IVISSA算法冷鮮灘羊肉嫩度的高光譜模型優(yōu)化

劉貴珊，張 翀，樊奈昀，程麗娟，余江泳，袁瑞瑞

寧夏大學(xué)農(nóng)學(xué)院，寧夏 銀川 750021

引 言

鹽池灘羊是寧夏優(yōu)勢(shì)特色畜種，肉質(zhì)鮮嫩、 低脂無(wú)膻、 脂肪均勻[1]。嫩度是評(píng)價(jià)灘羊肉品質(zhì)極為重要的指標(biāo)之一[2]，決定了肉在烹飪后的口感[3]。肉品嫩度的傳統(tǒng)檢測(cè)方法為WBS剪切儀，檢測(cè)過(guò)程復(fù)雜且破壞樣本，不能滿足肉品嫩度快速無(wú)損檢測(cè)的需求。近年來(lái)，高光譜成像技術(shù)作為新型快速無(wú)損檢測(cè)手段，廣泛應(yīng)用于畜產(chǎn)品內(nèi)外部品質(zhì)的檢測(cè)[4-5]，為肉品嫩度的快速無(wú)損檢測(cè)提供了理論依據(jù)[6-8]。高光譜成像技術(shù)中所采集的樣品光譜波段較多，這些波段不僅包含樣品信息還包含了大量的無(wú)用信息，如噪音、 背景干擾等，通常會(huì)優(yōu)選特征變量對(duì)原始光譜數(shù)據(jù)降維，提取有效信息，減少模型的運(yùn)算次數(shù)，提高模型的預(yù)測(cè)精度。因此，特征變量的選擇對(duì)光譜數(shù)據(jù)分析和模型簡(jiǎn)化有著重要的意義。國(guó)內(nèi)外學(xué)者主要采用SPA[9]、 CARS[10]和VCPA[11]等常規(guī)算法來(lái)進(jìn)行特征變量選取，其弊端在于樣本中校正集出現(xiàn)變換或波動(dòng)時(shí)，會(huì)影響集合內(nèi)變量的判斷，導(dǎo)致所構(gòu)建模型預(yù)測(cè)能力顯著降低，而IVISSA[12]算法在彌補(bǔ)這一缺陷的同時(shí)還可以最大限度的提取樣品的有效信息，保證變量特征信息的完整性，降低運(yùn)算次數(shù)，提高預(yù)測(cè)模型的魯棒性。

以冷鮮灘羊肉為研究對(duì)象，利用高光譜成像系統(tǒng)采集圖譜信息，采用六種預(yù)處理方法對(duì)可見(jiàn)-近紅外和近紅外區(qū)域的波段進(jìn)行預(yù)處理，并采用SPA，CARS，VCPA和IVISSA算法進(jìn)行降維處理，比較以上算法提取出的特征波長(zhǎng)所構(gòu)建模型的預(yù)測(cè)效果，為鹽池灘羊肉品質(zhì)的在線快速無(wú)損檢測(cè)提供理論依據(jù)。

1 實(shí)驗(yàn)部分

1.1 材料

6月齡的鹽池灘羊背部最長(zhǎng)肌樣本213個(gè)，采集于寧夏鹽池縣大夏牧場(chǎng)食品有限公司。

1.2 儀器與設(shè)備

可見(jiàn)-近紅外高光譜(400～1 000 nm)，采用美國(guó)Headwall公司生產(chǎn)的HyperSpec VNIR N型設(shè)備，光譜分辨率為2.8 nm，狹縫寬度為25 μm，狹縫長(zhǎng)度18 mm；CCD相機(jī)像素尺寸8.0 μm，光源為鹵素?zé)綦p線光源。

近紅外高光譜(900～1 700 nm)，采用芬蘭Specimen公司的Imspector N17E-NIR型成像光譜儀，光譜分辨率5 nm，狹縫寬度30 μm，狹縫長(zhǎng)度9.6 mm，CCD型號(hào)為Models XC-130 100 Hz，混合像元尺寸30×30 pix，全幅幀數(shù)60幀·s-1，光源為Hyper-SIS系統(tǒng)功率，35 W，光通量3 200 lm的4個(gè)鹵素?zé)簟?/p>

TA-XTplus質(zhì)構(gòu)儀(英國(guó)SMS有限公司)，刀具為HDP-BSW，厚度3 mm。

1.3 方法

1.3.1 光譜采集

高光譜系統(tǒng)預(yù)熱半小時(shí)后進(jìn)行校準(zhǔn)和參數(shù)設(shè)定[13-14]。羊肉樣本暴露于室溫0.5 h，用紙巾擦去表面水分，放置于高光譜電控位移平臺(tái)，進(jìn)行光譜掃描。使用ENVI4.8軟件提取樣本感興趣(1.5 cm×1.5 cm)。

1.3.2 嫩度測(cè)量

參照國(guó)標(biāo)NY/T 1180—2006 《肉嫩度的測(cè)定剪切力測(cè)定法》。

1.3.3 IVISSA算法

IVISSA算法[12]是從整體和個(gè)體兩個(gè)方面對(duì)波段進(jìn)行挑選。其中整體和個(gè)體分析采用波段的權(quán)重優(yōu)化，保證各個(gè)波段的間隔位置和寬度。設(shè)光譜數(shù)據(jù)為X，嫩度值為Y，樣品個(gè)數(shù)為n，波長(zhǎng)變量個(gè)數(shù)為p。其原理如下：

(1)采用權(quán)重二進(jìn)制矩陣采樣法(WBMS)將X進(jìn)行隨機(jī)組合，產(chǎn)生子數(shù)據(jù)集x(k×p)，其中0

(2)將得到的子數(shù)據(jù)集x作為校正集模型進(jìn)行回歸分析；

(4)重復(fù)(2)和(3)過(guò)程來(lái)變換波長(zhǎng)和權(quán)重值，當(dāng)所有子模型的RMSECV值和RMSEP值誤差不改變時(shí)，權(quán)重結(jié)果為1的波長(zhǎng)構(gòu)成原始光譜數(shù)據(jù)的特征波長(zhǎng)，運(yùn)行程序結(jié)束。

2 結(jié)果與討論

2.1 原始光譜分析

由圖1可知，可見(jiàn)-近紅外高光譜在450～550和700～800 nm之間存在兩個(gè)明顯的吸收峰，在700～800 nm之間樣本存在較強(qiáng)的反射率。近紅外高光譜在1 000～1 010 nm處出現(xiàn)一個(gè)較為明顯的吸收峰。兩個(gè)波段區(qū)域的大部分光譜曲線具有相同的趨勢(shì)，但也存在極個(gè)別光譜曲線出現(xiàn)差異的現(xiàn)象，其原因可能是存在異常樣本或光譜掃描過(guò)程中噪音的影響。在900～1 000 nm波段中出現(xiàn)較為明顯的噪音波段，其原因可能是由于儀器噪音或者暗電流的影響。

圖1 灘羊肉樣本原始光譜曲線(a)：400～1 000 nm；(b)：900～1 700 nmFig.1 Original spectra of mutton samples(a)：400～1 000 nm；(b)：900～1 700 nm

2.2 樣本集劃分

由于光譜信息采集過(guò)程中，存在外界噪音等影響因素，導(dǎo)致某些光譜信息出現(xiàn)異常，故采用蒙特卡洛法剔除異常值。將剔除異常值的灘羊肉樣本采用SPXY(sample set partitioning based on joint x-y distances)法將按3∶1劃分為校正集樣本和驗(yàn)證集樣本。如表1所示：400～1 000 nm波段，校正集為152個(gè)樣本，驗(yàn)證集為50個(gè)樣本；1 000～1 700 nm波段，校正集為146個(gè)樣本，驗(yàn)證集為50個(gè)樣本。

表1 不同波段校正集與預(yù)測(cè)集灘羊肉的嫩度(單位：g)Table 1 Mutton tenderness of calibration and prediction in different bands(unit：g)

2.3 預(yù)處理方法優(yōu)選

如表2所示，同種預(yù)處理方法所構(gòu)建的1 000～1 700 nm波段的PLSR模型效果均優(yōu)于400～1 000 nm波段(De-trending預(yù)處理方法除外)，這是由于1 000～1 700 nm波段所采集光譜反映的是樣本的物理特性，更適用于嫩度模型的構(gòu)建。在1 000～1 700 nm波段所構(gòu)建的PLSR模型中，原始光譜的相關(guān)系數(shù)Rc值為0.83，Rp值為0.79，表明原始光譜所建立的灘羊肉嫩度模型更加穩(wěn)定和精確。預(yù)處理后所建立的灘羊肉嫩度模型效果變差的原因可能是原始光譜經(jīng)過(guò)預(yù)處理后其中某些光譜特征信息被覆蓋或者隱藏。

表2 不同預(yù)處理方法所建立的PLSR模型效果對(duì)比Table 2 Comparison of PLSR models established by different pretreatment methods

2.4 特征波長(zhǎng)提取

如圖2所示，在1 000～1 700 nm波段內(nèi)對(duì)原始光譜數(shù)據(jù)進(jìn)行降維處理。優(yōu)選過(guò)程中，RMSECV值逐漸減小，在第15個(gè)波段RMSECV最小為1 535.40，隨后小幅度增大。因此選用前15個(gè)波段建立PLSR模型，其優(yōu)選波段占228個(gè)總波段的7%。

圖2 SPA算法提取PLSR模型中的特征波長(zhǎng)Fig.2 Characteristic wavelength in PLSR model by SPA algorithm extraction

如圖3所示，采用CARS法提取特征波長(zhǎng)，設(shè)定其運(yùn)行次數(shù)為1 000。圖3(a)為篩選特征變量數(shù)的過(guò)程，分為為兩部分，即第一階段快速減少(粗選)而第二階段非常緩慢(精選)。圖3(b)為RMSECV的變化趨勢(shì)圖，當(dāng)RMSECV值最小為1 164.31時(shí)，挑選出16個(gè)特征波長(zhǎng)，占228個(gè)總波段的6%。圖3(c)中每條線代表回歸系數(shù)的變化趨勢(shì)，*號(hào)表示RMSECV最小的位置。

圖3 CARS算法在PLSR模型中波長(zhǎng)選擇過(guò)程Fig.3 Wavelength selection process in PLSR model by CARS algorithm

VCPA法在1 000～1 700 nm原始光譜基礎(chǔ)上所提取的特征波長(zhǎng)共13個(gè)，占總波段數(shù)的5%。其挑選過(guò)程中RMSECV值最小時(shí)為1 296.24；IVISSA算法在1 000～1 700 nm原始光譜基礎(chǔ)上所挑選的特征波長(zhǎng)個(gè)數(shù)為123個(gè)，占總波段數(shù)的54%，其RMSECV最小值為1 211.19。IVISSA算法不僅降低了運(yùn)算次數(shù)，而且還提高了模型性能。

2.5 PLSR模型構(gòu)建

圖4顯示在900～1 700 nm波段所構(gòu)建的PLSR灘羊嫩度預(yù)測(cè)模型結(jié)果，其中OS-IVISSA-PLSR模型效果最優(yōu)，Rc=0.85，RMSEC=850.86，RMSECV=1 193.42，Rp=0.79，RMSEP=1 497.11。相對(duì)于王婉嬌[15]使用NIR高光譜成像技術(shù)檢測(cè)冷鮮羊肉嫩度的預(yù)測(cè)相關(guān)系數(shù)(Rp)提高了0.017。

圖4 灘羊肉樣本嫩度預(yù)測(cè)模型(a)：OS-SPA-PLSR；(b)：OS-CARS-PLSR；(c)：OS-VCPA-PLSR；(d)：OS-IVISSA-PLSRFig.4 Prediction Models of Tenderness in Tan mutton(a)：OS-SPA-PLSR；(b)：OS-CARS-PLSR；(c)：OS-VCPA-PLSR；(d)：OS-IVISSA-PLSR

如表3為SPA，CARS，VCPA和IVISSA四種算法選取特征波長(zhǎng)建立的PLSR模型。經(jīng)過(guò)對(duì)比，最優(yōu)模型為 IVISSA-PLSR。分析原因如下：(1)通過(guò)IVISSA提取出的特征波長(zhǎng)信息與嫩度值擬合度高，排除了樣本中無(wú)關(guān)光譜信息，使得預(yù)測(cè)性能更加優(yōu)越；(2)影響羊肉嫩度本身的因素有很多，如蛋白質(zhì)含量、 脂肪含量、 肉質(zhì)紋理和水分等，而通過(guò)前三種特征波長(zhǎng)算法所提取的特征波段可能排除了某一因素下的光譜信息，導(dǎo)致預(yù)測(cè)結(jié)果偏低。

表3 不同特征波長(zhǎng)提取方法所建立的PLSR模型效果對(duì)比Table 3 Performance comparison of PLSR models based on different wavelength extraction methods

3 結(jié) 論

利用可見(jiàn)-近紅外高光譜(400～1 000 nm)和近紅外高光譜(900～1 700 nm)系統(tǒng)采集了冷鮮灘羊肉原始光譜，經(jīng)過(guò)優(yōu)選預(yù)處理方法和最佳波段后，建立基于SPA，CARS，VCPA和IVISSA算法下的PLSR嫩度預(yù)測(cè)模型。結(jié)論如下：

(1)近紅外高光譜的原始光譜模型的預(yù)測(cè)效果優(yōu)于可見(jiàn)-近紅外高光譜。

(2)在900～1 700 nm波段下，采用不同預(yù)處理方法建模，原始光譜模型效果最優(yōu)，其Rc=0.83，Rp=0.79，RMSEC=874.94，RMSEP=1 465.9。

(3)900～1 700 nm波段的原始光譜經(jīng)SPA，CARS，VCPA和IVISSA四種方法所挑選出15，16，13和123個(gè)特征波長(zhǎng)，占總波長(zhǎng)的7%，6%，5%和54%。

(4)與其他的變量選擇方法相比，IVISSA-PLSR模型的Rc=0.85，Rp=0.79，RMSEC=850.86，RMSEP=1 497.11，RMSECV=1 193.42，預(yù)測(cè)精準(zhǔn)度更高，模型穩(wěn)定性更好。結(jié)果表明，IVISSA是一種有效簡(jiǎn)化特征波長(zhǎng)的提取方法，可提高肉品嫩度模型的預(yù)測(cè)精度和魯棒性。