基于高光谱图像技术的腊肠酸价含量检测

刘　硕,郭培源,杨昆程,赵俊华

(北京工商大学计算机和信息工程学院,北京 100048)



基于高光谱图像技术的腊肠酸价含量检测

刘硕,郭培源,杨昆程,赵俊华

(北京工商大学计算机和信息工程学院,北京 100048)

本文以腊肠为研究对象,探讨了高光谱图像技术对其酸价检测的可行性。研究中,对高光谱成像系统获得的数据进行了MNF变换、PPI纯净指数计算、n-D Visualizer等处理,获得纯净的光谱数据信息。采用主成分分析,获得主成分图像,选取PC2作为分析对象,通过比较权重系数,选取六个特征波长943.28、1003.20、1136.53、1240.03、1326.95、1477.64 nm,并通过特征波长,选定1000～1500 nm波长范围作为光谱分析区域。利用PLS建模方法将高光谱数据与酸价实际值关联,获得腊肠酸价评价模型。采用一阶导+SG(17)+矢量归一化和二阶导+SG(21)+矢量归一化校正方法建立校正模型,校正集RMSECV和R2分别为0.28,0.97和0.31和0.96,验证集RPD分别为2.92和2.89,一阶导+SG(17)+矢量归一化建立的PLS模型更适合酸价的定量检测,模型预测值平均重复性标准差为0.22,模型预测值平均相对误差为10.32%。研究结果表明,高光谱图像技术检测腊肠酸价含量是可行的。

酸价,高光谱图像技术,PLS,主成分分析

腌腊制品这一古老的传统肉制品,以其独特的风味、便于保存的优点、以及千百年来不断传承的饮食文化,在传统肉制品消费中仍然占有重要位置。然而,腊肠制品因其蛋白质、脂肪含量高,运输和贮藏中出现问题等因素,很容易发生脂质氧化,酸败,微生物超标等品质劣变[1],产生腊肠褪色、出油、风味差等不同程度的质量问题,严重的还会威胁到人们的身体健康。酸价在我国的国家标准中,是一项用来衡量腊肠酸败程度的强制性指标,国标规定,每g脂肪中酸价应不大于4 mg·g-1KOH。酸价保持在适度的范围内,会使腊肉产生特有的风味,但过度氧化便会产生醛、酮、醇、羟甲基等,会给腊肠带来刺鼻的哈喇味,严重的氧化还会产生毒素,危害人体健康。

高光谱图像技术(hyper-spectral image)是近十几年来快速发展起来的一种将影像信息和光谱信息相结合的新兴检测技术[2]。高光谱的图像是一系列光波波长处的光学图像,范围可以从紫外到近红外(200～2500 nm)及波长更长的区域[3],能够得到既多且窄的光谱波段,拥有极高的光谱分辨率。高光谱数据既有能反映内部物理结构、化学成分的光谱信息,也有能反映样品品质的外部特征的图像信息。因此,高光谱技术在食品安全检测方面凸显了它的优越性和检测精度[4]。洪添胜[5]等运用高光谱图像技术与计算机图像技术对水果品质进行评价。Nagata[6]等应用650～1000 nm高光谱成像系统分别对草莓的可溶性固体和硬度进行了预测。Sivakumarc[7]采用高光谱图像技术结合人工神经网络研究预测了芒果中水分的含量。

目前,应用高光谱技术在猪肉,牛肉等肉类品质的组分定量检测进展显著[8-9],对于应用高光谱技术对腊味香肠的酸价的相关研究,目前尚未见报道。本实验以腊味香肠为研究对象,探讨研究了高光谱图像技术在快速检测腌腊肉制品中酸价含量的可行性,以期建立一种腌腊肉制品品质的快速检测方法。

1　材料与方法

1.1材料与仪器

广味腊肠:广西名香园食品有限公司;购于家乐福超市。

GaiaSorter高光谱分选仪北京卓立汉光仪器有限公司;8011S组织捣碎机美国Waring Commercial公司;OPUS6.0光谱处理软件德国布鲁克光谱仪器公司;ENVI5.0高光谱处理软件美国Exelis Visual Information Solutions公司。

1.2实验方法

1.2.1样品制备采购不同批次的广味腊肠,保质期六个月,置于无菌培养箱中,常温保存。选取15个接近生产日期,25个保质期内,以及8个超出保质期两个月的腊肠,共计48个腊肠样品构成样品集。样品粉碎成肉糜状,冰箱中保存。样品解冻后,每份样品分成两部分,分别用于获取理化实验中酸价值以及高光谱图像的信息。

本实验中酸价的获取按照国标GB 2730-2005《腌腊肉制品卫生标准》中相关规定进行测定。

1.2.2高光谱成像系统高光谱图像数据用卓立汉光公司GaiaSorter“盖亚”高光谱分选仪系统采集。高光谱采集系统如图1所示,主要由基于图像光谱仪的高光谱摄像机、CCD、光源、精密电控平移台,以及计算机等部件组成。其中,成像光谱仪的波段范围为900～1700 nm,光谱仪分辨率为5 nm,平均曝光时间为1 μs～500 ms,在900～1700 nm波长范围内一共有256个波段。

图1　高光谱成像系统Fig.1　Hyperspectral imaging system

采集系统的工作流程为,待测样品放置在有光源照射的电控移动平台上,光谱相机捕获样品反射光的信息,伴随着电控平台的匀速运行,获得连续的影像及光谱信息,所有的过程由计算机控制,最终获得了一个完整的高光谱数据立方体。

1.2.3理化实验方法实验中酸价的理化实际含量按照国标GB 2730-2005《腌腊肉制品卫生标准》中相关规定进行测定。

所用试剂包括:乙醚-乙醇混合液(按乙醚∶95%乙醇=2∶1混合,用氢氧化钾溶液(3 g/L)中和至酚酞指示液呈中性)、氢氧化钾标准滴定溶液[c(KOH)=0.050 mol/L]、酚酞指示液(10 g/L乙醇溶液)。

结果计算:试样的酸价按式(1)进行计算。计算结果保留两位有效数字。

式(1)

式中:X:样品的酸价(以KOH计),单位:毫克每克(mg/g);V:样品消耗的氢氧化钾标准滴定溶液体积,单位:毫升(mL);c:氢氧化钾标准滴定的实际浓度,单位:摩尔每升(mol/L);m:样品质量,单位:克(g)。

1.2.4高光谱数据采集实验前,将待采集光谱数据样品去皮,用组织捣碎机将其打成肉糜状。将粉碎所得肉糜样品均匀铺满聚苯乙烯表面皿,并置于水平移动平台上,采集光谱时,要保持周围环境的稳定性,以降低外界因素对数据的影响。光谱的采集范围是900～1700nm,分辨率为5nm,传送速度为100mm/s,共得到256个波段,采集到的数据如图2所示。高光谱数据包含海量的数据,高光谱图像数据中的每个像素点,均有一条对应的光谱曲线。

图2　高光谱数据Fig.2　Hyperspectral data

由于光源在各波段下强度分布不均匀以及摄像头中非人为因素的影响,会导致光源强度分布弱的波段下噪声较大,因此,需要对高光谱数据进行黑白标定[10]。保持与采集数据时的系统设定不变,扫描标准白板得到全白标定图像W,关闭相机快门进行图像采集得到全黑的标定图像B,高光谱图像标定的结果是使绝对图像I变成相对图像R。

式(2)

式中:R标定后图像,I原始图像;W白板图像;B黑色图像。

1.2.5光谱平均反射值选取高光谱数据拥有庞大的数据量,但因其维数较大、波段宽度窄,相邻波段相关性大,数据中冗余度也相对较大,且数据中含有不可避免的噪声干扰。为了保证选取的光谱平均反射值能够保留尽可能多的数据信息,保证数据的纯净,需要对高光谱原始数据进行处理。

最小噪声分离(MNF)是一种能够判断高光谱数据维数和分离数据中噪声的方法,在主成分变换的基础上对其改进,不但能够获取图像内在维数,而且能将数据中无用噪声分离出来,把光谱主要信息集中在前几个波段中,去除噪声的同时还可减少数据之间的相关性,大大减少了后续处理中的计算量。MNF也是一种线性变换,本质上是两次重叠的主成分分析。经过MNF处理后的影像质量随着波段的增加,质量逐渐下降,按照信噪比从大到小排列。其主要信息主要集中在前几个波段中[11]。

原始图像经过MNF变换后,特征值分布图如图3所示,图中横坐标为变换后的特征波段数,与原图像波段数相同,纵坐标为特征值,纵坐标越接近零,表明其噪声越大,贡献度越小,可认为是无用信息。由图可知,经过MNF变换的影像前18个波段中已含有大量信息,故可认为其后波段中均为噪声。

图3　MNF变换结果Fig.3　The MNF transform results

纯净像元指数(PPI)[12]是一种可以在多光谱和高光谱图像中寻找出最“纯净”的像元的工具。它是通过N维散点图迭代映射为一个随机单位向量,每次映射的极值像元以及其被标记的总次数一同被记录下来,从而生成一幅像元纯度图像。通常PPI运行于排出了噪声波段的MNF结果文件。实验中,选取MNF变换结果的前18个波段作为PPI指数的信息输入,计算PPI时,迭代次数为10000次,每次运行250次迭代,阈值设定为2.0,结果筛选出大约6000个像元。

n维可视化(n-D Visualizer)工具[13]可以与MNF和PPI结果相结合,用于定位、识别、聚集数据集中最纯的像元,从而获得纯净的端元波谱。采用n-D Visualizer工具中前面4个维度,n维空间的点呈现一些聚集合分散,聚集点表明该部分像元波谱图类似,聚集紧密,表明是一类波谱。实验中共分四类。

最终将n-D Visualizer分类出来的四种类型的波谱映射回最初的光谱输入文件,通过比对,找到腊肠处映射的颜色光谱,划定ROI(感兴趣区域)找到处理后的腊肠平均反射光谱。图4为经过处理后的ROI光谱曲线,与图2中未经处理的曲线相比,处理后的反射光谱更加平滑,且在低频波段和高频波段的噪声被去除,反射光谱更加纯净、准确。图5所示为经过同样处理获得的48组样品光谱曲线。

图4　ROI平均光谱曲线Fig.4　ROI average spectral curve

图5　48组腊肠样品光谱图Fig.5　The 48 groups sausage sample spectra

2　结果与分析

2.1腊肠酸价理化结果

根据国家标准测定的48组样品酸价的结果如表1所示。

2.2最优波段的选取

主成分分析是一种可以去除波段间多余信息、沿着协方差最大的方向由高维数据压缩到更有效的少数几个转换波段的方法。通过主成分分析,数据根据方差贡献率大小排列,选取累计方差贡献率大于85%～95%的前面几个主成分数便能够代表原始变量所能提供的绝大部分信息,每个主成分图像都是经过原始数据中各波长经线性组合而成的,通过比较线性组合中权重系数,便可以优选出最优波长及波段[14]。

表1　腊肠样品中酸价的范围、均值、标准差Table 1　Chemical analyses of the range,mean, standard deviationin the Sausage samples

经过分析,前五个主成分图像贡献率达到了96.75%,图6是经过PCA后的前五个主成分图像。由图中可知,PC5已经出现了较大的噪声,PC3可以看到清晰的腊肠样品图像,但其干扰比PC1和PC2的大,贡献因子较小,PC1图像光斑影响大,且图像背景及样品图像区分度不明显,所以选择PC2的权重系数选择特征波段。

图6　主成分分析得到的前5个图像Fig.6　Principal component analysis to get top five images

PC2是由256个波段下的图像经线性组合而成,即:

式(3)

通过比较256各波长下所对应的权重系数,找到6个局部最大权重系数,它们分别是α21、α39、α79、α110、α136、α181对应的波长分别为943.28、1003.20、1136.53、1240.03、1326.95、1477.64 nm。由于在低频段出现了比较大的噪声,而在高频段附近曲线平缓,无明显吸收,综合特征波长,本实验选取1000～1500 nm波长范围作为光谱分析区域,用于腊肠酸价模型的预测。

2.3光谱的预处理

为了保证模型的稳定性和可靠性,提高模型精度,在进行数据分析前,需要对光谱数据进行变换处理,消除一些非目标参数对光谱的影响[15]。矢量归一化(Vector normalization)主要是消除由微小光程或者样品厚度引起的光谱变化。导数化可以有效地消除基线漂移和其他背景的干扰,提高分辨率和灵敏度,其中一阶导数、二阶导数用得最为广泛。但为了消除光谱变换带来的噪声,常在求导前进性平滑处理。SG(Savitzky-Golay)也可求取导数光谱,其本质是对光谱曲线进行低通滤波,去掉高频成分,保留有用低频信息[16]。

图7、图8分别为一阶导数+SG+矢量归一化和二阶导数+SG+矢量归一化处理之后的光谱曲线。

图7　一阶导数+SG+矢量归一化Fig.7　The first derivative+SG+vector normalization

图8　二阶导数+SG+矢量归一化 Fig.8　The second derivative+SG+vector normalization

2.4不同预处理所建模型的对比

本文采用OPUS6.5软件建立偏最小二乘法(PLS)酸价含量预测模型。PLS是一种多元因子回归方法,PLS不仅可以对光谱阵X进行处理,而且可以在处理光谱阵X的同时对浓度阵Y进行处理,考虑两者之间相互关系,加强对应计算关系,从而保证获得最佳校正模型。随着对PLS方法深入研究发现,采用特征波长区间进行建模,更能有效的消除不相关或非线性变量的影响,可以减少运算量,简化模型,更能提高模型整体的预测精度[17]。故本实验通过主成分分析,确定特征波段并进行建模,模型采用内部交互验证标准偏差(RMSECV)和决定系数(R2),RMSECV越小,R2值越接近1,表明模型准确度高,模型回归性好。其计算公式为:

式(4)

式中:yi,actual为第i个样品的测定值;yi,predicted为模型对第i个样品的预测值;n为校正集的样品数。

式(5)

48个腊肠样品中平均选取36个作为校正集,12个为预测集,保证最大值以及最小值均在校正集中。

本实验中,采用一阶导数+SG+矢量归一化、二阶导数+SG+矢量归一化光谱校正方法进行预处理。并观察不同平滑点数对PLS模型的影响。

表2　不同光谱校正方法和平滑点数对PLS模型的影响Table 2　The influence on PLS model using different spectral pretreatment methods and the smooth points

平滑点数的不同,对模型有一定的影响,在实际操作中,不同样品的理想平滑点数是不同的。一般情况下,平滑点数过小,去噪效果不理想,平滑点数过大,容易把有用信息过滤掉[18]。表2中列举了两种不同光谱校正方法下不同平滑点数对模型的影响,通过RMSECV和R2对模型结果进行评价,对一阶导数+SG+矢量归一化来说,最佳平滑点数为17,此时它的RMSECV为0.31,R2为0.96,对二阶导+SG+矢量归一化来说最佳平滑点数为21,此时的RMSECV为0.62,R2为0.96。

采用一阶导+SG(17)+矢量归一化和二阶导+SG(21)+矢量归一化校正后的定量偏最小二乘模型,验证集RPD分别为2.92和2.89。由表3可知,PLS模型中一阶导+SG(17)+矢量归一化的处理效果更佳。制取接近生产日期、保质期内、超出保质期的腊肠样品各2个,共6个实验样品,作为未知浓度样品,国标法测定其真实理化值,利用构建好的一阶导+SG(17)+矢量归一化PLS模型进行预测,预测结果如表4所示。

表3　腊肠酸价定量模型分析结果Table 3　Sausage acid value quantitative model analysis results

由表4可知,一阶导+SG(17)+矢量归一化PLS模型的预测结果在含量比较低的浓度时,预测结果误差较大,原因可能为浓度过小,超出模型的检测范围;实际含量大时,模型检测效果不佳,原因可能为建立模型的过程中,参与模型的校正集过少,整体模型的预测效果较好,6组实验样品的平均重复性标准差为0.22 mg·g-1。结果表明,用高光谱图像技术对腊肠中酸价的检测是可行的。

表4　模型预测结果与酸价实际测量值对比Table 4　Evaluation results for the PLS models of acid value

3　结论

本文研究了利用高光谱图像技术进行腊肠中酸价定量检测的新方法。腊肠定量模型分析结果表明,一阶导+SG(17)+矢量归一化校正方法建立的模型RMSECV为0.28,R2为0.97,验证集RPD为2.92,二阶导+SG(21)+矢量归一化校正方法建立的模型RMSECV为0.31,R2为0.96,验证集RPD为2.89。实验结果表明,高光谱图像技术对腊肠中酸价的定量分析是可行的,并且具有较好的准确度,其中一阶导+SG(17)+矢量归一化处理后的模型分析结果较好,可以满足酸价的实际要求。

[1]薛山,贺稚非,李燕利,等.川味香肠货架期间理化品质变化规律研究[J].食品工业科技,2013,34(19):323-327.

[2]ElMasry G,Wang N,Vigneault C. Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks[J]. Postharvest Biology and Technology,2009,52(1):1-8.

[3]李江波,饶秀勤,应义斌.农产品外部品质无损检测中高光谱成像技术的应用研究进展[J].光谱学与光谱分析,2011,31(8):2021-2026.

[4]田有文,王晓娟.基于高光谱图像技术的农产品品质无损检测[J].农机化研究,2009,31(10):220-226.

[5]洪添胜,乔军,王宁,等.基于高光谱图像技术的雪花梨品质无损检测[J].农业工程学报,2007,23(2):151-155.

[6]NagataM,Tallada J G,Kobayashi T,et al.Predictingmaturity quality parameters of strawberries using hyperspectral imaging [C].American Society of Agricultural EngineersAnnual Meeting,2004:043033.

[7]Sivakumar S S,Qiao J,Gariepy Y,et al.Detectingm aturityparameters of mango using hyperspectral imaging techology[C]. American Society of Agricultural Engineers AnnualMeeting,2006:066183.

[8]Wu Jianhu,Yu Youwei. Prediction of Fresh Pork Quality using Hyperspectral Scattering Imaging(HSI)Technique[J]. Animal Husbandry and Feed Science,2015,7(3):144-147,151

[9]Gamal Elmasry,Douglas F Barbin,Da-Wen Sun,et al. Meat Quality Evaluation by Hyperspectral ImagingTechnique:An Overview[J]. Food Science and Nutrition,2012,52(8):689-711.

[10]G Polder,G W A M Van Der Heijden,L C P Keizer，et al.Calibration and characterization of imagings pectrographs[J]. Near Infrared Spectroscopy,2003,11(3):193-210.

[11]王婉娇,贺晓光,王松磊,等. 基于高光谱成像技术的灵武长枣常见缺陷检测[J].食品与机械,2015，31(3):62-65.

[12]杨强,张志,覃志豪,等. 基于ASTER数据的混合像元分解技术在水之检测与评价中的应用[J].遥感信息,2011(2):20-25.

[13]李雅辉,杨武年,刘汉湖.利用ALI遥感图像进行蚀变信息提取方法探讨[J].四川地址学报,2010,30(3):347-350.

[14]姚璐,丁亚明,马晓钟.基于高光谱成像技术的金华火腿无损分级检测研究[J].食品安全质量检测学报,2012,3(3):162-166.

[15]Mohammed. K,Gamal. E,Da-Wen Sun. Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression[J]. Innovative Food Science and Emerging Technologies,2012,6(3):4-12.

[16]梁剑,刘斌美,陶亮之,等.基于水稻种子近红外特征光谱的品种鉴别方法研究[J].光散射学报,2013,25(4):423-428.

[17]褚小立.化学计量学方法与分子光谱分析技术[M].北京:化学工业出版社,2011.

[18]史智佳,臧明伍,吕玉,等.近红外光谱快速测定乳化香肠的化学成分[J].食品科学,2013,34(18):175-179.

Study on detection of Chinese sausage using hyperspectral imaging technique

LIU Shuo,GUO Pei-yuan,YANG Kun-cheng,ZHAO Jun-hua

(School of Computer and Information Engineering,Beijing Technology and Business University,Beijing 100048,China)

Based on Chinese sausage,it has a discussion about the feasibility of hyperspectral imaging technique for detecting acid value. To deal with hyperspectral data by MNF(Minimum Noise Fraction Rotation)transform,PPI(pixel purity index)index calculation,n-D Visualizer,the “pure” reflection spectrum information were collected. Principal component analysis were used to obtain the principal component images.To compare with weight coefficient of the second principal component images,the the characteristic wavelengths were 943.28,1003.20,1136.53,1240.03,1326.95,1477.64 nm. Choosing 1000 to 1500 nm wavelength range as the spectral analysis area. PLS modeling method was used to combine hyperspectral data with acid value practical values.The studies developed the calibration model using first derivative and SG(17)adding vector normalization、second derivative and SG(21)adding vector normalization. The RMSECV andR2of calibration were 0.28,0.97 and 0.31,0.96 separately,and the RPD of prediction were 2.92 and 2.89 separately. Overall,the best prediction result was based on PLS established by first derivative and SG(17)adding vector for AV detection. The average of repeatability standard deviation and relative error were 0.22 and 10.32%.Therefore,hyperspectral imaging technique could be used to detect acid value on Chinese sausage.

acid value;hyperspectral imaging technique;PLS;principal component analysis

2015-09-02

刘硕(1990-)，男，硕士研究生，主要从事农产品智能检测研究，E-mail：350186529@qq.com。

国家自然科学基金资助项目(61473009)；北京市自然科学基金资助(4122020)。

TS201.6

A

1002-0306(2016)05-0287-06

10.13386/j.issn1002-0306.2016.05.049