陳遠哲，王巧華, 2*，田文強，徐步云，胡建超

1.華中農(nóng)業(yè)大學工學院，湖北 武漢 430070 2.農(nóng)業(yè)部長江中下游農(nóng)業(yè)裝備重點實驗室，湖北 武漢 430070

引 言

皮蛋是我國特有的傳統(tǒng)蛋制品，風味獨特，營養(yǎng)價值豐富；皮蛋中富含不飽和脂肪酸，且氨基酸比例平衡，易消化吸收，深受人們的喜愛[1]。傳統(tǒng)上，皮蛋的加工通常使用鉛和其他對人類有害的重金屬。玄夕龍等嘗試采用無鉛工藝腌制皮蛋[2]。然而，腌制液中缺乏鉛等金屬來控制堿性溶液滲透到鴨蛋內(nèi)部，可能會造成堿傷影響皮蛋的品質(zhì)[3]。由于堿傷的存在，出缸期后皮蛋就被分為不同的等級。凝固完全富有彈性的凝膠狀態(tài)屬于優(yōu)質(zhì)蛋；輕微堿傷，剝開后有少許黏殼、糟頭等現(xiàn)象的屬于合格蛋；嚴重堿傷，剝開后出現(xiàn)爛頭，局部液化的屬于不合格蛋[4]。由于蛋殼掩蓋了鴨蛋基質(zhì)中發(fā)生的過程，腌制期中很難根據(jù)皮蛋的凝膠質(zhì)構(gòu)特性準確地調(diào)整堿性溶液的精確濃度，以避免產(chǎn)生堿傷的皮蛋。目前國內(nèi)對皮蛋分級一致的做法是依靠人工，通過燈照、敲蛋感知振蕩量等方式來估算。這種方法繁瑣低效，不能滿足皮蛋行業(yè)快速、可靠地檢測皮蛋的凝膠質(zhì)構(gòu)特性與不同品質(zhì)的分級要求。

高光譜圖像是一種無損檢測新技術(shù)，已成功應用于肉類、果蔬等品質(zhì)的分析與檢測[5-6]。高光譜數(shù)據(jù)包含了豐富的光譜信息，能夠精確地檢測出缸期皮蛋的光譜特征，估算皮蛋的質(zhì)構(gòu)參數(shù)進而判斷皮蛋的等級。近年來，研究人員已從皮蛋破損、凝膠狀態(tài)、分級等方面做了初步研究：劉龍等根據(jù)皮蛋蛋殼的聲學特性，基于小波能量和BP神經(jīng)網(wǎng)絡對皮蛋的破損狀況進行檢測[7]；Li[8]等根據(jù)皮蛋的介電阻抗，采用介電檢測將皮蛋分為凝膠狀皮蛋和非凝膠狀皮蛋，BN分類器的精度為81%；王巧華等[9]利用機器視覺與近紅外光譜對皮蛋進行分級，優(yōu)質(zhì)蛋、次品蛋和劣質(zhì)蛋的準確率分別為：96.49%，94.12%和100%。目前關于皮蛋凝膠質(zhì)構(gòu)特性的高光譜預測的研究尚無報道。

為評價出缸期皮蛋的質(zhì)構(gòu)特性，高效、可靠地對皮蛋進行分級，本工作對采集的皮蛋高光譜數(shù)據(jù)進行多種光譜變換，分析一維光譜、二維光譜和質(zhì)構(gòu)特性的相關性，提取特征波長，建立光譜信息與皮蛋凝膠質(zhì)構(gòu)特性的回歸模型和分類模型，以期為今后的皮蛋內(nèi)部檢測提供依據(jù)。

1 實驗部分

1.1 材料

試驗用的優(yōu)質(zhì)蛋、合格蛋和不合格蛋均由湖北神丹健康食品有限公司生產(chǎn)。這些皮蛋都是采用市面上常見的青殼新鮮鴨蛋腌制，所有皮蛋都是在相同的條件下，按照同一的程序生產(chǎn)的。腌制完成后，由經(jīng)驗豐富的工人挑選大小相近，蛋殼無破損的皮蛋作為試驗樣本。圖1(a)所示的為完全凝膠化的優(yōu)質(zhì)蛋，剝?nèi)ず?，皮蛋小端的蛋清彈性光滑，且含有“松花”，不存在粘稠液體；圖1(b)顯示的是由于黏殼，皮蛋尖端存在小部分糟頭現(xiàn)象，輕微堿傷，屬于合格蛋；圖 1(c)所示的皮蛋有嚴重爛頭現(xiàn)象，局部液化，存在粘稠液體，屬于未完全凝膠的不合格蛋。其中優(yōu)質(zhì)蛋有105枚，合格蛋有75枚，不合格蛋有60枚。

圖1 不同品質(zhì)皮蛋樣本圖

1.2 儀器

實驗儀器：TMS-PRO型專業(yè)食品物性分析儀(質(zhì)構(gòu)儀)；Zolix Hyper SIS-VNIR-CL高光譜圖像采集系統(tǒng)(美國海洋光學公司)。如圖2所示，高光譜成像系統(tǒng)的組成主要有光譜儀(Spectral Imaging Ltd.公司)、CCD工業(yè)相機(Hamamatsu公司)、4個150 W的鹵鎢燈(北京卓立漢光儀器有限公司)、1架水平移動控制臺(北京卓立漢光有限公司)等部件構(gòu)成。該采集系統(tǒng)的光譜波長范圍為400～1 000 nm(含有520個波段)，分辨率為2.5 nm, 所有樣本均在暗箱內(nèi)采集。

圖2 高光譜成像系統(tǒng)

1.3 高光譜圖像的采集與校正

實驗前，需將儀器預熱30 min，以消除暗電流和CCD工業(yè)相機芯片不穩(wěn)定的影響，之后在移動平臺上放置自制帶孔載物板，打開光源，將完整帶殼皮蛋鈍端朝下水平放置。高光譜數(shù)據(jù)采集的相關參數(shù)設置為：試驗樣本與鏡頭的距離為35 cm, 曝光時間為0.15 s，水平移動控制臺的速度為2 mm·s-1, 移動距離為210 nm。實驗中會有光照不均、響應時間不同等影響，因此需對采集的原始高光譜圖像進行黑白版校正[10]，最終得到光譜反射率I，圖像校正公式為

(1)

式(1)中，IRaw為原始高光譜反射率；IB為黑板校正反射率(反射率接近0)；IW為白板校正反射率(反射率接近1)。

校正后，利用ENVI軟件(美國Exelis VIS公司)建立掩膜獲取感興趣區(qū)域，選取反射強度最高的數(shù)值減去最低的數(shù)值作成的新灰度圖像，然后采用Otsu閾值分割獲得二值圖像，進而提取每個樣本的ROI，計算每個樣本的ROI區(qū)域的平均反射光譜作為對應的原始反射光譜。

1.4 皮蛋質(zhì)構(gòu)特性的測定方法

利用TMS-PRO型專業(yè)食品物性分析儀進行TPA質(zhì)地多面剖析法(texture profile analysis)實驗。將形成凝膠之后的蛋清切成1 cm×1 cm×1 cm的方塊，在傳感器上安裝P/5平底柱形探頭，在凝膠測定程序中設置參數(shù)為：測定前速度為60 mm·min-1, 測定速度為60 mm·min-1, 測定后速度為60 mm·min-1，壓縮比為0.4，引發(fā)距離為20 mm, 引發(fā)力為5 g。采用TPA程序進行凝膠質(zhì)構(gòu)測定，得到硬度、彈性參數(shù)，重復3次取平均值。

1.5 數(shù)據(jù)處理

1.5.1 一維、二維特征光譜分析

利用Matlab2016a軟件對原始光譜反射率進行多元散射校正(multiplicative scatter correction, MSC)、去除包絡線(continuum removal, CR)、一階求導(first derivative, FD)以及包絡線去除和一階求導組合變換法(CR-FD)得到一維光譜。利用SPSS軟件的Pearson相關分析法對不同預處理的一維光譜與質(zhì)構(gòu)特性進行相關性分析。

二維相關光譜(two-dimensional correlation spectra, 2DCOS)是將一維光譜數(shù)據(jù)擴展到第二維度上，可以增加光譜的分辨率，使得一維光譜的弱峰和重疊峰更加清晰。利用2D shige軟件將所有波段的一維光譜兩兩組合生成二位相關光譜，以質(zhì)構(gòu)特性作為外部擾動條件，深度解析二維同步光譜的特征變化，尋找與質(zhì)構(gòu)特性擾動相關的特征波段范圍。

1.5.2 特征波長的選擇

針對二維相關光譜篩選出的特征波段范圍，光譜數(shù)據(jù)之間仍然存在共線嚴重，影響模型運算速度等問題。因此采用如下5種方法提取有效信息變量：連續(xù)投影算法(successive projections algorithm, SPA)是一種前向循環(huán)的特征變量選取方法，能夠過濾無用信息，降低光譜數(shù)據(jù)之間的共線性, 變量數(shù)的確定是根據(jù)在該范圍內(nèi)的最小均方根誤差值(root mean square error, RMSE)；競爭性自適應重加權(quán)算法(competitive adaptive reweighted sampling, CARS)是由自適應重加權(quán)采樣(ARS)算法提取PLSR模型中Rc絕對值大的波動點，并由交叉驗證選出模型中RMSECV最小的子集作為最優(yōu)變量子集；遺傳算法(genetic algorithm, GA)是把復雜的模型用繁殖機制結(jié)合編碼技術(shù)表現(xiàn)，不斷迭代、優(yōu)化來求得最優(yōu)解。粒子群優(yōu)化算法(particle swarm optimization, PSO)是一種迭代啟發(fā)式智能優(yōu)化算法，具有容易實現(xiàn)、收斂效果好等特點，PSO算法中所有粒子都有一個函數(shù)所決定的適應值，以F=R2(R2為決定系數(shù))為適應度函數(shù)篩選特征波長；無信息消除法(uninformative variables elimination，UVE)為在原始數(shù)據(jù)中隨機添加一定數(shù)量級(本研究采用0～10-6)的噪聲, 逐次剔除一個樣本，剩下的樣本作為訓練集建立PLS回歸模型，得到的回歸系數(shù)x由可信度Y來判斷是否選取該波長。

(2)

式(2)中，Yi為第i個波長的可信度; mean(xi)為模型平均回歸系數(shù); std(xi)為每個波長的方差；當|Yk|>max|Yj|時，選取該波長,k取1～520,j取450～1 000。

1.5.3 建模方法與模型評價

采用PLSR建立皮蛋凝膠質(zhì)構(gòu)特性的檢測回歸模型。PLSR是一種經(jīng)典的根據(jù)最小偏差的平方對曲線進行擬合的方法，它是將質(zhì)構(gòu)參數(shù)作為因變量引入到光譜自變量數(shù)據(jù)中，進行分解，使得自變量的主成分與樣本的質(zhì)構(gòu)參數(shù)相關聯(lián)。

通過化學計量法結(jié)合皮蛋凝膠質(zhì)構(gòu)參數(shù)找出表征出缸期不同品質(zhì)皮蛋的光譜差異性，來實現(xiàn)對未知出缸期皮蛋樣本品質(zhì)的分級。本研究從監(jiān)督模式判別方法建立偏最小二乘判別分析(partial least squares discriminate analysis , PLS-DA)，BP(back propagation)神經(jīng)網(wǎng)絡和隨機森林(random forest, RF)三種分類模型進行皮蛋品質(zhì)鑒別。

建立回歸模型后，采用決定系數(shù)R2、均方根誤差和相對分析誤差(relative percent deviation, RPD)作為PLSR模型的有效指標,R2越大、RMSE越小，表明模型的預測性越好。RPD是表示模型是否穩(wěn)定，當RPD<1.4時，則認為模型不可靠；當1.42時，說明模型具有極好的預測能力。

分類模型的性能基于混淆矩陣、ROC和AUC對模型進行評價?；煜仃囀怯脕韺Ψ诸惸Ｐ皖A測結(jié)果的一種評價方式，ROC曲線能反應分類器在某個閾值時對樣本的識別能力，其曲線下的面積(area under curve, AUC)用來作為定量數(shù)值的指標。

2 結(jié)果與討論

2.1 皮蛋的原始光譜曲線分析

不同品質(zhì)皮蛋的原始高光譜曲線如圖3(a), 不同品質(zhì)皮蛋的光譜曲線的走向趨勢相似，表明優(yōu)質(zhì)蛋、合格蛋與不合格蛋樣品的內(nèi)部化學成分基本一致，但光譜集在401.3～449.6和952.5～1 000 nm范圍存在明顯的噪聲，故選用波段區(qū)間(450～950 nm)的光譜作為有效波段進行分析。

圖3 樣本原始光譜(a), 樣本平均光譜(b)

圖3(b)所示為混合樣本集105枚優(yōu)質(zhì)蛋、75枚合格蛋和60枚不合格蛋的ROI平均光譜曲線。不同品質(zhì)的皮蛋表現(xiàn)出一定的差異，不合格皮蛋的的反射強度最高，合格蛋次之，優(yōu)質(zhì)蛋最低。其中，不合格蛋的第一個平均反射率波峰在534～561 nm, 合格蛋和優(yōu)質(zhì)蛋的反射率波峰有所前移，在523～558 nm附近。由于可見/近紅外波段的主要的吸收帶是由強泛音和含氫鍵O—H(多來自于水分子)、C—H(多來自于有機分子)、N—H(多來自于蛋白質(zhì))的吸收產(chǎn)生的，因此這些差異可能與皮蛋在腌制期蛋殼氣孔數(shù)量和內(nèi)膜結(jié)構(gòu)特性對凝膠品質(zhì)造成的影響有關，使出缸期不同品質(zhì)皮蛋的光譜有明顯差異。

2.2 樣本集的劃分

試驗樣本中共有240枚皮蛋，利用光譜理化值共生距離法(sample set partitioning based on joint X-Y distances, SPXY)結(jié)合光譜信息按照3∶1比例對質(zhì)構(gòu)硬度和彈性進行校正集和預測集劃分，統(tǒng)計出校正集和預測集的最大值、最小值、平均值和標準差如圖4所示。在圖4(a)中，硬度的分布范圍2.1～11.1 N，校正集和預測集的標準差分別為1.414 3和1.402 5；在彈性統(tǒng)計分類圖4(b)中，彈性值在12.47%～39.72%范圍內(nèi), 校正集和預測集的標準差為3.015 4和2.985 4；通過SPXY法劃分的凝膠質(zhì)構(gòu)校正集的分布范圍要廣于預測集，因此數(shù)據(jù)具有代表性。

圖4 樣本凝膠質(zhì)構(gòu)參數(shù)統(tǒng)計

2.3 一維光譜特征與質(zhì)構(gòu)特性的相關性分析

對原始光譜平滑預處理后，進行多元散射校正、包絡線去除、一階求導、包絡線去除和一階求導組合變換，獲取不同光譜變換后的光譜變量與皮蛋凝膠質(zhì)構(gòu)參數(shù)的相關性，得到皮蛋質(zhì)構(gòu)參數(shù)和光譜變換的相關系數(shù)圖以及最大相關系數(shù)和敏感波段表，由圖5和表1所示。

表1 皮蛋凝膠質(zhì)構(gòu)特性最大相關系數(shù)和敏感波段

由圖5(a)可知，MSC和CR變換后的光譜和硬度的相關性走勢相似，由MSC、CR變換的光譜在541～778和537～803 nm波段與凝膠質(zhì)構(gòu)硬度的相關性達到了0.01極顯著相關水平，分別在714和726 nm處光譜變換的反射率與凝膠質(zhì)構(gòu)硬度的相關性最大，為-0.832和-0.871，且CR變換后的相關性整體大于MSC變換后的；由FD和CR-FD變換后的光譜與質(zhì)構(gòu)硬度的相關性曲線呈正負起伏變化，兩者變換后的光譜在541～601，652～731，742～753和802～842 nm波段附近與凝膠質(zhì)構(gòu)硬度的相關性達到0.01極顯著相關水平，分別在657和683 nm處光譜變換的反射率與凝膠質(zhì)構(gòu)硬度相關性最大，為0.813和0.882。同理，如圖5(b)所示，對不同變換后的光譜反射率與凝膠質(zhì)構(gòu)彈性進行相關性分析，由MSC和CR變換后的光譜相關性相似，兩者分別在450～523和450～519 nm波段的光譜變換反射值與質(zhì)構(gòu)彈性達到0.01極負顯著相關水平，在739～942和714～946 nm波段的光譜變換反射率值與質(zhì)構(gòu)彈性達到0.01極正顯著相關水平，在806和817 nm處光譜變換的反射值與質(zhì)構(gòu)彈性相關性最高，分別為0.714和0.782；由FD和CR-FD變換后的光譜與質(zhì)構(gòu)彈性的相關性曲線表現(xiàn)為正負交叉，同時波峰波谷增多，在472～491和517～603 nm波段附近達到0.01極負顯著相關水平，在654～821和846～950 nm波段附近達到0.01極正顯著相關水平，分別在713和715 nm處的光譜變換反射值與質(zhì)構(gòu)彈性相關性最高，為0.862和0.865；由此可見，經(jīng)CR-FD變換的光譜反射率值與凝膠質(zhì)構(gòu)參數(shù)的相關性較其他變換方法的相關性有所提高。

圖5 硬度與光譜變換數(shù)據(jù)的相關性(a), 彈性與光譜變換數(shù)據(jù)的相關性(b)

2.4 二維相關光譜的圖譜特征

對CR-FD變換后的光譜采用二維相關光譜技術(shù)，表征以凝膠質(zhì)構(gòu)硬度和彈性為擾動因子時，高光譜信號變化的協(xié)同程度，繪出的樣本2DCOS同步譜、三維立體圖和自相關譜，如圖6所示。2DCOS同步譜圖6(a)存在自相關和交叉峰，對角線上的自相關峰與質(zhì)構(gòu)硬度和彈性相關，表征該波段處光譜信號在質(zhì)構(gòu)硬度和彈性改變時的變化程度；對角線外的交叉峰反映了在質(zhì)構(gòu)硬度和彈性變化時各吸收峰之間的相關程度。在自相關譜圖6(c)中，以硬度為擾動因子時，波長476，539，647，672，728和851 nm處存在自相關峰，表明該波長處的光譜信號對硬度值較敏感，在波長483，572，657，739和826 nm處的光譜信號對彈性值較敏感，說明上述變量是與凝膠質(zhì)構(gòu)相關的敏感變量波長。因此，本文選擇476～851 nm作為皮蛋凝膠硬度的研究區(qū)域，選擇483～826 nm作為皮蛋凝膠彈性的研究波長范圍。

圖6 皮蛋凝膠質(zhì)構(gòu)特性二維相關同步譜(a)，三維立體圖(b)，自相關譜(c)

2.5 特征波長提取

由二維相關光譜得出結(jié)果可以看出，兩種質(zhì)構(gòu)指標的敏感波段數(shù)量依然較多。采用5種方法對經(jīng)CR-FD變換的質(zhì)構(gòu)硬度光譜476～851 nm波段和質(zhì)構(gòu)彈性483～826 nm波段篩選特征波長，其分布情況如圖7所示。對于圖7(a)硬度波長的篩選，由SPA算法選擇的波長最少，使用CARS算法選擇的波長數(shù)量最多，使用GA選擇的波長分布在特定的波段區(qū)域，而使用PSO和UVE算法選擇的波長相對均勻涉及整個波段。經(jīng)特征波長選擇后，硬度波長數(shù)量最少占整個波段的2.4%，最多占波段的6.7%。對于圖7(b)彈性波長的篩選，使用SPA算法選擇波長數(shù)最少，使用GA選擇的波長最多，運用不同方法選擇的波長分布較分散且不連續(xù)，彈性波長數(shù)量最少占整個波段的2.3%，最多占7.6%。可以看出，不同方法提取的波長的數(shù)量也不同，因此確定特征波長可以有效減少光譜數(shù)據(jù)冗余，提高模型的運行速度。

圖7 硬度特征波長分布(a), 彈性特征波長分布(b)

2.6 PLSR模型的建立與預測

采用5種不同波長選擇方法SPA，CARS，GA，PSO和UVE篩選的特征波長作為PLSR模型的自變量，皮蛋凝膠質(zhì)構(gòu)硬度和彈性分別作為因變量，建立回歸模型。將全光譜數(shù)據(jù)用于建模對比，分析波長篩選的效果，模型的預測效果如表2所示。

表2 皮蛋質(zhì)構(gòu)硬度和彈性的PLSR模型預測結(jié)果

圖8 質(zhì)構(gòu)硬度驗證散點圖(a), 彈性驗證散點圖(b)

2.7 皮蛋品質(zhì)的預測

為了準確預測不同品質(zhì)的皮蛋，采用以彈性為標準值回歸模型較優(yōu)的PSO算法提取特征波長，將得到的20個波長變量作為輸入量分別導入到PLS-DA，BP和RF分類模型。對樣本集按照2∶1劃分，得到皮蛋測試集(優(yōu)質(zhì)蛋35枚、合格蛋25枚、不合格蛋20枚)，其預測效果與ROC曲線如圖9所示，PLS-DA模型的性能表現(xiàn)最好，優(yōu)質(zhì)蛋與合格蛋的準確率在0.92以上，不合格蛋的準確率達到1.00；相較之下，BP分類模型的泛化能力較弱，對優(yōu)質(zhì)蛋的分類RF分類模型效果略優(yōu)于BP模型。

圖9 不同模型預測結(jié)果的混淆矩陣與ROC曲線

3 結(jié) 論

(1)經(jīng)不同變換的一維光譜數(shù)據(jù)，可以提高凝膠質(zhì)構(gòu)硬度、彈性與光譜變量的相關性。由CR-FD變換后的光譜反射率與凝膠質(zhì)構(gòu)硬度、彈性相關性最大，分別在683和715 nm處取到最大值為0.882和0.865?；诙S相關光譜方法，以皮蛋凝膠質(zhì)構(gòu)硬度和彈性為擾動因子，選擇476～851和483～826 nm兩個敏感波段分別作為凝膠硬度和彈性的研究區(qū)域。

(3)基于PSO提取的特征波長建立的不同分類模型對不同品質(zhì)皮蛋進行預測，以測試結(jié)果的混淆矩陣和ROC曲線作為綜合指標，選擇PLS-DA模型可實現(xiàn)不同品質(zhì)皮蛋的準確分類。