朱鑫宇，康家銘，邵衛(wèi)東，劉 陽，張 旭，楊繼新，王慧慧,*

（1.大連工業(yè)大學(xué)機(jī)械工程及自動(dòng)化學(xué)院，遼寧 大連 116034；2.國(guó)家海洋食品工程技術(shù)研究中心，遼寧 大連 116034；3.大連工業(yè)大學(xué)食品交叉科學(xué)研究院，遼寧 大連 116034）

海參富含蛋白質(zhì)、氨基酸，具有很高的營(yíng)養(yǎng)和藥用價(jià)值[1]。但海參體內(nèi)含有自溶酶，不易貯存與運(yùn)輸[2-3]。通過鹽漬方式脫除海參體內(nèi)的部分水分，可抑制微生物的生長(zhǎng)，實(shí)現(xiàn)長(zhǎng)期保存，是目前應(yīng)用最廣泛的海參產(chǎn)品處理方法之一[4]。鹽漬海參易于復(fù)水、方便貯存和運(yùn)輸，既可作為干海參、即食海參的原料，也可作為最終產(chǎn)品直接售賣，市場(chǎng)需求量較大。針對(duì)市售鹽漬海參等級(jí)，SC/T 3215—2014《鹽漬海參》[5]規(guī)定，海參一級(jí)品鹽分質(zhì)量分?jǐn)?shù)不高于20%，二級(jí)品鹽分質(zhì)量分?jǐn)?shù)不高于22%，合格品鹽分質(zhì)量分?jǐn)?shù)不高于25%。不同等級(jí)的鹽漬海參在顏色、形態(tài)和氣味上很難直接分辨，滋生出一些不法商家以不合格品作為優(yōu)質(zhì)品出售，以次充好，牟取暴利，損害消費(fèi)者權(quán)益。

目前，對(duì)鹽漬海參等級(jí)的評(píng)定主要有實(shí)驗(yàn)室檢測(cè)[6]和人工檢測(cè)[7]兩種方法。實(shí)驗(yàn)室檢測(cè)通過測(cè)定鹽分與蛋白質(zhì)含量，結(jié)合行業(yè)標(biāo)準(zhǔn)進(jìn)行等級(jí)鑒定，通常采用直接滴定法、電位滴定法測(cè)定海參含鹽量[8]，凱氏定氮法、分光光度法和燃燒法測(cè)定蛋白質(zhì)含量[9]，但實(shí)驗(yàn)室檢測(cè)法耗時(shí)長(zhǎng)，對(duì)檢測(cè)人員專業(yè)性要求較高，是一種有損檢測(cè)方法。海參富含膠原蛋白，隨著鹽離子濃度增加，蛋白質(zhì)逐漸變性并降解，持水性下降，組織結(jié)構(gòu)收縮，導(dǎo)致海參質(zhì)地特性發(fā)生復(fù)雜改變[10-11]。鑒于上述質(zhì)構(gòu)特性在鹽漬過程中發(fā)生變化的特點(diǎn)，人工檢測(cè)成為目前海參鹽漬過程等級(jí)評(píng)定的主流方法。該方法是鑒評(píng)人員依據(jù)經(jīng)驗(yàn)，采用人工的方式對(duì)海參施加壓觸力，通過手指和眼睛感知海參動(dòng)態(tài)回復(fù)過程力的變化和形態(tài)回復(fù)情況，判斷樣品硬度、彈性等質(zhì)構(gòu)特性，實(shí)現(xiàn)鹽漬海參等級(jí)鑒評(píng)[7]。人工檢測(cè)對(duì)檢驗(yàn)人員的經(jīng)驗(yàn)要求很高，不適用于短時(shí)、大批量檢測(cè)。因此，亟需一種快速、非破壞性的檢測(cè)方法實(shí)現(xiàn)鹽漬海參的等級(jí)評(píng)定。近年來，隨著各類無損檢測(cè)技術(shù)的發(fā)展、傳感器控制功能的拓展與精度的提高、人工智能領(lǐng)域技術(shù)的進(jìn)步，智能感知技術(shù)[12]在肉類表觀品質(zhì)鑒評(píng)[13-14]、脂肪含量測(cè)定[15]、適口性預(yù)測(cè)[16]和摻假鑒偽[17]等方面取得了較好的效果。Wang Huihui等[10]通過工業(yè)相機(jī)跟蹤海參受力后回復(fù)過程的輪廓變化，利用海參輪廓二值圖提取海參紋理特征構(gòu)建識(shí)別模型，實(shí)現(xiàn)了合格鹽漬海參與含鹽量超標(biāo)海參的鑒別，但該方法僅采用了單一圖像特征；此外，人工檢測(cè)鹽漬海參等級(jí)是針對(duì)海參受壓觸后回復(fù)階段形狀動(dòng)態(tài)變化的綜合感知，二值輪廓僅表征了特定時(shí)刻的靜態(tài)形狀信息，針對(duì)等級(jí)差異較小的合格品評(píng)定效果較差。力學(xué)特征能夠簡(jiǎn)單直觀地反映食品的物理特性，已廣泛應(yīng)用于肉類品質(zhì)、水果自動(dòng)評(píng)定等食品檢測(cè)領(lǐng)域[18-20]。海參受到壓觸后，在輪廓?jiǎng)討B(tài)變化的同時(shí)，本身的力學(xué)特征也會(huì)發(fā)生復(fù)雜變化，鑒于此，如在采用單一圖像特征的基礎(chǔ)上融入多種力學(xué)特征，可能是實(shí)現(xiàn)鹽漬海參等級(jí)智能評(píng)定更為可靠的方法。閆朋濤等[21]嘗試將下壓力做功值和壓觸后海參偏心率、細(xì)度比進(jìn)行融合，實(shí)現(xiàn)了超標(biāo)鹽漬海參的識(shí)別，但該方法通過視覺感知的特征僅為壓觸前后的靜態(tài)輪廓，對(duì)于差異較小的合格品等級(jí)評(píng)定仍不適用。輪廓?jiǎng)討B(tài)變化特征的提取是開展上述研究的關(guān)鍵。動(dòng)態(tài)能量圖是一種根據(jù)被測(cè)物運(yùn)動(dòng)的步幅、步態(tài)周期反映樣本動(dòng)態(tài)變化信息的圖像[22]，具有多角度、高適應(yīng)性等特點(diǎn)[23-24]，目前在運(yùn)動(dòng)個(gè)體身份識(shí)別[25]、生物特征檢測(cè)[26]、安防監(jiān)控領(lǐng)域[27]、智能家居領(lǐng)域應(yīng)用廣泛[28]，同時(shí)根據(jù)動(dòng)態(tài)能量圖提供的輪廓?jiǎng)討B(tài)特征，在肌音信號(hào)分類、早期疾病的識(shí)別和風(fēng)險(xiǎn)預(yù)警方面[29-30]也取得了一定的進(jìn)展，可為表征海參輪廓的動(dòng)態(tài)變化提供思路。

為了更客觀、快速、準(zhǔn)確地評(píng)價(jià)鹽漬海參等級(jí)，本研究以不同等級(jí)鹽漬海參為研究對(duì)象，針對(duì)鹽漬海參受力后動(dòng)態(tài)回復(fù)情況，獲取輪廓?jiǎng)討B(tài)變化和力學(xué)檢測(cè)數(shù)據(jù)，通過構(gòu)建動(dòng)態(tài)能量圖，提取圖像紋理特征以及基于統(tǒng)計(jì)分析的力學(xué)特征，利用單因素方差分析、主成分分析（principal component analysis，PCA）法進(jìn)行特征降維與融合，基于視觸多感知融合特征，結(jié)合支持向量機(jī)（support vector machine，SVM）實(shí)現(xiàn)合格鹽漬海參等級(jí)評(píng)定。由于SVM的分類精度和泛化能力依賴懲罰因子c和核函數(shù)參數(shù)g的選取，在此基礎(chǔ)上根據(jù)融合數(shù)據(jù)特點(diǎn)采用遺傳算法優(yōu)化SVM。在種群進(jìn)化過程中優(yōu)化參數(shù)，能夠隨著迭代次數(shù)的增加平衡適應(yīng)度函數(shù)收斂速度，提高全局收斂性，實(shí)現(xiàn)對(duì)鹽漬海參等級(jí)的評(píng)定。

1 材料與方法

1.1 材料

海參購自大連長(zhǎng)興水產(chǎn)市場(chǎng)，將鮮活海參置于帶冰保鮮盒內(nèi)運(yùn)至實(shí)驗(yàn)室，貯存在4 ℃冰箱中備用。

1.2 儀器與設(shè)備

JSM-6460LV掃描電子顯微鏡購自日本JEOL公司。

獲取海參輪廓變化圖像與力學(xué)信息的設(shè)備為鹽漬海參等級(jí)評(píng)定系統(tǒng)由實(shí)驗(yàn)室自行研發(fā)，如圖1所示，該系統(tǒng)主要組成包括質(zhì)構(gòu)儀、載物臺(tái)、矩形探頭、工業(yè)相機(jī)和控制模塊。根據(jù)海參形狀和大小，將實(shí)施壓觸力的探頭設(shè)計(jì)為矩形，規(guī)格為90 mm×160 mm，探頭運(yùn)動(dòng)分為4個(gè)階段：向下空載運(yùn)動(dòng)階段（P1）、加載壓力至目標(biāo)力階段（P2）、靜止并保持目標(biāo)力階段（P3）、迅速恢復(fù)至原點(diǎn)階段（P4）。系統(tǒng)參數(shù)設(shè)置：圖像位深24 bit、圖像分辨率1 280×720、幀頻30 fps、探頭空載速率60 mm/min、觸發(fā)力0.2 N、探頭加載速率30 mm/min、目標(biāo)力60 N、探頭復(fù)位速率990 mm/min、回程時(shí)間3 s。

圖1 鹽漬海參等級(jí)評(píng)定系統(tǒng)示意圖Fig. 1 Schematic diagram of the grade evaluation system for salted sea cucumber

1.3 方法

1.3.1 海參樣品制備

將備用海參分成3 組，每組100個(gè)，經(jīng)去內(nèi)臟、清洗、煮制后，分別置于質(zhì)量分?jǐn)?shù)為19%、21%和23%氯化鈉溶液中，腌漬6 d，每24 h更換一次氯化鈉溶液，腌漬結(jié)束后用吸水紙除去樣品表面水分待用。在進(jìn)行圖像和力學(xué)數(shù)據(jù)采集后，根據(jù)SC/T 3011—2001《水產(chǎn)品中鹽分的測(cè)定》[8]采用直接滴定法測(cè)定鹽分質(zhì)量分?jǐn)?shù)。根據(jù)SC/T 3215—2014分級(jí)方法，將鹽漬海參樣品分為一等品（G1）、二等品（G2）和合格品（G3）。

1.3.2 圖像與力學(xué)數(shù)據(jù)采集

取3種等級(jí)鹽漬海參，通過鹽漬海參等級(jí)評(píng)定系統(tǒng)進(jìn)行圖像與力學(xué)數(shù)據(jù)采集。測(cè)試開始前，設(shè)置系統(tǒng)參數(shù)。測(cè)試時(shí)，將樣品置于載物臺(tái)中央，利用矩形探頭對(duì)被測(cè)海參實(shí)施壓觸力，工業(yè)相機(jī)在P4階段采集海參回復(fù)過程輪廓變化圖像，同時(shí)通過質(zhì)構(gòu)儀獲取海參的力學(xué)信息。測(cè)試結(jié)束對(duì)載物臺(tái)、探頭進(jìn)行1 次快速清洗。每種等級(jí)的鹽漬海參制備100個(gè)樣本，3個(gè)等級(jí)的鹽漬海參最終獲得300 組圖像數(shù)據(jù)、300 組力學(xué)數(shù)據(jù)。

1.3.3 顯微組織觀察

為了探究鹽分變化對(duì)海參微觀組織結(jié)構(gòu)的復(fù)雜變化，證明本實(shí)驗(yàn)方法的可行性，利用JSM-6460LV掃描電子顯微鏡對(duì)不同等級(jí)鹽漬海參的顯微組織進(jìn)行觀察。取海參樣品體壁中部0.5 cm×0.5 cm×0.5 cm的切片，放入體積分?jǐn)?shù)2.5%戊二醛溶液中浸泡10 min。利用乙醇溶液（50%、70%、90%、100%）對(duì)樣品進(jìn)行梯度脫水，二氧化碳臨界點(diǎn)干燥，液氮冷凍并脆斷，采用離子濺射鍍膜法噴金后觀察[31]。

1.4 數(shù)據(jù)處理與分析

采用SPSS 17.0軟件處理統(tǒng)計(jì)數(shù)據(jù)；采用Matalb 2020軟件進(jìn)行圖像預(yù)處理。

2 結(jié)果與分析

2.1 海參鹽分測(cè)定結(jié)果

如表1所示，一等品（G1）海參鹽分質(zhì)量分?jǐn)?shù)在18.53%～19.62%之間，二等品（G2）海參鹽分質(zhì)量分?jǐn)?shù)在20.56%～21.48%之間，合格品（G3）海參鹽分質(zhì)量分?jǐn)?shù)在28.64%～23.58%之間。3個(gè)等級(jí)的鹽漬海參均遵循SC/T 3215—2014的鹽分質(zhì)量分?jǐn)?shù)標(biāo)準(zhǔn)分級(jí)。

表1 部分樣品鹽分質(zhì)量分?jǐn)?shù)統(tǒng)計(jì)數(shù)據(jù)Table 1 Statistical data of salt content of selected samples

2.2 圖像預(yù)處理及關(guān)鍵幀選取

由于鹽漬海參等級(jí)評(píng)定系統(tǒng)采集的圖像受儀器噪音、實(shí)驗(yàn)環(huán)境等因素的影響，為保證精確提取與海參輪廓變化相關(guān)的圖像特征，根據(jù)Wang Huihui等[10]的方法對(duì)P4階段采集的第1～90幀圖像進(jìn)行預(yù)處理，獲取標(biāo)準(zhǔn)化后的海參二值圖，如圖2所示，主要流程包括灰度化、去噪、圖像分割、形態(tài)學(xué)處理、標(biāo)準(zhǔn)化。

圖2 圖像預(yù)處理流程Fig. 2 Flow chart of image preprocessing

為了盡可能減少圖像的數(shù)量和精確描述回復(fù)過程，提取海參從開始回復(fù)到結(jié)束過程中面積變化明顯部分對(duì)應(yīng)的幀序列圖像作為表述海參回復(fù)過程的關(guān)鍵幀。幀面積計(jì)算如式（1）所示。

式中：A為樣本圖像回復(fù)過程所有幀序列的面積；i、j分別表示圖像的橫、縱坐標(biāo)；Pij表示對(duì)應(yīng)坐標(biāo)像素值；N為幀數(shù)。

由于此處為二值圖像，所以只對(duì)像素值為1的像素塊進(jìn)行累加，根據(jù)公式（1）計(jì)算樣本圖像回復(fù)過程所有序列的面積，最終取面積變化趨勢(shì)最明顯的50 幀序列圖像作為關(guān)鍵幀用于后續(xù)研究（圖3）。

圖3 圖像面積Fig. 3 Image area

2.3 動(dòng)態(tài)能量圖的構(gòu)建和顯微結(jié)構(gòu)分析

能量圖通過計(jì)算圖像中像素點(diǎn)的強(qiáng)度，可完整地表現(xiàn)被測(cè)物在一個(gè)形態(tài)變化周期中能量的累積。關(guān)鍵幀經(jīng)預(yù)處理后的每一幀圖像即是某一時(shí)刻形態(tài)能量的反映，能量圖中較高灰度值的像素點(diǎn)表示該點(diǎn)在一個(gè)形態(tài)變化周期出現(xiàn)的次數(shù)較多[32]。本實(shí)驗(yàn)選取P4階段作為一個(gè)完整的形態(tài)變化周期，在此周期內(nèi)，獲得每一時(shí)刻海參樣品輪廓，即每幀關(guān)鍵幀圖像的海參二值輪廓，能量圖計(jì)算如式（2）所示。

式中：E（x，y）表示能量圖；N表示一個(gè)形態(tài)變化周期內(nèi)的關(guān)鍵幀圖像數(shù)（本研究中N＝50）；It表示第t幀關(guān)鍵幀圖像；（x，y）表示像素點(diǎn)坐標(biāo)。

圖4 動(dòng)態(tài)能量圖與組織微觀結(jié)構(gòu)Fig. 4 Dynamic energy diagram and microscopic structure

如圖4所示，在G1（圖4A1）、G2（圖4A2）和G3（圖4A3）樣品最內(nèi)側(cè)輪廓內(nèi)部灰度值最高均為50，表明該區(qū)域在一個(gè)周期內(nèi)出現(xiàn)的次數(shù)較多，由于該區(qū)域不包含受壓觸作用下輪廓?jiǎng)討B(tài)變化信息，將其定義為能量圖的靜態(tài)區(qū)域。通過閾值分割將靜態(tài)區(qū)域予以剔除，去除靜態(tài)區(qū)域?qū)喞獎(jiǎng)討B(tài)變化特征的干擾，并將該圖像定義為動(dòng)態(tài)能量圖。在P4階段，動(dòng)態(tài)能量圖中海參輪廓的像素值在整個(gè)序列中構(gòu)成一個(gè)動(dòng)態(tài)信號(hào)[33]，表征鹽漬海參輪廓的時(shí)變特征。動(dòng)態(tài)能量圖中P4階段初始時(shí)刻的輪廓變化最大，P4階段結(jié)束時(shí)刻輪廓變化最小。由于相同等級(jí)的海參質(zhì)構(gòu)特性相似，受壓觸變形、撤力回復(fù)的輪廓變化也近似；而不同等級(jí)海參彈性、硬度等質(zhì)構(gòu)特性差異較大，因此其受壓觸后最大變形程度不同，撤力回復(fù)的速度也不同，在同一時(shí)間段（P4階段）內(nèi)，由于輪廓變化的速度不同，動(dòng)態(tài)能量圖差異明顯。動(dòng)態(tài)能量圖的構(gòu)建過程如式（3）所示。

式中：T表示一個(gè)步態(tài)周期內(nèi)的靜態(tài)區(qū)域灰度值（本研究中T＝50）；E（x，y）表示能量圖；CE（x，y）表示動(dòng)態(tài)能量圖。

通過剔除能量圖中靜態(tài)區(qū)域，獲得G1（圖4B1）、G2（圖4B2）和G3（圖4B3）樣品的動(dòng)態(tài)能量圖，圖中最外層輪廓為P4階段采集的第1幀海參輪廓，最內(nèi)層為采集的第50幀海參輪廓。Nejib等[34]對(duì)鹽漬處理鯊魚肉品質(zhì)影響的研究結(jié)果表明，鹽分含量增加會(huì)導(dǎo)致鯊魚肉的硬度增加、彈性下降、黏聚性增加。動(dòng)態(tài)能量圖中，在相同的目標(biāo)力作用下，P4階段的3 組樣品變形量依次為G1樣品＞G2樣品＞G3樣品，質(zhì)構(gòu)儀撤力后輪廓變化速率依次為G1樣品＜G2樣品＜G3樣品，這可能是鹽漬海參鹽含量增加，進(jìn)而硬度增加、彈性下降導(dǎo)致。海參鹽漬過程中，硬度、彈性變化的同時(shí)，組織微觀結(jié)構(gòu)也會(huì)發(fā)生改變，如圖4C1所示，G1組樣品體壁中膠原纖維呈薄片狀，有大量蜂窩狀網(wǎng)孔且分布均勻，具有一定方向性。隨鹽含量增加，G2樣品（圖4C2）體壁出現(xiàn)絲狀膠原纖維，在纖維斷面出現(xiàn)片狀單元結(jié)構(gòu)且容易斷裂，呈絲狀和薄片狀的組織互相交織成雜亂網(wǎng)孔結(jié)構(gòu)，孔隙大小不均勻。這可能是海參膠原纖維和凝膠結(jié)構(gòu)在鹽漬作用下發(fā)生降解，膠原蛋白被破壞所致。G3樣品（圖4C3）孔隙較G2樣品（圖4C2）更為致密，這可能是鹽漬溶液濃度越高，水分與鹽分的交換速度越快，海參體壁中水分大量流失，膠原纖維絲快速凝集、收縮導(dǎo)致。綜上所述，隨著鹽含量的增加，不同等級(jí)鹽漬海參的組織結(jié)構(gòu)發(fā)生復(fù)雜變化，輪廓變形程度、回復(fù)速度均存在差異，通過動(dòng)態(tài)能量圖可以看出，由于回復(fù)速度的不同導(dǎo)致相同時(shí)間點(diǎn)對(duì)應(yīng)的輪廓圖像不同，反映在動(dòng)態(tài)能量圖中即輪廓線的紋理特性存在差異，回復(fù)速度越快，輪廓線紋理越密，回復(fù)速度越慢，輪廓線紋理越稀疏，證明通過建立圖像紋理特征與鹽漬海參等級(jí)的關(guān)系，可實(shí)現(xiàn)不同等級(jí)鹽漬海參的識(shí)別。

2.4 特征提取

針對(duì)上述步驟中獲得的動(dòng)態(tài)能量圖和質(zhì)構(gòu)分析獲得的力學(xué)數(shù)據(jù)進(jìn)行特征提取，用于建立鹽漬海參等級(jí)評(píng)定模型。本實(shí)驗(yàn)選用直方圖和灰度共生矩陣兩種方法對(duì)動(dòng)態(tài)能量圖進(jìn)行紋理特征提取，對(duì)力學(xué)變化數(shù)據(jù)進(jìn)行統(tǒng)計(jì)計(jì)算，以此表征海參樣品受壓觸作用后回復(fù)過程輪廓和力學(xué)的時(shí)變特性[35-36]。

2.4.1 紋理特征提取

紋理是圖像固有特征之一，可以被定義為紋理基元的局部統(tǒng)計(jì)特征[37]。通過對(duì)海參回復(fù)過程中形變圖像的紋理變化進(jìn)行分析研究可知，不同等級(jí)的海參輪廓變化不同，圖像表征過程中紋理差異很大?；谥狈綀D的紋理特征包括平均值（m），表示紋理平均亮度；標(biāo)準(zhǔn)差（σ），表示紋理的平均對(duì)比度；平滑度（R），表示紋理的平均平滑度；三階矩陣（μ），表示直方圖的偏斜性；一致性（U），表示灰度值間的差異；熵（e），表示紋理的隨機(jī)性。本實(shí)驗(yàn)面向動(dòng)態(tài)能量圖的0°（水平）、45°（主對(duì)角線）、90°（垂直）、135°（次對(duì)角線）4個(gè)方向分別提取基于灰度共生矩陣的如下紋理特征：對(duì)比度（C），表示灰度反差度；相關(guān)性（Cor），表示紋理一致性；能量（E），表示紋理均勻性；同質(zhì)性（H），表示紋理局部變化度；最大概率（Pmax），表示紋理偏移性；熵（En），表示圖像紋理粗細(xì)度。圖像紋理特征提取過程如式（4）～（16）所示[38-40]。

式中：zi表示灰度值i的像素?cái)?shù)；p（zi）表示灰度值i在圖中出現(xiàn)的概率；N表示圖像像素總個(gè)數(shù)；L表示灰度級(jí)數(shù)；Pij表示相隔距離1 Px的一對(duì)像素分別具有灰度值i和j出現(xiàn)的概率；K表示圖像階數(shù)（本研究中K＝2）；mr和mc分別表示灰度共生矩陣行、列平均值；σr和σc分別表示灰度共生矩陣的行、列標(biāo)準(zhǔn)差。

2.4.2 力學(xué)特征提取

Hao Mengzhen等[11]研究發(fā)現(xiàn)不同等級(jí)鹽漬海參的硬度、彈性等力學(xué)性能存在顯著差異，導(dǎo)致海參受力過程發(fā)生復(fù)雜變化。采集P4階段的力學(xué)信息，計(jì)算平均值、幾何平均數(shù)（G）、標(biāo)準(zhǔn)差（SD）、中位數(shù)（Me）、一階范數(shù)（||x||1）、二階范數(shù)（||x||2）、下壓做功（W1）、回復(fù)做功（W2），以此作為用于鹽漬海參等級(jí)評(píng)定的力學(xué)特征進(jìn)行建模，計(jì)算公式如式（17）～（22）所示。

式中：Ai表示i時(shí)刻對(duì)應(yīng)力的大小；n表示采集的力學(xué)數(shù)據(jù)個(gè)數(shù)；F表示下壓和回復(fù)過程海參所受的力；s表示位移量；h表示海參最終的位移量。

為消除量綱的影響，使各個(gè)特征屬性在數(shù)量級(jí)上保持一致，力學(xué)特征和紋理特征采用均方差標(biāo)準(zhǔn)化處理[41]。

2.5 特征降維

本實(shí)驗(yàn)主要利用圖像紋理和力學(xué)特征進(jìn)行后續(xù)建模，因數(shù)據(jù)量較大，其中的冗余信息對(duì)模型精度和速度影響較大。為實(shí)現(xiàn)初步降維，剔除對(duì)等級(jí)影響不顯著的冗余信息，在0.05的顯著水平下，對(duì)圖像和力學(xué)原始特征數(shù)據(jù)進(jìn)行單因素方差分析[39-40]。結(jié)果表明，特征m、s、R、μ、U、e、C（45°、135°）、H（45°、135°）、Cor（0°、45°、90°和135°）、e（0°、45°、90°和135°）、Pmax（0°、45°、90°和135°）、En（0°、45°、90°和135°）、SD、Me、||x||1、||x||2、W1和W2與鹽漬海參等級(jí)呈顯著正相關(guān)。經(jīng)單因素方差分析后，繼續(xù)采用PCA法剔除顯著特征中的冗余信息，同時(shí)實(shí)現(xiàn)圖像紋理特征和力學(xué)特征的融合。前5個(gè)主成分的紋理特征、力學(xué)特征方差累計(jì)貢獻(xiàn)率已達(dá)到99.99%，說明上述5個(gè)主成分可以代替特征99.99%的數(shù)據(jù)信息，因此選取前5個(gè)主成分進(jìn)行后續(xù)建模。

2.6 鹽漬海參等級(jí)評(píng)定模型

2.6.1 SVM模型

SVM在解決非線性、小樣本及高維數(shù)據(jù)識(shí)別中優(yōu)勢(shì)明顯，通過建立一個(gè)超平面作為決策曲面，對(duì)不同類別的樣本進(jìn)行分割，分割原則為間隔最大化[40]；本實(shí)驗(yàn)基于PCA的融合特征構(gòu)建SVM模型，模型定義為PCASVM。用于建模的訓(xùn)練集為T210＝（?×Y）m，驗(yàn)證集V90＝（ρ×Y）n，其中，m為訓(xùn)練集樣本個(gè)數(shù)（m＝210），n為驗(yàn)證集樣本個(gè)數(shù)（n＝90），輸入矩陣?由210個(gè)樣品（G1樣品＝70、G2樣品＝70、G3樣品＝70）的融合特征組成，輸入矩陣ρ由90個(gè)樣品（G1樣品＝30、G2樣品＝30、G3樣品＝30）的融合特征組成，輸出Y為樣本對(duì)應(yīng)的類別標(biāo)簽，G1樣品對(duì)應(yīng)標(biāo)簽為1，G2樣品對(duì)應(yīng)標(biāo)簽為2，G3樣品對(duì)應(yīng)標(biāo)簽為3。模型分割超平面如式（23）所示。

式中：w表示分割超平面法向量；b表示超平面偏置；T表示矩陣轉(zhuǎn)置。

2.6.2 基于遺傳算法對(duì)SVM模型優(yōu)化

使用SVM處理離散的融合特征和引入RBF中需要確定懲罰因子c和核函數(shù)參數(shù)g，兩者的選擇直接影響了SVM的分類精度和泛化能力[42]。遺傳算法是一種全局優(yōu)化概率搜索算法[43]，因其具有魯棒性強(qiáng)、適用性廣、操作簡(jiǎn)單等優(yōu)點(diǎn)而得到廣泛的應(yīng)用。本實(shí)驗(yàn)采用遺傳算法來搜索最優(yōu)參數(shù)。其主要思路是選擇合適的適應(yīng)度函數(shù)，先產(chǎn)生初始種群，通過編碼產(chǎn)生染色體，仿照自然界的淘汰機(jī)制對(duì)個(gè)體進(jìn)行選擇、交叉和變異等操作，最后由滿足條件的個(gè)體進(jìn)行反編碼得到最優(yōu)解。

本算法首先對(duì)訓(xùn)練集T210和驗(yàn)證集V90進(jìn)行均方差標(biāo)準(zhǔn)化處理，消除量綱差異。設(shè)定c和g的搜索范圍、步長(zhǎng)、終止代數(shù)和種群最大數(shù)量分別為2～210、10、200和20。隨機(jī)生成初始化種群。計(jì)算個(gè)體適應(yīng)度，即代表每代個(gè)體的優(yōu)劣程度。為提高SVM分類性能，用樣本辨識(shí)度表征適應(yīng)度[44]，如式（24）所示。

式中：Ff表示樣本辨識(shí)度/%；δj表示樣本j的類別標(biāo)簽；Fj表示樣本j的預(yù)測(cè)標(biāo)簽；m為訓(xùn)練集樣本個(gè)數(shù)（本研究中m＝210）。

為避免過擬合和欠擬合，模型采用5折交叉驗(yàn)證，對(duì)種群進(jìn)行選擇、交叉、變異，直至滿足遺傳算法終止條件（種群最佳適應(yīng)度最高），得到優(yōu)化參數(shù)。將得到的優(yōu)化參數(shù)應(yīng)用到SVM分類器中并在驗(yàn)證集V90中進(jìn)行測(cè)試，判斷是否符合期望精度，若未達(dá)到，則繼續(xù)尋優(yōu)。圖5所示為SVM模型參數(shù)優(yōu)化過程的適應(yīng)度曲線。遺傳算法中橙色圓圈和紅色點(diǎn)分別代表每次迭代的平均適應(yīng)度和最佳適應(yīng)度。當(dāng)滿足遺傳算法終止條件時(shí)，即當(dāng)驗(yàn)證集的交叉驗(yàn)證準(zhǔn)確率（CVAccuracy）最高時(shí)確定PCA-SVM模型c和g。本實(shí)驗(yàn)CVAccuracy的最大值為100%，此時(shí)PCA-SVM模型c和g分別為0.441 9和10.382 9。鹽漬海參等級(jí)評(píng)定模型結(jié)果如表2所示，所有等級(jí)的鹽漬海參都能準(zhǔn)確識(shí)別。

圖5 SVM模型參數(shù)優(yōu)化的適應(yīng)度曲線Fig. 5 Fitness curve for optimization of parameters in SVM model

表2 模型混淆矩陣結(jié)果Table 2 Results of model confusion matrix

2.6.3 模型評(píng)價(jià)

依照Wang Qian等[45]的方法，基于混淆矩陣，通過準(zhǔn)確度（Accuracy）、精確率（Precision）、召回率（Recall）和綜合評(píng)價(jià)指標(biāo)（F1-Score）對(duì)模型進(jìn)行評(píng)價(jià)。其中，Accuracy表示模型對(duì)G1、G2和G3等級(jí)的整體判別能力，Precision表示模型判別正確的可信度，Recall表示鹽漬海參中實(shí)際和預(yù)測(cè)結(jié)果一致的比例，F(xiàn)1-Score表示模型的綜合得分，Accuracy、Precision、Recall和F1-Score越大，說明模型性能越好。Accuracy＞80%，說明該方法可以用于實(shí)際應(yīng)用；Accuracy＞95%說明該方法具有優(yōu)秀的鹽漬海參等級(jí)評(píng)定能力；Precision和Recall大于90%，說明該方法評(píng)定準(zhǔn)確且可信度高，F(xiàn)1-Score≥0.95，說明模型整體泛化能力強(qiáng)，模型穩(wěn)定[46]。評(píng)價(jià)參數(shù)計(jì)算過程如式（25）～（28）所示。

式中：TP表示正確識(shí)別出鹽漬海參的類別數(shù)量；TN表示未正確識(shí)別出鹽漬海參的類別數(shù)量；FP表示非該類別的鹽漬海參被識(shí)別為該類別的數(shù)量；FN表示該類別的鹽漬海參被識(shí)別為非該類別的數(shù)量。

模型性能表現(xiàn)如表3所示，利用視觸多感知融合特征構(gòu)建PCA-SVM模型可實(shí)現(xiàn)鹽漬海參等級(jí)評(píng)定的實(shí)際應(yīng)用。模型的Accuracy、Precision、Recall和F1-Score均為1，說明將紋理特征同力學(xué)特征相融合，結(jié)合SVM模型，在不同等級(jí)（G1、G2和G3）的評(píng)定過程中均具有優(yōu)秀的性能。

表3 基于SVM的鹽漬海參等級(jí)評(píng)定模型性能Table 3 Performance of SVM model for quality evaluation of salted sea cucumber

3 結(jié) 論

在鹽漬海參等級(jí)評(píng)定系統(tǒng)施加的壓觸力作用下，本研究通過將海參輪廓圖像紋理和海參壓觸力特征融合，結(jié)合機(jī)器學(xué)習(xí)，提出了一種實(shí)現(xiàn)合格鹽漬海參等級(jí)評(píng)定的新方法。建立鹽漬海參輪廓?jiǎng)討B(tài)能量圖，提取6種直方圖紋理特征和24種灰度共生矩陣紋理特征，同時(shí)采集壓觸作用下的海參力學(xué)信息，獲取基于統(tǒng)計(jì)分析的8種力學(xué)特征，通過單因素方差分析剔除對(duì)等級(jí)評(píng)定影響不顯著的特征，利用PCA法對(duì)紋理、力學(xué)特征進(jìn)行降維與融合，在保證鹽漬海參等級(jí)特征信息完全的基礎(chǔ)上，盡可能消除提取特征中的冗余信息，提取主成分作為融合特征，采用遺傳算法優(yōu)化SVM建立鹽漬海參等級(jí)評(píng)定模型。模型結(jié)果表明，PCA-SVM模型檢測(cè)效果優(yōu)異，其Accuracy＝1、Precision＝1、Recall＝1、F1-Score＝1。綜上，將海參回復(fù)過程中輪廓變化圖像與海參受力的力學(xué)信息進(jìn)行融合，結(jié)合SVM模型，可實(shí)現(xiàn)客觀、快速、無損的鹽漬海參等級(jí)評(píng)定。