基于超声成像技术的火腿肠等级判别

邹小波 张俊俊 赵 号 石吉勇 翟晓东 胡雪桃

（江苏大学食品与生物工程院 江苏镇江212013）

火腿肠是典型的肉糜制品，因其营养丰富、食用方便、风味独特且易于携带和储藏深受消费者的欢迎[1]。根据GB/T 20712-2006 中规定：火腿肠主要可划分为特级、优级和普通级[2]。不同等级的火腿肠在营养价值、口感、质构等方面具有明显差异。常见的火腿肠等级判别方法有感官评定法[3]、化学值测定法[4]及质构值测定法[5-6]。感官评定法指评价员根据已有的评价标准对火腿肠等级进行判别，具有快速、低成本等优点；然而评价员的健康状况、嗜好、情绪等不稳定因素会对感官评定的结果产生主观影响，造成人为误差，不利于科学研究和标准化生产[7]。化学值测定法是指通过对火腿肠中蛋白质、脂肪、淀粉等成分含量的测定进行分级，其结果准确可靠，然而过程繁琐、耗时耗力，不利于火腿肠品质的在线监测。质构值测定法根据不同等级的火腿肠力学性质的不同，测定火腿肠的质构特性（弹性、硬度、黏附性等）判别火腿肠等级，然而过程繁琐，耗时耗力，目前对火腿肠的质构特性评价仍以主观判断为主，缺乏系统、准确的定量研究[6]。

超声波是一种依靠介质分子间振动传播的高频（>20 kHz）机械波[8]，可穿透不透光物质，常分为功率超声波与检测超声波。功率超声波携带能量较大，与试样相互作用时会改变其状态、组成、结构和功能等[9]，常被用于辅助提取[10]、清洗除泡[11]等食品加工领域。检测超声波携带能量较低，作用于试样时不会改变其理化性质，且可根据反射或透射声波的相位、振幅和速度等表征试样的物理性质与品质状况[12]，因此常被用于食品品质监测[13]、组分测定、异物检测[14]等领域。超声成像技术可通过超声波全面扫描试样以获取其内部结构声学特性信息，这些信息可直接转换为肉眼可见的图像，并用于食品检测领域。然而，相较于医学诊断[15]与工业检测[16]，超声成像检测技术在食品检测领域还处于起步阶段。仇登高等[17]利用超声成像技术，通过对超声图像纹理特征值的分析，成功实现了对大西洋鲑早期性别的识别。不同等级的火腿肠的原材料配比不同，具有不同的内部结构与力学性能[18]，而超声波对质构变化具有敏感性，通过对火腿肠的超声扫描，根据不同质构的火腿肠反射的超声波不同，可得到不同纹理特征的火腿肠超声图像，为火腿肠等级判别提供了理论依据。

本文通过对火腿肠蛋白质、脂肪、淀粉等理化指标的测定，将其分为特级、优级、普通级。通过超声成像技术采集火腿肠的超声图像，并利用图像处理技术提取图像的角二阶矩、熵、平均值等7 个纹理特征变量，利用KNN 和LS-SVM 两种模式识别方法对火腿肠进行等级判别，研究结果可为超声成像技术在火腿肠等级判别中提供参考。

1 材料与方法

1.1 材料与试剂

试验原料：某品牌火腿肠，共60 根。

主要试剂：硫酸铜、硫酸钾、硫酸、氢氧化钠、石油醚，国药集团有限公司。

1.2 火腿肠超声图像采集

超声成像装置采用实验室自主研发的扫描超声成像系统，其主要包括UTEX 320 超声波发射/接收器，UTEX 科学仪器公司，加拿大；20 MHz 点聚焦型超声波探头，奥林巴斯株式会社，日本；三轴精密直线电机扫描机构，珠海创峰精工机械有限公司；计算机，研华科技（中国）有限公司，其示意图与实物图如图1。经试验优化后，采集图像的最佳试验参数为：脉冲电压350 V；脉冲宽度25 ns；脉冲频率1 000 Hz；增益40 dB；焦距：25.4 mm；分辨率0.1 mm；扫描速度5 mm/s。

每根火腿肠随机取2 个点进行超声图像采集，取点及图像采集过程如下：将每根火腿肠平均分为两段，分别随机从两段中取长1 cm 的小段，共120 份；将火腿肠片段放置于已调节水平的平台上（图1），设定图像采集参数及扫描起始与终止点进行图像采集；所有试样均在相同参数下进行图像采集，将采集完超声图像的火腿肠进行等级标定，并根据标定结果对超声图像进行编号。

图1 超声信号采集系统Fig.1 Schematic diagram （a） and picture （b） of the ultrasonic signal acquisition system

1.3 火腿肠等级测定

参照国标GB 5009.3-2010 中直接干燥法测定水分含量[19]；参照国标GB 5009.5-2010 中凯氏定氮法测定蛋白质含量[20]；参照国标GB/T 5009.6-2003 中索氏抽提法测定脂肪含量[21]；参照国标GB/T 5009.9-2008 中酸水解法测定淀粉含量[22]。根据测得各成分含量参照国标[2]划分火腿肠等级为特级、优级及普通级。

1.4 图像纹理特征提取

图像内在特征差异是各等级火腿肠内部的重要区别之一，各等级火腿肠图像灰度值分布呈现一定规律性，采用图像纹理相关特征参数能较好地评价并区分各等级火腿肠。常用的纹理提取方法为统计方法，而其中应用最为广泛的是灰度共生 矩 阵 法 （Grey Level Co-occurrence Matrix，GLCM）。选取常用的角二阶矩（UNI）、熵（ENT）、对比度（CON）、相关性（COR）、逆差矩（IDM）并结合图像平均灰度值（AVG）、灰度方差（DEV）作为纹理特征变量。其中，UNI 是图像灰度分布均匀性的度量；ENT 表示纹理混乱程度；CON 为纹理清晰度；COR 用来衡量灰度共生矩阵的元素在行的方向上的相似程度；IDM 表示纹理平滑度；AVG 为超声波反射量；DEV 在一定程度上反映了AVG 的分布情况[23]。

纹理特征值提取过程：将扫描区域的回波强度归一化处理在映射到0-255 灰度级，采用阈值分割获取火腿肠区域，最后采用灰度共生矩阵算法生成灰度共生矩阵并提取纹理特征值。

1.5 KNN 和LS-SVM 模式识别基本原理

K-最近邻法（K-nearest neighbors，KNN）是以同类样本在模式空间互相靠近为依据的分类方法，根据未知样本在最邻域中到K 个已知样本的距离进行分类[24]。最小二乘支持向量机 （Leastsquares support vector machine，LS-SVM） 是在经典SVM 的基础上改进，主要进行非线性的多元建模[25]。

2 结果与分析

2.1 各等级火腿肠截面超声图像与纹理特征值

图2为随机选取的3 个等级火腿肠片段各1幅超声图像，其中标尺为超声波回波强度（占原始大小百分比）。

图2 各级火腿肠截面超声图像Fig.2 Ultrasonic image of each grades ham sausages

观察图像可知，不同等级火腿肠片段超声图像存在一定差异；特级火腿肠图像较其它等级颜色偏浅，且图中蓝色颗粒相对较少；优级火腿肠图像颜色较特级偏深，且颗粒增多增大；普通级火腿肠图像颜色最深，且颗粒较多，可能是由于普通级火腿肠内部的高含量淀粉在储藏时期老化造成的大量微晶束。经分析对比各等级火腿肠所有超声图像可知，同等级火腿肠之间超声图像纹理特征无明显差别（P>0.05），不同等级火腿肠超声图像纹理特征差别明显（P<0.05）。同时表1为3 个等级各40 份火腿肠图像纹理特征的平均值。其中ENT 是指纹理特征的熵，表示纹理混乱程度，从表中数据可知，普通级的ENT 值大于特级的，表示普通级的纹理特征与特级相比比较混乱，与各等级火腿肠超声图像直观分析相符，因此提取的纹理特征值可以直观定量描述超声图像的回波信号分布情况，进一步说明了利用超声图像进行火腿肠等级区分的可行性。

表1 各等级火腿肠图像纹理特征值Table 1 Ultrasonic image characteristics parameters of each grades of ham sausages

2.2 等级判别分析

2.2.1 主成分分析 由于采用GLCM 定义的特征值都是基于图像中某一灰度级结构重复出现的概率[26]，因此提取的特征值具有一定的相关性与冗余信息。在建模时，模型的预测性会因这些冗余信息的介入而大大降低。主成分分析（Principal component analysis，PCA）是将多个指标转化为几个综合指标的一种统计方法，能对数据进行压缩，用较少的指标替代原指标而尽可能地表征原指标信息。图3为3 个等级火腿肠的三维主成分得分图，其中前3 个主成分的贡献率分别为92.61%、7.03%和0.34%，累计贡献率达到99.98%，基本代表了全部信息。

从图中可知，同等级火腿肠虽分布较散，不同等级之间有一定的交叉趋势，但3 个等级火腿肠基本可以被区分开来。可能由于加工工艺的影响使得同等级火腿肠内部质构存在一定差异，导致不同等级火腿肠得分出现小范围交叉；同时不同等级间得分差异较为明显，说明不同等级火腿肠内部质构差异显著。这表明PCA 能依据纹理特征将不同等级火腿肠大致区分开来。

图3 三维主成分得分图Fig.3 Three-dimensional projection of PCA result

2.2.2 基于KNN 的等级判别 在主成分分析的基础上，将各等级图像按照2∶1 随机分配得到含80 张图像的校正集与40 张图像的预测集，利用KNN 对其进行分析。模型的输入量为各主成分得分，输出量为不同等级的火腿肠所对应的类别，做数据处理。取7 个主成分所对应的纹理特征和1～9 之间的K 值通过交互验证过程进行优化，以建立最佳的KNN 识别模型，预测集识别率作为优化结果标准。如图4b 所示，当主成分数为2，K 为1时，最佳预测集识别率为97.44%，此后预测集识别率先基本不变再急剧下降。根据图中校正集与预测集识别率可知，当主成分数为2，参数K 为1时，识别效果最优，训练集和预测集识别率分别为97.53%和97.44%，KNN 对火腿肠等级判别具有良好的效果。说明前2 个主成分基本包含了大部分纹理特征，与PCA 分析相符。可见利用超声成像技术结合KNN 法对不同等级火腿肠进行识别是可行的。

图4 KNN 模式识别的校正和预测集Fig.4 Calibration （a） and prediction （b） results for identification of different grades of ham sausages based on KNN

2.2.3 基于LS-SVM 的等级判别 采用分类性能良好且适用范围广的径向基内积核函数（RBF）作为LS-SVM 的核函数，同样采用7 个主成分作为模型的输入向量。RBF 核参数的选择采用二步格点搜索法和留一法相结合，以训练集交互验证均方根误差 （Root AVG square error of cross validation，RMSECV）值最小为指标，优选RBF 核的正规化参数γ 和σ2，初始值设为γ=2，σ2=2，经处理得出最佳主成分数为3，最佳参数对（γ，σ2）为（45.0399，23.8599）[27]。如图5所示，LS-SVM 模型随主成分数的增加，校正集识别率稳固增加，而预测集先增加后下降。当主成分为3 时，模型最优，校正集识别率为100%，预测集识别率达到94.87%。说明前3 个主成分基本包含了所有的纹理特征，与PCA 分析相符。说明利用超声成像技术结合LS-SVM 法对不同等级火腿肠进行识别是可行的。

图5 基于LS-SVM 的各主成分的识别率Fig.5 Identification rate of each principal component based on LS-SVM

2.2.4 2种模型对比 如表2所示，LS-SVM 校正 集识别率较KNN 要高，可能因为LS-SVM 是一种“监督学习分类”方法，遵循结构风险最小化准则来构造决策超平面，其在已知样本等级的情况下能获得较好的分类效果；而KNN 为一种“非监督学习分类” 方法，其不需要事先知道样本所属等级，通过发掘样本的内在相似性，然后指导同类检测对象分类而不是依据判别类域的方法确定归属[24]，因此KNN 的预测集与校正集相当。当不知道样本真实等级时，LS-SVM 的可靠性迅速下降，则超声成像技术结合KNN 法识别未知等级火腿肠效果较LS-SVM 好，识别率可达97.44%。

表2 基于KNN 和LS-SVM 模式识别的识别率Table 2 Identification rates based on KNN and LS-SVM models

3 结论

本文利用超声成像技术结合理化指标测定，实现了火腿肠等级的快速判别。利用超声成像技术采集火腿肠的超声图像，通过测定蛋白质、脂肪、淀粉等理化指标将其划为特级、优级及普通级。通过提取各等级火腿肠超声图像的纹理特征变量，运用PCA 结合KNN 法和LS-SVM 法建立各等级火腿肠的快速识别模型。不同等级火腿肠超声图像具有较大差异，且图像的纹理特征值差异显著（P<0.05）；建立基于纹理特征识别模型中，当主成分数为2，K 为1 时，KNN 模型对应的校正集识别率为97.53%，预测集识别率为97.44%；当主成分为3 时，LS-SVM 模型对应的校正集识别率为100%，预测集识别率为94.87%，可见KNN模型对火腿肠等级判别具有较好的识别效果。结果表明，采用超声图像纹理特征判别火腿肠等级的方法可行，其有望应用于不同等级火腿肠的工业生产，可以节省劳动力，缩短检测时间，提高生产效率。