基于LS-SVM高光譜成像魚新鮮度鑒別

章海亮，葉 青，羅 微，劉雪梅

（華東交通大學電氣與自動化工程學院，江西 南昌 330013）

基于LS-SVM高光譜成像魚新鮮度鑒別

章海亮，葉 青，羅 微，劉雪梅

（華東交通大學電氣與自動化工程學院，江西 南昌 330013）

基于高光譜成像光譜信息的魚新鮮度（魚不同冷凍時間以及凍融次數）鑒別。首先，提取魚樣本感興趣區域（region of interest,ROI）光譜，分別采用蒙特卡羅無信息變量消除（Monte Carlo free information variable elimination,MCVE），連續投影算法（successive projections algorithm，SPA）和隨機青蛙算法（random frog，RF）提取特征波長，三種算法分別得到90，31和49個特征變量，采用最小二乘支持向量機作為分類模型，將90，31和49個特征變量作為LS-SVM模型的輸入變量建立分類模型，基于SPA-LS-SVM和MCVE-LS-SVM模型預測集識別率都達到了98%，而采用RF-LS-SVM建立的模型取得了較差的預測結果，模型預測集識別率都只是達到了88%。結果表明，SPA-LS-SVM作為分類模型優于其他模型，SPA選擇的特征波長，不但可以簡化模型，還可以提高模型的預測精度，基于高光譜成像技術可以用于魚新鮮度（魚不同冷凍時間以及凍融次數）鑒別。

蒙特卡羅無信息變量消除；連續投影；隨機青蛙；LS-SVM

隨著人們消費水平的提高，多寶魚由于其豐富的營養價值如低脂肪，高蛋白，富含多種維生素和礦物質，日益受到人們的青睞。但是由于魚類產品普遍具有水分含量高和易腐敗特點，蛋白質在酶和微生物的綜合作用下，容易變質，致使魚類產品品質下降，因此，魚類產品的新鮮度的預測和判別就很重要[1-6]。目前，一般采用微生物方法判別多寶魚肉的新鮮度和剩余存儲時間，這種方法盡管結果穩定可靠，但是這是一種破壞性試驗，操作人員需要經過專業訓練，由于操作過程中要用到化學試劑，造成環境破壞，魚肉也不能繼續食用，較長的檢測時間也不能保證實時性[7]。

近年來，采用高光譜成像技術對魚類產品的實時和無損檢測進行的大量研究，相比較于物理化學法，高光譜成像技術具有快速、無損、成本低和預測準確特點，在很多領域得到廣泛應用[8-11]。采用高光譜成像技術獲得的數據，圖像上的每一個像素點包含全波長范圍的光譜信息，可以具體到單個像素級別的分析，大大提高了分析精細度，可以根據需要，在整個對象的面上尋找提取感興趣區域，獲得對象的光譜數據，而采用近紅外光譜分析技術嚴格意義上說，只能提取對象單個小區域的平均光譜數據，不能同時提取對象整個面上區域的光譜數據，高光譜成像技術具有圖像分析技術和光譜分析技術的雙重優點，在魚類產品新鮮度分析領域具有非常大的潛力，其數據矩陣結構原理如圖1所示。從圖1可知，高光譜數據塊是一種三維數據，在每個波長上都有一幅灰度圖像與之對應，在圖像上每個像素點都包括全譜波長信息。

本文采用高光譜成像技術鑒別多寶魚的新鮮度，具體研究目的如以下4點：① 探尋高光譜成像數據的光譜信息和多寶魚新鮮度之間的定性關系；②分別采用CARS，SPA和GA挑選多寶魚的新鮮度特征波長；③ 比較不同的鑒別多寶魚新鮮度的模型性能；④ 確定最優模型用于鑒別多寶魚的新鮮度。鑒別過程思路如下，首先獲取5個類別共160個樣本高光譜成像數據，波長范圍381～1 023 nm，對原始高光譜成像數據進行黑白板校正；提取樣本感興趣區域光譜，作為樣本的光譜數據；根據2∶1的比例建立樣本建模集和預測集；基于全譜和特征光譜分別建立鑒別模型；基于分類準確率（correct classification rate，CCR）確定最優鑒別模型。

圖1 高光譜成像數據矩陣Fig.1 Hyperspectral imaging data matrix

1 材料與方法

1.1 樣本來源及光譜的獲取

試驗用多寶魚購于杭州農副產品水產交易中心，樣本重量規格在400～600 g之間。在水產交易中心現場進行樣本前處理，具體過程如下：每次在養殖水池撈出一條鮮活多寶魚，魚冰水休克，棒擊頭部致死，去除魚內臟和頭尾，在冰水中洗干凈。每條多寶魚均勻切割成4份，作為4個樣本。采用塑料袋放置每個樣本，將塑料袋放置在盛滿新鮮碎冰的干凈白色泡沫保溫箱中，保溫箱底部開有滴水孔，運輸過程中部分碎冰化成水從滴水孔中流走，運輸專車在0.5～1 h內將樣本快速運送至實驗室。160樣本分5類，分別用1～5表示5個類別，詳見表1所示。

表1 建模集和預測集統計信息Tab.1 Statistical information of calibration and prediction sets

1.2 數據采集系統

本試驗的魚樣本數據采集系統包括高光譜攝像機（N10E,Specim，Finland），150 W鹵素燈線光源2個（Oriel Instruments，Irvine，Cal.），鐵皮暗箱隔絕室內燈光影響，步進導軌平臺由步進電機（IRCP0076，IsuzuOptics Corp，Taiwan，China）驅動，近紅外光譜儀，可接收的光譜波長范圍為381～1 023 nm，CCD成像相機，控制裝置和計算機。

1.3 高光譜數據采集

為了獲取到魚樣本不變形、不失真和清晰的高光譜成像數據，需要調節CCD相機的曝光時間和步進導軌平臺移動速度，本研究中的步進導軌平臺移動速度為3.2 mm/s，曝光時間設置為0.08 s，近紅外光譜儀至樣本間距離為45 cm。采集數據時用紙巾吸去魚樣本表面的多余水分，將樣本置于步進導軌平臺上面，垂直于近紅外光譜儀移動，獲取三維魚樣本高光譜成像數據塊。分析軟件為Matlab 2010，Unscrambler 10.1及Origin8.5軟件平臺。為了減少CCD相機暗電流及各波長下光源強度分布不均勻的影響，對原始數據分析前需要對原始高光譜成像數據（Ⅰ）進行反射率校正。

1.4 特征波長選擇算法

為了簡化模型，提高模型運行效率和精度，本研究分別采用MCVE、SPA和RF算法選擇特征波長，關于MCVE[12-14]、SPA[15-16]和RF[17-20]原理詳見文獻。

2 試驗結果與分析

2.1 魚樣本的光譜

通過魚樣本高光譜圖像上感興趣區域提取光譜，感興趣區域大小選擇在80×80左右的矩形區域內，得到的光譜波長范圍為381～1 023 nm，共計512個波長，由于在429 nm波長之前的光譜，存在部分噪聲且有用信息較少，本研究取429～1 023 nm波長范圍作為原始波長范圍，圖3中每一條光譜為樣本感興趣區平均光譜，從光譜曲線可知，在整個波長范圍內，最大反射率不高于0.25，從光譜曲線還可以看出，近紅外區域的反射率要高于可見光區域的反射率，在960 nm附近，近紅外光譜存在較大的吸收度，這是由于魚樣本的C-H功能鍵在此區域存在吸收峰。

2.2 Random frog算法選取特征波長

隨機青蛙算法（random frog，RF）是一種非常有用的特征波長提取算法，在每次建模運算時，該算法會評價參與建模變量的被選頻率值，被選頻率高的變量組合，用于替代原始光譜用于進一步的建模分析。本文隨機青蛙返回結果如圖3所示，圖3中橫虛線分別表示取被選頻率大于橫線對應頻率的特征波長用于建模，或者說取某條橫線之上的變量用于建模，本研究采用隨機青蛙算法獲取到的變量數量為49個。表2是采用隨機青蛙選擇的變量具體波長點。

圖2 160個魚樣本光譜Fig.2 Spectra of 160 fish samples

圖3 Random frog變量被選頻率Fig.3 Frequency of variable selections by RF

表2 Random frog選擇特征波長Tab.2 Effective wavelengths selected by RF

2.3 MCUVE關鍵變量提取

圖4表示基于MCUVE算法挑選特征波長結果圖。圖4表示RMSEC和RMSEP隨建模因子數量變化趨勢，RMSEC值隨建模變量數量變化趨勢和每個變量穩定性分布。從圖4（a）可以看出，采用8個建模因子數量時，得到的RMSEC和RMSEP值最小，后面隨著建模因子數量的增加，模型復雜度也隨之增加，降低了模型精度；圖4（b）中RMSECV值起初呈急劇減小趨勢，表明采樣過程中，無信息變量被不斷消除，然后RMSECV值變化不明顯，表明變量數量變化不明顯，最后RMSECV值逐漸增大，表明一些關鍵變量被消除；圖4（c）中，兩天虛線之間的波長是要被剔除的，不能參與建模分析，閾值1.57的確定是結合圖4（b）和圖4（c）決定，由圖4（b）可知，保留變量數量為90個，在由圖4（c）可知，閾值在1.57處，虛線之外的波長變量數量正好為90個。在MCVE算法中，一些無用變量被消除，一些關鍵變量被保留，本研究中，90個關鍵變量被提取出來用于替代原始光譜進行進一步的分析建模。

圖4 MCVE關鍵變量提取結果圖Fig.4 Key variables selection results by MCVE

2.4 連續投影算法選取特征波長

原始波長數由470個經過遺傳算法選擇后變為31個波長，采用連續投影算法后，建模變量大大減少，極大的簡化了模型。說明一點，圖5是SPA算法得到的特征波長在全譜波長上的具體位置信息，SPA算法選擇的特征波長詳見表3。圖6表示模型的RMSEC值變化趨勢，隨著SPA算法選擇的特征變量數量的增加，RMSEC的值起初急劇變小，說明選擇的31個特征波長為最優特征波長，而第31個波長點以后的波長對模型的RMSEC值影響不大。

表3 SPA選擇特征波長Tab.3 Effective wavelengths selected by SPA

2.5 基于光譜建立LS-SVM類別預測模型

基于LS-SVM的高光譜成像魚不同冷凍時間以及冷凍解凍次數類別的鑒別模型。LS-SVM模型在很多領域都得到了廣泛應用，可以處理線性和非線性的問題，參數gam用于減小模型訓練錯誤率和簡化模型，參數sig2用于定義非線性轉換，從一個向量空間向高維空間轉換[21-22]。本研究采用的LS-SVM分類模型基于LS-SVM工具箱。

選取429～1 023 nm的波段作為樣本光譜信息分析基礎，把選取的470個波段輸入建立LS-SVM類別預測模型，模型的預測集識別率為96%，為了進一步降低模型的復雜度，對原始光譜采用MCVE算法,連續投影算法和RF算法分別得到90，31和49個波段變量，且把這90，31和49個波段變量分別作為LS-SVM模型的輸入，如表4所示。

圖5 連續投影算法選擇特征波長Fig.5 SPA selected variables

圖6 連續投影算法選擇特征波長RMSEP變化趨勢Fig.6 Trend of RMSEP based on characteristic wavelengths selected by SPA

表4 基于不同的波長建立鑒別模型的分類準確率Tab.4 Correct classification rate of different models based on different wavelengths selection methods

從表3中可以看到，基于全譜的LS-SVM模型在預測時，基于光譜模型識別率分別為96%，當把MCVE提取的90個參數變量作為LS-SVM模型輸入時準確率為98%，把SPA選擇的特征變量作為LS-SVM模型的輸入，識別率分別達到98%，當把RF選擇的光譜變量作為LS-SVM模型的輸入時，模型精度為88%，不難看出，為了簡化模型和選擇精度最高模型，本文把SPA選擇的31光譜變量作為最優特征變量，把LSSVM分類模型作為最優建模模型。

3 結論

本文基于高光譜成像技術對魚不同冷凍時間以及冷凍解凍次數類別樣本共5個類別進行分類識別。首先，獲取魚樣本ROI光譜曲線，分別采用MCVE，SPA和RF算法提取特征波長，將3種算法分別得到90，31和49個特征變量作為模型LS-SVM模型的輸入建立分類模型，基于SPA-LS-SVM和MCVE-LS-SVM模型預測集識別率都達到了98%，而采用RF-LS-SVM模型預測集識別率都只是達到了88%。結果表明，SPALS-SVM和MCVE-LS-SVM作為分類模型優于RF-LS-SVM模型，SPA和CARS選擇的特征波長，不但可以簡化模型，還可以提高模型的預測精度，基于高光譜成像技術可以用于魚新鮮度（魚不同冷凍時間以及凍融次數）鑒別。

[1]劉曉華，馬儷珍，郭耀華，等.不同保鮮劑對4℃冷藏鯰魚魚糜保鮮效果的影響[J].食品科學，2014（24）：316-320.

[2]RZEPKA M，OZOGUL F，SUROWKA K，et al.Freshness and quality attributes of cold stored Atlantic bonitogravad[J].International Journal of Food Science and Technology，2013，48（6）：1318-1326.

[3]KIMIYA T，SIVERTSEN A H，HEIA K.VIS/NIR spectroscopy for non-destructive freshness assessment of Atlantic salmon fillets[J].Journal of Food Engneering，2013，116（3）：758-764.

[4]LIU D，ZENG X A，SUN D W.NIR spectroscopy and imaging techniques for evaluation of fish quality-A review[J].Applied Spectroscopy Reviews，2013，48（8）：609-628.

[5]CHENG J，SUN D.Rapid Quantification analysis and visualization of escherichia coli loads in grass carp fish flesh by hyperspectral imaging method[J].Food and Bioprocess Technology，2015，8（5）：951-959.

[6]CHENG J，SUN D，PU H.Combining the genetic algorithm and successive projection algorithm for the selection of feature wavelengths to evaluate exudative characteristics in frozen–thawed fish muscle[J].Food Chemistry，2016，197：855-863.

[7]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（6）：272-278.

[8]HE H，SUN D.Hyperspectral imaging technology for rapid detection of various microbial contaminants in agricultural and food products[J].Trends in Food Science&Technology，2015，46（1）：99-109.

[9]CHENG J，SUN D.Hyperspectral imaging as an effective tool for quality analysis and control of fish and other seafoods：Current research and potential applications[J].Trends in Food Science&Technology，2014，37（2）：78-91.

[10]KHOJASTEHNAZHAND M，KHOSHTAGHAZA M H，MOJARADI B，et al.Comparison of visible-near infrared and short wave infrared hyperspectral imaging for the evaluation of rainbow trout freshness[J].Food Research International，2014，56：25-34.

[11]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 and Bioprocess Technology，2013，6（10）：2931-2937.

[12]ANTANASIJEVI D，POCAJT V，PERI－GRUJI A，et al.Modelling of dissolved oxygen in the Danube River using artificial neural networks and Monte Carlo Simulation uncertainty analysis[J].Journal of Hydrology，2014，519：1895-1907.

[13]HUANG Z，SHA S，RONG Z，et al.Feasibility study of near infrared spectroscopy with variable selection for non-destructive determination of quality parameters in shell-intact cottonseed[J].Industrial Crops and Products，2013，43：654-660.

[14]HAN Q，WU H，CAI C，et al.An ensemble of Monte Carlo uninformative variable elimination for wavelength selection[J].Analytica Chimica Acta，2008，612（2）：121-125.

[15]LIU K，CHEN X，LI L，et al.A consensus successive projections algorithm－multiple linear regression method for analyzing near infrared spectra[J].Analytica Chimica Acta，2015，858：16-23.

[16]GUAN X C，CHEN X J，JIANG J.Integration of modified uninformative variable elimination and successive projections algorithm for determination harvest time of laver by using visible and near infrared spectra[J].African Journal of Agricultural Research，2011，6（27）：5987－5991.

[17]LI X，SUN C，LUO L，et al.Determination of tea polyphenols content by infrared spectroscopy coupled with iPLS and random frog techniques[J].Computers and Electronics in Agriculture，2015，112：28－35.

[18]HU M，DONG Q，LIU B，et al.Estimating blueberry mechanical properties based on random frog selected hyperspectral data[J]. Postharvest Biology and Technology，2015，106：1－10.

[19]YUN Y，LI H，E WOOD L R，et al.An efficient method of wavelength interval selection based on random frog for multivariate spectral calibration[J].Spectrochimica Acta Part A：Molecular and Biomolecular Spectroscopy，2013，111：31-36.

[20]LI H，XU Q，LIANG Y.Random frog：An efficient reversible jump Markov Chain Monte Carlo-link approach for variable selection with applications to gene selection and disease classification[J].Analytica Chimica Acta，2012，740：20－26.

[21]LIU X，LIU J.Measurement of soil properties using visible and short wave-near infrared spectroscopy and multivariate calibration[J].Measurement，2013，46（10）：3808-3814.

[22]SHAO Y N，ZHAO C J，BAO Y D，et al.Quantification of nitrogen status in rice by least squares support vector machines and reflectance spectroscopy[J].Food and Bioprocess Technology，2012，5（1）：100-107.

Classification of Fish Freshness Based on LS-SVM and Hyperspectra Imaging Technology

Zhang Hailiang，Ye Qing，Luo Wei，Liu Xuemei
（School of Electrical and Automation Engineering,East China Jiaotong University,Nanchang 330013,China）

This study investigated the feasibility of using near infrared hyperspectral imaging system (NIR-HIS) technique for non-destructive identification of fresh and frozen-thawed fish fillets.Hyperspectral images of freshness,storage time,and frozen-thawed times of fillets for turbot flesh were obtained in the spectral region of 381～1 023 nm.Reflectance values were extracted from each region of interest(ROI)of each sample.Monte Carlo free information variable elimination (MCVE)algorithm,successive projections algorithm (SPA)and random frog(RF)were carried out to identify the most significant wavelengths.Based on the ninety,thirty-one and fortynine wavelengths suggested by MCVE,SPA and RF,respectively,two classified models (least squares-support vector machine,LS-SVM and SIMCA)were established.Among the established models,SPA-LS-SVM model performed well with the highest classification rate(100%)in calibration and 98%in prediction sets.SPA-LSSVM and MCVE-LS-SVM models obtained better results 98%of classification rate in prediction set with thirtyone and ninety effective wavelengths respectively.The RF-LS-SVM model obtained poor results with 88%of classification rate in prediction set.The results showed that NIR-HIS technique can be used to identify the varieties of fresh and frozen-thawed fish fillets rapidly and non-destructively,and SPA was effective wavelengths selection method.

monte carlo free information variable elimination（MCVE）；successive projections algorithm（SPA）；random frog（RF）；least squares-support vector machine（LS-SVM）

O433

A

1005-0523（2017）02-0105-07

（責任編輯 姜紅貴）

2016－10－01

國家自然科學基金項目（61565005）；江西省科技支撐項目（20142BDH80021）

章海亮（1977—），男，副教授，博士，主要研究方向為高光譜成像技術及其應用。

劉雪梅（1978—），女，副教授，博士，主要研究方向為高光譜成像技術及其應用。