宋 凱，汪明輝

(沈陽(yáng)理工大學(xué) 信息科學(xué)與工程學(xué)院,沈陽(yáng) 110159)

牛肉品質(zhì)高光譜檢測(cè)技術(shù)研究

宋 凱，汪明輝

(沈陽(yáng)理工大學(xué) 信息科學(xué)與工程學(xué)院,沈陽(yáng) 110159)

為及時(shí)了解肉品品質(zhì)，需要一種快速準(zhǔn)確檢測(cè)肉品品質(zhì)的方法。針對(duì)此問題，提出利用高光譜檢測(cè)技術(shù)檢測(cè)肉品品質(zhì)的方法。高光譜檢測(cè)技術(shù)，需對(duì)光譜進(jìn)行預(yù)處理。主要分析在400～1100nm波長(zhǎng)內(nèi)獲取牛肉表面的高光譜圖像，經(jīng)過多種預(yù)處理方法進(jìn)行預(yù)處理后，再通過連續(xù)投影算法進(jìn)行特征波長(zhǎng)優(yōu)選后，分別利用多元線性回歸對(duì)新鮮度和水分含量進(jìn)行校正集和預(yù)測(cè)集建模，通過模型評(píng)價(jià)指標(biāo)來判斷各預(yù)處理方法的優(yōu)劣性。實(shí)驗(yàn)結(jié)果表明，2階9點(diǎn)S.Golay卷積平滑對(duì)牛肉新鮮度指標(biāo)和水分含量的預(yù)測(cè)均是最佳預(yù)處理方法。

牛肉新鮮度；水分含量；高光譜圖像；預(yù)處理；多元線性回歸；連續(xù)投影算法；校正集；預(yù)測(cè)集

隨著目前我國(guó)人民的生活水平的逐漸提高，人們的飲食結(jié)構(gòu)也慢慢朝著優(yōu)質(zhì)而合理的方向發(fā)展，牛肉是中國(guó)需求量排行第二的肉食品類，僅僅低于豬肉。牛肉的脂肪含量很低，但是卻有著豐富的蛋白質(zhì)，所以牛肉擁有嬌嫩的口感和鮮美的味道，人們愛吃牛肉，所以牛肉享有“肉中驕子”的美名。因此，人們對(duì)牛肉的需求越來越大，同樣，也對(duì)牛肉的肉品品質(zhì)提出了更高、更嚴(yán)苛的要求。傳統(tǒng)的較為常見的檢測(cè)肉品品質(zhì)的方法主要為以下幾種：感官評(píng)價(jià)、微生物菌落檢測(cè)以及理化指標(biāo)檢測(cè)等等[1]。但是這些傳統(tǒng)的檢測(cè)方法都存在著或多或少的弊端，無法達(dá)到真正的使用目的。因此，世界各國(guó)亟需一種方便、快捷且準(zhǔn)確性高的肉品品質(zhì)檢測(cè)手段，因此光譜分析技術(shù)應(yīng)運(yùn)而生。

光譜的范圍在400～1100nm之間的光譜稱為可見-近紅外光譜，可見-近紅外光譜技術(shù)是一種相對(duì)來說非常成熟的光譜檢測(cè)技術(shù)。通過被測(cè)樣品自身所攜帶的各種各樣的信息從而得到樣品全波長(zhǎng)范圍內(nèi)的原始光譜數(shù)據(jù)，再結(jié)合樣品的多種組成成分，找出樣品全波長(zhǎng)范圍內(nèi)的原始光譜數(shù)據(jù)與各種理化指標(biāo)的實(shí)際測(cè)量值之間的關(guān)聯(lián)，并通過分析來得出被測(cè)樣品所包含的主要的成分信息。通過可見-近紅外光譜來獲得的待測(cè)樣品的反射光譜信息，原始光譜中不僅含有物質(zhì)本身的化學(xué)成分信息，也極其容易被諸如外界因素、背景信息以及電噪聲等多種干擾所影響[2]，導(dǎo)致光譜數(shù)據(jù)中不僅包含著研究所需信息，但同時(shí)存在著不相關(guān)的無用信息，使得光譜數(shù)據(jù)出現(xiàn)基線漂移或者光譜不重疊等后果[3]，使得待測(cè)樣本的光譜數(shù)據(jù)中存在一定量的誤差，從而影響預(yù)測(cè)模型精度。所以，在對(duì)數(shù)據(jù)進(jìn)行研究之前需要對(duì)原始的光譜數(shù)據(jù)進(jìn)行預(yù)處理，光譜預(yù)處理的主要作用是可以在一定的程度上消弭部分噪聲或者減少噪聲對(duì)有用光譜信息的影響，使得原本所隱藏的信號(hào)差別得以放大，提高待測(cè)光譜的分辨率[4]，使得所得有效信息具有高信噪比、低干擾性的特點(diǎn)，最后建立的預(yù)測(cè)模型具有較高的預(yù)測(cè)精度。

本文主要針對(duì)不同預(yù)處理算法對(duì)后續(xù)建模結(jié)果的影響進(jìn)行分析，介紹了多種不同的預(yù)處理算法以及比較經(jīng)過預(yù)處理之后所建模型的差異性，用實(shí)驗(yàn)數(shù)據(jù)闡明了預(yù)處理在預(yù)測(cè)建模中的差異性以及重要性。

1 光譜預(yù)處理算法

為了區(qū)別多種預(yù)處理方法效果之間的差異，本文主要分析針對(duì)103個(gè)牛肉樣本(含67個(gè)校正集和36個(gè)預(yù)測(cè)集)建立牛肉新鮮度指標(biāo)和水分含量的預(yù)測(cè)模型，分析原始光譜數(shù)據(jù)經(jīng)過不同種的預(yù)處理方法預(yù)處理之后，所建預(yù)測(cè)模型之間的差異性，選擇最優(yōu)的預(yù)處理方法。

本實(shí)驗(yàn)采用Matlab R2010a對(duì)數(shù)據(jù)進(jìn)行預(yù)處理。首先對(duì)所有數(shù)據(jù)用mapminmax函數(shù)進(jìn)行處理，對(duì)結(jié)果分別采用均值中心化、標(biāo)準(zhǔn)化、歸一化、標(biāo)準(zhǔn)正態(tài)變量變換、多元散射校正、3點(diǎn)平滑、5點(diǎn)平滑、7點(diǎn)平滑、3階5點(diǎn)、1階7點(diǎn)、2階7點(diǎn)、1階9點(diǎn)和2階9點(diǎn)S.Golay平滑等方法對(duì)103個(gè)牛肉樣本(含67個(gè)校正集和36個(gè)預(yù)測(cè)集)的光譜數(shù)據(jù)進(jìn)行多種方式預(yù)處理。對(duì)于處理后的數(shù)據(jù)用連續(xù)投影算法進(jìn)行特征波長(zhǎng)優(yōu)選，在對(duì)其進(jìn)行多元線性回歸建模，比較所建模型的優(yōu)劣性，從而選擇最佳預(yù)處理算法。圖1為原始光譜。

圖1 原始光譜

1.1 均值中心化

均值中心化變換是通過用原始光譜減掉校正集的平均光譜[5]。在建模時(shí)，均值中心化是將光譜的變動(dòng)與待測(cè)部分的構(gòu)成或性質(zhì)的變動(dòng)關(guān)聯(lián)在一起，而非將光譜的絕對(duì)量與待測(cè)部分的構(gòu)成或性質(zhì)相關(guān)聯(lián)。因此，建立光譜定性模型或者定量模型之前，往往需要通過采用均值中心化來凸顯各個(gè)樣品光譜之間的差異，從而使得預(yù)測(cè)模型有著穩(wěn)定、預(yù)測(cè)準(zhǔn)確性高的特點(diǎn)。

在使用這種預(yù)處理方法對(duì)原始光譜數(shù)據(jù)進(jìn)行處理的時(shí)候，往往也需要對(duì)待測(cè)部分的構(gòu)成或性質(zhì)進(jìn)行預(yù)處理[6]。

1.2 標(biāo)準(zhǔn)化

標(biāo)準(zhǔn)化又稱作均值方差化，光譜標(biāo)準(zhǔn)化變換的原理是將均值中心化處理后得到的光譜數(shù)據(jù)再除以校正集光譜陣所得的標(biāo)準(zhǔn)偏差光譜。

1.3 歸一化

歸一化的方法相對(duì)而言較多，包括最大歸一化法、面積歸一化法以及平均歸一化法等。在光譜分析當(dāng)中，使用最多的方法是矢量歸一化。矢量歸一化通常是被用來校正因?yàn)槲⑿〉墓獬滩町愃鸬墓庾V變化帶來的問題。

1.4 標(biāo)準(zhǔn)正態(tài)變量變換SNV

標(biāo)準(zhǔn)正態(tài)變量變換的目的主要是為了消除固體顆粒的大小、樣本的表面散射和光程變化對(duì)NIR漫反射光譜產(chǎn)生的影響。SNV的主要原理是通過改變光譜信號(hào)的尺度范圍和強(qiáng)度大小的方法來消除樣本背景噪聲。

1.5 多元散射校正MSC

多元散射校正和標(biāo)準(zhǔn)正態(tài)變量變化都是將吸收信息與散射光信號(hào)相分離。在一般的情況下，散射所導(dǎo)致的光譜的變化一般要比樣品成分所導(dǎo)致的光譜變化要大一些，MSC的主要目的是校正每一條光譜的散射，獲得其中與成分有關(guān)的相對(duì)來說理想的信息。MSC的處理結(jié)果類似于SNV方法的結(jié)果。

1.6 平滑去噪算法

通過光譜儀獲得的光譜信號(hào)中既有有用信息，也有隨機(jī)誤差，即噪聲。信號(hào)平滑是最為常見的消弭噪聲的一種方式，它的原理是假設(shè)光譜所包含的噪聲為零的隨機(jī)白噪聲，若多次測(cè)定求均值，能達(dá)到降低噪聲和提高信噪比的效果。使用較多的一些信號(hào)平滑的方式有移動(dòng)平均平滑法和Savitzky-Golay卷積平滑法[7]。

移動(dòng)平均平滑算法是通過一個(gè)特定窗口寬度的平滑窗口(2ω+1)，單個(gè)窗口內(nèi)的波長(zhǎng)點(diǎn)都為奇數(shù)個(gè)，用窗口中的中心波長(zhǎng)點(diǎn)k以及前后ω點(diǎn)處的測(cè)量值的平均值來代替波長(zhǎng)點(diǎn)的測(cè)量值，自左至右移動(dòng)k，使得所有的點(diǎn)都得到平滑。

采取該預(yù)處理方法的時(shí)候，窗口寬度的大小非常的重要，若寬度過小，將不能充分去噪；若寬度過大，用簡(jiǎn)單的求均值運(yùn)算，不僅會(huì)平滑處理掉所不需要的噪聲，也會(huì)過濾掉所需的有用信息，使得光譜信號(hào)失真。

實(shí)驗(yàn)中采用3點(diǎn)平滑、5點(diǎn)平滑和7點(diǎn)平滑對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，判斷各自優(yōu)劣性。

1.7 Savitzky-Golay卷積平滑

Savitzky-Golay卷積平滑的基本思想與移動(dòng)平均平滑大致相似。只是通過多項(xiàng)式的方式來對(duì)移動(dòng)窗口中的數(shù)據(jù)進(jìn)行最小二乘擬合，而并非是用簡(jiǎn)單的平均方法，它的本質(zhì)是一種加權(quán)平均算法，它突出了中心點(diǎn)的作用。S.Golay卷積平滑法是目前使用較多、較為普及的一種去噪的方式，因?yàn)橄鄬?duì)于移動(dòng)平均平滑來說，移動(dòng)窗口的寬度對(duì)最終結(jié)果的影響要小得多。

同時(shí)S.Golay卷積平滑也能用來求導(dǎo)數(shù)光譜，可以通過最小二乘法求得導(dǎo)數(shù)系數(shù)。目的是能夠有效消除基線漂移和背景噪聲對(duì)光譜的干擾，同時(shí)能夠精確分辨出重疊峰，在提高靈敏度的同時(shí)也增強(qiáng)分辨率。但同時(shí)也會(huì)引入噪聲，降低信噪比。在進(jìn)行光譜處理的時(shí)候，導(dǎo)數(shù)點(diǎn)數(shù)是較為重要的參數(shù)，假如過小，就會(huì)導(dǎo)致噪聲較大，影響所建模型的預(yù)測(cè)能力；反之假如過大，會(huì)導(dǎo)致處理過度，使得光譜失去所需的細(xì)節(jié)。

經(jīng)驗(yàn)證，本實(shí)驗(yàn)采取一階差分寬度時(shí)效果最佳，分別采用3階5點(diǎn)、1階7點(diǎn)、2階7點(diǎn)、1階9點(diǎn)和2階9點(diǎn)S.Golay平滑來對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理，判斷各自優(yōu)劣性。

2 建模方法及模型評(píng)價(jià)指標(biāo)

2.1 連續(xù)投影算法

連續(xù)投影算法屬于前向循環(huán)的選擇方法，它的原理是從一個(gè)波長(zhǎng)開始，每次循環(huán)都是在計(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。每一個(gè)新選入的波長(zhǎng)，都有與前一個(gè)線性關(guān)系最小的特點(diǎn)[8]。

2.2 多元線性回歸

線性回歸總共有兩大類，分別是一元線性回歸和多元線性回歸[9]。在實(shí)際使用中，很多情況下需要用到多元線性回歸來更好地描述不同的變量與變量之間的關(guān)系。從而導(dǎo)致多元線性回歸的計(jì)算量往往要比一元線性回歸大許多，一般用計(jì)算機(jī)處理。

設(shè)因變量Y與自變量X1,X2,…,Xm之間有關(guān)系式：Y=b0+b1X1+…+bmXm+ε對(duì)于n組量測(cè)數(shù)據(jù)：

(Y1;X11,X12,…,X1m)

(Y2;X21,X22,…,X2m)

?

(Yn;Xn1,Xn2,…,Xnm)

Xij是自變量Xj的第i個(gè)值，Yi是因變量Y的第i個(gè)值，m為自變量的個(gè)數(shù)。模型的數(shù)據(jù)結(jié)構(gòu)式為

Y1=b0+b1X11+b2X12+…+bmX1m+ε1

Y2=b0+b1X21+b2X22+…+bmX2m+ε2

? ? ?

Yn=b0+b1Xn1+b2Xn2+…+bmXnm+εn

多元線性回歸常用于評(píng)價(jià)多組樣品的光譜預(yù)測(cè)結(jié)果與參考方法測(cè)定結(jié)果之間的相關(guān)性。

2.3 模型評(píng)價(jià)指標(biāo)

(1)校正標(biāo)準(zhǔn)偏差(RMSEC)

(2)預(yù)測(cè)標(biāo)準(zhǔn)偏差(RMSEP)

(3)相關(guān)系數(shù)(R)

對(duì)于光譜數(shù)據(jù)來說，無論是校正集還是預(yù)測(cè)集所建的預(yù)測(cè)模型，相關(guān)系數(shù)R越接近于1，預(yù)測(cè)結(jié)果越好；RMSEC和RMSEP越小，表明所建的預(yù)測(cè)模型具有更強(qiáng)的預(yù)測(cè)能力。

3 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)利用103個(gè)牛肉樣本(含67個(gè)校正集和36個(gè)預(yù)測(cè)集)的實(shí)驗(yàn)理化值及全光譜數(shù)據(jù)分別建立牛肉新鮮度指標(biāo)和水分含量的MLR多元線性回歸模型。結(jié)果顯示，不同種預(yù)處理算法對(duì)原始光譜的處理得到的結(jié)果存在著差異，如圖2～圖14所示。

(1) 均值中心化

圖2為均值中心化處理后的光譜。

圖2 均值中心化處理后的光譜

(2) 標(biāo)準(zhǔn)化

圖3為標(biāo)準(zhǔn)化處理后的光譜。

圖3 標(biāo)準(zhǔn)化處理后的光譜

(3) 歸一化

圖4為歸一化處理后的光譜。

圖4 歸一化處理后的光譜

(4) SNV

圖5為SNV處理后的光譜。

圖5 SNV處理后的光譜

(5) MSC

圖6為MSC處理后的光譜。

圖6 MSC處理后的光譜

(6)3點(diǎn)平滑

圖7為3點(diǎn)移動(dòng)平均平滑法處理后的光譜。

圖7 3點(diǎn)移動(dòng)平均平滑法處理后的光譜

(7)5點(diǎn)平滑

圖8為5點(diǎn)移動(dòng)平均平滑法處理后的光譜。

圖8 5點(diǎn)移動(dòng)平均平滑法處理后的光譜

(8)7點(diǎn)平滑

圖9為7點(diǎn)移動(dòng)平均平滑法處理后的光譜。

圖9 7點(diǎn)移動(dòng)平均平滑法處理后的光譜

(9)3階5點(diǎn)S.Golay平滑

圖10為3階5點(diǎn)S.Golay平滑處理后的光譜。

圖10 3階5點(diǎn)S.Golay平滑處理后的光譜

(10)1階7點(diǎn)S.Golay平滑

圖11為1階7點(diǎn)S.Golay平滑處理后的光譜。

圖11 1階7點(diǎn)S.Golay平滑處理后的光譜

(11)2階7點(diǎn)S.Golay平滑

圖12為2階7點(diǎn)S.Golay平滑處理后的光譜。

圖12 2階7點(diǎn)S.Golay平滑處理后的光譜

(12)1階9點(diǎn)S.Golay平滑

圖13為1階9點(diǎn)S.Golay平滑處理后的光譜。

圖13 1階9點(diǎn)S.Golay平滑處理后的光譜

(13)2階9點(diǎn)S.Golay平滑

圖14為2階9點(diǎn)S.Golay平滑處理后的光譜。

圖14 2階9點(diǎn)S.Golay平滑處理后的光譜

同時(shí)，釆用不同種類的光譜預(yù)處理方法對(duì)牛肉的新鮮度指標(biāo)和水分含量建立預(yù)測(cè)模型的模型參數(shù)有所不同，具體如表1、表2所示。

綜上所述，2階9點(diǎn)S.Golay卷積平滑后對(duì)牛肉的新鮮度和水分含量進(jìn)行建模，無論是校正集建模還是預(yù)測(cè)集建模，其建模效果都要好于其他預(yù)處理算法。在對(duì)牛肉新鮮度指標(biāo)的校正集預(yù)測(cè)中，測(cè)得R為0.9737，RMSEC為0.1686；在對(duì)預(yù)測(cè)集的預(yù)測(cè)中，測(cè)得R為0.9689，RMSEP為0.1364；在對(duì)水分含量的校正集預(yù)測(cè)中，測(cè)得R為0.9685，RMSEC為0.1784；在對(duì)預(yù)測(cè)集的預(yù)測(cè)中，測(cè)得R為0.9560，RMSEP為0.1682。

表1 不同預(yù)處理方法建立牛肉新鮮度指標(biāo)的預(yù)測(cè)模型

表2 不同預(yù)處理方法建立牛肉水分含量的預(yù)測(cè)模型

4 結(jié)論

探討了利用高光譜檢測(cè)技術(shù)對(duì)牛肉的新鮮度和水分含量進(jìn)行檢測(cè)，通過對(duì)原始光譜進(jìn)行預(yù)處理，波長(zhǎng)優(yōu)選后進(jìn)行MLR建模。通過對(duì)預(yù)處理的結(jié)果分析以及對(duì)所得模型評(píng)價(jià)指標(biāo)的比較，可知2階9點(diǎn)S.Golay卷積平滑對(duì)牛肉新鮮度指標(biāo)和水分含量的預(yù)測(cè)均是最佳的預(yù)處理方法。

[1]劉娟.肉品新鮮度檢測(cè)方法研究進(jìn)展[J].農(nóng)家科技(下旬刊),2012 (5):134-135.

[2]許倩，朱秋勁，葉春，等.近紅外光譜分析技術(shù)快速檢測(cè)冰溫貯藏牛肉品質(zhì)[J].肉類研究,2015 (3):23-26.

[3]程長(zhǎng)闊，楊鵬程，李燕，等.光譜預(yù)處理方法對(duì)硝酸鹽測(cè)量模型影響實(shí)驗(yàn)研究及軟件設(shè)計(jì)[J].海洋技術(shù)學(xué)報(bào),2015 (2):69-73.

[4]金靈.基于高光譜技術(shù)的寧夏灘羊肉內(nèi)部品質(zhì)檢測(cè)方法研究[D].寧夏：寧夏大學(xué) 2014：42-44.

[5]馬世榜,湯修映,徐楊,等.可見/近紅外光譜結(jié)合遺傳算法無損檢測(cè)牛肉pH 值[J].農(nóng)業(yè)工程學(xué)報(bào), 2012,28(18):263-268.

[6]張洋.吸附材料的改性及其在微量成分近紅外光譜分析中的應(yīng)用研究[D].天津：南開大學(xué),2013：23-24.

[7]王璇.基于多元線性回歸的昆蟲圖像分割技術(shù)研究[D].南昌：江西理工大學(xué),2014:34-35.

[8]王欣.近紅外分析中光譜預(yù)處理方法的研究與應(yīng)用進(jìn)展[J].科技資訊,2013 (15):23-24.

[9]劉善梅.基于高光譜成像技術(shù)的冷鮮豬肉品質(zhì)無損檢測(cè)方法研究[D].武漢:華中農(nóng)業(yè)大學(xué),2015:45-47.

(責(zé)任編輯：馬金發(fā))

Hyperspectral Detection Technology of Beef Quality

SONG Kai,WANG Minghui

(Shenyang Ligong University,Shenyang 110159,China)

In order to understand the quality of meat,we need a rapid and accurate method for the detection of meat quality.To solve this problem,the method of meat quality detection is preposed using hyperspectral detection technology.For hyperspectral detection technology,pretreatment on the spectrum is needed.The main analysis of this paper is to obtain high spectral image at 400～1100nm wavelength in the surface of the beef,after pretreated by many methods and selected feature wavelength for spectral data by successive projection algorithm,by using multiple regression model respectively for freshness and moisture content of the calibration and prediction modeling,through the model evaluation index to judge the pros and cons of each pretreatment method.Experimental results show that the 2 order 9 point S.Golay convolution smoothing method is the best pretreatment method for the prediction of the fresh degree and the moisture content of beef.

freshness of beef;moisture content;high spectral image;pretreatment;multiple linear regression;continuous projection algorithm;calibration set;prediction set

2016-10-08

遼寧省教育廳科學(xué)研究項(xiàng)目資助(LG201610)

宋凱(1964—)，男，教授/博導(dǎo)，博士，研究方向：計(jì)算機(jī)視覺、智能檢測(cè)與控制等。

1003-1251(2017)02-0005-07

O657.33

A