基于近紅外高光譜成像技術的新鮮與凍融牛肉鑒別技術研究

何加偉,王懷文,計宏偉

(天津商業大學機械工程學院,天津 200134)

?

基于近紅外高光譜成像技術的新鮮與凍融牛肉鑒別技術研究

何加偉,王懷文*,計宏偉

(天津商業大學機械工程學院,天津 200134)

研究運用近紅外高光譜成像技術對新鮮與凍融的牛肉進行判別。將45個牛肉樣品隨機分為兩組,第一組25個為新鮮樣品,第二組20個作為凍融樣品。本實驗通過高光譜成像儀獲取樣品的光譜圖像數據,并對圖像校正處理后進行分割,分離出感興趣區域(ROI,Region of Interest)。然后再提取感興趣區域的平均光譜,并將其作為樣品的高光譜數據。經過對高光譜數據的多元散射校正(MSC,Multiplicative Scatter Correction)預處理,應用偏最小二乘回歸(PLSR,Partial Least Squares Regression),在全光譜范圍(950～1500 nm)構建了本實驗的最優模型。實驗表明,該模型具有較高的預測精度,其判別正確率為94.4%。因此,近紅外高光譜成像技術對凍融牛肉的鑒別檢測具有適用性。

近紅外高光成像技術,新鮮牛肉,凍融牛肉,偏最小二乘回歸

牛肉鮮嫩美味、營養豐富,是人們喜歡的肉類食品。隨著生活水平的提高,人們對新鮮的、品質良好的牛肉的需求也不斷增加[1]。延長牛肉保質期的常用方法有:冷藏、冷凍、干燥和真空包裝等[2-5],其中冷藏和冷凍是最為常用的方法。然而,冷凍與解凍過程中會發生許多物理、化學和微生物的變化[6],從而導致牛肉品質降低。同時由于解凍后的牛肉有大量的汁液流失,會使得許多營養元素也隨之損失,不僅降低了牛肉的營養價值,而且解凍后的牛肉變得干燥,口感變差。因為解凍牛肉的價格低于新鮮牛肉的價格,易使商家使用解凍牛肉冒充新鮮牛肉。這不僅嚴重傷害了消費者的利益,也使得市場競爭變得不公平。因此,如何辨別凍融的牛肉和新鮮的牛肉極其重要。

傳統的肉類質量檢測方法有感官檢測、理化檢驗和微生物檢驗等。這些檢驗方法不僅繁瑣、費時費力、對樣品具有破壞性,而且成本較高且受檢驗人員訓練素質的限制。因此,許多無損檢測技術被應用于食品品質檢測的研究,例如可見光-近紅外光譜技術、熒光法、核磁共振等[7-9]。高光譜成像技術作為一種新的無損檢測技術集成了光譜技術和成像技術,因此它能夠同時提供樣品的物理和化學變化以及它們的空間分布。近年來,利用高光譜成像技術對食品品質檢測的研究已有一些發展。彭彥昆、陳全勝[10-11]等應用高光譜成像技術對生鮮豬肉的新鮮度及細菌總數等進行了預測和評價,其預測準確率達91%,得到了較為可靠的預測結果。張海亮[12]等基于高光譜圖像信息對魚的不同冷藏時間及凍融次數進行了鑒別分析。孫大文[13-16]等利用可見光-近紅外高光譜成像技術分別對新鮮和凍融的豬肉里脊、新鮮和凍融的魚片進行了判別研究,得到了較為理想的判別模型。

本文應用近紅外高光譜成像技術對新鮮與凍融的牛肉進行了判別分析,為區分凍融牛肉和評價其品質提供了有效的方法。

1　材料與方法

1.1材料與儀器

新屠宰的并已解僵成熟的新鮮牛肉購買于當地的零售商,并保藏在4 ℃的冷藏箱中運送至實驗室。將新鮮牛肉切割成約10 cm×10 cm×1 cm的肉塊,共獲得45個樣品,然后樣品稱重,并隨機分為兩組:第1組為新鮮樣品,共25個。第2組為凍-融樣品,共20個,將其用保鮮袋包裝并放于-30 ℃的冷凍箱。

實驗用的冷凍設備為冷凍箱TSBY-240型臥式平板冷凍箱天津市天商冰原科技發展有限公司制造。實驗用的高光譜圖像數據采集裝置如圖1所示。該系統包括一臺波長范圍為900～1700 nm、光譜分辨率為5 nm的高光譜成像儀(ImSpector N17E,Spectral Imaging Ltd.,Finland),一個InGaAs制冷型CCD相機,一個鏡頭,四個鹵鎢燈光源,電控位移平臺,計算機以及數據采集軟件等部件。

圖1　高光譜成像系統Fig.1　Schematic of the hyperspectral imaging system

1.2實驗方法

1.2.1實驗過程首先,用高光譜成像系統對第1組樣品分別掃描,獲取光譜圖像。然后,24 h后將第2組樣品放于4 ℃中解凍12 h,并在室溫中平衡30 min,去除保鮮袋,用紙巾吸掉樣品表面的水分,再用高光譜成像系統進行掃描。將掃描后的樣品進行稱重,測量其解凍損失。其中,隨機選取15個新鮮樣品和12個凍融樣品作為校準集,剩余的10個新鮮樣品和8個凍融樣品作為預測集。

1.2.2解凍損失計算新鮮樣品沒有經過處理,因此將其解凍損失值設為0。凍融樣品的解凍損失用公式(1)進行計算:

式(1)

其中,Wb是冷凍前樣品重量,Wa是解凍后樣品重量。

1.2.3光譜數據采集與校正實驗前,將每片牛肉樣品放置在電控移動臺上,移動相機視野,設置曝光時間,然后調整掃描速度為0.9 cm/s與曝光時間相匹配,對樣品逐一掃描,從而獲得原始的高光譜圖像數據。高光譜圖像是一個“超立方體”,有3個維度(X,Y,λ),其中X,Y代表空間維度,λ代表波段數。該研究中,每幅圖像共有256個波段。為了消除傳感器響應及照明造成的樣品間的光譜差異,需要對原始光譜圖像進行反射率校正。校正后的高光譜圖像的相對反射率為:

式(2)

其中:B為黑色圖像,W為標準白板的反射率,IO為原始光譜圖像。

對校正過的原始高光譜圖像數據目視檢測顯示,光譜數據的兩端具有較大的噪音,不適合提取光譜數據。因此,將1～25波段(即870～950 nm)和191～256波段(即1500～1713 nm)去除,圖像被調整為165個波段(即950～1500 nm)。

1.2.4光譜數據提取在黑白校正后的圖像上盡可能大地選擇紋理清晰的瘦肉部分作為感興趣區域,如圖2a所示。將感興趣區域中所有像素點的光譜值進行平均,獲得的感興趣區域的光譜平均值作為該樣品的光譜數據,如圖2b所示。對每一個樣品進行上述操作,獲取高光譜數據。

圖2　感興趣區域的選擇和光譜數據的提取Fig.2　Region of interest extraction and spectral data extraction

1.2.5多元散射校正由于樣品厚度不均勻,反射光譜發生散射,使得不同牛肉樣品的光譜強度產生很大差異,因此應用多元散射校正(multiple scatter correct,MSC)對高光譜曲線進行處理[17]。將獲得的高光譜數據導入到The Unscrambler 9.7(CAMO,Process,AS,OSLO,Norway)軟件中進行多元散射校正。經過MSC處理后的光譜數據能有效地消除散射影響所導致的基線平移或偏移現象,增強光譜所含的信息。

1.2.6模型的建立與評價將上述處理好的光譜數據導入到The Unscrambler 9.7中,然后將樣品解凍損失值的數據從Excel表格復制到軟件中與對應的樣品進行關聯,采用偏最小二乘法和交叉-驗證(Cross-validation)建立全光譜模型。

除此之外，加強海內外校外實踐基地建設，并不斷篩選提高校外實踐基地質量。目前跟60多家國際五星級酒店建立合作關系，同時達成集團層面的戰略合作，開展社會實踐、專業／畢業實習、教師掛職、企業高管進課堂等多個深度合作項目，形成“從學生到教師、從課內到課外、從理論到實踐”全方位的校企協同育人模式。

偏最小二乘回歸是一個強大的化學計量學工具,并已廣泛應用于光譜數據的建模分析。應用多元散射處理后的數據建立偏最小二乘模型,模型結果如下式:

Y=bX+e

式(3)

其中,Y是預測參數值矩陣(樣品數n×1),X是樣品光譜矩陣(樣品數n×波段數λ),e是預測殘差。

采用隨機分類的校準集對最優模型進行驗證,并對模型的可靠性和預測性能進行評價。模型的主要性能指標有校準集的相關系數(Rc)和校準集均方根誤差(RMSEC),預測集的相關性系數(Rp)和預測集均方根誤差(RMSEP)。一個可靠的預測模型應當具有較高的相關系數值,較低的均方根誤差值。

2　結果與分析

2.1解凍損失結果

解凍損失結果如表1所示。解凍損失的最大值是10.80%,最小值是5.96%,平均值是8.5%。由于冷凍過程中蛋白質變性和細胞內冰晶的不斷生長,致使細胞膜及細胞器等破裂和肌肉系水能力降低[18]。在解凍過程中,由于冰晶導致的損傷,使得解凍期間流出細胞外的汁液不能被重新吸收,從而導致最后的汁液損失[19]。

表1　解凍損失結果(%)Table 1　Result of drip lossduring thawing process(%)

2.2光譜分析

在波長950～1500 nm范圍內,新鮮和凍融牛肉的感興趣區域的平均光譜曲線如圖3所示。新鮮樣品與凍融樣品的光譜具有相似的趨勢,但在光譜反射率值上并不相同。光譜反射率值的差異主要在950～1400 nm的波長范圍內,這意味著凍融過程引起的變化可由光譜信息進行檢測[20]。雖然冷凍儲存有效的抑制微生物繁殖和酶活性,延長保質期,但冷凍過程中細胞內有冰晶形成和生長會導致細胞破壞。解凍后,肌肉的系水能力降低,導致汁液損失,從而加速了蛋白質的變性和脂肪氧化[21]。此外,在冷凍儲存過程中,冰晶的形成,甲醛的存在以及脂肪氧化的產物都可影響光譜反射率,并致使凍融的肉的光譜反射率低于新鮮肉的光譜反射率[22]。

2.3模型驗證與預測

應用建立的全光譜模型對樣品進行預測分析,其結果如圖4、圖5所示。校正集的相關性系數和校準均方根誤差分別為0.953和0.017。驗證集的相關性系數和預測均方根誤差分別為0.89和0.023。由此可知,該模型具有較高的預測能力和良好的可靠性。

圖4　校正集中測量值與預測值關系Fig.4　Correction set diagram measured and predicted values

圖5　驗證集中測量值與預測值關系Fig.5　Prediction set diagram measured and predicted values

應用全光譜模型對預測集凍融樣品的解凍損失進行預測,其結果如表2所示。解凍損失預測值的最大誤差是1.55%,最小誤差是0.10%。模型統計的有效誤差為5%。因此,該模型應有較高的預測精度和預測穩定性。

表2　預測集中解凍損失預測結果Table 2　The predicted results of drip loss thawing process inprediction set

應用建立的全光譜預測模型去建立預測集樣品判別分類模型。將新鮮與凍融的樣品設置一個虛擬的Y變量值:新鮮樣品為0,凍融樣品為1。然后,采用一個0.5的閾值,當預測值Y小于0.5時,樣品被鑒定為0類,即新鮮樣品;當預測值Y大于0.5時,樣品被鑒定為1類,即凍融樣品。全光譜判別分類模型對預測集的判別結果如表3所示。新鮮樣品共有10個,判斷錯誤樣品1個,正確分類率為90%;凍融樣品共有8個,錯誤判斷樣品0個,正確分類率為100%,整體正確分類率為94.4%。因此,該判別分類模型具有較高的分類精度,可以應用此模型對新鮮與凍融的牛肉進行分類。

表3　預測集的判別結果Table 3　The results of statistical prediction set

3　結論與展望

實驗表明,在全波長范圍內,應用建立的全光譜預測模型可以得到較好的預測效果。預測集相關系數值為0.953,預測均方根誤差為0.017。預測樣品集的整體判斷正確率為94.4%。說明應用近紅外高光譜成像技術對新鮮與凍融的牛肉進行區分鑒別具有可行性,并能夠很好的對其品質進行分析,從而實現牛肉品質的快速評價。

[1]吳建虎,陳菁菁,彭彥昆.基于高光譜散射技術的牛肉嫩度和顏色的預測研究[C]紀念中國農業工程學會成立三十周年暨中國農業工程學會2009年學術年會(CSAE2009).2009.

[2]Wang L,Sun D W.Rapid cooling of porous and moisture foods by using vacuum cooling technology[J].Trends in Food Science & Technology,2001,12(5):174-184.

[3]Delgado A E,Zheng L,Sun D W.Influence of Ultrasound on Freezing Rate of Immersion-frozen Apples[J].Food & Bioprocess Technology,2009,2(3):263-270.

[4]Sun D W,J L Woods.Simulation of the heat and moisture transfer process during drying in deep grain beds[J].Drying Technology,1997,15(10):2479-2492.

[5]Delgado A E,Sun D W.Desorption isotherms for cooked and cured beef and pork[J].Journal of Food Engineering,2002,51(2):163-170.

[6]Sen A R,Sharma N.Effect of Freezing and Thawing on the Histology and Ultrastructure of Buffalo Muscle[J].Asian Australasian Journal of Animal Sciences,2004,17(9):1291-1295.

[7]Uddin M,Okazaki E,Turza S,et al.Non-destructive Visible/NIR Spectroscopy for Differentiation of Fresh and Frozen-thawed Fish[J].Journal of Food Science,2005,70(8):506-508.

[8]Durek J,Bolling J S,Knorr D,et al.Effects of different storage conditions on quality related porphyrin fluorescence signatures of pork slices.[J].Meat Science,2011,90(1):252-258.

[9]Li C,Liu D,Zhou G,et al.Meat quality and cooking attributes of thawed pork with different low field NMR T(21).[J].Meat Science,2012,92(2):79-83.

[10]張雷蕾,李永玉,彭彥昆,等.基于高光譜成像技術的豬肉新鮮度評價[J].農業工程學報,2012,28(7):254-259.

[11]陳全勝,張燕華,萬新民,等.基于高光譜成像技術的豬肉嫩度檢測研究[J].光學學報,2010,30:2602-2607.

[12]章海亮,朱逢樂,劉雪梅,等.基于圖像光譜信息融合的魚不同凍藏時間及凍融次數鑒別[J].農業工程學報,2014,30(6):272-278.

[13]Pu H,Sun D W,Ma J,et al.Using Wavelet Textural Features of Visible and Near Infrared Hyperspectral Image to Differentiate Between Fresh and Frozen-Thawed Pork[J].Food &Bioprocess Technology,2014,7(11):3088-3099.

[14]Pu H,Sun D W,Ji M,et al.Classification of fresh and frozen-thawed pork muscles using visible and near infrared hyperspectral imaging and textural analysis[J].Meat Science,2015,99:81-88.

[15]Zhu F,Zhang D,He Y,et al.Application of Visible and Near Infrared Hyperspectral Imaging to Differentiate Between Fresh and Frozen-Thawed Fish Fillets[J].Food & Bioprocess Technology,2013,6(10):2931-2937.

[16]Cheng J H,Qu J H,Sun D W,et al.Visible/near-infrared hyperspectral imaging prediction of textural firmness of grass carp

(Ctenopharyngodonidella)as affected by frozen storage[J].Food Research International,2014,56:190-198.

[17]蘆永軍,曲艷玲,宋敏.近紅外相關光譜的多元散射校正處理研究[J].光譜學與光譜分析,2007,27(5):877-880.

[18]Benjakul S,Visessanguan W C,Tanaka M.Comparative study on physicochemical changes of muscle proteins from some tropical fish during frozen storage[J].Food Research International,2003,36(8):787-795.

[19]Ventanas S,Heinonen M,Estevez M.Protein Carbonylation and Water-Holding Capacity of Pork Subjected to Frozen Storage:Effect of Muscle Type,Premincing,and Packaging[J].Journal of Agricultural & Food Chemistry,2011,59(10):5435-5443.

[20]Barbin D F,Sun D W,Su C.NIR hyperspectral imaging as non-destructive evaluation tool for the recognition of fresh and frozen-thawed porcine longissimusdorsi muscles[J].Innovative Food Science & Emerging Technologies,2013,18(2):226-236.

[21]Calvelo A.Recent studies on meat freezing[J].Developments in Meat Science,1981.

[22]Sánchez-Alonso I,Carmona P,Careche M.Vibrational spectroscopic analysis of hake(Merlucciusmerluccius L.)lipids during frozen storage[J].Food Chemistry,2012,132(1):160-167.

Application of near infrared hyperspectral imaging to differentiate between fresh and frozen-thawed beef

HE Jia-wei,WANG Huai-wen*,JI Hong-wei

(School of Mechanical Engineering,Tianjin University of Commerce,Tianjin 200134,China)

The objectives of this research were to develop a hyperspectral imaging system to differentiate between fresh and frozen-thawed beef fillets.A total of 45 beef fillets were randomly divided into two groups,including 25 fresh and 20 frozen-thawed samples.In this study,spectral imaging dates were obtained by hyperspectral imaging system.All images were calibrated for reflectance,followed by segmentation to obtain the region of interest(ROI),and then the average spectral data was generated from the ROI images.Through multiplicative scatter correction(MSC)pretreatment to hyperspectral imaging data,optimal model of this test was built in range of full spectrum(950～1500 nm)by means of partial least square regression(PLSR).The results showed that,the model had high prediction accuracy,the correct classification rate was 94.4%,and the near-infrared hyperspectral imaging technology was suit for recognizing to frozen-thawed beef.

near infrared hyperspectral imaging technology;fresh beef;frozen-thawed beef;partial least square regression(PLSR)

2015-10-16

何加偉(1988-)，男，碩士研究生，研究方向：食品冷鏈技術，E-mail：819663320@qq.com。

王懷文(1975-)，男，博士，教授，研究方向：實驗力學測試技術在食品冷凍冷藏中的應用研究，E-mail：wanghw@tjcu.edu.cn。

國家自然科學基金(11572223，11372222)；天津市自然科學基金(14JCZDJC34600)。

TS205.7

A

1002-0306(2016)09-0304-05

10.13386/j.issn1002-0306.2016.09.050