高光谱成像技术在食品品质无损检测中的应用

刘建学,杨　莹,韩四海,李　璇,李佩艳,张卫卫,张天泽,杨国迪,焦肖飞

(河南科技大学食品与生物工程学院,河南洛阳 471023)



高光谱成像技术在食品品质无损检测中的应用

刘建学,杨莹,韩四海,李璇,李佩艳,张卫卫,张天泽,杨国迪,焦肖飞

(河南科技大学食品与生物工程学院,河南洛阳 471023)

高光谱成像技术结合光谱技术和图像技术的优势,能够很好的捕获光谱信息和图像信息。其丰富的光谱信息能够有效的提取样品内部特征。该分析技术已广泛应用于检测食品的水分含量、新鲜度、生物污染等。本文介绍并分析了高光谱成像技术在食品检测中的各种应用,指出了目前高光谱成像技术存在的不足之处,指明了该技术领域工作者今后的重点研究方向,并对高光谱成像技术发展前景进行了分析和展望。

高光谱成像技术，食品，无损检测

随着社会发展,人们生活水平提高,食品品质越来越受到重视。传统食品品质检测分析技术昂贵、耗时并且对研究对象具有破坏性,因此寻找高效无损检测技术迫在眉睫。

近年来,一种新的先进的非破坏性技术:高光谱成像技术(hyperspectral imaging,HSI)作为一种非侵入性、非接触式、非传统技术,高光谱成像技术提供了研究对象的空间信息和光谱信息[1-2]。该技术基本特点是光谱分辨率高;光谱响应范围广、波段多而窄;“谱像合一”以及数据量大,信息丰富;数据描述模型多,分析灵活。这些特点决定了高光谱图像技术在食品内、外部品质检测的独特优势。由于图像数据能反映产品的外部特征,而光谱数据又可以对物体内部物理结构及化学成分进行分析,可以说高光谱成像技术是图像技术与光谱技术的完美结合。高光谱成像技术形成的数据可以用“三维数据块”来形象地描述,比传统机器视觉或光谱技术更可靠[3-4]。

1　高光谱成像系统

1.1系统的主要构成

高光谱成像系统由硬件和软件两部分组成,如图1所示硬件最重要的部件是传感器,还包括光源、扫描器和控制装置等。传感器主要由物镜、光谱仪和CCD阵列探测器。光谱仪主要有两种:干涉型成像光谱仪和光栅型成像光谱仪。CCD阵列探测器分为线阵探测器和面阵探测器。软件部分主要包括光谱预处理软件和数据采集及处理软件等。

图1　高光谱成像系统示意图Fig.1　Schematic of hyperspectral imaging system

1.2高光谱成像系统成像原理

图2所示为高光谱成像原理示意图。高光谱成像系统最重要的组成是光谱仪,光谱仪有一个棱镜-光栅-棱镜单元,此单元可以阻止环境光的干扰,而且在光谱仪获得被测物体的一行图像时,此单元可以将光线从每行图像的像素点色散到光谱轴上,这样就获得了在空间轴和光谱轴上的一维影像和光谱信息。由于物体或物镜的连续运动,就形成了整个物体的光谱图像。最终在CCD阵列探测器上完成对每个瞬间信号的获取,得到高光谱三维图像数据块。

图2　高光谱成像原理示意图Fig.2　Schematic of hyperspectral imaging principle

2　高光谱图像数据处理方法

高光谱图像数据信息量丰富,但数据处理非常复杂。综合国内外高光谱图像数据处理方法主要是:先选择感兴趣区域(Region of Interest,ROIs),然后可以采用主成分分析法(Principal Component Analysis,PCA)、独立元分析(Independent Component Analysis,ICA)、连续投影算法(Successive Projections Algorithm,SPA)、线性判别分析(Linear Discriminant Analysis,LDA)、Fisher判别方法(Fisher Discriminant Analysis,FDA)、典型分析以及遗传算法(Genetic Algorithm,GA)等对感兴趣区域数据进行降维处理,提取特征波长,并建立相应的判别模型,常用的建模方法有BP神经网络(Back Propagation Neural Network,BPNN)、支持向量机(Support Vector Machine,SVM)、多元线性回归法(Multivariable Linear Regression Analysis,MLR)、偏最小二乘法(Partial Least Squares Method,PLS)等。相关文献表明:支持向量机在建模分析时,结果较好[5],因为支持向量机不会因波段数量增加,分类精度下降,即出现所谓的Hughes现象[6]。RBF神经网络(Radial Basis Function Neural Network)分类效果明显高于BP神经网络分类法[7]。

3　食品无损检测中高光谱图像的应用研究进展

高光谱检测技术获取图像光谱范围通常在可见-近红外(400～1000 nm)和近红外(1000～1700 nm)的光谱区域[8]。迄今为止,高光谱成像技术在食品的各个方面已有广泛应用,如测定食品水分含量、新鲜度、生物污染等。

3.1在食品水分检测中的应用

肉类中含有丰富多样的营养物质,因此肉类的品质保证对消费者来说是很重要的。值得注意的是,肉类的水分含量和pH已受到人们极大关注。传统方法对其水分和pH测定具有破坏性,而且耗时又低效。

He等[9]利用近红外高光谱成像技术检测三文鱼的水分损失和pH。在波长范围400～1700 nm获取高光谱图像信息,利用偏最小二乘回归PLSR建立预测模型,测得水分损失交叉验证相关系数(rCV):0.834,交叉验证均方根误差(RMSECV):0.067,pH的rCV:0.877,RMSECV:0.046。Kamruzzaman等[10]利用近红外高光谱成像预测羊肉化学成分,研究中利用近红外波长范围为900～1700 nm。采用偏最小二乘(PLS)建立预测模型预测羊肉中水、脂肪和蛋白质含量。结果显示相关系数分别:0.88,0.88和0.63;标准误差分别:0.51%,0.40%和0.34%。

水分含量是衡量肉质品的重要指标,Garrido-Novell等[11]利用近红外高光谱成像技术定量测定了伊比利亚干腌火腿片水分和氯化钠含量,预测结果显示水分和氯化钠的标准误差分别为:0.59%和0.13 g/100 g。ElMasry等[12]还利用近红外高光谱成像无损测定鲜牛肉保水能力,预测准确率达到99.72%。Kandala等[13]利用近红外方法对带壳花生平均水分含量测定,其决定系数值0.93。

近几年,国内研究人员在蔬菜、水果的水分检测上也进行了相关研究,孙俊等[14]基于高光谱图像对生菜叶片水分进行预测,利用偏最小二乘法结合神经网络构建预测模型,对生菜叶片水分预测准确率达到90.68%。朱西存等[15]基于高光谱光谱指数和苹果叶片水分含量之间相关关系建立水分预测模型,检验精度达到98.20%。吴龙国等[16]基于近红外高光谱成像技术检测长枣含水量,采用偏最小二乘回归(PLSR)法的加权β系数分别提取不同光谱参数下的特征波长建立预测模型,结果表明:其决定系数R2是0.79,这也为工业中长枣品质在线检测提供了理论依据。

3.2在食品新鲜度检测中的应用

目前用感官评定评估肉类新鲜度仍然被广泛应用,这些方法不客观且具有破坏性,因此运用一个客观的非破坏性技术评估肉类质量显然是很必要的。

ElMasry等[17]运用近红外高光谱成像系统波长区900～1700 nm,以评估不同成分和加工参数的熟火鸡火腿质量。研究采用主成分分析(PCA),筛选八个特征波长(980,1061,1141,1174,1215,1325,1436，1641 nm)对熟火腿火鸡进行品质鉴定,预测准确率达到97.20%。

色泽是猪肉品质的一个衡量标准,Barbin等[18]运用近红外高光谱成像技术测定了猪肉品质,采用偏最小二乘回归的方法建模分析,预测颜色反射率,模型决定系数达到0.93。Dai等[19]采用近红外高光谱图像波长范围在400～1000 nm进行研究,以区分虾的新鲜度。结果表明:连续投影算法结合最小二乘支持向量机(Successive Projections Algorithm-Least Squares-Support Vector Machine,SPA-LS-SVM)分类正确率达到98.33%、预测正确率达到95.00%。

外观是水果蔬菜一个非常重要的感官品质,它不仅影响其市场价值、消费者的偏好和选择,也在一定程度上反映水果蔬菜内部质量。Zhang等[20]综合分析了高光谱成像可用于评估农业作物(玉米、小麦、黑麦、小扁豆、大豆、油菜)质量和园艺(苹果、土豆和黄瓜、柑橘、桃、草莓和樱桃)作物。

高光谱成像技术还可以检验水果采摘后隐形的损坏。Rivera等[21]采用近红外高光谱成像技术检测芒果机械性损伤。检测芒果损伤图像的完整波长范围为650～1100 nm。研究中用特征选择方法确定重要波长,五种分类方法:线性判别分析(linear discriminant analysis,LDA)、近邻法(k-Nearest Neighbours,k-NN)、朴素贝叶斯分类(Naive Bayes,NBC)、决策树(Decision Trees,DT)、极限学习机(Extreme Learning Machine,ELM),用来对所得多光谱图像进行分段和对芒果进行分类。结果发现使用k-NN的分类方法,到第三天时达到最高正确分类率97.90%,评分达到91.40%以上。Zhang等[22]基于高光谱成像技术确定鸡蛋的内部质量,结果表明决定系数为0.87,预测准确度达到96.30%。

3.3在食品生物污染检测中的应用

肉类产品冷库温度波动常会导致细菌生长,从而影响肉类质量,因此对其进行生物检测是有必要的。Barbin等[23]利用近红外高光谱技术检测腐败猪肉细菌数并监测不同温度下微生物生长情况,采用偏最小二乘法建立模型,相关系数达到0.86。Feng等[24]利用近红外高光谱检测鸡肉假单胞菌含量,主要基于遗传算法(GA)选择重要波长并建立偏最小二乘PLS预测模型,结果显示相关系数为0.81。

He等[25]利用近红外高光谱成像技术对鲑鱼假单胞菌数PC(Pseudomonas spp. counts)进行预测,利用偏最小二乘回归(PLSR)法建模,结果显示所建模型的决定系数(R2):0.90;均方根误差(RMSEP):0.52。然后他又根据回归系数(RC),竞争适应再加权抽样算法(competitive adaptive reweighted sampling,CARS)和连续投影算法(SPA)筛选有效波长,得到优化的PLSR模型。最终结果分析发现CARS-PLSR模型比较好,得到的R2:0.91;RMSEP:0.49。

目前,许多方法已用来检测致病性真菌,包括酶联免疫吸附实验(ELISA)[26],荧光偏振免疫分析法[27]和聚合酶链反应[28]。这些检测方法可靠且灵敏性好,但是这些方法大部分复杂和昂贵。近年来,近红外高光谱被用于检测谷物中致病性真菌,Bauriegel等[29]利用高光谱技术检测小麦中镰胞菌,主成分分析降维处理,用图像分析方法光谱角制图(Spectral Angle Mapper,SAM)进行分析,准确度达到87.00%。Del Fiore等[30]利用高光谱图像技术结合多元统计分析检测玉米真菌毒素,利用主成分分析进行降维,运用Fisher最小显著差检验分析,分析结果显示置信度达到95.00%。Siripatrawan等[31]利用高光谱成像(HSI)对真菌感染稻米进行分类并监测糙米中真菌数。采用自组织映射网络模型(self-organizing Neural,SOM)融合集成可视化,利用偏最小二乘法建立模型,模型决定系数达到0.97。

影响玉米质量的主要真菌—黄曲霉毒素。黄曲霉毒素B1(Aflatoxin)被认为是环境致癌物质。因此,早期检测玉米籽粒中有毒真菌以防止储存过程中交叉感染,是非常有必要的。Wang等[32]利用近红外高光谱成像检测玉米籽粒的黄曲霉毒素B1。经过像素校准、减少噪音后提取感兴趣区域(ROIs)光谱图像。利用主成分分析(PCA),提高信噪比(SNR),减小维度提取光谱数据有价值信息。得到在波长1729 nm和2344 nm标识表明其为AFB1,检测精度达到92.30%。

3.4在其它方面的应用研究

为了准确及时的判定葡萄成熟期,Nogales-Bueno等[36]利用近红外高光谱筛选提取的红葡萄皮多酚,葡萄的高光谱成像光谱范围900～1700 nm,光谱预处理后利用光谱数据及偏最小二乘回归法建立红葡萄皮多酚(总酚,花青素和黄烷醇)预测模型。所获得决定系数(RSQ)和标准预测误差(SEP):总酚含量的RSQ为0.82、SEP为0.92 mg/g;花青素含量的RSQ为0.79、SEP为0.63 mg/g;黄烷醇含量的RSQ为0.82、SEP为0.45 mg/g。Chen等[37]利用近红外高光谱光谱范围在900～1700 nm预测酿酒葡萄花青素含量,利用支持向量回归模型得到验证系数:0.94;预测正确率:0.99。

孙俊等[38]为了有效判别出优质大米中是否掺入劣质大米,利用可见-近红外高光谱图像采集系统(390～1050 nm)获取大米样本高光谱图像。结果表明,基于特征波长支持向量机SVM模型交叉验证准确率及预测集正确率分别是:95.00%、96.00%;基于最优主成分数支持向量机的SVM模型交叉验证准确率:94.00%、预测集正确率:98.00%。鲍一丹等[39]结合近红外高光谱成像技术对不同品种咖啡豆进行快速无损检测,结果显示:基于极限学习机(ELM)模型效果均为最优,准确率达到93.50%以上。

4　高光谱成像技术存在的问题及解决方法

目前近红外高光谱检测技术在食品检测上已广泛应用,但大多数还只是在实验室范围内进行。具体存在下面几个方面的问题:

(1)近红外高光谱成像技术主要限制是产生的数据比较多,这显著增加了从光谱图像中提取主要特征信 息的时间,对在线检测食品、农业和工业产品造成困难,需要研究快速的处理策略。

(2)高光谱成像图像分析软件,像ENVI作为一个遥感图像处理平台,提供了专业可靠的波谱分析和高光谱分析工具,但是并不适合在线执行食品和农产品质量和安全检测。需要进一步结合农产品本身特性开发可靠、快速、高效的图像处理软件。

(3)在进行检测时很容易受多个因素的影响(如样品温度、检测部位等)。因此有必要进行多次测量尽量减小误差,以及对各种影响进行校正。

5　展望

高光谱成像技术自20世纪90年代应用于农产品品质无损检测,因其快速、高效和准确,越来越受到人们的关注。随着科学技术的发展,高光谱成像技术应用也越来越广泛。文章介绍了国内外食品中水分、新鲜度及微生物的高光谱成像检测方法,分析了这些检测指标的检测原理,证明高光谱成像技术具有一定的优越性。同时也介绍了该技术在种子资源的品质评价、水果蔬菜的外部质量评定及生物毒素的测定技术等方面的应用,表明高光谱成像技术的应用范围广泛。

目前该技术还处于发展初期,也还存在着诸如数据量大、数据处理软件跟不上应用需要及影响检测结果的因素较多等问题。目前在对象的研究上很多用的是反射和投射,而运用高光谱荧光技术进行研究的很少,这将是高光谱技术的一个发展方向。这些问题都将是该领域工作者今后一段时期致力研究并解决的关键问题。

随着研究的深入和技术的不断发展,高光谱成像技术有着广阔的应用空间,其应用范围将越来越广,对高光谱成像技术的要求也越来越高。如何利用高光谱成像系统结合数据处理软件获得更准确的数据,对未来高光谱成像技术发展具有十分重要的意义。

[1]Karimi Y,Maftoonazad N,Ramaswamy H S,et al.Application of hyperspectral technique for color classification avocados subjected to different treatments[J].Food and bioprocess technology,2012,5(1):252-264.

[2]Menesatti P,Zanella A,D’Andrea S,et al.Supervised multivariate analysis of hyper-spectral NIR images to evaluate the starch index of apples[J].Food and Bioprocess Technology,2009,2(3):308-314.

[3]Kumar S,Mittal G S.Rapid detection of microorganisms using image processing parameters and neural network[J].Food and Bioprocess Technology,2010,3(5):741-751.

[4]Tao F,Peng Y.A method for nondestructive prediction of pork meat quality and safety attributes by hyperspectral imaging technique[J].Journal of Food Engineering,2014,126:98-106.

[5]陈进.高光谱图像分类方法研究[D].长沙:国防科学技术大学,2010.

[6]Bazi Y,Melgani F.Toward an optimal SVM classification system for hyperspectral remote sensing images[J].Geoscience and Remote Sensing,IEEE Transactions on,2006,44(11):3374-3385.

[7]何同弟.高光谱图像的分类技术研究[D].重庆:重庆大学,2014.

[8]Gowen A A,O'Donnell C P,Cullen P J,et al.Hyperspectral imaging-an emerging process analytical tool for food quality and safety control[J].Trends in Food Science & Technology,2007,18(12):590-598.

[9]He H J,Wu D,Sun D W.Rapid and non-destructive determination of drip loss and pH distribution in farmed Atlantic salmon(Salmo salar)fillets using visible and near-infrared(Vis-NIR)hyperspectral imaging[J].Food chemistry,2014,156:394-401.

[10]Kamruzzaman M,ElMasry G,Sun D W,et al.Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression[J].Innovative Food Science & Emerging Technologies,2012,16:218-226.

[11]Garrido-Novell C,Garrido-Varo A,Pérez-Marín D,et al.Quantification and spatial characterization of moisture and NaCl content of Iberian dry-cured ham slices using NIR hyperspectral imaging[J].Journal of Food Engineering,2015,153:117-123.

[12]ElMasry G,Sun D W,Allen P.Non-destructive determination of water-holding capacity in fresh beef by using NIR hyperspectral imaging[J].Food Research International,2011,44(9):2624-2633.

[13]Kandala C V,Sundaram J.Nondestructive moisture content determination of three different market type in-shell peanuts using near infrared reflectance spectroscopy[J].Journal of Food Measurement and Characterization,2014,8(2):132-141.

[14]孙俊,武小红,张晓东,等.基于高光谱图像的生菜叶片水分预测研究[J].光谱学与光谱分析,2013,33(2):522-526.

[15]朱西存,姜远茂,赵庚星,等.基于光谱指数的苹果叶片水分含量估算模型研究[J].中国农学通报,2014,30(4):120-126.

[16]吴龙国,何建国,刘贵珊,等.基于近红外高光谱成像技术的长枣含水量无损检测[J].光电子.激光,2014,25(1):135-140.

[17]ElMasry G,Iqbal A,Sun D W,et al.Quality classification of cooked,sliced turkey hams using NIR hyperspectral imaging system[J].Journal of Food Engineering,2011,103(3):333-344.

[18]Barbin D F,ElMasry G,Sun D W,et al.Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging[J].Analytica chimica acta,2012,719:30-42.

[19]Dai Q,Cheng J H,Sun D W,et al.Potential of visible/near-infrared hyperspectral imaging for rapid detection of freshness in unfrozen and frozen prawns[J].Journal of Food Engineering,2015,149:97-104.

[20]Zhang B,Huang W,Li J,et al.Principles,developments and applications of computer vision for external quality inspection of fruits and vegetables:A review[J].Food Research International,2014,62:326-343.

[21]Rivera N V,Gomez-Sanchis J,Chanona-Pérez J,et al.Early detection of mechanical damage in mango using NIR hyperspectral images and machine learning[J].Biosystems Engineering,2014,122:91-98.

[22]Zhang W,Pan L,Tu S,et al.Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis[J].Journal of Food Engineering,2015,157:41-48.

[23]Barbin D F,ElMasry G,Sun D W,et al.Non-destructive assessment of microbial contamination in porcine meat using NIR hyperspectral imaging[J].Innovative Food Science & Emerging Technologies,2013,17:180-191.

[24]Feng Y Z,Sun D W.Near-infrared hyperspectral imaging in tandem with partial least squares regression and genetic algorithm for non-destructive determination and visualization of Pseudomonas loads in chicken fillets[J].Talanta,2013,109:74-83.

[25]He H J,Sun D W.Toward enhancement in prediction of Pseudomonas counts distribution in salmon fillets using NIR hyperspectral imaging[J].LWT-Food Science and Technology,2015,62:11-18.

[26]Muthomi J W,Ndung’u J K,Gathumbi J K,et al.The occurrence of Fusarium species and mycotoxins in Kenyan wheat[J].Crop protection,2008,27(8):1215-1219.

[27]Chun H S,Choi E H,Chang H J,et al.A fluorescence polarization immunoassay for the detection of zearalenone in corn[J]. Analytica chimica acta,2009,639(1):83-89.

[28]Levin R E.PCR detection of aflatoxin producing fungi and its limitations[J].International journal of food microbiology,2012,156(1):1-6.

[29]Bauriegel E,Giebel A,Geyer M,et al.Early detection of Fusarium infection in wheat using hyper-spectral imaging[J]. Computers and Electronics in Agriculture,2011,75(2):304-312.

[30]Del Fiore A,Reverberi M,Ricelli A,et al.Early detection of toxigenic fungi on maize by hyperspectral imaging analysis[J]. International journal of food microbiology,2010,144(1):64-71.

[31]Siripatrawan U,Makino Y.Monitoring fungal growth on brown rice grains using rapid and non-destructive hyperspectral imaging[J].International Journal of Food Microbiology,2015,199:93-100.

[32]Wang W,Lawrence K C,Ni X,et al.Near-infrared hyperspectral imaging for detecting Aflatoxin B 1 of maize kernels[J].Food Control,2015,51:347-355.

[34]Wang L,Liu D,Pu H,et al.Use of Hyperspectral Imaging to Discriminate the Variety and Quality of Rice[J].Food Analytical Methods,2015,8(2):515-523.

[35]Moghaddam T M,Razavi S M A,Taghizadeh M.Applications of hyperspectral imaging in grains and nuts quality and safety assessment:a review[J].Journal of Food Measurement and Characterization,2013,7(3):129-140.

[36]Nogales-Bueno J,Baca-Bocanegra B,Rodríguez-Pulido F J,et al.Use of near infrared hyperspectral tools for the screening of extractable polyphenols in red grape skins[J].Food chemistry,2015,172:559-564.

[37]Chen S,Zhang F,Ning J,et al.Predicting the anthocyanin content of wine grapes by NIR hyperspectral imaging[J].Food chemistry,2015,172:788-793.

[38]孙俊,金夏明,毛罕平,等.高光谱图像技术在掺假大米检测中的应用[J].农业工程学报,2014,30(21):301-307.

[39]鲍一丹,陈纳,何勇,等.近红外高光谱成像技术快速鉴别国产咖啡豆品种[J].光学精密工程,2015,23(2):349-355.

Application of hyperspectral imaging technology in nondestructive detection of food quality

LIU Jian-xue,YANG Ying,HAN Si-hai,LI Xuan,LI Pei-yan,ZHANG Wei-wei,ZHANG Tian-ze,YANG Guo-di,JIAO Xiao-fei

(College of Food & Bioengineering,Henan University of Science and Technology,Luoyang 471023,China)

Hyperspectral imaging combines the advantages of imaging and spectroscopy,and can acquire spectral and image information simultaneously in one system very well.Its rich spectral information is sufficient for internal feature extraction.Hyperspectral imaging has been applied to assess moisture content,freshness and biological pollution and so on.This paper briefly reviewed the applications of hyperspectral imaging technology in food inspection,discussed the disadvantage of hyperspectral imaging technology,pointed out key issues in this area,on which should be focused in future and highlighted the prospect for development of hyperspectral imaging technology.

hyperspectral imaging technology;food;nondestructive detection

2015-06-18

刘建学(1964-),男,博士,教授，研究方向:农产品高值化利用及快速检测技术,E-mail:jx_liu@163.com。

河南省重点攻关项目(142102310262);国家自然基金项目(31471658)。

TS207.3

A

1002-0306(2016)03-0389-05

10.13386/j.issn1002-0306.2016.03.073