SVM方法在肉品新鮮度分類問題中的應用

劉 靜，管 驍

(1.上海海事大學信息工程學院，上海200135;2.上海理工大學醫療器械與食品學院，上海200093)

SVM方法在肉品新鮮度分類問題中的應用

劉 靜1，管 驍2，*

(1.上海海事大學信息工程學院，上海200135;2.上海理工大學醫療器械與食品學院，上海200093)

對豬肉、牛肉、羊肉及蝦等幾種生鮮農產品進行了減壓貯藏實驗，通過檢測各種樣品不同保藏時間的揮發性鹽基氮含量(TVB－N)、細菌總數、pH值及感官評分數據，以期實現對其新鮮度的準確分類。實驗結果表明，任何單一理化或感官指標都難以獲得理想的分類正確率。在此基礎上，運用支持向量機(support vector machine，SVM)方法對以上數據進行合理的綜合訓練，并對參數進行優化，從而得到SVM神經網絡模型，利用此模型進行肉品的新鮮度分類預測，可大大提高分類正確率。

支持向量機，肉品新鮮度，分類

隨著人們生活水平的不斷提高，不同種類的肉品在餐桌上的比例越來越大，肉的品質好壞是公眾最為關心的問題，最常用來評價肉品質量的指標就是肉品新鮮度。努力做好肉類新鮮度的檢測分類工作對保障人們食肉安全，維護消費者的切身利益，以及更好地實施放心肉工程有著重要的現實意義。目前可用于評價肉品新鮮度的指標較多，包括感官檢查、揮發性鹽基氮測定(TVB－N)、微生物指標、pH、H2S含量、粗氨含量等［1］，有的甚至已被納入了國家標準。然而，肉品新鮮度是對肉品質量的綜合性狀描述，用任何單一指標對肉品新鮮度進行判定無疑具有較大的片面性。只有盡可能地綜合多方面檢測信息，才能對肉品新鮮度進行準確、客觀的評價［2］。在實際操作過程中也經常會由于實驗操作誤差或感官評定員的主觀因素等多種原因，導致依據不同項目的檢測對新鮮度判定出現不一致甚至矛盾的結果，此時對新鮮度進行分類更是帶有極大的主觀性。為避免該問題的出現，從而提高肉品新鮮度正確分類率，需要開發一種快速、準確、智能的綜合評價方法來代替人工方式對肉品的新鮮度進行判定。支持向量機(support vector machine，SVM)神經網絡是一種基于統計學習理論(statistical learning theory，SLT)的新的機器學習方法，能夠較好地解決小樣本學習問題，具有很好的泛化能力，目前在分類、優化、預測等問題中得到了成功應用，已成為國際上機器學習領域新的研究熱點［3］。基于此，本文以常用的幾項評價肉品新鮮度的指標為屬性，在Matlab開發環境下應用SVM對肉品新鮮度進行智能化綜合預報，為尋求更加合理的肉品新鮮度的評判方法提供新的思路。

表1 肉品感官評定評分細則

1 材料與方法

1.1 材料與設備

市售鮮豬肉、鮮牛肉、鮮羊肉、臺灣沼蝦 均來自當地農貿市場，動物屠宰后4h內完成臀部肌肉采樣，蝦樣品取活蝦實驗。

JYL2型減壓冷藏庫 上海善如水保鮮科技有限公司，主要技術參數:有效容積 2m3，極限壓力200Pa，溫度0～20℃可調，溫差0.1℃。

1.2 實驗方法

將豬肉、牛肉、羊肉樣品分別切分為約80g的小塊，分別裝入標記好的保鮮袋中;將臺灣活沼蝦整只裝入保鮮袋中，每袋重60～75g，并保證蝦體無任何破損，然后將所有實驗樣品連袋置于減壓冷藏庫中儲藏(保鮮袋口未包扎)。減壓冷藏庫溫度設為2℃、庫內壓力600±50Pa、換氣速率1個庫體積/h、相對濕度90%。貯藏過程中每隔72h取樣，每次取樣每種肉品取四份平行，按規定項目檢測并記錄平均值，如測定結果顯示某批次樣品明顯劣變時停止儲藏實驗。

1.3 測定方法

1.3.1 揮發性鹽基氮(TVB－N)含量測定 按GB/T 5009.44－2003執行。

1.3.2 細菌總數測定 按GB/T 4789.2－2008執行。1.3.3 pH測定 將待測樣品絞成泥狀后，準確稱取10g，置于盛有100mL雙蒸水的燒杯中，浸泡并不時振搖15min后，過濾取濾液，采用pH計測定。

1.3.4 感官測定 感官評定小組由10人組成，采取10分制評分標準。依據感官指標的設置對不同樣品從色澤、氣味、彈性、粘度等四個方面進行評分，權重分別設置為0.2、0.2、0.3、0.3，感官評定得分取10人的平均值。感官評分細則如表1所示。

2 結果與分析

2.1 TVB－N檢測結果

揮發性鹽基氮是動物性食品在酶和細菌的作用下蛋白質分解產生的氨及胺類等堿性含氮物質，并與在腐敗過程中同時分解產生的有機酸結合，形成一種稱為鹽基態氮的物質，積聚在肉品當中。一般而言，肉品中所含TVB－N的量隨著腐敗程度的增加而增加，因此可用作肉品的新鮮度鑒定指標。減壓儲藏過程中，四種肉品的平均TVB－N變化情況如圖1所示。按國標規定，TVB－N含量對應于肉類新鮮度等級為:新鮮肉 ＜15mg/100g，次鮮肉15～25mg/100g，腐敗肉>25mg/100g。(對蝦的TVB－N值分別為:新鮮蝦≤20mg/100g，次鮮蝦 20～30mg/100g，腐敗蝦 >30mg/100g［4］)。由圖1可見，減壓儲藏條件下1～7d內各種肉品的平均TVB－N值在國家規定的新鮮品標準范圍內;超過10d后肉及蝦樣品新鮮度迅速下降，變為次鮮品或腐敗品。

圖1 四種肉品TVB－N在減壓儲藏期間的變化

2.2 細菌總數檢測結果

對肉品細菌污染狀況的檢驗，不僅是判斷肉品新鮮度的主要依據之一，也能反映肉品在加工、貯運、銷售過程中的衛生狀況［5］，一般認為新鮮肉細菌總數＜1×104個/g，次鮮肉1×104～1×106個/g，腐敗肉>1×106個/g。四種樣品在減壓庫儲存過程中細菌總數隨儲存天數的總體變化趨勢結果如圖2所示。從圖2可以看出，減壓庫儲存中，四種樣品在前7d細菌總數均較低，屬于新鮮類;在10～13d，除蝦樣品外其他三種肉品的細菌總數介于 104個/g和106個/g之間，屬于次新鮮類(蝦樣品在第13d已腐敗);在16～19d，除羊肉外其他肉品的細菌總數大于106個/g，屬于腐敗類。

2.3 pH檢測結果

肉腐敗變質時，由于肉中蛋白質在細菌及酶的作用下被分解為氨和胺類化合物等堿性物質，使肉趨于堿性pH。有研究表明，鮮肉pH＜6.2，次鮮肉pH6.2～6.7，腐敗肉pH>6.7［6］(蝦類產品自身含有堿性物質，因此具有較高的pH)。因此肉中pH的升高幅度在一定范圍內可以反映肉的新鮮程度，但不能作為判定肉新鮮度的絕對指標和最終指標［7－8］。從圖3可以看出，減壓庫儲存中，牛肉和蝦的pH一直在升高，反映出新鮮度持續下降;而豬肉和羊肉的pH在1～4d下降，應是由于肉品發生了無氧酵解或三磷酸腺苷水解反應，使肌肉中產生了乳酸與磷酸所致，之后pH一直上升。畜肉的pH最終趨于7，蝦趨于8.5。

圖2 四種肉品細菌總數在減壓儲藏期間的變化

圖3 四種肉品pH在減壓儲藏期間的變化

2.4 感官評定檢測結果

感官評定是對肉品新鮮度評價的最直接方式。肉在腐敗變質時，感官性質發生了改變，利用人的嗅覺、視覺、觸覺和味覺等來辨識肉品新鮮度簡便易行，不足的是，感官評定結果是通過感官評定員的個人感覺評分，存在一定的主觀性。表2所示為四種樣品在減壓儲藏期間的感官評價得分情況。以得分大于8分的樣品評判為新鮮，6～8分的為次新鮮，低于6分的為腐敗。

結合四種肉品的TVB－N、細菌總數、pH以及感官評分結果進行綜合判定，總體上1～7d減壓儲藏的肉樣品質量保持較好，屬新鮮肉，10d后肉品質迅速劣化，16d以后所有樣品均已腐敗。

以上的結果是不同種肉品品質的大致變化趨勢。若針對每份肉品進行新鮮度分類判定時，我們發現依據不同檢測指標所得結果不盡相同，亦即以上所選定四項指標之間的相關性較多時，存在顯著性差異。以豬肉舉例來說(儲藏實驗共抽檢8次，每次檢測4份樣品，共計32份樣品)，若單獨使用TVB－N為評價指標，僅有17份樣品新鮮度分類正確，正確率僅達60.7%，特別是對第16d和第19d的樣品分類完全錯誤。我們分析，肉品中TVB－N的來源主要是微生物對豬肉中含氮有機化合物的分解作用，而不同類型微生物降解蛋白的能力差異較大，所以樣品的TVB－N含量的高低，不僅與微生物污染和生長繁殖的程度有關，而且還取決于生長的微生物種類［2］，在減壓儲藏這種對微生物種類有很大影響的特殊環境下，以此指標來判定豬肉新鮮度難免會有失偏頗。同樣，若單獨以pH為評價指標，只有19份樣品新鮮度分類正確，正確分類率也僅達67.9%。感官評定中有2份樣本的判定也出現了偏差(第11號和18號樣本)，分類正確率為92.8%。對其他肉品進行新鮮度判定時也存在類似的結果。

表2 四種肉品感官評分在減壓儲藏期間的變化

3 利用SVM對肉品新鮮度進行分類

基于以上分析，對肉品新鮮度分類不能單獨依據某一項指標結果，必須綜合考慮理化檢測結果與感官評價結果。基于經驗風險最小化(empirical risk minimization，ERM)準則的傳統統計判別分析方法或神經網絡，雖然可以使訓練誤差最小化，但其模型的預測性能和泛化能力較差［9－10］，為此本實驗將基于結構風險最小化(structure risk minimization，SRM)準則的SVM思想引入到肉品新鮮度分類問題中來:即新鮮度的分類基于TVB－N、細菌總數、pH和感官評分這四個屬性，分類至三種標簽:新鮮、次新鮮和腐敗，從而更好地解決小樣本、非線性和局部最小等實際問題。

3.1 SVM基本思想

SVM是由Vapnik提出的一種全新的機器學習方法，其分類算法的基本思想是找到一個最優分類超平面，使兩類樣本的分類間隔最大化［11］。設給定數據樣本:(x1，y1)，Λ，(x1，y1)∈Rn×{+1，－1};最優超平面方程為:w·x+b=0，分類間隔為2/‖w‖，則最優超平面的確定即是求解:

式(1)是一個二次凸規劃問題，根據優化理論，存在全局最小解。通過Lagrange優化方法可將其轉化成相應的對偶問題，即在約束條件αi≥0(i=1，…，n)下求解下列函數的極大值，其中αi為每個樣本對應的Lagrange乘子，其對應的樣本即為支持向量，可得到最優超平面決策函數為:

對于非線性問題，支持向量機解決思路是通過一個非線性映射將樣本映射到一個高維的特征空間中轉化成線性問題。相應的決策函數轉化為:

在此尋優問題中只涉及樣本間的內積運算，為此引入核函數理論。只要核函數滿足Mercer條件，即K(xi，xj)=［φ(xi)·φ(xj)］，則決策函數進一步改寫為:

引入核函數有效地解決了樣本高維和計算復雜度之間的矛盾。使用核函數向高維空間映射后，若樣本仍然存在線性不可分的情況，可引入松弛變量ξ≥0，相應的二次凸規劃問題轉化為(C－SVM)［12］:

其中:C為懲罰系數，它可以控制對錯分樣本ξi>0懲罰的程度，同時也反映支持向量機模型的復雜度。總之，SVM處理樣本數據線性不可分的優勢主要通過松弛變量和核函數技術體現，這在以下的仿真實驗中也有充分的體現。

3.2 SVM模型建立

本論文采用的總體技術路線如圖4所示:從原始數據里把訓練集和測試集提取出來，然后進行歸一化預處理，為更好地提升分類器的性能并對SVM參數進行優化，隨后使用訓練集對SVM進行訓練得到預測模型，再對測試集進行分類。

圖4 SVM建模流程

3.3 SVM分類實驗結果

3.3.1 Linear核函數SVM 選取常用的Linear核函數進行SVM建模，各種類肉品在不同歸一化預處理下的分類結果如圖5所示。

圖5 Linear核函數分類情況匯總

從圖5中可以看出，對于本次實驗的肉品樣本，Linear核函數分類結果十分好。不管采取何種歸一化方式，幾乎都能得到100%分類率，即使羊肉［0，1］規一化時，分類率也達到85.7143%，可以說Linear核函數非常適合本次樣本。3.3.2 RBF核函數SVM 選取另一常用的RBF核函數進行SVM建模，各種類肉品在不同歸一化預處理下的分類結果見圖6和表3。

圖6 RBF核函數分類情況匯總

表3 默認參數下RBF核函數正確分類率

從圖6和表3中可以看出，對于本次實驗的肉品樣本，實驗中不進行數據歸一化時，分類率較低，而采取［0，1］歸一化時分類準確率有一定提高，采取［－1，1］規一化方式時，能在除蝦以外的肉品上得到較高的分類率，這些都表現出了單一地注意核函數的選取和歸一化方式是遠遠不夠的。此時針對RBF核函數，我們進一步考慮從優化參數的角度來提高SVM分類準確率。

3.3.3 優化SVM參數 以豬肉［0，1］歸一化為例，懲罰系數參數C默認值為1，核函數參數g默認值為1/k，k為屬性值，本次分類中為4，那么g=1/4，上面的實驗中我們得到了分類率為71.4386%，錯誤分類數為4。

為提高SVM分類準確率，考慮對SVM模型的參數進一步進行優化。首先進行粗略選擇，將參數C和g的變化范圍設置為2^(－5)，2^(－4)，…，2^(5)，步長為1，交叉驗證步長為1.5，結果如圖7所示，粗選交叉驗證分類率85.7143%，最佳參數C=1，最佳參數g=2。

根據粗略選擇后得到的圖7提供的信息，可進一步進行精細選擇，將C的變化范圍設置為2^(－2)，2^(－1.5)，…，2^(4)，步長為0.5，g的變化范圍設置為2^(－4)，2^(－3.5)，…，2^(4)，步長為0.5，交叉驗證步長為0.9，得到結果如圖8所示，精選交叉驗證分類率可達到100%(14/14)，最佳參數C為0.707107，最佳參數g為4。

表4 交叉驗證獲取最佳參數下RBF核函數正確分類

圖7 交叉驗證粗選圖

圖9 交叉驗證提高分類率對比圖

4 結論

本文對豬肉、牛肉、羊肉和蝦等進行了減壓貯藏保鮮實驗，并采集了不同保藏時期各樣品的TVB－N、細菌總數、pH以及感官評分等指標的數據，應用SVM神經網絡方法完成了肉品的新鮮度分類預測工作，得到如下結論:

4.1 采用不同的理化或感官指標對肉品新鮮度進行分類，所得結果有較大差異，因此僅憑任何單項指標進行肉品分類效果均不理想;若采用SVM方法對四項指標綜合處理后能獲得較高的新鮮度正確分類率，可推廣應用于不同肉品新鮮度的快速品質評價。4.2 核函數和歸一化方式的選擇對SVM方法實現肉品新鮮度的正確分類是有影響的。Linear核函數在本次肉品新鮮度分類中表現優良，不管歸一化方式如何，均能達到100%分類正確率;另一常用的RBF核函數在不同的歸一化條件下表現各異，但對其參數進行優化后，SVM模型能大大提高分類正確率。

［1］王長遠，馬萬龍，姜立男.豬肉新鮮度的檢測及肉質綜合評定［J］.農產品加工(學刊)，2007(10):75－77.

［2］袁芳，郭培源，吳浩，等.豬肉新鮮度檢測方法發展的文獻綜述［J］.中國農業科技導報，2009，11(S1):72－72.

［3］張學工.關于統計學習理論與支持向量機［J］.自動化學報，2000，26(1):32－42.

［4］劉勤生，陳慶森，柴春祥，等.冷藏蝦蛄的鮮度評價研究［J］.食品科技，2009，34(10):141－144.

［5］王登臨，兀征，楊紅巖，等.豬肉新鮮度與微生物學指標的相關性研究［J］.甘肅畜牧獸醫，1999(4):18.

［6］黃蓉，劉敦華.豬肉新鮮度評價指標、存在問題及應對措施［J］.肉類工業，2010(6):43－46.

［7］南慶賢.肉類工業手冊［M］.北京:中國輕工業出版社，2003.

［8］耿愛琴，鄭國鋒，錢和.淺述肉類新鮮度的檢測方法［J］.肉類工業，2006(12):37－39.

［9］郭培源，曲世海，陳巖.豬肉新鮮度的智能檢測方法［J］.農業機械學報，2006，37(8):78－81.

［10］王笑丹，孫永海，胡鐵軍.基于神經網絡的冷卻豬肉新鮮度測定［J］.分析檢測，2005，26(5):173－175.

［11］Vapnik V.StatisticalLearningTheory ［M］.Wiley，NewYork，NY，1998.

［12］Scholkopf B，Williamson R C，Bartlett P L.New Support Vector Algorithms［J］.Neural Computation，2000，12:1207－1245.

Application of SVM in the classification of meat freshness

LIU Jing1，GUAN Xiao2，*
(1.College of Information Engineering，Shanghai Maritime University，Shanghai 200135，China;2.School of Medical Instrument and Food Engineering，University of Shanghai for Science and Technology，Shanghai 200093，China)

Several fresh agricultural products，including pork，beef，mutton and shrimp samples，were stored in decompression storeroom，and the TVB－N content，total bacterial count，pH value and sensory scores of these samples in different time were determined to achieve the correct classification of freshness.The experiments showed that it was difficult to obtain the ideal classification accuracy by any single physicochemical or sensory properties.Therefore，SVM was taken into consideration to train the experimental data and the parameters would be optimized by rough and precise selection.And the obtained SVM model could be used to predict the meat freshness with high classification accuracy.

support vector machine;meat freshness;classification

TS251.1

A

1002－0306(2011)04－0112－05

2011－01－04 *通訊聯系人

劉靜(1979－)，女，博士，講師，主要從事智能優化算法方面的研究。

上海市晨光計劃項目(2008CG055);上海市晨光計劃項目(09CG50)。