利用高光譜成像技術預測牛肉pH值及其空間分布

喬蘆， 賀曉光， 王松磊， 王彩霞， 李娜， 陳前， 禹文杰

(寧夏大學農(nóng)學院，寧夏 銀川 750021)

牛肉是人類主要肉食品之一，具有高蛋白、低脂肪和低膽固醇的特點，并含有全部種類的氨基酸，深受消費者喜愛[1-2]。涇源黃牛作為寧夏優(yōu)勢畜種，具有肉質(zhì)鮮嫩、富有彈性、瘦肉多、脂肪少和蛋白質(zhì)含量豐富等特點，市場前景廣闊。新鮮牛肉pH值對肉品的色澤、嫩度、烹調(diào)風味、貨架期和保水性等都有非常重要的影響，是評定牛肉品質(zhì)的重要指標[3]。然而在牛肉屠宰過程中，牛肉正常的生理機能會遭到破壞，同時受肌體內(nèi)酶和各種微生物的影響，在儲藏、運輸過程中會發(fā)生無氧酵解，使其pH值發(fā)生變化，出現(xiàn)尸僵、成熟、自溶以及腐敗等現(xiàn)象[4-5]。屠宰后24 h內(nèi)肉品pH值變化幅度過大會對牛肉的品質(zhì)產(chǎn)生影響，因此在牛肉胴體后處理以及生肉加工過程中如何快速并準確獲得牛肉pH值，對牛肉品質(zhì)的檢測具有重要意義[6]。傳統(tǒng)測量牛肉pH值的方法有比色法和電位法等，測量效率低、耗時且繁瑣，不能實現(xiàn)快速和無損檢測[7]。高光譜無損檢測技術具有操作方便、原理簡單和不破壞樣品等優(yōu)點，在食品質(zhì)量和安全性評估中受到了廣泛關注[8-11]。楊建松等[12]取排酸48 h后的不同部位牛肉樣本，經(jīng)不同預處理后建立牛肉pH值偏最小二乘回歸模型，決定系數(shù)為0.620。王文秀等[13]在基于雙波段光譜下建立原料肉的pH值在線預測模型，相關系數(shù)為0.950 4。BARBIN等[14]利用近紅外高光譜圖像技術預測豬肉的pH值并建立預測模型，相關系數(shù)為0.87。LI等[15]利用高光譜成像技術經(jīng)過洛倫茲函數(shù)擬合后建立豬肉新鮮度的預測模型，其中pH值的預測相關系數(shù)為0.72。雖然建立回歸模型預測肉類pH值的研究并不少見，但是該類研究中目前存在建模過程中使用方法較單一、對比性不明顯以及缺乏直觀可視效果等缺陷，不利于實際操作與工業(yè)應用和推廣。本研究以寧夏涇源黃牛肉為對象，對其屠宰后牛肉pH值進行快速檢測，利用可見/近紅外高光譜成像系統(tǒng)(400～1 000 nm)采集樣本圖像信息，通過不同的預處理以及特征波長提取方法分別建立基于全波段和特征波段的偏最小二乘回歸(partial least squares regression, PLSR)、多元線性回歸(multiple linear regression, MLR)和主成分回歸(principal component regression, PCR)模型，對牛肉pH值進行預測并比較，選擇最優(yōu)模型。在此基礎上計算牛肉樣本中像素點的pH值，并利用偽色彩圖像直觀表示牛肉樣本的pH值的空間分布情況，從而實現(xiàn)對牛肉pH值無損檢測及分布可視化表達，為牛肉品質(zhì)的在線光譜快速檢測提供理論依據(jù)。

1 材料與方法

1.1 材料與儀器

研究材料為寧夏涇源黃牛肉，養(yǎng)殖于寧夏涇源縣，由寧夏尚農(nóng)生物科技發(fā)展有限公司提供。研究采用高光譜成像系統(tǒng)(Hyper Spec VNIR)進行樣本高光譜圖像采集(波長范圍400～1 000 nm，光譜分辨率為2.8 nm，125個波段)，系統(tǒng)主要包括高光譜成像光譜儀(V10E-QE，芬蘭Specim公司)、電荷耦合器件相機(C8484-05G型，日本濱松公司)、光纖鹵素燈(DCR III型，150 W，美國肖特公司)和電控位移平臺(SC300-1A型，北京卓立漢光公司)。肉品酸度檢測儀(Testo 205型pH計)購自深圳卓越儀器有限公司。

1.2 試驗方法

1.2.1 牛肉樣本采集 36月齡的涇源黃牛經(jīng)屠宰后，將其胴體放置在0 ℃下排酸48 h，取牛胴體4個部位的肉(脖肉、眼肉、瓜條肉和里脊肉)進行分割，剔除可見脂肪和結締組織，于4 ℃儲藏。光譜掃描前將肉樣整形切塊(40 mm×30 mm×20 mm)，最終得到牛肉樣本229個，用濾紙吸干表面水分進行高光譜圖像采集，隨后測定其pH值。

1.2.2 數(shù)據(jù)采集與處理 為消除光照不均勻和暗電流噪聲的影響，對原始光譜圖像進行黑、白圖像標定[16]，標定公式如下：

(1)

式中：IC為校正后的圖像反射率；RO是原始圖像的反射率；B表示是用不透明的黑色蓋板完全蓋透鏡所得到的標準黑色參考圖像；W為標準白板圖像。

依次將5個牛肉樣本按順序擺放，進行光譜掃描。最佳樣本采集參數(shù)為曝光時間15 ms、物距385 mm、電控位移載物臺的速度1.5 mm·s-1以及掃描線長度75 mm。

1.2.3 牛肉樣本pH值測定 pH計測頭插入樣本約8 mm處，取樣本上、中、下3個點(間距10 mm)進行測量，取3次平均值作為該樣本最終pH值參考值。

1.2.4 牛肉樣本劃分 采用Kennard-Stone(KS)算法對樣本進行劃分，從多個樣本池中選擇1個具有代表性的子集。首先選擇歐式距離或馬氏距離最大的2個樣本在校正集，然后計算其他樣本到已選2個樣本的距離，選擇最大和最小距離的樣本加入校正集，重復上述步驟，直到達到校正集所需的樣本數(shù)為止[17]。

1.2.5 光譜數(shù)據(jù)預處理 由于儀器噪聲、暗電流等外部干擾[18-19]，采集的光譜數(shù)據(jù)會存在無用信息從而影響建模效果。對原始光譜進行預處理來消除上述干擾[20]。本試驗通過Savitzky-Golay卷積平滑法(SG)、面積歸一化法、最大歸一化法、基線校準、標準正態(tài)變量變換(standard normal variables, SNV)、去趨勢法、多元散射校正(multiplicative scatter correction, MSC)、正交信號校正(orthogonal signal correction, OSC)對原始光譜進行預處理。采用SNV方法可以除去表面散射和路徑長短變化對光譜數(shù)據(jù)的影響，采用MSC方法可以消除由于物理效應引起的不理想的散射[21-22]。通過對原始光譜圖像和預處理后的光譜圖像的波峰波谷處波長處進行分析，直觀表示預處理對原始光譜的影響。

1.2.6 特征波長提取 有效的最佳波長選擇能夠刪除與樣本成分無關的信息，并提取最能代表肉類樣本基本信息的特征波長，通過提取具有重要信息的特征波長來簡化模型，提高運算效率[23]。本試驗應用競爭性自適應加權算法(competitive adaptive reweighed sampling, CARS)、無信息消除變量法(uninformative variable elimination, UVE)、β權重系數(shù)以及變量組合集群分析法(variable combination population analysis, VCPA)共4種方法來提取特征波長。

1.2.8 牛肉pH值空間分布可視化 利用CARS法提取的特征波長所建立的PLSR模型進行。通過ENVI軟件選取742 nm處的圖像，然后利用MATLAB軟件對圖像進行掩膜處理得到樣本二值化圖像，結合PLSR模型獲取與化學值相關的權重系數(shù)，其回歸系數(shù)與特征圖像每個像素點相乘，再根據(jù)矩陣賦值情況對像素點進行顯色處理，利用Jet色度帶進行顯色。

1.3 數(shù)據(jù)處理軟件

高光譜圖像數(shù)據(jù)分析軟件ENVI 4.8(Research System Inc, USA)，樣本集劃分、原始光譜預處理以及PLSR、MLR、PCR模型構建使用軟件The Unscrambler X10.4 ，特征波長提取使用Matlab R2016a軟件。

2 結果與分析

2.1 牛肉樣本劃分

對于穩(wěn)定的定量模型，選擇合適的定標集方法劃分樣本至關重要。具有良好代表性的樣本可以提高模型的預測能力。利用KS算法將229個牛肉樣本劃分為校正集(n=170)和預測集(n=59)，表1為pH值統(tǒng)計描述信息。其中校正集與預測集中，pH值最大分別為5.59和5.55，最小值分別為5.01和5.03，標準差分別為0.155和0.137，數(shù)值相差較小，適用于建立模型。

表1 牛肉樣本校正集與驗證集 pH 值統(tǒng)計結果Table 1 Statistics of pH value in calibration and validation set of beef samples

2.2 牛肉樣本全波段光譜預處理及PLSR模型分析

表2 不同預處理方法下牛肉pH值PLSR模型Table 2 PLSR model of beef pH value by different pretreatment methods

2.3 牛肉樣本原始光譜分析

牛肉在儲藏運輸過程中，受肌體內(nèi)酶和微生物的影響，肉品肌紅蛋白中的血紅素結構發(fā)生降解，從而促進氧合肌紅蛋白氧化為高鐵肌紅蛋白。圖1為牛肉樣本的原始光譜曲線圖，包含引起牛肉樣本pH值變化的脫氧肌紅蛋白、水分和氨所對應的光譜信息。560 nm處為脫氧肌紅蛋白的吸收峰，610 nm處是氨基團的3級倍頻吸收峰，700 nm處是牛肉樣本本身所帶的水分吸收峰。由于外界噪聲干擾以及儀器自身的暗電流等影響，圖1-A中原始光譜分離程度較高，出現(xiàn)基線漂移等現(xiàn)象，無法滿足建立穩(wěn)定數(shù)學模型的要求。根據(jù)2.2的研究結果，對原始光譜進行最大歸一化預處理。由圖1-B可知，經(jīng)預處理后的光譜有效減少了背景噪音，雜波的干擾減少，且分離程度大幅度降低，使光譜曲線變得更光滑，提高了模型的穩(wěn)健性。

注： A原始光譜圖；B最大歸一化法預處理光譜圖Note : A is the original spectrogram；B is the maximum normalization method to preprocess the spectrogram

2.4 特征波長選取

2.4.1 競爭性自適應加權算法(CARS) CARS是新的變量選擇方法，能有效減少共線變量對模型的影響，同時移除無用變量[24]。圖2所示為CARS篩選過程。圖2-A中所選變量個數(shù)呈遞減趨勢，抽樣變量數(shù)隨著抽樣次數(shù)的增加而減少；圖2-B中，當抽樣次數(shù)在0～126次時RMSECV值降低，此時無用信息被剔除，126～400次之間趨于穩(wěn)定，400次之后上升，此時有用信息被剔除，選取RMSECV值最小時，提取特征波長；圖2-C中最左邊的藍色豎線代表當RMSECV值最小時的抽樣運行次數(shù)。在多次試驗中，選取RMSECV值最小為0.065 9時提取的19個特征波長，分別為468、487、511、521、559、569、579、708、713、761、771、775、804、814、833、847、905、939和943 nm，占總波長變量的15.2%。

圖2 CARS法特征波長的篩選Fig.2 Selection of characteristic wavelength through CARS method

2.4.2 無信息消除變量法(UVE) UVE用于消除對檢測模型貢獻率少的光譜波段，即消除無信息變量，實現(xiàn)光譜波段的降維，從而提高模型檢測精度[25]。圖3所示為UVE模型的穩(wěn)定性分布曲線。當主成分數(shù)為11時，RMSECV最小，2條水平虛線外為有用信息，在此基礎上提取出16個特征波長，分別為415、492、497、502、511、516、521、583、612、617、622、627、646、651、905和977 nm，占總波長變量的12.8%。

2.4.3 β權重系數(shù)法 加權β權重系數(shù)是根據(jù)建立的PLSR模型得到回歸系數(shù)曲線圖，基于局部絕對值最大的原則挑選特征波長的方法[26]。該方法通過給予不同指標不同比例系數(shù)來表示指標在總量中重要程度。系數(shù)越大，該指標對總目標影響越大。如圖4所示，提取其吸收峰和反射峰中的波段(A～N)作為特征波段進行PLSR模型建立。由于在PLSR模型中前5個主成分累計貢獻率為96%，故提取前5個主成分的14個特征波長，分別為415.7、420.6、463.7、507.0、540.6、545.4、574.2、579.0、718.2、732.7、747.1、751.9、756.7和963.1 nm，占總波長變量的11.2%；對應的β權重系數(shù)分別為0.101、0.208、-0.085、0.016、0.138、-0.163、0.178、-0.230、0.285、0.086、0.233、-0.415、-0.034和-0.258。

圖3 考慮11個主成分的UVE法穩(wěn)定性分布曲線Fig.3 Stability distribution curve of UVE method considering 11 principal components

2.4.4 變量組合集群分析法(VCPA) 變量組合集群分析法(VCPA)[27]作為較新的特征變量篩選方法。該方法通過二進制矩陣采樣法進行模型種群分析，并利用指數(shù)衰減函數(shù)迭代進行變量篩選，基于達爾文進化論中“適者生存”的原理，不斷減小變量空間，使用RMSECV值作為選擇最佳變量的標準，將頻率較大的剩余變量進行組合作為最終選擇出的特征波長變量。如圖5所示，本研究中輸入數(shù)據(jù)為光譜變量，VCPA法采用5折交叉驗證，將VCPA法中指數(shù)衰減函數(shù)運行數(shù)設置為50，將二進制矩陣采樣運行數(shù)設置為1 000，選取前11個變量(選取頻率最大)作為最優(yōu)變量。利用VCPA法提取出11個特征波長，分別為415、430、454、458、487、612、627、655、660、665和679 nm，占總波長變量的8.7%。

注：A～N為特征波長對應位置

注：曲線為光譜曲線，柱狀圖為提取的特征波長

2.5 建模方法及建模結果的比較分析

2.6 牛肉pH值空間分布可視化

牛肉樣本可視化處理結果及過程如圖6所示。根據(jù)利用CARS法提取的特征波長所建立的PLSR模型，經(jīng)二值化圖像后最后進行顯色處理。樣本通過偽色彩圖像的不同區(qū)域顏色差異及深淺來表示該像素對應的pH值分布情況，顏色欄從藍色到紅色，表示pH值由低到高的變化，樣本邊緣位置偏藍色，中間位置整體偏橘色，且有深紅色。通過可視化可以直觀看出樣本pH值的空間分布情況。

表3 不同特征波長的牛肉pH值預測模型Table 3 Beef pH value prediction models with different characteristic wavelengths

圖6 基于PLSR模型的牛肉pH值空間分布可視化圖Fig.6 Visualization of spatial distribution of beef pH value based on the PLSR model

3 結論與討論

可視化技術因其直觀、快速以及無損等特點在食品檢測領域廣受歡迎[35]。本研究中，根據(jù)利用CARS法提取的19個特征波長所建立的PLSR模型生成牛肉pH值空間分布可視化分布圖?？梢暬植紙D可以直觀表示牛肉pH值的空間分布特征。本研究中pH值在樣本之間顯示出不同像素的差異，樣本邊緣為藍色，中間大部分為橘色，偶有深紅，推測是儲藏和運輸過程中牛肉內(nèi)微生物在生長和繁殖中產(chǎn)生了堿性物質(zhì)[5]。JIA等[36]利用可見/近紅外高光譜預測雞胸肉的pH值，并對pH值進行空間分布，得到了與本研究相似的結果。本研究表明，高光譜成像技術在快速無損檢測涇源黃牛肉性質(zhì)方面具有潛在的應用價值。