王博，楊洪遙，陸逢貴，陳子?xùn)|，曹振霞，劉登勇,3*

1(渤海大學(xué) 食品科學(xué)與工程學(xué)院，生鮮農(nóng)產(chǎn)品貯藏加工及安全控制技術(shù)國家地方聯(lián)合工程研究中心，遼寧 錦州，121013) 2(哈爾濱商業(yè)大學(xué) 職業(yè)技術(shù)教育學(xué)院，黑龍江 哈爾濱，150028) 3(江蘇省肉類生產(chǎn)與加工質(zhì)量安全控制協(xié)同創(chuàng)新中心，江蘇 南京，210095)

熏雞作為一種典型的傳統(tǒng)特色煙熏肉制品，具有色澤誘人、熏香濃郁、美味適口等特點，深受消費者喜愛[1-2]。顏色、風味等是評價煙熏肉制品的重要指標，其中顏色是影響消費者購買的最重要因素，對于消費者而言，購買時，顏色更為直觀，并且在非接觸狀態(tài)下，顏色是消費者評判產(chǎn)品質(zhì)量的重要依據(jù)，同時也是色、香、味、形中最先導(dǎo)的感官要素[3-5]。目前國內(nèi)關(guān)于煙熏肉制品的研究主要集中在風味物質(zhì)[6-7]和安全性評價等方面[2]，對其顏色的識別研究鮮少涉及。煙熏肉制品一般使用果木作為熏材，與此相比，糖熏作為中國北方一種常用的煙熏方式，在肉制品中已有相關(guān)應(yīng)用，如溝幫子熏雞[7]。糖熏能賦予產(chǎn)品與木熏相似的煙熏色澤和氣味，更為重要的是糖熏產(chǎn)品苯并芘含量更低、上色所需時間更短[8]，但也因此導(dǎo)致了糖熏的顏色控制較為困難，不利于產(chǎn)品顏色的標準化控制，而對于糖熏顏色識別的研究幾乎未見報道。因此，研究糖熏肉制品的顏色識別方法對于精準控制其顏色，實現(xiàn)標準化生產(chǎn)具有現(xiàn)實意義。

目前關(guān)于煙熏肉制品顏色的識別方法大致可以分為兩類：常見的感官評價法在一定程度上可以有效識別樣品的色差，但會受到樣品相似度及評價員狀態(tài)等因素的影響，存在主觀性較強、重復(fù)性不高等問題，從而影響實驗結(jié)果的準確性[3]；借助精密儀器進行測定不具備成本效益，且可能存在效率不高或者污染樣品等問題。而機器視覺技術(shù)，只需利用圖像傳感器獲取樣本的圖像，再將圖像轉(zhuǎn)換成數(shù)字信息，并利用計算機模擬人的判別準則去識別圖像，從而做出優(yōu)于人眼的客觀評定[9-11]。隨著機器視覺技術(shù)的不斷發(fā)展，其圖像分析能力和識別技術(shù)被越來越多地應(yīng)用于食品領(lǐng)域的科學(xué)研究[12]，其中支持向量機(support vector machine,SVM)模型[13-15]和多層卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)模型[16-18]的應(yīng)用較為廣泛，且有效地解決了食品圖像微觀差異的識別問題。近年來，隨著算法進一步的提升和模型的優(yōu)化，采用精簡CNN網(wǎng)絡(luò)結(jié)構(gòu)的范式(Inception[19]、ResNet[20]和Xception[21-22])來提高機器視覺模型運行效率的方法成為主流趨勢，其中Google在2017年提出的Xception-CNN[23]模型，相對于Inception、ResNet等方法來說在體積大小和計算效率等方面有著較大幅度的優(yōu)化。

本研究以糖熏技術(shù)獲取的熏雞腿為實驗樣本，基于機器視覺技術(shù)構(gòu)建Xception-CNN模型，同時應(yīng)用ResNet-50、Inception和傳統(tǒng)CNN 3種網(wǎng)絡(luò)模型識別熏雞腿顏色，對熏雞腿的顏色進行客觀、準確、快速的識別，并以準確率為主，輔以測試時間對比分析4種模型的識別效果，驗證基于機器視覺技術(shù)識別熏雞腿顏色的可行性，為精確指導(dǎo)工藝參數(shù)優(yōu)化，標準化生產(chǎn)及開發(fā)顏色快速識別技術(shù)提供指導(dǎo)依據(jù)。

1 材料與方法

1.1 材料與儀器

原料：雞腿原料，遼寧溝幫子熏雞集團，雞品種為海蘭褐蛋雞，日齡為(450±50) d，屠宰前12 h禁食供水，雞腿質(zhì)量為(160±10) g，屠宰后冷卻30 min排酸，冷凍貯藏；白砂糖，南京甘汁園糖業(yè)有限公司。

儀器：YXDT1/1型糖熏爐，河北曉進機械制造股份有限公司與渤海大學(xué)聯(lián)合研制；CR-400型色彩色差計，日本Konica Minolta公司；EOS-M5型照相機，日本佳能公司；Y7000P-拯救者筆記本電腦，中國聯(lián)想公司；VGA2USB型圖像采集卡，加拿大艾普飛公司；LED迷你小型攝影棚，深圳市胖牛科技有限公司。

1.2 試驗方法

1.2.1 熏雞腿制備及圖像采集

以溝幫子經(jīng)典糖熏工藝得到不同顏色的熏雞腿樣品，通過控制熏制時間獲取熏雞腿在糖熏過程中可能出現(xiàn)的所有顏色，并使其分布均勻(根據(jù)預(yù)實驗得出，本文糖熏工藝下熏制16 min，熏雞腿已是不能接受的焦黑色，為此熏制時間控制為0～16 min)。

工藝流程：凍雞腿→解凍→焯水→鹵煮→燜制→煙熏→冷卻→采集圖像。

具體流程：凍雞腿272個，室溫下流水解凍后焯水去除泡沫；設(shè)置煮鍋加熱最終溫度為97 ℃，加熱沸騰后加入料包煮制形成鹵湯；將焯水后的雞腿放入鹵湯中煮制2 h；關(guān)閉煮鍋電源繼續(xù)燜制2 h；設(shè)置糖盤溫度為330 ℃和熏箱溫度100 ℃，待實際溫度達到設(shè)定值并穩(wěn)定后，在272個雞腿中隨機選取16個雞腿，設(shè)定煙熏時間為16 min，添加白砂糖開始熏制，得到熏制16 min的熏雞腿樣品；室溫下冷卻后去除表面的水漬和油漬，采集整雞腿圖像(每只雞腿采集4張圖像，每水平翻轉(zhuǎn)90°采集一張圖像),測定L*a*b*值以驗證本文所用的糖熏工藝是否具有良好的穩(wěn)定性。相同熏制條件下的熏雞腿樣本的色差值差異性越小，工藝越穩(wěn)定；0～16 min熏制時間下的熏雞腿樣本間的顏色梯度越明顯，工藝越穩(wěn)定。每只雞腿測定3組，水平放置雞腿的前部、中部及后部3個位置，測其L*a*b*值，測定前以標注白板校正，最終結(jié)果取平均值[24]，得到熏制16 min的熏雞腿圖像和L*a*b*值。按上述方法，改變熏制時間，分別得到煙熏0、1、2、3…16 min的熏雞腿圖像和L*a*b*值。

1.2.2 圖像采集裝置設(shè)計

為避免外界條件對實驗結(jié)果的影響，減少實驗誤差，熏雞腿圖像樣本均采集于自行設(shè)計的圖像采集裝置(圖1)。由圖1可知，該圖像采集裝置主要由攝影棚(含光源和啞光的白色樣品板)、相機、圖像采集卡及電腦組成，其中光源、相機及樣品板固定在一個黑色的箱體內(nèi)[25-26]。具體采集過程如下：將裝置放置于水平工作平臺，調(diào)整相機鏡頭與樣品表面的距離，開啟設(shè)備，采集圖像，采集后的圖像經(jīng)由圖像采集卡傳入電腦，數(shù)據(jù)通過基于Python平臺編寫的圖像處理程序進行分析。

圖1 圖像采集裝置示意圖Fig.1 Schematic diagram of image acquisition device

1.2.3 構(gòu)建圖像識別模型

本研究基于Xception-CNN模型處理熏雞腿圖像，其檢索和分類方法和具體過程如圖2所示，各層卷積的計算如公式(1)所示：

OutputSize=(ImageSize-KernelSize)/Stride+1

(1)

式中:OutputSize表示輸出圖像大小；ImageSize表示輸入圖像大?。籏ernelSize表示卷積核的大?。籗tride表示卷積核的步長，默認為1。

圖2 基于Xception-CNN模型的圖像數(shù)據(jù)處理方法Fig.2 Image data processing method based on Xception-CNN model

模型最后的神經(jīng)元輸出經(jīng)過激活函數(shù)SoftMax回歸得出總和為1的概率打分，概率分數(shù)最大的節(jié)點就是測試的結(jié)果，神經(jīng)元節(jié)點0代表的是熏制0 min產(chǎn)生的樣品顏色概率；神經(jīng)元節(jié)點1代表的是熏制1 min產(chǎn)生的樣品顏色概率，以此類推。比如節(jié)點4的輸出為0.70，則選取節(jié)點4作為最終結(jié)果，即該圖的分類結(jié)果為熏制4 min產(chǎn)生的熏雞腿顏色[27]。用于評判該神經(jīng)網(wǎng)絡(luò)測試序列與標簽序列之間的距離則被稱為損失函數(shù)(loss function,Loss)，基礎(chǔ)損失函數(shù)有2種，分別是用于解決分類任務(wù)的交叉熵損失函數(shù)和用于解決回歸任務(wù)的均方誤差損失函數(shù)(mean squared error,MSE)。MSE計算如公式(2)所示：

(2)

式中：n，一個Batch中的樣本數(shù)量；y，期望輸出；y′，實際輸出。

1.2.4 圖像預(yù)處理

在圖像采集過程中可能會由于雞腿本身的不規(guī)則性、顏色色差等問題，導(dǎo)致部分圖像質(zhì)量較差、樣本不均衡，進而影響圖像的識別分類效果。為盡可能避免上述問題，在Xception-CNN模型分析前，首先對熏雞腿圖像進行預(yù)處理。采用4種增強處理方式：隨機對比度調(diào)整、隨機亮度調(diào)整、隨機旋轉(zhuǎn)調(diào)整和隨機縮放調(diào)整[28-29]。

1.2.5 參數(shù)設(shè)置

在利用數(shù)據(jù)對模型進行訓(xùn)練之前，需要對Xception-CNN模型設(shè)置超參數(shù)，Batch_size(批尺寸)為128，初始學(xué)習率設(shè)為0.000 1，使用自適應(yīng)梯度優(yōu)化函數(shù)作為該模型的優(yōu)化方法，在訓(xùn)練集訓(xùn)練得到Loss值的變化趨勢。

1.2.6 模型評估指標

評估機器視覺模型識別效果的指標主要包括測試集的準確率、誤差率及所需時間等，本研究目的是對熏雞腿顏色進行準確快速的識別，因此選取測試集的識別準確率和測試所需時間作為評估Xception-CNN、ResNet-50、Inception和傳統(tǒng)CNN4種網(wǎng)絡(luò)模型識別效果的主要指標。

1.3 數(shù)據(jù)處理

本研究統(tǒng)計分析均在Python 3.5平臺上完成，使用Python擴展模塊配合計算和繪圖“Pylab”，“Numpy”、“Matplotlib”(數(shù)據(jù)統(tǒng)計模塊)和“Keras”、“TensorFlow”、“OpenCV”。采用Origin 8.6和SPSS 19.0軟件對數(shù)據(jù)進行統(tǒng)計處理。

2 結(jié)果與分析

2.1 圖像采集結(jié)果

共采集樣品照片1 088張，分辨率均為384×384，在此基礎(chǔ)上，采用前文提及的4種圖像預(yù)處理方法，最終得到4 352張圖像，定義為數(shù)據(jù)集Smoked Chicken，按8∶2隨機分配為訓(xùn)練集和測試集，其中3 482張作為訓(xùn)練集用于構(gòu)建和優(yōu)化實驗?zāi)Ｐ?，剩余?70張作為測試集用于測試模型的準確性。為美化出圖效果，樣品圖像輸出調(diào)整為圓形。

2.2 色差值結(jié)果及分析

在雞腿的熏制過程中，影響熏雞腿顏色變化的因素主要包括煙熏時間、煙熏溫度以及熏材量等，不同工藝下，同一顏色可能出現(xiàn)在不同時間節(jié)點，本研究主要討論的是本課題組的熏制工藝下的顏色變化規(guī)律。在本研究中，主要通過控制煙熏時間來控制顏色變化。如圖3所示，隨著熏制時間的增加，熏雞腿表面的亮度值急劇下降，紅度值急劇增加后逐漸趨于平緩，黃度值急劇增加后逐漸減少，最后趨于平緩。這是由于隨著煙熏的進行，雞腿表面逐漸由淡黃色→紅棕色→棕黑色所導(dǎo)致。在煙熏0～16 min的過程中，相同時間節(jié)點的熏雞腿顏色波動范圍的誤差值分別是L*值1.70～3.59，a*值0.61～2.17，b*值0.89～4.21。產(chǎn)生這種情況的原因主要是箱溫變化，盡管在實驗初期已設(shè)定箱溫，但隨著放入樣品和熏材的開箱操作，箱溫不可避免地在一定范圍內(nèi)波動。熏雞腿的顏色變化都在可控范圍，相同熏制條件下的樣品顏色差異較小，不同熏制時間下樣品的顏色呈現(xiàn)明顯的梯度變化，說明工藝成熟，具有良好的穩(wěn)定性。

圖3 L*、a*、b*值變化圖Fig.3 Change chart of L*, a* and b* values 注:同一趨勢線上不同字母表示存在顯著性差異(P<0.05)

2.3 圖像預(yù)處理結(jié)果

為更好地展示圖像預(yù)處理的效果，將預(yù)處理后的熏雞腿圖像放大后截取局部圖代替雞腿圖像作為展示圖。熏雞腿局部圖像經(jīng)過隨機對比度、亮度、旋轉(zhuǎn)和縮放調(diào)整等方法預(yù)處理后，結(jié)果如圖4所示。由圖4可知，在不改變熏雞腿圖像本身屬性的前提下，隨機對比度與隨機亮度調(diào)整使得熏雞腿圖像在亮度上呈現(xiàn)出較大差異，有利于獲得大量圖像細節(jié)信息；圖像經(jīng)過隨機旋轉(zhuǎn)和隨機縮放調(diào)整后，改變了圖像的原有位置、方向和量級，從而生成一幅新的圖像，進而增加了樣本的數(shù)量，有利于提升測試結(jié)果的準確率。

1-原圖；2-隨機對比調(diào)整；3-隨機亮度；4-隨機旋轉(zhuǎn)； 5-隨機圖像縮放調(diào)整圖4 熏雞腿圖像預(yù)處理結(jié)果Fig.4 Image pretreatment results of smoked chicken thighs

2.4 測試集識別結(jié)果及分析

損失函數(shù)是衡量模型在收斂過程中的重要因素，一般情況下，訓(xùn)練過程中的Loss值越小模型的準確率可能就越高，研究意義也就越大[30]。因此保證模型準確率最有效的方式就是在其他算法參數(shù)不變的情況下，追求較低的Loss值?；?.2.5設(shè)定的超參數(shù)對訓(xùn)練集樣本進行訓(xùn)練，模型在迭代訓(xùn)練過程中的Loss值變化如圖5-a所示，模型在迭代訓(xùn)練過程中的準確率變化如圖5-b所示，其準確率是指當前批次數(shù)據(jù)在神經(jīng)網(wǎng)絡(luò)的準確率。由圖5可知，該模型訓(xùn)練軌跡的收斂性良好，可以收斂到全局最優(yōu)解，即模型隨著迭代次數(shù)的增加，其準確率逐漸變高，最終趨于平緩。在初始狀態(tài)下，Loss值為5.48，準確率4.2%；在迭代次數(shù)為1 500時，Loss值和準確率變化趨勢趨于平緩，此時，Loss值達到0.86，測試集的準確率達到了92%，模型識別效果較好；當?shù)螖?shù)>1 500時，對準確率影響較小，不需要繼續(xù)迭代，且繼續(xù)迭代會浪費大量的時間和資源，因此將迭代次數(shù)定為1 500次。

圖5 Xception-CNN模型Loss值與準確率的變化Fig.5 Loss value and accuracy of Xception-CNN model

2.5 模型識別結(jié)果與分析

將Xception-CNN模型與ResNet-50、Inception和傳統(tǒng)CNN模型進行性能對比研究，包括識別準確率和測試所需時間對比情況。不同時間點的顏色識別準確率比較結(jié)果如圖6所示，Xception-CNN模型的顏色識別準確率僅在9和12 min低于90%，其他時間節(jié)點的顏色識別準確率均在90%以上，與模型ResNet-50相比，其顏色識別準確率僅在1、2、9和16 min 表現(xiàn)稍差，其他13個時間節(jié)點均表現(xiàn)優(yōu)異；與模型Inception相比，其顏色識別準確率僅在1和9 min表現(xiàn)稍差，在其他15個時間節(jié)點均表現(xiàn)優(yōu)異；與模型傳統(tǒng)CNN相比，其顏色識別準確率在所有時間點均表現(xiàn)優(yōu)異。這說明該模型具有良好的穩(wěn)定性和準確性，能夠精準識別雞腿在熏制過程中產(chǎn)生的所有顏色。此外結(jié)合使用線性方法描述的Xception-CNN模型對顏色識別準確率變化的大致趨勢進行分析，結(jié)果表明在3、7、8和13 min前后熏制會導(dǎo)致樣品顏色產(chǎn)生劇烈變化，但隨著熏制時間的延長，糖熏雞腿的顏色梯度變化效果會顯著降低；且一直處于過深的狀態(tài)，意味著需要進一步擴大樣本量以增加模型識別的準確率。

圖6 不同時間點的模型識別準確率Fig.6 Comparison of model recognition accuracy at different time points

模型的識別準確率主要由模型本身的性能、樣品差異性及測試條件等因素決定，在其他因素基本恒定的情況下，樣品之間的差異性是影響模型識別準確率的主要原因。因0～3 min和13～16 min產(chǎn)生的顏色不屬于正常熏雞應(yīng)有的顏色，故分析時不作考慮，同時，結(jié)合L*值、a*值和b*值結(jié)果發(fā)現(xiàn)，煙熏過程中，L*值的變化最為顯著，因此為簡化分析過程，以糖熏4～12 min的L*值結(jié)合Xception-CNN模型的顏色識別準確率分析，采用LSD結(jié)合Duncan分析。由表1可知，糖熏4和5 min(相鄰時間點間)產(chǎn)生的L*值不顯著，說明兩者之間的差異較小，在模型識別時會導(dǎo)致較大誤差，影響最終的識別準確率，糖熏7 min與相鄰時間點之間(6 min和8 min)的差異均顯著，說明熏制7 min產(chǎn)生的顏色與相鄰時間點之間的差異較大，識別準確率較高。對比圖6發(fā)現(xiàn)，Xception-CNN模型在4、5、7 min 3個時間點的識別準確率與之相符，說明樣品之間的差異性會影響到模型的識別準確率。

表1 不同熏制時間下樣品的L*值Table 1 L* value of samples under different smoking time

4種模型的平均識別準確率分別為：92%(Xception-CNN)，91%(ResNet-50)、89%(Inception)，87%(傳統(tǒng)CNN)?？傮w來說,Xception-CNN模型略優(yōu)于ResNet-50模型，明顯優(yōu)于Inception模型和傳統(tǒng)CNN模型。模型測試所需時間是檢測模型識別效果的另一個重要指標，模型和硬件平臺等都會影響到運算的速度，因此應(yīng)結(jié)合不同的需求選擇合適的模型。4種模型的測試所需時間分別是1.36 s(Xception-CNN)，0.81 s(ResNet-50)，0.98 s(Inception)，2.48 s(CNN)。本文選取的Xception-CNN模型因復(fù)雜性較高，測試時間比ResNet-50模型和Inception模型多0.55和0.78 s,該差距會因為平臺的運算性能提升而進一步縮小，但同傳統(tǒng)CNN模型相比縮短了1.12 s，僅需要1.36 s即可完成識別。綜上所述，Xception-CNN模型，尺寸更小，測試所需時間少，單點識別準確率及平均識別準確率均高于Inception模型、ResNet-50模型和傳統(tǒng)CNN模型，較為輕便，更適用于熏雞腿圖像的顏色識別。

3 結(jié)論

本文將機器視覺技術(shù)引入到熏雞腿圖像的顏色識別領(lǐng)域中，構(gòu)建了Xception-CNN模型，并將此方法應(yīng)用到圖像識別任務(wù)中，在自建的Smoked Chicken圖像集進行實驗。結(jié)果表明：在Xception-CNN、Inception、ResNet-50和傳統(tǒng)CNN 4種模型中，Xception-CNN模型對熏雞腿圖像的顏色識別平均準確率最高，達到92%；測試時間僅需1.36 s，平均用時比ResNet-50模型和Inception模型多0.55 s和0.78 s，但比傳統(tǒng)CNN模型縮短了1.12 s。Xception-CNN模型相較于其他3個模型，在總體性能上得到了改善，對不同顏色的熏雞腿圖像具有識別準確率高、耗時較短等優(yōu)點，能夠?qū)崿F(xiàn)對雞腿熏制過程中產(chǎn)生的所有顏色的快速準確識別，說明基于機器視覺技術(shù)的熏雞腿顏色識別研究是可行的。本研究可精確指導(dǎo)工藝參數(shù)優(yōu)化，為標準化生產(chǎn)及開發(fā)顏色快速識別技術(shù)提供指導(dǎo)依據(jù)。在實際生產(chǎn)中，由于相關(guān)影響因素可能無法保證顏色控制恒定，實際生產(chǎn)應(yīng)用中該模型需要盡可能控制生產(chǎn)環(huán)境、工藝的穩(wěn)定，進一步擴大樣本量，即增加測試集的樣本量，使計算機視覺能在合理范圍內(nèi)對可能出現(xiàn)的顏色誤差進行精準識別。