田衛(wèi)新 何丹丹 楊 東 陸安祥,

(1. 三峽大學(xué)計(jì)算機(jī)與信息學(xué)院，湖北 宜昌 443002；2. 北京市農(nóng)林科學(xué)院北京農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn)與檢測(cè)技術(shù)研究中心，北京 100097)

一種基于高光譜圖像的熟牛肉TVB-N含量預(yù)測(cè)方法

田衛(wèi)新1何丹丹1楊 東2陸安祥1,2

(1. 三峽大學(xué)計(jì)算機(jī)與信息學(xué)院，湖北 宜昌 443002；2. 北京市農(nóng)林科學(xué)院北京農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn)與檢測(cè)技術(shù)研究中心，北京 100097)

傳統(tǒng)肉制品新鮮度檢測(cè)方法具有耗時(shí)費(fèi)力、效率低、有損等缺陷，提出利用高光譜成像(HSI)技術(shù)預(yù)測(cè)熟牛肉新鮮度指標(biāo)揮發(fā)性鹽基氮(TVB-N)含量。首先通過(guò)HSI系統(tǒng)獲取熟牛肉樣本的高光譜數(shù)據(jù)，并進(jìn)行黑白校正。進(jìn)而采用移動(dòng)平均平滑和多元散射校正對(duì)高光譜數(shù)據(jù)進(jìn)行預(yù)處理。最后采用支持向量回歸(SVR)方法分別建立基于全光譜特征、單一光譜特征、單一紋理特征、主成分分析(PCA)融合特征對(duì)TVB-N含量的預(yù)測(cè)模型。結(jié)果顯示，使用PCA融合特征的SVR模型，對(duì)新鮮度的關(guān)鍵指標(biāo)TVB-N含量的平均預(yù)測(cè)準(zhǔn)確度(APA)可達(dá)到85.13%，表明高光譜成像技術(shù)與信息融合技術(shù)相結(jié)合能夠提升模型準(zhǔn)確度。

高光譜成像；TVB-N含量；特征融合；支持向量回歸；熟牛肉

新鮮度是評(píng)估肉類品質(zhì)安全最重要的參數(shù)，熟牛肉制品的新鮮度受微生物過(guò)程、物理化學(xué)過(guò)程的影響[1]。在其腐敗變質(zhì)過(guò)程中，碳水化合物、蛋白質(zhì)以及脂肪等主要成分在微生物分泌的酶和加工后二次污染菌的作用下分解，如細(xì)菌、霉菌、酵母菌等，產(chǎn)生碳?xì)浠衔?、醇、醛、氨、硫化氫、乙醛等揮發(fā)性有機(jī)物，引起熟牛肉制品內(nèi)部成分等化學(xué)特性發(fā)生變化，同時(shí)也使牛肉制品的顏色、紋理等物理特性發(fā)生相應(yīng)的變化。相比單純基于光譜特征[2]和基于紋理特征[3]的方法，HSI技術(shù)由于能將光譜和圖像結(jié)合以提供更多的信息，成為研究熱點(diǎn)[4-7]。

高光譜圖像技術(shù)在生鮮肉品檢測(cè)方面已有較多研究。Cheng Wei-wei等[5]研究將光譜和紋理數(shù)據(jù)整合對(duì)于增強(qiáng)豬肉K值高光譜預(yù)測(cè)能力，通過(guò)SPA提取光譜特征和GLCM提取紋理特征，使用特征級(jí)融合整合光譜和紋理數(shù)據(jù)并建立基于特征融合的最小二乘回歸預(yù)測(cè)模型，相比于單一光譜數(shù)據(jù)或紋理數(shù)據(jù)，性能有17.5%的提升；Khulal Urmila等[6]對(duì)雞肉的TVB-N含量進(jìn)行預(yù)測(cè)，分別從氣味傳感器和光學(xué)傳感器(HSI)獲得氣味數(shù)據(jù)和光譜圖像數(shù)據(jù)，融合后生成特征數(shù)據(jù)集，使用該數(shù)據(jù)集所建模型比單一特征數(shù)據(jù)集使用PCA結(jié)合BPANN所建模型體現(xiàn)更好的預(yù)測(cè)性能，其預(yù)測(cè)模型的決定系數(shù)(RP)為0.865 9，預(yù)測(cè)標(biāo)準(zhǔn)偏差(RMSEP)為4.587 mg/100 g，經(jīng)過(guò)皮爾森相關(guān)分析、消除無(wú)關(guān)變量及改良多級(jí)別數(shù)據(jù)融合方法后，RP提高到0.881 9，RMSEP降低到4.313 7 mg/100 g。相比生鮮肉制品，熟牛肉儲(chǔ)存時(shí)，變質(zhì)速度及紋理變化過(guò)程具有不同特點(diǎn)，當(dāng)前利用高光譜圖像預(yù)測(cè)熟牛肉TVB-N含量的文獻(xiàn)報(bào)道比較少。

本研究擬提取熟牛肉高光譜圖像數(shù)據(jù)中的光譜特征與紋理特征后，利用主成分分析(PCA)方法融合生成特征集，采用SVR方法建立熟牛肉新鮮度指標(biāo)TVB-N含量的預(yù)測(cè)模型，并與基于單一特征的預(yù)測(cè)模型進(jìn)行對(duì)比。

1 材料和方法

1.1 樣本準(zhǔn)備

試驗(yàn)中的熟牛肉來(lái)自北京稻香村食品有限責(zé)任公司，購(gòu)買當(dāng)天同一批次的熟牛肉樣本，存儲(chǔ)于(4±1) ℃的保溫箱內(nèi)在30 min內(nèi)運(yùn)到實(shí)驗(yàn)室進(jìn)行后期處理。將同一批次熟牛肉切割制作成尺寸為長(zhǎng)5 cm，寬3 cm，厚1 cm的91個(gè)切片樣本，每個(gè)樣本約為10 g。用無(wú)菌均質(zhì)袋將樣本密封放在恒溫(4±1) ℃的冰箱內(nèi)保存。分別在第1、4、7、10、13、16、19天取13個(gè)樣本進(jìn)行試驗(yàn)。每次試驗(yàn)時(shí)，將裝有樣本無(wú)菌均質(zhì)袋打開，在空氣中暴露30 min，待表面水分蒸發(fā)后，進(jìn)行高光譜數(shù)據(jù)采集。

1.2 高光譜圖像獲取及TVB-N測(cè)定

試驗(yàn)所用的高光譜成像系統(tǒng)見(jiàn)圖1。將待測(cè)樣品1放置在載物臺(tái)2上，調(diào)整載物臺(tái)與聚焦鏡頭5的垂直距離與標(biāo)準(zhǔn)位相一致；儀器啟動(dòng)后，由精密步進(jìn)電機(jī)3(EZHR17EN, AllMotion, Inc., USA)控制載物平臺(tái)水平移動(dòng)，確保待測(cè)樣品可以被全面掃描；一套150 W穩(wěn)定輸出鹵素?zé)艄庠?(3900-ER, Illumination Technologies，Inc., USA)發(fā)出入射光，經(jīng)待測(cè)樣品吸收、散射、漫反射等作用后，待測(cè)樣品表面反射光經(jīng)聚焦鏡頭聚焦，然后被光譜儀6(ImSpector VNIR-V10E-EMCCD, Spectral Imaging Ltd., Oulu, Finland)分光后，再由面陣近紅外相機(jī)7 (Andor Luca EMCCD DL-604M, Andor Technology PLC, Belfast, UK)進(jìn)行成像，最終由CCD控制器將采集到的肉樣高光譜圖像數(shù)據(jù)傳送到計(jì)算機(jī)8 (Dell E6520, Intel Core i7-2620M@2.70 GHz，RAM 4G)中，進(jìn)行后續(xù)的分析與處理。除計(jì)算機(jī)外，整套系統(tǒng)被放置在一個(gè)暗箱9當(dāng)中，避免外界雜散光的干擾。

高光譜成像設(shè)備采集光譜范圍320～1 100 nm的高光譜圖像，光譜分辨率為2.8 nm。入射光的夾縫寬度為30 μm，相機(jī)曝光時(shí)間為22 ms，載物臺(tái)的移動(dòng)速度為0.85 mm/s，肉樣與聚焦鏡頭的距離為480 mm。

對(duì)已得到高光譜圖像的熟牛肉樣本，立即進(jìn)行化學(xué)試驗(yàn)。通過(guò)半微量凱氏定氮法(GB/T 5009.44-2003)測(cè)定其揮發(fā)性鹽基氮(TVB-N)含量，儀器采用SPD60自動(dòng)凱氏定氮儀(北京三品科創(chuàng)儀器有限公司)。

1.3 高光譜圖像黑白校正

高光譜成像系統(tǒng)在數(shù)據(jù)獲取時(shí)，由于不同的相機(jī)，不同的高光譜成像系統(tǒng)的配置參數(shù)，導(dǎo)致所得到光譜存在一定差異，即使是相同的參數(shù)設(shè)置，相同的樣本，在非同一成像系統(tǒng)中獲得的未經(jīng)校正的輻射值也會(huì)存在不一致的現(xiàn)象[8]。故當(dāng)需要樣本對(duì)象的反射值時(shí)，圖像輻射校正是必須的。在校準(zhǔn)時(shí)，設(shè)置好成像系統(tǒng)的參數(shù)不變，對(duì)反射率為99%的標(biāo)準(zhǔn)白色校正板分別在燈光源鏡蓋全打開和全關(guān)閉狀態(tài)下，取得全白標(biāo)定圖像Iwhite和全黑標(biāo)定圖像Idark，最后根據(jù)式(1)計(jì)算校正后圖像I。

1. 待測(cè)樣品 2. 載物臺(tái) 3. 精密步進(jìn)電機(jī) 4. 鹵素?zé)艄庠?5. 聚焦鏡頭 6. 光譜議 7. 面陣近紅外相機(jī) 8. 計(jì)算機(jī) 9. 暗箱

圖1 高光譜成像系統(tǒng)

Figure 1 Hyperspectral imaging system

(1)

式中：

I——校正后的圖像；

Iwhite——全白標(biāo)定圖像；

Idark——全黑標(biāo)定圖像；

Iimg——高光譜圖像獲得的原始光譜數(shù)據(jù)；

DN——亮度最大值，取4 096。

1.4 感興趣區(qū)域(Region of Interest，ROI)識(shí)別及光譜提取

為了能夠準(zhǔn)確地反映熟牛肉在(4±1) ℃的存儲(chǔ)條件下品質(zhì)信息，利用圖像分割技術(shù)將校正后的高光譜圖像劃分成50 px×50 px的肌肉子樣本ROI圖像。去除脂肪和其他結(jié)蹄組織(原因在于實(shí)際化學(xué)試驗(yàn)測(cè)量TVB-N時(shí)，需要將二者剔除)。將選取的子樣本圖像進(jìn)行特定光譜下的均值處理，得到每一個(gè)樣本在特定波段下的光譜值。該步驟在軟件ENVI 5.1上操作實(shí)現(xiàn)。

1.5 特征波長(zhǎng)選取

通過(guò)光譜范圍在320～1 100 nm內(nèi)的高光譜成像系統(tǒng)(分辨率約為2.8 nm)獲得的每一個(gè)樣本高光譜圖像均是一個(gè)三維立方體數(shù)據(jù)，該立方體數(shù)據(jù)包含了278個(gè)波段的高光譜圖像(數(shù)據(jù)處理軟件ENVI中顯示光譜增量約為0.7 nm的1 000個(gè)連續(xù)波段)，且在連續(xù)波段間的信息具有冗余性、多重共線性等特征。然而這些特征會(huì)導(dǎo)致在提取光譜特征中耗時(shí)，并嚴(yán)重影響高光譜圖像處理的計(jì)算速度，故必須加入光譜校正處理。因此，為了減輕數(shù)據(jù)處理的負(fù)擔(dān)，對(duì)高光譜數(shù)據(jù)進(jìn)行波長(zhǎng)特征提取是十分有意義的[9]。本研究采用連續(xù)投影算法(successive projection algorithm，SPA)[10]進(jìn)行特征波長(zhǎng)提取。SPA是一種前向循環(huán)選擇方法，在多元校正的變量選擇上，SPA被證明是有效的，并被廣泛用于波長(zhǎng)特征提取。它從一個(gè)波長(zhǎng)開始計(jì)算，每次循環(huán)計(jì)算它在未選入波長(zhǎng)上的投影，將投影向量最大的波長(zhǎng)引入到波長(zhǎng)組合中去，且每一次新選入到波長(zhǎng)組合中的波長(zhǎng)，均與前一個(gè)的線性關(guān)系最小。本研究中，SPA算法的處理過(guò)程在軟件MATLAB R2014a上編程實(shí)現(xiàn)。經(jīng)過(guò)多元散射校正和移動(dòng)平均平滑法預(yù)處理后，共得到基于光譜增量約為0.7 nm、波長(zhǎng)范圍為320～1 100 nm 的連續(xù)波段中的1 000個(gè)波段。為了降低光譜數(shù)據(jù)的維度和處理數(shù)據(jù)所用的時(shí)間，采用SPA算法進(jìn)行光譜特征的選取。最終得到10個(gè)光譜特征，波長(zhǎng)分別為424，552，573，624，702，732，762，787，984，1 023 nm。

1.6 紋理特征提取

灰度共生矩陣(GLCM)是一種有效的統(tǒng)計(jì)紋理分析技術(shù)，對(duì)圖像的所有像元進(jìn)行統(tǒng)計(jì)調(diào)查，以便描述其灰度分布[11]。 本試驗(yàn)應(yīng)用灰度共生矩陣建立4個(gè)特征向量：對(duì)比度(CON)、相關(guān)性(COR)、熵(EN)和同質(zhì)性(HOM)從0°，45°，90°，135° 4個(gè)方向和距離為3的灰度共生矩陣進(jìn)行提取，然后將4個(gè)方向上的特征向量先求和，再取其均值。這4個(gè)參數(shù)根據(jù)以下方程[12]給出：

(2)

(3)

(4)

(5)

(6)

(7)

(8)

(9)

式中：

X——圖像的行數(shù)，這里取50；

Y——圖像的列數(shù)，這里取50；

i——GLCM的行數(shù)；

j——GLCM的列數(shù)；

g(i,j)——GLCM函數(shù)。

為了降低高光譜圖像數(shù)據(jù)量大而導(dǎo)致的計(jì)算量大這一問(wèn)題，本試驗(yàn)只選取之前提取的特征波段下的高光譜圖像進(jìn)行紋理特征提取來(lái)簡(jiǎn)化計(jì)算復(fù)雜度，圖像層采用灰度共生矩陣(Gray Level Co-occurrence Matrix，GLCM)在10個(gè)光譜特征下的灰色圖像進(jìn)行紋理特征提取，共提取40個(gè)紋理特征。GLCM方法的實(shí)現(xiàn)在軟件Matlab R2014a上實(shí)現(xiàn)。

1.7 特征融合

對(duì)于光譜數(shù)據(jù)和紋理信息兩種不同類型的特征變量，采用了兩種不同的基于PCA融合方案。方案一：分別對(duì)光譜特征、紋理特征進(jìn)行主成分分析(PCA)得到8個(gè)基于光譜特征的，以及30個(gè)基于紋理特征的PC得分變量；方案二：將光譜特征和紋理特征合并后，再應(yīng)用PCA方法，同樣也得到38個(gè)得分變量。Dasarathy模型將信息融合分為5種類型，本文采用的方法屬于其中的FEI-FEO類型[13]。PCA算法的處理過(guò)程在軟件MATLAB R2014a上編程實(shí)現(xiàn)。

1.8 數(shù)據(jù)預(yù)測(cè)模型建立與評(píng)價(jià)

采用SVR方法建立熟牛肉中TVB-N 的預(yù)測(cè)模型，支持向量回歸通過(guò)ε不敏感函數(shù)的引入，運(yùn)用支持向量機(jī)(SVM)學(xué)習(xí)方法可以實(shí)現(xiàn)具有較強(qiáng)魯棒性的回歸分析，且回歸分析估計(jì)是稀疏的，保留了SVM的原有優(yōu)點(diǎn)[14]。Liu Peng等[15]在基于電子鼻技術(shù)的雞蛋中TVB-N含量預(yù)測(cè)模型驗(yàn)證了與反向傳遞神經(jīng)網(wǎng)絡(luò)相比，SVR展現(xiàn)出更好的預(yù)測(cè)精確和泛化能力。

為了對(duì)所建TVB-N預(yù)測(cè)模型進(jìn)行評(píng)估判定，使用留一法交叉驗(yàn)證[16]，每次留出一個(gè)來(lái)自校正模型的測(cè)試樣本，隨后基于剩下的校準(zhǔn)樣本建立預(yù)測(cè)模型，來(lái)預(yù)測(cè)先前預(yù)留的測(cè)試樣本。模型的性能指標(biāo)采用平均預(yù)測(cè)精度(The Average Predicting Accuracy，APA)，均方根誤差(The Root Mean Square Error，RMSE)進(jìn)行評(píng)估。APA和RMSE通過(guò)式(6)～(7)[15]計(jì)算。

(10)

(11)

式中：

N——樣本數(shù)目，根據(jù)樣本集不同，取值不同；

bi——樣本TVB-N含量的實(shí)測(cè)值，mg/100 g；

bip——樣本TVB-N含量的預(yù)測(cè)值，mg/100 g。

2 結(jié)果與討論

2.1 TVB-N含量變化

在熟牛肉儲(chǔ)存期間，TVB-N含量的變化：從第1天的8.480 mg/100 g逐漸增加到第19天的28.495 mg/100 g，新鮮度則是隨著TVB-N含量的增加而降低。變化趨勢(shì)見(jiàn)圖2。

2.2 光譜特征分析

在320～1 100 nm波長(zhǎng)區(qū)間內(nèi)，使用ENVI選取1 000個(gè)波段。分別儲(chǔ)存1，4，7，10，13，16，19 d的熟牛肉樣本的平均反射光譜見(jiàn)圖3。由圖3可知，隨著儲(chǔ)存時(shí)間的增加，光譜反射值在梯度上有明顯減少。這些變化可能是由于熟牛肉在冷藏期間，其物理屬性和化學(xué)成分變化(微生物腐敗、酶活性)引起。此現(xiàn)象在Xiong Zhen-Jie等[17]應(yīng)用高光譜成像系統(tǒng)監(jiān)測(cè)雞肉的脂質(zhì)氧化中也觀察到，并得到認(rèn)同。光譜反射值在波長(zhǎng)430，550，580 nm有明顯的波段特征，可能是色素(例如肌紅蛋白、血紅蛋白)的吸收引起；光譜反射值在波長(zhǎng)780 nm和970 nm也被指出可能分別對(duì)應(yīng)O—H鍵的三級(jí)倍頻和二級(jí)倍頻。基于以上分析，熟牛肉樣本在不同存儲(chǔ)時(shí)間獲得的反射光譜均值具有明顯的梯度差異以及復(fù)雜的形態(tài)變化。因此，為了能夠更好地發(fā)掘熟牛肉高光譜圖像中與TVB-N 含量相關(guān)的有用信息，對(duì)熟牛肉進(jìn)行化學(xué)定量分析是十分必要的。

圖2 TVB-N含量變化趨勢(shì)圖

在第600波段處，從上至下依次為存儲(chǔ)1，4，7，10，13，16，19熟牛肉的光譜均值

圖3 不同存儲(chǔ)時(shí)間的熟牛肉平均光譜圖

Figure 3 Mean spectra of cooked beef with different storage time

2.3 數(shù)據(jù)預(yù)處理

高光譜數(shù)據(jù)除了含有熟牛肉樣本自身信息外，還包含有其他無(wú)關(guān)信息和噪聲(電噪聲，樣品背景等)。為了降低噪聲的影響，對(duì)高光譜數(shù)據(jù)進(jìn)行預(yù)處理操作，具體步驟：

(1) 矢量歸一化：將其數(shù)值轉(zhuǎn)換到[-1,1]區(qū)間，以便減少后期計(jì)算量。

(2) 移動(dòng)平均平滑：采用滑動(dòng)窗口大小為5，提高數(shù)據(jù)的信噪比。

(3) 多元散射校正：消除固體顆粒分布不均勻及顆粒大小產(chǎn)生的散射影響。

光譜預(yù)處理結(jié)果見(jiàn)圖4。

2.4 模型構(gòu)建和預(yù)測(cè)

隨機(jī)將91個(gè)樣本中的2/3為訓(xùn)練集(61個(gè))，其余為測(cè)試集(30個(gè))。對(duì)經(jīng)過(guò)預(yù)處理后的全光譜特征采用多元線性回歸方法和支持向量回歸方法建立熟牛肉TVB-N含量的定量預(yù)測(cè)模型。支持向量回歸方法使用默認(rèn)參數(shù)。由表1可知，在SVR使用默認(rèn)參數(shù)的情況下，其多項(xiàng)式核函數(shù)的模型性能最優(yōu)，性能指標(biāo)APA達(dá)78.84%。

對(duì)光譜圖像特征分別經(jīng)過(guò)兩種方案融合后，使用表1中結(jié)果最優(yōu)的多項(xiàng)式核函數(shù)SVR模型，對(duì)SVR內(nèi)置參數(shù)懲罰因子c，epsilon損失函數(shù)參數(shù)，以及多項(xiàng)式核函數(shù)的內(nèi)部參數(shù)gamma選用網(wǎng)格搜索和十折交叉驗(yàn)證進(jìn)行參數(shù)尋優(yōu)，對(duì)應(yīng)參數(shù)c= 2，epsilon = 2-5，gamma =22時(shí)，模型性能最優(yōu)。結(jié)果見(jiàn)表2。

由表2可知，在平均預(yù)測(cè)精確度APA這一指標(biāo)上，基于特征方案一所建立的SVR預(yù)測(cè)模型性能最佳，其次是基于特征方案二的，基于全光譜的。結(jié)果顯示基于Dasarathy’s 分類模型利用PCA對(duì)特征集進(jìn)行分析，無(wú)論是方案一還是方案二對(duì)特征進(jìn)行整合，熟牛肉TVB-N含量預(yù)測(cè)模型的性能指標(biāo)參數(shù)APA均有一定程度的提升。而根據(jù)方案一所建立的SVR模型在APA這一模型性能指標(biāo)上，其值從82.24%增加到85.13%；方案二所建立的SVR模型在APA這一模型性能指標(biāo)上，其值從82.24%增加到83.77%。采用圖像紋理特征信息對(duì)肉品品質(zhì)進(jìn)行分析與評(píng)價(jià)的研究早有報(bào)道，Huang等[3]利用紋理特征對(duì)豬肉的新鮮度進(jìn)行預(yù)測(cè)，其預(yù)測(cè)模型相關(guān)系數(shù)達(dá)到83.25%，而本試驗(yàn)中基于紋理特征的SVR預(yù)測(cè)模型性能與其相比，預(yù)測(cè)模型性能偏低。其原因可能是試驗(yàn)研究所選用的樣品是熟肉，在儲(chǔ)存期間，肉質(zhì)腐敗過(guò)程中，其紋理變化不是很明顯，而生肉在腐敗過(guò)程中，肉質(zhì)會(huì)糜爛，紋理變化更為突出。

圖4 光譜預(yù)處理前后對(duì)比圖

Figure 4 Comparison of the spectra before and after the spectral pretreatment (left is the original spectrum, right is the post-pretreatment spectrum)

表1 不同核函數(shù)SVR模型及多元線性回歸模型性能對(duì)比

Table 1 SVR model of different kernel functions and multiple linear regression model performance comparison

SVR訓(xùn)練樣本RMSEAPA測(cè)試樣本RMSEAPA線性核函數(shù)3.2478.293.9675.96多項(xiàng)式核函數(shù)3.3782.944.0378.84徑向基核函數(shù)(RBF)3.7177.164.1873.08Sigmoid核函數(shù)4.1872.344.6969.92多元線性回歸3.1678.374.1774.12

表2 不同特征下的多項(xiàng)式核函數(shù)SVR模型性能對(duì)比

Table 2 Comparison of SVR model performance for polynomial kernel functions with different features

特征類型訓(xùn)練樣本RMSEAPA測(cè)試樣本RMSEAPA單光譜特征 1.7182.572.3480.27單紋理特征 3.8775.914.5373.16光譜紋理特征1.5484.272.1282.24全光譜特征 2.1484.572.8182.61特征方案一 1.2686.941.9185.13特征方案二 2.3184.642.8483.77

3 結(jié)論

本試驗(yàn)表明，通過(guò)整合HSI系統(tǒng)的光譜圖像信息，熟牛肉中TVB-N含量預(yù)測(cè)模型在APA這一性能指標(biāo)下從82.35%增加到85.28%，同時(shí)也能得出數(shù)據(jù)融合技術(shù)在無(wú)損檢測(cè)中不應(yīng)被低估。兩種基于PCA的融合方案對(duì)比顯示：對(duì)單一特征集分別進(jìn)行PCA分析再進(jìn)行融合比對(duì)特征融合后再進(jìn)行PCA分析所建模型性能更優(yōu)。整合HSI系統(tǒng)的圖譜信息并結(jié)合信息融合技術(shù)能夠進(jìn)一步提升所建模型的準(zhǔn)確性。在今后的試驗(yàn)工作中，對(duì)Dasarathy’s分類模型的中間分析步驟進(jìn)行其他相關(guān)分析，最終確定最優(yōu)的特征分析算法。

[1] HUANG Lin, ZHAO Jie-wen, CHEN Quan-sheng, et al. Nondestructive measurement of total volatile basic nitrogen (TVB-N) in pork meat by integrating near infrared spectroscopy, computer vision and electronic nose techniques[J]. Food Chemistry, 2014, 145(7): 228-236.

[2] DAI Qiong, CHENG JUN-hu, Sun Da-wen, et al. Prediction of total volatile basic nitrogen contents using wavelet features from visible/near-infrared hyperspectral images of prawn (Metapenaeus ensis)[J]. Food Chemistry, 2016, 197(Pt A): 257-65.[3] HUANG Qi-ping, CHEN Quan-sheng, LI Huan-huan, et al. Non-destructively sensing pork’s freshness indicator using near infrared multispectral imaging technique [J]. Journal of Food Engineering, 2015, 154(116): 69-75.

[4] 劉燕德, 張光偉. 高光譜成像技術(shù)在農(nóng)產(chǎn)品檢測(cè)中的應(yīng)用[J]. 食品與機(jī)械, 2012, 28(5): 223-226, 242.

[5] CHENG Wei-wei, SUN Da-wen, PU Hong-bin, et al. Integration of spectral and textural data for enhancing hyperspectral prediction of K value in pork meat[J]. LWT - Food Science and Technology, 2016, 72: 322-329.

[6] KHULAL Urmila, ZHAO Jie-wen, HU Wei-wei, et al. Intelligent evaluation of total volatile basic nitrogen (TVB-N) content in chicken meat by an improved multiple level data fusion model[J]. Sensors & Actuators B Chemical, 2016, 238: 337-345.

[7] 思振華, 何建國(guó), 劉貴珊, 等. 基于高光譜圖像技術(shù)羊肉表面污染無(wú)損檢測(cè)[J]. 食品與機(jī)械, 2013, 29(5): 75-79.

[8] SUN Da-wen. Hyperspectral imaging for food quality analysis and control [M]. Massachusetts: Academic Press, 2010: 56.

[9] ANDERSEN C M, BRO R. Variable selection in regression: a tutorial [J]. Journal of Chemometrics, 2010, 24(11/12): 728-737.

[10] MOREIRA E D T, PONTES M J C, GALVO R K H, et al. Near infrared reflectance spectrometry classification of cigarettes using the successive projections algorithm for variable selection[J]. Talanta, 2009, 79(5): 1 260-1 264.

[11] LIU Dan, PU Hong-bin, SUN Da-wen, et al. Combination of spectra and texture data of hyperspectral imaging for prediction of pH in salted meat[J]. Food Chemistry, 2014, 160(10): 330-337.

[12] HARALICK R M, SHANMUGAM K, DINSTEIN I. Textural features for image classification [J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, 3(6): 610-621.

[13] DASARATHY B V. Sensor fusion potential exploitation: Innovative architectures and illustrative applications [J]. Proceedings of the IEEE, 1997, 85(1): 24-38.

[14] VAPNIK V N. The nature of statistical learning theory[M]. New York: Springer, 1995: 156-160.

[15] LIU Peng, TU Kang. Prediction of TVB-N content in eggs based on electronic nose [J]. Food Control, 2012, 23(1): 177-183.

[16] ELMASRY G, WOLD J P. High-speed assessment of fat and water content distribution in fish fillets using online imaging spectroscopy [J]. Journal of Agricultural & Food Chemistry, 2008, 56(17): 7 672-7 677.

[17] XIONG Zhen-jie, SUN Da-wen, PU Hong-bin, et al. Non-destructive prediction of thiobarbituric acid reactive substances (TBARS) value for freshness evaluation of chicken meat using hyperspectral imaging [J]. Food Chemistry, 2015, 179(1): 175-181.

A method for predicting TVB-N content of cooked beef based on hyperspectral image

TIAN Wei-xin1HEDan-dan1YANGDong2LUAn-xiang1,2

(1.CollegeofComputerandInformationTechnology,ChinaThreeGorgesUniversity,Yichang,Hubei443002,China; 2.BeijingResearchCenterforAgriculturalStandardsandTesting,BeijingAcademyofAgricultureandForestrySciences,Beijing100097,China)

Based on the shortcomings of the traditional detection methods for meat freshness, such as time-consuming, laborious, low efficiency, loss and other defects, and put forward using hyperspectral imaging (HSI) technology to predict cooked beef freshness index of volatile basic nitrogen (TVB-N) content. Firstly, the hyperspectral data of cooked beef samples were obtained by HSI system, and the black and white correction was carried out. And then, the hyperspectral data was preprocessed using the moving average smoothing and the multiple scattering corrections. Finally, the support vector regression (SVR) method was used to establish the prediction model of TVB-N content based on the whole spectral feature, single spectral feature, single texture feature and PCA fusion feature. The experimental results showed that the Average Predicting Accuracy (APA) for the TVB-N content index of freshness could reach 85.13% by SVR model with PCA fusion feature, also showed that hyperspectral imaging technology combined with information fusion technology could improve the prediction accuracy of the model.

hyperspectral imaging; TVB-N content; feature fusion; support vector regression; cooked beef

10.13652/j.issn.1003-5788.2016.12.015

國(guó)家科技支撐項(xiàng)目(編號(hào)：2014BAD04B05-2)

田衛(wèi)新，男，三峽大學(xué)計(jì)算機(jī)與信息學(xué)院副教授，博士。

陸安祥(1980-)，男，北京市農(nóng)林科學(xué)院北京農(nóng)業(yè)質(zhì)量標(biāo)準(zhǔn)與檢測(cè)技術(shù)研究中心副研究員，博士。 E-mail: luax@brcast.org.cn

2016—10—25