柴玉華，遲　強，蘇中濱，王云鶴

(東北農業(yè)大學 電氣與信息學院， 哈爾濱　150030)

?

基于高光譜技術的牛肉含水率無損檢測

柴玉華，遲強，蘇中濱，王云鶴

(東北農業(yè)大學 電氣與信息學院， 哈爾濱150030)

摘要：牛肉含水率的高低不僅直接影響牛肉品質，而且會對消費者造成經濟損失。為此，通過實驗探究了采用高光譜圖像技術對牛肉含水率進行檢測的可行性，為檢測牛肉品質提供依據(jù)。采用82個牛肉后腿樣本作為實驗材料，按5×4×1cm的規(guī)格通過國際烘干法測量其真實含水量，并采集它們的光譜圖像；獲取樣本的光譜信息后，通過ENVI及MatLab軟件獲取感興趣區(qū)域。同時，利用不同的預處理方法，分別建立BP神經網(wǎng)絡和偏最小二乘校正模型，通過比對兩種模型結果，偏最小二乘校正模型能夠更有效預測牛肉含水率，校正集相關系數(shù)為0.91，校正標準差為0.121，預測集的相關系數(shù)為0.89，預測標準差為0.118。研究結果證實，利用高光譜圖像技術可以快速無損檢測牛肉含水率。

關鍵詞：牛肉；含水率；高光譜圖像；偏最小二乘

0引言

近年來，隨著生活水平的提高，肉制品受到人們的青睞。其中，牛肉因其高蛋白、低脂肪而在肉制品中首屈一指，尤其受到消費者歡迎。但隨著需求量的增加，牛肉的品質越來越受到關注和重視，含水率過高的牛肉不僅對人們的經濟造成損失，也對人們身體健康構成威脅，所以對牛肉品質的檢測就更加重要[1]。

目前，全球范圍內的檢測方式大多停留在化學方法。這種方式帶來了較高的檢測精度，卻同時伴有成本高、操作難、檢測周期長及破壞檢測樣本品質的弊端。肉制品的無損檢測技術成為了廣大學和企業(yè)的研究目標和實驗方向，而光譜技術成為了最具潛力的無損檢測方法。近年來，光譜技術被國內外學者和研究人員廣泛應用于檢測肉制品品質方面并取得良好效果。文東東等采用高光譜技術研究了不同品種干牛肉嫩度的快速檢測[2]；朱榮光等實現(xiàn)了利用高光譜技術對牛肉儲存時間和取樣部位的預測[3]；石慧等基于高光譜成像技術對對蝦品質進行快速檢測，并取得了良好成果[4]；吳建虎等基于高光譜散射特征成功對牛肉品質參數(shù)進行了預測[5]；EIMasry等通過高光技術對魚肉的脂肪和含水率進行了檢測[6]；Shackelford等采用可見-近紅外光譜技術實現(xiàn)了牛肉嫩度的在線分級[7]。

本文采用高光譜圖像技術對牛肉含水量進行檢測，通過選取感興趣區(qū)域，利用不同的預處理方法，建立主成分分析和偏最小二乘校正模型對預測集進行評判，作為后期對牛肉品質檢測的相關依據(jù)。具體實驗流程圖如圖1所示。

圖1　實驗流程圖

1實驗材料

1.1高光譜成像系統(tǒng)

系統(tǒng)采用“推掃式”成像方法，其主要由高光譜成像儀(美國Headwall生產)、光源、樣品輸送設置、圖像采集卡及計算機組成。光譜儀的光譜采集范圍為400～1 000nm，光譜分辨率為1.29，光譜采樣的波段間隔為0.64nm，空間分辨率為0.15。硬件部分整體框圖如圖2所示。

1.COMS相機　2.高光譜鏡頭　3.牛肉樣本　4.步進式電機

1.2牛肉樣本

所有牛肉樣本的試驗樣品取自哈爾濱阿城屠宰場，牛的品種為西門塔爾牛，所有樣本為屠宰后24h解僵后的后腿里脊肉；分割時，將牛肉樣本均切割成5×4×1cm大小，約25g；樣本經過采集后，用密實袋包裝裝入生化保鮮箱移至實驗室后，立即測量樣本的高光譜圖像信息和進行含水率測量。

2實驗方法

2.1高光譜圖像的黑白校正

高光譜成像系統(tǒng)在實驗過程中，由于光源強度在不同波段的強度不同及攝像頭中的暗電流的影響，所采集到的光譜圖像存在很多噪音信號，影響實驗結果。因此，必須在實驗開始前對光譜圖像進行黑白校正來避免實驗結果不準確[8]。進行黑白校正時，在不產生任何外在變量條件下，關閉光譜相機鏡頭蓋，設定采集到的全黑的高光譜標定圖像為黑(W)；開啟鏡頭蓋后，將設備設定為實驗參數(shù)，將校準白板放于移動平臺上，將采集到的標準全白的高光譜標定圖像白(B)[9-10]。最后利用公式Ir=(I-B)/(W-B)，將實驗所獲得的樣品絕對圖像I轉換成相對圖像Ir。其中，I為最終獲得的樣品高光譜圖像信息。

2.2光譜數(shù)據(jù)采集

在進行光譜數(shù)據(jù)采集前，首先要將實驗儀器光譜儀調至最佳實驗狀態(tài)即打開后預熱約30min，用實驗試樣本測試光源強度、曝光時間、移動平臺的起始位置和移動速率，從而保證實驗所得光譜圖像清晰而不失真；在實驗設備完全穩(wěn)定后即確定移動平臺初始位置為0，輸送速率為90nm/s，掃描長度為90nm，鏡頭曝光時間為2.5s，開始實驗；對實驗樣本依次進行高光譜數(shù)據(jù)采集并按照編號用途儲存。在實驗儀器運行過程中，獲得實驗樣本在光學焦平面垂直方向和平行方向上的光譜信息和空間圖像信息，最后獲得了涵蓋了特定像素下的光譜信息和含有特定波長下的空間圖像信息。得到的牛肉樣本原圖像和光譜數(shù)據(jù)如圖3和圖4所示。

圖3　牛肉樣本原圖像

圖4　光譜數(shù)據(jù)

由光譜圖可以看出：波長在550～600nm之間時，存在一個吸收峰；波長在720～770nm之間時，光譜的反射率最高。

2.3實驗數(shù)據(jù)處理及模型評價

高光譜圖像采集選用高光譜成像儀(美國Headwall生產)，數(shù)據(jù)的處理使用了ENVI4.7和MATLAB7.11軟件平臺。利用留一交叉驗證相關系數(shù)，校正集標準差和預測集相關系數(shù) ,預測集標準差。其中，標準集和預測集的相關系數(shù)越大(接近1)、標準差越小(接近0)，說明模型性能越好，反之異然[11-12]。

2.4牛肉含水率測定

利用國際烘干發(fā)測定牛肉的含水量。將樣本連同承裝器皿稱重并編號后放入恒溫烤箱中，設置80℃烘烤2h后調至105℃烘干24h，取出樣本后測取質量。計算公式為

X=(m2-m3)/(m2-m1)

其中，X為含水率；m1、m2、m3分別為承裝器皿質量、干燥前樣本連同承裝器皿重量、烘干后樣本連同承裝器皿質量。

實驗中，考慮到所選擇的樣本必須具有高程度的代表性(即包含樣本的各個化學參數(shù)和光譜信息)，在滿足數(shù)學統(tǒng)計建模的前提下，將實驗樣本按3：1的比例分為標準樣本集和預測集。牛肉樣本含水率經測量后實驗結果如表1所示。

表1　牛肉樣本含水率測量結果

2.5樣本代表性光譜及建模譜區(qū)范圍的選擇

在運輸、存儲及實驗過程中，實驗樣本主要成分蛋白質、脂肪等物質不斷分解，造成肌體表面營養(yǎng)成分的分布和顏色分布不斷變化。所以，每次實驗前都將樣本在空氣中進行約0.5h的表面氧化；之后，選取肌體中心部分作為感興趣區(qū)域，盡量避免所選部位過于光亮。在所獲取的感興趣區(qū)域中涵蓋了大量的像素點，由于實驗外部存在噪聲影響、特殊波段響應值不足(波長小于450nm和大于880nm)等原因，選定450～880nm作為實驗區(qū)域。

2.6光譜預處理方法的選擇

在采集光譜信息過程中，由于存在一些無用的信息，這些信息會導致模型預測性能大幅度下降，所以在對所采集的光譜數(shù)據(jù)進行分析時需要對光譜數(shù)據(jù)進行預處理，去除與樣本無關的信息。為了能取得更為良好的建模結果，通過對常用的預處理方法進行對比性測試，通過比較獲取的標準集和預測集的相關系數(shù)和標準差來確定最佳預處理方法。本實驗采取的預處理方法有平滑(S-G)、一階導、多元散射校正及變量標準化(SNV)[13]。

2.7特征波長選取

本實驗選用連續(xù)投影法作為特征波長的選擇方法，通過多元線性回歸，從光譜信息中找出變量間線性關系最小的變量組。這大大提高了建模所需的變量利用率，省去了對無用信息的處理過程，從而提高了模型的預測性能。

3實驗結果及建立并評價數(shù)學模型

3.1建模方法

常用的統(tǒng)計模型主要有多元線性回歸、多元逐步回歸、主成分分析、主成分回歸、偏最小二乘、人工神經網(wǎng)絡、偏最小二乘支持向量機等方法。本實驗采用BP神經網(wǎng)絡和偏最小二乘方法分別建立了牛肉含水率預測模型，通過對比建模結果評判模型適用性。

3.2BP神經網(wǎng)絡模型分析

BP神經網(wǎng)絡可以在特征空間行程復雜的非線性決策邊界，從而解決非線性可分問題。為了快捷、有效地提取到具有代表性的特征波長，參照美國農業(yè)部的研究結論：水的特征吸收波長分別有760、980、1 450、1 940nm。由于實驗譜區(qū)范圍在450～880nm，選取760nm作為特征波長建立模型[14]。由于單單選定一個波長作為特征波長進行建模，可能會受到實驗對象物理特性的影響，因此選取720nm作為參考波長， 分別建立BP神經網(wǎng)絡模型。實驗結果如表2、圖5、圖6所示。

表2　直接引用特征波長和引入?yún)⒖疾ㄩL建模結果

圖5　直接引用特征波長的BP神經網(wǎng)絡模型結果

圖6　引入?yún)⒖疾ㄩL的BP神經網(wǎng)絡模型結果

通過實驗結果分析，引入了參考波長之后的建模結果得到了微小的提高；但兩個建模結果都不理想，校正集和預測集的相關系數(shù)較低，預測能力一般[14]。

3.3偏最小二乘模型分析

偏最小二乘法(PLSR)是在主成分分析法的基礎上更好地概括自變量信息，對多個自變量進行分析即同時描述多個變量信息，同時對因變量也具有高效的解釋能力。

利用偏最小二乘建模過程中，利用交叉驗證法來確定主成分的個數(shù)。通過采用外部驗證法的留一法(leave-one-out)，將校正集樣本的主成分數(shù)為1開始，不斷帶入模型中，計算出預測值，利用預測值推導計算出預測集標準差。當驗證標準差(SEV)出現(xiàn)極小值時，所選取的主成分個數(shù)即為最佳主成分數(shù)。

驗證不同種預處理方法建立的PLSR模型得到結果來選取最優(yōu)預處理方法，結果如表3和圖7所示。

表3　不同預處理方法得到的偏最小二乘模型結果

圖7　PLSR最佳建模結果

實驗數(shù)據(jù)表明：采用不同預處理方法對PLSR模型有很大的影響。采用變量標準化對數(shù)據(jù)進行預處理得到的模型結果最佳，對牛肉含水率具有很高的預測性。

4結論

基于高光譜成像技術對牛肉含水率進行定量檢測，在400～1 000nm的波長范圍中，建立了BP神經網(wǎng)絡模型和偏最小二乘校正模型，通過比對兩種模型對牛肉含水率定量預測能力及準確度，選出最優(yōu)模型。實驗研究結果表明：不同預處理方法對模型的精度有很大程度的影響。其中，變量標準化預處理所建立的PLSR模型具有更準確的預測性，含水率校正集的相關系數(shù)及標準差分別為0.91和0.121，預測集的相關系數(shù)及標準差分別為 0.89和0.118，實現(xiàn)了對牛肉含水率的較理想預測。

參考文獻：

[1]中華人民共和國衛(wèi)生部,中國國家標準化管理委員會.GB/T 5009.44—2003肉與肉制品衛(wèi)生標準的分析方法[S]．北京:中國標準出版社,2004.

[2]文東東,李小昱,趙政,等.不同品種牛肉新鮮度光譜檢測模型的維護方法[J].食品安全質量檢測學報,2012,3(6):621-626.

[3]朱榮光,姚雪東,高廣娣,等.不同儲存時間和取樣部位牛肉顏色的高光譜圖像檢測[J].農業(yè)機械學報,2013,44(7):1000-1298.

[4]石慧.基于高光譜成像技術的對蝦品質信息快速檢測方法研究[D].杭州:浙江大學,2013.

[5]吳建虎,彭彥昆.基于高光譜散射特征的牛肉品質參數(shù)的預測研究[J].光譜學與光譜分析,2010,30(7):1815-1819.

[6]G. ElMasry,J. P. Wold. High-Speed Assessment of Fat and Water Content Distribution in Fish Fillets Using Online Imaging Spectroscopy[J].Journal of Agricultural and Food Chemistry, 2008,56(17): 7672-7677.

[7]S. D. Shackelford, T. L. Wheeler, M. Koohmaraie. On-line classification of US select beef carcasses for longissimus tenderness using visible and near-infrared reflectance spectroscopy[J]. Meat Science, 2005,69(3): 409-415.

[8]張海云,彭彥昆,王偉,等.生鮮豬肉主要品質參數(shù)無損在線檢測系統(tǒng)[J].農業(yè)機械學報,2013,44(4):146-151.

[9]吳建虎,彭彥昆,江發(fā)潮,等.牛肉嫩度的高光譜法檢測技術[J].農業(yè)機械學報,2009,40(12):135-150.

[10]文東東.基于光譜技術的牛肉新鮮度檢測模型維護方法研究[D].武漢:華中農業(yè)大學，2013.

[11]周彤,彭彥昆.牛肉大理石花紋圖像特征信息提取及自動分級方法[J].農業(yè)工程學報,2013,29(15):286-293.

[12]郭輝,彭彥昆,江發(fā)潮,等.手持式牛肉大理石花紋檢測系統(tǒng)[J].農業(yè)機械學報,2012,43(S):207-210．

[13]Guo Hui，Peng Yankun，Jiang Fachao，et al．Development of conveyable beef-marbling detection system[J]．Transactions of the Chinese Society for Agricultural Machinery，2012，43(S):207-210．

[14]湯修映,牛力釗,徐 楊,等. 基于可見近紅外光譜技術的牛肉含水率無損檢測[J].農業(yè)工程學報,2013,29(11)：248-254.

Abstract ID:1003-188X(2016)04-0222-EA

Nondestructive Determination of Water Content in Beef Using the Hyperspectral Image Detection

Chai Yuhua, Chi Qiang, Su Zhongbin, Wang Yunhe

(College of Electrical and information , Northeast Agricultural University, Harbin 150030, China)

Abstract：The moisture content of beef not only can directly affect the beef quality, but also brings great economic damage to the consumers, therefore this experiment provides the basis for beef quality detection by exploring the feasibility of detecting beef moisture content through hyperspectral image technology. 82 samples of cows’ back-legs are adopted as experiment materials to measure their real moisture and to collect their hyperspectral images by way of international drying method according to the specification of 5×4×1cm. After getting the hyperspectral information of the samples, with the help of ENVI and MATLAB software, interesting areas are gained. By different pretreatment methods, artificial neural network and PLS calibration model are separately built. Though comparison of the results of these two models, PLSR calibration model can better predict the beef moisture content. The correlation coefficient of correction is 0.91 the RMSEC is 0.121 the correlation coefficient of prediction set is 0.89and the RMSEP is 0.118. The results show that beef moisture content can be quickly and intact detected through hyperspectral image technology.

Key words：beef; moisture content; hyperspectral image; PLSR

文章編號：1003-188X(2016)04-0222-04

中圖分類號：S123

文獻標識碼：A

作者簡介：柴玉華(1965-)，女，哈爾濱人，教授，博士生導師，(E-mail)yhchai@163.com。

基金項目：黑龍江省自然科學基金重點項目(ZD201303)

收稿日期：2015-03-30