石吉勇, 劉傳鵬, 李志華, 黃曉瑋, 翟曉東, 胡雪桃, 張新愛(ài), 張 迪, 鄒小波

江蘇大學(xué)食品與生物工程學(xué)院，江蘇 鎮(zhèn)江 212013

引 言

大豆蛋白肉又稱人造肉，是一種高蛋白、低脂肪且有類似動(dòng)物肉口感的仿生食品，隨著人們健康理念的轉(zhuǎn)變，這種低脂高蛋白食品越來(lái)越受到消費(fèi)者的喜愛(ài)[1]。 大豆原料從農(nóng)場(chǎng)運(yùn)輸過(guò)程中容易混入石頭、枝葉等異物，機(jī)械自動(dòng)化包裝過(guò)程中也大大增加了金屬、塑料包裝等異物混入的概率。 異物的存在嚴(yán)重?fù)p害人體身心健康。 因此異物檢測(cè)在食品行業(yè)顯得尤為重要。

常規(guī)的食品異物檢測(cè)方法主要有X射線法和計(jì)算機(jī)視覺(jué)法[2]。 X射線檢測(cè)法是一種利用X射線在穿過(guò)不同密度的物體時(shí)會(huì)產(chǎn)生不同反射強(qiáng)度的性質(zhì)對(duì)異物進(jìn)行檢測(cè)的方法，當(dāng)食品自身密度和異物存在差異時(shí), 其透過(guò)率也會(huì)有差異，這種差異可以用不同的灰度值反映在圖像上，利用此方法可以實(shí)現(xiàn)高密度異物的檢測(cè)[3]。 然而，其對(duì)吸收量較低的低密度異物檢測(cè)效果不佳，如塑料、硅膠等。 計(jì)算機(jī)視覺(jué)檢測(cè)法主要利用異物與食品顏色的差異，結(jié)合圖像分割技術(shù)實(shí)現(xiàn)異物的檢測(cè)，具有快速無(wú)損、易在線等優(yōu)點(diǎn)，已經(jīng)廣泛應(yīng)用在食品表面異物、缺陷的檢測(cè)[4]。 但是此方法十分依賴異物與背景之間的高色度差異，當(dāng)異物顏色與背景相近或者相同時(shí)計(jì)算機(jī)視覺(jué)檢測(cè)法檢測(cè)效果大大降低，無(wú)法準(zhǔn)確分割低色度差異物和背景，導(dǎo)致異物漏檢和錯(cuò)檢等食品安全事故的發(fā)生。 常規(guī)檢測(cè)法很容易檢測(cè)出諸如金屬、石頭等堅(jiān)硬非透明異物，至于軟質(zhì)、淺色、半透明或透明異物等污染來(lái)源，有待于開(kāi)發(fā)一種準(zhǔn)確性更高的方法來(lái)檢測(cè)。

提出了一種高光譜檢測(cè)法來(lái)檢測(cè)食品中低色度差異物。 高光譜成像技術(shù)近些年來(lái)被廣泛應(yīng)用于食品、農(nóng)產(chǎn)品檢測(cè)領(lǐng)域。 許多研究表明，光譜特征對(duì)農(nóng)產(chǎn)品的化學(xué)成分敏感，可見(jiàn)(VIS)[5]、近紅外(NIR)[6-7]和中紅外(MIR)光譜[8-9]已成功用于定性分析食品中的化學(xué)成分。 異物和人造肉在化學(xué)組成成分、內(nèi)部組織結(jié)構(gòu)等方面的差異表現(xiàn)在特定波段會(huì)產(chǎn)生不同的反射比。 因此，利用光譜特征來(lái)識(shí)別人造肉中的低色度差異物是可行的。

綜上所述，本研究旨在開(kāi)發(fā)一種用于人造肉中準(zhǔn)確分離低色度差異物的方法。 利用高光譜圖像的光譜信息，建立模式識(shí)別模型，再利用高光譜圖像的圖像信息，對(duì)存在光譜差異的像素點(diǎn)進(jìn)行定位，最后完成低色度差異物的分布可視化。 以此來(lái)解決計(jì)算機(jī)視覺(jué)技術(shù)對(duì)食品中低色度差異物檢測(cè)效果不佳的缺陷。

1 實(shí)驗(yàn)部分

1.1 樣品制備

選取了食品生產(chǎn)加工過(guò)程中常見(jiàn)的三種低色度差異物原料： 塑料、硅膠和玻璃。 塑料具體分為聚碳酸酯(PC), 滌綸樹(shù)脂(PET)和聚氯乙烯(PVC)三種, 塑料和硅膠均購(gòu)買(mǎi)自山東優(yōu)索化工科技有限公司, 玻璃購(gòu)買(mǎi)自當(dāng)?shù)匚褰鸬? 人造肉為齊善食品公司定制。 分別將PC、PET、PVC、硅膠和玻璃五種低色度差異物混入人造肉肉糜后, 模擬工業(yè)壓片制作流程, 制備混有異物的人造肉片, 如圖1所示。 分別設(shè)置包含五種異物的人造肉為F組、空白組為M組, 每組30個(gè)樣品，共180個(gè)樣品。

圖1 低色度差異物及含異物人造肉樣本

1.2 高光譜圖像的采集與標(biāo)定

高光譜成像系統(tǒng)由江蘇大學(xué)自主開(kāi)發(fā)組裝搭建完成，主要零部件示意圖如圖2(a)所示。 該系統(tǒng)的高光譜攝像機(jī)為線陣攝像機(jī)，曝光時(shí)間設(shè)置為50 ms，電控移動(dòng)平臺(tái)水平運(yùn)動(dòng)速度設(shè)為90 μm·s-1，分辨率為775×1 628，光譜儀的波長(zhǎng)范圍為432～963 nm，共618個(gè)波段，數(shù)據(jù)維度如圖2(b)所示。

圖2 (a)高光譜成像系統(tǒng)；(b)高光譜三維數(shù)據(jù)1： 計(jì)算機(jī)；2： 高度調(diào)節(jié)桿；3： 光譜儀；4： 鏡頭； 5： 暗箱；6： 載物臺(tái)；7： 電控移動(dòng)平臺(tái)；8： 光源Fig.2 (a) Hyperspectral imaging system； (b) Hyperspectral 3D data

1: Computer; 2: Height adjustment lever; 3: Spectrometer; 4: Lens; 5: Dark box; 6: Stage; 7: Electronically controlled mobile platform; 8: Light source

數(shù)據(jù)采集過(guò)程中，由于光照強(qiáng)度不均勻、傳感器暗電流波動(dòng)等現(xiàn)象會(huì)導(dǎo)致在光照強(qiáng)度較弱的波段形成較大的噪聲，因此高光譜圖像采集完成后需要對(duì)圖像進(jìn)行黑白板校正，校正公式如式(1)所示

(1)

式(1)中：Iλ為λ波段原始反射強(qiáng)度；Bλ為黑板圖像反射強(qiáng)度；Wλ為白板圖像反射強(qiáng)度；Rλ為λ波段校正后的反射強(qiáng)度。

1.3 光譜信息的提取與預(yù)處理

采用ENVI 4.5軟件對(duì)標(biāo)定后的高光譜圖像進(jìn)行光譜提取，其中F組高光譜圖像分別選擇100×100像素矩形異物區(qū)域?yàn)楦信d趣區(qū)域，M組選擇100×100像素表面均勻平整處矩形區(qū)域?yàn)楦信d趣區(qū)域，提取感興趣區(qū)域內(nèi)所有像素點(diǎn)的光譜值，取其平均值后得到每個(gè)樣品一條原始平均光譜數(shù)據(jù)，以此方式得到180個(gè)樣本共180條原始平均光譜數(shù)據(jù)。

采集感興趣區(qū)域得到的原始光譜數(shù)據(jù)由于受到環(huán)境、機(jī)器運(yùn)行狀況等非樣本信息的影響，除了攜帶表征樣本的有利的信息外，還會(huì)包含一些無(wú)用信息和噪聲干擾信息，如基線漂移、高頻噪聲等，因此有必要對(duì)原始光譜數(shù)據(jù)進(jìn)行一系列的預(yù)處理來(lái)除去無(wú)用信息，以提高后期建模的準(zhǔn)確性和穩(wěn)定性[10]。 采用標(biāo)準(zhǔn)正態(tài)變量變換(standard normal variate transformation, SNVT)、卷積平滑 (Savitzky-Golay, SG)、矢量歸一化(vector normalization, VN)一階導(dǎo)數(shù)(first derivatives, 1stDER)、二階導(dǎo)數(shù)(second derivatives, 2ndDER)、多元散射校正(multiplicative scatter correction, MSC)6種方法對(duì)光譜進(jìn)行預(yù)處理，并根據(jù)建模效果從中優(yōu)選最佳光譜預(yù)處理方法。

社會(huì)實(shí)踐是高等教育中不可缺少的組成部分。學(xué)校應(yīng)該充分認(rèn)識(shí)大學(xué)生社會(huì)實(shí)踐的意義,了解社會(huì)實(shí)踐在人才培養(yǎng)、社會(huì)發(fā)展中的作用，并有效地開(kāi)展相關(guān)活動(dòng)。在組織社會(huì)活動(dòng)的過(guò)程中，學(xué)校應(yīng)該廣泛征求各方意見(jiàn),尤其是學(xué)生意見(jiàn)，結(jié)合社會(huì)需求和學(xué)生自身特點(diǎn)，來(lái)確定實(shí)踐活動(dòng)的形式、內(nèi)容。此外，學(xué)校對(duì)于大學(xué)生的社會(huì)實(shí)踐活動(dòng)應(yīng)該給予經(jīng)費(fèi)和政策的支持,并動(dòng)員專業(yè)教師積極參與學(xué)生社會(huì)實(shí)踐,擔(dān)任指導(dǎo)教師。社會(huì)實(shí)踐常常涉及到專業(yè)知識(shí)的運(yùn)用，因此吸納經(jīng)驗(yàn)豐富專業(yè)教師作為指導(dǎo)老師非常有必要。此外，還可以邀請(qǐng)企業(yè)專家加入，采取聯(lián)合指導(dǎo)制度，經(jīng)常開(kāi)展交流、學(xué)習(xí)和研究，解決學(xué)生所學(xué)理論知識(shí)與實(shí)踐工作結(jié)合不緊密的問(wèn)題。

1.4 判別模型的建立和像素級(jí)異物可視化

異物識(shí)別模型和異物可視化步驟的流程如圖3所示。

1.4.1 光譜特征變量的提取

高光譜成像系統(tǒng)可以同時(shí)獲取樣本幾百個(gè)波段的光譜信息，數(shù)據(jù)明顯冗余，為此對(duì)預(yù)處理后的光譜信息做進(jìn)一步處理來(lái)減少冗余數(shù)據(jù)，獲取特征光譜信息，對(duì)后期建立穩(wěn)定高效模型至關(guān)重要。 光譜信息經(jīng)主成分分析(PCA)后[11]消除了眾多相互堆疊信息，最大程度的保留對(duì)原數(shù)據(jù)有貢獻(xiàn)的特征。 連續(xù)投影算法(SPA)[12]是一種前向特征變量選擇方法，增強(qiáng)了數(shù)據(jù)處理的速度和建模效果。

圖3 人造肉中低色度差異物檢測(cè)流程圖Fig.3 Detection flow chart of low-chromatic aberration foreign matters in soy protein meat

1.4.2 定性模型的建立

選用最小二乘支持向量機(jī)(least square support vector machine，LS-SVM)[13]、人工神經(jīng)網(wǎng)絡(luò)(back propagation artificial neural network，BP-ANN)、K最近鄰法(K-nearest neighbors，KNN)[14]和線性判別分析(linear discriminant analysis，LDA)[14]四種定性模型，分別以全波段光譜、PCA處理后的主成分變量和SPA處理后的特征波長(zhǎng)作為模型輸入變量。 LDA模型的定性結(jié)果取決于主成分?jǐn)?shù)。 KNN模型的定性結(jié)果取決于主成分?jǐn)?shù)和選擇的K值。 BP-ANN模型的輸出層單元設(shè)置為2個(gè)(異物類別1和人造肉類別2)，選擇雙曲線正切函數(shù)為模型的傳遞函數(shù)，初始權(quán)重設(shè)定為0.9，動(dòng)量因子和學(xué)習(xí)因子都設(shè)置為0.1，收斂誤差設(shè)置為0.000 2，訓(xùn)練迭代次數(shù)設(shè)置為2 000次。 SVM模型通過(guò)交叉驗(yàn)證和網(wǎng)格搜索法確定最優(yōu)的徑向基核函數(shù)正則化參數(shù)Y和基于REF核函數(shù)的參數(shù)σ2分別為2.33和2.15。

1.4.3 異物可視化

遍歷高光譜圖像中每一像素點(diǎn)的光譜數(shù)據(jù)，代入優(yōu)選的模式識(shí)別模型中，如果該像素點(diǎn)判斷為異物，則設(shè)置像素灰度值輸出為1，如果判斷為人造肉則設(shè)置像素灰度值輸出為0。 最終生成二值圖像，其中0灰度級(jí)區(qū)域代表人造肉區(qū)域，1灰度級(jí)區(qū)域代表異物區(qū)域，從而實(shí)現(xiàn)人造肉中低色度差異物的可視化。

2 結(jié)果與討論

2.1 含異物人造肉片的光學(xué)特征

圖4(a)表示的是含異物人造肉彩色圖像。 彩色圖像在RGB三個(gè)波長(zhǎng)處的灰度圖像如圖4(b, c, d)所示，其中，異物區(qū)域的灰度值顯著接近人造肉區(qū)域，這是因?yàn)镽GB三處的波長(zhǎng)在穿過(guò)透明異物時(shí)被吸收和反射的很少，直到在人造肉處發(fā)生反射，使得在RGB三處波長(zhǎng)下異物區(qū)域和人造肉區(qū)域反射強(qiáng)度差異很小。 這表明通過(guò)常規(guī)的計(jì)算機(jī)視覺(jué)技術(shù)區(qū)分此類異物和人造肉是困難的。

圖4 含異物人造肉片的光譜/圖像特征(a)： 含異物人造肉片的彩色圖像; (b)： 彩色圖像的R灰度圖像; (c)： 彩色圖像的G灰度圖像; (d)： 彩色圖像的B灰度圖像; (e)： 人造肉片和異物的平均光譜數(shù)據(jù)Fig.4 Spectral/image features of artificial meat sliceswith foreign matters

(a)： Color images of soy protein meat with foreign matters; (b)： R gray images of color images; (c)： G gray images of color images; (d)： B gray images of color images; (e): average spectral data of soy protein meat and foreign matters

從含異物人造肉片的高光譜圖像中提取的異物區(qū)域和人造肉區(qū)域的平均光譜數(shù)據(jù)如圖4(e)所示，從圖中可以看出，F(xiàn)組和M組光譜曲線在700～900 nm處趨勢(shì)大致相同，但是M組光譜曲線在460～960 nm波長(zhǎng)處強(qiáng)度明顯高于F組，有較大區(qū)分度。 F組中不同種類異物的光譜曲線相互交織。 造成F組和M組光譜讀數(shù)和光譜曲線的變化是由于人造肉片和異物之間的化學(xué)組成成分種類及其含量不同導(dǎo)致此波段下吸收強(qiáng)度的差異引起的。 異物和人造肉之間的光譜差異表明采用光譜特征將異物和人造肉進(jìn)行區(qū)分是合理的。

2.2 特征變量提取

PCA處理后前三個(gè)主成分得分圖如圖5所示，它代表樣本點(diǎn)在三維空間上的投影，前三個(gè)主成分貢獻(xiàn)率分別為92.93%，4.95%和1.37%，累計(jì)貢獻(xiàn)率達(dá)到99.26%，從圖中可以看出，經(jīng)主成分分析后的玻璃樣本可以直接被區(qū)分開(kāi)，而其他異物和人造肉樣本之間相互重疊，難以直接區(qū)分，因此需要建立識(shí)別模型進(jìn)一步區(qū)分人造肉和異物樣本。

圖6(a)為SPA算法的均方根誤差曲線(RMSE)，從圖中可以看出，特征波長(zhǎng)數(shù)為10時(shí)RMSE有極小值，提取特征波長(zhǎng)的目的是更好的實(shí)現(xiàn)異物和人造肉的分類，所以應(yīng)選取盡可能少的特征波長(zhǎng)。 最終篩選出對(duì)異物分類結(jié)果貢獻(xiàn)最大的特征波長(zhǎng)為573.724 9，445.943 0，443.456 7，446.772 1，457.565 6，450.920 1，442.628 2，447.601 4，959.813 0和436.833 9 nm。

圖5 主成分分析前三個(gè)主成分得分圖Fig.5 Scores of the first three principal componentsof principal component analysis

圖6 特征波長(zhǎng)篩選結(jié)果(a)： 均方根誤差曲線；(b)： 特征波段示意圖Fig.6 Screening results of characteristic wavelengths(a)： Root mean square error curve; (b)： Schematic diagram of characteristic wavelengths

2.3 基于光譜特征構(gòu)建異物識(shí)別模型

建模前為了優(yōu)選出最佳預(yù)處理方法，將F組和M組預(yù)處理并經(jīng)PCA分析的光譜作為輸入變量，構(gòu)建LDA模型。 表1為各預(yù)處理光譜建立的LDA模型預(yù)測(cè)結(jié)果。 通過(guò)比較SNVT，SG，MSC，VN, 1stDER和2ndDER六種預(yù)處理方法對(duì)模型準(zhǔn)確率的影響，發(fā)現(xiàn)SG在消除噪聲等干擾信息方面效果最佳，本研究均采用SG法作為光譜預(yù)處理方法。

將F組和M組共180個(gè)樣本的高光譜數(shù)據(jù)采用K-S算法按照2∶1比例劃分為120個(gè)訓(xùn)練集和60個(gè)預(yù)測(cè)集，經(jīng)SG預(yù)處理后，分別以全波段光譜、前10個(gè)主成分變量和特征波長(zhǎng)作為模型輸入。 選擇最優(yōu)參數(shù)下的模型識(shí)別結(jié)果如表2所示。 總體而言，PCA主成分變量建模的識(shí)別率要優(yōu)于特征波段建模效果，這表明主成分變量代表的全波段光譜信息量多于特征波段。 全波段建模效果最差，說(shuō)明全波段承載大量冗余信息，降低了建模的效果。 比較不同的識(shí)別模型，BP-ANN模型具有最佳的分類效果。 在PCA主成分變量為模型輸入下，校準(zhǔn)集和預(yù)測(cè)集的識(shí)別率分別為97.50%和98.33%。 這可能是由于融合數(shù)據(jù)之間的非線性數(shù)據(jù)強(qiáng)度變化高于線性數(shù)據(jù)，并且在處理非線性數(shù)據(jù)時(shí)，BP-ANN模型要優(yōu)于其他模型。 KNN模型準(zhǔn)確率低于其他模型，分析原因可能是KNN模型中F和M兩組樣本都交錯(cuò)聚集在樣本間距K附近，難以通過(guò)固定的K值區(qū)分。 上述結(jié)果表明，使用基于主成分變量?jī)?yōu)化的BP-ANN模型成功表征了異物或人造肉樣本對(duì)應(yīng)的光譜特征。

表1 六種預(yù)處理方法下LDA模型的識(shí)別率(%)Table 1 LDA classification results of differentspectral preprocessing methods

表2 不同模式識(shí)別模型異物識(shí)別率(%)Table 2 Foreign matters recognition rate of differentpattern recognition models (%)

2.4 高光譜法與計(jì)算機(jī)視覺(jué)法異物檢測(cè)結(jié)果對(duì)比

通過(guò)1.1節(jié)中所述方法，采集混有異物的人造肉片高光譜圖像，分別用計(jì)算機(jī)視覺(jué)法和高光譜法對(duì)異物區(qū)域從人造肉背景進(jìn)行分割，結(jié)果如圖7所示。

圖7 高光譜成像技術(shù)和計(jì)算機(jī)視覺(jué)技術(shù)進(jìn)行異物檢測(cè)

圖7(c)為人造肉片感興趣區(qū)域的灰度圖像，使用OTSU算法，通過(guò)計(jì)算類間最大方差來(lái)確定灰度圖像分割閾值的閾值為142，使用常規(guī)計(jì)算機(jī)視覺(jué)法在此閾值下進(jìn)行異物區(qū)域分割的二值圖像結(jié)果如圖7(e)所示，經(jīng)過(guò)處理后，包埋在人造肉片中的異物區(qū)域無(wú)法識(shí)別，異物暴露區(qū)域面積檢出率在20%～30%之間，檢測(cè)效果不佳，相反人造肉片的缺陷區(qū)域(標(biāo)有紅色方塊區(qū)域)得到較好的分割，對(duì)異物區(qū)域的判別造成嚴(yán)重干擾，容易造成誤判，異物識(shí)別效果較差。

提取圖7(d)高光譜數(shù)據(jù)塊中每一像素點(diǎn)的光譜數(shù)據(jù)，提取特征信息之后代入2.3節(jié)中優(yōu)選的BP-ANN異物識(shí)別模型，異物區(qū)域像素灰度值輸出為1，人造肉區(qū)域像素灰度值輸出為0，每一像素點(diǎn)的屬性類別都得到可視化顯示。 結(jié)果如圖7(f)所示，異物與人造肉片區(qū)分明顯，異物面積檢出率大于90%，效果顯著優(yōu)于計(jì)算機(jī)視覺(jué)法，且缺陷區(qū)域沒(méi)有對(duì)結(jié)果造成干擾。 這些結(jié)果表明，盡管異物顏色和人造肉片顏色相近、色度差很低，但是高光譜特征仍可將異物與人造肉片區(qū)分開(kāi)。

2.5 驗(yàn)證試驗(yàn)

為了驗(yàn)證優(yōu)選模型的識(shí)別效果, 將生活中常見(jiàn)的瓶蓋碎片(PC), 飲料瓶碎片(PET), 塑料袋碎片(PVC)，硅膠手套碎片和玻璃片設(shè)置成3 mm×3 mm，5 mm×5 mm和10 mm×10 mm三個(gè)尺寸梯度。 每個(gè)尺寸制備50個(gè)異物樣本和50個(gè)無(wú)異物樣本進(jìn)行驗(yàn)證試驗(yàn)，含異物樣本定義為“陽(yáng)性”，無(wú)異物樣本定義為“陰性”。 計(jì)算了預(yù)測(cè)結(jié)果的靈敏度(Se)和特異性(Sp)，并將其用于估計(jì)最佳校準(zhǔn)模型的能力。 結(jié)果如表3所示。

表3 含異物人造肉BP-ANN驗(yàn)證結(jié)果Table 3 BP-ANN verification results of artificialmeat containing foreign matters

結(jié)果顯示，3×3尺寸下，一個(gè)無(wú)異物人造肉樣本被誤判，三個(gè)含異物人造肉樣本被誤判為無(wú)異物，總體識(shí)別率達(dá)96%。 5×5尺寸下，無(wú)異物人造肉被全部識(shí)別, 有兩個(gè)含異物人造肉樣本被誤判為無(wú)異物，總體識(shí)別率達(dá)98%。 10×10尺寸下，一個(gè)無(wú)異物人造肉樣本被誤判，兩個(gè)含異物人造肉樣本被誤判為無(wú)異物，總體識(shí)別率達(dá)97%。 從結(jié)果看，異物尺寸對(duì)模型準(zhǔn)確率幾乎沒(méi)有影響，準(zhǔn)確率沒(méi)有大的變化，同時(shí)也驗(yàn)證了高光譜成像技術(shù)結(jié)合模式識(shí)別模型對(duì)人造肉中低色度差異物檢測(cè)的可行性。

3 結(jié) 論

以人造肉生產(chǎn)加工過(guò)程中常見(jiàn)的低色度差異物(塑料、硅膠和玻璃)為研究對(duì)象，利用高光譜成像技術(shù)結(jié)合模式識(shí)別模型算法建立了異物的判別模型，并實(shí)現(xiàn)異物位置的可視化。 結(jié)果表明SG光譜預(yù)處理方法在光譜數(shù)據(jù)降噪方面效果最佳，主成分變量結(jié)合BP-ANN模型在低色度差異物識(shí)別中穩(wěn)定性和識(shí)別率效果最佳，異物的尺寸對(duì)模式識(shí)別模型穩(wěn)定性的影響有限，對(duì)最終判別結(jié)果的影響可忽略不計(jì)，對(duì)于人造肉中的低色度差異物，高光譜法檢測(cè)準(zhǔn)確率顯著高于計(jì)算機(jī)視覺(jué)法。