白雪冰，馬殿坤，張夢杰，馬瑞芹

中國農(nóng)業(yè)大學(xué)信息與電子工程學(xué)院，北京 100083

引 言

2012年我國羊肉產(chǎn)量為405萬噸，到2019年我國羊肉產(chǎn)量已達(dá)488萬噸。 8年間，羊肉產(chǎn)量上漲83萬噸，在畜肉產(chǎn)量中的占比從6.27%上升到了9.02%[1]。 與此同時，消費者對紅肉的質(zhì)量安全問題愈加重視，優(yōu)質(zhì)紅肉因具有新鮮、 營養(yǎng)、 感官好等特點而受到消費者的青睞[2]。 然而，“變質(zhì)肉”、 “摻假肉”、 “添加肉”和“注水肉”等食品質(zhì)量安全事故頻發(fā)，已經(jīng)成為威脅我國居民生命安全和阻礙市場良性發(fā)展的嚴(yán)重問題[3]。 目前，消費者購買冷鮮紅肉時只能根據(jù)紅肉的色澤、 觸感等感官信息判別其新鮮度，但是大多數(shù)消費者都不具備準(zhǔn)確判別的能力。 因此，構(gòu)建標(biāo)準(zhǔn)化的紅肉質(zhì)量無損快速檢測方法，可以極大的促進(jìn)我國紅肉質(zhì)量安全監(jiān)管體系的規(guī)范化發(fā)展。

目前，紅肉質(zhì)量檢測主要依托于質(zhì)地剖面分析、 半微量定氮法、 平板計數(shù)法等理化實驗，對實驗條件、 時間和人員的專業(yè)知識技能都有苛刻的要求，同時對樣本具有較強(qiáng)的破壞性，并不適用于在一般的生活生產(chǎn)中推廣應(yīng)用。 高光譜技術(shù)具有無接觸、 高通量、 對檢測環(huán)境和人員專業(yè)能力要求寬松等優(yōu)勢，為紅肉質(zhì)量安全檢測開辟了一條新的研究方向[4-5]。

本文簡述了紅肉質(zhì)量的表征形式，分析了高光譜技術(shù)在紅肉質(zhì)量無損檢測研究中的優(yōu)缺點，重點綜述了紅肉質(zhì)量無損檢測建模中關(guān)鍵算法的研究進(jìn)展，討論了采用高光譜技術(shù)無損檢測紅肉質(zhì)量相關(guān)研究面臨的挑戰(zhàn)與發(fā)展趨勢。

1 紅肉質(zhì)量高光譜無損檢測概述

1.1 紅肉質(zhì)量表征形式

紅肉質(zhì)量是反映其新鮮程度的固有屬性，可分類為由感官評價獲取的外在屬性和需要化學(xué)測量的內(nèi)在屬性。 羊肉的品質(zhì)變化究其根本是由微生物引起的，羊肉的肌肉組織一般是無菌的，由于外部污染導(dǎo)致微生物接種到羊肉組織并開始繁殖，由此構(gòu)成了羊肉的微生物特性。 在微生物和酶的共同作用下，使蛋白質(zhì)和脂肪等營養(yǎng)物質(zhì)逐漸分解，進(jìn)而引起酸堿度屬性變化并產(chǎn)生對人體健康有害的化學(xué)成分，由此構(gòu)成了羊肉的化學(xué)特性。 營養(yǎng)物質(zhì)流失和有害物質(zhì)積累等內(nèi)在特性的變化會以一定的外在形式表現(xiàn)出來，例如肌紅蛋白的氧化會引起肉色的變化、 蛋白質(zhì)的分解會導(dǎo)致羊肉質(zhì)地癱軟，由此構(gòu)成了羊肉的物理特性[6]，如圖1所示。

圖1 紅肉質(zhì)量特性分類及聯(lián)系Fig.1 Classification and relationship of quality characteristics for red meat

1.2 高光譜成像技術(shù)特點

高光譜成像技術(shù)是一種基于多窄波段的圖像數(shù)據(jù)技術(shù)，獲取目標(biāo)的二維圖像和以一維光譜，形成連續(xù)、 窄波段的圖像數(shù)據(jù)[7]。 高光譜成像不僅具備圖像和光譜技術(shù)的無損、 高通量、 快速等檢測特點，還具有如下特點：

(1)圖譜合一。 高光譜成像技術(shù)同時獲取目標(biāo)的圖像和光譜，可更加全面、 有效、 準(zhǔn)確的描述目標(biāo)外在特征(形狀、 色澤等)和內(nèi)在特征(物理結(jié)構(gòu)、 化學(xué)成分)。 融合紅肉的光譜和圖像特征構(gòu)建多源信息的紅肉質(zhì)量無損檢測模型，可以克服單一特征受噪聲影響而導(dǎo)致的模型性能差等問題[8]。

(2)分辨率高。 高光譜相機(jī)覆蓋波段范圍廣，可從可見光波段延伸到中紅外波段，形成一條近似連續(xù)的曲線，分辨率小于10 nm。 較高的分辨率可以提高高光譜技術(shù)獲取紅肉質(zhì)量信息的能力[9]。

(3)模型多樣。 基于高光譜圖譜合一特性進(jìn)行多樣化建模，可應(yīng)用于目標(biāo)的外在特征感知、 成分定量預(yù)測、 質(zhì)量安全評估等研究，使得數(shù)據(jù)的分析和處理更加靈活、 方便。

高光譜成像技術(shù)作為一種新興的數(shù)據(jù)獲取技術(shù)，目前也存在諸多問題有待進(jìn)一步優(yōu)化，具體如下：

(1)冗余度高。 高光譜數(shù)據(jù)是由二維圖像和一維光譜組成的三維數(shù)據(jù)，體量較大； 相鄰波段相關(guān)性強(qiáng)，同時包含背景等無用信息，導(dǎo)致高光譜數(shù)據(jù)的冗余程度較高。 對于特定的目標(biāo)，高光譜大體量的數(shù)據(jù)會掩蓋目標(biāo)特征信息，不利于快速分析和識別目標(biāo)參數(shù)[10]。

(2)信噪比低。 由于技術(shù)的不成熟，目前高光譜相機(jī)采集信息的信噪比較低，對光譜預(yù)處理算法的要求相對較高。

(3)非線性強(qiáng)。 高光譜數(shù)據(jù)的非線性主要來源于光源照射樣品后的反射過程和反射光在空氣中的傳播過程，這要求采用更復(fù)雜的非線性模型進(jìn)行處理。

1.3 紅肉質(zhì)量高光譜無損檢測機(jī)理

光譜檢測目標(biāo)主要為含氫基團(tuán)的化合物及其衍生性質(zhì)，例如TVB-N主要結(jié)構(gòu)為N—H基團(tuán)，而色澤等屬性特征則是肌紅蛋白氧化基團(tuán)的衍生表現(xiàn)。 可見/近紅外光譜可有效記錄C—H，O—H和N—H等含氫基團(tuán)的基頻、 倍頻及合頻吸收的相關(guān)信息，當(dāng)采用連續(xù)的可見/近紅外光照射紅肉樣品時，樣品會選擇性的吸收與基團(tuán)發(fā)生共振波段的光，通過采集樣品漫反射的可見/近紅外光譜就可以實現(xiàn)樣品化學(xué)成分和物理結(jié)構(gòu)的定性定量分析。

2 紅肉質(zhì)量高光譜信息解析方法

2.1 感興趣區(qū)域獲取

光譜成像技術(shù)主要采用推掃式獲取紅肉的圖譜信息，采集過程易受自然光影響，且數(shù)據(jù)體量較大。 因此，借助聚四氟乙烯標(biāo)準(zhǔn)白板和封蓋的方法分別獲取反射率接近100%和0的標(biāo)定圖像，并進(jìn)行紅肉圖譜校正，是提高數(shù)據(jù)準(zhǔn)確性的必要手段。 常用的高光譜圖像校正公式[11]為

(1)

式(1)中，Rref為校正后的高光譜，Rsample為原始高光譜，Rwhite為全白定標(biāo)，Rdark為全黑定標(biāo)。

由于高光譜數(shù)據(jù)存在體量大、 冗余高的問題，一般會主動選取出一個區(qū)域作為重點進(jìn)一步處理，以減少處理時間，增加精度，這個區(qū)域稱之為感興趣區(qū)域(ROI)。 ROI一般采用手動選取，存在較大的主觀性和誤差，因此ROI的自動化選取是高光譜成像研究中的一個難點。 Cheng等[12]通過紅肉樣本中反射率較高的波段圖像與反射率較低的波段圖像相減，對運算獲得灰度圖像進(jìn)行閾值分割，實現(xiàn)背景、 肌肉和脂肪區(qū)域的自動分離提取。

2.2 光譜預(yù)處理方法

紅肉的成分較為復(fù)雜，對應(yīng)的光譜包含了大量信息，容易受到環(huán)境噪聲因素的影響，進(jìn)而影響建模的可靠性和準(zhǔn)確性。 光譜預(yù)處理算法可以有效抑制噪聲信號，提高光譜數(shù)據(jù)的質(zhì)量。 常見的預(yù)處理方法包括基線校正、 散射校正、 平滑處理和尺度縮放[13]，如表1所示。

表1 光譜預(yù)處理算法分類Table 1 Classification of spectral preprocessing algorithm

綜上所述，預(yù)處理算法選取主要有兩種形式，一是通過觀察光譜信號確定預(yù)處理算法，該方法主觀性和經(jīng)驗主義強(qiáng)； 一是根據(jù)建模效果反推預(yù)處理算法，其復(fù)雜度和時間成本較高。 采用反推法選擇光譜預(yù)處理算法所構(gòu)建的預(yù)測模型相關(guān)系數(shù)和決定系數(shù)普遍較高，模型性能較好。

2.3 光譜與圖像的特征篩選與融合

高光譜成像技術(shù)融合了光譜技術(shù)和計算機(jī)視覺的優(yōu)勢，利用光譜“指紋”特性檢測紅肉中化學(xué)成分濃度，可以快速精準(zhǔn)判斷紅肉的質(zhì)量安全，結(jié)合特征波段圖像的色澤、 紋理等信息，可以進(jìn)一步提高紅肉質(zhì)量安全評估模型的全面性和準(zhǔn)確性。 常用的紅肉圖像特征如表2所示。

采用單一的光譜特征信息構(gòu)建紅肉質(zhì)量預(yù)測模型，模型會表現(xiàn)出較強(qiáng)的均一性，但模型受光源穩(wěn)定性和環(huán)境影響較大，且缺乏對紅肉不同區(qū)域質(zhì)量評估的直觀性。

表2 紅肉圖像特征信息Table 2 Feature information of red meat image

綜上所述，加權(quán)融合光譜和圖像兩種特征信息共建紅肉質(zhì)量預(yù)測模型，可有效降低噪聲對模型的影響，提高模型穩(wěn)定性。 僅計算特征波段圖像的紋理特征，是降低高光譜數(shù)據(jù)維度和預(yù)測模型復(fù)雜度的可行方法。

2.4 模型構(gòu)建與優(yōu)化

基于紅肉質(zhì)量的特征光譜和紋理信息構(gòu)建定量預(yù)測模型，是實現(xiàn)紅肉質(zhì)量無損檢測的關(guān)鍵。 常見的高光譜無損預(yù)測模型可分為線性模型和非線性模型，線性模型主要包括多元線性回歸(MLR)、 主成分分析(PCA)、 偏最小二乘回歸(PLSR)等； 非線性模型主要包括支持向量機(jī)(SVM)、 偏最小二乘-支持向量機(jī)(LS-SVM)、 反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)等，如表3所示。

表3 紅肉質(zhì)量定量預(yù)測模型Table 3 Quantitative prediction model of red meat quality

綜上所述，線性回歸模型的模型解釋性較強(qiáng)，對于小數(shù)據(jù)量、 簡單的關(guān)系很有效； 但對于非線性數(shù)據(jù)或者數(shù)據(jù)特征間具有較強(qiáng)相關(guān)性的分析能力較差； 構(gòu)建在深度學(xué)習(xí)理論基礎(chǔ)上的非線性回歸模型能夠充分挖掘特征變量與紅肉質(zhì)量之間的深層聯(lián)系，預(yù)測模型更加精準(zhǔn)穩(wěn)定； 但是作為機(jī)器學(xué)習(xí)算法，建模一般需要較大的樣本數(shù)量。

3 基于高光譜技術(shù)的紅肉質(zhì)量檢測研究發(fā)展趨勢

高光譜成像技術(shù)作為一種原位無損、 高通量、 快速的檢測技術(shù)，兼顧了光譜技術(shù)和圖像處理技術(shù)的優(yōu)點，可有效綜合紅肉的光譜特性和色澤、 紋理信息，降低某一檢測技術(shù)中噪聲干擾對模型的影響，提高紅肉質(zhì)量預(yù)測的準(zhǔn)確度和穩(wěn)定性。 因此，高光譜技術(shù)已經(jīng)成為紅肉質(zhì)量在線快速無損檢測研究中最具研究價值的重點技術(shù)之一。

(1)ROI獲取的自動化算法已成為高光譜數(shù)據(jù)分析中迫切需要解決的難題。 手動選取紅肉高光譜圖像ROI極大的限制了高光譜技術(shù)在紅肉質(zhì)量檢測研究中的自動化程度，ROI的自動選取算法研究處于初級階段，開發(fā)有效的ROI自動選取算法，將極大的提高紅肉質(zhì)量高光譜無損檢測模型的效率。

(2)高光譜技術(shù)的圖譜合一將成為提高紅肉質(zhì)量快速無損檢測模型性能的研究方向。 高光譜技術(shù)在紅肉質(zhì)量無損檢測研究中的優(yōu)勢已逐漸顯現(xiàn)，光譜特性和圖像信息具有一定的互補(bǔ)性，信息融合可以提高預(yù)測模型的穩(wěn)定性。 因此，光譜與圖像信息的加權(quán)融合方法也將成為紅肉質(zhì)量高光譜無損檢測研究中的重點。

(3)基于機(jī)器學(xué)習(xí)的非線性回歸模型將成為紅肉質(zhì)量檢測方法的重點研究方向之一。 在樣本量充足的情況下，基于機(jī)器學(xué)習(xí)的非線性回歸模型可以有效的解析紅肉質(zhì)量與高光譜數(shù)據(jù)間的復(fù)雜非線性關(guān)系，更加準(zhǔn)確的預(yù)測紅肉品質(zhì)變化。 如何通過對新樣本的學(xué)習(xí)，提高模型的穩(wěn)定性、 傳遞性將是促進(jìn)紅肉質(zhì)量無損檢測模型在實際生產(chǎn)中應(yīng)用的必要研究內(nèi)容。