張 凡，淑 英，張志勝，孫劍鋒，王 頡，王文秀

（河北農(nóng)業(yè)大學(xué)食品科技學(xué)院 河北保定071000）

羊肉是全球市場上很受歡迎的紅肉之一，其富含蛋白質(zhì)、脂肪和礦物質(zhì)等，可為人體提供豐富的營養(yǎng)[1]。羊肉在運(yùn)輸、儲(chǔ)存和銷售過程中極易受微生物、酶等因素的影響而發(fā)生變質(zhì)、腐敗，從而危害消費(fèi)者的身體健康。對(duì)羊肉新鮮度的檢測(cè)具有非常重要的意義。根據(jù)國家標(biāo)準(zhǔn)GB 2707-2016《食品安全國家標(biāo)準(zhǔn) 鮮（凍）畜、禽產(chǎn)品》，揮發(fā)性鹽基氮（TVB-N）是衡量羊肉新鮮度的重要參考指標(biāo)[2]。傳統(tǒng)檢測(cè)肉類TVB-N含量的方法包括半微量定氮法、微量擴(kuò)散法和自動(dòng)凱式定氮儀法，然而，這些方法均存在檢測(cè)速度慢，破壞樣品及操作繁瑣等弊端，無法滿足快速、實(shí)時(shí)、無損檢測(cè)的需要。

目前基于光學(xué)的快速檢測(cè)技術(shù)在肉類品質(zhì)及安全指標(biāo)檢測(cè)等方面發(fā)揮著至關(guān)重要的作用[3]。例如：王文秀等[4]基于二維相關(guān)可見-近紅外光譜法優(yōu)選了豬肉TVB-N 的特征變量并建立偏最小二乘回歸模型，取得較好的預(yù)測(cè)效果。鄒昊等[5]結(jié)合近紅外光譜和不同預(yù)處理算法對(duì)羊肉TVB-N含量進(jìn)行預(yù)測(cè)分析，最佳模型的預(yù)測(cè)集相關(guān)系數(shù)Rp為0.92?，F(xiàn)有研究充分證實(shí)了近紅外光譜技術(shù)應(yīng)用于肉類TVB-N含量無損檢測(cè)的巨大潛力。另外，機(jī)器視覺技術(shù)在肉類研究方面也有應(yīng)用，如姜沛宏等[6]利用圖像處理算法提取RGB 和HIS 色彩模型的特征分量，建立牛肉新鮮度等級(jí)識(shí)別模型。以上研究均基于單一光譜信息或圖像信息建立模型，而羊肉新鮮度下降涉及內(nèi)部化學(xué)成分和外部色澤、紋理等多方面的變化，單一檢測(cè)技術(shù)在模型預(yù)測(cè)精度上有一定的局限性。高光譜技術(shù)是融合圖像和光譜技術(shù)于一體的新型檢測(cè)技術(shù)，可同時(shí)獲取待測(cè)樣品的空間信息和光譜信息，目前已在豬肉[7]、羊肉[8]、牛肉[9]、雞肉[10]等肉品的TVB-N含量預(yù)測(cè)上有所應(yīng)用。如：Li 等[11]利用高光譜成像技術(shù)檢測(cè)豬肉TVB-N含量，最佳預(yù)測(cè)結(jié)果Rp達(dá)0.932。Cheng 等[12]利用高光譜成像技術(shù)對(duì)腌制和烹飪后的兩種豬肉中TVB-N含量進(jìn)行預(yù)測(cè)分析，Rp分別為0.887 和0.832。上述研究表明多源信息的利用能從多角度描述目標(biāo)特征，有效提高了預(yù)測(cè)模型的精度和可靠性。然而，高光譜技術(shù)尚存在設(shè)備昂貴、成本高、數(shù)據(jù)冗余等不足，限制了其在實(shí)際生產(chǎn)在線檢測(cè)上的應(yīng)用。將近紅外光譜技術(shù)和機(jī)器視覺技術(shù)相結(jié)合，建立肉品TVB-N含量的快速檢測(cè)方法具有重要的應(yīng)用價(jià)值。目前該思路已在牛肉新鮮度分級(jí)[13]上應(yīng)用，而用于羊肉TVBN含量檢測(cè)鮮有研究報(bào)道。不同于豬牛肉，羊肉中脂肪和肌肉組織分布不均勻、邊界模糊，為光譜和圖像特征信息的提取增加了難度。有必要探究基于圖譜融合技術(shù)的羊肉TVB-N 特征信息提取和解析方法。

本研究以不同冷藏時(shí)間的羊肉為對(duì)象，采集可見-近紅外光譜和圖像信息，測(cè)定其在1～15 d冷藏期間的TVB-N含量。結(jié)合多元統(tǒng)計(jì)分析方法提取光譜特征和圖像特征，通過特征層融合方法對(duì)二者進(jìn)行融合。建立羊肉樣品TVB-N含量的快速預(yù)測(cè)模型，將其與單一光譜及圖像建模結(jié)果進(jìn)行對(duì)比，比較所建模型性能的差異，為客觀、準(zhǔn)確評(píng)價(jià)羊肉新鮮度提供理論依據(jù)。

1 材料與方法

1.1 樣品制備

采集宰后冷卻排酸24 h 的新鮮羊肉，部位為背最長肌，購于保定農(nóng)大科技市場。將其置于蓄冷裝置中立即運(yùn)回河北農(nóng)業(yè)大學(xué)食品科技學(xué)院肉品加工與檢測(cè)實(shí)驗(yàn)室。用無菌刀剔除多余的脂肪及結(jié)締組織，并分割成75 個(gè)體積約70 mm×40 mm×25 mm 的羊肉塊。隨后，包裝每個(gè)樣品于密封袋內(nèi)并標(biāo)號(hào)，置4 ℃冰箱保存?zhèn)溆?。期間，每天隨機(jī)選取5 個(gè)樣品進(jìn)行光譜、圖像采集和TVB-N含量測(cè)定。持續(xù)15 d。

1.2 可見-近紅外光譜和圖像信息采集

本試驗(yàn)用圖譜信息采集系統(tǒng)見圖1，由可見-近紅外光譜信息采集系統(tǒng)和圖像信息采集系統(tǒng)兩大部分組成。其中，光譜采集系統(tǒng)主要包括光譜儀（波長范圍320～1 100 nm）、鹵鎢燈光源、光纖、計(jì)算機(jī)等。圖像采集系統(tǒng)由CCD 相機(jī)（分辨率為1 600×1 200 像素）、圖像采集卡、LED 光源、計(jì)算機(jī)等組成。試驗(yàn)前，將儀器打開預(yù)熱30 min，保證其在較為穩(wěn)定的狀態(tài)運(yùn)行，同時(shí)將樣品從冰箱中取出，恢復(fù)至室溫。依次采集參比光譜和暗背景光譜后，將樣品置載物臺(tái)上進(jìn)行反射光譜信息采集。每個(gè)樣品采集3 個(gè)位置的光譜，取其平均值，用于后續(xù)數(shù)據(jù)處理分析。然后，采集圖像信息，根據(jù)鏡頭焦距調(diào)節(jié)鏡頭距底板的最適高度，保證羊肉樣品成像清晰、真實(shí)，圖片以JPEG 格式保存。上述采集過程均在暗箱中進(jìn)行，以避免周圍環(huán)境光線帶來的干擾。

圖1 可見-近紅外光譜和圖像采集系統(tǒng)示意圖Fig.1 Schematic diagram of visible/near infrared spectroscopy and image acquisition system

1.3 TVB-N含量的測(cè)定

圖譜信息采集完成后，參照王文秀等[4]的方法測(cè)定TVB-N含量。首先，將羊肉樣品絞碎，混勻，準(zhǔn)確稱取10 g 肉糜放入錐形瓶中，加入100 mL蒸餾水振蕩，使樣品在水中分散均勻，浸漬30 min，備用。將其過濾得到樣品濾液，準(zhǔn)確量取10 mL 樣品濾液和10 mL 10 g/L 氧化鎂溶液一同加入消化管中蒸餾。5 min 后以鹽酸標(biāo)準(zhǔn)溶液（0.01 mol/L）滴定硼酸吸收液，滴定終點(diǎn)由顏色判斷，根據(jù)消耗的鹽酸體積計(jì)算TVB-N含量（式1）。該試驗(yàn)3 個(gè)平行，取其平均值。

式中，X——試樣中TVB-N含量，mg/100 g；V1——試液消耗鹽酸的體積，mL；V2——空白消耗鹽酸的體積，mL；c——鹽酸標(biāo)準(zhǔn)滴定溶液濃度，mol/L；m——樣品質(zhì)量，g；V——樣品濾液體積，mL；V0——樣液總體積，mL。

1.4 數(shù)據(jù)處理

1.4.1 異常樣品剔除及光譜預(yù)處理 異常樣品的存在會(huì)降低譜圖與化學(xué)值之間的相關(guān)性[14]，導(dǎo)致模型的預(yù)測(cè)精度降低，因此需將其予以剔除，以增加模型的魯棒性[15]。本研究采用馬氏距離法對(duì)校正集中異常樣品進(jìn)行剔除。首先，對(duì)光譜數(shù)據(jù)進(jìn)行主成分分析以實(shí)現(xiàn)數(shù)據(jù)降維，消除大量信息中的重疊部分。然后，利用得分矩陣計(jì)算樣品之間的馬氏距離，通過對(duì)比分析將馬氏距離較大的異常樣品選出并剔除，剩余的樣品用于建立模型。

此外，由于光譜采集過程中會(huì)受到環(huán)境、儀器、樣品等多種因素的影響而導(dǎo)致模型的預(yù)測(cè)能力降低，因此對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理是必要的。本研究利用標(biāo)準(zhǔn)正態(tài)變量變換（Standard normal variate transformation，SNV）和一階導(dǎo)數(shù)對(duì)數(shù)據(jù)進(jìn)行處理。SNV 處理能減少由不良散射效應(yīng)引起的變異性，提高模型的預(yù)測(cè)精度，而一階導(dǎo)數(shù)處理可有效減小光譜中的加性和乘性效應(yīng)帶來的影響[16]。本試驗(yàn)采用無預(yù)處理、SNV、SNV+一階導(dǎo)數(shù)、一階導(dǎo)數(shù)+SNV 4 種方法對(duì)光譜進(jìn)行預(yù)處理，比較建模預(yù)測(cè)結(jié)果，確定最佳預(yù)處理方法。

1.4.2 光譜特征信息提取 近紅外光譜具有譜峰重疊、解析困難的特點(diǎn)，光譜數(shù)據(jù)之間存在共線性關(guān)系，易產(chǎn)生數(shù)據(jù)冗余。部分光譜區(qū)域樣品的信息很弱，與待測(cè)組分相關(guān)程度不高，存在大量無用信息。本研究采用競爭性自適應(yīng)加權(quán)算法（Competitive adaptive reweighted sampling，CARS）從高維數(shù)據(jù)中提取與TVB-N含量有關(guān)的特征變量。該算法將蒙特卡洛采樣法與偏最小二乘法相結(jié)合，通過篩選模型中回歸系數(shù)絕對(duì)值大的波長點(diǎn)，優(yōu)選出與待測(cè)組分密切相關(guān)的最優(yōu)波長組合[17]，從而有效提取光譜的特征信息。

1.4.3 圖像特征信息的提取 羊肉腐敗變質(zhì)過程涉及色澤和紋理的變化。本研究重點(diǎn)提取樣品圖像的顏色和紋理特征信息。由于圖像采集過程會(huì)受到背景噪音、表面水分等影響，因此在提取特征參數(shù)前，需對(duì)原始圖像進(jìn)行預(yù)處理，以消除無關(guān)信息的干擾。首先，對(duì)樣品圖像進(jìn)行背景分割，去除羊肉以外的干擾信息。然后，由于羊肉樣品表面水分和脂肪組織會(huì)影響后續(xù)特征參數(shù)的提取，因此采用迭代閾值法對(duì)灰度圖像進(jìn)行圖像分割，去除高光和脂肪區(qū)域。最后，以此圖像為掩膜，將其與背景分割后的羊肉圖像進(jìn)行對(duì)應(yīng)位置的逐像素相乘運(yùn)算，得到目標(biāo)區(qū)域圖像，并基于此提取顏色及紋理特征。

1）顏色特征的提取 為充分挖掘羊肉圖像中的顏色目標(biāo)信息，本研究利用顏色矩和顏色直方圖進(jìn)行顏色特征提取。顏色矩是以數(shù)字方法為基礎(chǔ)，通過計(jì)算矩來描述顏色的分布，其顏色分布信息主要集中在低階矩。本研究計(jì)算了羊肉圖像RGB 各分量的一階、二階矩來體現(xiàn)圖像的顏色分布，其中一階矩表征圖像顏色的平均強(qiáng)度，二階矩反映圖像顏色分布的不均勻性。顏色直方圖描述的是不同色彩在整幅圖像中所占比例，反映圖像顏色分布的統(tǒng)計(jì)特性。本研究將RGB 顏色空間的色彩信息映射到HSV 顏色空間內(nèi)，獲取羊肉圖像HSV 各個(gè)分量的顏色直方圖，以此彌補(bǔ)RGB 顏色空間不均勻的缺點(diǎn)[18]。

2）紋理特征的提取 圖像紋理特征能反映物體的質(zhì)地，如粗糙度、光滑度、顆粒度、隨機(jī)性和規(guī)范性等?；叶裙采仃囀且环N被廣泛用于紋理識(shí)別的方法，它通過計(jì)算圖像中一定距離和一定方向的兩點(diǎn)灰度之間的相關(guān)性，來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息[19]。當(dāng)距離和角度的取值不同時(shí)，得到的灰度共生矩陣也不同。本研究選定距離不變，求取4 個(gè)角度（0°，45°，90°和135°）的灰度共生矩陣。同時(shí)，以對(duì)比度、相關(guān)性、熵、均勻性和能量作為表征灰度共生矩陣的特征標(biāo)量，從而更加直觀地描述圖像的紋理狀況。其中，對(duì)比度為圖像強(qiáng)度差異，圖像灰度值差異越大，對(duì)比度越大。相關(guān)性代表圖像紋理的一致性，紋理越均一，相關(guān)性越大[20]。熵值代表圖像的灰度值散亂度，且灰度值分布隨機(jī)度與熵值成正比。均勻度主要度量圖像紋理的粗糙度，其值越大圖像紋理越粗糙。能量反映圖像灰度分布均勻程度和紋理粗細(xì)度。

1.4.4 模型建立 分別以光譜特征信息、圖像特征信息和融合信息為自變量，以TVB-N含量為因變量，建立羊肉樣品中TVB-N含量的最小二乘支持向量機(jī)（Least squares support vector machines，LSSVM）預(yù)測(cè)模型。其中，融合信息采用特征層融合方法對(duì)光譜和圖像特征信息進(jìn)行融合。整個(gè)數(shù)據(jù)分析流程如圖2所示。

圖2 基于融合圖譜特征信息的LSSVM 模型建立流程圖Fig.2 Flow chart of LSSVM modeling based on fused spectra and image features

模型建立后，以校正集相關(guān)系數(shù)（Correlation coefficient in the calibration set，Rc）、驗(yàn)證集相關(guān)系數(shù)（Correlation coefficient in the prediction set，Rp）、校正集標(biāo)準(zhǔn)分析誤差（Standard error of calibration，SEC）、驗(yàn)證集標(biāo)準(zhǔn)分析誤差（Standard error of prediction，SEP）及相對(duì)分析偏差（Relative percent deviation，RPD）作為模型預(yù)測(cè)性能的評(píng)價(jià)指標(biāo)。其中，RPD 為標(biāo)準(zhǔn)差與均方根誤差的比值[21]，當(dāng)RPD＞2.5 時(shí)，模型的預(yù)測(cè)精度較高。上述分析過程均在Matlab2012a 中完成。

2 結(jié)果與分析

2.1 TVB-N含量統(tǒng)計(jì)結(jié)果分析

首先，利用Kennard-stone 算法將75 個(gè)樣品按照3∶1 的比例分為校正集和驗(yàn)證集，56 個(gè)樣品用于模型建立，19 個(gè)樣品用于模型驗(yàn)證。采用主成分分析結(jié)合馬氏距離法對(duì)校正集中的異常樣品進(jìn)行剔除，共有2 個(gè)異常樣品被剔除，剩余的54 個(gè)樣品用于模型建立。校正集和驗(yàn)證集中樣品的TVB-N含量統(tǒng)計(jì)信息見表1。驗(yàn)證集樣品的TVB-N含量完全包含在校正集范圍，表明該驗(yàn)證集樣品能夠用來檢驗(yàn)校正模型的適用性。此外，樣品集中TVB-N含量范圍涵蓋國標(biāo)規(guī)定的鮮（凍）畜肉的TVB-N含量所允許的最大值（15 mg/100 g），表明樣品包括了新鮮度不同的羊肉，數(shù)據(jù)具有一定代表性。

表1 羊肉樣品TVB-N含量的測(cè)定結(jié)果Table 1 Statistical results of total volatile basic nitrogen in mutton samples

2.2 基于光譜信息的TVB-N 建模結(jié)果分析

2.2.1 基于全波段光譜建模結(jié)果分析 73 個(gè)羊肉樣品的原始光譜曲線如圖3所示，全部樣品的原始光譜曲線具有相似的變化趨勢(shì)。其中，430 nm 和574 nm 附近的吸收峰主要與羊肉中所含血紅蛋白有關(guān)[22]。在490 nm 和980 nm 附近處出現(xiàn)波峰和波谷，分別與O-H 鍵伸縮振動(dòng)的一級(jí)倍頻和振動(dòng)組合頻有關(guān)[23]。分別基于原始光譜和經(jīng)SNV、SNV+一階導(dǎo)數(shù)、一階導(dǎo)數(shù)+SNV 預(yù)處理的光譜建立TVB-N 的預(yù)測(cè)模型，結(jié)果見表2?；陬A(yù)處理后光譜數(shù)據(jù)的建模結(jié)果優(yōu)于原始光譜，且利用SNV+一階導(dǎo)數(shù)處理后光譜數(shù)據(jù)建立的模型具有最佳的預(yù)測(cè)能力，其Rp為0.845，SEP 為3.053 mg/100 g，RPD 為1.895。此時(shí)，RPD 值介于1.5～2.5間，表明所建模型預(yù)測(cè)能力一般，預(yù)測(cè)精度有待提高。

表2 基于不同預(yù)處理方法的LSSVM 建模結(jié)果Table 2 The LSSVM modeling results based on different spectral pretreatment methods

圖3 羊肉樣品的原始光譜圖像Fig.3 Raw NIR spectra of mutton samples

2.2.2 基于特征光譜信息的建模結(jié)果分析 基于SNV+一階導(dǎo)數(shù)預(yù)處理后的光譜數(shù)據(jù)，采用CARS優(yōu)選與TVB-N 有關(guān)的特征信息。設(shè)置蒙特卡羅采樣次數(shù)為1 000，通過反復(fù)迭代，利用變量子集建立多個(gè)偏最小二乘回歸模型。計(jì)算各模型的交叉驗(yàn)證均方根誤差，以誤差最小時(shí)對(duì)應(yīng)的子集為最優(yōu)變量子集。圖4a 代表選取變量數(shù)與重采樣次數(shù)之間的關(guān)系，該過程經(jīng)先“粗選”后“精選”的過程，指數(shù)衰減函數(shù)的引入大大提高了篩選變量的效率[24]。圖4b 反映交叉驗(yàn)證均方根誤差隨重采樣次數(shù)的變化趨勢(shì)，可以看出隨著迭代次數(shù)的增加，誤差值逐漸減小，這與無關(guān)變量的剔除提高了模型的預(yù)測(cè)性能有關(guān)。繼續(xù)增大重采樣次數(shù)，誤差值反而呈增加趨勢(shì)，這與部分關(guān)鍵變量被予以剔除有關(guān)。圖4c 展示回歸系數(shù)在篩選變量過程中的變化趨勢(shì)，部分變量的回歸系數(shù)逐漸增大，成為建模中的關(guān)鍵變量。重采樣次數(shù)為340 時(shí)誤差值最小，此時(shí)所對(duì)應(yīng)的光譜變量集為優(yōu)選出的特征變量。

圖4 基于CARS 篩選特征波長的過程Fig.4 The process of selecting characteristic wavelengths based on CARS

基于優(yōu)選出的特征波長處的光譜數(shù)據(jù)建立LSSVM 模型，校正集及驗(yàn)證集中實(shí)測(cè)值和預(yù)測(cè)值的散點(diǎn)圖見圖5。相較于全光譜建模，基于特征變量建模結(jié)果有所提高，Rp由0.845 升至0.909，SEP由3.053 mg/100 g 減至2.066 mg/100 g，且RPD 由1.895 提至2.389。以上結(jié)果顯示校正集及驗(yàn)證集的相關(guān)系數(shù)均增大，且標(biāo)準(zhǔn)分析誤差顯著降低。這表明利用CARS 能優(yōu)選與TVB-N 有關(guān)的光譜特征變量，從而建立可靠、穩(wěn)健的預(yù)測(cè)模型，有利于提高模型的預(yù)測(cè)能力。

圖5 基于特征光譜信息的建模結(jié)果Fig.5 Modeling results based on feature spectra information

2.3 基于特征圖像信息的建模結(jié)果分析

2.3.1 圖像預(yù)處理 為保證圖像特征信息提取的有效性，需對(duì)圖像進(jìn)行預(yù)處理，以消除無關(guān)信息的干擾。首先，對(duì)圖像進(jìn)行背景分割，將羊肉樣品與背景分割開來。由于黑色背景顏色較暗，羊肉樣品區(qū)域較亮，且不同樣品圖像灰度有差異，因此采用自適應(yīng)閾值分割方法實(shí)現(xiàn)背景分割。獲取的原始彩色圖像具有RGB 3 個(gè)通道，而閾值分割通常對(duì)灰度圖像進(jìn)行處理，可采用加權(quán)平均算法將其轉(zhuǎn)換為灰度圖像。閾值分割后得到羊肉樣品的二值化圖像，此時(shí)黑色區(qū)域?qū)?yīng)低灰度值的背景區(qū)域，白色區(qū)域?qū)?yīng)高灰度值的羊肉樣品區(qū)域。以此圖像為掩膜，與原始圖像進(jìn)行逐像素乘法運(yùn)算，得到去除背景的羊肉圖像（圖6a）?？梢钥闯觯瑯悠繁砻娲嬖诟吡羺^(qū)域和脂肪組織，采用迭代閾值法消除該部分的影響，得到的二值化圖像如圖6b所示。最后，以此二值化圖像為掩膜，將其與圖6a 的背景分割圖像進(jìn)行逐像素乘法計(jì)算，得到去除高光和脂肪組織的目標(biāo)區(qū)域圖像（圖6c），從而有利于下步顏色和紋理特征的提取。

圖6 圖像預(yù)處理結(jié)果Fig.6 Image preprocessing results

2.3.2 圖像特征信息提取結(jié)果分析

1）圖像顏色特征信息提取R、G、B三分量的一階、二階矩統(tǒng)計(jì)信息如表3所示。由于數(shù)據(jù)量大，對(duì)每天試驗(yàn)的5 個(gè)樣品顏色矩信息進(jìn)行平均。隨著貯藏時(shí)間的延長，不同樣品R、G、B一、二階矩存在差異，這為基于圖像顏色特征信息的羊肉新鮮度判別提供重要的依據(jù)。其中，一階矩總體呈下降趨勢(shì)，二階矩總體呈上升趨勢(shì)，這可能是由于羊肉樣品的腐敗區(qū)域越大，圖像顏色的平均強(qiáng)度越小，顏色分布越不均勻所致。由于新鮮與腐敗樣品的個(gè)別分量值區(qū)間存在重疊，導(dǎo)致預(yù)測(cè)準(zhǔn)確率較低，因此進(jìn)一步提取顏色直方圖信息獲得新鮮度判別所需的必要補(bǔ)充數(shù)據(jù)。由于RGB 顏色空間不符合人對(duì)顏色的感知心理，因此將其轉(zhuǎn)換為面向視覺感知的HSV 空間計(jì)算直方圖，并對(duì)信息進(jìn)行量化。H、S、V分量的灰度均值見表3。隨貯藏時(shí)間增加，羊肉的飽和度S和亮度V整體呈下降趨勢(shì)，而色調(diào)H差異較小，表明不同腐敗程度的羊肉圖像在色調(diào)上的變化較小。

表3 提取的圖像顏色特征信息Table 3 The extracted image feature information of color

2）圖像紋理特征信息提取 采用灰度共生矩陣描述圖像紋理特征，求取的特征量包括對(duì)比度、相關(guān)性、熵、均勻性和能量。不同貯藏時(shí)間5 個(gè)樣品的平均紋理特征信息見表4?？梢钥闯觯S著貯藏時(shí)間的延長，羊肉樣品的腐敗程度加大，能量總體呈增大的趨勢(shì)。所有圖像的能量值較大，表明新鮮程度較低的樣品具有更加均一和規(guī)則變化的紋理模式。同時(shí)均勻性值偏小，表明不同新鮮程度的羊肉樣品的紋理均偏細(xì)。相關(guān)性變化較小，表明不同腐敗程度的羊肉樣品圖像紋理均勻性較為相似。熵值代表灰度值散亂度，所有樣品的熵值較小，表明羊肉圖像的灰度值分布較整齊。同時(shí)，不同貯藏時(shí)間的圖像對(duì)比度差異較大，表明其灰度值差異較大，這可能與羊肉腐敗區(qū)域大小不同有關(guān)。綜上，羊肉樣品圖像的對(duì)比度和能量信息與腐敗程度相關(guān)性最大，可作為圖像有效紋理信息。將提取到的顏色及紋理特征信息作為自變量，建立LSSVM 預(yù)測(cè)模型，驗(yàn)證集預(yù)測(cè)相關(guān)系數(shù)Rp為0.780，誤差為3.620 mg/100 g，RPD 為1.536。這表明僅利用羊肉顏色和紋理特征定量分析貯藏期間羊肉TVB-N含量的效果一般，模型預(yù)測(cè)性能有待提高。

表4 提取的圖像紋理特征信息Table 4 The extracted image features information of texture

2.4 基于融合圖譜特征信息的建模結(jié)果分析

由以上研究可知，基于單一光譜特征或圖像特征的LSSVM 模型預(yù)測(cè)能力有待提高，說明單一特征的輸入并不能達(dá)到預(yù)測(cè)效果。而將提取的光譜特征信息和圖像特征參數(shù)經(jīng)特征層融合，形成總特征參數(shù)，建立羊肉TVB-N 定量預(yù)測(cè)模型。表5 對(duì)比了基于3 種特征參數(shù)的建模結(jié)果，其中基于圖譜融合信息的模型預(yù)測(cè)性能最好，Rc為0.967，SEC 為1.365 mg/100 g，Rp為0.930，SEP 為1.873 mg/100 g，RPD 為2.635。其相關(guān)系數(shù)高于0.95，且RPD＞2.5，表明模型的預(yù)測(cè)能力顯著提高。以上建模結(jié)果充分證明利用光譜和圖像融合信息定量預(yù)測(cè)羊肉TVB-N含量是可行的，其結(jié)果優(yōu)于單一特征信息，這可能是融合數(shù)據(jù)綜合羊肉內(nèi)外部的特征，能全面反映羊肉在冷藏期間TVBN含量的變化。模型預(yù)測(cè)精度較單一技術(shù)模型有所優(yōu)化，表明合理增加有效特征信息，能夠提高模型的預(yù)測(cè)能力。

表5 基于不同特征信息的LSSVM 模型結(jié)果Table 5 LSSVM modeling results based on different feature information

3 結(jié)論

本研究基于可見-近紅外光譜技術(shù)和機(jī)器視覺技術(shù)，利用光譜和圖像融合信息定量分析羊肉中TVB-N含量。分別以光譜信息、圖像信息及融合信息作為特征參數(shù)建立LSSVM 預(yù)測(cè)模型，結(jié)果表明，單一的特征信息反映樣品的性狀不全面，不能較好地實(shí)現(xiàn)樣品的定量分析。利用特征層融合技術(shù)可有效融合樣品的光譜和圖像信息，實(shí)現(xiàn)內(nèi)部與外部信息的綜合利用，有效改善模型的預(yù)測(cè)性能。建立的LSSVM 模型預(yù)測(cè)結(jié)果最佳，Rp為0.930，SEP 為1.873 mg/100 g，RPD 為2.635。本研究為快速、定量預(yù)測(cè)羊肉中TVB-N含量提供一個(gè)新方法。該方法在使用圖像信息時(shí)僅利用圖像紋理及顏色特征，未使用形狀和空間關(guān)系特征。