雙波段光譜融合的豬肉多品質(zhì)參數(shù)同時檢測方法研究

王文秀、彭彥昆*、徐田鋒、劉媛媛，2

1. 中國農(nóng)業(yè)大學工學院、國家農(nóng)產(chǎn)品加工技術(shù)裝備研發(fā)分中心、北京 100083 2. 塔里木大學機械電子化工程學院、新疆 阿拉爾 843300

雙波段光譜融合的豬肉多品質(zhì)參數(shù)同時檢測方法研究

王文秀1、彭彥昆1*、徐田鋒1、劉媛媛1，2

1. 中國農(nóng)業(yè)大學工學院、國家農(nóng)產(chǎn)品加工技術(shù)裝備研發(fā)分中心、北京 100083 2. 塔里木大學機械電子化工程學院、新疆 阿拉爾 843300

在雙波段可見/近紅外光譜系統(tǒng)(350～1 100和1 000～2 500 nm)中、由于兩臺儀器性能有所不同、導致在波段重疊區(qū)域?qū)ν粯悠窚y得的反射率不同、出現(xiàn)數(shù)據(jù)交叉現(xiàn)象。針對此問題、提出一種波段連接數(shù)據(jù)融合的方法、以期對兩個波段的光譜進行更好的應(yīng)用。首先采集60個生鮮豬肉樣品表面的反射光譜信息、利用Savitzky-Golay(S-G)平滑和標準正態(tài)變量變換進行預處理、然后利用單一波段和雙波段光譜數(shù)據(jù)與豬肉品質(zhì)參數(shù)(顏色參數(shù)L*,a*,b*、pH和蒸煮損失率)理化值建立偏最小二乘預測模型、并分析比較。利用提出的波段融合方法對兩個波段重疊區(qū)域出現(xiàn)的交叉進行處理、處理后的雙波段光譜融合數(shù)據(jù)對參數(shù)L*,a*,b*,pH以及蒸煮損失率建模、驗證集的相關(guān)系數(shù)分別為0.948 8、0.920 0、0.950 5、0.930 1和0.903 5、模型效果與未融合前相當甚至更優(yōu)。采用無信息變量消除法方法進行特征變量篩選、利用優(yōu)選后的特征變量建立了更為簡化的模型。實驗結(jié)果表明、所提出的波段融合方法能夠?qū)蓚€波段光譜數(shù)據(jù)實現(xiàn)較好的融合、利用融合后的光譜數(shù)據(jù)有利于建立更簡化、性能更佳的預測模型。

可見/近紅外； 品質(zhì)參數(shù)； 雙波段； 數(shù)據(jù)融合

引 言

豬肉是我國大部分居民肉類食物的主要來源、我國豬肉的生產(chǎn)消費總量在世界范圍內(nèi)居首位。隨著消費水平的提高和對健康的日益關(guān)注、人們對豬肉的需求日趨多元化、消費者對豬肉的品質(zhì)(顏色、pH、蒸煮損失率等)要求也日益提高、豬肉品質(zhì)受到越來越多的關(guān)注[1]。

近紅外光譜技術(shù)是近些年來迅速發(fā)展起來的一種技術(shù)。ElMasry等[2]利用近紅外高光譜系統(tǒng)(900～1 700 nm)檢測新鮮牛肉的顏色、pH以及嫩度、并對結(jié)果進行可視化處理。Su等[3]利用近紅外光譜(1 000～1 800 nm)對肉中水分、脂肪和蛋白質(zhì)含量進行預測、取得了較好的結(jié)果。上述研究均基于單一波段光譜信息建立模型、由于豬肉組織結(jié)構(gòu)化學組成比較復雜、而單一波段波長范圍較窄、因此所能反映的樣品光學信息有限。目前波段范圍可直接覆蓋350～2 500 nm的寬波段可見/近紅外光譜儀、雖然可應(yīng)用于肉品檢測、但是價格較貴。因此本工作搭建了雙波段可見/近紅外檢測系統(tǒng)、波段范圍覆蓋了350～1 100 nm以及1 000～2 500 nm。由于兩個波段光譜儀儀器性能不同、在1 000～1 100 nm的波段重疊區(qū)域、對于同一樣品采集得到的反射率不同、兩個波段的光譜數(shù)據(jù)并不連接。若是利用兩個波段的光譜數(shù)據(jù)同時建模、研究如何利用好重疊區(qū)域的數(shù)據(jù)、實現(xiàn)重疊區(qū)域數(shù)據(jù)的融合、進而建立更加穩(wěn)健的模型具有重要的意義。

針對光譜連接問題、張海云等[4]將兩個波段融合區(qū)域的數(shù)據(jù)進行了加權(quán)平均、對該部分數(shù)據(jù)進行了融合。石力安等[5]在交接點處左右各取5個數(shù)據(jù)、通過偏最小二乘法求出最佳移動距離、生成連續(xù)的平滑曲線。然而、上述連接方法均是在已經(jīng)獲得的反射率數(shù)值基礎(chǔ)上進行數(shù)學平均或者最小二乘平移、并沒有將造成結(jié)果差異的儀器性能因素考慮進來、因此這種融合方式具有一定的局限性。針對這一問題、本工作提出一種基于光譜儀器響應(yīng)的波段連接方法、對兩個波段數(shù)據(jù)在重疊區(qū)進行折算、進而實現(xiàn)兩個波段光譜數(shù)據(jù)的融合、并利用融合后的光譜數(shù)據(jù)建立偏最小二乘回歸(partial least square regression,PLSR)模型、以此來驗證融合方法的可靠性。

1 實驗部分

1.1 材料

所用實驗樣品為超市購買的冷鮮豬肉背最長肌部分。將樣品修整為25 mm厚的肉塊后、立即用蓄冷裝置運送至無損檢測實驗室、共選取60個樣品用于后續(xù)實驗分析。采集前將樣品放置于空氣中暴露30 min、使表面水分蒸發(fā)、同時開啟儀器進行預熱。光譜采集時要盡量保持外界環(huán)境條件一致、減少外界環(huán)境因素對光譜數(shù)據(jù)的影響。采集完成后、立即進行顏色參數(shù)L*(明亮度),a*(紅綠方向變化),b*(黃藍方向變化),pH和蒸煮損失率的測定。

1.2 儀器

實驗所采用的可見/近紅外檢測系統(tǒng)主要由光譜儀、鹵鎢燈點光源(AvaLight-HAL、荷蘭Avantes公司、覆蓋波長350～2 500 nm、功率14 W)、三分叉光纖(FCR-7IR400-2-ME、荷蘭Avantes公司)以及計算機等組成、如圖1所示。其中、所用兩個波段光譜儀分別是：光譜儀1(型號：AvaSpec-2048x14、荷蘭Avantes公司、波長范圍是350～1 100 nm)、光譜儀2(型號：AvaSpec-NIR 256-2.5、荷蘭Avantes公司、波長范圍是1 000～2 600 nm)。由于豬肉樣品表面并不完全的平整、將光纖末端插入自行設(shè)計的光纖夾具中、通過前端5 mm的限位孔保證檢測距離的一致。采集時、將光纖夾具貼在樣品表面、既保證檢測距離、又避免外界環(huán)境光的影響與干擾。此外、還用到精密色差儀(HP-200、上海漢譜光電科技有限公司)、pH計(METTLER TOLEDO FE20、北京連博永通科技有限公司)、水浴鍋、天平等。

圖1 可見/近紅外光譜系統(tǒng)

1.3 光譜采集與理化值測定

利用上述光譜采集系統(tǒng)獲取樣品反射光譜曲線。由于樣品的不均勻性、采集5個不同位置處的信息并求取平均后作為其原始光譜。然后分別利用精密色差儀和pH計測定顏色參數(shù)和pH、每個樣品測定5次并求取平均。最后、對肉塊稱重并記錄質(zhì)量、密封包裝后置于80 ℃水浴鍋中加熱、當樣品中心溫度為70 ℃時取出并冷卻至室溫、破壞包裝后將肉塊取出、用濾紙將表面水分吸干、記錄其質(zhì)量[6]。蒸煮損失率(%)計算如下

(1)

式(1)中、w1為蒸煮前樣品的質(zhì)量(g)、w2為蒸煮后樣品的質(zhì)量(g)。

1.4 光譜處理與數(shù)據(jù)分析

在建立模型之前、利用Savitzky-Golay(S-G)平滑來減弱隨機噪聲造成的影響、盡可能多地保留數(shù)據(jù)中的有效信息[7]。同時采用標準正態(tài)變量變換(standard normal variable transform、SNVT)的預處理方法來消除固體顆粒大小、表面散射以及光程變化對漫反射光譜的影響[8]。然后、分別利用單一波段的光譜信息和兩個波段的光譜信息建立PLSR模型、并對所建模型的效果進行比較。兩個波段連接后、由于數(shù)據(jù)量冗大、利用無信息變量消除法(uninformative variables elimination,UVE)對特征變量進行篩選、進而建立更加簡單的模型[9-10]。UVE法的基本原理是在光譜矩陣中加入相同數(shù)量的隨機變量矩陣、而后建立PLSR模型、通過系數(shù)B、來判斷變量的重要程度[11]。

1.5 雙波段數(shù)據(jù)融合方法

光譜儀測量到的結(jié)果是真實的光譜結(jié)果與光譜儀響應(yīng)函數(shù)的卷積。由于兩臺光譜儀的探測器不同、光柵的量子效率不同、因此在相同波段下對于同一樣品所得到的結(jié)果不相同。本研究中光譜儀1(波長350～1 100 nm)使用的是CCD探測器、分辨率為0.59 nm、光譜儀2(波長1 000～2 500 nm)使用的是InGaAs線陣探測器、分辨率為6.958 nm。兩臺儀器之間存在較大的差異、包括二者的探測器不同、信噪比有較大的差別等、同時這些差異對光譜造成的影響也與樣品有關(guān)、因此引入了線性平移量(截距常數(shù))和傾斜偏移量(回歸系數(shù))的概念、將兩個光譜儀在重疊區(qū)域進行折算、從而實現(xiàn)了分辨率較高的光譜儀1對分辨率低的光譜儀2的校正、對重疊區(qū)域的數(shù)據(jù)進行了融合。

(1)對光譜進行平滑處理。由于重疊區(qū)域分別位于光譜儀1的末端和光譜儀2的前端、為了減少光譜儀熱穩(wěn)定引起的系統(tǒng)誤差、先進行平滑處理。

(2)波段交接處的校正和折算。對于兩個光譜儀上得到的樣品反射率、由式(2)和式(3)計算得出

(2)

(3)

在光譜范圍重疊區(qū)域、對每個波長下由兩臺儀器所測得的反射率做回歸、來對該波段范圍內(nèi)的反射率差異進行校正

Rm，j=Rs，j×bj+cj

(4)

式(4)中、Rm和Rs為兩個波段光譜儀所得到的反射率、S1和S2為樣品在兩個光譜儀上的強度、D1和D2為兩個光譜儀所得黑參考、R1和R2為兩個光譜儀的參比、Rm,j和Rs,j分別為兩個光譜儀測量同一樣品所得光譜矩陣Sm和Ss在第j波長處的反射率、bj為回歸系數(shù)、cj為截距常數(shù)。對式(4)進行初始化、在樣品為白板時、得到的反射率均為100%、因此可得式(5)—式(7)

100bj+cj=100

(5)

(6)

(7)

利用線性方程的最小二乘解、即按照殘差平方和最小的原理求解、得到某一樣品在整個重疊區(qū)域的斜率和截距。

(3)重疊區(qū)域校正到光譜儀1后、對光譜儀2在1 100～2 500nm范圍的反射率乘上該系數(shù)、根據(jù)節(jié)點處光譜儀2與光譜儀1的差值、計算出每個樣品在1 100～2 500nm波長下的偏移量。

2 結(jié)果與討論

2.1 豬肉各品質(zhì)參數(shù)理化值分析

利用Kennard-Stone算法[11]按照3∶1的比例將樣品分為校正集和驗證集、各品質(zhì)參數(shù)的統(tǒng)計信息如表1所示。

表1 校正集和驗證集中各品質(zhì)參數(shù)的參考值

2.2 單個波段與雙波段光譜建模

60個生鮮豬肉樣品在兩個波段的原始反射光譜曲線如圖2所示。圖2(a)為光譜儀1得到的曲線、圖2(b)為光譜儀2得到的曲線。其中、420 nm與去氧肌紅蛋白的吸收峰有關(guān)、520和560 nm與氧合肌紅蛋白的吸收峰有關(guān)、1 210 nm與C—H鍵的二級倍頻有關(guān)、1 420 nm與N—H鍵的一級倍頻和組合頻有關(guān)。對于光譜儀2、由于前端噪音較大、截取1 029 nm后的數(shù)據(jù)進行分析。

利用預處理后的單一波段光譜信息和雙波段光譜信息、建立PLSR模型、結(jié)果如表2所示。此時利用兩個波段的方法為將預處理后的單個波段的數(shù)據(jù)矩陣平行放在一起、形成新的光譜變量矩陣。其中、校正集相關(guān)系數(shù)和均方根誤差分別用Rc和SEC表示、驗證集相關(guān)系數(shù)和均方根誤差分別用Rp和SEP表示。

由表2中數(shù)據(jù)可以看出、總體上基于波段1(350～1 100 nm)所建模型的效果優(yōu)于波段2(1 029～2 500 nm)、尤其是顏色參數(shù)。一方面與光譜儀1的分辨率高噪音小有關(guān)、另一方面因為與顏色有關(guān)的信息主要集中在波段1。因豬肉的化學成分比較復雜、為含多種由C—H鍵、O—H鍵及N—H鍵組成的有機化合物、而850～950、1 100～1 225、1 300～1 420、1 650～1 800和2 200～2 450 nm與C—H鍵拉伸和伸縮振動相關(guān)、775～850 nm與N—H鍵伸縮振動相關(guān)、950～1 100、1 400～1 500以及2 000～2 200 nm與N—H鍵和O—H鍵振動伸縮相關(guān)。因此、雙波段光譜數(shù)據(jù)更能提供豐富的信息來表征化學物質(zhì)本身的特性、建立起來的預測模型更加準確。

圖2 雙波段原始光譜曲線

表2 基于單一波段和雙波段光譜的建模結(jié)果

2.3 波段連接數(shù)據(jù)融合后建模

利用所提出的波段連接和數(shù)據(jù)融合的方法對原始光譜數(shù)據(jù)進行處理、處理之后的光譜曲線如圖3(b)所示、未連接前原始光譜曲線如圖3(a)所示。二者比較可以發(fā)現(xiàn)、處理后的光譜曲線較好的保留了原有的曲線形狀和變化趨勢、而在重疊的1 029～1 100 nm波段范圍內(nèi)、光譜曲線連接較好、在節(jié)點處變化平緩。基于儀器響應(yīng)差異、對由此造成的同一波段不同的反射率數(shù)值進行折算、可以避免直接對數(shù)據(jù)平移進行數(shù)據(jù)融合所導致的光譜扭曲以及突然變大或減小造成的光譜急劇變化。

圖3 連接前后雙波段的光譜曲線

對融合后的光譜數(shù)據(jù)進行平滑和SNVT預處理后、建立PLSR模型。對各個參數(shù)建模的預測集結(jié)果如表3所示。從表3可以看出、所建立模型的性能良好、對各個參數(shù)建模結(jié)果與未融合前相當甚至更優(yōu)、對重疊區(qū)域數(shù)據(jù)得到更好的應(yīng)用、證明了該融合方法的可行性。利用UVE法對參數(shù)L*進行變量篩選的結(jié)果如圖4所示。以圖中虛線部分為界限、在虛線之外對應(yīng)的變量作為有效變量用于模型建立、而虛線內(nèi)對應(yīng)的變量予以剔除。對參數(shù)L*,a*,b*,pH和蒸煮損失率、使用相較于原先12.65%、34.32%、23.94%、24.77%和14.00%的變量、便建立了性能相當?shù)哪Ｐ?表3)、所用變量數(shù)大大減少、簡化了整個運算的過程、提高了效率。

表3 數(shù)據(jù)融合變量篩選后模型結(jié)果

圖4 利用無信息變量消除方法篩選變量

3 結(jié) 論

利用雙波段可見/近紅外光譜系統(tǒng)獲取了豬肉的反射光譜、進行S-G平滑和SNVT預處理后、與顏色、pH和蒸煮損失建立了基于單一波段和雙波段光譜信息的PLSR模型、并進行了比較。結(jié)果表明、單一波段光譜數(shù)據(jù)建模時、光譜儀1的建模結(jié)果明顯優(yōu)于光譜儀2、雙波段光譜數(shù)據(jù)建立模型的結(jié)果優(yōu)于單一波段數(shù)據(jù)建模、這是由于雙波段光譜能夠提供更加充分和完整的光譜信息、以此來表征豬肉的反射特性。對于兩個波段重疊區(qū)域出現(xiàn)的交叉、利用本研究提出的方法、計算出轉(zhuǎn)換系數(shù)和偏移量后、進行兩個波段數(shù)據(jù)的融合、建立PLSR模型。該方法將造成光譜差異的儀器性能這個因素考慮進來、通過不同儀器間光譜差異進行折算、實現(xiàn)數(shù)據(jù)融合。利用融合后的數(shù)據(jù)對參數(shù)L*,a*,b*,pH以及蒸煮損失率建模、驗證集的相關(guān)系數(shù)分別為0.948 8、0.920 0、0.950 5、0.930 1和0.903 5、模型效果與未融合前相當甚至更優(yōu)、可見該融合方法的可行性。采用UVE方法進行特征變量篩選、使用較少的變量便取得了性能相當或者更優(yōu)的模型、不僅簡化了模型、同時還提升了預測能力。

[1] Huang Qiping,Chen Quansheng,Li Huanhuan,et al. Journal of Food Engineering,2015,154：69.

[2] ElMasry G,Sun D,Allen P. Journal of Food Engineering,2012,110：127.

[3] Su Huawei,Sha Kun,Zhang Li,et al. Meat Science,2014,98：110.

[4] ZHANG Hai-yun,PENG Yan-kun,WANG Wei,et al(張海云、彭彥昆、王 偉、等). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機械學報),2013,44(4)：146.

[5] SHI Li-an,GUO Hui,PENG Yan-kun,et al(石力安、郭 輝、彭彥昆、等). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機械學報),2015,46(7)：203.

[6] ZHANG Lei-lei,PENG Yan-kun,LIU Yuan-yuan,et al(張雷蕾、彭彥昆、劉媛媛、等). Transactions of the Chinese Society for Agricultural Machinery(農(nóng)業(yè)機械學報),2013,44(Supp. 1)：159.

[7] CHU Xiao-li,YUAN Hong-fu,LU Wan-zhen(褚小立、袁洪福、陸婉珍). Progress in Chemistry(化學進展),2004,16(4)：528.

[8] TIAN Kuang-da,QIU Kai-xian,LI Zu-hong,et al(田曠達、邱凱賢、李祖紅、等). Spectroscopy and Spectral Analysis(光譜學與光譜分析),2014,34(12)：3262.

[9] LI Qian-qian,TIAN Kuang-da,LI Zu-hong,et al(李倩倩、田曠達、李祖紅、等). Chinese Journal of Analytical Chemistry(分析化學),2013,41(6)：917.

[10] CHEN Bin,CHEN Dan(陳 斌、陳 蛋). Spectrum Instrument and Analysis(光譜儀器與分析),2005,25(4)：26.

[11] Porep Jan U,Kammerer Dietmar R,Carle Reinhold. Trends in Food Science & Technology,2015,46：211.

*Corresponding author

Simultaneous Detection of Multiple Quality Parameters of Pork Based on Fused Dual Band Spectral

WANG Wen-xiu1,PENG Yan-kun1*,XU Tian-feng1,LIU Yuan-yuan1，2

1. National Research and Development Center for Agro-processing Equipment,College of Engineering,China Agricultural University,Beijing 100083,China 2. College of Mechanic and Electrical Engineering,Tarim University,Alar 843300,China

For dual band visible/near infrared spectroscopy system (350～1 100 and 1 000～2 500 nm),there exsits a band overlap and for the same sample the reflectivity data were unlike due to the performance difference between instruments. A band connection and data fusion method was proposed in this paper to make better use of the dual-band data. A dual-band visible/near-infrared spectroscopy system was built in the study to collect 60 pork samples’ reflectance spectra. The reflectance spectra of samples were performed with pretreatment methods of Savitzky-Golay (S-G) and standard normal variable transform to eliminate the spectral noise. Then partial least squares regression (PLSR) prediction models of pork quality attributes (color,pH and cooking loss) based on single-band spectrum and dual-band spectrum were established,respectively. For the cross of two band overlap,the data were connected and integrated using the method put forward in this paper and then PLSR models were established based on the integrated data. The PLSR model yielded prediction result with correlation coefficient of validation (Rp) of 0.948 8,0.920 0,0.950 5,0.930 1 and 0.903 5 for L*,a*,b*,pH value and cooking loss,respectively. To simplify the model,uninformative variables elimination (UVE) was employed to select characteristic variables. The experimental results show that the proposed method was able to achieve a better fusion of the two band spectral data,and it was good for the establishment of a more simplified and better prediction model.

Visble/near infrared; Quality parameters; Dual band; Data fusion

Dec. 23,2015; accepted Apr. 3,2016)

2015-12-23、

2016-04-03

國家重點研發(fā)計劃項目(2016YFD0400905)資助

王文秀、1989年生、中國農(nóng)業(yè)大學工學院碩博連讀研究生 e-mail：Godlovexiu@163.com *通訊聯(lián)系人 e-mail：ypeng@cau.edu.cn

O433

A

10.3964/j.issn.1000-0593(2016)12-4001-05