劉衛(wèi)東,毛曉婷,金懷洲,金尚忠

(1.河北省計量監(jiān)督檢測院,河北 石家莊 050051;2.中國計量學院 光學與電子科技學院,浙江 杭州 310018;3.中國科學院長春光學精密機械與物理研究所,吉林 長春 130000)

利用成像光譜儀識別豬肉和牛肉

劉衛(wèi)東1,毛曉婷2,金懷洲3,金尚忠2

(1.河北省計量監(jiān)督檢測院,河北 石家莊 050051;2.中國計量學院 光學與電子科技學院,浙江 杭州 310018;3.中國科學院長春光學精密機械與物理研究所,吉林 長春 130000)

利用成像光譜儀采集豬肉和牛肉的光譜,應用主成分分析(PCA)對所獲得的原始光譜數(shù)據進行降維處理,分別利用KNN判別、人工神經網絡(ANN)、支持向量機分類(SVM)三種建模方式,建立判別模型,并對豬肉和牛肉各20個預測樣品進行識別.結果顯示3種分類模型的正確識別率分別為92.5%、97.5%、100%.表明利用成像光譜儀可以實現(xiàn)對豬肉和牛肉的快速、準確、無損分類檢測.

光譜學;光譜成像;模式識別;主成分分析;豬肉和牛肉識別

肉類作為一種高蛋白、高營養(yǎng)價值的食品,在日常生活中逐漸得到人們的喜愛.但是,近年來出現(xiàn)的如“狐貍肉、老鼠肉”等經過處理冒充羊肉等劣質食品逐漸引起消費者對肉類產品安全的關注.因此研究快速、準確、簡便的肉類分類檢測技術十分迫切.

傳統(tǒng)的肉類鑒別方法主要包括感官鑒別、免疫學、分子生物學方法.這些檢測方法耗時長、存在污染、操作復雜、易誤判,且需要專業(yè)人員操作.感官鑒別只能從肉類表面進行鑒別,結果很大程度上取決于鑒定人員的主觀意念,只適合于簡單的肉類食品鑒別.但是對于近年來出現(xiàn)的如“狐貍肉、老鼠肉”等經過處理冒充羊肉等現(xiàn)象,感官鑒別就失去它的優(yōu)勢;利用超聲波獲得被測肉類內部結構、物化特性等的測量技術,一般只能獲得某部位的化學成分,且測試結果因人而異[1];通過檢測近紅外吸收光譜可以獲取肉類食品的蛋白質、脂肪、水分等成分,同時可以檢測肉類鮮嫩程度、肉類污染等[2],但只能獲得某一個區(qū)域的平均值,難于進行分類.

理想的肉類分類檢測技術應該是簡單、無損、高效、準確且無需專業(yè)人員操作.20世紀90年代開始,高光譜成像技術(hyperspectral imaging HSI)可同時獲得光譜與空間信息;既可以獲得肉類的蛋白質、脂肪、維生素等化學組成,又可以獲得不同位置的成分特性、紋理特征等信息,因而提高了分類判別率,成功應用于畜牧產品質量[3-5]、醫(yī)療[6-7]、遙感[8]等領域上的檢測中.Qiao等[9]應用HIS對豬肉的品質進行預測,結合PCA進行光譜數(shù)據壓縮,所建立的預測模型精確度達到85%.姚璐等[10]采用近紅外高光譜成像技術結合PCA對金華火腿進行分級,建立的PLS(偏最小二乘法)判別模型的預測能力達到89.5%.Douglas F.Barbin等[11]應用近紅外高光譜成像技術檢測完整和絞碎狀態(tài)下的豬肉化學成分,所建立的PLS模型對蛋白質、脂肪和水分的預測準確度達到88%、87%和95%.Xiong Zhenjie等[12]利用可見高光譜成像技術對新鮮魚肉的嫩度進行預測,準確率達到84%.Tao Feifei等[13]基于可見光/近紅外高光譜散射技術對豬肉的嫩度和大腸桿菌感染程度進行預測,建立的多元回歸(MLR)模型的預測能力分別達到87.7%和84.1%.

近年來高光譜成像技術已經成功應用于食品安全檢測,但是國內外大多研究工作集中于近紅外波段對食品中的化學物質進行檢測獲得質量評估[7,10,14-18].本次實驗通過三種不同的建模方式,擬尋求最合適的分類器,能實現(xiàn)可見高光譜成像技術對不同肉源的區(qū)分.

1 實驗部分

1.1 實驗裝置

試驗所用的為HORIB公司的VerdeTM高光譜成像儀,由光源、成像光譜儀、CCD相機及計算機組成,如圖1所示.采用二維色散元件分光,無需做位置掃描和濾光片切換就可以實現(xiàn)采集圖形的整個光譜和空間信息超立方體數(shù)據.儀器光譜范圍440～700 nm,采樣間隔5 nm,51個連續(xù)光譜圖像能夠在3 ms內同時采集,從而可快速獲得樣品各個點的光譜和空間信息.光源是功率為12 W、色溫2 856 K的鹵鎢燈,發(fā)光強度和高度可調,以獲得均勻的照射面.樣品放在事先準備好的白板上,實驗過程中根據需求調節(jié)被測樣品在白板上的位置.

圖1 實驗系統(tǒng)裝置圖Figure 1 Schematic diagram of the experimental set-up

1.2 實驗材料

為了獲得相對準確的實驗結果,從大型超市購得腿肉、五花肉、里脊肉、大排、肋排等各個部位的豬肉和牛肉樣品各10份,共計100個樣品,冷藏保存.測試時,將樣品切成片狀,厚度為1 cm,從中隨機取出豬肉和牛肉各30個作為建模集,剩下的各20個作為測試集.

1.3 測試環(huán)境

將樣品放在白板上,調整樣品位置使其處在測試視場中心.對于不同的測試,保持周圍環(huán)境穩(wěn)定,用標準的白板校準,作為測試環(huán)境下的真實白背景,以減小外界環(huán)境光的影響.

1.4 光譜采集和數(shù)據處理

利用VerdeTM自身配帶的數(shù)據處理軟件進行分析區(qū)域(region of interesting,ROI)選擇.不同肉類的脂肪組成差別較小,為了能最大限度地區(qū)分出豬肉和牛肉,在實驗過程中盡量選擇瘦肉部分來區(qū)分兩種肉.

高光譜成像系統(tǒng)獲得豬肉和牛肉的表面反射光譜圖的過程如下:將標準白板放置在距離鏡頭垂直距離60 cm的位置(圖1),打開電源開關并調節(jié)光纖照明的角度(距離水平傾斜45°)和高度(距離樣品40 cm),使照射在標準白板上的光斑均勻分布.取豬肉(牛肉)樣品,調整其在白板上的位置,盡量使被測樣品處于成像區(qū)域中心位置,調節(jié)光源的亮度和相機的曝光時間,使得所獲得的高光譜相片的效果達到最優(yōu).在采集所有的試樣之前,為校正相機暗電流和室內光照的影響,分別用蓋住鏡頭和測試標準白板的方法獲得黑白圖像,通過公式(1)計算相對反射光譜值.

R=(Rf-B)/(W-B).

(1)

式中：R、Rf、W、B—試樣的相對反射光譜值、試樣原始反射光譜值、標準白板反射光譜值、黑色圖像反射光譜值.將所有的樣品依次放在同一位置上進行測試,獲得反射強度.每一個被測樣品選取20個有效區(qū)域,將20個區(qū)域的光譜平均值作為最后的反射光譜數(shù)據Rf.

對獲得100(樣品數(shù))×51(波段)光譜矩陣進行處理.應用PCA對原數(shù)據進行降維處理,可以排除眾多的光譜信息的相互重疊,將原變量變化,使得新變量成為原變量的線性組合,同時保證新變量盡量最大程度的包含原變量的特征信息.經過主成分分析后,被測樣品的前兩個主成分總貢獻率已經達到90%以上如表1.所以在后期的數(shù)據分析過程中只選用前兩個主成分.

表1 豬肉和牛肉主成分貢獻率

2 結果與分析

2.1 原始光譜數(shù)據處理

豬肉和牛肉相對反射光譜R如圖2,可見豬肉和牛肉的光譜曲線走勢相近,只是反射強度不同.經過主成分分析,通過選取特征波長,根據方差貢獻率的大小提取前兩個主成分.圖3是使用前兩個主成分為坐標軸得到的40個豬肉和牛肉的PCA散點圖,橫坐標為第一主成分(PC1),縱坐標為第二主成分(PC2).可以看出,在豬肉和牛肉的主成份分布交叉在一起無法完全分辨.

圖2 豬肉和牛肉的相對反射光譜圖Figure 2 Relative reflection spectra of pork and beef

圖3 豬肉和牛肉的PCA散點圖Figure 3 Principal component analysis of pork and beef

2.2 建立判別模型

為了準確分辨出豬肉和牛肉,從準備好的各50個豬肉和牛肉樣品中取出各30個樣品作為訓練集用建立模型,剩下的各20個樣品作為預測集.在建模初,定義豬肉的分類標簽為1,牛肉的分類標簽為2.通過KNN判別、ANN模式識別和SVM分類器三種判別方式的比較,選出最優(yōu)模型.

KNN是一種有管理方式的模式判別方法,對于線性不可分的情況尤為適用,它不需要對已知樣品進行訓練,只需要找出在n維空間中距離未知樣品最鄰近的點,將未知試樣歸入所屬類即可.通過歐氏距離、海明距離和塔尼莫特距離等進行距離測量.實驗中通過計算被測樣品距離已知樣品點的歐式距離,并從中選擇出距離被測樣品點最近的9個已知樣品點,比較這9個點中豬肉和牛肉樣品點的多少,從而進行歸類.若9個樣品點中豬肉的樣品點數(shù)多于牛肉,則被測樣品點為豬肉(分類標簽為1),反之為牛肉(分類標簽為2),分類結果如圖4.被測樣品并未完全分辨出來,在40個預測樣品中,其中20個豬肉(圓點)中有一個被測樣品的分類標簽預測為2,即錯分為牛肉,正確辨識率為95%;而20個牛肉(三角)樣品中,有兩個被錯分為豬肉,正確識別率為90%.

圖4 豬肉和牛肉KNN分類結果圖Figure 4 Classification result of pork and beef using KNN

為了更好地將樣品完全區(qū)分開,使用人工神經網絡(ANN)來建立分類模型,該方法同樣可以實現(xiàn)模式識別,神經網絡由輸入層、隱蔽層和輸出層組成,其中輸入層與隱蔽層的激勵函數(shù)為雙正切函數(shù),輸出層為線性函數(shù),學習速率為0.5.具體分析時,可以根據需求來增加隱蔽層數(shù),但隱蔽層數(shù)的多少并不代表模型的好壞.由于試驗中樣本數(shù)量并不多,所以將訓練集的樣本同時作為驗正集.驗正集正確判斷率用來評判ANN模型的好壞[12].訓練過程中隱蔽層的節(jié)點數(shù)會影響網絡性能.通過試驗,當隱蔽層節(jié)點數(shù)為8時,得到的網絡性能最好.構建神經網絡時,由于初始網絡參數(shù)都是隨機產生的,所以每次訓練結果都不一樣,從中選擇出預測結果最好的網絡,結果如圖5.其中20個豬肉測試集的預測標簽全部為1,正確辨識率為100%,20個牛肉樣品中只有一個被測樣品的預測分類標簽為1,錯分為豬肉,正確識別率為95%.相比KNN方法,人工神經網絡模式判別方法所得結果明顯提高.

圖5 ANN模型預測結果Figure 5 Predict result of pork and beef using ANN

支持向量機(SVM)是基于統(tǒng)計學習理論(SLT)的一種模式識別與機器學習方法,具有根據有限的樣本信息在模型的復雜性和學習能力之間尋求最佳折中,以期獲最好的泛化能力.相比于其他方法,SVM能夠在有限樣本情況下獲得最優(yōu)解而不僅僅局限于在無窮個樣本條件下取得最優(yōu)值.SVM能夠找到一個最優(yōu)分界面將豬肉與牛肉最大程度的區(qū)分開.利用SVM所建立的模式識別模型對40個預測樣品測試，結果如圖6,40個被測樣品全部正確識別出.

圖6 SVM模型預測結果Figure 6 Predict result of pork and beef using SVM

表2列出了上述三種模型的識別率.可見,KNN判別、ANN識別、SVM分類的預測集的總體識別率分別為92.5%、97.5%和100%,其中SVM判別模型性能最高,ANN判別模型次之,KNN分類模型穩(wěn)定性最低.結果還顯示模型對于豬肉的辨識能力總體高于牛肉的辨識率,這可能因為在實驗的原始光譜中豬肉的反射光譜強度總體大于牛肉的反射光譜強度.

表2 KNN、ANN、SVM三種判別模型的豬肉、牛肉識別率

Table 2 Correct recognition rates of pork and beef using KNN、ANN、SVM methods

KNN正確辨識率/%ANN正確辨識率/%SVM正確辨識率/%豬肉95.0100100牛肉90.095.0100總正確辨識率92.597.5100

3 結 語

應用可見光高光譜成像技術實現(xiàn)豬肉和牛肉的區(qū)分.用主成分分析進行數(shù)據降維處理,通過比較KNN判別、ANN模式識別和SVM三種分類方法,最終選擇其中較好的SVM判別模型,正確識別率達到100%.可見，高光譜成像技術能夠成功應用于肉類分類的檢測.

[1] 曹晨,劉寶林.高頻超聲波技術在食品工業(yè)中的應用及展望[J].安徽農業(yè)科學,2009,37(36):18143-18144. CAO Chen, LIU Baolin. Application and prospect of high-frequency uitrasonic technique in food industry[J].Journal of Anhui Agricultural Sciences,2009,37(36):18143-18144.

[2] 徐霞,成芳,應義斌.近紅外光譜技術在肉品檢測中的應用和研究進展[J].光譜學與光譜分析,2009,29(7):1876-1880. XU Xia, CHENG Fang, YING Yibin. Application and recent development of research on near-infrared spectroscopy for meat quality evaluation[J].Spectroscopy and Spectral Analysis,2009,29(7):1876-1880.

[3] GOWEN A, ODONNELL C. Hyperspectral imaging - an emerging process analytical tool for food quality and safety contro[J].Trends in Food Science & Technology,2007,18(12):590-598.

[4] ELMASRY G, KAMRUZZAMAN M, SUN Dawen. Principles and applications of hyperspectral imaging in quality evaluation of agro-food products: a review[J].Critical Reviews in Food Science and Nutrition,2012,52(11):999-1023.

[5] 陳全勝,張燕華,萬新民.基于高光譜成像技術的豬肉嫩度檢測研究[J].光學學報,2010,9:2602-2607. CHENG Quansheng, ZHANG Yanhua, WAN Xinmin. Study on detection of pork tenderness using hyperspectral imaging technique[J].Acta Optica Sinica,2010,9:2602-2607.

[6] SIDDIQI A M, LI H, FARUQUE F,et al. Use of hyperspectral imaging to distinguish normal, precancerous, and cancerous cells[J].Cancer Cytopathology,2008,114(1):13-21.

[7] ROGGO Y, EDMOND A, CHALUS P,et al. Infrared hyperspectral imaging for qualitative analysis of pharmaceutical solid forms[J].Analytica Chimica Acta,2005,535(1):79-87.

[8] PLAZA A, DU Qian, CHANG Yanglang,et al. High performance computing for hyperspectral remote sensing[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2011,4(3):528-544.

[9] QIAO Jun, NGADI M O, WANG Ning, et al. Pork quality and marbling level assessment using a hyperspectral imaging system[J].Journal of Food Engineering,2007,83(1):10-16.

[10] 姚璐,丁亞明,馬曉鐘.基于高光譜成像技術的金華火腿無損分級檢測研究[J].食品安全質量檢測學報,2012,3(3):162-166. YAO Lu, DING Yaming, MA Xiaozhong. Rapid non-destructive of grade classification in Jinhua ham by hyperspectral imaging technique[J].Journal of Food Safety and Quality,2012,3(3):162-166.

[11] BARBIN D F, ELMASRY G, SUN D W, et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J].Food Chemistry,2013,138(2):1162-1171.

[12] XIONG Z J, SUN D W, DAI Q, et al. Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat[J].Food Analytical Methods,2015,8(2):380-391.

[13] TAO Feifei, PENG Yankun, Li Yongyu, et al. Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J].Meat Science,2012,90(3):851-857.

[14] PRIETO N, ROEHE R, LAVIN P, et al. Application of near infrared reflectance spectroscopy to predict meat and meat products quality: a review[J].Meat Science,2009,83(2):175-186.

[15] KAMRUZZAMAN M, BARBIN D, ELMASRY G,et al. Potential of hyperspectral imaging and pattern recognition for categorization and authentication of red meat[J].Innovative Food Science & Emerging Technologies,2012,16:316-325.

[16] BARBIN D, ELMASRY G, SUN Dawen,et al. Near-infrared hyperspectral imaging for grading and classification of pork[J].Meat Science,2012,90(1):259-268.

[17] KAMRUZZAMAN M, ELMASRY G, SUN Dawen, et al. Non-destructive assessment of instrumental and sensory tenderness of lamb meat using NIR hyperspectral imaging[J].Food Chemistry,2013,141(1):389-396.

[18] CHUCHARD F, COGDILL R, ROUSSEL S,et al. Application of LS-SVM to non-linear phenomena in NIR spectroscopy: development of a robust and portable sensor for acidity prediction in grapes[J].Chemometrics and Intelligent Laboratory Systems,2004,71(2):141-150.

Application of visible hyperspectral imaging used to discreminate beef and pork

LIU Weidong1, MAO Xiaoting2, JIN Huaizhou3, JIN Shangzhong2

(1. Measurement Supervision and Testing Institute of Hebei Province, Shijiazhuang 050051, China; 2. Department of Optical and Electronic Technology, China Jiliang University, Hangzhou 310018, China; 3. Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130000, China)

A method for the discremination of beef and pork by hyperspectral imaging was established. The hyperspectral images of 100 meat samples were collected with a hyperspectral camera and pretreated by using the principal component analysis algorithm (PCA). The discremination models were established with 60 calibration samples by using three modelling methods: the k-nearest neighbor algorithm (KNN), the artificial neural network (ANN) and the support vector machine classification (SVM). The models were validated with 40 samples. The results showed that the correct recognition rates of the models were 92.5%、 97.5%、 100%, respectively. The result suggests that the hyperspectral imaging technique is a fast, accurate and non-destructive method of discremination of pork and beef.

spectroscopy; hyperspectral imaging; mode recognition; principal component analysis; pork and beef discremination

1004-1540(2015)02-0177-05

10.3969/j.issn.1004-1540.2015.02.010

2015-01-13 《中國計量學院學報》網址：zgjl.cbpt.cnki.net

國家質檢總局公益專項(No.201210094).

O433

A