魏 菁， 郭中華， 徐 靜

(寧夏大學(xué)物理電氣信息學(xué)院，寧夏銀川 750021)

羊肉因富含蛋白質(zhì)，肉質(zhì)鮮美，在肉類(lèi)消費(fèi)中占有較大比例。同時(shí)，隨著生活水平的不斷提高，食品健康與安全問(wèn)題也日益受到重視，為確保肉品新鮮，銷(xiāo)售冷卻肉成為了肉類(lèi)市場(chǎng)的主流方向，冷卻肉是嚴(yán)格地按照衛(wèi)生標(biāo)準(zhǔn)屠宰的畜禽類(lèi)胴體，要在24 h內(nèi)使溫度降至0～4 ℃，并在后續(xù)的一系列加工環(huán)節(jié)中始終保持在該溫度范圍條件下的肉。盡管冷卻肉可以在一定程度上延長(zhǎng)保存期，但是牲畜在屠宰、加工和運(yùn)輸?shù)倪^(guò)程中同樣會(huì)受到污染，產(chǎn)生細(xì)菌微生物[1]，導(dǎo)致其加速腐敗和變質(zhì)，最終影響冷卻肉的品質(zhì)。細(xì)菌總數(shù)(total viable count，TVC)是評(píng)價(jià)肉類(lèi)品質(zhì)的重要指標(biāo)[2]，肉類(lèi)新鮮度可依據(jù)其表面的細(xì)菌微生物總數(shù)反映出來(lái)，對(duì)冷卻肉表面細(xì)菌總數(shù)進(jìn)行準(zhǔn)確地檢測(cè)，可及時(shí)對(duì)肉品新鮮度作出客觀評(píng)價(jià)，確?！胺判娜狻钡牧魍ㄅc銷(xiāo)售。傳統(tǒng)的細(xì)菌檢測(cè)大多是基于物理和化學(xué)相結(jié)合的方法，如三磷酸腺苷光技術(shù)、基于快速測(cè)試片技術(shù)、電阻抗技術(shù)[3]等，不僅操作繁瑣，耗費(fèi)時(shí)間長(zhǎng)，還容易對(duì)樣本結(jié)構(gòu)造成破壞，因此無(wú)損檢測(cè)技術(shù)顯得尤為重要。

近年來(lái)，高光譜技術(shù)[4](hyperspectral technique)已經(jīng)廣泛應(yīng)用于食品無(wú)損檢測(cè)中，它融合了光學(xué)、信息學(xué)、計(jì)算機(jī)技術(shù)等多種學(xué)科，是將二維圖像技術(shù)和光譜技術(shù)結(jié)合起來(lái)的一種先進(jìn)技術(shù)。由于特定波長(zhǎng)的圖像會(huì)對(duì)樣品的某個(gè)特征有較顯著的反應(yīng)，通過(guò)圖像維，可以清晰地看到表征樣品外觀性質(zhì)，而通過(guò)光譜數(shù)據(jù)，可獲取樣品的內(nèi)部信息，如物質(zhì)組成和結(jié)構(gòu)等。高光譜技術(shù)作為基于光學(xué)的無(wú)損檢測(cè)新技術(shù)，相比于傳統(tǒng)的檢測(cè)技術(shù)，體現(xiàn)了較大的優(yōu)勢(shì)。高光譜技術(shù)也廣泛地應(yīng)用于對(duì)農(nóng)畜產(chǎn)品品質(zhì)的無(wú)損檢測(cè)中。在國(guó)外，Qiao等結(jié)合高光譜技術(shù)和人工神經(jīng)網(wǎng)絡(luò)對(duì)豬肉品質(zhì)進(jìn)行了分級(jí)[5-6]；Naganathan等利用400～1 100 nm波長(zhǎng)范圍高光譜成像系統(tǒng)對(duì)牛肉嫩度進(jìn)行了分級(jí)[7-8]；Chao等利用高光譜成像技術(shù)對(duì)整條鱈魚(yú)的新鮮度進(jìn)行了檢測(cè)[9]。在國(guó)內(nèi)，吳建虎等開(kāi)發(fā)出1組高光譜散射成像系統(tǒng)，通過(guò)多種特征指標(biāo)對(duì)牛肉品質(zhì)進(jìn)行了預(yù)測(cè)[10-11]；高曉東利用光譜覆蓋范圍為400～1 100 nm的高光譜成像系統(tǒng)對(duì)牛肉的大理石花紋進(jìn)行檢測(cè)[12]；文東東以3個(gè)不同品種(黃陂黃牛、恩施山地水牛、西門(mén)塔爾奶牛)牛肉樣本為研究對(duì)象，分別利用近紅外光譜技術(shù)和高光譜技術(shù)，建立不同品種牛肉新鮮度定量檢測(cè)模型[13]。本試驗(yàn)基于高光譜技術(shù)結(jié)合極限學(xué)習(xí)機(jī)(ELM)，對(duì)冷卻羊肉表面細(xì)菌總數(shù)進(jìn)行無(wú)損檢測(cè)，并通過(guò)算法優(yōu)化，實(shí)現(xiàn)了3種建模方法。

1 材料與方法

1.1 試驗(yàn)儀器

試驗(yàn)采用的儀器包括：Hyper VNIR高光譜成像系統(tǒng)，其光譜覆蓋范圍為400～1 100 nm，由美國(guó)的Headwall Photonics公司生產(chǎn)；生化培養(yǎng)箱(LRH-150B)；立式壓力蒸汽滅菌鍋(LDZM-80KCS)；超凈工作臺(tái)(HDLAPPARATUS)以及培養(yǎng)皿、移液皿、電子天平等。

1.2 材料與高光譜數(shù)據(jù)采集

將從農(nóng)貿(mào)市場(chǎng)買(mǎi)回的新鮮羊肉切割成長(zhǎng)度、寬度、厚度分別為5 cm、5 cm、2 cm的肉塊，總共85個(gè)，試驗(yàn)期間(共計(jì) 17 d)，每天從4 ℃恒溫冰箱中取出5個(gè)待測(cè)樣品，至于室溫下30 min之后采集高光譜圖像，為確保圖像的保真度，對(duì)高光譜系統(tǒng)的參數(shù)設(shè)置為：曝光時(shí)間和速度分別設(shè)置為10 ms和15 nm/s，步進(jìn)速度為0.17 mm/s，掃描寬度為80 mm，同時(shí)為了校正相機(jī)暗電流和室外照明對(duì)圖像的影響，采集圖像前先進(jìn)行黑白校正。

R=(R0-D)/(W-D)。

(1)

式中：R0為原始圖像，R為校正后的圖像，W為白板圖像，D為暗圖像，待85個(gè)樣本的高光譜圖像采集完成，使用ENVI 4.8軟件進(jìn)行數(shù)據(jù)分析，先對(duì)每個(gè)圖像提取表面感興趣區(qū)域(region of interest，ROI)，然后提取反射光譜值，作為樣本的原始光譜數(shù)據(jù)。

1.3 樣本表面細(xì)菌微生物檢測(cè)

按照食品安全國(guó)家標(biāo)準(zhǔn)[14]，采用平板計(jì)數(shù)法對(duì)85個(gè)樣本表面細(xì)菌微生物進(jìn)行采集，先將樣本剪碎置于均質(zhì)袋中拍打，加入滅菌生理鹽水，采用均質(zhì)器處理1 min，按1 ∶10比例梯度稀釋?zhuān)x取2個(gè)合適的稀釋度倒平板，每個(gè)稀釋度倒2個(gè)平板作為平行，隨后將其置于36 ℃恒溫，并取對(duì)數(shù)值作為試驗(yàn)參考數(shù)據(jù)。隨機(jī)取訓(xùn)練樣本數(shù)60個(gè)，預(yù)測(cè)樣本數(shù)25個(gè)，接近3 ∶1的比例進(jìn)行建模。

1.4 光譜數(shù)據(jù)預(yù)處理

在采集到的原始光譜數(shù)據(jù)中，由于受外界因素的干擾，使得信息中還包含著大量噪聲信號(hào)，因此需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，提高信噪比，以減小噪聲對(duì)數(shù)據(jù)分析帶來(lái)的影響。試驗(yàn)采用標(biāo)準(zhǔn)正態(tài)變量變換(SNV)融合sym4小波函數(shù)的方法，對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。

1.5 建模方法

極限學(xué)習(xí)機(jī)[15-16](extreme learning machine，ELM)是一種單隱層前饋神經(jīng)(SLFN)網(wǎng)絡(luò)學(xué)習(xí)算法，相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法，其優(yōu)勢(shì)有以下幾點(diǎn)：(1)不會(huì)陷入局部最優(yōu)；(2)無(wú)需迭代，一次求解；(3)無(wú)需設(shè)置復(fù)雜的參數(shù)。對(duì)于1個(gè)訓(xùn)練樣本，(xj,tj),j=1,…,N,xj,tj∈RN，xj是輸入數(shù)據(jù)，tj為目標(biāo)輸出，可知具有L個(gè)隱含層神經(jīng)元的單隱層前饋神經(jīng)網(wǎng)絡(luò)輸出表達(dá)式為：

(2)

公式(2)可簡(jiǎn)化為：Hβ=T，βi表示的是第i個(gè)隱含層輸入神經(jīng)元和輸出神經(jīng)元之間的連接權(quán)值，其表達(dá)式為：

(3)

式中：C是懲罰系數(shù)，T=[t1,…,tN]T為輸入樣本目標(biāo)值向量。根據(jù)Mercer條件，定義一個(gè)滿(mǎn)足該條件的核函數(shù)：

(4)

(5)

通常選擇徑向基函數(shù)(RBF)作為核函數(shù)，其表達(dá)式為：

K(x,x1)=k(‖x-xc‖)=exp{-‖x-xc‖2/(2×σ)2}。

(6)

式中：σ為控制寬度的核參數(shù)。

遺傳算法(genetic algorithm，GA)，又稱(chēng)基因進(jìn)化算法，是由Holland等于1975年提出，它源于達(dá)爾文進(jìn)化論，借鑒生物進(jìn)化過(guò)程而產(chǎn)生的一種尋優(yōu)算法，其原理是通過(guò)復(fù)制、交叉、突變等操作產(chǎn)生下一代的解，并逐步淘汰掉適應(yīng)度函數(shù)值低的解，增加適應(yīng)度函數(shù)值高的解。KLEM模型中的2個(gè)參數(shù)懲罰系數(shù)(C)和核參數(shù)(σ)，C起著調(diào)節(jié)結(jié)構(gòu)風(fēng)險(xiǎn)和經(jīng)驗(yàn)風(fēng)險(xiǎn)之間平衡的作用，而σ控制著函數(shù)的徑向作用范圍，二者是影響KELM性能的2個(gè)主要因素。在參數(shù)設(shè)置過(guò)程中由于人為設(shè)置因素的影響，導(dǎo)致了模型的精度不夠理想。因此，本研究提出遺傳算法優(yōu)化核極限學(xué)習(xí)機(jī)的方法，通過(guò)對(duì)C和σ進(jìn)行尋優(yōu)，而減少因核函數(shù)存在而導(dǎo)致參數(shù)設(shè)置敏感的問(wèn)題。

2 結(jié)果與分析

2.1 光譜數(shù)據(jù)預(yù)處理

本試驗(yàn)采用Matlab 2012a軟件進(jìn)行數(shù)據(jù)分析，繪制原始光譜曲線圖(圖1)。采用sym4小波函數(shù)，分解尺度分別為2、3、4、5情況下的融合方法對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，通過(guò)預(yù)測(cè)模型指標(biāo)反應(yīng)，得出最佳預(yù)處理方法為分解尺度為4的sym4小波函數(shù)融合標(biāo)準(zhǔn)正態(tài)變量變換(SNV)，具體見(jiàn)圖2。

2.2 模型建立及結(jié)果分析

2.2.1 ELM模型 參數(shù)設(shè)置為：隱含層激勵(lì)函數(shù)選擇sigmoid函數(shù)，隱含層節(jié)點(diǎn)數(shù)為10，仿真結(jié)果見(jiàn)圖3。

2.2.2 KELM模型 選擇RBF函數(shù)作為核函數(shù)，參數(shù)范圍設(shè)置為：C∈[0.1，10]，σ∈[1，1 000]，為了觀察到取不同參數(shù)值的不同效果，在參數(shù)設(shè)置中加入隨機(jī)數(shù)，以便觀察到多種結(jié)果，經(jīng)過(guò)多次試驗(yàn)，取C=4.5，σ=990可得到最優(yōu)結(jié)果，仿真結(jié)果見(jiàn)圖4。

2.2.3 GA-KELM模型 參數(shù)設(shè)置為：種群規(guī)模sizepop=80，迭代次數(shù)為maxgen=50，交叉概率為0.5，變異概率為 0.02，可知當(dāng)?shù)螖?shù)接近于15時(shí)，適應(yīng)度曲線趨于穩(wěn)定，預(yù)測(cè)結(jié)果和適應(yīng)度曲線見(jiàn)圖5和圖6。由表1可知3個(gè)模型預(yù)測(cè)結(jié)果的對(duì)比情況。以訓(xùn)練集和預(yù)測(cè)集的相關(guān)系數(shù)(R)和均方根誤差(RMSE)作為評(píng)價(jià)指標(biāo)，并且以預(yù)測(cè)集指標(biāo)為主?？梢钥闯?種建模方法中，采用GA-KELM模型的冷卻羊肉表面細(xì)菌總數(shù)(TVC)預(yù)測(cè)模型效果最好，4個(gè)指標(biāo)值分別為0.930 6、0.001 6、0.983 7、0.001 6；相比之下，ELM模型的預(yù)測(cè)效果較差，各指標(biāo)值分別為0.907 4、0.237 7、0.970 5、0.189 6。其中均方根誤差較大，這是因?yàn)镋LM輸入節(jié)點(diǎn)權(quán)重和隱元偏置是隨機(jī)賦值，導(dǎo)致ELM的輸出不穩(wěn)定，泛化性能差，精度較低。因此，得出冷卻羊肉表面細(xì)菌總數(shù)(TVC)預(yù)測(cè)最佳建模方法是分解尺度為4的sym4小波函數(shù)融合標(biāo)準(zhǔn)正態(tài)變量變換(SNV)的預(yù)處理方法結(jié)合GA-KELM預(yù)測(cè)模型。

3 結(jié)論

表1 3種模型預(yù)測(cè)結(jié)果對(duì)比

對(duì)冷卻羊肉表面細(xì)菌總數(shù)進(jìn)行無(wú)損檢測(cè)，通過(guò)高光譜成像系統(tǒng)提取樣本的高光譜信息，采用分解尺度為4的sym4小波函數(shù)融合標(biāo)準(zhǔn)正態(tài)變量變換(SNV)的預(yù)處理方法，結(jié)合ELM、KELM及優(yōu)化算法GA-KELM分別建立預(yù)測(cè)模型，相比于傳統(tǒng)的檢測(cè)方法，此方法快速有效且通過(guò)優(yōu)化算法進(jìn)一步提高了檢測(cè)的準(zhǔn)確性， 也為下一步開(kāi)發(fā)冷卻肉制品細(xì)菌微生物無(wú)損檢測(cè)平臺(tái)提供了理論基礎(chǔ)。但不足之處是光譜波段范圍較為局限和單一， 僅限于400～1 100 nm，在下一步工作中，考慮在多種高光譜波長(zhǎng)范圍內(nèi)進(jìn)行試驗(yàn)對(duì)比，確定1種最佳建模的波長(zhǎng)范圍。