蛋品質(zhì)的快速評判，已有研究者采用低場核磁共振，近紅外光譜儀[10]等儀器設(shè)備對禽蛋的新鮮度、水分含量和脂質(zhì)含量等指標(biāo)進(jìn)行無損檢測。龍門[11]等利用低場核磁共振技術(shù)分析鹽滲透對脂質(zhì)遷移和水遷移的影響。Cruz-Tirado 等[12]使用低成本的便攜式近紅外光譜儀結(jié)合機(jī)器學(xué)習(xí)實(shí)現(xiàn)雞蛋新鮮度在線判別。近紅外光譜儀是根據(jù)若干個選定點(diǎn)位的光譜反射率而估計樣品整體的相關(guān)理化指標(biāo)含量。但實(shí)際上，食品農(nóng)產(chǎn)品中物質(zhì)分布并不均勻，僅僅依靠有限個點(diǎn)的預(yù)測結(jié)果并不能準(zhǔn)確全面反映食品本身的質(zhì)量。低場核磁共振波譜儀雖然能夠反映食品中物質(zhì)的分布情況，但其價格昂貴，不適合在企業(yè)大規(guī)模推廣應(yīng)用。

高光譜成像技術(shù)結(jié)合了光譜技術(shù)與計算機(jī)視覺技術(shù)，能夠同時獲取對象的光譜信息和圖像信息。該技術(shù)能夠獲取儀器波長范圍內(nèi)每一像素的光譜數(shù)據(jù)和圖像信息，并進(jìn)一步實(shí)現(xiàn)理化指標(biāo)的分布檢測。隨著圖像傳感器和其他元器件的國產(chǎn)化程度越來越高，高光譜成像儀的價格不斷降低，并在食品、紡織等行業(yè)顯現(xiàn)出巨大的應(yīng)用潛力。目前，這一技術(shù)逐漸被應(yīng)用于包括肉類、魚類、水果等在內(nèi)的多種食品農(nóng)產(chǎn)品的理化指標(biāo)快速檢測與分布研究[13-15]。

因此，本研究旨在通過高光譜成像技術(shù)實(shí)現(xiàn)咸鴨蛋腌制過程中水分和脂質(zhì)的定量檢測，并進(jìn)一步探究水分和脂質(zhì)的分布狀態(tài)，為生產(chǎn)企業(yè)提供咸鴨蛋腌制品質(zhì)的快速檢測方法，從而指導(dǎo)企業(yè)改進(jìn)生產(chǎn)工藝。

1 材料與方法

1.1 材料與儀器

新鮮鴨蛋 購自浙江衢州恒蜂源旗艦店，單個重約60 g，總計96 枚，于常溫下運(yùn)輸至實(shí)驗(yàn)室；食鹽購自上海鹽業(yè)有限公司；醋酸、無水乙醇、無水乙醚 均為分析純，購自鎮(zhèn)江華東器化玻有限公司。

BS224S 分析天平 北京賽多里斯儀器系統(tǒng)有限公司；UF750 烘箱 德國美莫爾特有限公司；JC-220C-12 氮吹儀 聚儀惠供應(yīng)鏈有限公司；Inspector V10E 高光譜相機(jī) 芬蘭奧盧光譜成像有限公司；12 V 50 W 石英鹵素?zé)?荷蘭皇家飛利浦公司；Zolix TS200AB 移動平臺 北京卓立漢光有限公司。

1.2 實(shí)驗(yàn)方法

1.2.1 咸鴨蛋腌制及樣品制備 新鮮鴨蛋用1%醋酸溶液浸泡20 min，然后洗去表面臟污，風(fēng)干后，分成8 組，每組12 個。所有鴨蛋在密封玻璃罐中用飽和鹽水腌制。在整個腌制過程中，溫度保持在25±1 ℃，濕度為50%～60%。

鹽水腌制咸鴨蛋通常在25 d 左右成熟，根據(jù)預(yù)實(shí)驗(yàn)，確定咸鴨蛋腌制時間為24 d。因此，從開始腌制后的第3 d 到第24 d，每間隔3 d 取出12 個咸鴨蛋，先進(jìn)行高光譜圖像和光譜采集，然后進(jìn)行水分及脂質(zhì)含量的測定。

實(shí)驗(yàn)當(dāng)天，取出12 個咸鴨蛋，用水清洗干凈，在100 ℃的沸水中煮5 min。然后關(guān)掉電磁爐，讓咸鴨蛋在熱水中靜置10 min。從電磁爐中取出咸鴨蛋，迅速放入冰水中浸泡20 min。小心地剝?nèi)喌暗臍ぃ亻L軸切成三片。保留中心一片切片，厚度為10 mm。以咸鴨蛋薄片鈍邊為扇形的弧，以薄片的中心為圓心切下一個扇形。

1.2.2 高光譜成像系統(tǒng)組成及圖像采集 高光譜成像系統(tǒng)由一臺相機(jī)、一個鏡頭、八個石英鹵素?zé)簟⒁慌_計算機(jī)、一個可移動平臺組成。該相機(jī)的光譜分辨率為0.8264 nm，可采集432～961 nm 范圍內(nèi)的618 個波長。上述光學(xué)元件的設(shè)置方式是將樣品置于可移動平臺上，攝像機(jī)置于頂部，垂直于樣品，距離樣品650 mm。鹵素?zé)舨贾迷诳梢苿悠脚_斜上方兩側(cè)，與可移動平臺呈45°夾角，與樣品的垂直距離500 mm。所有組件都被封裝在一個成像盒中，以避免環(huán)境光的影響。移動平臺在圖像采集時的速度設(shè)置為0.9 mm/sec。

實(shí)驗(yàn)開始前，先打開高光譜成像系統(tǒng)預(yù)熱30 min，使系統(tǒng)運(yùn)行穩(wěn)定。由于相機(jī)暗電流的影響，采集的圖像會存在圖像噪聲，因此在采集樣品的光譜和圖像之前，先采集白色光滑標(biāo)定板的圖像，然后關(guān)閉鹵素?zé)舨⑶疑w上鏡頭蓋，采集一幅黑暗的圖像。采集完黑白平衡的圖片后，即可進(jìn)行樣品圖像和光譜信息的采集。

1.2.3 水分含量檢測 高光譜數(shù)據(jù)采集后，按照中國國家標(biāo)準(zhǔn)GB 5009.3-2016 的方法測量每個咸鴨蛋的水分含量[16]。用分析天平稱取約2.000 g 咸鴨蛋樣本，精確到0.001 g，然后將樣品轉(zhuǎn)移到干燥好的鋁盒中。將鋁盒放入100 ℃的熱風(fēng)循環(huán)烘箱中烘干4 h。隨后每隔1 h 取出剛?cè)敫稍锩罄鋮s30 min，隨后稱量，然后重復(fù)上述步驟，直至前后兩次稱量結(jié)果相差不超過2 mg。含水率計算公式如下：

式中：m1為鋁盒和干燥前樣品的重量，g；m2為鋁盒和樣品干燥后的重量，g；m3為鋁盒重量，g；X為樣品含水率，%。

1.2.4 脂質(zhì)含量檢測 高光譜數(shù)據(jù)采集后，按中國國家標(biāo)準(zhǔn)GB 5009.6-2016 第二章酸水解法的方法測定咸鴨蛋蛋黃的脂類含量[17]。咸鴨蛋蛋黃中的結(jié)合態(tài)脂肪必須用強(qiáng)酸使其游離出來，然后溶于有機(jī)溶劑。將蛋黃先用鹽酸水解，然后用無水乙醚提取，用氮吹儀除去溶劑后即得游離態(tài)和結(jié)合態(tài)脂肪的總含量。

具體操作方法如下：用分析天平稱取約2.000 g鴨蛋蛋黃樣本，精確到0.001 g，將樣品轉(zhuǎn)移到100 mL離心管中。向離心管中加入8 mL 水，并用玻璃棒充分?jǐn)嚢杌靹颉Ｏ螂x心管中加入10 mL 鹽酸溶液（2 mol/L），用渦旋混合儀振搖30 s。然后，將離心管放入70 ℃水浴中消解50 min，每10 min 用玻璃棒攪拌一次。加入10 mL 無水乙醇，振搖30 s。加入25 mL 無水乙醚，振搖60 s，然后靜置40 min 使其分層，用注射器將上層醚相轉(zhuǎn)移到30 mL 玻璃離心管，再次向100 mL 離心管中加入5 mL 無水乙醚，重復(fù)上述步驟。用氮吹儀將乙醚吹干，直到剩余2 mL 時在水浴上蒸干。將玻璃離心管放入100 ℃熱風(fēng)循環(huán)烘箱中干燥，每隔1 h 取出并放入干燥皿冷卻30 min，隨后稱量。重復(fù)上述步驟，直至前后兩次稱量結(jié)果相差不超過2 mg。脂質(zhì)含量計算公式如下：

式中：m1為玻璃離心管和干燥后樣品的重量，g；m2為玻璃離心管和干燥前樣品的重量，g；m3為樣品的重量，g；X為樣品的脂質(zhì)含量，%。

1.3 數(shù)據(jù)處理

1.3.1 光譜提取及最優(yōu)波長篩選 為了獲得有效的光譜信息，必須提取合理感興趣區(qū)域（ROI）。首先利用高光譜數(shù)據(jù)分析軟件ENVI 5.3.1 進(jìn)行圖像分割，選取每個樣本的ROI。由于樣品和背景的反射率不同，在300 nm 光譜圖像下，將反射率的最小值設(shè)為0.3，將反射率的最大值設(shè)置為1.0，提取ROI。在此基礎(chǔ)上對ROI 的平均光譜進(jìn)行計算并保存。采用Savitzky-Golay 平滑（SG）、高斯濾波（Gauss）和標(biāo)準(zhǔn)正態(tài)變換（SNV）三種預(yù)處理方法對光譜進(jìn)行平滑處理，以降低散射引起的光譜噪聲以及相機(jī)暗電流產(chǎn)生的影響。

高光譜數(shù)據(jù)量龐大，存在大量的冗余信息，不僅影響計算速度，而且大量共線性的信息會對定量預(yù)測結(jié)果的準(zhǔn)確率造成一定的影響。因此，有必要采用合適的方法來篩選最佳波長，提高咸鴨蛋水分和脂質(zhì)含量預(yù)測的準(zhǔn)確性。競爭自適應(yīng)重加權(quán)抽樣算法（CARS）是一種基于自適應(yīng)重加權(quán)抽樣[18]和達(dá)爾文進(jìn)化論上的“適者生存”有效原則[19]，能夠極大地降低數(shù)據(jù)冗余度，提高模型運(yùn)行速度。因此，本研究將采用該方法進(jìn)行特征波長選擇，從618 個波長中篩選出最佳波長，后期將最佳波長對應(yīng)的反射率作為特征變量，用于定量預(yù)測模型的構(gòu)建。

1.3.2 定量預(yù)測模型的建立 首先將樣本按照2:1的比例劃分為訓(xùn)練集和預(yù)測集，然后通過調(diào)整參數(shù)，分別建立10 折交叉驗(yàn)證的偏最小二乘回歸模型（PLSR）和人工神經(jīng)網(wǎng)絡(luò)（ANN）模型，實(shí)現(xiàn)咸鴨蛋腌制過程中水分及脂質(zhì)含量的定量預(yù)測，并比較兩種方法預(yù)測的準(zhǔn)確性。

PLSR 是一種線性預(yù)測方法，用于確定光譜信息和理化值之間的線性關(guān)系[20]。該方法通過提取具有最佳預(yù)測能力的正交因子來實(shí)現(xiàn)。采用PLSR 建立相關(guān)關(guān)系可以有效避免變量之間的共線性關(guān)系，從而實(shí)現(xiàn)更穩(wěn)定的預(yù)測[21]。

ANN 是人工智能領(lǐng)域的研究熱點(diǎn)，其通過模仿人類神經(jīng)元的連接方式，建立一種簡單的模型，按不同的連接方式可以組成各式各樣的網(wǎng)絡(luò)結(jié)構(gòu)，從而適應(yīng)多樣化的任務(wù)需求[22]。人工神經(jīng)網(wǎng)絡(luò)發(fā)展至今，已經(jīng)在模式識別、智能機(jī)器人、自動控制、預(yù)測估計、生物醫(yī)藥等領(lǐng)域發(fā)揮了重要的作用，解決了許多計算機(jī)難以解決的實(shí)際問題[23]。本研究搭建了一種神經(jīng)網(wǎng)絡(luò)，用于咸鴨蛋腌制過程中關(guān)鍵指標(biāo)的定量預(yù)測，并將其與PLSR 模型的性能進(jìn)行比較分析。

2 結(jié)果與分析

2.1 咸鴨蛋中水分和脂質(zhì)含量的變化

水分含量（MC）和脂肪含量（LC）是影響咸鴨蛋品質(zhì)的重要因素。因此，本研究主要對這兩個關(guān)鍵性指標(biāo)進(jìn)行分析討論，以解釋咸鴨蛋內(nèi)部品質(zhì)特征發(fā)生變化的現(xiàn)象。圖1 為蛋清和蛋黃中水分和脂肪含量每三天的變化情況。從圖1（a）中可以看出，隨著腌制過程的進(jìn)行，各層含水率逐漸降低，這是由于鹽從腌制液擴(kuò)散到蛋黃中，親脂基團(tuán)和親水基團(tuán)相互分離，水分從蛋黃向蛋清移動，最后通過蛋殼擴(kuò)散出鴨蛋。在腌制過程中，蛋白內(nèi)層和外層含水率差異不顯著，均從85%左右下降到75%左右。這是因?yàn)榈扒寰哂辛己玫牧鲃有裕衷诘扒逯凶杂梢苿樱w保持一個平衡地狀態(tài)。蛋黃含水率在腌制過程中呈現(xiàn)下降趨勢，并且蛋黃外層含水率下降速度快于內(nèi)層含水率，腌制后期蛋黃內(nèi)外層含水率又逐漸接近。Chi 等[24]發(fā)現(xiàn)，在腌制過程中，蛋黃外層先變硬，然后逐漸向蛋黃內(nèi)層延伸，其中，蛋黃硬度層的形成可能是由于水分含量的降低。當(dāng)外層和內(nèi)層含水率相近時，整個蛋黃均已硬化，此時整個蛋黃顏色相近，可認(rèn)為咸鴨蛋已腌制成熟。

圖1 不同腌制天數(shù)不同分層咸鴨蛋水分及脂質(zhì)含量Fig.1 Moisture and lipid content of different layers of salted duck eggs under different salting days

圖1（b）描述了蛋黃在腌制過程中脂質(zhì)含量的變化。通過預(yù)實(shí)驗(yàn)并參考其他研究中對蛋白中脂質(zhì)含量的測定，發(fā)現(xiàn)蛋白中幾乎不含脂類物質(zhì)，因此在本研究不考慮蛋白中脂質(zhì)含量變化情況。由圖1（b）可以看出，兩層的脂質(zhì)含量都隨著腌制時間的延長而增加。脂質(zhì)變化趨勢與水分變化趨勢相反。這是因?yàn)殡S著水分從蛋黃向蛋清的遷移，蛋黃中水分含量減少，脂類的含量相對升高。蛋黃外層脂肪含量高于內(nèi)層，而外層水分含量卻低于內(nèi)層，這也表明蛋黃中脂肪含量與水分含量呈現(xiàn)負(fù)相關(guān)的關(guān)系。

2.2 反射光譜的提取

黑白校正后，用ENVI 5.3.1 計算每個樣本ROI內(nèi)所有像素的平均光譜值。各組咸鴨蛋的平均光譜曲線如圖2 所示。

圖2 咸鴨蛋不同分層的平均光譜曲線Fig.2 Average spectra of different layers of salted duck eggs

從圖2 可以看出，不同天數(shù)的反射光譜具有相似的特征。隨著腌制時間的延長，咸鴨蛋的反射率逐漸降低，造成這種現(xiàn)象的原因可能是腌制過程中咸鴨蛋內(nèi)部物質(zhì)的組成及含量發(fā)生了變化，如水分、脂類和蛋白質(zhì)等物質(zhì)。對比圖2（a）～圖2（d）可以看到，蛋黃和蛋白的平均光譜在432～600 nm 波長范圍內(nèi)存在明顯的差異。蛋黃光譜在480 nm 處反射率較低，這主要是由蛋黃中的類胡蘿卜素所引起[25]。另外，在腌制和蒸煮過程中，蛋黃中脂肪和蛋白質(zhì)氧化可能導(dǎo)致吡咯色素濃度增加[26]，使得蛋黃顏色變深，從而吸收更多藍(lán)紫光。600～900 nm 波長范圍內(nèi)，蛋黃和蛋白光譜均存在較高的反射率，且蛋白的反射率整體高于蛋黃，這可能是由于蛋白表面呈現(xiàn)白色，從而反射更多的光線，因此蛋白反射率更高。由圖2（c）和圖2（d）可以看到，在900～960 nm 區(qū)域范圍內(nèi)，蛋白光譜反射率迅速下降，這可能是由于蛋白中水分含量高于蛋黃，而H2O 中O-H 鍵二級倍頻在960 nm 處有吸收峰[27]。

以蛋白內(nèi)層光譜為例，原始光譜曲線和經(jīng)SG、Gauss、SNV 預(yù)處理的光譜曲線如圖3 所示。由圖3（b）和圖3（c）可見，經(jīng)SG 和Gauss 處理后的光譜曲線更加平滑、緊密，消除噪聲的同時最大限度地保存了原有的光譜特征。由圖3（d）可見，經(jīng)過SNV處理后的光譜曲線與原始光譜區(qū)別較大，消除了樣品表面散射以及光程變化對光譜曲線的影響。因此，利用預(yù)處理后的數(shù)據(jù)建立蛋白水分、蛋黃水分和蛋黃脂質(zhì)的定量預(yù)測模型。

圖3 經(jīng)不同方法預(yù)處理后的光譜Fig.3 Spectra pretreated by different pretreat methods

2.3 回歸模型的建立

高光譜信息包含很多冗余信息，為簡化模型結(jié)構(gòu)和提高模型運(yùn)行速度，選擇最優(yōu)波長顯得尤為重要。對比表1 中同一預(yù)處理方式篩選波長前后建立的PLSR 定量預(yù)測模型，可以發(fā)現(xiàn)，利用篩選出來的最優(yōu)波長建立的模型效果優(yōu)于基于全波長建立的模型。因此，有必要篩選最優(yōu)波長，以提高定量預(yù)測模型的準(zhǔn)確率和運(yùn)行速度。傳統(tǒng)上，選擇的波長與樣品的物理化學(xué)特征有關(guān)[28]。在本研究中，采用CARS算法選取最優(yōu)波長，即波長的選擇基于全光譜的平均CARS 權(quán)重，該權(quán)重是通過1000 次重復(fù)采樣自動計算的[29]。CARS 算法挑選最優(yōu)波長的原理是，隨著交叉驗(yàn)證集均方根誤差（RMSECV）的減小，變量數(shù)量逐漸減少，當(dāng)RMSECV 值降到最低時，所選波長即為最優(yōu)波長[30]。

圖4 顯示了CARS 在不同預(yù)處理方法下挑選的最優(yōu)波長，藍(lán)色曲線為平均光譜曲線，玫紅色圓圈為挑選出來的最優(yōu)波長。圖4（a）～圖4（f）中，通過CARS 算法挑選出來用于水分含量預(yù)測的最優(yōu)波長集中在430～480 nm 區(qū)域、740～775 nm 區(qū)域和950～960 nm 區(qū)域，其中740～775 nm 區(qū)域與O-H 鍵拉伸第三泛音有關(guān)，950～960 nm 區(qū)域與O-H 鍵拉伸第二泛音有關(guān)，說明挑選出來的特征波長能夠反映樣品中水分含量的變化。圖4（g）～圖4（i）中，通過CARS算法挑選出來用于蛋黃脂質(zhì)含量預(yù)測的最優(yōu)波長集中在430～480 nm 區(qū)域和900～960 nm 區(qū)域，而胡蘿卜素在480 nm 處有較強(qiáng)的吸收，說明挑選出來的最優(yōu)波長能夠較好的預(yù)測蛋黃中脂質(zhì)含量。

圖4 不同方法預(yù)處理后挑選的最優(yōu)波長Fig.4 Optimal wavelengths selected by different pretreat methods

選擇最佳波長后，分別利用偏最小二乘回歸模型和人工神經(jīng)網(wǎng)絡(luò)對蛋白水分含量、蛋黃水分含量和蛋黃脂質(zhì)含量進(jìn)行預(yù)測。如表2 所示，經(jīng)過SNV預(yù)處理后建立的蛋白水分、蛋黃水分和蛋黃脂質(zhì)的定量預(yù)測模型預(yù)測集決定系數(shù)分別能達(dá)到0.9182、0.9405 和0.8670，均高于經(jīng)過其他兩種預(yù)處理方式建立的定量預(yù)測模型，也進(jìn)一步表明建立的定量預(yù)測模型能夠較準(zhǔn)確地預(yù)測咸鴨蛋的水分和脂質(zhì)含量。

表2 兩種建模方式下咸鴨蛋水分及脂質(zhì)含量預(yù)測模型性能Table 2 Performance of moisture and lipid content of salted duck eggs under different models

由表2 所示，神經(jīng)網(wǎng)絡(luò)模型的預(yù)測集決定系數(shù)分別可以達(dá)到0.9306，0.9552 和0.8896，其預(yù)測均方根誤差均小于通過PLSR 預(yù)測的對應(yīng)值，說明搭建的人工神經(jīng)網(wǎng)絡(luò)比PLSR 預(yù)測效果更好，性能更優(yōu)。

2.4 水分和脂質(zhì)的可視化分布

在咸鴨蛋腌制過程中，水分和脂質(zhì)在鹽分作用下發(fā)生遷移，不同腌制時期其分布有明顯的差異，因此，水分和脂質(zhì)的可視化分布圖能夠更好地幫助研究人員判斷腌制效果，調(diào)整腌制工藝。

圖5 顯示了咸鴨蛋在不同腌制階段的水分分布圖。樣品右側(cè)漸變顏色條的不同顏色代表了不同含量的水分含量和脂質(zhì)含量。從深藍(lán)色到綠色再到紅色的漸變代表著水分含量或脂質(zhì)含量越來越高。從水分分布圖可以看到，在腌制初期，蛋黃水分含量略低于蛋白，且其水分分布較為均勻。而隨著腌制時間的延長，蛋黃外層逐漸變藍(lán)，表明其水分含量逐漸降低，蛋黃中的水分逐漸向蛋白遷移。隨著腌制過程持續(xù)進(jìn)行，蛋黃外側(cè)深藍(lán)色區(qū)域逐漸擴(kuò)大并向蛋黃中心拓展，這就是咸鴨蛋腌制過程中蛋黃硬化的過程。

圖5 不同腌制時間咸鴨蛋剖面水分分布圖Fig.5 Moisture distribution map of the bisect of salted duck eggs

圖6 顯示了咸鴨蛋在不同腌制階段的脂質(zhì)分布圖。由圖6 可以看到，蛋白部分幾乎不含脂質(zhì)。隨著腌制時間的延長，蛋黃部分顏色由藍(lán)逐漸向紅色轉(zhuǎn)變，說明在腌制過程中，咸鴨蛋蛋黃部分脂質(zhì)含量逐漸升高。并且蛋黃外層顏色先由藍(lán)色向紅色轉(zhuǎn)變。結(jié)合水分含量的變化，進(jìn)一步驗(yàn)證了在腌制過程中，蛋黃外層率先發(fā)生硬化現(xiàn)象，然后逐漸向內(nèi)層拓展，到腌制后期，蛋黃內(nèi)、外層都發(fā)生硬化，整個蛋黃水分及脂質(zhì)分布又趨于統(tǒng)一。

圖6 咸鴨蛋剖面脂質(zhì)分布圖Fig.6 Lipid distribution map of the bisect of salted duck eggs

3 結(jié)論

本研究利用高光譜成像技術(shù)對腌制過程中咸鴨蛋剖面水分及脂質(zhì)含量進(jìn)行了定量預(yù)測，并實(shí)現(xiàn)了水分和脂質(zhì)分布的可視化。經(jīng)對比發(fā)現(xiàn)，通過SNV 對光譜信息進(jìn)行預(yù)處理后建模效果優(yōu)于原始光譜所建立的模型。與PLSR 模型相比，ANN 預(yù)測的理化值含量與真實(shí)值更為接近，其預(yù)測集決定系數(shù)均能達(dá)到0.88 以上，預(yù)測集均方根誤差更小。基于已建立的ANN 模型可成功將三維高光譜數(shù)據(jù)轉(zhuǎn)化成二維的水分和脂質(zhì)分布圖。研究結(jié)果表明，高光譜技術(shù)結(jié)合化學(xué)計量學(xué)可以實(shí)現(xiàn)咸鴨蛋剖面水分及脂質(zhì)含量的快速定量預(yù)測及其分布狀態(tài)的可視化分析。本項研究工作可以為咸鴨蛋生產(chǎn)及加工企業(yè)的產(chǎn)品品質(zhì)客觀快速檢測提供方法參考，為咸鴨蛋便攜式檢測裝置的研發(fā)提供理論依據(jù)。