基于高光谱技术的牛肉含水率无损检测

柴玉华，迟　强，苏中滨，王云鹤

(东北农业大学 电气与信息学院， 哈尔滨　150030)



基于高光谱技术的牛肉含水率无损检测

柴玉华，迟强，苏中滨，王云鹤

(东北农业大学 电气与信息学院， 哈尔滨150030)

摘要：牛肉含水率的高低不仅直接影响牛肉品质，而且会对消费者造成经济损失。为此，通过实验探究了采用高光谱图像技术对牛肉含水率进行检测的可行性，为检测牛肉品质提供依据。采用82个牛肉后腿样本作为实验材料，按5×4×1cm的规格通过国际烘干法测量其真实含水量，并采集它们的光谱图像；获取样本的光谱信息后，通过ENVI及MatLab软件获取感兴趣区域。同时，利用不同的预处理方法，分别建立BP神经网络和偏最小二乘校正模型，通过比对两种模型结果，偏最小二乘校正模型能够更有效预测牛肉含水率，校正集相关系数为0.91，校正标准差为0.121，预测集的相关系数为0.89，预测标准差为0.118。研究结果证实，利用高光谱图像技术可以快速无损检测牛肉含水率。

关键词：牛肉；含水率；高光谱图像；偏最小二乘

0引言

近年来，随着生活水平的提高，肉制品受到人们的青睐。其中，牛肉因其高蛋白、低脂肪而在肉制品中首屈一指，尤其受到消费者欢迎。但随着需求量的增加，牛肉的品质越来越受到关注和重视，含水率过高的牛肉不仅对人们的经济造成损失，也对人们身体健康构成威胁，所以对牛肉品质的检测就更加重要[1]。

目前，全球范围内的检测方式大多停留在化学方法。这种方式带来了较高的检测精度，却同时伴有成本高、操作难、检测周期长及破坏检测样本品质的弊端。肉制品的无损检测技术成为了广大学和企业的研究目标和实验方向，而光谱技术成为了最具潜力的无损检测方法。近年来，光谱技术被国内外学者和研究人员广泛应用于检测肉制品品质方面并取得良好效果。文东东等采用高光谱技术研究了不同品种干牛肉嫩度的快速检测[2]；朱荣光等实现了利用高光谱技术对牛肉储存时间和取样部位的预测[3]；石慧等基于高光谱成像技术对对虾品质进行快速检测，并取得了良好成果[4]；吴建虎等基于高光谱散射特征成功对牛肉品质参数进行了预测[5]；EIMasry等通过高光技术对鱼肉的脂肪和含水率进行了检测[6]；Shackelford等采用可见-近红外光谱技术实现了牛肉嫩度的在线分级[7]。

本文采用高光谱图像技术对牛肉含水量进行检测，通过选取感兴趣区域，利用不同的预处理方法，建立主成分分析和偏最小二乘校正模型对预测集进行评判，作为后期对牛肉品质检测的相关依据。具体实验流程图如图1所示。

图1　实验流程图

1实验材料

1.1高光谱成像系统

系统采用“推扫式”成像方法，其主要由高光谱成像仪(美国Headwall生产)、光源、样品输送设置、图像采集卡及计算机组成。光谱仪的光谱采集范围为400～1 000nm，光谱分辨率为1.29，光谱采样的波段间隔为0.64nm，空间分辨率为0.15。硬件部分整体框图如图2所示。

1.COMS相机　2.高光谱镜头　3.牛肉样本　4.步进式电机

1.2牛肉样本

所有牛肉样本的试验样品取自哈尔滨阿城屠宰场，牛的品种为西门塔尔牛，所有样本为屠宰后24h解僵后的后腿里脊肉；分割时，将牛肉样本均切割成5×4×1cm大小，约25g；样本经过采集后，用密实袋包装装入生化保鲜箱移至实验室后，立即测量样本的高光谱图像信息和进行含水率测量。

2实验方法

2.1高光谱图像的黑白校正

高光谱成像系统在实验过程中，由于光源强度在不同波段的强度不同及摄像头中的暗电流的影响，所采集到的光谱图像存在很多噪音信号，影响实验结果。因此，必须在实验开始前对光谱图像进行黑白校正来避免实验结果不准确[8]。进行黑白校正时，在不产生任何外在变量条件下，关闭光谱相机镜头盖，设定采集到的全黑的高光谱标定图像为黑(W)；开启镜头盖后，将设备设定为实验参数，将校准白板放于移动平台上，将采集到的标准全白的高光谱标定图像白(B)[9-10]。最后利用公式Ir=(I-B)/(W-B)，将实验所获得的样品绝对图像I转换成相对图像Ir。其中，I为最终获得的样品高光谱图像信息。

2.2光谱数据采集

在进行光谱数据采集前，首先要将实验仪器光谱仪调至最佳实验状态即打开后预热约30min，用实验试样本测试光源强度、曝光时间、移动平台的起始位置和移动速率，从而保证实验所得光谱图像清晰而不失真；在实验设备完全稳定后即确定移动平台初始位置为0，输送速率为90nm/s，扫描长度为90nm，镜头曝光时间为2.5s，开始实验；对实验样本依次进行高光谱数据采集并按照编号用途储存。在实验仪器运行过程中，获得实验样本在光学焦平面垂直方向和平行方向上的光谱信息和空间图像信息，最后获得了涵盖了特定像素下的光谱信息和含有特定波长下的空间图像信息。得到的牛肉样本原图像和光谱数据如图3和图4所示。

图3　牛肉样本原图像

图4　光谱数据

由光谱图可以看出：波长在550～600nm之间时，存在一个吸收峰；波长在720～770nm之间时，光谱的反射率最高。

2.3实验数据处理及模型评价

高光谱图像采集选用高光谱成像仪(美国Headwall生产)，数据的处理使用了ENVI4.7和MATLAB7.11软件平台。利用留一交叉验证相关系数，校正集标准差和预测集相关系数 ,预测集标准差。其中，标准集和预测集的相关系数越大(接近1)、标准差越小(接近0)，说明模型性能越好，反之异然[11-12]。

2.4牛肉含水率测定

利用国际烘干发测定牛肉的含水量。将样本连同承装器皿称重并编号后放入恒温烤箱中，设置80℃烘烤2h后调至105℃烘干24h，取出样本后测取质量。计算公式为

X=(m2-m3)/(m2-m1)

其中，X为含水率；m1、m2、m3分别为承装器皿质量、干燥前样本连同承装器皿重量、烘干后样本连同承装器皿质量。

实验中，考虑到所选择的样本必须具有高程度的代表性(即包含样本的各个化学参数和光谱信息)，在满足数学统计建模的前提下，将实验样本按3：1的比例分为标准样本集和预测集。牛肉样本含水率经测量后实验结果如表1所示。

表1　牛肉样本含水率测量结果

2.5样本代表性光谱及建模谱区范围的选择

在运输、存储及实验过程中，实验样本主要成分蛋白质、脂肪等物质不断分解，造成肌体表面营养成分的分布和颜色分布不断变化。所以，每次实验前都将样本在空气中进行约0.5h的表面氧化；之后，选取肌体中心部分作为感兴趣区域，尽量避免所选部位过于光亮。在所获取的感兴趣区域中涵盖了大量的像素点，由于实验外部存在噪声影响、特殊波段响应值不足(波长小于450nm和大于880nm)等原因，选定450～880nm作为实验区域。

2.6光谱预处理方法的选择

在采集光谱信息过程中，由于存在一些无用的信息，这些信息会导致模型预测性能大幅度下降，所以在对所采集的光谱数据进行分析时需要对光谱数据进行预处理，去除与样本无关的信息。为了能取得更为良好的建模结果，通过对常用的预处理方法进行对比性测试，通过比较获取的标准集和预测集的相关系数和标准差来确定最佳预处理方法。本实验采取的预处理方法有平滑(S-G)、一阶导、多元散射校正及变量标准化(SNV)[13]。

2.7特征波长选取

本实验选用连续投影法作为特征波长的选择方法，通过多元线性回归，从光谱信息中找出变量间线性关系最小的变量组。这大大提高了建模所需的变量利用率，省去了对无用信息的处理过程，从而提高了模型的预测性能。

3实验结果及建立并评价数学模型

3.1建模方法

常用的统计模型主要有多元线性回归、多元逐步回归、主成分分析、主成分回归、偏最小二乘、人工神经网络、偏最小二乘支持向量机等方法。本实验采用BP神经网络和偏最小二乘方法分别建立了牛肉含水率预测模型，通过对比建模结果评判模型适用性。

3.2BP神经网络模型分析

BP神经网络可以在特征空间行程复杂的非线性决策边界，从而解决非线性可分问题。为了快捷、有效地提取到具有代表性的特征波长，参照美国农业部的研究结论：水的特征吸收波长分别有760、980、1 450、1 940nm。由于实验谱区范围在450～880nm，选取760nm作为特征波长建立模型[14]。由于单单选定一个波长作为特征波长进行建模，可能会受到实验对象物理特性的影响，因此选取720nm作为参考波长， 分别建立BP神经网络模型。实验结果如表2、图5、图6所示。

表2　直接引用特征波长和引入参考波长建模结果

图5　直接引用特征波长的BP神经网络模型结果

图6　引入参考波长的BP神经网络模型结果

通过实验结果分析，引入了参考波长之后的建模结果得到了微小的提高；但两个建模结果都不理想，校正集和预测集的相关系数较低，预测能力一般[14]。

3.3偏最小二乘模型分析

偏最小二乘法(PLSR)是在主成分分析法的基础上更好地概括自变量信息，对多个自变量进行分析即同时描述多个变量信息，同时对因变量也具有高效的解释能力。

利用偏最小二乘建模过程中，利用交叉验证法来确定主成分的个数。通过采用外部验证法的留一法(leave-one-out)，将校正集样本的主成分数为1开始，不断带入模型中，计算出预测值，利用预测值推导计算出预测集标准差。当验证标准差(SEV)出现极小值时，所选取的主成分个数即为最佳主成分数。

验证不同种预处理方法建立的PLSR模型得到结果来选取最优预处理方法，结果如表3和图7所示。

表3　不同预处理方法得到的偏最小二乘模型结果

图7　PLSR最佳建模结果

实验数据表明：采用不同预处理方法对PLSR模型有很大的影响。采用变量标准化对数据进行预处理得到的模型结果最佳，对牛肉含水率具有很高的预测性。

4结论

基于高光谱成像技术对牛肉含水率进行定量检测，在400～1 000nm的波长范围中，建立了BP神经网络模型和偏最小二乘校正模型，通过比对两种模型对牛肉含水率定量预测能力及准确度，选出最优模型。实验研究结果表明：不同预处理方法对模型的精度有很大程度的影响。其中，变量标准化预处理所建立的PLSR模型具有更准确的预测性，含水率校正集的相关系数及标准差分别为0.91和0.121，预测集的相关系数及标准差分别为 0.89和0.118，实现了对牛肉含水率的较理想预测。

参考文献：

[1]中华人民共和国卫生部,中国国家标准化管理委员会.GB/T 5009.44—2003肉与肉制品卫生标准的分析方法[S]．北京:中国标准出版社,2004.

[2]文东东,李小昱,赵政,等.不同品种牛肉新鲜度光谱检测模型的维护方法[J].食品安全质量检测学报,2012,3(6):621-626.

[3]朱荣光,姚雪东,高广娣,等.不同储存时间和取样部位牛肉颜色的高光谱图像检测[J].农业机械学报,2013,44(7):1000-1298.

[4]石慧.基于高光谱成像技术的对虾品质信息快速检测方法研究[D].杭州:浙江大学,2013.

[5]吴建虎,彭彦昆.基于高光谱散射特征的牛肉品质参数的预测研究[J].光谱学与光谱分析,2010,30(7):1815-1819.

[6]G. ElMasry,J. P. Wold. High-Speed Assessment of Fat and Water Content Distribution in Fish Fillets Using Online Imaging Spectroscopy[J].Journal of Agricultural and Food Chemistry, 2008,56(17): 7672-7677.

[7]S. D. Shackelford, T. L. Wheeler, M. Koohmaraie. On-line classification of US select beef carcasses for longissimus tenderness using visible and near-infrared reflectance spectroscopy[J]. Meat Science, 2005,69(3): 409-415.

[8]张海云,彭彦昆,王伟,等.生鲜猪肉主要品质参数无损在线检测系统[J].农业机械学报,2013,44(4):146-151.

[9]吴建虎,彭彦昆,江发潮,等.牛肉嫩度的高光谱法检测技术[J].农业机械学报,2009,40(12):135-150.

[10]文东东.基于光谱技术的牛肉新鲜度检测模型维护方法研究[D].武汉:华中农业大学，2013.

[11]周彤,彭彦昆.牛肉大理石花纹图像特征信息提取及自动分级方法[J].农业工程学报,2013,29(15):286-293.

[12]郭辉,彭彦昆,江发潮,等.手持式牛肉大理石花纹检测系统[J].农业机械学报,2012,43(S):207-210．

[13]Guo Hui，Peng Yankun，Jiang Fachao，et al．Development of conveyable beef-marbling detection system[J]．Transactions of the Chinese Society for Agricultural Machinery，2012，43(S):207-210．

[14]汤修映,牛力钊,徐 杨,等. 基于可见近红外光谱技术的牛肉含水率无损检测[J].农业工程学报,2013,29(11)：248-254.

Abstract ID:1003-188X(2016)04-0222-EA

Nondestructive Determination of Water Content in Beef Using the Hyperspectral Image Detection

Chai Yuhua, Chi Qiang, Su Zhongbin, Wang Yunhe

(College of Electrical and information , Northeast Agricultural University, Harbin 150030, China)

Abstract：The moisture content of beef not only can directly affect the beef quality, but also brings great economic damage to the consumers, therefore this experiment provides the basis for beef quality detection by exploring the feasibility of detecting beef moisture content through hyperspectral image technology. 82 samples of cows’ back-legs are adopted as experiment materials to measure their real moisture and to collect their hyperspectral images by way of international drying method according to the specification of 5×4×1cm. After getting the hyperspectral information of the samples, with the help of ENVI and MATLAB software, interesting areas are gained. By different pretreatment methods, artificial neural network and PLS calibration model are separately built. Though comparison of the results of these two models, PLSR calibration model can better predict the beef moisture content. The correlation coefficient of correction is 0.91 the RMSEC is 0.121 the correlation coefficient of prediction set is 0.89and the RMSEP is 0.118. The results show that beef moisture content can be quickly and intact detected through hyperspectral image technology.

Key words：beef; moisture content; hyperspectral image; PLSR

文章编号：1003-188X(2016)04-0222-04

中图分类号：S123

文献标识码：A

作者简介：柴玉华(1965-)，女，哈尔滨人，教授，博士生导师，(E-mail)yhchai@163.com。

基金项目：黑龙江省自然科学基金重点项目(ZD201303)

收稿日期：2015-03-30