楊曉玉YANG Xiao-yu 丁佳興 - 房盟盟 - 何建國 n-

(寧夏大學農(nóng)學院，寧夏 銀川 750021)

雞蛋新鮮度與蛋品品質密切相關，是加工企業(yè)和消費者最為關注的蛋品指標[1-2]。

近年來，國內(nèi)外不少學者在無損檢測雞蛋新鮮度方面做了大量研究和探索。目前實現(xiàn)對雞蛋新鮮度無損檢測的有機器視覺[3-4]、近紅外光譜[5-7]、電子鼻[8]和高光譜檢測法[9-11]等。其中機器視覺法只采集雞蛋圖像，根據(jù)雞蛋形狀特性和顏色特征參數(shù)對雞蛋新鮮度進行檢測；近紅外光譜技術光譜變量多，數(shù)據(jù)量大，并且檢測部位較為局限，且選擇點的位置和數(shù)量較為隨機和片面[12]；電子鼻檢測相對光學法耗時較長，適用于抽樣檢測。高光譜成像技術是集圖像和光譜于一體的多信息融合技術。高光譜圖像采集后，選取整個雞蛋表面作為感興趣區(qū)域，用平均光譜反映樣本，代表性強，相關性好，滿足快速、無損、準確檢測雞蛋新鮮度的要求。

本研究以雞蛋為研究對象，選用哈夫單位作為雞蛋新鮮度標準，利用可見/近紅外高光譜成像技術采集樣品400～1 000 nm 的光譜數(shù)據(jù)。首先利用蒙特卡洛法剔除異常樣本，再使用卷積平滑(Savitzky-Golay Smoothing， SGS)、標準正態(tài)變量變換(Standardized Normal Variate，SNV)、基線校準(Baseline)和去趨勢(Detrend) 法對原始光譜進行預處理，根據(jù)建立的PLSR模型效果優(yōu)選預處理方法。然后應用CARS、 GAPLS 和 IRF提取特征波長，分別建立基于全光譜和特征波長的PLSR 和 LS-SVM 的雞蛋新鮮度預測模型；分析比較不同特征波長選取和建模方法對雞蛋新鮮度的預測效果，選出最優(yōu)模型，為高光譜成像技術對雞蛋新鮮度檢測提供參考和技術支持。

1 材料與方法

1.1 材料與儀器

雞蛋：為同批海蘭褐雞所產(chǎn)新鮮蛋，購于寧夏某雞場，樣本共150個，常溫儲藏；

高光譜成像儀：V10E-QE型，芬蘭Specim公司；

CCD相機：C8484-05G型，日本Hamamatsu公司；

光纖鹵素燈：DCRⅢ型，150 W，美國Schott公司；

電控位移平臺：SC300-1A型，北京卓立漢光儀器有限公司；

可見-近紅外高光譜成像系統(tǒng)：400～1000 nm，光譜分辨率2.5 nm，125個波段。該系統(tǒng)由高光譜成像儀、CCD相機、光纖鹵素燈、電控位移平臺組成，見圖1。

1.2 試驗方法

1.2.1 高光譜圖像采集 選取大小均勻，表面無雜物的雞蛋作為最終試驗樣本，共選出126個。每天隨機取出10個雞蛋，編號，掃描其高光譜圖像。為保證圖像清晰，需試驗確定高光譜參數(shù)，最終確定參數(shù)：相機曝光時間設為10 ms，物鏡高度為385 mm，電控位移平臺速度為15 mm/s。由于暗電流和噪聲的影響，需要對采集的高光譜圖像進行黑白校正[13]，首先采集聚四氟乙烯板的全反射圖像Rw，然后蓋上鏡蓋，采集全黑圖像Rd。黑白校正公式為：

(1)

式中：

I——校正后的高光譜反射圖像，%；

R——樣本原始的高光譜反射圖像；

Rd——全黑圖像；

Rw——白板的高光譜反射圖像。

獲得樣本高光譜圖像后，利用ENVI 4.8軟件選取雞蛋橢圓表面作為感興趣區(qū)域(Region of Interest，ROI)，計算出每張ROI的平均反射光譜作為樣本的反射光譜。

1.2.2 雞蛋新鮮度測定 光譜采集后的雞蛋，按編號逐個放入精度為0.001 g的電子天平稱重，然后破殼，用0.02 mm的游標卡尺測量距離蛋黃1 cm處蛋白高度3次，測定時要選準位置，取平均值為最終蛋白高度，代入哈夫值(Ha)公式計算新鮮度[14-15]：

Ha=100×lg(h-1.7w0.37+7.57)，

(2)

式中：

Ha——哈夫值；

h——平均蛋白高度，mm；

w——雞蛋重量，g。

1.2.3 樣本劃分方法 采用Galvao等[16]提出的SPXY(Sample Set Partitioning Based on Joint X-Y distance)法。該方法的優(yōu)點是將變量X和Y均考慮在內(nèi)，能夠有效地覆蓋多維向量空間， 從而改善所建模型的預測能力。

1.2.4 異常樣本剔除 由于高光譜成像儀的精度限制和噪聲等因素的影響，獲得的高光譜圖像不可避免地存在一小部分異常樣本。異常樣本的存在影響了模型穩(wěn)定性和預測能力，所以剔除異常樣本對提高模型效果非常重要。本試驗采用蒙特卡洛采樣法[17-18]對全部樣本進行異常樣本檢測。

1.2.5 光譜數(shù)據(jù)處理方法 雞蛋新鮮度快速無損檢測的實現(xiàn)需要一個穩(wěn)定性高、預測能力強的模型，本試驗選用PLSR和LS-SVM 2種建模方法對雞蛋新鮮度進行預測。

由于在不同波長下光源的強度不均勻、儀器噪音等因素的影響，需要對原始光譜數(shù)據(jù)進行預處理。本試驗選取SGS、SNV、Baseline和Detrend預處理方法對光譜進行處理。

由于高光譜采集過程受到多種外界因素干擾，獲得的光譜信息中會存在一些像基線漂移、噪聲等無用信息，并且全光譜共125個波長，信息量大，處理速度慢，選用適當?shù)姆椒ㄌ蕹幌嚓P或者非線性變量，實現(xiàn)用少數(shù)關鍵變量代替全光譜，達到降低模型運算量和復雜度、提高模型穩(wěn)定性和預測準確性的目的。本試驗選用CARS、GAPLS和IRF法提取特征波長。其中光譜預處理和建立PLSR模型在The Unscrambler X 10.4軟件上實現(xiàn)，其余算法在Matlab R2014a軟件上完成。

2 結果與分析

2.1 異常樣本檢測

采用蒙特卡洛方法檢測異常樣本，運行之前首先建立基于全部126個樣本的PLSR模型，確定RMSECV最小時對應的主成分數(shù)最優(yōu)為11，預處理方法設置為Mean center；抽樣次數(shù)設置為2 500次，蒙特卡洛抽樣所得校正集與測試集比例為3∶1，預測誤差均值和標準差閾值分別取各自平均值的2.5 倍。雞蛋哈夫值蒙特卡洛異常樣本檢測結果見圖2。

由圖2可知，10號、22號、31號、79號和123號的預測誤差均值均大于總體樣本預測誤差均值閾值，判定上述樣本為異常樣本，剔除這些樣本后，建立PLSR模型，所得模型的交互驗證系數(shù)Rcv為0.827大于原始樣本模型(0.793)；交互驗證均方根誤差RMSECV為2.642小于原始樣本模型(2.927)。71號樣本在閾值線上，假定它為異常樣本，剔除71號樣本建立PLSR模型發(fā)現(xiàn)模型交互驗證系數(shù)Rcv為0.833，交互驗證均方根誤差RMSECV為2.589。因此，10號、22號、31號、71號、79號和123號均為異常樣本，剔除后剩余120個作為后續(xù)處理樣本。

2.2 劃分樣本

利用SPXY法將樣本按3∶1劃分校正集和預測集，校正樣本90個，預測樣本30個，雞蛋樣本哈夫值及重量統(tǒng)計見表1。由表1可知，校正集樣本中哈夫值最大值大于預測集，最小值小于預測集，即校正集哈夫值范圍較大，說明劃分合理。

2.3 光譜預處理

基于4種預處理方法的雞蛋哈夫值的PLSR模型結果統(tǒng)計見表2。由表2可知，所有預處理后的光譜的PLSR模型的Rc均小于原始光譜的PLSR模型，經(jīng)SNV預處理的PLSR模型的RMSECV最低，且最優(yōu)主成分數(shù)為7低于其他模型，說明經(jīng)SNV預處理的PLSR模型較為穩(wěn)定，確定SNV為最優(yōu)預處理方法。圖3為經(jīng)SNV預處理后的反射光譜。

2.4 特征波長提取

2.4.1 利用CARS提取特征波長 運行CARS之前，首先確定PLSR模型中最優(yōu)主成分數(shù)為7。設定CARS參數(shù)：蒙特卡洛采樣次數(shù)為200，交叉驗證組數(shù)為5。對樣本光譜進行篩選，過程見圖4。由圖4(a)可知，隨著變量篩選過程的進行，挑選的波長數(shù)逐漸下降，速度由快變慢，說明波長變量篩選先粗選、后精選。圖4(b)為變量篩選過程中交互驗證均方根誤差的變化趨勢，可知交互驗證均方根誤差先降低后增加，MC 采樣次數(shù)為131時，交互驗證均方根誤差達到最小值2.459，MC采樣次數(shù)繼續(xù)增加后，交互驗證均方誤差逐漸增大，再結合篩選過程中波長變量回歸系數(shù)變化趨勢[見圖4(c)，圖中“*”是建模過程中最小RMSECV值對應的采樣次數(shù)]。最終，在MC采樣為131次時，挑選出8個特征波長，分別為：415.7，449.4，459.0，487.8，588.6，771.1，814.3，996.7 nm。

表2基于不同預處理方法的雞蛋哈夫值PLSR模型

Table 2 PLSR model of Haugh value of eggs based on different pretreatment methods

2.4.2 利用GAPLS提取特征波長 設置GAPLS參數(shù)：種群數(shù)為30，交叉概率為50%，變異概率為1%，最大遺傳因子為30，迭代次數(shù)100次。雞蛋光譜通過GAPLS篩選的有效信息見圖5。運行GAPLS時，同時計算不同波長下的RMSECV值見圖6。最后結合RMSECV值和波長頻次數(shù)選出最佳波長變量。

由圖6可知，當選出35個波長變量時，RMSECV最低；結合圖5中每個波長篩選頻數(shù)，選出的35個波長的篩選頻數(shù)≥7。說明選出的35個波長與雞蛋哈夫值相關性強，最終確定這35個波長為特征波長。主要分布在435.0～497.4，545.4～593.4，665.4～876.7 nm。

Figure 4 Process of competitive adaptive reweighed sampl-ing Characteristic wavelength selection for identification of Haugh value of eggs

橫坐標為125個波點；縱坐標為篩選的頻次，頻次越高表示適應性越強，與哈夫值相關性越高

圖5 雞蛋光譜的GA篩選圖

Figure 5 GA screening of spectrum of egg

2.4.3 利用IRF提取特征波長 設置IRF參數(shù)：迭代次數(shù)N為1 000，間隔寬度W為10，子間隔初始值Q為50，最大主成分數(shù)為15。運行IRF，得到116個間隔中排名前10的間隔見表3；同時計算每個間隔的RMSECV，見圖7。

Figure 7 The Root mean square error of cross validation of the union of the top ranked intervals from 1st to the last

由表3可知，前10名區(qū)間選出的波點是從22號到49號，但圖7顯示，當選擇前21個間隔時，RMSECV最低，所以選擇排名前21個間隔的波長作為特征波長，這些波長是17～50號、77～93號、96～107號、113～123號，具體是478.2～636.6，766.3～843.1，857.5～910.3，939.1～987.1 nm，共74個波長。

2.5 建模對比

原始光譜經(jīng)SNV預處理后，分別建立基于全波段光譜(Full Spectrum，F(xiàn)S)和特征波長的PLSR和LS-SVM的雞蛋新鮮度預測模型，結果見表4。

建立PLSR模型時，首先根據(jù)RMSECV最低確定最優(yōu)主成分數(shù)，確定PLSR建模結果。由表4可知，全波段和利用CARS、GAPLS、UVE法提取的特征波長建立的預測模型的最佳主成分數(shù)分別是7，6，6，7。在PLSR預測模型中，CARS-PLSR和IRF-PLSR模型的Rc均小于FS-PLSR模型的，說明此2種模型不穩(wěn)定；GAPLS-PLSR與FS-PLSR模型的Rc均為0.890，前者最優(yōu)主成分數(shù)為6低于后者的的，但前者的RMSEC大于后者的，Rp為0.800小于后者的，說明GAPLS-PLSR與FS-PLSR校正性能一樣，但預測能力弱于后者，說明GAPLS-PLSR較FS-PLSR模型不穩(wěn)定。故認定FS-PLSR模型是所建立的PLSR模型中的最優(yōu)模型。

由表4可知，IRF-LS-SVM具有最大的Rc，但有最低的Rp，說明該模型的校正性能最優(yōu)，預測能力最差；CARS-LS-SVM和GAPLS-LS-SVM的Rp均為0.832且最大，但前者的Rc明顯低于后者以及FS-LS-SVM模型的，說明CARS-LS-SVM模型預測能力較強，但校正性能較差；GAPLS-LS-SVM的Rc為0.899略低于FS-LS-SVM模型的，前者的RMSEC略大于后者的，但GAPLS-LS-SVM模型預測集的Rp明顯大于FS-LS-SVM模型的，且RMSEP最低，說明該模型校正性能較好，預測能力最強，模型穩(wěn)定。最后確定GAPLS-LS-SVM為LS-SVM中的最優(yōu)模型。

對比特征波長方法，CARS法提取波長數(shù)最少，降維能力最強，GAPLS法次之，IRF法最差，但基于CARS特征波長建立的PLSR和LS-SVM模型效果均較差，GAPLS-LS-SVM模型效果較優(yōu)。對比PLSR和LS-SVM 2種模型中的最優(yōu)模型，GAPLS-LS-SVM的Rc和Rp均大于FS-PLSR模型的；且前者的RMSEC和RMSEP均小于后者的，故GAPLS-LS-SVM模型效果優(yōu)于FS-PLSR。本研究最終確定GAPLS-LS-SVM為最優(yōu)模型，且GAPLS提取的光譜能代替全光譜建模，模型效果見圖8。

3 結論

采集后的原始雞蛋光譜經(jīng)4種預處理方法，對比其PLSR模型效果，確定SNV法為最優(yōu)預處理方法；對SNV預處理后的光譜經(jīng)CARS、GAPLS和IRF法提取特征波長，分別獲得8，35，74個特征波長，CARS法降維效果最佳，GAPLS法次之，IRF法最差；分別建立基于特征波長和全光譜的PLSR、LS-SVM模型，結果表明，在PLSR模型中，F(xiàn)S-PLSR模型較好，GAPLS-LS-SVM模型效果最優(yōu)；在LS-SVM模型中，GAPLS-LS-SVM效果最優(yōu)，利用GAPLS法提取的特征波長代替全波段建立LS-SVM模型是可行的。對比2種建模方法，確定GAPLS-LS-SVM雞蛋新鮮度預測模型最優(yōu)，其Rc為0.899，RMSEC為2.092；Rp為0.832，RMSEP為2.423。

[1] 畢夏坤, 趙杰文, 林顥, 等. 便攜式近紅外光譜儀判別雞蛋的貯藏時間[J]. 食品科學, 2013(22): 281-285.

[2] 朱云鵬, 崔春利, 王蘭嬌, 等. 哈爾濱市售雞蛋品質及營養(yǎng)成分分析[J]. 食品工業(yè), 2017(5): 289-292.

[3] 王巧華, 任奕林, 文友先. 基于BP神經(jīng)網(wǎng)絡的雞蛋新鮮度無損檢測方法[J]. 農(nóng)業(yè)機械學報, 2006(1): 104-106.

[4] 邢志中, 張海東, 王孟, 等. 基于計算機視覺和神經(jīng)網(wǎng)絡的雞蛋新鮮度檢測[J]. 江蘇農(nóng)業(yè)科學, 2017(11): 160-163.

[5] 趙杰文, 畢夏坤, 林顥, 等. 雞蛋新鮮度的可見-近紅外透射光譜快速識別[J]. 激光與光電子學進展, 2013(5): 213-220.

[6] LIN Hao, ZHAO Jie-wen, SUN Li, et al. Freshness measurement of eggs using near infrared (NIR) spectroscopy and multivariate data analysis[J]. Innovative Food Science & Emerging Technologies, 2011, 12(2): 182-186.

[7] GIUNCHI A L, BERARDINELLI A N, RAGNI L, et al. Non-destructive freshness assessment of shell eggs using FT-NIR spectroscopy[J]. Journal of Food Engineering, 2008, 89(2): 142-148.

[8] 李佳婷, 王俊, 李園, 等. 基于電子鼻的雞蛋新鮮度檢測[J]. 現(xiàn)代食品科技, 2017(4): 300-305, 188.

[9] SMITH D P, LAWRENCE K C, HEITSCHMIDT G W. Fertility and embryo development of broiler hatching eggs evaluated with a hyperspectral imaging and predictive modeling system[J]. International Journal of Poultry Science, 2008, 7(10): 1 001-1 004.

[10] 王巧華, 周凱, 吳蘭蘭, 等. 基于高光譜的雞蛋新鮮度檢測[J]. 光譜學與光譜分析, 2016(8): 2 596-2 600.

[11] JOHNSON Ⅲ Owen N, SLIDELL Mark, KREISHMAN Peter, et al. Hyperspectral imaging: an emerging technology as a potential novel adjunct in assessing peripheral perfusion deficits and success oflower extremity revascularizations[J]. Journal of the American College of Surgeons, 2008, 207(3): S114.

[12] 吳龍國, 何建國, 賀曉光, 等. 高光譜圖像技術在水果無損檢測中的研究進展[J]. 激光與紅外, 2013, 43(9): 990-996.

[13] ELMASRY G, WANG Ning, ELSAYED A. Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry[J]. Journal of Food Engineering, 2007, 81: 98-107.

[14] 杜丹萌, 王風諾, 王世平. 雞蛋新鮮度隨儲藏條件變化規(guī)律的研究[J]. 食品科技, 2014, 39(5): 26-29, 33.

[15] 王巧華, 李小明, 段宇飛. 基于CUVE-PLS-DA的雞蛋新鮮度在線檢測分級[J]. 食品科學, 2016(22): 187-191.

[17] 張明錦, 杜一平. 蒙特卡洛-偏最小二乘回歸系數(shù)法用于近紅外光譜變量篩選[J]. 分析試驗室, 2013(2): 12-16.

[18] 劉善梅. 基于高光譜成像技術的冷鮮豬肉品質無損檢測方法研究[D]. 武漢: 華中農(nóng)業(yè)大學, 2015: 26-41.