戴松松DAI Song-song 殷 勇

(河南科技大學(xué)食品與生物工程學(xué)院，河南 洛陽 471023)

玉米極易被霉菌感染，發(fā)生霉變，人畜食用發(fā)霉的玉米，毒素會在體內(nèi)蓄積，產(chǎn)生嚴(yán)重危害。目前，檢測霉變玉米的方法主要有感官評定[1]、高效液相色譜法(HPLC)[2]、聚合酶鏈?zhǔn)椒磻?yīng)(PCR)[3]、氣質(zhì)聯(lián)用法(GC-MS)[4]及DNA探針法[5]、酶聯(lián)免疫(ELISA)法[6-7]等，這些方法雖然比較準(zhǔn)確，但缺點(diǎn)是存在主觀性強(qiáng)、結(jié)果可靠性差，而且破壞物料、操作復(fù)雜、成本高等，不能滿足玉米貯藏和運(yùn)輸過程中快速檢測霉變的需要。相比之下，高光譜技術(shù)具有高效、無損、低成本和可重復(fù)等優(yōu)勢[8]，已廣泛應(yīng)用于煙葉[9]、干果[10-11]、水果[12-13]、油[14]、肉[15-16]等農(nóng)副產(chǎn)品檢測中，并且取得了較好的分析結(jié)果。近年來，高光譜技術(shù)在玉米霉變檢測中也有報(bào)道。袁瑩等[17]利用傅里葉變換近紅外光譜對不同霉變程度的玉米顆粒進(jìn)行檢測區(qū)分，以支持向量機(jī)作為判別模型，其分類模型得出的訓(xùn)練集和預(yù)測集的預(yù)測準(zhǔn)確率分別為93.3%，91.7%。張楠楠等[18]利用高光譜圖像技術(shù)對霉變玉米進(jìn)行檢測，其正確檢出率為93.75%。

已有的研究成果表明，高光譜技術(shù)有能力對霉變玉米進(jìn)行鑒別，但正確率不高，而且檢測時均需往新鮮玉米中注射不等量的真菌毒素，來培育不同等級的霉變玉米，不具有隨機(jī)性。本研究以5種發(fā)霉程度不同的玉米(霉變玉米是實(shí)驗(yàn)室模擬毒素最適宜生長時的溫度和濕度來培育的霉變玉米，并由商丘市質(zhì)量技術(shù)監(jiān)督檢驗(yàn)測試中心測出毒素值)為研究對象，利用高光譜圖像采集系統(tǒng)采集這些霉變玉米的高光譜圖像，提取各個樣本的平均光譜反射值，用標(biāo)準(zhǔn)正態(tài)變量變換和多元散射校正2種預(yù)處理方法對原始平均光譜進(jìn)行預(yù)處理，再對預(yù)處理后的數(shù)據(jù)和未預(yù)處理的原始數(shù)據(jù)進(jìn)行FDA判別，并比較三者的FDA結(jié)果；為了降低光譜維度，采用偏最小二乘回歸系數(shù)法選取特征波長，建立特征波長下的Fisher判別模型，并考察全波長與特征波長的判別效果，以期為高光譜成像技術(shù)應(yīng)用于玉米霉變的在線分級提供參考。

1 材料與方法

1.1 試驗(yàn)材料

玉米樣品：中單909，形狀和大小基本一致，購于洛陽市中原農(nóng)貿(mào)城。由于玉米本身自帶芽孢和孢子，芽孢是細(xì)菌的休眠體，孢子由霉菌產(chǎn)生，它們在適宜的生長環(huán)境下可使玉米產(chǎn)生霉變[1]，在實(shí)際試驗(yàn)中，發(fā)現(xiàn)玉米樣品的發(fā)霉程度隨著培養(yǎng)時間的延長而相應(yīng)發(fā)生變化(表1)，因此采用不同的培養(yǎng)時間來表征玉米樣品的不同發(fā)霉等級。方法為：將新鮮玉米放入相對濕度為 90%，溫度為30 ℃的恒溫恒濕培養(yǎng)箱(LHS-HC-100型，上海資一儀器設(shè)備有限公司)中培育。采用不同培育天數(shù)的玉米來表征不同的霉變程度。試驗(yàn)選用培育0，2，4，6，8 d的霉變玉米，每個等級的樣品各取50個樣本(35個訓(xùn)練集，15個測試集)，每個樣本量為(60.0±0.5) g。這些霉變等級樣本委托商丘市質(zhì)量技術(shù)監(jiān)督檢驗(yàn)測試中心測定(每個霉變等級測試5個平行樣本)，結(jié)果見表1。

表1 發(fā)霉玉米中3種霉菌測量結(jié)果Table 1 Moldy maize three kinds of mold measurement results

1.2 高光譜采集系統(tǒng)

高光譜圖像采集系統(tǒng)，是由成像光譜儀(IST 50-3810型，德國Inno-spec公司)、計(jì)算機(jī)、4個500 W的光纖鹵素?zé)?RK90000420108型，德國ESYLUX公司)和傳送裝置等組成?？刹杉降姆瓷涔庾V范圍為371.05～1 023.82 nm，光譜分辨率2.8 nm，共得到1 288個不同的波段。高光譜掃描設(shè)定范圍為Width760、Heigh550。得到的高光譜圖像分辨率為760×550。因此，最終得到的每個樣本大小為760×550×1 288的高光譜圖像。

1.3 高光譜數(shù)據(jù)采集與校正

采集樣本高光譜數(shù)據(jù)時，將樣本均勻地平鋪在規(guī)格為8 cm×8 cm的培養(yǎng)皿中，然后將盛有樣品的培養(yǎng)皿放在搭建的傳送帶上，由SICap-STVR V1.0.x軟件平臺驅(qū)動控制成像儀，采集樣本光譜大小在371.05～1 023.82 nm的反射光譜。然后對采集的高光譜圖像信息進(jìn)行黑白校正，校正方法詳見文獻(xiàn)[19]。

針對所采集的高光譜圖像，用ENVI 4.8提取每個樣本的所有像素點(diǎn)在各波長下的平均反射值，以此得到250個樣本的平均反射光譜數(shù)據(jù)，然后通過MATLAB R2014a軟件對光譜數(shù)據(jù)進(jìn)行處理。

1.4 光譜預(yù)處理

高光譜圖像采集時，受到電路噪聲以及隨機(jī)誤差等因素的影響，噪音是光譜信號探測時無法避免的現(xiàn)象[20]。因此，需對高光譜數(shù)據(jù)進(jìn)行預(yù)處理；采用標(biāo)準(zhǔn)正態(tài)變量變換和多元散射校正2種預(yù)處理方法對原始光譜進(jìn)行預(yù)處理，并將不預(yù)處理的原始數(shù)據(jù)與2種預(yù)處理后的數(shù)據(jù)作為Fisher判別模型的輸入，進(jìn)行初步的判別。

1.4.1 標(biāo)準(zhǔn)正態(tài)變量變換處理 高光譜在采集圖像過程中，由于霉變玉米的顆粒度、表面散射等原因，會在采集過程中產(chǎn)生噪聲，因此，選用標(biāo)準(zhǔn)正態(tài)變量變換預(yù)處理方法來減弱這種噪聲。SNV的方程式為：

(1)

式中：

Xa——第a個樣本的光譜向量；

p——波長變量數(shù)。

1.4.2 多元散射校正處理 多元散射校正法可以增強(qiáng)與成分含量相關(guān)的光譜吸收信息，消除了光譜數(shù)據(jù)中散射帶來的影響。使用這種方法的前提是要先建立一個樣品的“理想光譜”，即樣品中待測成分的含量與光譜變化滿足直接線性關(guān)系，以該光譜為標(biāo)準(zhǔn)對其他樣品光譜通過基線平移和偏移校正進(jìn)行修正，首先計(jì)算樣品高光譜的平均值，然后以平均值作為標(biāo)準(zhǔn)光譜，將樣品光譜與標(biāo)準(zhǔn)光譜進(jìn)行一元線性回歸運(yùn)算，最后進(jìn)行多元散射校正[21]，公式如下：

(2)

(3)

(4)

式中：

A——n×p維光譜數(shù)據(jù)矩陣；

n——樣品數(shù)；

p——光譜采集所用的波長點(diǎn)數(shù)；

Ai——1×p維矩陣；

1.5 光譜特征波長提取

由于采集到的高光譜信息是高達(dá)1 288個波段的數(shù)據(jù)，再加上光譜數(shù)據(jù)中相鄰光譜值存在極高的相關(guān)性，含有大量的冗余信息，使得特征吸收峰不明顯。所以特征波長的提取對減少計(jì)算量、提高檢測精度至關(guān)重要。因此，通過偏最小二乘回歸系數(shù)法對1 288個波段上樣本的平均光譜反射值進(jìn)行分析，借助于回歸系數(shù)的大小來提取特征波長。

由于表達(dá)式中每個波段的回歸系數(shù)表征了各波段的貢獻(xiàn)比重，系數(shù)絕對值越大對回歸模型的影響越大。因此，通過比較回歸系數(shù)絕對值的大小可以選取出光譜的特征波長。

1.6 Fisher判別分析

為了有效地鑒別發(fā)霉玉米的霉變程度，選用Fisher判別分析作為模式識別的工具，其基本的思想是投影，即將k組m元數(shù)據(jù)投影到某一方向，投影后組和組之間盡可能地區(qū)分開，借助方差分析思想來導(dǎo)出判別函數(shù)，這個判別函數(shù)可以是線性的，也可以是比較一般的函數(shù)。在實(shí)際應(yīng)用中，因?yàn)榫€性判別函數(shù)是最為方便的，所以選用線性判別函數(shù)。為探究采用FDA分析全波長和特征波長下不同等級霉變玉米的有效性，采用本實(shí)驗(yàn)室在MATLAB R2014a平臺上自行研制的FDA分析程序，分別對全波長和特征波長下的5種玉米訓(xùn)練集及其對應(yīng)的測試集進(jìn)行分析。其FDA的相關(guān)應(yīng)用參見文獻(xiàn)[1]。

2 結(jié)果與分析

2.1 霉變玉米的光譜特征

由圖1可知，培育0，2，4 d的發(fā)霉玉米，隨著培育時間的延長，平均光譜反射值逐漸降低；培育6，8 d時，平均光譜反射值沒有降低反而變的更高了，可能是與霉變玉米中的某些霉變產(chǎn)物有關(guān)?？傮w來看，不同等級霉變玉米的平均光譜曲線總體變化規(guī)律具有相似性和可分性，這為建立Fisher判別模型提供了一定的基礎(chǔ)。

2.2 原始光譜預(yù)處理

隨機(jī)選取175個玉米樣本為訓(xùn)練集，75個樣本為測試集，把原始光譜數(shù)據(jù)和不同預(yù)處理后的光譜數(shù)據(jù)，分別作為建立Fisher判別模型的輸入，結(jié)果見表2。由表2可知，經(jīng)過MSC預(yù)處理的光譜FDA判別模型的正確識別率最高，其訓(xùn)練集和測試集的識別率分別為0.977 1，0.973 3；經(jīng)MSC、SNV預(yù)處理后的訓(xùn)練集和測試集識別率均高于原始光譜，因此，選用MSC為原始光譜預(yù)處理方法。

2.3 特征波長的選取

由圖2可知，可選出9個特征波長(538.5，583，624.5，649.6，699.1，767.3，759.2，842.7，932.6 nm)，這些特征波長能較好地體現(xiàn)出大部分原光譜信息。因此，在建立特征波長下的Fisher判別模型時，選擇這9個波長作為模型的輸入。

圖1 5種玉米樣本平均光譜反射值曲線Figure 1 The average spectral reflectance curve of five kinds of maize samples

表2 原始光譜與預(yù)處理光譜的FDA模型比較Table 2 Comparison of FDA model between raw and pretreated spectra

圖2 偏最小二乘回歸系數(shù)圖Figure 2 Coefficient map of partial least squares regression

2.4 玉米霉變等級FDA鑒別分析

2.4.1 全波長下的FDA分析 隨機(jī)選取175個玉米樣本為訓(xùn)練集，75個樣本為測試集，以MSC預(yù)處理后的全波長光譜信息作為Fisher判別模型的輸入，其FDA鑒別結(jié)果見圖3，F(xiàn)DA的鑒別正確率見表3。由圖3(a)可知，全波長下的不同程度霉變玉米大部分能夠區(qū)分開來，但培育2，4 d與培育6，8 d的仍有小部分重疊，F(xiàn)DA測試結(jié)果比較分散。由表3可知，培育2 d的35個玉米樣本，有1個樣本錯分為培育4 d，判別準(zhǔn)確率為97.14%；培育6 d的35個玉米樣本，有1個樣本錯分為培育8 d，判別準(zhǔn)確率為97.14%；而培育8 d有2個樣本錯分為培育6 d，判別準(zhǔn)確率為94.29%。由圖3(b)可知，不同程度霉變玉米大部分也能夠區(qū)分開來，培育2，4 d與培育6，8 d的也有小部分重疊。由表3可知，培育2 d的15個玉米樣本，有1個樣本錯分為培育4 d，判別準(zhǔn)確率為93.33%，培育6 d的15個玉米樣本有1個樣本錯分為培育8 d，判別準(zhǔn)確率為93.33%。全波長下的FDA判別模型訓(xùn)練集和測試集的整體判別準(zhǔn)確率分別為97.71%，97.33%，因此，在鑒別分析中運(yùn)用全波長能較好地鑒別不同等級的霉變玉米。

2.4.2 特征波長下的FDA分析 為了減少計(jì)算量、提高檢測精度，從1 288個全波長中提取了9個特征波長(538.5，583，624.5，649.6，699.1，767.3，759.2，842.7，932.6 nm)作為Fisher判別模型的輸入，其FDA鑒別結(jié)果見圖4，F(xiàn)DA的鑒別正確率見表4。由圖4可知，特征波長下的不同程度霉變玉米都能夠區(qū)分開來，F(xiàn)DA測試結(jié)果中每個等級也比較聚集。從表4中的訓(xùn)練集和測試集的總體判別結(jié)果分別為100.00%，98.67%?？梢缘贸?，建立的特征波長下的判別模型能夠有效地鑒別玉米的霉變程度，與全波長下的FDA鑒別結(jié)果相比，特征波長下的鑒別能力明顯提高，而且特征波長判別模型的變量降到9個，遠(yuǎn)低于全波長下的1 288 個變量，提高了計(jì)算速度。

3 結(jié)論

為了提高高光譜鑒別玉米霉變程度的正確率，在提取特征波長的基礎(chǔ)上，分別研究了全波長和特征波長下的Fisher判別模型的判別效果。結(jié)果顯示，在全波長和特征波長下均能有效地鑒別玉米霉變程度，而特征波長的鑒別效果優(yōu)于全波長的，鑒別正確率可以達(dá)到98.67%。表明基于特征選擇及Fisher判別的高光譜鑒別玉米霉變程度是可行、有效的；而且進(jìn)行特征波長的提取也是必要的，可減少計(jì)算量、提高檢測精度及減少信息的冗余現(xiàn)象。該研究也為高光譜鑒別其他物品提供重要的理論依據(jù)。

圖3 基于全波長下的FDA結(jié)果Figure 3 FDA results based on the full wavelengths

表3 全波長下的Fisher判別模型判別準(zhǔn)確率Table 3 accuracy of Fisher discriminant model under full wavelength

圖4 基于特征波長下的FDA結(jié)果Figure 4 FDA results based on the characteristic wavelengths

表4 特征波長下的Fisher判別模型判別準(zhǔn)確率Table 4 The accuracy of Fisher discriminant model under characteristic wavelength

[1] 殷勇, 郝銀鳳, 于慧春. 基于多特征融合的電子鼻鑒別玉米霉變程度[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2016, 32(12): 254-260.

[2] 高秀芬, 計(jì)融, 李燕俊, 等. 高效液相色譜法測定玉米中的黃曲霉毒素[J]. 中國食品衛(wèi)生雜志, 2007, 19(2): 105-108.

[3] 黃海泉. 實(shí)時熒光定量PCR技術(shù)在植物檢疫中應(yīng)用的研究進(jìn)展[J]. 湖北農(nóng)業(yè)學(xué), 2012, 51(1): 5-8.

[4] 梁穎, 張春暉, 劉鄰渭. 液相色譜—質(zhì)譜測定小麥中B類單端孢霉烯族毒素[J]. 中華預(yù)防醫(yī)學(xué)雜志, 2006, 40(4): 293-295.

[5] JONES J L. Application of DNA probes in the food industry[J]. Trends Food Science Technology, 1991, 2(6): 28-32.

[6] 王俊雙, 許定花, 孫秀蘭. 食品中脫氧雪腐鐮刀菌烯醇三種檢測方法的比較研究[J]. 食品工業(yè)科技, 2008(2): 287-290.

[7] 鄧舜洲, 何慶華, 章英, 等. 競爭間接ELISA檢測飼料中脫氧雪腐鐮刀菌烯醇和玉米赤霉烯酮[J]. 江西農(nóng)業(yè)大學(xué)學(xué)報(bào), 2006, 28(2): 289-292.

[8] 姜慶虎, 童芳, 余明珠, 等. 高光譜技術(shù)—生態(tài)學(xué)領(lǐng)域研究的新方法[J]. 植物科學(xué)學(xué)報(bào), 2015, 33(5): 633-640.

[9] YIN Yong, XIAO Yu-juan, YU Hui-Chun. An image selection method for tobacco leave grading based on image information[J]. Engineering in Agriculture, Environment and Food, 2015, 8: 148-154.

[10] 于慧春, 王潤博, 殷勇, 等. 基于不同波段的枸杞多糖及總糖高光譜成像檢測[J]. 食品科學(xué), 2017, 38(8): 191-197.

[11] 馬菁, 張學(xué)儉. 枸杞4大病蟲害的遙感近地高光譜特征[J]. 貴州農(nóng)業(yè)科學(xué), 2016, 44(3): 65-68.

[12] NAKARIYAKUL S, CASASENT D P. Classification of internally damaged almond nuts using hyperspectral imagery[J]. Journal of Food Engineering, 2011, 103(1): 62-67.

[13] LORENTE D, ALEIXOS N, GOMEZ-SANCHIS J, et al. Selection of optimal wavelength features for decay detection in citrus fruit using the ROC curve and neural networks[J]. Food Bioprocess Technol, 2013, 6(2): 530-541.

[14] 褚璇, 王偉, 趙昕, 等. 近紅外光譜和特征光譜的山茶油摻假鑒別方法研究[J]. 光譜學(xué)與光譜分析, 2017, 37(1): 75-79.

[15] KAMRUZZAMAN M, MAKINO Y, OSHITA S. Parsimoni-ous model development for real-time monitoring of moisture in red meat using hyperspectral imaging[J]. Food Chemistry, 2016, 196: 1 084-1 091.

[16] 田衛(wèi)新, 何丹丹, 楊東, 等. 一種基于高光譜圖像的熟牛肉TVB-N含量預(yù)測方法[J]. 食品與機(jī)械, 2016, 32(12): 70-74.

[17] 袁瑩, 王偉, 褚璇, 等. 光譜特征波長的SPA選取和基于SVM的玉米顆粒霉變程度定性判別[J]. 光譜學(xué)與光譜分析, 2016, 36(1): 226-230.

[18] 張楠楠, 劉偉, 王偉, 等. 玉米霉變及黃曲霉毒素的圖像處理檢測方法[J]. 中國糧油學(xué)報(bào), 2014, 29(2): 82-88.

[19] 張若宇. 番茄可溶性固形物和硬度的高光譜成像檢測[D]. 杭州: 浙江大學(xué), 2014: 51-52.

[20] 季江, 高鵬飛, 賈南南, 等. 自適應(yīng)多尺度窗口平均光譜平滑[J]. 光譜學(xué)與光譜分析, 2015, 35(5): 1 445-1 449.

[21] 謝安國. 冷凍冷藏過程中豬肉的光譜特性研究及其品質(zhì)的快速檢測[D]. 廣州: 華南理工大學(xué), 2016: 77-78.