基于高光谱成像的咸鸭蛋腌制品质快速检测

徐佛言，赵 欣，张晓瑞，郁姗姗，王 丽，黄星奕

（江苏大学食品与生物工程学院，江苏镇江 212013）

咸鸭蛋是中国传统腌制食品，因其具有独特的风味和松软的口感，深受人们的喜爱。在我国，70%以上的鸭蛋用于蛋制品加工，如皮蛋、咸鸭蛋和咸蛋黄等，其中，咸鸭蛋的市场份额更是占到鸭蛋制品的68%左右[1]。

由于咸鸭蛋消费量大，因此其安全与质量品质必须被深入探究。咸鸭蛋中的水分和脂质不仅是影响咸鸭蛋品质的重要物质[2]，也是判断咸鸭蛋是否腌制成熟的重要参考标准。在鸭蛋的腌制过程中，随着盐分向内扩散，蛋黄内亲油基团与亲水基团分离，游离态水分子增多并逐渐从蛋黄向蛋白转移[3]，最终扩散到蛋壳外，这也是咸鸭蛋蛋黄出现硬化的原因[4]。当咸鸭蛋蛋白和蛋黄的含水量分别降至75%和20%，蛋黄油脂含量增加到55%左右时，即可认为咸鸭蛋腌制成熟[5]。因此，水分和脂质含量是咸鸭蛋腌制品质的重要参考指标。

传统的咸鸭蛋腌制方法主要包括盐水腌制和滚灰腌制等。然而，传统方法的腌制周期较长[6]，不适合规模化的工业生产。因此，为缩短咸鸭蛋的腌制周期，研究者们已探究采用各种方法辅助咸鸭蛋腌制[7-9]，以缩短咸鸭蛋的腌制周期。随着各种快速腌制工艺的出现，如何快速客观地评价腌制品质也显得尤为重要。

为实现禽蛋品质的快速评判，已有研究者采用低场核磁共振，近红外光谱仪[10]等仪器设备对禽蛋的新鲜度、水分含量和脂质含量等指标进行无损检测。龙门[11]等利用低场核磁共振技术分析盐渗透对脂质迁移和水迁移的影响。Cruz-Tirado 等[12]使用低成本的便携式近红外光谱仪结合机器学习实现鸡蛋新鲜度在线判别。近红外光谱仪是根据若干个选定点位的光谱反射率而估计样品整体的相关理化指标含量。但实际上，食品农产品中物质分布并不均匀，仅仅依靠有限个点的预测结果并不能准确全面反映食品本身的质量。低场核磁共振波谱仪虽然能够反映食品中物质的分布情况，但其价格昂贵，不适合在企业大规模推广应用。

高光谱成像技术结合了光谱技术与计算机视觉技术，能够同时获取对象的光谱信息和图像信息。该技术能够获取仪器波长范围内每一像素的光谱数据和图像信息，并进一步实现理化指标的分布检测。随着图像传感器和其他元器件的国产化程度越来越高，高光谱成像仪的价格不断降低，并在食品、纺织等行业显现出巨大的应用潜力。目前，这一技术逐渐被应用于包括肉类、鱼类、水果等在内的多种食品农产品的理化指标快速检测与分布研究[13-15]。

因此，本研究旨在通过高光谱成像技术实现咸鸭蛋腌制过程中水分和脂质的定量检测，并进一步探究水分和脂质的分布状态，为生产企业提供咸鸭蛋腌制品质的快速检测方法，从而指导企业改进生产工艺。

1 材料与方法

1.1 材料与仪器

新鲜鸭蛋 购自浙江衢州恒蜂源旗舰店，单个重约60 g，总计96 枚，于常温下运输至实验室；食盐购自上海盐业有限公司；醋酸、无水乙醇、无水乙醚 均为分析纯，购自镇江华东器化玻有限公司。

BS224S 分析天平 北京赛多里斯仪器系统有限公司；UF750 烘箱 德国美莫尔特有限公司；JC-220C-12 氮吹仪 聚仪惠供应链有限公司；Inspector V10E 高光谱相机 芬兰奥卢光谱成像有限公司；12 V 50 W 石英卤素灯 荷兰皇家飞利浦公司；Zolix TS200AB 移动平台 北京卓立汉光有限公司。

1.2 实验方法

1.2.1 咸鸭蛋腌制及样品制备 新鲜鸭蛋用1%醋酸溶液浸泡20 min，然后洗去表面脏污，风干后，分成8 组，每组12 个。所有鸭蛋在密封玻璃罐中用饱和盐水腌制。在整个腌制过程中，温度保持在25±1 ℃，湿度为50%～60%。

盐水腌制咸鸭蛋通常在25 d 左右成熟，根据预实验，确定咸鸭蛋腌制时间为24 d。因此，从开始腌制后的第3 d 到第24 d，每间隔3 d 取出12 个咸鸭蛋，先进行高光谱图像和光谱采集，然后进行水分及脂质含量的测定。

实验当天，取出12 个咸鸭蛋，用水清洗干净，在100 ℃的沸水中煮5 min。然后关掉电磁炉，让咸鸭蛋在热水中静置10 min。从电磁炉中取出咸鸭蛋，迅速放入冰水中浸泡20 min。小心地剥去鸭蛋的壳，沿长轴切成三片。保留中心一片切片，厚度为10 mm。以咸鸭蛋薄片钝边为扇形的弧，以薄片的中心为圆心切下一个扇形。

1.2.2 高光谱成像系统组成及图像采集 高光谱成像系统由一台相机、一个镜头、八个石英卤素灯、一台计算机、一个可移动平台组成。该相机的光谱分辨率为0.8264 nm，可采集432～961 nm 范围内的618 个波长。上述光学元件的设置方式是将样品置于可移动平台上，摄像机置于顶部，垂直于样品，距离样品650 mm。卤素灯布置在可移动平台斜上方两侧，与可移动平台呈45°夹角，与样品的垂直距离500 mm。所有组件都被封装在一个成像盒中，以避免环境光的影响。移动平台在图像采集时的速度设置为0.9 mm/sec。

实验开始前，先打开高光谱成像系统预热30 min，使系统运行稳定。由于相机暗电流的影响，采集的图像会存在图像噪声，因此在采集样品的光谱和图像之前，先采集白色光滑标定板的图像，然后关闭卤素灯并且盖上镜头盖，采集一幅黑暗的图像。采集完黑白平衡的图片后，即可进行样品图像和光谱信息的采集。

1.2.3 水分含量检测 高光谱数据采集后，按照中国国家标准GB 5009.3-2016 的方法测量每个咸鸭蛋的水分含量[16]。用分析天平称取约2.000 g 咸鸭蛋样本，精确到0.001 g，然后将样品转移到干燥好的铝盒中。将铝盒放入100 ℃的热风循环烘箱中烘干4 h。随后每隔1 h 取出刚入干燥皿冷却30 min，随后称量，然后重复上述步骤，直至前后两次称量结果相差不超过2 mg。含水率计算公式如下：

式中：m1为铝盒和干燥前样品的重量，g；m2为铝盒和样品干燥后的重量，g；m3为铝盒重量，g；X为样品含水率，%。

1.2.4 脂质含量检测 高光谱数据采集后，按中国国家标准GB 5009.6-2016 第二章酸水解法的方法测定咸鸭蛋蛋黄的脂类含量[17]。咸鸭蛋蛋黄中的结合态脂肪必须用强酸使其游离出来，然后溶于有机溶剂。将蛋黄先用盐酸水解，然后用无水乙醚提取，用氮吹仪除去溶剂后即得游离态和结合态脂肪的总含量。

具体操作方法如下：用分析天平称取约2.000 g鸭蛋蛋黄样本，精确到0.001 g，将样品转移到100 mL离心管中。向离心管中加入8 mL 水，并用玻璃棒充分搅拌混匀。向离心管中加入10 mL 盐酸溶液（2 mol/L），用涡旋混合仪振摇30 s。然后，将离心管放入70 ℃水浴中消解50 min，每10 min 用玻璃棒搅拌一次。加入10 mL 无水乙醇，振摇30 s。加入25 mL 无水乙醚，振摇60 s，然后静置40 min 使其分层，用注射器将上层醚相转移到30 mL 玻璃离心管，再次向100 mL 离心管中加入5 mL 无水乙醚，重复上述步骤。用氮吹仪将乙醚吹干，直到剩余2 mL 时在水浴上蒸干。将玻璃离心管放入100 ℃热风循环烘箱中干燥，每隔1 h 取出并放入干燥皿冷却30 min，随后称量。重复上述步骤，直至前后两次称量结果相差不超过2 mg。脂质含量计算公式如下：

式中：m1为玻璃离心管和干燥后样品的重量，g；m2为玻璃离心管和干燥前样品的重量，g；m3为样品的重量，g；X为样品的脂质含量，%。

1.3 数据处理

1.3.1 光谱提取及最优波长筛选 为了获得有效的光谱信息，必须提取合理感兴趣区域（ROI）。首先利用高光谱数据分析软件ENVI 5.3.1 进行图像分割，选取每个样本的ROI。由于样品和背景的反射率不同，在300 nm 光谱图像下，将反射率的最小值设为0.3，将反射率的最大值设置为1.0，提取ROI。在此基础上对ROI 的平均光谱进行计算并保存。采用Savitzky-Golay 平滑（SG）、高斯滤波（Gauss）和标准正态变换（SNV）三种预处理方法对光谱进行平滑处理，以降低散射引起的光谱噪声以及相机暗电流产生的影响。

高光谱数据量庞大，存在大量的冗余信息，不仅影响计算速度，而且大量共线性的信息会对定量预测结果的准确率造成一定的影响。因此，有必要采用合适的方法来筛选最佳波长，提高咸鸭蛋水分和脂质含量预测的准确性。竞争自适应重加权抽样算法（CARS）是一种基于自适应重加权抽样[18]和达尔文进化论上的“适者生存”有效原则[19]，能够极大地降低数据冗余度，提高模型运行速度。因此，本研究将采用该方法进行特征波长选择，从618 个波长中筛选出最佳波长，后期将最佳波长对应的反射率作为特征变量，用于定量预测模型的构建。

1.3.2 定量预测模型的建立 首先将样本按照2:1的比例划分为训练集和预测集，然后通过调整参数，分别建立10 折交叉验证的偏最小二乘回归模型（PLSR）和人工神经网络（ANN）模型，实现咸鸭蛋腌制过程中水分及脂质含量的定量预测，并比较两种方法预测的准确性。

PLSR 是一种线性预测方法，用于确定光谱信息和理化值之间的线性关系[20]。该方法通过提取具有最佳预测能力的正交因子来实现。采用PLSR 建立相关关系可以有效避免变量之间的共线性关系，从而实现更稳定的预测[21]。

ANN 是人工智能领域的研究热点，其通过模仿人类神经元的连接方式，建立一种简单的模型，按不同的连接方式可以组成各式各样的网络结构，从而适应多样化的任务需求[22]。人工神经网络发展至今，已经在模式识别、智能机器人、自动控制、预测估计、生物医药等领域发挥了重要的作用，解决了许多计算机难以解决的实际问题[23]。本研究搭建了一种神经网络，用于咸鸭蛋腌制过程中关键指标的定量预测，并将其与PLSR 模型的性能进行比较分析。

2 结果与分析

2.1 咸鸭蛋中水分和脂质含量的变化

水分含量（MC）和脂肪含量（LC）是影响咸鸭蛋品质的重要因素。因此，本研究主要对这两个关键性指标进行分析讨论，以解释咸鸭蛋内部品质特征发生变化的现象。图1 为蛋清和蛋黄中水分和脂肪含量每三天的变化情况。从图1（a）中可以看出，随着腌制过程的进行，各层含水率逐渐降低，这是由于盐从腌制液扩散到蛋黄中，亲脂基团和亲水基团相互分离，水分从蛋黄向蛋清移动，最后通过蛋壳扩散出鸭蛋。在腌制过程中，蛋白内层和外层含水率差异不显著，均从85%左右下降到75%左右。这是因为蛋清具有良好的流动性，水分在蛋清中自由移动，整体保持一个平衡地状态。蛋黄含水率在腌制过程中呈现下降趋势，并且蛋黄外层含水率下降速度快于内层含水率，腌制后期蛋黄内外层含水率又逐渐接近。Chi 等[24]发现，在腌制过程中，蛋黄外层先变硬，然后逐渐向蛋黄内层延伸，其中，蛋黄硬度层的形成可能是由于水分含量的降低。当外层和内层含水率相近时，整个蛋黄均已硬化，此时整个蛋黄颜色相近，可认为咸鸭蛋已腌制成熟。

图1 不同腌制天数不同分层咸鸭蛋水分及脂质含量Fig.1 Moisture and lipid content of different layers of salted duck eggs under different salting days

图1（b）描述了蛋黄在腌制过程中脂质含量的变化。通过预实验并参考其他研究中对蛋白中脂质含量的测定，发现蛋白中几乎不含脂类物质，因此在本研究不考虑蛋白中脂质含量变化情况。由图1（b）可以看出，两层的脂质含量都随着腌制时间的延长而增加。脂质变化趋势与水分变化趋势相反。这是因为随着水分从蛋黄向蛋清的迁移，蛋黄中水分含量减少，脂类的含量相对升高。蛋黄外层脂肪含量高于内层，而外层水分含量却低于内层，这也表明蛋黄中脂肪含量与水分含量呈现负相关的关系。

2.2 反射光谱的提取

黑白校正后，用ENVI 5.3.1 计算每个样本ROI内所有像素的平均光谱值。各组咸鸭蛋的平均光谱曲线如图2 所示。

图2 咸鸭蛋不同分层的平均光谱曲线Fig.2 Average spectra of different layers of salted duck eggs

从图2 可以看出，不同天数的反射光谱具有相似的特征。随着腌制时间的延长，咸鸭蛋的反射率逐渐降低，造成这种现象的原因可能是腌制过程中咸鸭蛋内部物质的组成及含量发生了变化，如水分、脂类和蛋白质等物质。对比图2（a）～图2（d）可以看到，蛋黄和蛋白的平均光谱在432～600 nm 波长范围内存在明显的差异。蛋黄光谱在480 nm 处反射率较低，这主要是由蛋黄中的类胡萝卜素所引起[25]。另外，在腌制和蒸煮过程中，蛋黄中脂肪和蛋白质氧化可能导致吡咯色素浓度增加[26]，使得蛋黄颜色变深，从而吸收更多蓝紫光。600～900 nm 波长范围内，蛋黄和蛋白光谱均存在较高的反射率，且蛋白的反射率整体高于蛋黄，这可能是由于蛋白表面呈现白色，从而反射更多的光线，因此蛋白反射率更高。由图2（c）和图2（d）可以看到，在900～960 nm 区域范围内，蛋白光谱反射率迅速下降，这可能是由于蛋白中水分含量高于蛋黄，而H2O 中O-H 键二级倍频在960 nm 处有吸收峰[27]。

以蛋白内层光谱为例，原始光谱曲线和经SG、Gauss、SNV 预处理的光谱曲线如图3 所示。由图3（b）和图3（c）可见，经SG 和Gauss 处理后的光谱曲线更加平滑、紧密，消除噪声的同时最大限度地保存了原有的光谱特征。由图3（d）可见，经过SNV处理后的光谱曲线与原始光谱区别较大，消除了样品表面散射以及光程变化对光谱曲线的影响。因此，利用预处理后的数据建立蛋白水分、蛋黄水分和蛋黄脂质的定量预测模型。

图3 经不同方法预处理后的光谱Fig.3 Spectra pretreated by different pretreat methods

2.3 回归模型的建立

高光谱信息包含很多冗余信息，为简化模型结构和提高模型运行速度，选择最优波长显得尤为重要。对比表1 中同一预处理方式筛选波长前后建立的PLSR 定量预测模型，可以发现，利用筛选出来的最优波长建立的模型效果优于基于全波长建立的模型。因此，有必要筛选最优波长，以提高定量预测模型的准确率和运行速度。传统上，选择的波长与样品的物理化学特征有关[28]。在本研究中，采用CARS算法选取最优波长，即波长的选择基于全光谱的平均CARS 权重，该权重是通过1000 次重复采样自动计算的[29]。CARS 算法挑选最优波长的原理是，随着交叉验证集均方根误差（RMSECV）的减小，变量数量逐渐减少，当RMSECV 值降到最低时，所选波长即为最优波长[30]。

图4 显示了CARS 在不同预处理方法下挑选的最优波长，蓝色曲线为平均光谱曲线，玫红色圆圈为挑选出来的最优波长。图4（a）～图4（f）中，通过CARS 算法挑选出来用于水分含量预测的最优波长集中在430～480 nm 区域、740～775 nm 区域和950～960 nm 区域，其中740～775 nm 区域与O-H 键拉伸第三泛音有关，950～960 nm 区域与O-H 键拉伸第二泛音有关，说明挑选出来的特征波长能够反映样品中水分含量的变化。图4（g）～图4（i）中，通过CARS算法挑选出来用于蛋黄脂质含量预测的最优波长集中在430～480 nm 区域和900～960 nm 区域，而胡萝卜素在480 nm 处有较强的吸收，说明挑选出来的最优波长能够较好的预测蛋黄中脂质含量。

图4 不同方法预处理后挑选的最优波长Fig.4 Optimal wavelengths selected by different pretreat methods

选择最佳波长后，分别利用偏最小二乘回归模型和人工神经网络对蛋白水分含量、蛋黄水分含量和蛋黄脂质含量进行预测。如表2 所示，经过SNV预处理后建立的蛋白水分、蛋黄水分和蛋黄脂质的定量预测模型预测集决定系数分别能达到0.9182、0.9405 和0.8670，均高于经过其他两种预处理方式建立的定量预测模型，也进一步表明建立的定量预测模型能够较准确地预测咸鸭蛋的水分和脂质含量。

表2 两种建模方式下咸鸭蛋水分及脂质含量预测模型性能Table 2 Performance of moisture and lipid content of salted duck eggs under different models

由表2 所示，神经网络模型的预测集决定系数分别可以达到0.9306，0.9552 和0.8896，其预测均方根误差均小于通过PLSR 预测的对应值，说明搭建的人工神经网络比PLSR 预测效果更好，性能更优。

2.4 水分和脂质的可视化分布

在咸鸭蛋腌制过程中，水分和脂质在盐分作用下发生迁移，不同腌制时期其分布有明显的差异，因此，水分和脂质的可视化分布图能够更好地帮助研究人员判断腌制效果，调整腌制工艺。

图5 显示了咸鸭蛋在不同腌制阶段的水分分布图。样品右侧渐变颜色条的不同颜色代表了不同含量的水分含量和脂质含量。从深蓝色到绿色再到红色的渐变代表着水分含量或脂质含量越来越高。从水分分布图可以看到，在腌制初期，蛋黄水分含量略低于蛋白，且其水分分布较为均匀。而随着腌制时间的延长，蛋黄外层逐渐变蓝，表明其水分含量逐渐降低，蛋黄中的水分逐渐向蛋白迁移。随着腌制过程持续进行，蛋黄外侧深蓝色区域逐渐扩大并向蛋黄中心拓展，这就是咸鸭蛋腌制过程中蛋黄硬化的过程。

图5 不同腌制时间咸鸭蛋剖面水分分布图Fig.5 Moisture distribution map of the bisect of salted duck eggs

图6 显示了咸鸭蛋在不同腌制阶段的脂质分布图。由图6 可以看到，蛋白部分几乎不含脂质。随着腌制时间的延长，蛋黄部分颜色由蓝逐渐向红色转变，说明在腌制过程中，咸鸭蛋蛋黄部分脂质含量逐渐升高。并且蛋黄外层颜色先由蓝色向红色转变。结合水分含量的变化，进一步验证了在腌制过程中，蛋黄外层率先发生硬化现象，然后逐渐向内层拓展，到腌制后期，蛋黄内、外层都发生硬化，整个蛋黄水分及脂质分布又趋于统一。

图6 咸鸭蛋剖面脂质分布图Fig.6 Lipid distribution map of the bisect of salted duck eggs

3 结论

本研究利用高光谱成像技术对腌制过程中咸鸭蛋剖面水分及脂质含量进行了定量预测，并实现了水分和脂质分布的可视化。经对比发现，通过SNV 对光谱信息进行预处理后建模效果优于原始光谱所建立的模型。与PLSR 模型相比，ANN 预测的理化值含量与真实值更为接近，其预测集决定系数均能达到0.88 以上，预测集均方根误差更小。基于已建立的ANN 模型可成功将三维高光谱数据转化成二维的水分和脂质分布图。研究结果表明，高光谱技术结合化学计量学可以实现咸鸭蛋剖面水分及脂质含量的快速定量预测及其分布状态的可视化分析。本项研究工作可以为咸鸭蛋生产及加工企业的产品品质客观快速检测提供方法参考，为咸鸭蛋便携式检测装置的研发提供理论依据。