劉翠玲 胡 瑩 吳靜珠 邢瑞芯 王少敏

(1.北京工商大學計算機與信息工程學院， 北京 100048；2.北京工商大學食品安全大數(shù)據(jù)技術(shù)北京市重點實驗室， 北京 100048)

0 引言

花生富含大量的蛋白質(zhì)、脂肪、糖類以及鈣、磷、鐵礦物元素等，可直接食用或者進行烘培等后續(xù)加工后食用，已成為人們喜愛的休閑食品；同時花生也是食用油的重要原材料之一，豐厚的營養(yǎng)價值使花生成為人們生活中的必需品[1]。但收獲后的花生在儲藏期間易受到溫、濕度的影響而引起花生霉變[2]。霉變花生極有可能含強致癌物質(zhì)——黃曲霉素，快速識別并分離霉變花生可從源頭上阻止其進入食物鏈，降低人類攝入黃曲霉素的風險[3]。因此，對花生的霉變檢測尤為重要。目前，絕大多數(shù)花生生產(chǎn)企業(yè)，主要依靠人工觀測判斷花生是否發(fā)生霉變，該檢測方法易受主觀心理、視覺疲勞等因素影響[4]。在農(nóng)業(yè)行業(yè)標準NY/T 1068—2006和國標GB/T 5494—2008中，規(guī)定了對于花生中霉素的檢驗，采用同位素稀釋液相色譜-串聯(lián)質(zhì)譜法、酶聯(lián)免疫吸附法等檢測方法。這些傳統(tǒng)檢測方法具有前處理復雜、費時費力，且易對樣品造成破壞、產(chǎn)生二次污染等問題[5-6]。因此，亟需尋找一種可靠、快速、便捷的方法來檢測花生仁的霉變程度。

光譜檢測技術(shù)具有綠色環(huán)保、耗時短、成本低、可靠性高的特點，彌補了傳統(tǒng)理化檢測方法的不足[7-9]，近年來在食品檢測領域發(fā)展較快。HIRANO等[10]通過分析花生油脂短波近紅外(700～1 100 nm)的透射比對表面良好、內(nèi)部霉變的花生進行了檢測，但該方法對樣本具有破壞性，且油脂提取程序相對繁瑣。LEE等[11]采用了拉曼光譜、近紅外光譜技術(shù)(Near infrared，NIR)與中紅外光譜技術(shù)(Mid infrared，MIR)3種光譜技術(shù)對玉米受黃曲霉毒素污染進行了對比分析，結(jié)果顯示，拉曼光譜與MIR對玉米中黃曲霉毒素的預測精度優(yōu)于NIR光譜技術(shù)。這些研究均表明，光譜技術(shù)在農(nóng)產(chǎn)品的霉變檢測領域取得了較好的研究進展[12-14]。新興的太赫茲光譜技術(shù)與其他光譜技術(shù)相比，具有承載更多信息、能量低、不會對被檢物質(zhì)造成光電離破壞、并具有一定的穿透性等特點[15-17]，在農(nóng)產(chǎn)品檢測領域具有巨大的潛力[18-19]。因此，本文采用太赫茲光譜技術(shù)中的衰減全反射方式進行光譜掃描，通過光譜預處理與變量優(yōu)化后分別結(jié)合BP(誤差反向傳播)神經(jīng)網(wǎng)絡算法與支持向量機(Support vector machine，SVM)算法，建立不同霉變程度花生的定性分析模型。

1 實驗及方法

1.1 材料與儀器

材料：不同品種的帶殼花生1 000 g(購于某種子公司)。

主儀器：英國Tera View公司生產(chǎn)的TeraPulse 4000型太赫茲脈沖光譜儀，如圖1a所示，可發(fā)射頻率從60 GHz到4 THz(2～133 cm-1)的太赫茲波，信噪比最高達到70 dB。光譜采集部分選擇入射角為35°的單晶硅衰減全發(fā)射(ATR)模塊，工作范圍為10～120 cm-1(0.3～3.6 THz)。

輔助儀器：SPX-80型智能生化培養(yǎng)箱，購自杭州碩聯(lián)儀器有限公司，溫度波動±0.5℃，如圖1b所示。

圖1 實驗儀器Fig.1 Experimental apparatus

1.2 實驗方法

實驗選取的花生品種為花育36號；為排除不同品種給實驗帶來的偶然性，選取魯花9號花生品種作為參考樣本進行培育。兩種花生品種樣本共計80枚，大小、顏色均勻一致，吹掃干凈。預留20枚視為正?；ㄉ鷺颖荆溆?0枚作為發(fā)霉培育對象?；ㄉ诟邷?、高濕、封閉環(huán)境下最易發(fā)生霉變[20]，因此實驗時，按照水分與花生樣本質(zhì)量比0.2左右在花生殼表面均勻噴灑去離子水，并置于28℃的生化培養(yǎng)箱里培養(yǎng)。同時利用溫濕度檢測儀確?；ㄉ幁h(huán)境溫度在28℃左右、相對濕度80%～90%。實驗方案如表1所示。

表1 樣本培養(yǎng)方案Tab.1 Sample culture program

將得到的輕度、中度、嚴重霉變花生樣本作為實驗待測樣本，取出并放置于干燥、常溫環(huán)境下1～2 d。得到的花生樣本外殼表面有明顯皺縮、發(fā)黑，有斑點的現(xiàn)象；去殼后霉變樣本如圖2所示。

圖2 不同狀態(tài)下的花生Fig.2 Peanuts in different states

3類霉變花生樣本表面皆有4 mm左右淡綠毛、白色塊狀斑點產(chǎn)生，顏色晦暗發(fā)黃，質(zhì)地變軟，肉眼較難區(qū)分。隨機選取包括正常、輕度、中度、嚴重霉變花生仁各20粒，制作成厚度約1 mm、尺寸約1 cm×1 cm的花生仁切片，樣本共計80個。為防止花生仁發(fā)生氧化等反應，該操作應盡可能快速準確。實驗環(huán)境溫度始終保持在22℃。

1.3 光譜采集

圖3 部分霉變樣本的時域光譜Fig.3 Time-domain spectra of some mildew samples

實驗采集80個花生樣本切片的ATR光譜。確保ATR晶體未放置樣品并干凈無污染，采集得到參考信號(Reference signal)后進行樣本的數(shù)據(jù)采集。為確保樣本和ATR晶體之間光學接觸良好，需擰緊壓力螺釘，最大限度地提高吸光度[21]。ATR采集參數(shù)設置為:分辨率0.94 cm-1，每次快速掃描的平均次數(shù)為450。

部分樣本的原始太赫茲時域光譜如圖3所示。從圖中可以看出，由于空氣中的水分干擾，樣本信號的波形均存在較小抖動。此外，4種花生仁樣本的脈沖波形相似，差異細微，說明了系統(tǒng)的穩(wěn)定性；但不易直接通過太赫茲時域光譜進行不同程度霉變花生的有效鑒別，需要將采集得到的時域信號進一步處理，提取出更有效的光學常數(shù)并結(jié)合模式識別算法建立定性分析模型。

2 結(jié)果與分析

2.1 光譜預處理

2.1.1光學常數(shù)提取

光學常數(shù)是表征物質(zhì)宏觀光學性質(zhì)的重要物理量，同樣也是太赫茲光譜分析中建模數(shù)據(jù)的來源[22]。通常情況下更多選用的光學常數(shù)是物質(zhì)的吸光度與吸收系數(shù)。提取光學常數(shù)前，需要利用快速傅里葉變換(FFT)將參考信號和樣本的時域光譜進行轉(zhuǎn)換。在獲得信號頻域譜的過程中，為避免信號數(shù)據(jù)開頭和結(jié)尾不連續(xù)造成信號頻譜顯示的失真，需對信號進行加窗處理，減少時域信號截斷所帶來的誤差[23]。窗函數(shù)的種類多樣，比如Boxcar用于高分辨率，Blackman Harris用于高信噪比，本文選擇最常用的Happ Genzel，因為其兼顧了信噪比和分辨率。

將得到樣本信號與參考信號的對應頻域信息作比后，利用所得比值函數(shù)的幅值ρ(ω)和相位φ(ω)信息計算得到所需的光學常數(shù)。樣本的光學常數(shù)吸光度A(?)與吸收系數(shù)α(ω)計算公式為

(1)

(2)

(3)

式中E0(?)——入射的太赫茲波強度

E1(?)——透過物質(zhì)的太赫茲波強度

d——樣本的厚度

ω——角頻率

ρ(ω)——比值函數(shù)的幅值

φ(ω)——比值函數(shù)的相位

n(ω)——樣本的折射率

c——太赫茲波在空氣中的傳播速度

其中吸光度與吸收系數(shù)譜圖如圖4所示。

圖4 吸光度譜圖和吸收系數(shù)譜圖Fig.4 Absorption and absorbance spectra

圖5 平均吸收系數(shù)Fig.5 Average absorption coefficient

2.1.2光譜范圍選取

在10～120 cm-1頻域內(nèi)，觀察圖4a實驗數(shù)據(jù)發(fā)現(xiàn)，隨著頻率的增加，樣品吸光度整體呈現(xiàn)先上升后下降趨勢，但無明顯特征峰存在；而圖4b中所有樣本的吸收系數(shù)光譜特征峰明顯，所以本實驗選擇吸收系數(shù)作為建模數(shù)據(jù)。但吸收系數(shù)譜線整體呈差異較小、重疊度較高、難以分辨的特點。

為了解決這個問題，進一步對每個類別的所有樣本取平均處理。處理后可以發(fā)現(xiàn)在一定波段內(nèi)正常樣本與霉變樣本的差異十分顯著。圖5a為正常、嚴重霉變花育36號各自類別在5～44 cm-1的平均吸收系數(shù)，可以看到兩條曲線相離甚遠，并且隨著頻率增加，吸收系數(shù)越來越高。圖5b為正常、嚴重霉變魯花9號各自類別在0～50 cm-1的平均吸收系數(shù)，同樣兩條曲線差異也是十分顯著，為后期模型建立提供了可能性。

2.2 建模及定性分析

BP神經(jīng)網(wǎng)絡算法是當前工業(yè)領域應用較多的一種前饋式學習算法與反向傳播算法的神經(jīng)網(wǎng)絡，可對樣本進行有效分類，故采用BP神經(jīng)網(wǎng)絡進行不同霉變程度樣本的分類處理；同時，為了探究處理此類數(shù)據(jù)更優(yōu)的算法，嘗試采用同樣經(jīng)典的SVM方法進行霉變樣本分類的定性分析。支持向量機庫Lib-SVM，能夠解決小樣本情況下的機器學習問題，提高泛化能力，解決高維問題、非線性問題，適于處理光譜數(shù)據(jù)[24-25]，故同時采用Lib-SVM進行花生霉變程度鑒別模型的建立。

2.2.1基于BP神經(jīng)網(wǎng)絡的定性分析

表2 BP網(wǎng)絡輸出節(jié)點編碼Tab.2 BP network output node coding

圖6 BP算法分類結(jié)果Fig.6 BP algorithm classification results

2.2.2基于Lib-SVM的定性分析

首先建立正常與霉變花生的二分類模型。采用基于網(wǎng)格搜索及交叉驗證方法進行參數(shù)尋優(yōu)的支持向量機多分類算法，建立兩類品種樣本霉變的二分類模型。按3∶1的比例隨機劃分建模集和測試集，即得到20個樣本作為測試集，其余60個樣本作為建模集。對經(jīng)過歸一化預處理后的樣本建立基于特征波段-吸收系數(shù)的正常、霉變樣本二分類模型。模型結(jié)果如圖7所示，藍色標識代表樣本的實際類別，紅色標識代表樣本的預測類別，可以看出，兩類測試樣本都準確地被劃分到自身所屬類別當中，模型預測正確率為100%。

圖7 霉變程度二分類模型預測結(jié)果Fig.7 Prediction result of mildew degree two-class model

為進一步探索太赫茲光譜技術(shù)在花生霉變情況檢測研究中的可行性，對輕度、中度、嚴重霉變樣本建立基于特征波段-吸收系數(shù)譜的霉變程度三分類模型。

在建立三分類模型時，同樣選擇采用基于網(wǎng)格搜索法及交叉驗證方法進行參數(shù)尋優(yōu)的SVM多分類算法，按3∶1的比例隨機劃分建模集和測試集，即得到15個樣本作為測試集，其余45個樣本作為建模集。對經(jīng)過歸一化預處理后的所有樣本建立SVM模型，并分別建立花育36號、魯花9號霉變樣本的三分類模型，結(jié)果如圖8所示。可以看出，3類測試樣本都準確地被劃分到自身所屬類別當中，模型預測正確率為100%，可靠性較高。所有模型參數(shù)及預測結(jié)果如表3所示。

圖8 霉變程度三分類模型預測結(jié)果Fig.8 Prediction result of mildew degree three-class model

分類模型光譜范圍/cm-1總預測正確率/%懲罰參數(shù)Gamma參數(shù)花育二分類模型5～44100-2.5-5魯花二分類模型0～50100-4.0-4.5花育三分類模型5～44100-1.5-6魯花三分類模型0～501000-7

3 結(jié)束語

應用太赫茲衰減全反射技術(shù)對不同霉變程度的花生樣本進行了定性分析研究。通過對比發(fā)現(xiàn)，不同霉變程度的花生樣本在太赫茲波段的時域譜、吸光度譜以及吸收系數(shù)譜均存在一定的差異。進一步使用歸一化對數(shù)據(jù)進行處理，并分別結(jié)合BP神經(jīng)網(wǎng)絡算法與SVM算法，建立了花生霉變程度鑒別的定性分析模型。其中，基于BP神經(jīng)網(wǎng)絡算法的模型對花育36號霉變樣本的識別正確率為88.57%，對魯花9號樣本的識別正確率為91.40%；基于SVM算法的二分類、三分類模型對花育36號、魯花9號霉變樣本的識別正確率均達到100%。結(jié)果表明，相比于BP神經(jīng)網(wǎng)絡算法，SVM算法能夠解決小樣本情況下的機器學習問題，可提高泛化能力，更適合處理光譜數(shù)據(jù)，并進行建模分析；作為一種便捷、可靠的方式，采用太赫茲衰減全反射光譜技術(shù)對貯藏期間的花生進行檢測，在判斷花生霉變程度方面具有一定的可行性。