近红外高光谱联用Stepwise算法快速无接触评估冷鲜鸡肉色泽及嫩度

蒋圣启,何鸿举,2,*,王 慧,马汉军,2,陈复生,刘 玺, 贾方方,康壮丽,潘润淑,朱明明,赵圣明,王正荣

(1.河南科技学院食品学院，河南新乡 453003； 2.河南科技学院博士后研发基地，河南新乡 453003； 3.河南工业大学粮油食品学院，河南郑州 450001； 4.商丘师范学院生物与食品学院，河南商丘 476000)

鸡肉作为一种老少皆宜的肉类食品,因低脂肪、低胆固醇、高蛋白质、易被消化等优点,深受广大消费者的青睐[1-3]。冷鲜鸡肉由于安全性高、品质好,消费量已占生鲜肉比重的30%左右。在我国大中型城市,冷鲜鸡肉已逐渐占据鸡肉消费市场,其品质越来越受关注。其中色泽和嫩度常被消费者用于鸡肉品质的直观评价。鸡肉的色泽主要是由肌肉中肌红蛋白、血红蛋白和细胞色素的含量所决定,新鲜鸡肉色泽鲜艳呈淡红色、有光泽且弹性好[6-8]。鸡肉的嫩度反映鸡肉的质地特性,对食用口感起决定性作用。目前鸡肉色泽主要利用色差仪测定,嫩度主要使用质构仪测定,方法虽快速、简便、精确,但需接触甚至破坏样品、不能实现大批量在线测定。

高光谱成像技术(Hyperspectral imaging,HSI)近年来在食品方面的研究应用备受关注。该技术兴起于20世纪80年代,是基于非常多窄波段的影像数据技术,也是一种新兴的无损检测技术。其基本原理为当光源打在物体表面时,其反射出来的光会直接进入到光谱系统中,并经过一系列的信号转化,将光信号转化成电信号,最后转化成数字信号,并通过计算机显示出来。相比传统的光谱技术,HSI技术具有更高的光谱分辨率,通常精度可达2～3 nm,能充分反应光谱信息的细微变化,并可提供更多与试验样品相关的信息[9]。目前,HSI技术在鸡肉品质的无损检测研究方面已有报道,如Jia等[10]采用400～900 nm波段HSI快速预测新鲜鸡肉pH,经光谱数据分析,鸡肉pH的预测相关系数为0.85;Xiong等[11]也用相同波段的HSI技术对鸡肉弹性进行了预测研究,预测相关系数为0.84。此外,采用HSI技术对鸡肉水分[12]、挥发性盐基氮[13]、硫代巴比妥酸[14]、氢脯氨酸[15]以及微生物如肠杆菌科、菌落总数[16]等方面的研究也取得了较好的效果。然而,目前使用近红外高光谱技术对鸡肉嫩度和色泽进行无接触检测的相关报道较少,故本试验尝试采用近红外波段HSI技术对不同储藏期的鸡肉色泽和嫩度进行快速预测研究,旨在为在线、批量、快速、无接触检测鸡肉品质提供方法参考与数据支撑。

1 材料与方法

1.1 材料与仪器

冷鲜鸡胸肉 由河南众品食业股份有限公司提供。

HSI-eNIR-XC130型推扫式高光谱成像系统 台湾五铃光电科技有限公司。主要部件包括:3900-ER光源 Illumination Technologies Inc,New York,USA;ImSpector V10E光谱仪 Spectral Imaging Ltd.,Oulu,Finland;CCD探测仪 DL-604 M,Andor,Ireland;OLE2镜头 Schneider,German;IRCP0076-1COMB移动平台 Isuzu Optics Corp,Taiwan,China;数据采集软件 Spectral Image software,Isuzu Optics Corp,Taiwan,China;The Unscrambler 9.7建模软件 挪威CAMO公司;Matlab程序开发软件包 The Mathworks,Inc.,Natick,MA,USA;C-LM4型数显式肌肉嫩度仪 东北农业大学工程学院;BCD-368WPC美菱冰箱 中国美菱公司;CR-400便携式色差仪 日本美能达公司。

1.2 试验方法

1.2.1 样品预处理 试验肉样准备:将新鲜的鸡胸肉(长度(17.0±1.5) cm,宽度(10.0±1.5) cm)置于冷藏箱内,运至河南科技学院肉品加工与质量控制实验室,在超净工作台中剔筋、除膜、除去脂肪,将其中部分整块样品分割成3.0 cm(长度)×3.0 cm(宽度)×1.0 cm(厚度)试验样品[17],用于鸡肉色泽试验,共获得217块样品;剩下的样品被分割成3.0 cm(长度)×1.5 cm(宽度)×1.0 cm(厚度)的试验样品,用于鸡肉嫩度的试验,共获得132块样品。然后将所有试验样品分装于一次性带盖包装盒,标记,置于0～4 ℃条件下连续储藏7 d,每天取出若干样本,用于获取高光谱信息及参数测定。

1.2.2 高光谱数据采集 每次试验前,从0～4 ℃冰箱内随机取出若干待测样品,待其恢复至室温,同时将高光谱成像系统提前30 min打开预热,待光源稳定之后进行扫描,设置高光谱系统参数为:扫描速度6.54 mm/s,曝光时间4.65 ms,检测波长范围为900～1700 nm。为降低系统暗电流和室内照明对样品信息采集过程中所带来的影响,需对原始图像进行校正,如式(1)所示:

式(1)

其中:IC-校正后的图像;IR-原始高光谱图像;IB-黑板图像,其反射率为0%;IW-白板图像,其反射率为99.9%。

1.2.3 色泽和嫩度的测定 高光谱图像采集完毕,立即测定肉样色泽和嫩度,采用CR-400便携式色差仪测定鸡肉色泽参数L*、a*和b*值,具体步骤参考刁雪洋等[18]的研究。采用C-LM4型数显式肌肉嫩度仪测定嫩度。

1.2.4 光谱提取及预处理 为了减小误差,综合反映样品的均体特征,本试验选取高光谱图像内的整块鸡肉样品作为感兴趣区域(Range of interests,ROI),通过高光谱成像系统的HSI Analyzer分析软件,计算并提取ROI内的平均光谱。由于仪器自身的噪声以及外界环境的影响,采集的光谱中不仅包含了样品光谱信息,还包含噪声信号[19-20]。为了降低系统噪音和外界环境影响,本试验利用中值滤波平滑(Median filter smoothing,MFS)、多元散射校正(multiplicative scatter correction,MSC)和标准正态变量校正(Standard normal variable correction,SNV)三种方法预处理原始光谱。MFS可以除去密集噪声点对光谱信息的影响[21],MSC用于消除散射影响,提高光谱信噪比[22],SNV用于消除固体颗粒大小、表面散射以及光程变化对光谱的影响[23]。

1.2.5 模型的构建及评价 偏最小二乘(Partial least squares,PLS)回归是从应用领域中提出的一种新型多元数据分析方法,通过最小化误差的平方和找到一组数据的最佳函数匹配,用最简单的方法求得一些绝对不可知的真值,而令误差平方之和为最小。与传统多元线性回归(Multiple linear regression,MLR)模型相比,PLS能够在自变量存在严重多重相关性的条件下进行回归建模,允许在样本点个数少于变量个数的条件下进行回归建模,最终模型中将包含原有的所有自变量,更易于辨识系统信息与噪声,每一个自变量的回归系数将更容易解释[24]。本试验中将色泽参数和嫩度参考值作为因变量,将波长作为自变量,通过PLS回归,建立鸡肉中色泽和嫩度的预测模型。

PLS回归模型性能通过以下参数评价:校正集相关系数(RC)、校正集误差(Root mean square error of calibration,RMSEC)、内部交叉验证集相关系数(RCV)、内部交叉验证集均方根误差(Root mean square error of cross validation,RMSECV)、外部预测集相关系数(RC)、外部预测集均方根误差(Root mean square error of prediction,RMSEP)[25]。其中模型相关系数(R)越接近1,RMSEC、RMSECV、RMSEP越小,模型的预测性能越好[26]。

1.2.6 最优波长的选择与模型优化 本试验中获得的全波段光谱共有486个波长,若采用全部波长作为建模的输入变量,信息数据量将非常庞大,同时存在大量的冗余信息,因此要采用合适手段选取最优波长区间或者波长,剔除无关信息,提取有用信息,减少数据计算量,以提高建模效率。本试验采用逐步回归法(Stepwise)筛选最优波长。Stepwise是多元线性回归法中选择回归变量的一种常用数学方法,即利用逐步回归法按一定显著水平筛选出统计检验显著的波长,再进行多元线性回归计算。逐步回归法的具体筛选步骤参照Feng等[27]的研究。获取最优波长后,以最优波长作为输入变量,进行全波段PLS回归模型(F-PLS)优化,建立最优波长PLS模型(O-PLS),以R和RMSE评价模型性能。当输入变量个数小于样本个数时,还可使用MLR建模[28]。经Stepwise算法筛选获取最优波长后,以最优波长作为输入变量,构建MLR模型,并对比O-PLS与MLR预测效果。Stepwise回归操作在数学软件MATLAB2016a中进行,模型构建使用化学计量学软件Unscrambler 9.7完成。

2 结果与分析

2.1 色泽和嫩度测定结果

试验样品的色泽(217个)和嫩度(132个)测定结果如表1所示。参照Wu等[17]研究方法,将所有色泽参数和嫩度测量值和依照从小到大排序,按每四个样品中随机取一个样品(1/4)选入预测集,剩余样品(3/4)选入校正集。

表1 校正集和预测集样品色泽和嫩度测量结果统计Table 1 Results of measured chicken color and tenderness values in calibration set and prediction set

色泽参数L*、a*、b*及嫩度在不同的储藏期变化如图1所示。由图1a可以看出,L*值随着鸡肉储藏时间的增加,整体呈先上升后下降趋势。由图1b可以看出,a*值随着鸡肉储藏时间的增加,整体呈下降趋势。由图1c可以看出,b*值随着鸡肉储藏时间的增加,整体呈明显上升趋势。

图1 样品色泽和嫩度测定结果Fig.1 Test results of color and tenderness of samples 注:(a):L*值,(b):a*值,(c):b*值,(d):嫩度。

亮度前3 d先呈增大趋势,主要是因为鸡肉内部水分渗出,附着于鸡肉表面,对光的反射能力增强所致[29]。亮度在4～7 d下降是因为随着储藏时间的增加,微生物数量变多,鸡肉产生乳黄色崩解产物造成黄度升高,亮度和红度下降所致。肌红蛋白被微生物分解破坏,导致其变性,也能使鸡肉a*值下降。由图1d可以看出,嫩度随着鸡肉储藏时间的增加,呈上升趋势。主要是因为随着微贮藏时间的增加,肉中大块蛋白明显崩解,结构蛋白软化和消化,从而使嫩度增大[30]。

2.2 鸡肉样品光谱特征

通过近红外高光谱成像系统软件HSI Analyzer提取的217个鸡肉样品(用于色泽测量)和132个鸡肉样品(用于嫩度测量)的平均光谱特征分别如图2、图3所示。图2a和图3a是高光谱图像校正后提取的原始光谱信息,图2b和图3b是MFS预处理的光谱信息,图2c和图3c是MSC预处理的光谱信息,图2d和图3d是SNV预处理的光谱信息。图2～图3显示,所有样品的光谱曲线高低位置不同,

图2 用于色泽测量的鸡肉样品平均光谱Fig.2 Average spectral reflection curve of chicken samples for colour measurement注:(a)原始光谱,(b)MFS预处理光谱,(c)MSC预处理光谱,(d)SNV预处理光谱;图3同。

图3 用于嫩度测量的鸡肉样品平均光谱Fig.3 Average spectral reflection curve of chicken samples for tenderness measurement

这主要源于不同储藏期鸡肉的化学组分含量发生了变化,导致了光谱曲线主要的吸收波段发生改变。储藏期间肌肉水分流失、组织结构发生改变,使得鸡肉光谱吸光值逐渐降低,也会使光谱曲线呈高低分布,但其总体趋势一致[3]。

近红外光谱出现吸收峰是源于鸡肉化学组分中的各种基团(包括O-H、N-H和C-H)发生伸缩、振动、弯曲等运动[31]。吸收峰出现在980 nm(O-H的倍频吸收带)、1200 nm(O-H的合频吸收带)和1450 nm(O-H的倍频吸收带)处,源于鸡肉中的水分吸收[32]。980、1200 nm处吸收较强,而1450 nm处的吸收峰很弱。由于鸡肉水分含量太多(70%以上),掩盖了肉品其他成分的光谱信息,导致蛋白质和脂肪等成分的吸收峰不明显。虽然光谱上没有明显的色泽和嫩度吸收峰,但是色泽和嫩度的变化与肉品化学组分相关,可通过化学计量学手段挖掘光谱信息,寻找到特征光谱信息与色泽和嫩度之间的定量关系。

2.3 基于全波段光谱的PLS预测色泽及嫩度结果

前期的预试验结果显示,基于原始光谱信息构建的PLS模型预测效果较差,经预处理后预测效果改善明显。本试验基于三种不同预处理全波段486个波长,采用PLS回归算法分别挖掘色泽参数(L*、a*、b*)、嫩度与光谱信息之间的相关性。结果如表2所示。

表2 鸡肉色泽和嫩度F-PLS回归预测结果Table 2 F-PLS prediction performance for chicken color and tenderness

由表2得知,经三种不同预处理全波段光谱信息后,构建的F-PLS回归模型预测效果相似。三种预处理相比较,经MFS预处理光谱构建的F-PLS回归模型预测鸡肉色泽参数L*、b*以及嫩度效果更优,对应的ΔE值分别为0.535、0.020和0.341,均低于其他两种模型,RC分别为0.951、0.911和0.968,Rp分别为0.904、0.908和0.948,均高于0.900,且其RMSEC分别为1.501、1.557和1.255 N,RMSEP分别为2.036、1.577和1.596 N,其值均较低。这说明了构建的F-PLS回归模型具有良好的鲁棒性。相比之下,色泽参数a*值的预测效果不理想,模型相关系数很低,说明鸡肉色泽和近红外光谱信息之间相关性很差,这可能是由于鸡胸肉中肌红蛋白含量、红肌纤维数量较少,导致红度值较低[33],测量误差较大。后续试验中不予分析。

2.4 Stepwise法筛选最优波长结果

本试验采用Stepwise回归算法从全波段中筛选出最优波长,以减少数据运算量、提高建模效率[34],筛选结果如表3和图4所示。由表3得知,筛选后最优波长的数量在13～20之间,光谱波长减少量在95%～98%之间。整体而言,从预处理光谱中筛选用于预测颜色的最优波长数量少于预测嫩度的数量。对于参数L*,从三种预处理光谱中筛选的最优波长分别为14、16和14个,与全波段数相比其波长减少量分别为97.12%、96.71%和97.12%。对于参数b*和嫩度,从MFS预处理光谱中筛选的最优波长数量均多于其他两种预处理(MSC和SNV)。

图4 三种不同预处理光谱中Stepwise法筛选出的最优波长具体位置Fig.4 The specific location of the optimal wavelengths selected by Stepwise method from the three pretreatment spectra

表3 Stepwise法筛选最优波长结果比较Table 3 Comparison of optimal wavelengths selected by Stepwise method

2.5 基于最优波长的PLS预测色泽及嫩度结果

最优波长筛选后,以最优波长为输入变量,重新校正,优化F-PLS回归模型,结果如表4。 对于L*值预测,从SNV光谱中筛选的14个最优波长构建的O-PLS预测模型ΔE为0.665,低于MFS(0.834)和MSC(0.852)光谱的ΔE值;对于b*值预测,从SNV光谱中筛选的最优波长数量最少(13个),其所构建的O-PLS预测ΔE值为0.375,低于MFS(0.544)和MSC(0.384)光谱的ΔE值;不同于颜色参数预测,从MFS光谱中筛选的最优波长(20个)预测鸡肉嫩度值效果最好,其ΔE为1.340,均低于MFS(1.504)和MSC(1.586)光谱的ΔE值,且其RP为0.888,高于熊振杰等[3]的可见/近红外高光谱(400～1000 nm)检测结果(L*:RP=0.876;嫩度:RP=0.740)。这说明,针对不同的参数需要选择合适的光谱预处理方法,以获得最好的预测效果。本试验O-PLS回归模型预测结果显示,高光谱技术预测鸡肉颜色和嫩度潜力巨大。

表4 O-PLS预测鸡肉色泽和嫩度结果Table 4 Results of O-PLS models for predicting chicken color and tenderness

2.6 MLR和O-PLS预测色泽及嫩度效果对比

最优波长筛选后,波长数量大幅度减少,且数量少于试验样本数,利用MLR建模预测鸡肉颜色参数和嫩度,结果如表5。从表5中可得,对于参数L*,则基于SNV光谱所建MLR模型的性能和鲁棒性均优于经MFS和MSC预处理所建MLR和O-PLS模型,其SNV-MLR模型的RC、RCV和Rp值分别为0.948、0.938和0.894,ΔE值为0.616;对于参数b*,经SNV预处理所建O-PLS预测模型的鲁棒性(ΔE=0.385)优于MLR预测模型的鲁棒性(ΔE=0.375);而对于鸡肉嫩度值,则依然是基于MFS预处理的光谱所建的O-PLS预测模型的鲁棒性(ΔE=1.340)好于MLR预测模型。经对比两种模型预测效果,针对L*、b*和嫩度,最优预测结果分别如图5～图7所示。图5为经SNV预处理的光谱所建立的L*值的最优MLR模型预测结果图,其中图5a为校正集和交叉验证集的结果图,图5b为预测集的结果图;图6和图7同图5。

表5 MLR模型预测鸡肉色泽和嫩度结果Table 5 MLR prediction performance for chicken color and tenderness based on optimal wavelengths

图5 L*值最优预测结果(MLR+SNV光谱)Fig.5 The best results for L* prediction(MLR+SNV spectra)注:(a)校正集和交叉验证集结果;(b)预测集结果,图6～图7同。

图6 b*值最优预测结果(O-PLS+SNV光谱)Fig.6 The best results for b* prediction(O-PLS+SNV spectra)

图7 嫩度值最优预测结果(O-PLS+MFS光谱)Fig.7 The best results for tenderness prediction(O-PLS+MFS spectra)

3 结论

采用近红外(900～1700 nm)高光谱成像技术对鸡胸肉色泽和嫩度进行快速无损检测研究。基于三种不同预处理光谱(MFS、MSC、SNV)信息,构建全波段F-PLS模型预测鸡肉色泽参数L*、b*和嫩度,均取得了较好的效果。经Stepwise算法筛选最优波长优化F-PLS模型,从SNV光谱中筛选的14个最优波长构建的MLR模型预测L*值效果更好(RP=0.894,RMSEP=2.160),从SNV光谱中筛选的13个最优波长构建的O-PLS模型预测b*值效果更好(RP=0.877,RMSEP=1.811),从MFS光谱中筛选的20个最优波长构建的O-PLS模型预测鸡肉嫩度值效果更好(RP=0.888,RMSEP=2.408 N)。近红外高光谱成像技术结合Stepwise算法建立预测模型可潜在实现对鸡肉色泽参数L*、b*以及嫩度的快速预测。