高光譜成像技術檢測肴肉新鮮度

鄒小波，李志華，石吉勇，黃曉瑋

（江蘇大學食品與生物工程學院，江蘇 鎮(zhèn)江 212013）

肴肉是中國傳統(tǒng)特色美食之一，具有肉質(zhì)新鮮、營養(yǎng)豐富、風味獨特、不油不膩等特點，深受廣大消費者喜愛。由于肴肉中營養(yǎng)充沛，水分活度和pH值分別達到0.985和6.85[1]，非常適于假單胞菌和腸桿菌等腐敗微生物的生長繁殖，產(chǎn)品必須在2～8 ℃密封條件下運輸、貯藏和銷售。當前對于肴肉貯藏特性的研究也都是基于密封良好、溫度控制嚴格的理想條件。然而由于種種原因，在餐飲、家庭等場所也常出現(xiàn)肴肉開封后繼續(xù)冷藏的情況，這必然加快肴肉的腐敗速度，其貯藏特性也將發(fā)生較大變化，為了保證肴肉食用安全和消費者切身利益，有必要對開封后、4 ℃冷藏條件下肴肉新鮮度特性及其檢測技術進行研究。

目前，肉制品檢測技術主要有感官評定、理化和微生物指標的測定，近紅外光譜技術和高光譜技術等[2-5]。于見亮等[6]利用評估檢驗法對羊肉新鮮度進行了評定，沈海亮[7]綜述了感官分析在肉制品加工中的應用，此類研究闡明了感官評定具有操作簡便、直觀有效的特點，也暴露了其主觀性強、難以實現(xiàn)在線檢測等不足；肖香等[1]測定了真空包裝水晶肴肉貯藏期間的微生物和理化特性，胡萍等[8]對真空包裝煙熏火腿切片的pH值、揮發(fā)性鹽基氮（total volatile basic nitrogen ，TVB-N）含量、蛋白含量等進行了跟蹤測定，但這些指標的測定均存在費時費力、難以自動化等不足；蔡健榮等[9]用近紅外光譜法測定豬肉的TVB-N含量，預測集的相關系數(shù)達到0.82，Leroy等[10]在1 200～1 300 nm波段利用近紅外光譜建立TVB-N的預測模型，實現(xiàn)了豬肉新鮮度的評價，這些研究顯示近紅外具有簡便、快速、適于在線檢測等突出優(yōu)點，但其冗余信息量大，受樣品表面水分影響顯著的缺點仍未克服；高光譜成像是一種在測得的大量連續(xù)光譜帶上同時獲取空間位置的成像技術，它既含有光譜信息又含有圖像信息，并能對目標區(qū)域進行圖像和光譜信息的分析，在食品檢測中具有很大優(yōu)勢[11-13]，趙杰文等[14]將高光譜成像技術用于雞肉揮發(fā)性鹽基氮的檢測取得了良好效果，Ivorra等[15]利用高光譜技術用于真空包裝熏肉的過期檢測，準確率達82.7%。因此，本研究嘗試將高光譜成像技術應用于肴肉新鮮度檢測。肴肉開封后于4 ℃貯藏，連續(xù)8 d測定其TVB-N含量，并獲取肴肉反射光譜圖像，提取與新鮮度相關的特征波段，結合肴肉TVB-N含量建立偏最小二乘（partial least squares ，PLS）模型，實現(xiàn)肴肉新鮮度的快速有效檢測。

1 材料與方法

1.1 材料

肴肉樣本購自鎮(zhèn)江市宴春酒樓肴肉廠，生產(chǎn)日期均為購買前1 d，用冷藏箱運回實驗室后打開包裝于4 ℃冰柜中貯藏待測。樣品共96 個樣，隨機分配校正集64 個，預測集32 個，連續(xù)8 d每天對12 個肴肉樣本進行高光譜采集和TVB-N含量測定。

1.2 儀器與設備

ImSpector V10E高光譜攝像機 芬蘭Spectra Imaging有限責任公司；Fiber-Lite DC950 Illumi-nator 150 W光纖鹵素燈 美國Dolan Jenner Industries公司；Zolix SC30021A精密電控平移臺 北京Zolix公司。

1.3 方法

1.3.1 高光譜圖像的采集

高光譜成像系統(tǒng)可采集的光譜范圍為430～960 nm，光譜分辨率為2.73 nm。

為了防止基線漂移，數(shù)據(jù)采集前將高光譜圖像采集系統(tǒng)打開，預熱30 min。數(shù)據(jù)采集時，將肴肉樣本用培養(yǎng)皿盛放置于電控位移臺上，設定高光譜相機曝光時間為50 ms，電控平移臺移動速率為1.25 mm/s。數(shù)據(jù)采集時，線陣探測器沿光學焦面垂直方向進行橫向掃描，獲取條狀空間每個像素在各波長處的光譜信息；隨著樣本縱向前進，線陣探測器即可完成整個樣本數(shù)據(jù)的采集。光譜采集間隔為0.858 nm，采集得到618個波長下的圖像，最終得到一個大小為618×1628×618的高光譜圖像數(shù)據(jù)塊，如圖1所示。

高光譜圖像數(shù)據(jù)采集完成后，需要對獲得的高光譜圖像進行黑白標定[16]。在與樣品采集相同的條件下，采集標準白色校正板得到全白的標定圖像W，關閉相機快門采集得到全黑的標定圖像B，根據(jù)式（1）完成高光譜圖像的標定，使采集得到的絕對圖像I變成相對圖像R：

1.3.2 TVB-N含量測定

樣品在進行光譜掃描以后立即按照GB/T 5009.44—2003《肉與肉制品衛(wèi)生標準的分析方法》[17]測定TVB-N含量，3 次重復，取平均值。

1.3.3 肴肉新鮮度評定

根據(jù)GB 2707—2005《鮮（凍）畜肉衛(wèi)生標準》[18]規(guī)定，新鮮肉TVB-N含量應低于15 mg/100 g，但考慮到肴肉原材料加工前及加工過程中都會有少量細菌、酶等引起的蛋白質(zhì)分解，肴肉中TVB-N含量略偏高是正常的。參照已有的研究結果[1,8,19]，按照TVB-N值將肴肉鮮度劃分為2個等級：一級鮮度（TVB-N含量≤20 mg/100 g），二級鮮度（TVB-N含量＞20 mg/100 g）。

1.3.4 標準正態(tài)變量變換（standard normal variate transformation，SNV）計算

SNV是常用的光譜預處理方法之一，它主要用于消除固體顆粒大小不均勻和密實度不一、表面散射以及光亮度變化對光譜帶來的影響[20]。SNV算法是從原始光譜中減去該條光譜的平均值，再除以標準偏差，對需SNV變換的光譜Xi,k按式（2）計算：

圖1 高光譜圖像三維數(shù)據(jù)塊示意圖Fig.1 Schematics of hyperspectral imaging

式（2）中：為第i個樣品光譜的平均值；k=1，2，…，m；m為波長點數(shù)；i=1，2，…，n；n為校正集樣品數(shù)。

1.3.5 常規(guī)區(qū)間PLS（interval PLS，iPLS）、向后區(qū)間PLS（backward interval PLS，biPLS）和聯(lián)合區(qū)間PLS（synergy interval PLS，siPLS）優(yōu)選區(qū)間

肴肉高光譜圖像含有海量信息，如何進行數(shù)據(jù)優(yōu)化和建立穩(wěn)定的預測模型是研究的重點。利用PLS、建立光譜預測模型時，為了確定特定組分的特征波長譜區(qū)，減小建模和預測運算時間，以及剔除噪聲污染過大的譜區(qū)等，需要選擇合適的光譜譜區(qū)。iPLS優(yōu)選區(qū)間的基本原理為：將全光譜均勻劃分為n個子區(qū)間，對每個子區(qū)間分別建立PLS模型，最優(yōu)模型對應的區(qū)間為入選區(qū)間；biPLS優(yōu)選區(qū)間的基本原理為：將全光譜均勻劃分為n個子區(qū)間，每次剔除一個區(qū)間使得剩余區(qū)間對應的PLS模型最優(yōu)，如此重復直至剩余1個子區(qū)間，全局最優(yōu)PLS模型對應的區(qū)間組合為入選區(qū)間[21]；siPLS優(yōu)選區(qū)間的基本原理為：將全光譜均勻劃分為n個子區(qū)間后，聯(lián)合其中m個區(qū)間進行PLS建模，建模時按排列組合的思想對種組合方式分別進行考察，挑選最優(yōu)模型對應的m個子區(qū)間組合作為入選區(qū)間，由于此方法的計算量非常大，一般m＜5[22]。

從iPLS、biPLS、siPLS優(yōu)選區(qū)間的基本原理可以看出，光譜子區(qū)間數(shù)n是一個重要參數(shù)，決定了每個子區(qū)間的窗口寬度。子區(qū)間劃分數(shù)太少，光譜的特征區(qū)間可能會包含過多的干擾噪音；子區(qū)間數(shù)過多時，特征光譜區(qū)間建立的模型預測精度不再提高[23-24]。因此本研究在光譜子區(qū)間數(shù)n∈[10,30]范圍內(nèi)進行優(yōu)化，綜合考慮校正集和預測集樣本實測值與預測值的相關系數(shù)Rc和Rp、交互驗證均方根誤差（root mean square error of cross-validation ，RMSECV）及預測均方根誤差（root mean squared error of prediction，RMSEP）以確定最佳子區(qū)間劃分數(shù)。

2 結果與分析

2.1 肴肉TVB-N含量

如圖2所示，TVB-N含量最低為10.161 mg/100 g，最高為29.623 mg/100 g，均值為21.692 mg/100 g，標準偏差為4.803 mg/100 g。樣品中的TVB-N含量呈上升趨勢，其平均值第2天即超過15 mg/100 g，第3天超過20 mg/100 g，這主要是由于打開包裝后腸桿菌等微生物的快速生長致使樣品中蛋白質(zhì)大量分解，引起生物胺含量增加所造成的[1]。

按照2∶1的比例把96 個樣本隨機分為校正集和預測集，其TVB-N含量分布情況如表1所示。訓練集樣本的TVB-N含量變化范圍較大，且包含測試集的變化范圍。

表1 肴肉TVB-N含量測定結果Table1 The measured results of TVB-N content in Yao meat

2.2 光譜信息提取與預處理

圖2 TVB-N含量測定結果Fig.2 The measured results of TVB-N content

圖3 肴肉樣本光譜圖Fig.3 Reflectance spectra of 96 samples

由于肴肉樣本較為明顯的分為瘦肉和膠狀體2部分，且膠狀體組成成分較為復雜與多變，本研究將僅對瘦肉部分進行分析。使用高光譜圖像處理軟件ENVI4.5選取樣本中較為均勻的瘦肉部分，獲取50×50像素的矩形區(qū)域的平均光譜值。由圖3A可以看到，肴肉樣的原始光譜夾雜了很多高頻隨機噪聲、光散射、基線漂移等噪聲信息，這些信息會直接影響模型的準確性和穩(wěn)定性，因此需要對原始光譜進行預處理。

從圖3B可以看出，光譜噪聲減少許多，平滑度也有所提高。

2.3 肴肉TVB-N含量預測模型的優(yōu)化及新鮮度評定

2.3.1 PLS模型的優(yōu)化

肴肉TVB-N含量PLS預測模型的優(yōu)化主要是特征波段選擇及PLS回歸模型的建立。根據(jù)1.3.5節(jié)所述3種方法原理，用交互驗證法確定主成分數(shù)和篩選子區(qū)間，以校正集和預測集樣本實測值與預測值的相關系數(shù)Rc和Rp、RMSECV及RMSEP作為評價各種建模方法的有效指標[25]。采用三類區(qū)間PLS建立模型時，為了更準確的尋找肴肉光譜的特征波段，將整個光譜區(qū)域劃分為10～30 個子區(qū)間并分別應用iPLS、biPLS和siPLS建立預測模型，選取RMSECV值最小時的劃分區(qū)間數(shù)作為最優(yōu)區(qū)間數(shù)，并選取相對應的最佳子區(qū)間和最佳因子數(shù)。

綜合考慮各模型R、RMSECV、RMSEP，4 種方法所取的最佳參數(shù)（即區(qū)間劃分數(shù)、最佳子區(qū)間、主因子數(shù)）和各模型RMSECV、RMSEP、Rc、Rp如表2所示，模型結果如圖4所示。

表2 PLS、iPLS、biPLS和siPLS模型結果Table2 Parameters of PLS, iPLS, biPLS and siPLS models

由表2可以看出，iPLS模型優(yōu)選出的特征區(qū)間為619～657 nm，biPLS模型的優(yōu)選區(qū)間為615.5～642、695～774.5、854～880.5、907～933.5 nm，siPLS模型的優(yōu)選區(qū)間為430～461、555～586、929～960 nm。相對于PLS模型，iPLS法僅選用了1個優(yōu)選區(qū)間，雖能有效避免噪音的干擾，但有效信息亦丟失較多，建模結果相對較差。biPLS和siPLS模型的建模結果則都得到改善，這主要是由于經(jīng)過特征區(qū)間篩選較好的降低了噪聲信息對于模型的干擾，多個優(yōu)選區(qū)間的聯(lián)合則為模型提供了足夠的有效信息。使用siPLS法建立的預測模型對TVB-N含量有最優(yōu)的預測結果，模型精度也相對較高，其校正集Rc和RMSECV分別達到0.881 4、2.07，預測集Rp和RMSEP分別達到0.854 8、2.47。

圖4 PLS、iPLS、biPLS、siPLS模型結果Fig.4 Calibration and predication results from PLS, iPLS, biPLS, and siPLS models

2.3.2 基于siPLS模型的肴肉新鮮度評定

按照TVB-N含量對肴肉進行分類，結果如表3所示。綜合考慮各模型結果，采用對TVB-N含量有較優(yōu)預測結果的siPLS模型對肴肉新鮮度進行評定。首先根據(jù)肴肉TVB-N含量的化學測定結果，將不大于20 mg/100 g的樣本分為一級，大于20 mg/100 g的樣本分為二級，并分別統(tǒng)計數(shù)量；再依據(jù)siPLS模型對肴肉TVB-N含量的預測值判定肴肉新鮮度的預測等級，分別統(tǒng)計一、二級樣本中預測正確和錯誤的樣本數(shù)，并計算準確率。siPLS模型對校正集樣本和預測集樣本評定的總體準確率分別達到90.6% 和87.5% （表3）。

表3 siPLS模型對肴肉新鮮度的評定結果Table3 Predicted results for Yao meat freshness with siPLS model

3 結 論

研究連續(xù)8 d跟蹤測定了開封后于4 ℃貯藏的肴肉中的TVB-N含量，并利用肴肉高光譜信息建立了PLS、iPLS、biPLS、siPLS 4 種TVB-N含量預測模型。其中siPLS模型對肴肉的TVB-N含量預測結果最佳，優(yōu)選出的特征區(qū)間為430～461、555～586、929～960 nm，校正集Rc和RMSECV分別達到0.881 4和2.07，預測集Rp和RMSEP分別達到0.854 8和2.47，對肴肉新鮮度等級進行評定時校正集和預測集準確率分別達到90.6%和87.5%。結果表明利用高光譜技術可以實現(xiàn)肴肉新鮮度的快速、無損檢測。但考慮到高光譜數(shù)據(jù)量龐大、不適合在線檢測的不足，今后將根據(jù)優(yōu)選出的特征波段設計多光譜設備，以實現(xiàn)肴肉新鮮度的在線檢測。

[1] 肖香, 王莉莉, 王敏, 等.真空包裝水晶肴肉的貯藏特性研究[J].食品與機械, 2013, 29(1): 187-189.

[2] SYKES A V, OLIVEIRA A R, DOMINGUES P M, et al.Assessment of European cuttlefish (Sepia of fi cinalisL.) nutritional value and freshness under ice storage using a developed Quality Index Met hod(QIM) and biochemical methods[J].LWT-Food Science and Technology, 2009, 42(1): 424-432.

[3] LAWAL A T, ADELOJU S B.Progress and recent advances in fabrication and utilization of hypoxanthine biosensors for meat and fish quality assessment: a review[J].Talanta, 2012, 100(1): 21 7-228.

[4] OCA O-HIGUERA V M, MAEDA-MART NEZ A N, MARQUEZR OS E, et al.Freshness assessment of ray fish stored in ice by biochemical, chemical and physical methods[J].Food Chemistry,2011, 125(1): 49-54.

[5] XIONG Z, SUN D, ZENG X, et al.Recent developments of hyperspectral imaging systems and their applications in detecti ng quality attributes of red meats: a review[J].Journal of Food Engineering, 2014, 132(1): 1-13.

[6] 于見亮, 于秀, 李開雄.應用評估檢驗法感官評定羊肉新鮮度[J].肉類工業(yè), 2008(5): 31-33.

[7] 沈海亮.感官分析在肉制品加工中的應用[J].肉類研究, 2011,24(1): 59-63.

[8] 胡萍, 周光宏, 徐幸蓮, 等.真空包裝煙熏火腿切片貯藏品質(zhì)動態(tài)變化研究[J].肉類工業(yè), 2010(7): 17-21.

[9] 蔡健榮, 萬新民, 陳全勝.近紅外光譜法快速檢測豬肉中揮發(fā)性鹽基氮的含量[J].光學學報, 2009, 29(10): 2808-2812.

[10] LEROY B, LAMBOTTE S, DOTREPPE O, et al.Prediction of technological and organoleptic properties of beefLongissimus thoracisfrom near-infrared reflectance and transmission spectra[J].Mea t Science, 2004, 66(1): 45-54.

[11] QIAO J, WANG N, NGADI M O, et al.Prediction of drip-loss, pH,and color for pork using a hyperspectral imaging technique[J].Meat Science, 2007, 76(1): 1-8.

[12] 吳建虎, 彭彥昆, 陳菁菁, 等.基于高光譜散射特征的牛肉品質(zhì)參數(shù)的預測研究[J].光譜學與光譜分析, 2010, 34(7) : 1815-1819.

[13] ELMASRY G, BARBIN D F, SUN D, et al.Meat quality evaluation by hyperspectral imaging technique: an overview[J].Critical Re views in Food Science and Nutrition, 2012, 52(8): 689-711.

[14] 趙杰文, 惠喆, 黃林, 等.高光譜成像技術檢測雞肉中揮發(fā)性鹽基氮含量[J].激光與光電子學進展, 2013, 50(7): 158-164.

[15] IVORRA E, GIRON J, SANCHEZ A J, et al.Detection of expired vacuum-packed smoked salmon based on PLS-DA method using hyperspectral images[J].Journal of Food Engineering, 2013, 117 (3):342-349.

[16] 陳全勝, 趙杰文, 蔡健榮, 等.利用高光譜圖像技術評判茶葉的質(zhì)量等級[J].光學學報, 2008, 28(4): 669-674.

[17] 衛(wèi)生部.GB/T 5009.44—2003 肉與肉制品衛(wèi)生標準的分析方法[S].北京: 中國標準出版社, 2003.

[18] 衛(wèi)生部.G B 2 7 0 7 — 2 0 0 5 鮮(凍)畜肉衛(wèi)生標準[S].北京: 中國標準出版社, 2005.

[19] 肖香, 董英, ?，? 等.真空包裝水晶肴肉加工及貯藏過程中的菌相研究[J].食品科學, 2013, 34(15): 204-207.

[20] 趙杰文, 林顥.食品、農(nóng)產(chǎn)品檢測中的數(shù)據(jù)處理和分析方法[M].北京: 科學出版社, 2012: 41-44.

[21] ZOU X, ZHAO H, LI Y.Selection of the efficient wavelength region s in FT-NIR spectroscopy for determination of SSC of ‘Fuji’ apple based on BiPLS and FiPLS models[J].Vibrational Spectroscopy,2007, 44(2): 220-227.

[22] CHEN Q, ZHAO J, LIU M, et al.Determination of total polyphenol s content in green tea using FT-NIR spectroscopy and different PL S algorithms[J].Journal of Pharmaceutical and Biomedical Analysi s,2008, 46(3): 568-573.

[23] 葉鶯, 陳崇幗, 林熙.偏最小二乘回歸的原理及應用[J].海峽預防醫(yī)學雜志, 2005, 11(3): 3-6.

[24] 秦浩, 林志娟, 陳景武.偏最小二乘回歸原理、分析步驟及程序[J].數(shù)理醫(yī)藥學雜志, 2007, 20(4): 450-451.

[25] 蘇紅軍, 杜培軍.高光譜數(shù)據(jù)特征選擇與特征提取研究[J].遙感技術與應用, 2006, 21(4): 288-293.