朱榮光，段宏偉，姚雪東，邱園園，馬本學(xué)，許程劍

1.石河子大學(xué)機械電氣工程學(xué)院，新疆 石河子 832003 2.石河子大學(xué)食品學(xué)院，新疆 石河子 832003

基于高光譜圖像和偏最小二乘的羊肉pH值特征波段篩選研究

朱榮光1，段宏偉1，姚雪東1，邱園園1，馬本學(xué)1，許程劍2

1.石河子大學(xué)機械電氣工程學(xué)院，新疆 石河子 832003 2.石河子大學(xué)食品學(xué)院，新疆 石河子 832003

波段篩選方法的選取以及隨后的光譜特征波段的提取對高光譜模型效果的影響較大。為了快速準(zhǔn)確檢測羊肉的pH值，開展并討論了利用兩種特征波段篩選方法對羊肉pH值高光譜模型的影響研究。本研究采用二階導(dǎo)數(shù)(2D)、多元散射校正(MSC)和中心化處理(mean-centering)相結(jié)合的方法對所提取純肌肉部分的代表性光譜進行預(yù)處理，利用聯(lián)合區(qū)間偏最小二乘(siPLS)和聯(lián)合區(qū)間偏最小二乘結(jié)合遺傳算法(siPLS-GA)對全波段473～1000 nm范圍光譜進行特征波段的提取，并分別建立相對應(yīng)特征波段范圍羊肉pH的PLS預(yù)測模型，同時與全波段的PLS模型效果相比較。結(jié)果表明采用siPLS-GA提取的特征波長建立的PLS模型效果最優(yōu)，其選取的特征波長點數(shù)為56，校正集相關(guān)系數(shù)(Rcal)和均方根誤差(RMSEC)分別為0.96和0.043，預(yù)測集相關(guān)系數(shù)(RP)和均方根誤差(RMSEP)分別為0.96和0.048。siPLS-GA方法既能夠減少建模使用的光譜變量，又可以提高模型精度，因此利用高光譜圖像技術(shù)結(jié)合siPLS-GA可以實現(xiàn)羊肉pH的特征波段篩選和快速準(zhǔn)確檢測。

高光譜圖像; 羊肉pH; 特征波段; 聯(lián)合區(qū)間偏最小二乘(siPLS); 遺傳算法(GA)

引 言

羊肉是我國西北地區(qū)少數(shù)民族的主要肉類消費品，近些年全國羊肉產(chǎn)量快速增長，至2014年已達428萬噸，同比增長4.9%，然而由于肉品冷鏈系統(tǒng)不完善等因素導(dǎo)致的羊肉易腐敗問題也日益突出。pH值是肉品新鮮度評價的重要指標(biāo)，而傳統(tǒng)的理化方法很難實現(xiàn)其快速檢測。高光譜圖像技術(shù)(HSI)融合了圖像和光譜兩種技術(shù)，可以同時獲得樣品的外部特征信息和內(nèi)部品質(zhì)狀況，因此HSI被廣泛應(yīng)用于農(nóng)畜產(chǎn)品的檢測研究。目前HSI在豬肉和牛肉的揮發(fā)性鹽基氮(TVB-N)、嫩度、滴水損失、細(xì)菌總數(shù)、顏色等[1-5]方面的檢測研究報道較多，但是針對羊肉pH值的國內(nèi)高光譜檢測研究報道較少，無法為羊肉新鮮度評價提供相關(guān)的技術(shù)參考。

在利用HSI進行檢測時，光譜特征波段的篩選對后續(xù)建模和預(yù)測效果的影響較大。由于利用全波段建立羊肉高光譜檢測模型時，模型中存在過多與羊肉pH值無關(guān)的光譜信息，可能會影響模型效果。特征波段的篩選方法主要有聯(lián)合區(qū)間偏最小二乘(siPLS)、遺傳算法(GA)、連續(xù)投影算法(SPA)、常規(guī)區(qū)間偏最小二乘(iPLS)、向后區(qū)間偏最小二乘(biPLS)、相關(guān)系數(shù)法、方差分析法、逐步回歸法和無信息變量消除法(UVE)等[6-8]。文獻[9]表明siPLS是一種比較有效的特征波段篩選方法，其建模效果通常優(yōu)于全波段PLS，iPLS和biPLS，且在siPLS基礎(chǔ)上利用GA可以對光譜信息進一步篩選，而利用HSI結(jié)合siPLS-GA提取羊肉pH特征波長的研究報道較少。

為篩選羊肉pH的特征波段和建立更準(zhǔn)確快速的羊肉pH檢測模型，通過siPLS和siPLS-GA兩種方法分別提取對應(yīng)的光譜特征波段，建立這兩組特征波段羊肉pH的PLS預(yù)測模型，并與全波段的PLS模型效果相比較，以選取最佳的特征波段篩選方法及對應(yīng)特征波段下的羊肉pH高光譜圖像檢測模型。

1 實驗部分

1.1 材料

試驗所用羊肉取自當(dāng)日屠宰的9只小尾寒羊外里脊部位，購于石河子市農(nóng)貿(mào)市場，使用冷藏箱運回學(xué)院農(nóng)畜產(chǎn)品實驗室。實驗員對羊肉進行切片處理，并采用PE保鮮袋密封包裝，冷藏于4 ℃恒溫箱中，保存1～14 d，每隔24 h取一次樣，前13 d每次取樣9個，第14 d取剩余4個樣品，共采集121個充分反映羊肉儲藏品質(zhì)變化的樣品。

1.2 高光譜圖像采集

高光譜圖像采集系統(tǒng)裝置如圖1所示，主要包括成像光譜儀(ImSpector V10E-QE，F(xiàn)inland)、CMOS相機(MV-1024E，China)、光源(150 W鹵素?zé)?，China)、電動位移平臺和PC機等組件。

為了獲取較為清晰的圖像，將曝光時間確定為22 ms，物距(樣品至鏡頭距離)調(diào)整為38 cm，光強設(shè)定為50 000 lx，此時步進電機驅(qū)動樣品載物臺以1.5 mm·s-1的速度進行圖像采集。采集到的圖像光譜范圍為400～1 000 nm，高光譜圖像數(shù)據(jù)塊大小為 1 344 pixel×700 pixel×953 band。

為提高高光譜圖像信噪比，研究中采用黑白校正法[10]去除CMOS相機內(nèi)部電流不穩(wěn)定等原因產(chǎn)生的暗電流噪聲。黑白校正公式為C=4 095(R-D)/(W-D)，其中C為校正后圖像，R為原始圖像，D和W分別為全黑和全白圖像，4 095為數(shù)字量化值(DN)的最大值。由于系統(tǒng)輸出為12位，因此灰度圖像的級數(shù)為4 096，DN范圍為0～4 095。

圖1 高光譜圖像獲取系統(tǒng)

1.3 羊肉pH值測定

羊肉pH值測定參照GB/T 9695.5-2008標(biāo)準(zhǔn)，利用分析天平準(zhǔn)確稱取樣品表面肌肉部分10 g羊肉并剪碎，溶于100 ml氯化鉀溶液(0.1 mol·L-1)并置于搖床以120 r·min-1速度搖勻30 min，將已校正的pH計(精確度0.01)電極置于試樣上清液中，數(shù)值穩(wěn)定后讀數(shù)。單一樣品獨立測定pH值6次，取均值作為該樣品的pH化學(xué)參考值。

1.4 數(shù)據(jù)處理

高光譜圖像數(shù)據(jù)處理與分析使用ENVI 4.7和MATLAB 7.8軟件。利用波段運算、二值化和掩膜相結(jié)合的方法提取純肌肉部分的羊肉光譜，選取473～1 000 nm波段光譜進行預(yù)處理，通過siPLS和siPLS-GA兩種方法進行波段篩選，分別建立兩組特征波段羊肉pH值的PLS預(yù)測模型。同時與全波段PLS模型效果相比較，選取最優(yōu)建模波段和對應(yīng)模型，從而實現(xiàn)羊肉pH快速準(zhǔn)確檢測。特征波段的選擇依據(jù)最小的交互驗證均方根誤差(RMSECV)來確定，而模型效果評價標(biāo)準(zhǔn)包括建模效果和預(yù)測效果，若Rcal越大、RMSEC越小，則模型的建模效果越好；若Rp越大、RMSEP越小，則模型的預(yù)測效果越好。

2 結(jié)果與討論

2.1 羊肉pH值的結(jié)果與分析

將所采集到的羊肉pH值以增序的方式排列，并按照3∶1的比例選取樣本的校正集和預(yù)測集，校正集和預(yù)測集的樣品個數(shù)分別為90和31。表1為pH值的統(tǒng)計結(jié)果，主要包括最大值、最小值、平均值和標(biāo)準(zhǔn)偏差。

表1 羊肉pH值統(tǒng)計分析

2.2 代表性光譜提取與預(yù)處理

選取純肌肉作為羊肉pH值測定的試驗樣本，為了提高模型的精度，首先采用b1-b2波段運算(b1為544.15 nm，b2為818.98 nm)、二值化和掩膜法去除圖像背景部分，其次利用b1+b2波段運算結(jié)合掩膜法去除樣本中脂肪、亮點和結(jié)締組織[11]，從而獲取純肌肉部分的代表性光譜，如圖2和圖3所示。同時由于光譜采集過程中受到外部環(huán)境以及光譜儀自身暗電流的影響，使采集到的光譜存在基線漂移、光散射等噪聲，因此有必要對光譜預(yù)處理。根據(jù)建模時Rcal，Rp，RMSEC和RMSEP，來選定最優(yōu)的預(yù)處理方法，最終選取二階導(dǎo)數(shù)(2D)、多元散射校正(MSC)和中心化處理(mean-centering)相結(jié)合的方法對光譜數(shù)據(jù)進行預(yù)處理。

2.3 特征波長的篩選

2.3.1 siPLS篩選特征波長

首先選用siPLS進行特征區(qū)間的篩選，將全波段光譜分別分成如表2所示的12～24個子區(qū)間。在子區(qū)間數(shù)為19時，即RMSECV達到最小值的0.070，此時所選取的最優(yōu)LVs和最優(yōu)子區(qū)間分別為15和[3-6 8 11]，同時該區(qū)間組合所對應(yīng)的特征波長范圍為526.2～632.8 nm，660.5～687.1和742.5～769.4 nm，如圖4所示。羊肉在儲存過程中，在微生物和酶的作用下易發(fā)生腐敗變質(zhì)使得肌紅蛋白逐漸轉(zhuǎn)化成脫氧的高鐵肌紅蛋白，而在550 nm附近為脫氧肌紅蛋白的吸收峰，760 nm附近為水的特征吸收波長，660 nm附近可能是NH3基團的3級倍頻吸收[12]。同時這幾個波長點均在siPLS所獲得的特征區(qū)間內(nèi)，因此得出siPLS能夠篩選出引起羊肉pH值變化的脫氧肌紅蛋白、水分和氨所對映的光譜信息。

圖2 羊肉樣品純肌肉部位

圖3 代表性羊肉原始光譜

表2 不同子區(qū)間下的siPLS模型結(jié)果

圖4 siPLS選取的最優(yōu)子區(qū)間 [3-6 8 11]

2.3.2 siPLS-GA篩選特征波長

GA是模擬自然界遺傳機理和生物進化論而成的一種并行隨機全局搜索最優(yōu)化方法，具有很好的收斂性，同時在進行精度計算時，計算時間少，魯棒性高。由于siPLS已經(jīng)篩選出了258個特征波長點，為了進一步提高模型的精度和建模效率，采用GA進一步的篩選。

GA變量選擇參數(shù)設(shè)置主要為：種群大小設(shè)為64個個體，每個個體基因變量設(shè)為1，初始運算時的變量數(shù)目(initial terms)占30%，最大代數(shù)(max generations)為100，收斂百分比(Percent at Convergence)為50%，突變率(mutation rate)為5‰，回歸算法為PLS。

為了獲取siPLS-GA下的最優(yōu)波段，將回歸算法的交互驗證的窗口數(shù)量(splits)分別設(shè)置成5，10和15，并分別建立PLS模型，建模結(jié)果如表3所示。splits為5和15時，模型分別選取了74和49個特征波長點，RMSECV分別為0.070和0.068，最優(yōu)LVs均為15。當(dāng)splits為10時的RMSECV為0.062，小于splits為5和15的模型結(jié)果。因此splits為10選取的56個特征波長點為siPLS-GA的最優(yōu)篩選結(jié)果，如圖5所示。與siPLS相比較，其選取的波長點數(shù)更少，原因可能是siPLS選取了建模效果較好的多個光譜區(qū)間組合，而GA能夠?qū)崿F(xiàn)全局的快速搜索，因此siPLS-GA的篩選能力更加突出。該組特征波長點主要分布在528.1～542.9，555.3～582.1，589.56～597.68，613.3～631.5，660.5～682.0和742.4～768.7 nm范圍，而550，660和760 nm附近分別為引起pH值變化的脫氧肌紅蛋白、水分和氨的吸收波長，表明siPLS-GA篩選出的特征波段光譜信息與羊肉pH值具有相關(guān)性。

表3 三種窗口數(shù)量下的siPLS-GA-PLS模型結(jié)果

圖5 siPLS-GA選取的波長點

2.4 不同波段的PLS模型比較

為比較不同特征波段PLS模型效果，對siPLS和siPLS-GA提取的特征波長光譜數(shù)據(jù)分別建立對應(yīng)的PLS模型，并與全波段PLS模型效果相比較，三者建模結(jié)果如表4所示。

表4 PLS, siPLS-PLS 和 siPLS-GA-PLS模型結(jié)果比較

三種模型的RMSECV隨著LVs的變化情況如圖6所示，其總體的變化趨勢均為先下降后上升。隨著LVs的增加，在RMSECV的下降過程中，3種模型均出現(xiàn)了1～2個局部上升點，但當(dāng)LVs分別為12，15和15時所對應(yīng)RMSECV均達到了其最小值，表明局部上升點的出現(xiàn)并不影響模型的最終效果。全波段PLS，siPLS-PLS和siPLS-GA-PLS的最小RMSECV分別為0.084，0.070和0.062。

圖6 PLS, siPLS-PLS 和 siPLS-GA-PLS方法下最優(yōu)LVs

對于全波段PLS模型和siPLS-PLS模型，其選取的波長點分別為846和258，RMSEP均為0.074，預(yù)測集的Rp分別為0.90和0.91，二者的模型效果基本相當(dāng)。siPLS-GA-PLS模型選取了56個特征波長點，其RMSEC和RMSEP均遠(yuǎn)小于全波段PLS和siPLS-PLS的模型效果，表明siPLS-GA-PLS的模型效果較好。如圖7(a)和(b)所示，校正集相關(guān)系數(shù)和均方根誤差分別為0.96和0.043，預(yù)測集相關(guān)系數(shù)和均方根誤差分別為0.96和0.048。原因可能是siPLS所提取的258個波長點中仍然包含著與羊肉pH值無關(guān)的變量，而siPLS-GA可進一步去除光譜冗余信息從而提高了模型的預(yù)測精度。

3 結(jié) 論

選取純肌肉部分提取羊肉高光譜圖像的代表性光譜，采用2D，MSC和mean-centering相結(jié)合的光譜預(yù)處理方法，比較分析了siPLS和siPLS-GA兩種特征波段篩選方法對羊肉pH值的PLS模型效果的影響，并與全波段(473～1 000 nm)的PLS模型效果相比較。其中，siPLS-GA-PLS的模型效果最優(yōu)，其共選取了56個特征波長點，模型的LVs數(shù)為15，校正集Rcal和RMSEC分別為0.96和0.043，預(yù)測集Rp和RMSEP分別為0.96和0.048。siPLS-GA方法既可以減少建模使用的光譜變量又能提高模型的精度，高光譜圖像技術(shù)結(jié)合siPLS-GA可以實現(xiàn)羊肉pH值的特征波段篩選和快速準(zhǔn)確檢測。

圖7 siPLS-GA-PLS的校正集(a)和預(yù)測集(b)結(jié)果

[1] Chen Q, Zhang Y, Zhao J, et al.Analytical Methods, 2013, 5(22): 6382.

[2] ElMasry G, Sun D W, Allen P.Journal of Food Engineering, 2012, 110(1): 127.

[3] Wu D, Wang S, Wang N, et al.Food and Bioprocess Technology, 2013, 6(11): 2943.

[4] Peng Y, Zhang J, Wang W, et al.Journal of Food Engineering, 2011, 102(2): 163.

[5] ZHU Rong-guang, YAO Xue-dong, GAO Guang-di, et al(朱榮光，姚雪東，高廣娣, 等).Journal of Agricultural Machinery(農(nóng)業(yè)機械學(xué)報), 2013, 44(7): 165.

[6] ZHU Wei-xing, JIANG Hui, CHEN Quan-sheng(朱偉興，江 輝，陳全勝).Transactions of the Chinese Society of Agricultural Engineering(農(nóng)業(yè)工程學(xué)報), 2010, 26(8): 368.

[7] WU Rui-mei, YUE Peng-xiang, ZHAO Jie-wen, et al(吳瑞梅，岳鵬翔，趙杰文, 等).Journal of Agricultural Machinery(農(nóng)業(yè)機械學(xué)報), 2011, 42(12): 154.

[8] ZHU Yao-di, ZOU Xiao-bo, SHI Ji-yong, et al(朱瑤迪，鄒小波，石吉勇，等).Modern Food Science and Technology(現(xiàn)代食品科技), 2014, 30(12): 119.

[9] ZOU Xiao-bo, HUANG Xiao-wei, SHI Ji-yong, et al(鄒小波，黃曉瑋，石吉勇, 等).Journal of Agricultural Machinery(農(nóng)業(yè)機械學(xué)報), 2012, 43(9): 155.

[10] Wang W, Li C, Tollner E W, et al.Journal of Food Engineering, 2012, 109(1): 38.

[11] Kamruzzaman M, ElMasry G, Sun D W, et al.Innovative Food Science & Emerging Technologies, 2012, 16: 218.

[12] LI Min-zan, HAN Dong-hai, WANG Xiu(李民贊，韓東海，王 秀).Spectral Analysis Technology and Application(光譜分析技術(shù)及其應(yīng)用).Beijing: Science Press(北京：科學(xué)出版社), 2006

(Received Jun.13, 2015; accepted Oct.12, 2015)

Study on Characteristic Bands Selection of Lamb pH Value Based on Hyperspectral Imaging and Partial Least Squares(PLS)

ZHU Rong-guang1, DUAN Hong-wei1, YAO Xue-dong1, QIU Yuan-yuan1, MA Ben-xue1, XU Cheng-jian2

1.College of Mechanical and Electrical Engineering, Shihezi University, Shihezi 832003, China 2.Food College, Shihezi University, Shihezi 832003, China

Characteristic bands method selection and subsequent spectral extraction has a great influence on the hyperspectral model performance.For rapid and accurate detection of mutton pH value, the effects of 2 band-selection methods on PLS models of mutton pH based on HSI technique were carried out and discussed.Initially, the preprocessing method of second derivative (2D), multiplicative scatter correction (MSC) and mean-centering together was implemented on the representative spectra of mutton muscle portion.Then, 2 methods of synergy interval partial least square (siPLS) and the combination of synergy interval partial least squares with genetic algorithm (siPLS-GA) were used to extract the characteristic bands in the spectral range of 473～1 000 nm.Finally, 2 PLS models of lamb pH value were established with the corresponding characteristic bands, and were also compared with the effect of full-band PLS model.The results indicated that the effect of siPLS-GA-PLS model was the best.As for the siPLS-GA-PLS model, 56 characteristic wavelength points were chosen, the correlation coefficient(Rcal) and root mean square error(RMSEC) of calibration set was 0.96 and 0.043 respectively, and the correlation coefficient(Rp) and root mean square error(RMSEP) of prediction set was 0.96 and 0.048 respectively.Spectral variables were reduced and model accuracy was improved.It can be concluded that characteristic bands selection and rapid and accurate detection of lamb pH can be achieved using hyperspectral imaging technique combined with siPLS-GA method.

Hyperspectral imaging(HSI)；Lamb pH；Characteristic bands；Synergy interval partial least square(siPLS)；Genetic algorithm(GA)

2015-06-13，

2015-10-12

國家自然科學(xué)基金項目(31460418)，高等學(xué)校博士學(xué)科點專項科研基金項目(20136518120004)資助

朱榮光，1982年生，石河子大學(xué)機械電氣工程學(xué)院副教授 e-mail: rgzh_jd@163.com

O657.33

A

10.3964/j.issn.1000-0593(2016)09-2925-05