于洋， 張玨,2， 田海清*， 王迪， 王軻， 張紅旗

(1.內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院，呼和浩特 010018；2.內(nèi)蒙古師范大學(xué)物理與電子信息學(xué)院，呼和浩特 010022)

隨著生活水平提高，消費(fèi)者對肉制品需求逐漸多樣化。羊肉作為主要肉制品之一，因其富含維生素及微量元素得到了越來越廣泛的認(rèn)可，需求量也逐漸增加[1-2]。內(nèi)蒙古錫林郭勒羊肉作為自治區(qū)特色品牌，具有肉質(zhì)細(xì)嫩、味道鮮美和易消化等優(yōu)點(diǎn)，被廣大消費(fèi)者所喜愛。目前，肉類產(chǎn)品主要以冷藏的方式保持其品質(zhì)，以冷鮮羊肉為例，通常放置于0～4 ℃環(huán)境中，從而達(dá)到抑制細(xì)菌繁殖、保持肉質(zhì)品質(zhì)的目的[3]。羊肉嫩度是鑒別羊肉品質(zhì)的重要指標(biāo)，傳統(tǒng)檢測方法分為感官評價和機(jī)械評定。感官評價是依靠人為咀嚼品嘗，主觀性和隨意性較強(qiáng)；機(jī)械評定常采用質(zhì)構(gòu)儀測量剪切力，通過剪切模擬牙齒咀嚼羊肉的過程，該評價方法需破壞肉品，檢測過程繁瑣且耗時[4]。

高光譜成像技術(shù)基于傳統(tǒng)光譜和成像，融合光電子和計算機(jī)技術(shù)，能同時獲取被測物的圖像和光譜信息，全面反映出樣品內(nèi)外品質(zhì)特征,具有檢測速度快、不破壞樣品的優(yōu)點(diǎn)，在食品檢驗(yàn)方面被廣泛應(yīng)用[5-7]。馬世榜等[8]采用MSC(multi-plicative scatter correction)和Savitzky-Golay平滑方法對光譜數(shù)據(jù)進(jìn)行處理，再分別建立嫩度線性判別模型和SVM分類模型，結(jié)果表明，該方法可對牛肉嫩度快速無損判別。趙娟等[9]基于遺傳算法(genetic algorithm，GA)選出牛肉嫩度的特征波段，分別建立支持向量機(jī)(support vector machine，SVM)和線性判別(linear discriminant analysis，LDA)的嫩度等級判別模型，研究結(jié)果證明，基于高光譜圖像紋理特征分析可以建立牛肉的嫩度判別模型。陳全勝等[10]利用主成分分析法提取豬肉高光譜6個主成分因子，基于反向傳播神經(jīng)網(wǎng)絡(luò)(BP-ANN)建立豬肉嫩度評判模型，模型校正率為96.15%。Naganathan等[11]采集屠宰后14 d的牛排背脊部位的高光譜圖像信息，依據(jù)牛排嫩度類型與紋理特性關(guān)系建立嫩度預(yù)測模型，其預(yù)測率為94.6%。上述研究利用高光譜成像技術(shù)對肉類嫩度進(jìn)行判別，處理方法較單一化，且較少利用高光譜和圖像信息特征層融合方法對冷鮮羊肉嫩度進(jìn)行檢測。因此，本研究擬基于高光譜和圖像信息特征層融合方法對冷鮮羊肉嫩度進(jìn)行檢測。

BP神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、自適應(yīng)和容錯能力強(qiáng)等優(yōu)點(diǎn)，支持向量機(jī)解決回歸類問題較理想，兩種方法都具有較強(qiáng)的泛化能力。因此，本研究利用可見光-近紅外高光譜成像技術(shù)(400～1 000 nm)獲得冷鮮羊肉表面反射光譜和圖像數(shù)據(jù)，通過研究0～4 ℃件下不同貯藏天數(shù)冷鮮羊肉的嫩度變化，探討嫩度與圖譜融合信息的相關(guān)性，并建立羊肉嫩度的BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)預(yù)測模型，實(shí)現(xiàn)高光譜成像技術(shù)對冷鮮羊肉嫩度的快速檢測。

1 材料與方法

1.1 試驗(yàn)樣本制備

供試樣品為內(nèi)蒙古錫林郭勒羔羊肉，購自內(nèi)蒙古呼和浩特市某清真鮮肉市場，均為現(xiàn)殺且一次性購買，部位為羊里脊肉，將羊肉樣品放在低溫冷藏箱內(nèi)迅速送至實(shí)驗(yàn)室。將試驗(yàn)樣本置于操作臺上，并用無菌刀剔除表面筋膜和脂肪，盡量讓樣品表面平整。制作試驗(yàn)樣品120個，尺寸約為60 mm×60 mm×30 mm，用自封保鮮袋密封后逐個編號，無擠壓地放在4 ℃環(huán)境中貯藏，每隔24 h取出15個樣本，分別采集光譜信息并測量剪切力。

1.2 高光譜圖像采集

高光譜成像系統(tǒng)(ImSpector N25E)購自臺灣五鈴光學(xué)股份有限公司，主要由光譜相機(jī)、鹵素?zé)?model 3900-ER，21 V/150 W)、移動平臺(IRCP0076-1 COM，TaiWan)和計算機(jī)(DELL Inspiron 14R-5437)等組成，如圖1所示。其中，相機(jī)的光譜分辨率為2.8 nm，鹵素?zé)魧ΨQ分布在被采集區(qū)域上方50 cm處，與移動平臺成45°，以保證光源均勻分布。通過預(yù)試驗(yàn)得出最佳系統(tǒng)參數(shù)：相機(jī)曝光時間2.1 ms，采樣時間間隔60 s，被掃描區(qū)域的實(shí)際長度210 mm，實(shí)際寬度80 mm。

注：1—光譜儀；2—鏡頭；3—鹵素?zé)簦?—移動平臺；5—肉樣；6—光源控制器；7—計算機(jī)。

圖像采集前設(shè)置系統(tǒng)參數(shù)，并調(diào)節(jié)鏡頭焦距和光圈，使鏡頭與樣品之間距離為50 cm。圖像采集中由于傳感器暗電流和光源不穩(wěn)定的影響，會使部分波段采集的數(shù)據(jù)中含有噪聲，而導(dǎo)致數(shù)據(jù)失真，在圖像采集前要對高光譜圖像進(jìn)行黑白校正(式1)[12]。

(1)

式中，I為標(biāo)定后的高光譜圖像，I0為原始高光譜圖像，Idark為全黑標(biāo)定圖像，Iwhite為全白標(biāo)定圖像。

將羊肉樣品從冰箱里取出，置于室溫20 ℃環(huán)境放置30 min，用濾紙吸去表面的水分和油脂，隨后采集羊肉樣品光譜圖像。

1.3 羊肉剪切力測定

根據(jù)《肉嫩度的測定剪切力測定法》(NY/T 1180—2006)[13]測定羊肉樣品嫩度值，試樣處理使用的儀器包括數(shù)顯恒溫水浴鍋HH-1(常州國華電器有限公司)、電熱偶測溫儀(臺灣泰仕有限公司)。

對所處理的實(shí)驗(yàn)羊肉用直徑為12.7 mm的圓形取樣器沿肌纖維平行方向鉆切，孔樣長度不少于25 mm，取樣位置距樣品邊緣不少于5 mm，兩個取樣邊緣間距不少于5 mm，剔除有明顯缺陷的孔樣，測定樣品數(shù)量2～3個，取樣后立即測定剪切力。

采用FTC公司的TMS-Pro型專業(yè)研究級物性儀-質(zhì)構(gòu)儀測量剪切力，其力量檢測精度優(yōu)于0.015%；力量感應(yīng)元最小感應(yīng)力解析度為0.01 g；刀頭為輕型單刀復(fù)合剪切探頭(TNS LIGHT WEIGHT BLADE SET)，對每份樣品分別剪切2次，取其平均值。質(zhì)構(gòu)儀測試模式設(shè)置為剪切模式，刀具前進(jìn)速度為30 mm·s-1，回程速度為60 mm·s-1，觸發(fā)力為1 N，測試距離為60 mm。將120個樣本隨機(jī)分成90個訓(xùn)練集和30個預(yù)測集，對訓(xùn)練集和預(yù)測集樣本進(jìn)行羊肉嫩度統(tǒng)計，嫩度統(tǒng)計情況如表1所示。

表1 訓(xùn)練集和預(yù)測集中羊肉嫩度實(shí)測值

1.4 數(shù)據(jù)分析方法

本研究主要使用Excel、ENVI5.3和MATLAB 2016a實(shí)現(xiàn)光譜數(shù)據(jù)處理和建模分析。

1.4.1光譜曲線構(gòu)建 利用ENVI5.3軟件提取采集的高光譜圖像數(shù)據(jù)，在羊肉樣本圖片上隨機(jī)選擇五個20×20像素的矩形感興趣區(qū)域(region of interest，ROI)，避開筋膜及因水分殘留導(dǎo)致高亮的部分，如圖2所示。

圖2 羊肉高光譜圖像感興趣區(qū)域

采集到的高光譜圖像中除了含有樣本自身信息的圖像和光譜外，還含有暗電流和光散射等干擾信息，因此要進(jìn)行預(yù)處理以提高建模精度。較常見的光譜數(shù)據(jù)預(yù)處理算法包括矢量歸一化算法(nomalization)、多元散射校正(MSC)、標(biāo)準(zhǔn)正態(tài)變換(standard normal variate，SNV)、導(dǎo)數(shù)(de-rivation)等。

本研究利用Matlab 2016a軟件，采用多元散射校正方法對光譜進(jìn)行預(yù)處理，該方法可大大消除由于樣本表面分布不均而帶來的散射影響，從而增強(qiáng)光譜與數(shù)據(jù)之間的相關(guān)性[16]。

1.4.2特征波長圖像選取 采用主成分分析法(principal component analysis，PCA)選取特征波長，該方法是較常見的線性變換投影方法，經(jīng)分析后主成分圖像方差貢獻(xiàn)率越大能解釋原始高光譜圖像中的信息就越多。

1.4.3圖像特征提取 利用灰度共生矩陣(gray-level co-occurrence matrix，GLCM)提取圖像特征，其又稱為灰度共現(xiàn)矩陣，其用兩個位置像素的聯(lián)合概率密度來定義，不僅反映亮度的分布特征，也反映具有同樣亮度或接近亮度的像素之間的位置分布特性，是圖像亮度變化的二階統(tǒng)計特征，是定義紋理特征的基礎(chǔ)。在一個灰度圖像中，任何兩個像素點(diǎn)之間存在一定相關(guān)性，通過統(tǒng)計分析像素點(diǎn)方向和距離上的相關(guān)特性可得知圖像灰度在方向、間隔、變化幅度上的綜合信息。取圖像(N×N)中任意一點(diǎn)(x，y)及偏離其另一點(diǎn)(x+a，y+b)，設(shè)該點(diǎn)對的灰度值為(g1，g2)。令點(diǎn)(x，y)在整個畫面上移動，則會得到不同(g1，g2)值，設(shè)灰度值的級數(shù)為k，則(g1，g2)的組合共有k2種。對于整個畫面，可統(tǒng)計出每一種(g1，g2)值出現(xiàn)的次數(shù)，然后排列成一個方陣，在用(g1，g2)出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率P(g1，g2)，這樣的方陣稱為灰度共生矩陣[20-22]。表達(dá)式如公式(5)所示。

Pδ(i,j,d,θ)={((x,y),(x+Dx,y+Dy)|

f(x,y)=i;|f(x+Dx+

y+Dy)=j)}

(5)

式中，(x,y)表示圖像中任意一點(diǎn)像素坐標(biāo)，i表示此像素點(diǎn)的灰度級，取偏離這點(diǎn)一定像素距離D的另一點(diǎn)則表示可選擇的方向，一般有0°、45°、90°、135°。

在圖像紋理特征的研究中，一般有14種特征來代表不同紋理特征值，本研究選取對比度、相關(guān)性、同一性、熵四種特征量，其中對比度可反映羊肉樣本表面溝紋深淺和清晰度，相關(guān)性反映羊肉表面紋理是否有一致性，同一性反映羊肉紋理粗糙度，熵值反映羊肉紋理的復(fù)雜程度[23]。

1.4.4圖像顏色特征提取 不同儲存天數(shù)的羊肉顏色存在微小差異，這就導(dǎo)致光譜反射率的差異。圖像亮度均值A(chǔ)ag和標(biāo)準(zhǔn)差Ssg則可以反映出反射率的高低，該研究單個波長下灰度圖像顏色特征選擇亮度均值和標(biāo)準(zhǔn)差兩個特征進(jìn)行提取，計算公式如下。

(6)

(7)

1.5 羊肉嫩度模型建立方法

本文主要使用BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)(SVM)對光譜圖像數(shù)據(jù)建模以實(shí)現(xiàn)羊肉無損檢測。結(jié)構(gòu)模型由輸入層、隱含層和輸出層組成，輸入層函數(shù)選擇trainlm，隱含層和輸出層傳遞函數(shù)為tansig。將所提取的54個特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)模型輸入，羊肉嫩度預(yù)測值為模型輸出，隱含層節(jié)點(diǎn)個數(shù)根據(jù)公式(8)計算。

(8)

式中，H為隱含層節(jié)點(diǎn)數(shù)目，m和n分別是輸入層和輸出層節(jié)點(diǎn)數(shù)目，a為1～10之間的調(diào)節(jié)常數(shù)。

支持向量機(jī)是20世紀(jì)中葉由Vapnik[25]提出的一種新型統(tǒng)計學(xué)習(xí)方法，可分為支持向量機(jī)分類和支持向量機(jī)回歸兩種，當(dāng)支持向量機(jī)算法用于回歸擬合時，由于羊肉表面光譜反射率與紋理和羊肉嫩度為非線性關(guān)系，可使用非線性映射算法將低維輸入空間線性不可分的樣本轉(zhuǎn)化為高維特征空間，使其線性可分，從而使得在高維特征空間中采用線性算法對樣本的非線性特征進(jìn)行線性分析成為可能。常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、高斯核函數(shù)、拉普拉斯核函數(shù)、sigmoid核函數(shù)。因高斯核函數(shù)具有穩(wěn)定性高、預(yù)測精度好等特點(diǎn)，本文選擇高斯核函數(shù)。

2 結(jié)果與分析

2.1 羊肉嫩度光譜分析

羊肉嫩度原始光譜曲線如圖3所示，在560和760 nm附近各存在一個吸收峰，分別由于脫氧肌紅蛋白和血紅蛋白、肌紅蛋白的影響。經(jīng)MSC處理后如圖4所示，與原始光譜相比剔除了各樣品間由于散射影響所導(dǎo)致的基線變化影響，大大消除很多冗余信息。同時，由于儀器的特性光譜數(shù)據(jù)兩端噪聲較多，故選取400～900 nm波段范圍內(nèi)的光譜數(shù)據(jù)。

圖3 原始平均光譜

圖4 MSC預(yù)處理后的平均光譜

2.2 特征波長圖像選取

利用ENVI5.3軟件對高光譜圖像進(jìn)行主成分分析，圖像信息貢獻(xiàn)率按從大到小取前三個主成分主成分圖像，如圖5所示。通過圖片對比，第一主成分圖像最接近原始圖像，代表了原始圖像的大多數(shù)信息，方差貢獻(xiàn)率為96.37%，第二主成分圖像開始出現(xiàn)噪聲，在第三主成分圖像中能看到明顯噪聲，方差貢獻(xiàn)率分別為3.11%和0.17%。因此，根據(jù)第一主成分圖像尋找特征波長圖像。

圖5 原始圖像和前三個主成分圖像

比較不同樣本第一主成分圖像的351 個權(quán)重系數(shù)，前三個分別為第169波段、265波段、304波段，對應(yīng)的波長分別為620.23、761.48、819.48 nm，如圖6所示。因此，本研究選取方差貢獻(xiàn)率最大波長下的灰度圖像作為此后進(jìn)行特征參數(shù)提取的特征圖像。

圖6 主成分分析獲取的前三個波段圖像

2.3 圖像特征分析

利用Matlab 2016a提取前三個特征波長圖像對比度、相關(guān)性、同一性和熵四種特征量，其中滑動窗口5×5，步距d=1，方向?yàn)?°、45°、90°、135°。羊肉原始圖像灰度級為255，如果直接計算運(yùn)算量極大，為了快速計算將灰度級降為16級[24]。

2.4 羊肉嫩度模型建立及預(yù)測結(jié)果分析

2.4.1BP神經(jīng)網(wǎng)絡(luò)模型分析 BP神經(jīng)網(wǎng)絡(luò)模型輸入層m為54，輸出層n為1，由公式(8)可得隱含層節(jié)點(diǎn)個數(shù)取值范圍為8～17，通過多次訓(xùn)練調(diào)試最終確定隱含層節(jié)點(diǎn)個數(shù)為10。設(shè)置最小訓(xùn)練速率為0.1；動態(tài)參數(shù)為0.7；Sigmoid參數(shù)為0.9；允許誤差為0.001；最大迭代次數(shù)為1 000，預(yù)測值與實(shí)測值散點(diǎn)圖如圖7所示。可以看出，預(yù)測效果較好，BP神經(jīng)網(wǎng)絡(luò)模型對預(yù)測集的R2為0.85，RMSEP為1.86。

圖7 BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值與實(shí)測值的散點(diǎn)圖

2.4.2支持向量機(jī)模型分析 利用網(wǎng)格搜索法給懲罰參數(shù)C和核參數(shù)g不同的取值，通過交叉驗(yàn)證的方法尋找到最優(yōu)參數(shù)組合。在本文的實(shí)證過程中，將參數(shù)C和g的范圍均限定在[2-8，28]，步長均為0.5，則C和g可選參數(shù)為[2-8，2-7.5，2-7，…，27.5，28]。選取K=10對于尋優(yōu)過程進(jìn)行K折交叉驗(yàn)證。尋優(yōu)結(jié)果如圖8所示：C=11.313 7，g=0.116 6，MSE=0.156 9。支持向量機(jī)模型對預(yù)測集結(jié)果決定系數(shù)R2為0.77，RMSEP為2.37(圖9)。

圖8 SVM核函數(shù)參數(shù)網(wǎng)格搜索

圖9 SVM模型預(yù)測值與實(shí)測值的散點(diǎn)圖

2.4.3BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型比較分析經(jīng)主成分分析從MSC預(yù)處理后的光譜中提取特征波長圖像，將特征圖像的紋理特征和顏色特征作為輸入變量構(gòu)建羊肉嫩度神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型，結(jié)果如表2所示。

表2 羊肉嫩度值模型精度

從表2可以看出，BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練集和預(yù)測集的決定系數(shù)(R2)分別為0.84和0.85，均方根誤差RMSEC和RMSEP分別為2.54和1.86；而支持向量機(jī)模型的訓(xùn)練集和預(yù)測集的決定系數(shù)R2分別為0.72和0.77，均方根誤差RMSEC和RMSEP分別為3.11和2.37。結(jié)合圖10對比發(fā)現(xiàn)，BP神經(jīng)網(wǎng)絡(luò)模型精度預(yù)測能力和穩(wěn)定性優(yōu)于SVM支持向量機(jī)模型。研究表明：采用高光譜和圖像信息特征層融合方法對冷鮮羊肉嫩度進(jìn)行預(yù)測具有可行性，該方法具有快速、無損等優(yōu)點(diǎn)，對于冷鮮羊肉嫩度檢測具有一定的參考價值。

圖10 BP網(wǎng)絡(luò)模型和SVM模型預(yù)測結(jié)果

3 討論

肉質(zhì)無損檢測是近些年的研究熱點(diǎn)，但關(guān)于羊肉嫩度檢測研究方面較少，傳統(tǒng)機(jī)械評定和感官評價破壞樣本且?guī)в兄饔^性，本研究將高光譜成像技術(shù)與紋理特征融合對羊肉嫩度進(jìn)行預(yù)測，紋理特征常用于圖像識別和分類，主要表現(xiàn)為在局部空間的變化次序在更大的區(qū)域內(nèi)不斷重復(fù)，宏觀講是具有半周期性或有規(guī)律排列的圖案，具有旋轉(zhuǎn)不變性和良好的抗噪性，羊肉表面其纖維走向、粗細(xì)、分布特征可以表征羊肉嫩度情況[17-19]。研究結(jié)果表明，采用高光譜和圖像信息特征層融合方法對冷鮮羊肉嫩度進(jìn)行預(yù)測具有可行性，與傳統(tǒng)方法相比不會破壞肉樣且省時省力。王松磊等[26]采用高光譜特征波長與羊肉表面脂肪圖像特征參數(shù)融合的方法建立羊肉嫩度的預(yù)測模型，模型預(yù)測精度結(jié)果為0.89。熊振杰[27]分別建立雞肉特征光譜、紋理變量、特征光譜與紋理變量數(shù)據(jù)融合模型，結(jié)果表明數(shù)據(jù)融合后的模型對雞肉種類判別率最高，這與本研究結(jié)論基本一致。本文提出的方法可為羊肉嫩度預(yù)測提供參考依據(jù)，但現(xiàn)在對于羊肉嫩度等級評價還沒有一個統(tǒng)一的標(biāo)準(zhǔn)，究其原因在于羊肉的嫩度受品種、年齡、肌肉部位以及蒸煮溫度、時間等多方面影響，所以本研究有一定局限性，只適用于當(dāng)前品種的羊肉，對于其他品種羊肉嫩度還有待研究。