基于可见/近红外高光谱成像技术的鸡蛋新鲜度无损检测

杨晓玉YANG Xiao-yu 丁佳兴 - 房盟盟 - 何建国 n-

(宁夏大学农学院，宁夏 银川 750021)

鸡蛋新鲜度与蛋品品质密切相关，是加工企业和消费者最为关注的蛋品指标[1-2]。

近年来，国内外不少学者在无损检测鸡蛋新鲜度方面做了大量研究和探索。目前实现对鸡蛋新鲜度无损检测的有机器视觉[3-4]、近红外光谱[5-7]、电子鼻[8]和高光谱检测法[9-11]等。其中机器视觉法只采集鸡蛋图像，根据鸡蛋形状特性和颜色特征参数对鸡蛋新鲜度进行检测；近红外光谱技术光谱变量多，数据量大，并且检测部位较为局限，且选择点的位置和数量较为随机和片面[12]；电子鼻检测相对光学法耗时较长，适用于抽样检测。高光谱成像技术是集图像和光谱于一体的多信息融合技术。高光谱图像采集后，选取整个鸡蛋表面作为感兴趣区域，用平均光谱反映样本，代表性强，相关性好，满足快速、无损、准确检测鸡蛋新鲜度的要求。

本研究以鸡蛋为研究对象，选用哈夫单位作为鸡蛋新鲜度标准，利用可见/近红外高光谱成像技术采集样品400～1 000 nm 的光谱数据。首先利用蒙特卡洛法剔除异常样本，再使用卷积平滑(Savitzky-Golay Smoothing， SGS)、标准正态变量变换(Standardized Normal Variate，SNV)、基线校准(Baseline)和去趋势(Detrend) 法对原始光谱进行预处理，根据建立的PLSR模型效果优选预处理方法。然后应用CARS、 GAPLS 和 IRF提取特征波长，分别建立基于全光谱和特征波长的PLSR 和 LS-SVM 的鸡蛋新鲜度预测模型；分析比较不同特征波长选取和建模方法对鸡蛋新鲜度的预测效果，选出最优模型，为高光谱成像技术对鸡蛋新鲜度检测提供参考和技术支持。

1 材料与方法

1.1 材料与仪器

鸡蛋：为同批海兰褐鸡所产新鲜蛋，购于宁夏某鸡场，样本共150个，常温储藏；

高光谱成像仪：V10E-QE型，芬兰Specim公司；

CCD相机：C8484-05G型，日本Hamamatsu公司；

光纤卤素灯：DCRⅢ型，150 W，美国Schott公司；

电控位移平台：SC300-1A型，北京卓立汉光仪器有限公司；

可见-近红外高光谱成像系统：400～1000 nm，光谱分辨率2.5 nm，125个波段。该系统由高光谱成像仪、CCD相机、光纤卤素灯、电控位移平台组成，见图1。

1.2 试验方法

1.2.1 高光谱图像采集 选取大小均匀，表面无杂物的鸡蛋作为最终试验样本，共选出126个。每天随机取出10个鸡蛋，编号，扫描其高光谱图像。为保证图像清晰，需试验确定高光谱参数，最终确定参数：相机曝光时间设为10 ms，物镜高度为385 mm，电控位移平台速度为15 mm/s。由于暗电流和噪声的影响，需要对采集的高光谱图像进行黑白校正[13]，首先采集聚四氟乙烯板的全反射图像Rw，然后盖上镜盖，采集全黑图像Rd。黑白校正公式为：

(1)

式中：

I——校正后的高光谱反射图像，%；

R——样本原始的高光谱反射图像；

Rd——全黑图像；

Rw——白板的高光谱反射图像。

获得样本高光谱图像后，利用ENVI 4.8软件选取鸡蛋椭圆表面作为感兴趣区域(Region of Interest，ROI)，计算出每张ROI的平均反射光谱作为样本的反射光谱。

1.2.2 鸡蛋新鲜度测定 光谱采集后的鸡蛋，按编号逐个放入精度为0.001 g的电子天平称重，然后破壳，用0.02 mm的游标卡尺测量距离蛋黄1 cm处蛋白高度3次，测定时要选准位置，取平均值为最终蛋白高度，代入哈夫值(Ha)公式计算新鲜度[14-15]：

Ha=100×lg(h-1.7w0.37+7.57)，

(2)

式中：

Ha——哈夫值；

h——平均蛋白高度，mm；

w——鸡蛋重量，g。

1.2.3 样本划分方法 采用Galvao等[16]提出的SPXY(Sample Set Partitioning Based on Joint X-Y distance)法。该方法的优点是将变量X和Y均考虑在内，能够有效地覆盖多维向量空间， 从而改善所建模型的预测能力。

1.2.4 异常样本剔除 由于高光谱成像仪的精度限制和噪声等因素的影响，获得的高光谱图像不可避免地存在一小部分异常样本。异常样本的存在影响了模型稳定性和预测能力，所以剔除异常样本对提高模型效果非常重要。本试验采用蒙特卡洛采样法[17-18]对全部样本进行异常样本检测。

1.2.5 光谱数据处理方法 鸡蛋新鲜度快速无损检测的实现需要一个稳定性高、预测能力强的模型，本试验选用PLSR和LS-SVM 2种建模方法对鸡蛋新鲜度进行预测。

由于在不同波长下光源的强度不均匀、仪器噪音等因素的影响，需要对原始光谱数据进行预处理。本试验选取SGS、SNV、Baseline和Detrend预处理方法对光谱进行处理。

由于高光谱采集过程受到多种外界因素干扰，获得的光谱信息中会存在一些像基线漂移、噪声等无用信息，并且全光谱共125个波长，信息量大，处理速度慢，选用适当的方法剔除不相关或者非线性变量，实现用少数关键变量代替全光谱，达到降低模型运算量和复杂度、提高模型稳定性和预测准确性的目的。本试验选用CARS、GAPLS和IRF法提取特征波长。其中光谱预处理和建立PLSR模型在The Unscrambler X 10.4软件上实现，其余算法在Matlab R2014a软件上完成。

2 结果与分析

2.1 异常样本检测

采用蒙特卡洛方法检测异常样本，运行之前首先建立基于全部126个样本的PLSR模型，确定RMSECV最小时对应的主成分数最优为11，预处理方法设置为Mean center；抽样次数设置为2 500次，蒙特卡洛抽样所得校正集与测试集比例为3∶1，预测误差均值和标准差阈值分别取各自平均值的2.5 倍。鸡蛋哈夫值蒙特卡洛异常样本检测结果见图2。

由图2可知，10号、22号、31号、79号和123号的预测误差均值均大于总体样本预测误差均值阈值，判定上述样本为异常样本，剔除这些样本后，建立PLSR模型，所得模型的交互验证系数Rcv为0.827大于原始样本模型(0.793)；交互验证均方根误差RMSECV为2.642小于原始样本模型(2.927)。71号样本在阈值线上，假定它为异常样本，剔除71号样本建立PLSR模型发现模型交互验证系数Rcv为0.833，交互验证均方根误差RMSECV为2.589。因此，10号、22号、31号、71号、79号和123号均为异常样本，剔除后剩余120个作为后续处理样本。

2.2 划分样本

利用SPXY法将样本按3∶1划分校正集和预测集，校正样本90个，预测样本30个，鸡蛋样本哈夫值及重量统计见表1。由表1可知，校正集样本中哈夫值最大值大于预测集，最小值小于预测集，即校正集哈夫值范围较大，说明划分合理。

2.3 光谱预处理

基于4种预处理方法的鸡蛋哈夫值的PLSR模型结果统计见表2。由表2可知，所有预处理后的光谱的PLSR模型的Rc均小于原始光谱的PLSR模型，经SNV预处理的PLSR模型的RMSECV最低，且最优主成分数为7低于其他模型，说明经SNV预处理的PLSR模型较为稳定，确定SNV为最优预处理方法。图3为经SNV预处理后的反射光谱。

2.4 特征波长提取

2.4.1 利用CARS提取特征波长 运行CARS之前，首先确定PLSR模型中最优主成分数为7。设定CARS参数：蒙特卡洛采样次数为200，交叉验证组数为5。对样本光谱进行筛选，过程见图4。由图4(a)可知，随着变量筛选过程的进行，挑选的波长数逐渐下降，速度由快变慢，说明波长变量筛选先粗选、后精选。图4(b)为变量筛选过程中交互验证均方根误差的变化趋势，可知交互验证均方根误差先降低后增加，MC 采样次数为131时，交互验证均方根误差达到最小值2.459，MC采样次数继续增加后，交互验证均方误差逐渐增大，再结合筛选过程中波长变量回归系数变化趋势[见图4(c)，图中“*”是建模过程中最小RMSECV值对应的采样次数]。最终，在MC采样为131次时，挑选出8个特征波长，分别为：415.7，449.4，459.0，487.8，588.6，771.1，814.3，996.7 nm。

表2基于不同预处理方法的鸡蛋哈夫值PLSR模型

Table 2 PLSR model of Haugh value of eggs based on different pretreatment methods

2.4.2 利用GAPLS提取特征波长 设置GAPLS参数：种群数为30，交叉概率为50%，变异概率为1%，最大遗传因子为30，迭代次数100次。鸡蛋光谱通过GAPLS筛选的有效信息见图5。运行GAPLS时，同时计算不同波长下的RMSECV值见图6。最后结合RMSECV值和波长频次数选出最佳波长变量。

由图6可知，当选出35个波长变量时，RMSECV最低；结合图5中每个波长筛选频数，选出的35个波长的筛选频数≥7。说明选出的35个波长与鸡蛋哈夫值相关性强，最终确定这35个波长为特征波长。主要分布在435.0～497.4，545.4～593.4，665.4～876.7 nm。

Figure 4 Process of competitive adaptive reweighed sampl-ing Characteristic wavelength selection for identification of Haugh value of eggs

横坐标为125个波点；纵坐标为筛选的频次，频次越高表示适应性越强，与哈夫值相关性越高

图5 鸡蛋光谱的GA筛选图

Figure 5 GA screening of spectrum of egg

2.4.3 利用IRF提取特征波长 设置IRF参数：迭代次数N为1 000，间隔宽度W为10，子间隔初始值Q为50，最大主成分数为15。运行IRF，得到116个间隔中排名前10的间隔见表3；同时计算每个间隔的RMSECV，见图7。

Figure 7 The Root mean square error of cross validation of the union of the top ranked intervals from 1st to the last

由表3可知，前10名区间选出的波点是从22号到49号，但图7显示，当选择前21个间隔时，RMSECV最低，所以选择排名前21个间隔的波长作为特征波长，这些波长是17～50号、77～93号、96～107号、113～123号，具体是478.2～636.6，766.3～843.1，857.5～910.3，939.1～987.1 nm，共74个波长。

2.5 建模对比

原始光谱经SNV预处理后，分别建立基于全波段光谱(Full Spectrum，FS)和特征波长的PLSR和LS-SVM的鸡蛋新鲜度预测模型，结果见表4。

建立PLSR模型时，首先根据RMSECV最低确定最优主成分数，确定PLSR建模结果。由表4可知，全波段和利用CARS、GAPLS、UVE法提取的特征波长建立的预测模型的最佳主成分数分别是7，6，6，7。在PLSR预测模型中，CARS-PLSR和IRF-PLSR模型的Rc均小于FS-PLSR模型的，说明此2种模型不稳定；GAPLS-PLSR与FS-PLSR模型的Rc均为0.890，前者最优主成分数为6低于后者的的，但前者的RMSEC大于后者的，Rp为0.800小于后者的，说明GAPLS-PLSR与FS-PLSR校正性能一样，但预测能力弱于后者，说明GAPLS-PLSR较FS-PLSR模型不稳定。故认定FS-PLSR模型是所建立的PLSR模型中的最优模型。

由表4可知，IRF-LS-SVM具有最大的Rc，但有最低的Rp，说明该模型的校正性能最优，预测能力最差；CARS-LS-SVM和GAPLS-LS-SVM的Rp均为0.832且最大，但前者的Rc明显低于后者以及FS-LS-SVM模型的，说明CARS-LS-SVM模型预测能力较强，但校正性能较差；GAPLS-LS-SVM的Rc为0.899略低于FS-LS-SVM模型的，前者的RMSEC略大于后者的，但GAPLS-LS-SVM模型预测集的Rp明显大于FS-LS-SVM模型的，且RMSEP最低，说明该模型校正性能较好，预测能力最强，模型稳定。最后确定GAPLS-LS-SVM为LS-SVM中的最优模型。

对比特征波长方法，CARS法提取波长数最少，降维能力最强，GAPLS法次之，IRF法最差，但基于CARS特征波长建立的PLSR和LS-SVM模型效果均较差，GAPLS-LS-SVM模型效果较优。对比PLSR和LS-SVM 2种模型中的最优模型，GAPLS-LS-SVM的Rc和Rp均大于FS-PLSR模型的；且前者的RMSEC和RMSEP均小于后者的，故GAPLS-LS-SVM模型效果优于FS-PLSR。本研究最终确定GAPLS-LS-SVM为最优模型，且GAPLS提取的光谱能代替全光谱建模，模型效果见图8。

3 结论

采集后的原始鸡蛋光谱经4种预处理方法，对比其PLSR模型效果，确定SNV法为最优预处理方法；对SNV预处理后的光谱经CARS、GAPLS和IRF法提取特征波长，分别获得8，35，74个特征波长，CARS法降维效果最佳，GAPLS法次之，IRF法最差；分别建立基于特征波长和全光谱的PLSR、LS-SVM模型，结果表明，在PLSR模型中，FS-PLSR模型较好，GAPLS-LS-SVM模型效果最优；在LS-SVM模型中，GAPLS-LS-SVM效果最优，利用GAPLS法提取的特征波长代替全波段建立LS-SVM模型是可行的。对比2种建模方法，确定GAPLS-LS-SVM鸡蛋新鲜度预测模型最优，其Rc为0.899，RMSEC为2.092；Rp为0.832，RMSEP为2.423。

[1] 毕夏坤, 赵杰文, 林颢, 等. 便携式近红外光谱仪判别鸡蛋的贮藏时间[J]. 食品科学, 2013(22): 281-285.

[2] 朱云鹏, 崔春利, 王兰娇, 等. 哈尔滨市售鸡蛋品质及营养成分分析[J]. 食品工业, 2017(5): 289-292.

[3] 王巧华, 任奕林, 文友先. 基于BP神经网络的鸡蛋新鲜度无损检测方法[J]. 农业机械学报, 2006(1): 104-106.

[4] 邢志中, 张海东, 王孟, 等. 基于计算机视觉和神经网络的鸡蛋新鲜度检测[J]. 江苏农业科学, 2017(11): 160-163.

[5] 赵杰文, 毕夏坤, 林颢, 等. 鸡蛋新鲜度的可见-近红外透射光谱快速识别[J]. 激光与光电子学进展, 2013(5): 213-220.

[6] LIN Hao, ZHAO Jie-wen, SUN Li, et al. Freshness measurement of eggs using near infrared (NIR) spectroscopy and multivariate data analysis[J]. Innovative Food Science & Emerging Technologies, 2011, 12(2): 182-186.

[7] GIUNCHI A L, BERARDINELLI A N, RAGNI L, et al. Non-destructive freshness assessment of shell eggs using FT-NIR spectroscopy[J]. Journal of Food Engineering, 2008, 89(2): 142-148.

[8] 李佳婷, 王俊, 李园, 等. 基于电子鼻的鸡蛋新鲜度检测[J]. 现代食品科技, 2017(4): 300-305, 188.

[9] SMITH D P, LAWRENCE K C, HEITSCHMIDT G W. Fertility and embryo development of broiler hatching eggs evaluated with a hyperspectral imaging and predictive modeling system[J]. International Journal of Poultry Science, 2008, 7(10): 1 001-1 004.

[10] 王巧华, 周凯, 吴兰兰, 等. 基于高光谱的鸡蛋新鲜度检测[J]. 光谱学与光谱分析, 2016(8): 2 596-2 600.

[11] JOHNSON Ⅲ Owen N, SLIDELL Mark, KREISHMAN Peter, et al. Hyperspectral imaging: an emerging technology as a potential novel adjunct in assessing peripheral perfusion deficits and success oflower extremity revascularizations[J]. Journal of the American College of Surgeons, 2008, 207(3): S114.

[12] 吴龙国, 何建国, 贺晓光, 等. 高光谱图像技术在水果无损检测中的研究进展[J]. 激光与红外, 2013, 43(9): 990-996.

[13] ELMASRY G, WANG Ning, ELSAYED A. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry[J]. Journal of Food Engineering, 2007, 81: 98-107.

[14] 杜丹萌, 王风诺, 王世平. 鸡蛋新鲜度随储藏条件变化规律的研究[J]. 食品科技, 2014, 39(5): 26-29, 33.

[15] 王巧华, 李小明, 段宇飞. 基于CUVE-PLS-DA的鸡蛋新鲜度在线检测分级[J]. 食品科学, 2016(22): 187-191.

[17] 张明锦, 杜一平. 蒙特卡洛-偏最小二乘回归系数法用于近红外光谱变量筛选[J]. 分析试验室, 2013(2): 12-16.

[18] 刘善梅. 基于高光谱成像技术的冷鲜猪肉品质无损检测方法研究[D]. 武汉: 华中农业大学, 2015: 26-41.