红肉质量的高光谱无损检测研究进展分析

白雪冰，马殿坤，张梦杰，马瑞芹

中国农业大学信息与电子工程学院，北京 100083

引 言

2012年我国羊肉产量为405万吨，到2019年我国羊肉产量已达488万吨。 8年间，羊肉产量上涨83万吨，在畜肉产量中的占比从6.27%上升到了9.02%[1]。 与此同时，消费者对红肉的质量安全问题愈加重视，优质红肉因具有新鲜、 营养、 感官好等特点而受到消费者的青睐[2]。 然而，“变质肉”、 “掺假肉”、 “添加肉”和“注水肉”等食品质量安全事故频发，已经成为威胁我国居民生命安全和阻碍市场良性发展的严重问题[3]。 目前，消费者购买冷鲜红肉时只能根据红肉的色泽、 触感等感官信息判别其新鲜度，但是大多数消费者都不具备准确判别的能力。 因此，构建标准化的红肉质量无损快速检测方法，可以极大的促进我国红肉质量安全监管体系的规范化发展。

目前，红肉质量检测主要依托于质地剖面分析、 半微量定氮法、 平板计数法等理化实验，对实验条件、 时间和人员的专业知识技能都有苛刻的要求，同时对样本具有较强的破坏性，并不适用于在一般的生活生产中推广应用。 高光谱技术具有无接触、 高通量、 对检测环境和人员专业能力要求宽松等优势，为红肉质量安全检测开辟了一条新的研究方向[4-5]。

本文简述了红肉质量的表征形式，分析了高光谱技术在红肉质量无损检测研究中的优缺点，重点综述了红肉质量无损检测建模中关键算法的研究进展，讨论了采用高光谱技术无损检测红肉质量相关研究面临的挑战与发展趋势。

1 红肉质量高光谱无损检测概述

1.1 红肉质量表征形式

红肉质量是反映其新鲜程度的固有属性，可分类为由感官评价获取的外在属性和需要化学测量的内在属性。 羊肉的品质变化究其根本是由微生物引起的，羊肉的肌肉组织一般是无菌的，由于外部污染导致微生物接种到羊肉组织并开始繁殖，由此构成了羊肉的微生物特性。 在微生物和酶的共同作用下，使蛋白质和脂肪等营养物质逐渐分解，进而引起酸碱度属性变化并产生对人体健康有害的化学成分，由此构成了羊肉的化学特性。 营养物质流失和有害物质积累等内在特性的变化会以一定的外在形式表现出来，例如肌红蛋白的氧化会引起肉色的变化、 蛋白质的分解会导致羊肉质地瘫软，由此构成了羊肉的物理特性[6]，如图1所示。

图1 红肉质量特性分类及联系Fig.1 Classification and relationship of quality characteristics for red meat

1.2 高光谱成像技术特点

高光谱成像技术是一种基于多窄波段的图像数据技术，获取目标的二维图像和以一维光谱，形成连续、 窄波段的图像数据[7]。 高光谱成像不仅具备图像和光谱技术的无损、 高通量、 快速等检测特点，还具有如下特点：

(1)图谱合一。 高光谱成像技术同时获取目标的图像和光谱，可更加全面、 有效、 准确的描述目标外在特征(形状、 色泽等)和内在特征(物理结构、 化学成分)。 融合红肉的光谱和图像特征构建多源信息的红肉质量无损检测模型，可以克服单一特征受噪声影响而导致的模型性能差等问题[8]。

(2)分辨率高。 高光谱相机覆盖波段范围广，可从可见光波段延伸到中红外波段，形成一条近似连续的曲线，分辨率小于10 nm。 较高的分辨率可以提高高光谱技术获取红肉质量信息的能力[9]。

(3)模型多样。 基于高光谱图谱合一特性进行多样化建模，可应用于目标的外在特征感知、 成分定量预测、 质量安全评估等研究，使得数据的分析和处理更加灵活、 方便。

高光谱成像技术作为一种新兴的数据获取技术，目前也存在诸多问题有待进一步优化，具体如下：

(1)冗余度高。 高光谱数据是由二维图像和一维光谱组成的三维数据，体量较大； 相邻波段相关性强，同时包含背景等无用信息，导致高光谱数据的冗余程度较高。 对于特定的目标，高光谱大体量的数据会掩盖目标特征信息，不利于快速分析和识别目标参数[10]。

(2)信噪比低。 由于技术的不成熟，目前高光谱相机采集信息的信噪比较低，对光谱预处理算法的要求相对较高。

(3)非线性强。 高光谱数据的非线性主要来源于光源照射样品后的反射过程和反射光在空气中的传播过程，这要求采用更复杂的非线性模型进行处理。

1.3 红肉质量高光谱无损检测机理

光谱检测目标主要为含氢基团的化合物及其衍生性质，例如TVB-N主要结构为N—H基团，而色泽等属性特征则是肌红蛋白氧化基团的衍生表现。 可见/近红外光谱可有效记录C—H，O—H和N—H等含氢基团的基频、 倍频及合频吸收的相关信息，当采用连续的可见/近红外光照射红肉样品时，样品会选择性的吸收与基团发生共振波段的光，通过采集样品漫反射的可见/近红外光谱就可以实现样品化学成分和物理结构的定性定量分析。

2 红肉质量高光谱信息解析方法

2.1 感兴趣区域获取

光谱成像技术主要采用推扫式获取红肉的图谱信息，采集过程易受自然光影响，且数据体量较大。 因此，借助聚四氟乙烯标准白板和封盖的方法分别获取反射率接近100%和0的标定图像，并进行红肉图谱校正，是提高数据准确性的必要手段。 常用的高光谱图像校正公式[11]为

(1)

式(1)中，Rref为校正后的高光谱，Rsample为原始高光谱，Rwhite为全白定标，Rdark为全黑定标。

由于高光谱数据存在体量大、 冗余高的问题，一般会主动选取出一个区域作为重点进一步处理，以减少处理时间，增加精度，这个区域称之为感兴趣区域(ROI)。 ROI一般采用手动选取，存在较大的主观性和误差，因此ROI的自动化选取是高光谱成像研究中的一个难点。 Cheng等[12]通过红肉样本中反射率较高的波段图像与反射率较低的波段图像相减，对运算获得灰度图像进行阈值分割，实现背景、 肌肉和脂肪区域的自动分离提取。

2.2 光谱预处理方法

红肉的成分较为复杂，对应的光谱包含了大量信息，容易受到环境噪声因素的影响，进而影响建模的可靠性和准确性。 光谱预处理算法可以有效抑制噪声信号，提高光谱数据的质量。 常见的预处理方法包括基线校正、 散射校正、 平滑处理和尺度缩放[13]，如表1所示。

表1 光谱预处理算法分类Table 1 Classification of spectral preprocessing algorithm

综上所述，预处理算法选取主要有两种形式，一是通过观察光谱信号确定预处理算法，该方法主观性和经验主义强； 一是根据建模效果反推预处理算法，其复杂度和时间成本较高。 采用反推法选择光谱预处理算法所构建的预测模型相关系数和决定系数普遍较高，模型性能较好。

2.3 光谱与图像的特征筛选与融合

高光谱成像技术融合了光谱技术和计算机视觉的优势，利用光谱“指纹”特性检测红肉中化学成分浓度，可以快速精准判断红肉的质量安全，结合特征波段图像的色泽、 纹理等信息，可以进一步提高红肉质量安全评估模型的全面性和准确性。 常用的红肉图像特征如表2所示。

采用单一的光谱特征信息构建红肉质量预测模型，模型会表现出较强的均一性，但模型受光源稳定性和环境影响较大，且缺乏对红肉不同区域质量评估的直观性。

表2 红肉图像特征信息Table 2 Feature information of red meat image

综上所述，加权融合光谱和图像两种特征信息共建红肉质量预测模型，可有效降低噪声对模型的影响，提高模型稳定性。 仅计算特征波段图像的纹理特征，是降低高光谱数据维度和预测模型复杂度的可行方法。

2.4 模型构建与优化

基于红肉质量的特征光谱和纹理信息构建定量预测模型，是实现红肉质量无损检测的关键。 常见的高光谱无损预测模型可分为线性模型和非线性模型，线性模型主要包括多元线性回归(MLR)、 主成分分析(PCA)、 偏最小二乘回归(PLSR)等； 非线性模型主要包括支持向量机(SVM)、 偏最小二乘-支持向量机(LS-SVM)、 反向传播神经网络(BPNN)等，如表3所示。

表3 红肉质量定量预测模型Table 3 Quantitative prediction model of red meat quality

综上所述，线性回归模型的模型解释性较强，对于小数据量、 简单的关系很有效； 但对于非线性数据或者数据特征间具有较强相关性的分析能力较差； 构建在深度学习理论基础上的非线性回归模型能够充分挖掘特征变量与红肉质量之间的深层联系，预测模型更加精准稳定； 但是作为机器学习算法，建模一般需要较大的样本数量。

3 基于高光谱技术的红肉质量检测研究发展趋势

高光谱成像技术作为一种原位无损、 高通量、 快速的检测技术，兼顾了光谱技术和图像处理技术的优点，可有效综合红肉的光谱特性和色泽、 纹理信息，降低某一检测技术中噪声干扰对模型的影响，提高红肉质量预测的准确度和稳定性。 因此，高光谱技术已经成为红肉质量在线快速无损检测研究中最具研究价值的重点技术之一。

(1)ROI获取的自动化算法已成为高光谱数据分析中迫切需要解决的难题。 手动选取红肉高光谱图像ROI极大的限制了高光谱技术在红肉质量检测研究中的自动化程度，ROI的自动选取算法研究处于初级阶段，开发有效的ROI自动选取算法，将极大的提高红肉质量高光谱无损检测模型的效率。

(2)高光谱技术的图谱合一将成为提高红肉质量快速无损检测模型性能的研究方向。 高光谱技术在红肉质量无损检测研究中的优势已逐渐显现，光谱特性和图像信息具有一定的互补性，信息融合可以提高预测模型的稳定性。 因此，光谱与图像信息的加权融合方法也将成为红肉质量高光谱无损检测研究中的重点。

(3)基于机器学习的非线性回归模型将成为红肉质量检测方法的重点研究方向之一。 在样本量充足的情况下，基于机器学习的非线性回归模型可以有效的解析红肉质量与高光谱数据间的复杂非线性关系，更加准确的预测红肉品质变化。 如何通过对新样本的学习，提高模型的稳定性、 传递性将是促进红肉质量无损检测模型在实际生产中应用的必要研究内容。