成甜甜 王克儉 韓憲忠 李 師 王 媛

(1. 河北農(nóng)業(yè)大學(xué)，河北 保定 071000; 2. 國(guó)家羊肉加工技術(shù)研發(fā)專業(yè)中心〔衡水志豪畜牧科技有限公司〕，河北 衡水 053000)

羊肉肉質(zhì)細(xì)膩鮮嫩，蛋白質(zhì)含量高，較其他肉類的脂肪、膽固醇含量低[1]，具有豐富的營(yíng)養(yǎng)價(jià)值，不僅溫脾養(yǎng)胃，還有補(bǔ)肝、益血、明目的功效，但由于羊肉價(jià)格較高，加工企業(yè)多且散亂難以管理，市場(chǎng)上一些不法商販向羊肉摻入其他動(dòng)物肉類以謀求暴利，嚴(yán)重?fù)p害消費(fèi)者的利益甚至健康。傳統(tǒng)用于檢測(cè)摻假的方法大多是基于化學(xué)或物理的方法，例如酶聯(lián)免疫吸附法(Enzyme Linked Immunosorbent Assay，ELISA)、聚合酶鏈反應(yīng)(Polymerase Chain Reaction，PCR)和電子鼻技術(shù)等，但是這些方法操作復(fù)雜、靈敏度不高，甚至?xí)茐臉悠返耐暾訹2]。

光譜儀可以獲取物體的光譜數(shù)據(jù)信息，如光譜吸收、透射率、反射率、顏色等。將光譜數(shù)據(jù)與計(jì)算機(jī)技術(shù)結(jié)合，可以對(duì)肉類進(jìn)行無(wú)損、快速檢測(cè)。王飛翔[3]建立偏最小二乘(PLS)模型，對(duì)調(diào)理肉在熟化過(guò)程中的水分含量進(jìn)行預(yù)測(cè)，開(kāi)發(fā)了基于多光譜成像技術(shù)的調(diào)理肉在線檢測(cè)系統(tǒng)。范卉[4]應(yīng)用多光譜技術(shù)結(jié)合光學(xué)層析分析技術(shù)，對(duì)芝麻油、菜籽油、花生油、調(diào)和油、豬油、餐廚廢棄油和花生煎炸油7類油進(jìn)行甄別，為食用油和地溝油的鑒別提供了可靠方法。郝廣等[5-6]采用主成分分析法(Principal Component Analysis，PCA)、偏最小二乘法、最小二乘支持向量機(jī)(LSSVM)和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)建立定量模型，實(shí)現(xiàn)了多光譜成像技術(shù)在番茄醬中蔗糖摻假的快速檢測(cè)。Ropodi等[7]針對(duì)肉類摻假的問(wèn)題，提出利用多光譜成像技術(shù)對(duì)摻假牛肉進(jìn)行檢測(cè)，并建立了判別模型將所有樣品正確分類。劉友華等[8]針對(duì)羊肉摻假濃度檢測(cè)問(wèn)題，采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法(CARS)法建立特征波長(zhǎng)預(yù)測(cè)模型，模型的預(yù)測(cè)集決定系數(shù)為0.940 0，均方根誤差為0.076 6。白京等[9]采用競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法提取特征波長(zhǎng)并建立偏最小二乘模型，測(cè)定羊肉卷中豬肉摻假比例，其測(cè)試集的決定系數(shù)為0.972 5，均方根誤差為0.057 7，相較于全波長(zhǎng)模型結(jié)果有所提升。此外，還有一些學(xué)者[10-13]對(duì)肉類的含水率和摻假量進(jìn)行了預(yù)測(cè)。

目前中國(guó)利用多光譜成像技術(shù)對(duì)肉類摻假檢測(cè)的研究較少，多數(shù)為對(duì)算法模型的簡(jiǎn)單應(yīng)用，且未對(duì)模型進(jìn)行改進(jìn)以提高其預(yù)測(cè)能力，預(yù)測(cè)結(jié)果的準(zhǔn)確度不高。為提高摻假肉檢測(cè)準(zhǔn)確度，試驗(yàn)擬將羊肉摻入不同比例的豬肉，利用多光譜系統(tǒng)提取樣品表面的反射率，將摻假羊肉的反射率與羊肉摻入豬肉的濃度建立定量預(yù)測(cè)模型，對(duì)羊肉中豬肉的摻假濃度預(yù)測(cè)，并對(duì)模型進(jìn)行優(yōu)化，提升模型預(yù)測(cè)能力。進(jìn)一步提取特征波長(zhǎng)，簡(jiǎn)化模型。為摻假羊肉的快速無(wú)損識(shí)別提供切實(shí)可行的方法。

1 材料與方法

1.1 儀器

試驗(yàn)所用多光譜檢測(cè)系統(tǒng)由電腦、光譜儀、可交換狹縫、WS-1漫反射標(biāo)準(zhǔn)白板、海洋光學(xué)配套軟件Ocean View、光纖和探頭等裝置組成。光譜儀(上海蔚海光學(xué)儀器有限公司)型號(hào)為海洋光學(xué)(Ocean Optics)的USB2000+，波長(zhǎng)范圍在350～1 100 nm，共有2 048個(gè)光譜像素?cái)?shù)。

1.2 樣品制備

于保定市場(chǎng)購(gòu)買的新鮮生肉，選取羊肉里脊和豬肉里脊各1 kg。將羊肉和豬肉中的肥肉去掉，使用榨汁機(jī)將兩種肉分別攪碎1 min，直至羊肉和豬肉呈肉糜狀，再分別按照m羊肉∶m豬肉分別為1∶9，2∶8，3∶7，4∶6，5∶5，6∶4，7∶3，8∶2，9∶1均勻混合并分裝在玻璃培養(yǎng)皿中，另外準(zhǔn)備一份純羊肉和一份純豬肉的樣本，共11份試驗(yàn)樣本，每個(gè)樣本30 g。

1.3 多光譜數(shù)據(jù)采集與異常數(shù)據(jù)剔除

光譜儀的積分時(shí)間設(shè)置為2.85 s，掃描次數(shù)為100次，滑動(dòng)平均寬度設(shè)為3，試驗(yàn)環(huán)境溫度為20 ℃。采集光譜數(shù)據(jù)時(shí)，數(shù)據(jù)結(jié)果容易受到外界光源或環(huán)境的干擾而產(chǎn)生噪聲，令試驗(yàn)結(jié)果產(chǎn)生誤差，使得模型效果變差，因此為系統(tǒng)設(shè)計(jì)了一個(gè)暗箱，保證環(huán)境無(wú)可見(jiàn)光的干擾，并且在采集光譜數(shù)據(jù)前，需要使用海洋光學(xué)光譜設(shè)備配套的WS-1漫反射標(biāo)準(zhǔn)白板進(jìn)行白板校正，以此來(lái)減弱外界環(huán)境對(duì)數(shù)據(jù)的影響。采集光譜數(shù)據(jù)時(shí)，將探頭垂直置于距樣本1 cm的位置，對(duì)樣本進(jìn)行多次掃描。得到波長(zhǎng)范圍350～1 100 nm的反射光譜數(shù)據(jù)。

對(duì)采集到的原始光譜數(shù)據(jù)進(jìn)行篩選和歸一化處理，剔除明顯偏高或偏低的異常樣本，盡量選取反射率無(wú)交叉，有明顯區(qū)分度的區(qū)域作為分析數(shù)據(jù)。選出可用波段后，將試驗(yàn)數(shù)據(jù)分為兩部分，訓(xùn)練集用于建立判別模型，測(cè)試集用于檢驗(yàn)?zāi)Ｐ偷臏?zhǔn)確度。

1.4 基于粒子群優(yōu)化的最小二乘支持向量機(jī)模型(PSO-LSSVM)

最小二乘支持向量機(jī)方法結(jié)合粒子群算法，利用PSO對(duì)LSSVM的兩個(gè)參數(shù)進(jìn)行最優(yōu)搜索，建立了一種用于羊肉摻假定量檢測(cè)的粒子群優(yōu)化最小二乘支持向量機(jī)的模型，并將該優(yōu)化模型的預(yù)測(cè)結(jié)果與現(xiàn)有模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析。

1.4.1 最小二乘支持向量機(jī) 最小二乘支持向量機(jī)將支持向量機(jī)(SVM)優(yōu)化問(wèn)題的不等式約束替換為等式約束，對(duì)于給定的m組樣本(xi,yi)，樣本數(shù)i=1，2，…，m，xi為n維輸入向量，yi為輸出向量。LSSVM在回歸時(shí)用超平面對(duì)m組數(shù)據(jù)進(jìn)行擬合。

(1)

約束條件為：

yi=wTφ(xi)+b+ei，

(2)

式中：

w——超平面權(quán)重向量；

b——超平面偏差向量；

e——訓(xùn)練點(diǎn)的誤差；

γ——懲罰系數(shù)。

式(2)中的γ越高代表對(duì)誤差的容忍度越小，γ越低代表對(duì)誤差的容忍度越大，合理取值可以提高模型的預(yù)測(cè)能力。

構(gòu)造拉格朗日(Lagrange)函數(shù)求解：

(3)

式中：

ai——xi對(duì)應(yīng)的拉格朗日乘子。

求解過(guò)程中引入高斯核函數(shù)K(x,xi)：

(4)

高斯核函數(shù)中σ決定數(shù)據(jù)映射到新的特征空間后的分布，σ越大支持向量越少，σ越小支持向量越多。支持向量的個(gè)數(shù)與預(yù)測(cè)的速度有關(guān)。

推導(dǎo)最終得到LSSVM回歸函數(shù)：

(5)

1.4.2 粒子群優(yōu)化算法 粒子群算法是通過(guò)模擬鳥(niǎo)類飛行覓食而設(shè)計(jì)出的一種群體智能優(yōu)化算法。已知在一個(gè)區(qū)域內(nèi)有一塊食物，鳥(niǎo)群知道當(dāng)前位置離食物還有多遠(yuǎn)，找到食物最簡(jiǎn)單有效的方法就是搜索離食物最近的鳥(niǎo)的周圍區(qū)域。采用粒子群算法優(yōu)化最小二乘支持向量機(jī)的兩個(gè)參數(shù)γ和σ，在問(wèn)題中，每一個(gè)解都是空間中的一只鳥(niǎo)，稱為粒子，代表兩個(gè)參數(shù)的不同組合，食物代表最優(yōu)的參數(shù)組合，粒子通過(guò)迭代搜索調(diào)整自己的位置和速度尋找到最優(yōu)解。

(1) 對(duì)粒子群中粒子i的位置zi=(γi,σi)和速度vi隨機(jī)初始化，生成大小為n的粒子種群。

(2) 將每個(gè)粒子代入LSSVM模型對(duì)訓(xùn)練集數(shù)據(jù)擬合，得到模型的預(yù)測(cè)值f(xi)與期望輸出yi，訓(xùn)練結(jié)果的均方根誤差決定每個(gè)粒子的適應(yīng)度值(fitness)。

(6)

(3) 每個(gè)微粒根據(jù)適應(yīng)度值更新自己的個(gè)體最優(yōu)值(pbesti)和群體最優(yōu)值(gbesti)。

pbesti=(pbesti1,pbesti2,…,pbestin)，

(7)

gbesti=(gbesti1,gbesti2,…,gbestin)。

(8)

(4) 根據(jù)適應(yīng)度值對(duì)粒子的速度和位置進(jìn)行更新。

vi=vi+c1×rand()×(gbesti-zi)+c2×rand()×(gbesti-zi)，

(9)

zi=zi+vi，

(10)

式中：

c1、c2——學(xué)習(xí)因子。

在粒子群算法中，學(xué)習(xí)因子的取值一般為2，rand()為0和1之間的隨機(jī)數(shù)。

(5) 通過(guò)終止條件判斷是否結(jié)束迭代，得到粒子的最優(yōu)位置。

1.5 特征波長(zhǎng)提取

提取特征波長(zhǎng)不僅可以簡(jiǎn)化模型，還能剔除無(wú)關(guān)變量，提升模型性能和預(yù)測(cè)能力，增強(qiáng)穩(wěn)定性。試驗(yàn)分別采用隨機(jī)青蛙算(RF)[14]、無(wú)信息變量消除法(UVE)[15-16]、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法[17]提取特征波長(zhǎng)，以提取出的波長(zhǎng)作為輸入變量建立偏最小二乘特征波長(zhǎng)模型，對(duì)比預(yù)測(cè)結(jié)果，得到最優(yōu)的特征提取算法。

2 結(jié)果與討論

2.1 原始光譜

利用多光譜檢測(cè)系統(tǒng)對(duì)樣本提取反射率，圖1為樣本在350～1 100 nm波段下的反射率。由圖1可知，相同波段下不同摻假比例的樣本反射率走勢(shì)相同，在某些波段下有明顯區(qū)分。樣本中有一條數(shù)據(jù)反射率明顯偏低，考慮是由于試驗(yàn)誤操作引起，可以剔除。數(shù)據(jù)兩側(cè)的噪聲較多不平滑，走勢(shì)密集不易區(qū)分，不宜選用，故選取波段中間500～650 nm下427個(gè)波長(zhǎng)點(diǎn)的反射率作為可用數(shù)據(jù)。由于數(shù)據(jù)的量綱不同，并且數(shù)據(jù)尺度不統(tǒng)一時(shí)對(duì)預(yù)測(cè)模型的結(jié)果影響很大，故需要對(duì)光譜數(shù)據(jù)作歸一化處理，將數(shù)據(jù)映射在-1和1之間，結(jié)果如圖2所示。

2.2 全波長(zhǎng)模型

選取了可用波段的數(shù)據(jù)后，將32組數(shù)據(jù)按照2∶1分為訓(xùn)練集和測(cè)試集，有21組訓(xùn)練集數(shù)據(jù)(xi，yi)(i=1，2，…，21)，xi為427維輸入向量，代表427個(gè)波點(diǎn)數(shù)，yi為羊肉摻入豬肉的濃度。

利用粒子群優(yōu)化算法，對(duì)最小二乘支持向量機(jī)的兩個(gè)參數(shù)γ和σ進(jìn)行尋優(yōu)，初始化粒子群的種群大小、學(xué)習(xí)因子、位置、速度、搜索范圍和迭代次數(shù)。將粒子i的位置zi=(γi,σi)代入LSSVM模型對(duì)訓(xùn)練集數(shù)據(jù)進(jìn)行擬合，模型預(yù)測(cè)結(jié)果的均方根誤差作為粒子群算法的適應(yīng)度值，每個(gè)粒子根據(jù)自身適應(yīng)度值，得到pbest和gbest，計(jì)算更新粒子的速度vi和zi，直到迭代結(jié)束得到全局最優(yōu)的位置，即為粒子群算法優(yōu)化所得兩參數(shù)γ和σ。

圖1 原始光譜圖像

圖2 歸一化后的光譜圖像

2.3 特征波長(zhǎng)提取和特征波長(zhǎng)模型

2.3.1 隨機(jī)青蛙 采用隨機(jī)青蛙算法在對(duì)500～650 nm波段下的32組數(shù)據(jù)提取特征波長(zhǎng)，為減少算法中隨機(jī)因素的影響，將算法運(yùn)行1 000次并以選擇概率平均值作為波長(zhǎng)選擇的依據(jù)，結(jié)果如圖4。選擇概率越大說(shuō)明該變量對(duì)模型越重要，由圖4可知，只有小部分的波長(zhǎng)選擇概率較大，最終選出前10個(gè)概率最大的波長(zhǎng)作為特征波長(zhǎng)，分別為588.944，560.757，618.225，639.282，512.897，620.650，524.040，536.212，500.265，621.689 nm。

2.3.2 無(wú)信息變量消除法 UVE將變量回歸系數(shù)和標(biāo)準(zhǔn)偏差的比作為評(píng)判變量穩(wěn)定性的值，穩(wěn)定性絕對(duì)值越大，證明該變量的可靠性越高。對(duì)所有波長(zhǎng)點(diǎn)計(jì)算穩(wěn)定性后結(jié)果見(jiàn)圖5。選擇穩(wěn)定性大于4的17條波長(zhǎng)：504.963，536.927，578.408，579.815，582.979，583.330，584.032，584.383，584.735，611.630，612.325，612.673，613.020，513.367，615.450，615.797，633.087 nm。

圖3 模型預(yù)測(cè)輸出

表1 不同模型的預(yù)測(cè)效果

圖4 隨機(jī)青蛙平均概率

2.3.3 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法 通過(guò)自適應(yīng)重加權(quán)采樣法去掉PLS模型中回歸系數(shù)絕對(duì)值權(quán)重較小的波長(zhǎng)點(diǎn)，得到的結(jié)果見(jiàn)圖6，從427個(gè)波長(zhǎng)點(diǎn)中提取出了20個(gè)波長(zhǎng)點(diǎn)，分別為500.265，513.977，523.681，557.213，560.757，568.184，584.383，588.944，596.644，606.064，610.935，614.409，618.225，619.957，621.342，635.153，637.563，639.282，641.687，649.574 nm。

圖5 UVE對(duì)樣品穩(wěn)定性值的計(jì)算結(jié)果

圖6 CARS特征波長(zhǎng)分布

表2 不同特征波長(zhǎng)提取方法下的模型預(yù)測(cè)效果

3 結(jié)論

應(yīng)用多光譜圖像技術(shù)獲取羊肉和摻假羊肉在350～1 100 nm 波段下的反射率，建立偏最小二乘、BP神經(jīng)網(wǎng)絡(luò)、最小二乘支持向量機(jī)3種定量判別模型，并通過(guò)粒子群算法算法對(duì)最小二乘支持向量機(jī)的兩個(gè)參數(shù)進(jìn)行優(yōu)化后建立模型，通過(guò)比較預(yù)測(cè)結(jié)果可知，最小二乘支持向量機(jī)在3種常用模型中的預(yù)測(cè)結(jié)果最優(yōu)，使用粒子群算法優(yōu)化最小二乘支持向量機(jī)后，模型預(yù)測(cè)效果顯著提升。采用隨機(jī)青蛙、無(wú)信息變量消除法、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)法對(duì)500～650 nm波段下的數(shù)據(jù)提取特征波長(zhǎng)后建立偏最小二乘模型，結(jié)果顯示模型預(yù)測(cè)效果整體提升，其中基于無(wú)信息變量消除法提取特征波長(zhǎng)建立的模型預(yù)測(cè)結(jié)果最好。

試驗(yàn)還需進(jìn)一步完善，擴(kuò)充樣本數(shù)量，對(duì)羊肉不同部位的肉作進(jìn)一步研究和區(qū)分，增加不同種類動(dòng)物的肉與羊肉摻雜，擴(kuò)大模型的應(yīng)用范圍。