高光谱成像技术检测肴肉新鲜度

邹小波，李志华，石吉勇，黄晓玮

（江苏大学食品与生物工程学院，江苏 镇江 212013）

摘 要：连续8 d测定开封后于4 ℃贮藏的肴肉中挥发性盐基氮（total volatile basic nitrogen，TVB-N）含量，并获取430～960 nm波长范围内的高光谱图像，从中提取光谱信息并经标准正态变量变换（standard normal variate transformation，SNV）预处理后，分别采用偏最小二乘法（partial least squares，PLS）、常规区间偏最小二乘法（interval PLS，iPLS）、向后区间偏最小二乘法（backward interval PLS，biPLS）和联合区间偏最小二乘法（synergy interval PLS，siPLS）建立TVB-N含量的预测模型。结果显示：siPLS模型对肴肉TVB-N含量预测结果最佳，其优选出的特征波段为430～461、555～586、929～960 nm，对TVB-N含量的预测相关系数和均方根误差分别为0.8548、2.47，根据siPLS模型所预测的TVB-N含量值评定肴肉新鲜度等级的总体准确率达到87.5%。结果表明：利用高光谱成像技术对肴肉新鲜度进行快速、无损检测是可行的。

关键词：高光谱成像技术；肴肉；新鲜度；偏最小二乘

Detection of Freshness Attributes of Yao Meat Based on Hyperspectral Imaging Technique

Zou Xiao-bo, Li Zhi-hua, Shi Ji-yong, Huang Xiao-wei

(College of Food and Biological Engineering, Jiangsu University, Zhenjiang 212013, China)

Abstract: Total volatile basic nitrogen (TVB-N) content of Yao meat stored at 4 ℃ after the package was opened was measured every 24 h for 8 days, and reflectance spectra were collected from the hyperspectral scattering images (HIS) in the range of 430 to 960 nm. After pre-processed by standard normal variate transformation (SNV) method, prediction models for TVB-N content in Yao meat were established by partial least squares (PLS) method, interval partial least squares (iPLS) method, backward interval partial least squares (biPLS) method and synergy siPLS method separately. Experimental results showed that the siPLS model could predict Yao meat TVB-N with correlation coefficient (Rp) of 0.854 8 and root mean squared error of prediction (RMSEP) of 2.47, which was the best of the four models, and 430–461, 555–586 and 929–960 nm were the selected wavelength ranges. The overall prediction accuracy of the siPLS model for Yao meat freshness could reach up to 87.5%. The present study shows that HIS technique is feasible for fast and non-destructive detection of Yao meat freshness attributes.

Key words: hyperspectral imaging technique; Yao meat; freshness; partial least squares (PLS)

中图分类号：O657.3 文献标志码：A 文章编号：1002-6630（2014）08-0089-05

doi:10.7506/spkx1002-6630-201408017

肴肉是中国传统特色美食之一，具有肉质新鲜、营养丰富、风味独特、不油不腻等特点，深受广大消费者喜爱。由于肴肉中营养充沛，水分活度和pH值分别达到0.985和6.85[1]，非常适于假单胞菌和肠杆菌等腐败微生物的生长繁殖，产品必须在2～8 ℃密封条件下运输、贮藏和销售。当前对于肴肉贮藏特性的研究也都是基于密封良好、温度控制严格的理想条件。然而由于种种原因，在餐饮、家庭等场所也常出现肴肉开封后继续冷藏的情况，这必然加快肴肉的腐败速度，其贮藏特性也将发生较大变化，为了保证肴肉食用安全和消费者切身利益，有必要对开封后、4 ℃冷藏条件下肴肉新鲜度特性及其检测技术进行研究。

目前，肉制品检测技术主要有感官评定、理化和微生物指标的测定，近红外光谱技术和高光谱技术等[2-5]。于见亮等[6]利用评估检验法对羊肉新鲜度进行了评定，沈海亮[7]综述了感官分析在肉制品加工中的应用，此类研究阐明了感官评定具有操作简便、直观有效的特点，也暴露了其主观性强、难以实现在线检测等不足；肖香等[1]测定了真空包装水晶肴肉贮藏期间的微生物和理化特性，胡萍等[8]对真空包装烟熏火腿切片的pH值、挥发性盐基氮（total volatile basic nitrogen，TVB-N）含量、蛋白含量等进行了跟踪测定，但这些指标的测定均存在费时费力、难以自动化等不足；蔡健荣等[9]用近红外光谱法测定猪肉的TVB-N含量，预测集的相关系数达到0.82，Leroy等[10]在1200～1300 nm波段利用近红外光谱建立TVB-N的预测模型，实现了猪肉新鲜度的评价，这些研究显示近红外具有简便、快速、适于在线检测等突出优点，但其冗余信息量大，受样品表面水分影响显著的缺点仍未克服；高光谱成像是一种在测得的大量连续光谱带上同时获取空间位置的成像技术，它既含有光谱信息又含有图像信息，并能对目标区域进行图像和光谱信息的分析，在食品检测中具有很大优势[11-13]，赵杰文等[14]将高光谱成像技术用于鸡肉挥发性盐基氮的检测取得了良好效果，Ivorra等[15]利用高光谱技术用于真空包装熏肉的过期检测，准确率达82.7%。因此，本研究尝试将高光谱成像技术应用于肴肉新鲜度检测。肴肉开封后于4 ℃贮藏，连续8 d测定其TVB-N含量，并获取肴肉反射光谱图像，提取与新鲜度相关的特征波段，结合肴肉TVB-N含量建立偏最小二乘（partial least squares，PLS）模型，实现肴肉新鲜度的快速有效检测。

1 材料与方法

1.1 材料

肴肉样本购自镇江市宴春酒楼肴肉厂，生产日期均为购买前1 d，用冷藏箱运回实验室后打开包装于4 ℃冰柜中贮藏待测。样品共96 个样，随机分配校正集64 个，预测集32 个，连续8 d每天对12 个肴肉样本进行高光谱采集和TVB-N含量测定。

1.2 仪器与设备

ImSpector V10E高光谱摄像机 芬兰Spectra Imaging有限责任公司；Fiber-Lite DC950 Illumi-nator 150W光纤卤素灯 美国Dolan Jenner Industries公司；Zolix SC30021A精密电控平移台 北京Zolix公司。

1.3 方法

1.3.1 高光谱图像的采集

高光谱成像系统可采集的光谱范围为430～960nm，光谱分辨率为2.73 nm。

为了防止基线漂移，数据采集前将高光谱图像采集系统打开，预热30 min。数据采集时，将肴肉样本用培养皿盛放置于电控位移台上，设定高光谱相机曝光时间为50 ms，电控平移台移动速率为1.25 mm/s。数据采集时，线阵探测器沿光学焦面垂直方向进行横向扫描，获取条状空间每个像素在各波长处的光谱信息；随着样本纵向前进，线阵探测器即可完成整个样本数据的采集。光谱采集间隔为0.858 nm，采集得到618个波长下的图像，最终得到一个大小为618×1628×618的高光谱图像数据块，如图1所示。

图 1 高光谱图像三维数据块示意图

Fig.1 Schematics of hyperspectral imaging

高光谱图像数据采集完成后，需要对获得的高光谱图像进行黑白标定[16]。在与样品采集相同的条件下，采集标准白色校正板得到全白的标定图像W，关闭相机快门采集得到全黑的标定图像B，根据式（1）完成高光谱图像的标定，使采集得到的绝对图像I变成相对图像R：

R =（I－B）/（W－B） （1）

1.3.2 TVB-N含量测定

样品在进行光谱扫描以后立即按照GB/T 5009.44—2003《肉与肉制品卫生标准的分析方法》[17]测定TVB-N含量，3 次重复，取平均值。

1.3.3 肴肉新鲜度评定

根据GB 2707—2005《鲜（冻）畜肉卫生标准》[18]
规定，新鲜肉TVB-N含量应低于15 mg/100 g，但考虑到肴肉原材料加工前及加工过程中都会有少量细菌、酶等引起的蛋白质分解，肴肉中TVB-N含量略偏高是正常的。参照已有的研究结果[1,8,19]，按照TVB-N值将肴肉鲜度划分为2个等级：一级鲜度（TVB-N含量≤20 mg/100 g），二级鲜度（TVB-N含量＞20 mg/100 g）。

1.3.4 标准正态变量变换（standard normal variate transformation，SNV）计算

SNV是常用的光谱预处理方法之一，它主要用于消除固体颗粒大小不均匀和密实度不一、表面散射以及光亮度变化对光谱带来的影响[20]。SNV算法是从原始光谱中减去该条光谱的平均值，再除以标准偏差，对需SNV变换的光谱Xi,k按式（2）计算：

（2）

式（2）中：

i为第i个样品光谱的平均值；k=1，2，…，m；m为波长点数；i=1，2，…，n；n为校正集样品数。

1.3.5 常规区间PLS（interval PLS，iPLS）、向后区间PLS（backward interval PLS，biPLS）和联合区间PLS（synergy interval PLS，siPLS）优选区间

肴肉高光谱图像含有海量信息，如何进行数据优化和建立稳定的预测模型是研究的重点。利用PLS、建立光谱预测模型时，为了确定特定组分的特征波长谱区，减小建模和预测运算时间，以及剔除噪声污染过大的谱区等，需要选择合适的光谱谱区。iPLS优选区间的基本原理为：将全光谱均匀划分为n个子区间，对每个子区间分别建立PLS模型，最优模型对应的区间为入选区间；biPLS优选区间的基本原理为：将全光谱均匀划分为n个子区间，每次剔除一个区间使得剩余区间对应的PLS模型最优，如此重复直至剩余1个子区间，全局最优PLS模型对应的区间组合为入选区间[21]；siPLS优选区间的基本原理为：将全光谱均匀划分为n个子区间后，联合其中m个区间进行PLS建模，建模时按排列组合的思想对Cnm 种组合方式分别进行考察，挑选最优模型对应的m个子区间组合作为入选区间，由于此方法的计算量非常大，一般m＜5[22]。

从iPLS、biPLS、siPLS优选区间的基本原理可以看出，光谱子区间数n是一个重要参数，决定了每个子区间的窗口宽度。子区间划分数太少，光谱的特征区间可能会包含过多的干扰噪音；子区间数过多时，特征光谱区间建立的模型预测精度不再提高[23-24]。因此本研究在光谱子区间数n∈[10,30]范围内进行优化，综合考虑校正集和预测集样本实测值与预测值的相关系数Rc和Rp、交互验证均方根误差（root mean square error of cross-validation，RMSECV）及预测均方根误差（root mean squared error of prediction，RMSEP）以确定最佳子区间划分数。

2 结果与分析

2.1 肴肉TVB-N含量

如图2所示，TVB-N含量最低为10.161 mg/100 g，最高为29.623 mg/100 g，均值为21.692 mg/100 g，标准偏差为4.803 mg/100 g。样品中的TVB-N含量呈上升趋势，其平均值第2天即超过15 mg/100 g，第3天超过20 mg/100 g，这主要是由于打开包装后肠杆菌等微生物的快速生长致使样品中蛋白质大量分解，引起生物胺含量增加所造成的[1]。

按照2∶1的比例把96 个样本随机分为校正集和预测集，其TVB-N含量分布情况如表1所示。训练集样本的TVB-N含量变化范围较大，且包含测试集的变化范围。

图 2 TVB-N含量测定结果

Fig.2 The measured results of TVB-N content

表 1 肴肉TVB-N含量测定结果

Table 1 The measured results of TVB-N content in Yao meat

2.2 光谱信息提取与预处理

A.肴肉样品原始光谱图

B.黑白校正和SNV预处理后光谱图

图 3 肴肉样本光谱图

Fig.3 Reflectance spectra of 96 samples

由于肴肉样本较为明显的分为瘦肉和胶状体2部分，且胶状体组成成分较为复杂与多变，本研究将仅对瘦肉部分进行分析。使用高光谱图像处理软件ENVI4.5选取样本中较为均匀的瘦肉部分，获取50×50像素的矩形区域的平均光谱值。由图3A可以看到，肴肉样的原始光谱夹杂了很多高频随机噪声、光散射、基线漂移等噪声信息，这些信息会直接影响模型的准确性和稳定性，因此需要对原始光谱进行预处理。

从图3B可以看出，光谱噪声减少许多，平滑度也有所提高。

2.3 肴肉TVB-N含量预测模型的优化及新鲜度评定

2.3.1 PLS模型的优化

肴肉TVB-N含量PLS预测模型的优化主要是特征波段选择及PLS回归模型的建立。根据1.3.5节所述3种方法原理，用交互验证法确定主成分数和筛选子区间，以校正集和预测集样本实测值与预测值的相关系数Rc和Rp、RMSECV及RMSEP作为评价各种建模方法的有效指标[25]。采用三类区间PLS建立模型时，为了更准确的寻找肴肉光谱的特征波段，将整个光谱区域划分为10～30 个子区间并分别应用iPLS、biPLS和siPLS建立预测模型，选取RMSECV值最小时的划分区间数作为最优区间数，并选取相对应的最佳子区间和最佳因子数。

综合考虑各模型R、RMSECV、RMSEP，4 种方法所取的最佳参数（即区间划分数、最佳子区间、主因子数）和各模型RMSECV、RMSEP、Rc、Rp如表2所示，模型结果如图4所示。

表 2 PLS、iPLS、biPLS和siPLS模型结果

Table 2 Parameters of PLS, iPLS, biPLS and siPLS models

由表2可以看出，iPLS模型优选出的特征区间为619～657 nm，biPLS模型的优选区间为615.5～642、695～774.5、854～880.5、907～933.5 nm，siPLS模型的优选区间为430～461、555～586、929～960 nm。相对于PLS模型，iPLS法仅选用了1个优选区间，虽能有效避免噪音的干扰，但有效信息亦丢失较多，建模结果相对较差。biPLS和siPLS模型的建模结果则都得到改善，这主要是由于经过特征区间筛选较好的降低了噪声信息对于模型的干扰，多个优选区间的联合则为模型提供了足够的有效信息。使用siPLS法建立的预测模型对TVB-N含量有最优的预测结果，模型精度也相对较高，其校正集Rc和RMSECV分别达到0.881 4、2.07，预测集Rp和RMSEP分别达到0.854 8、2.47。

A. PLS模型校正结果；B. PLS模型预测结果；C. iPLS模型校正结果；
D. iPLS模型预测结果；E. biPLS模型校正结果；F. biPLS模型预测结果；G. siPLS模型校正结果；H. siPLS模型预测结果。

图 4 PLS、iPLS、biPLS、siPLS模型结果

Fig.4 Calibration and predication results from PLS, iPLS, biPLS, and siPLS models

2.3.2 基于siPLS模型的肴肉新鲜度评定

按照TVB-N含量对肴肉进行分类，结果如表3所示。综合考虑各模型结果，采用对TVB-N含量有较优预测结果的siPLS模型对肴肉新鲜度进行评定。首先根据肴肉TVB-N含量的化学测定结果，将不大于20 mg/100 g的样本分为一级，大于20 mg/100 g的样本分为二级，并分别统计数量；再依据siPLS模型对肴肉TVB-N含量的预测值判定肴肉新鲜度的预测等级，分别统计一、二级样本中预测正确和错误的样本数，并计算准确率。siPLS模型对校正集样本和预测集样本评定的总体准确率分别达到90.6%和87.5%（表3）。

表 3 siPLS模型对肴肉新鲜度的评定结果

Table 3 Predicted results for Yao meat freshness with siPLS model

3 结 论

研究连续8 d跟踪测定了开封后于4 ℃贮藏的肴肉中的TVB-N含量，并利用肴肉高光谱信息建立了PLS、iPLS、biPLS、siPLS 4 种TVB-N含量预测模型。其中siPLS模型对肴肉的TVB-N含量预测结果最佳，优选出的特征区间为430～461、555～586、929～960 nm，校正集Rc和RMSECV分别达到0.881 4和2.07，预测集Rp和RMSEP分别达到0.854 8和2.47，对肴肉新鲜度等级进行评定时校正集和预测集准确率分别达到90.6%和87.5%。结果表明利用高光谱技术可以实现肴肉新鲜度的快速、无损检测。但考虑到高光谱数据量庞大、不适合在线检测的不足，今后将根据优选出的特征波段设计多光谱设备，以实现肴肉新鲜度的在线检测。

参考文献：

[1] 肖香, 王莉莉, 王敏, 等. 真空包装水晶肴肉的贮藏特性研究[J]. 食品与机械, 2013, 29(1): 187-189.

[2] Sykes A V, Oliveira A R, Domingues P M, et al. Assessment of European cuttlefish (Sepia officinalis L.) nutritional value and freshness under ice storage using a developed Quality Index Method (QIM) and biochemical methods[J]. LWT-Food Science and Technology, 2009, 42(1): 424-432.

[3] Lawal A T, Adeloju S B. Progress and recent advances in fabrication and utilization of hypoxanthine biosensors for meat and fish quality assessment: a review[J]. Talanta, 2012, 100(1): 217-228.

[4] Ocaño-Higuera V M, Maeda-Martínez A N, Marquez-Ríos E, et al. Freshness assessment of ray fish stored in ice by biochemical, chemical and physical methods[J]. Food Chemistry, 2011, 125(1): 49-54.

[5] Xiong Z, Sun D, Zeng X, et al. Recent developments of hyperspectral imaging systems and their applications in detecting quality attributes of red meats: a review[J]. Journal of Food Engineering, 2014, 132(1): 1-13.

[6] 于见亮, 于秀, 李开雄. 应用评估检验法感官评定羊肉新鲜度[J]. 肉类工业, 2008(5): 31-33.

[7] 沈海亮. 感官分析在肉制品加工中的应用[J]. 肉类研究, 2011, 24(1): 59-63.

[8] 胡萍, 周光宏, 徐幸莲, 等. 真空包装烟熏火腿切片贮藏品质动态变化研究[J]. 肉类工业, 2010(7): 17-21.

[9] 蔡健荣, 万新民, 陈全胜. 近红外光谱法快速检测猪肉中挥发性盐基氮的含量[J]. 光学学报, 2009, 29(10): 2808-2812.

[10] Leroy B, Lambotte S, Dotreppe O, et al. Prediction of technological and organoleptic properties of beef Longissimus thoracis from near-infrared reflectance and transmission spectra[J]. Meat Science, 2004, 66(1): 45-54.

[11] Qiao J, Wang N, Ngadi M O, et al. Prediction of drip-loss, pH, and color for pork using a hyperspectral imaging technique[J]. Meat Science, 2007, 76(1): 1-8.

[12] 吴建虎, 彭彦昆, 陈菁菁, 等. 基于高光谱散射特征的牛肉品质参数的预测研究[J]. 光谱学与光谱分析, 2010, 34(7): 1815-1819.

[13] Elmasry G, Barbin D F, Sun D, et al. Meat quality evaluation by hyperspectral imaging technique: an overview[J]. Critical Reviews in Food Science and Nutrition, 2012, 52(8): 689-711.

[14] 赵杰文, 惠喆, 黄林, 等. 高光谱成像技术检测鸡肉中挥发性盐基氮含量[J]. 激光与光电子学进展, 2013, 50(7): 158-164.

[15] Ivorra E, Giron J, Sanchez A J, et al. Detection of expired vacuum-packed smoked salmon based on PLS-DA method using hyperspectral images[J]. Journal of Food Engineering, 2013, 117(3): 342-349.

[16] 陈全胜, 赵杰文, 蔡健荣, 等. 利用高光谱图像技术评判茶叶的质量等级[J]. 光学学报, 2008, 28(4): 669-674.

[17] 卫生部. GB/T 5009.44—2003 肉与肉制品卫生标准的分析方法[S]. 北京: 中国标准出版社, 2003.

[18] 卫生部. GB 2707—2005 鲜(冻)畜肉卫生标准[S]. 北京: 中国标准出版社, 2005.

[19] 肖香, 董英, 祝莹, 等. 真空包装水晶肴肉加工及贮藏过程中的菌相研究[J]. 食品科学, 2013, 34(15): 204-207.

[20] 赵杰文, 林颢. 食品、农产品检测中的数据处理和分析方法[M]. 北京: 科学出版社, 2012: 41-44.

[21] ZOU X, ZHAO H, LI Y. Selection of the efficient wavelength regions in FT-NIR spectroscopy for determination of SSC of ‘Fuji’ apple based on BiPLS and FiPLS models[J]. Vibrational Spectroscopy, 2007, 44(2): 220-227.

[22] CHEN Q, ZHAO J, LIU M, et al. Determination of total polyphenols content in green tea using FT-NIR spectroscopy and different PLS algorithms[J]. Journal of Pharmaceutical and Biomedical Analysis, 2008, 46(3): 568-573.

[23] 叶莺, 陈崇帼, 林熙. 偏最小二乘回归的原理及应用[J]. 海峡预防医学杂志, 2005, 11(3): 3-6.

[24] 秦浩, 林志娟, 陈景武. 偏最小二乘回归原理、分析步骤及程序[J]. 数理医药学杂志, 2007, 20(4): 450-451.

[25] 苏红军, 杜培军. 高光谱数据特征选择与特征提取研究[J]. 遥感技术与应用, 2006, 21(4): 288-293.