喬 蘆，王松磊，郭建宏，賀曉光

寧夏大學食品與葡萄酒學院，寧夏 銀川 750021

引 言

谷胱甘肽(GSH)[1-2]是羊肉體內(nèi)重要的水溶性抗氧化劑，是一種普遍存在的內(nèi)源性生物硫醇，在動物體內(nèi)提供解毒代謝的作用，因而GSH是維持生命系統(tǒng)抗氧化能力的重要指標，大多數(shù)酶類的代謝都要可溶性蛋白質(zhì)參與，同時也是測定GSH含量的一個重要指標，因此可以將可溶性蛋白和GSH含量當做肉類新鮮度檢測指標。當前常規(guī)檢測方法為分光光度計法，此方法雖然可靠，但耗時、費力。故選用一種快速準確的方法來定量檢測羊肉中可溶性蛋白和GSH含量非常必要。

高光譜成像技術可以提供樣本的光譜和空間信息，它作為一種無損、實時的食品質(zhì)量分析和檢測工具越來越受到人們的重視[3-4]。其紋理信息在肉品領域應用逐漸變廣。Xiong[5]等應用光譜和紋理數(shù)據(jù)相結合區(qū)分散養(yǎng)雞和肉雞，分類正確率達93.33%。孫宗保等[6]采用光譜和紋理信息鑒別冰鮮和凍融三文魚及其凍融次數(shù)，取得了較好的效果。Lin等[7]利用高光譜圖譜融合技術對豬肉肌內(nèi)脂肪含量進行預測。Yang[8]等采用高光譜圖譜合一的特點，提取熟牛肉樣本30個紋理信息結合反向人工神經(jīng)網(wǎng)絡(back propagation-artificial neural networks，BP-ANN)模型對熟牛肉的存儲時間和含水率進行預測。Zhang等[9]利用信息融合的方法預測鮭魚的脂肪和水分，校正預測相關系數(shù)均高達0.95以上。這些研究顯示融合信息均優(yōu)于僅光譜或圖像紋理信息的結果，這表明光譜和圖像紋理數(shù)據(jù)結合不僅可以對肉品品質(zhì)進行定性判別，也能夠用來對理化指標定量預測分析。但據(jù)了解，近幾年國內(nèi)外學者利用光譜技術對植物酶類有研究，但尚未見光譜數(shù)據(jù)和圖像紋理信息融合來確定羊肉可溶性蛋白和GSH含量的相關研究報道。

本研究的主要目的是利用光譜和圖像紋理信息相結合來預測羊肉可溶性蛋白含量和GSH含量。通過采集羊肉樣本的可見-近紅外(400～1 000 nm)高光譜數(shù)據(jù)，利用4種預處理方法2種變量選擇工具篩選出最優(yōu)預處理方法和特征波長方法；并使用灰度共生矩陣法提取羊肉樣本紋理信息，通過基于光譜數(shù)據(jù)及其光譜和紋理融合信息建立線性和非線性預測模型預測羊肉可溶性蛋白含量和GSH含量，并利用偽彩色圖繪制其空間分布圖。

1 實驗部分

1.1 羊肉樣本采集與處理

羊肉樣本采自寧夏鹽池縣鑫海食品有限公司，共計60只羊。經(jīng)屠宰后，將其胴體冷藏于4 ℃條件下進行48 h排酸處理，排酸完成后，取60只羊胴體前腿肉、后腿肉、背最長肌各一塊肉，最終得到羊肉樣本180個。為保持樣本的一致性，將羊肉制備成體積大小為(35 mm×25 mm×10 mm)的肉塊，并于4 ℃冰箱儲藏備用為后續(xù)光譜采集和化學值測定。

1.2 高光譜數(shù)據(jù)采集

1.3 羊肉可溶性蛋白和GSH含量測定

在獲取高光譜圖像后，測定羊肉可溶性蛋白和GSH含量。稱取1.000 0 g羊肉樣本，制備組織上清液，利用紫外分光光度計測定吸光度在595和420 nm處可溶性蛋白和GSH含量。

1.4 光譜數(shù)據(jù)分析

1.4.1 光譜預處理

在光譜采集過程中，由于外部環(huán)境和儀器的影響導致光譜信號容易受到大量隨機噪聲的干擾，不利于提高預測模型的準確性，故需要對光譜進行預處理[10]。為篩選出較好的預處理方法，采用卷積平滑(savitzky-golay，SG)、標準正態(tài)變量變換(standard normal variate，SNV)、正交信號校正(orthogonal signal correction，OSC)、去趨勢法(detrend)共4種預處理方法。

1.4.2 特征波長提取

有效的特征波長提取能夠刪除與樣本成分無關的信息，提取最能代表肉樣的有效信息，縮短計算時間[11]。采用CARS和iVISSA-IRIV提取特征波長方法來簡化模型，提升模型性能。CARS是一種新的變量選擇方法，它可以在消除新的變量的同時有效減少共線變量對模型的影響[12]。區(qū)間變量迭代空間收縮法(interval variable iterative space shrinkage approach，iVISSA)是一種基于交叉驗證均方根誤差(RMSECV)的波長間隔選擇方法。它經(jīng)過多次迭代，交替使用全局和局部過程來優(yōu)化間隔位置，直至優(yōu)選出最佳特征變量[13]。迭代和保留信息變量法(iteratively retaining informative variables，IRIV)是基于二進制矩陣變換濾波器的思想提出的一種新的變量選擇方法，該方法采用BMS作為變量空間采樣方法，迭代保留信息變量，直到不存在干擾變量。利用IRIV法對iVISSA法篩選出的波長進行二次提取，形成了一種變量選擇的混合方法，解決了變量數(shù)量多的問題。

1.4.3 圖像紋理信息提取

紋理是圖像應用中最重要的特征之一，表示的是相鄰像素之間的強度關系，表示灰度像素之間關系的常用方法叫做灰度共生矩陣法(GLCM)，其描述了不同灰度組合在一幅圖像中同時出現(xiàn)的頻率，常被用來提取圖像紋理信息。由于不同方向和距離的圖像可以構成不同的灰度共生矩陣，故本研究中距離設置為1，依次取不同方向(0°，45°，90°和135°)的能量(energy)、熵(entropy)、同質(zhì)性(homogeneity)和相關性(correlation)四個特殊相互獨立的特征來描述共生矩陣數(shù)據(jù)[9]。從每幅圖片中共選取16個紋理參數(shù)用于后續(xù)建模。

2 結果與討論

2.1 可溶性蛋白和GSH含量描述統(tǒng)計

如圖1所示，可溶性蛋白和GSH含量在不同部位之間存在顯著差異。羊肉背最長肌的可溶性蛋白含量最高，而GSH含量最低，這種差異可能是由不同部位之間的理化特征引起的。也可能與羊不同部位活動量不同有關，由于前腿和后腿相對于背最長肌運動較多，運動會增加有氧代謝，故GSH含量相對較高。

悲劇不斷，輿論紛紛。有指責家長的，有指責學校的，更有指責網(wǎng)游公司的……但為什么更多的游戲玩家沒有走火入魔，發(fā)生悲?。?/p>

圖1 不同部位可溶性蛋白和GSH含量統(tǒng)計分析圖Fig.1 Statistical analysis of soluble protein and GSH contents in different parts

對提取到的光譜數(shù)據(jù)進行建模，需要仔細選擇校正集，使其能夠代表用于校準的樣本。因此，180個羊肉樣本經(jīng)剔除9個異常樣本后，按照3∶1比例分為校正集(n=128)和預測集(n=43)兩個子集共計171個羊肉樣本，利用校正集構建模型，預測集檢驗模型性能。由表1可知，校正集樣品的范圍涵蓋了預測集范圍，故可使用預測集中的樣本來檢驗最終模型性能。此外，可溶性蛋白和GSH分布值范圍較寬，表明化學分析結果具有代表性，可用于后續(xù)模型。

表1 羊肉可溶性蛋白和GSH含量樣本集劃分統(tǒng)計結果Table 1 Statistical of soluble protein and GSH contents of mutton of sample sets

2.2 羊肉樣本光譜特征分析

圖2(a)為171個羊肉樣本的原始光譜圖像，429和540 nm附近的光譜反射率可能與氧合血紅蛋白有關[14]；479，723和799 nm附近的高反射率可能與蛋白質(zhì)組分中—NH3—基團吸收以及C—H倍頻和脂肪中C—O倍頻的綜合作用有關；在900～1 000 nm波長范圍內(nèi)的光譜峰值與羊肉樣本水分子吸收帶有關[6]。這些光譜差異可用于后續(xù)預測羊肉樣本可溶性蛋白和GSH含量。圖2(b)為羊肉樣本前腿、后腿、背最長肌的光譜值求平均值并作出平均光譜圖。圖2(b)中羊肉樣本不同部位光譜曲線呈現(xiàn)相似趨勢，其中在450～525和600～1 000 nm波長范圍之間，前腿的光譜反射率均為最高，后腿最低；525～600 nm波長范圍之間，背最長肌光譜反射率最高，后腿反射率最低。可以發(fā)現(xiàn)，后腿的在全波段光譜反射率均為最低。這些差異可能與羊肉樣本的主要化學成分有關。

圖2 羊肉樣本的原始光譜圖(a)與不同部位平均光譜圖(b)Fig.2 Raw (a)and average spectra (b)of mutton samples

2.3 不同預處理方法的高光譜建模分析

如表2所示，未經(jīng)預處理的原始光譜建立的可溶性蛋白含量模型建模效果最好，Rc和Rp分別為0.875 7和0.854 7，并且RMSEC和RMSEP均為最低。SNV方法預處理后建立的羊肉樣本GSH含量模型的Rc和Rp分別為0.804 8和0.826 5，說明SNV方法能夠去除與羊肉GSH含量無關的冗余信息，提高了模型的預測性能。因此在后續(xù)的變量篩選中，采用原始光譜建立可溶性蛋白含量模型，SNV作為建立GSH含量模型所用預處理方法。

表2 不同預處理方法的羊肉指標PLSR模型Table 2 PLSR models for mutton indicators by different pretreatment methods

2.4 特征波長提取

2.4.1 CRAS法特征波長提取

采用CARS法、iVISSA-IRIV 2種方法提取特征波長。經(jīng)過多次試驗，設置CARS算法參數(shù)為：主成分數(shù)為10，數(shù)據(jù)選用“center”處理方式，十折交叉驗證，其中，可溶性蛋白蒙特卡洛采樣次數(shù)設置為350，GSH的采樣次數(shù)為500。如圖3所示為可溶性蛋白和GSH的CARS算法挑選特征波長過程。圖3A(a)表示隨著抽樣運行次數(shù)的增加，抽樣波長數(shù)的變化。圖3A(b)表示為抽樣運行期間的十折交叉驗證值RMSECV變化，在運行至第83次時該值最小，此時變量個數(shù)逐步減少導致部分有效信息被消除，模型精度下降；圖3A(c)為每次采樣過程中回歸系數(shù)的變化路徑，最左邊的粗豎線代表當采樣運行次數(shù)為21次時RMSECV值最小，此時與羊肉可溶性蛋白無用的信息被剔除，最終共選取有效信息最多的48個特征波長變量。CARS方法提取羊肉GSH含量樣本的特征波長情況如圖3(b)所示，共提取出19個特征波長。

圖3 CARS法特征波長的篩選A：可溶性蛋白含量；B：GSH含量Fig.3 Characteristic wavelengths selected by CARS algorithmA：soluble protein content；B：GSH content

2.4.2 iVISSA-IRIV特征波長選取

利用iVISSA-IRIV融合方法對光譜特征波長進行篩選，采樣次數(shù)設置為50。圖4(a)為iVISSA算法在迭代過程中各個波長的采樣權重值隨迭代次數(shù)的變化情況。此三維立體圖X，Y，Z坐標軸分別代表波段數(shù)、迭代次數(shù)、權重，結合色度帶上方綠色部分采樣權重接近1，此時有效信息被保留，下端紫色部分則采樣權重值接近0，這部分波段為無效信息被剔除，而采樣權重處于0～1之間時，相應的那些波長會重新在迭代循環(huán)中繼續(xù)被選擇，直到所有特征波長選擇完畢，經(jīng)過25次迭代，采樣權重基本不變，共篩選出52個特征波長，特征波長數(shù)仍然占總波長數(shù)的41.6%，會造成信息冗余，增加計算難度和時間，故需再通過IRIV算法二次提取特征波長。如圖4(b)所示羊肉可溶性蛋白含量iVISSA-IRIV法特征波長篩選圖，柱條表示提取的31個特征波長。而同理可得，經(jīng)iVISSA-IRIV算法提取的GSH含量樣本的特征波長結果如圖5所示，圖5(b)為羊肉GSH含量iVISSA-IRIV法特征波長篩選圖，共提取29個特征波長。

圖4 可溶性蛋白含量iVISSA-IRIV法篩選特征波長Fig.4 Selection of characteristic wavelengths using iVISSA-IRIV algorithm for soluble protein concent

圖5 GSH含量iVISSA-IRIV法篩選特征波長Fig.5 Selection of characteristic wavelengths using iVISSA-IRIV algorithm for GSH content

2.5 建模結果分析

采用MLR和LS-SVM兩種模型對提取出的特征波長進行有效性評價。如表3所示，與全波段相比，提取特征波長建立的MLR和LS-SVM模型預測性能良好。兩種特征波長提取方法都能夠達到降維目的，提取有用信息，但iVISSA-IRIV法經(jīng)過兩次提取特征波長，解決變量數(shù)多的同時更多的保留有效信息，故經(jīng)iVISSA-IRIV法提取特征波長建模效果較優(yōu)。羊肉可溶性蛋白iVISSA-IRIV-LS-SVM為最優(yōu)預測模型，其Rc和Rp分別為0.914 6和0.881 8，且均方根誤差均最低。表明基于非線性的LS-SVM模型的性能優(yōu)于線性MLR模型，說明羊肉可溶性蛋白含量與光譜吸收之間具有較強的非線性關系。羊肉GSH含量iVISSA-IRIV-MLR為最優(yōu)預測模型，其Rc和Rp分別為0.844 6和0.870 5，比原始光譜建模Rc和Rp高了0.046和0.097 1，說明在建模過程中，羊肉GSH含量不利于非線性預測模型的建立。綜上所述，羊肉光譜信息經(jīng)iVISSA-IRIV法提取特征波長后，建立的羊肉可溶性蛋白和GSH含量預測模型取得了較好的建模效果，表明iVISSA-IRIV法對光譜數(shù)據(jù)進行降維簡化了定量分析模型的復雜性，提高了模型的預測能力。

表3 不同特征波長和模型的羊肉可溶性蛋白和GSH含量預測結果Table 3 Prediction results for soluble protein and GSH content in mutton using different characteristic wavelengths and models

2.6 光譜特征和紋理信息融合建模分析

為了進一步分析羊肉內(nèi)部屬性和外部屬性對可溶性蛋白和GSH含量預測模型的影響，采用提取的最優(yōu)特征波長和紋理信息進行融合，建立基于光譜信息和紋理特征融合信息的MLR模型以及LS-SVM模型。因為高光譜成像在某個特定波長下圖像也反映樣本化學成分基團對光子吸收后的反射光譜圖像，其對某個特征也會有較顯著的反映，因此圖像紋理特征在一定程度上能夠反映化學成分以及結構方面的差異。如圖6所示為對高光譜圖像進行主成分分析后提取的主成分圖像貢獻率99.50%的3個主成分圖像，主成分貢獻率依次為98.59%，0.79%和0.12%，故采用第一張最優(yōu)主成分圖像進行后續(xù)紋理提取，將提取的圖像紋理信息和提取的光譜特征信息進行融合建模分析。

圖6 羊肉樣本的前三個主成分圖像Fig.6 The first three principal component images of mutton samples

如圖7所示為經(jīng)全波段、iVISSA-IRIV特征波段和光譜紋理融合信息建立的MLR和LS-SVM模型?？梢钥闯鲅蛉饪扇苄缘鞍缀虶SH含量光譜紋理融合信息建立的MLR和LS-SVM模型取得了較好的預測效果。如圖7(a)所示，利用光譜和紋理信息融合建立的羊肉可溶性蛋白含量MLR模型預測性能較好，其Rc和Rp達到0.911 4和0.878 7；但比iVISSA-IRIV光譜信息的LS-SVM模型略低0.003 2和0.003 1，故利用光譜特征信息建立的LS-SVM為羊肉可溶性蛋白最佳模型，這可能是因為利用光譜特征信息建立LS-SVM模型比紋理信息攜帶的信息更多，羊肉樣本的內(nèi)部成分比其外部屬性的聯(lián)系更加緊密，也可能是現(xiàn)在所選用的紋理特征提取方法不適用與當前的羊肉樣本的圖像，但融合信息建立的模型精度僅僅比光譜信息建模精度略低，說明利用圖像紋理信息還是可行的。

圖7 模型結果對比圖(a):羊肉可溶性蛋白含量模型對比圖；(b):羊肉GSH含量模型對比圖Fig.7 Comparison of model results(a)：Comparison chart for soluble protein content in mutton；(b)：Comparison chart for GSH content in mutton

如圖7(b)所示為羊肉GSH含量模型對比圖，光譜特征波長與紋理信息融合建立的MLR模型和LS-SVM模型均有較好的預測效果，均比全波段和iVISSA-IRIV法提取的特征波段建模結果好，光譜和紋理信息融合建立的MLR模型效果更好，比iVISSA-IRIV-MLR模型的Rc和Rp值高0.004 9和0.019 9。證明結合羊肉樣本的內(nèi)部成分和外部屬性可以很好的預測羊肉GSH含量，因此光譜與紋理特征融合信息建立的MLR模型為預測羊肉GSH含量的最優(yōu)模型。

2.7 羊肉可溶性蛋白和GSH含量空間分布可視化

利用最佳iVISSA-IRIV-MLR和iVISSA-IRIV-LS-SVM模型生成羊肉可溶性蛋白和GSH含量分布圖。通過提取羊肉高光譜圖像中每個像素的光譜值，然后結合最佳預測模型獲取與化學值相關的權重系數(shù)，以此來通過偽色彩圖像的不同區(qū)域顏色差異及深淺來表示羊肉可溶性蛋白和GSH含量的分布情況。從圖8分布圖可以看出，隨著羊肉可溶性蛋白和GSH含量逐漸減少，紅色逐漸減弱，證明通過iVISSA-IRIV法選出的特征波段有很好的顯示可溶性蛋白和GSH含量的能力，并且通過可視化可以直觀的看出其含量分布，這是高光譜成像技術相對于常規(guī)光譜和成像技術的最大優(yōu)勢。

圖8 羊肉可溶性蛋白和GSH含量空間分布可視化圖Fig.8 Visualizations of spatial distributions of soluble protein and GSH contents in mutton

3 結 論

探討了利用高光譜圖像的光譜和紋理信息快速預測羊肉可溶性蛋白和GSH含量的可行性。主要結論如下：(1)通過對羊肉樣本原始光譜進行4種預處理方法比較，發(fā)現(xiàn)未經(jīng)預處理的原始光譜建立的可溶性蛋白PLSR模型效果最好，采用SNV法預處理后建立的羊肉GSH含量PLSR模型為最佳預測模型。(2)利用CARS法和iVISSA-IRIV法對經(jīng)預處理后的光譜提取特征波長，其中iVISSA-IRIV-LS-SVM模型對羊肉可溶性蛋白含量預測有最佳效果，iVISSA-IRIV-MLR模型為羊肉GSH含量光譜數(shù)據(jù)最佳預測模型。(3)進一步利用光譜特征和圖像紋理融合信息建立MLR和LS-SVM模型對比發(fā)現(xiàn)，通過光譜信息建立的iVISSA-IRIV-LS-SVM模型對羊肉可溶性蛋白含量的預測效果最好，其Rc和Rp分別為0.914 6和0.881 8；通過光譜和圖像紋理融合信息建立的MLR模型對羊肉GSH含量的預測效果最佳，Rc和Rp分別為0.849 5和0.890 4。綜上所述，羊肉可溶性蛋白含量與光譜之間具有較強的非線性關系，建立的LS-SVM模型具有較好的預測性能，基于光譜和圖像紋理融合信息比單獨光譜預測羊肉GSH含量更有效，通過選取最佳光譜預測模型生成可視化分布圖可直觀看見羊肉可溶性蛋白和GSH含量分布，結果表明利用高光譜圖像的光譜和紋理信息對羊肉可溶性蛋白和GSH含量的預測是可行的，可進一步改進該方法去預測肉品新鮮度。