基于高光譜成像技術(shù)對牛肉品種判別的研究

辛世華，韓小珍，王彩霞

（1.寧夏工商職業(yè)技術(shù)學(xué)院旅游管理系，寧夏銀川750021；2.寧夏大學(xué)學(xué)術(shù)期刊中心，寧夏銀川750021；3.寧夏大學(xué)農(nóng)學(xué)院，寧夏銀川750021）

牛肉肉質(zhì)嫩滑，味道鮮美，是人們?nèi)粘ｏ嬍车闹匾M成部分[1]。不同品種的牛肉在品質(zhì)和口感上存在很大的差異，但肉品性狀和顏色極為相似，肉眼難以區(qū)分。傳統(tǒng)的肉類判別方法有酶聯(lián)免疫吸附[2]、蛋白質(zhì)譜技術(shù)[3-5]、聚合酶鏈?zhǔn)椒磻?yīng)（polymerase chain reaction，PCR）等[6]，操作繁瑣，耗時耗力。因此，需研發(fā)一種快速無損、操作簡單的方法對牛肉的種類進行判別。

高光譜成像技術(shù)作為一種新型無損檢測技術(shù)，具有超多波段、高光譜分辨率和譜圖合一等優(yōu)勢[7]，在肉品分析領(lǐng)域得到了廣泛的應(yīng)用。Sanz 等[8]利用線性最小均方（linear minimum mean squared，LMS）分類器在380 nm～1 028 nm 波段范圍對羊肉肌肉類型進行識別分類，其準(zhǔn)確率達到96.67%；Zhenjie Xiong 等[9]利用可見近紅外高光譜對散養(yǎng)雞和普通飼養(yǎng)方式下的及進行識別分析，并結(jié)合多元散射校正（multiplicative scatter correction，MSC）進行預(yù)處理，建立基于連續(xù)投影算法（successive projections algorithm，SPA）和徑向基函數(shù)-支持向量機（radial basis function-support vector machine，RBF-SVM）的雞肉判別模型，模型準(zhǔn)確率高達 93.33%；Pu 等[10]在 400 nm～1 000 nm 光譜范圍內(nèi)對新鮮和凍融豬肉進行分類，校正集與預(yù)測集準(zhǔn)確率分別為93.14%與90.91%。識別準(zhǔn)確率分別為100%、94.1%、95.5%；王松磊等[11]使用高光譜成像技術(shù)對寧夏地區(qū)灘寒雜交、鹽池灘羊、小尾寒羊3 個品種羊肉進行識別，結(jié)果表明，不同波段高光譜對羊肉品種識別均有較好效果；Kamruzzaman 等[12]對豬肉、牛肉和羊肉3 種不同種類的肉進行鑒別和分類并利用主成分分析（principal component analysis，PCA）和偏最小二乘判別（partial least square-discriminant ，PLS-DA） 等進行建模，結(jié)果表明，驗證集中3 種類型的肉類樣品的總體正確分類率為98.67%。綜上可知，已有學(xué)者利用高光譜成像技術(shù)對雞肉、豬肉、羊肉以及摻假肉等進行判別分析，但對不同品種牛肉的判別鮮有報道。

該研究利用可見/近紅外高光譜技術(shù)對5 個不同品種的牛肉進行判別分析。首先利用不同的預(yù)處理對原始光譜進行預(yù)處理并劃分校正集與預(yù)測集，通過所建立的PLS-DA 模型優(yōu)選最佳預(yù)處理方法，建立基于特征波段和全波段的K 最近鄰算法（K-nearest neighbor，KNN）、偏最小二乘判別分析，選出最佳模型，為快速無損判別牛肉品種提供技術(shù)參考[13]。

1 材料與方法

1.1 材料與儀器

產(chǎn)奶率低的荷斯坦奶牛，采自寧夏吳忠市澇河橋分割肉加工有限公司；3 歲左右的秦川牛、西門塔爾牛，力木贊牛及安格斯牛，采自寧夏固原市寧夏尚農(nóng)生物科技發(fā)展產(chǎn)業(yè)有限公司。各品種牛經(jīng)屠宰后在0 ℃下冷藏，排酸48 h。取出牛肉樣品進行分割，每個品種的牛分別取4 個部位肉（脖肉、眼肉、瓜條肉、里脊肉），剔除多余的油脂和筋膜后，放入保溫箱運至寧夏大學(xué)農(nóng)產(chǎn)品無損檢測實驗室，貯藏在4 ℃冷柜備用。5 個品種的牛肉樣品各60 個，共300 個。光譜掃描前將肉樣整形切塊（大小約為40 mm×30 mm×10 mm），25 ℃下放置2 h，待肉樣中心溫度達到室溫（25 ℃）水平后，用濾紙吸干樣品表面的水分，進行光譜掃描。

Hyper Spec-VNIR 高光譜成像系統(tǒng)、VT-80 自動電控位移平臺：美國Headwall 公司；Imspector N 型成像光譜儀（光譜分辨率2.8 nm，狹縫寬度25 μm）、G4-232 增強型 EMCCD 相機（像素尺寸 8.0 μm）、2 個鹵素?zé)艄庠矗好绹鳪olden Way Scientific 公司；VT-80 自動電控位移平臺。

1.2 試驗方法

1.2.1 高光譜圖像采集

由于肉樣本紋理形狀、色澤等會造成光源漫反射，影響光譜信息采集效果。因此，圖像采集時需設(shè)置合理的曝光時間和位移平臺移動速度。經(jīng)預(yù)試驗確定牛肉樣品的采集參數(shù)：相機曝光時間為15 ms，物距為380 mm，電控位移平臺移動速度為15 mm/s[13]。同時，由于光源強度分布不均及相機中暗電流的存在，使采集到的信息中含有大量噪聲。因此在采集高光譜圖像之前需進行黑白校正。具體方法同文獻[13]。

圖像采集前，需打開高光譜儀器預(yù)熱30 min。試驗過程中，每組取5 塊肉樣依次置于電控位移平臺上，進行光譜掃描。圖像數(shù)據(jù)處理之前，利用ENVI 4.8 軟件選取整塊肉表面作為感興趣區(qū)域（range of interest，ROI），計算ROI 內(nèi)的平均反射光譜，作為樣本的反射光譜[13]。

1.2.2 樣本劃分

采用光譜-理化值共生距離法（sample set parti tioning based on joint X-Y distances，SPXY）[14]進行樣本劃分。

1.2.3 光譜數(shù)據(jù)預(yù)處理

在光譜采集過程中，由于試驗樣本、測定環(huán)境及儀器噪音等因素的影響，所采集的光譜數(shù)據(jù)中會夾雜一些無用信息，從而影響建模性能。因此，需要對原始光譜數(shù)據(jù)進行預(yù)處理。該試驗通過卷積平滑（savitzkygolay smoothing，SG）、區(qū)域歸一化、一階導(dǎo)數(shù)（first derivative，F(xiàn)D）、基線校準(zhǔn)、標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate，SNV）、MSC 方法[15]對原始光譜進行預(yù)處理。

1.2.4 模型建立

試驗采用PLS-DA、KNN 法及RBF-SVM 法建立牛肉品種鑒別模型。PLS-DA 算法是在PLS 回歸算法基礎(chǔ)上建立樣本分類變量與光譜特征間的回歸模型的分類方法。KNN 算法是將一個樣本在特征空間中的K 個最相似或者最鄰近的樣本進行比較，樣本中的大多數(shù)屬于某一類則將該樣本歸結(jié)為此類[16]。RBF-SVM法是基于統(tǒng)計學(xué)習(xí)理論提出的一種機器學(xué)習(xí)識別方法，對非線性及高維信息識別具有較好的處理能力。該算法的原理將向量映射到高維空間，構(gòu)建一個超平面，進而建立合適的分隔超平面，使兩個與之平行的超平面距離達到最大，從而解決復(fù)雜數(shù)據(jù)的分類及回歸問題。用The Unscrambler X 10.4 對光譜數(shù)據(jù)進行預(yù)處理[13]，其余算法在Matlab R2016a 中實現(xiàn)。

2 結(jié)果與討論

2.1 光譜反射率曲線分析

對5 種牛肉樣品的光譜數(shù)據(jù)取平均，得到的平均光譜曲線如圖1 所示。

圖1 牛肉樣品平均光譜圖Fig.1 The original average spectra

由圖1 可以看出，不同品種牛肉的光譜曲線走勢相似。其中，奶牛肉的反射率值明顯低于其他牛肉。在400 nm～590 nm 波段范圍內(nèi)，反射率較低。而在650 nm～780 nm 波段，光譜反射值較高。

在可見光區(qū)域，牛肉中的肌紅蛋白與血紅蛋白相互作用，使其肉色呈現(xiàn)紅色；在近紅外區(qū)域，光譜吸收取決于物質(zhì)分子基團中光子能量吸收與能級躍遷，不同物質(zhì)具有特定的波長吸收組合，牛肉脂肪、蛋白質(zhì)及水分含量約占牛肉總質(zhì)量的99%，因此光譜吸收主要與其本身所含的-OH，-CH 和-NH2等基團密切相關(guān)。由圖1 可以看出，在部分波段范圍內(nèi)存在光譜交叉及重疊現(xiàn)象，但是在690 nm～930 nm，各波段反射率差異比較明顯，這為牛肉品種的快速判別提供了大量信息。

2.2 預(yù)處理方法的選擇

經(jīng)不同預(yù)處理方法后建立PLS-DA 模型，結(jié)果見表1。

由表1 可知，經(jīng)過FD 法預(yù)處理后所建模型的交互驗證中最小錯誤率最小為0.08，其模型的準(zhǔn)確率達到95.33，表明采用一階導(dǎo)數(shù)預(yù)處理所建模型的準(zhǔn)確性最好。故選擇FD 方法對原始光譜進行預(yù)處理。

表1 不同預(yù)處理方法后的PLS-DA 模型結(jié)果Table 1 The results of PLS-DA models by different pretreatment methods

2.3 樣本集劃分

樣本集的劃分方法在一定程度上決定了所建模型的優(yōu)略性，該研究利用SPXY 法對樣本劃分進行劃分。對牛肉樣品進行取樣時選擇3/4 樣本作為校正集，剩余1/4 作為預(yù)測集。樣本劃分結(jié)果見表2。

表2 利用SPXY 法劃分樣本結(jié)果Table 2 The results of sample partitioning by SPXY

2.4 建模方法及建模結(jié)果的比較分析

2.4.1 建模參數(shù)的設(shè)定

KNN 算法中最重要的是K 值的確定。K 值不僅會影響模型的穩(wěn)定性，同時對模型的預(yù)測效果也有很大的干擾[13]。試驗中將最大主成分?jǐn)?shù)設(shè)定為10，利用馬氏距離算法[17]并進行數(shù)據(jù)歸一化處理，采用百葉窗交互驗證[18]，設(shè)置交互驗證組數(shù)為10，尋找交互驗證錯誤率最小處即為最佳K 值，結(jié)果見圖2。

圖2 KNN 算法中K 值選擇Fig.2 K values selection for KNN algorithm

由圖2 可知，當(dāng)K=6 時，錯誤率達到最低值，所以選擇K=6 時建立KNN 模型。

在建立PLS-DA 模型時，將模型的最大主成分?jǐn)?shù)設(shè)定為20[13]，數(shù)據(jù)歸一化處理后，采用百葉窗交互驗證[19]，設(shè)置交互驗證組數(shù)為10，原始光譜的交互驗證錯誤率隨主成分?jǐn)?shù)的變化見圖3。

圖3 交互驗證中不同主成分下的錯誤率Fig.3 Error rate of different principal components in cross validation

由圖3 可知，在主成分?jǐn)?shù)為11 時誤判率最低，故將11 確定為最優(yōu)主成分?jǐn)?shù)。

2.4.2 建模結(jié)果

將經(jīng)FD 法預(yù)處理后的光譜數(shù)據(jù)，分別建立基于全部波段的KNN、PLS-DA、RBF-SVM 牛肉品種判別模型，并對模型效果進行比較分析，模型結(jié)果見表4。

綜上可知，RBF-SVM 法所建模型的校正集準(zhǔn)確率與預(yù)測集準(zhǔn)確率均高于KNN、PLS-DA 算法，RBF-SVM 法所建模型結(jié)果較好，校正集與預(yù)測集準(zhǔn)確率分別為100%、99%。

表4 5 個品種牛肉的鑒別準(zhǔn)確率Table 4 Identification accuracy of five beef breeds

3 結(jié)論

本文利用近紅外高光譜技術(shù)，在400 nm～1 000 nm對5 種不同牛肉品種進行判別，采集其高光譜圖像，提取其光譜信息，對比分析不同的光譜預(yù)處理方法，優(yōu)選出FD 預(yù)處理方法；并采用SPXY 法劃分樣品；然后分別建立基于全波段和特征波長下的PLS-DA，KNN 及RBF-SVM 牛肉判別模型。RBF-SVM 法所建模型的校正集與預(yù)測集準(zhǔn)確率分別為100%、99%，具有較好的判別效果，為牛肉品種快速無損判別提供理論依據(jù)。