基于高光譜和極限學習機的冷卻羊肉表面細菌總數檢測

魏 菁， 郭中華， 徐 靜

(寧夏大學物理電氣信息學院，寧夏銀川 750021)

羊肉因富含蛋白質，肉質鮮美，在肉類消費中占有較大比例。同時，隨著生活水平的不斷提高，食品健康與安全問題也日益受到重視，為確保肉品新鮮，銷售冷卻肉成為了肉類市場的主流方向，冷卻肉是嚴格地按照衛生標準屠宰的畜禽類胴體，要在24 h內使溫度降至0～4 ℃，并在后續的一系列加工環節中始終保持在該溫度范圍條件下的肉。盡管冷卻肉可以在一定程度上延長保存期，但是牲畜在屠宰、加工和運輸的過程中同樣會受到污染，產生細菌微生物[1]，導致其加速腐敗和變質，最終影響冷卻肉的品質。細菌總數(total viable count，TVC)是評價肉類品質的重要指標[2]，肉類新鮮度可依據其表面的細菌微生物總數反映出來，對冷卻肉表面細菌總數進行準確地檢測，可及時對肉品新鮮度作出客觀評價，確保“放心肉”的流通與銷售。傳統的細菌檢測大多是基于物理和化學相結合的方法，如三磷酸腺苷光技術、基于快速測試片技術、電阻抗技術[3]等，不僅操作繁瑣，耗費時間長，還容易對樣本結構造成破壞，因此無損檢測技術顯得尤為重要。

近年來，高光譜技術[4](hyperspectral technique)已經廣泛應用于食品無損檢測中，它融合了光學、信息學、計算機技術等多種學科，是將二維圖像技術和光譜技術結合起來的一種先進技術。由于特定波長的圖像會對樣品的某個特征有較顯著的反應，通過圖像維，可以清晰地看到表征樣品外觀性質，而通過光譜數據，可獲取樣品的內部信息，如物質組成和結構等。高光譜技術作為基于光學的無損檢測新技術，相比于傳統的檢測技術，體現了較大的優勢。高光譜技術也廣泛地應用于對農畜產品品質的無損檢測中。在國外，Qiao等結合高光譜技術和人工神經網絡對豬肉品質進行了分級[5-6]；Naganathan等利用400～1 100 nm波長范圍高光譜成像系統對牛肉嫩度進行了分級[7-8]；Chao等利用高光譜成像技術對整條鱈魚的新鮮度進行了檢測[9]。在國內，吳建虎等開發出1組高光譜散射成像系統，通過多種特征指標對牛肉品質進行了預測[10-11]；高曉東利用光譜覆蓋范圍為400～1 100 nm的高光譜成像系統對牛肉的大理石花紋進行檢測[12]；文東東以3個不同品種(黃陂黃牛、恩施山地水牛、西門塔爾奶牛)牛肉樣本為研究對象，分別利用近紅外光譜技術和高光譜技術，建立不同品種牛肉新鮮度定量檢測模型[13]。本試驗基于高光譜技術結合極限學習機(ELM)，對冷卻羊肉表面細菌總數進行無損檢測，并通過算法優化，實現了3種建模方法。

1 材料與方法

1.1 試驗儀器

試驗采用的儀器包括：Hyper VNIR高光譜成像系統，其光譜覆蓋范圍為400～1 100 nm，由美國的Headwall Photonics公司生產；生化培養箱(LRH-150B)；立式壓力蒸汽滅菌鍋(LDZM-80KCS)；超凈工作臺(HDLAPPARATUS)以及培養皿、移液皿、電子天平等。

1.2 材料與高光譜數據采集

將從農貿市場買回的新鮮羊肉切割成長度、寬度、厚度分別為5 cm、5 cm、2 cm的肉塊，總共85個，試驗期間(共計 17 d)，每天從4 ℃恒溫冰箱中取出5個待測樣品，至于室溫下30 min之后采集高光譜圖像，為確保圖像的保真度，對高光譜系統的參數設置為：曝光時間和速度分別設置為10 ms和15 nm/s，步進速度為0.17 mm/s，掃描寬度為80 mm，同時為了校正相機暗電流和室外照明對圖像的影響，采集圖像前先進行黑白校正。

R=(R0-D)/(W-D)。

(1)

式中：R0為原始圖像，R為校正后的圖像，W為白板圖像，D為暗圖像，待85個樣本的高光譜圖像采集完成，使用ENVI 4.8軟件進行數據分析，先對每個圖像提取表面感興趣區域(region of interest，ROI)，然后提取反射光譜值，作為樣本的原始光譜數據。

1.3 樣本表面細菌微生物檢測

按照食品安全國家標準[14]，采用平板計數法對85個樣本表面細菌微生物進行采集，先將樣本剪碎置于均質袋中拍打，加入滅菌生理鹽水，采用均質器處理1 min，按1 ∶10比例梯度稀釋，選取2個合適的稀釋度倒平板，每個稀釋度倒2個平板作為平行，隨后將其置于36 ℃恒溫，并取對數值作為試驗參考數據。隨機取訓練樣本數60個，預測樣本數25個，接近3 ∶1的比例進行建模。

1.4 光譜數據預處理

在采集到的原始光譜數據中，由于受外界因素的干擾，使得信息中還包含著大量噪聲信號，因此需要對原始數據進行預處理，提高信噪比，以減小噪聲對數據分析帶來的影響。試驗采用標準正態變量變換(SNV)融合sym4小波函數的方法，對原始數據進行預處理。

1.5 建模方法

極限學習機[15-16](extreme learning machine，ELM)是一種單隱層前饋神經(SLFN)網絡學習算法，相比于傳統的神經網絡算法，其優勢有以下幾點：(1)不會陷入局部最優；(2)無需迭代，一次求解；(3)無需設置復雜的參數。對于1個訓練樣本，(xj,tj),j=1,…,N,xj,tj∈RN，xj是輸入數據，tj為目標輸出，可知具有L個隱含層神經元的單隱層前饋神經網絡輸出表達式為：

(2)

公式(2)可簡化為：Hβ=T，βi表示的是第i個隱含層輸入神經元和輸出神經元之間的連接權值，其表達式為：

(3)

式中：C是懲罰系數，T=[t1,…,tN]T為輸入樣本目標值向量。根據Mercer條件，定義一個滿足該條件的核函數：

(4)

(5)

通常選擇徑向基函數(RBF)作為核函數，其表達式為：

K(x,x1)=k(‖x-xc‖)=exp{-‖x-xc‖2/(2×σ)2}。

(6)

式中：σ為控制寬度的核參數。

遺傳算法(genetic algorithm，GA)，又稱基因進化算法，是由Holland等于1975年提出，它源于達爾文進化論，借鑒生物進化過程而產生的一種尋優算法，其原理是通過復制、交叉、突變等操作產生下一代的解，并逐步淘汰掉適應度函數值低的解，增加適應度函數值高的解。KLEM模型中的2個參數懲罰系數(C)和核參數(σ)，C起著調節結構風險和經驗風險之間平衡的作用，而σ控制著函數的徑向作用范圍，二者是影響KELM性能的2個主要因素。在參數設置過程中由于人為設置因素的影響，導致了模型的精度不夠理想。因此，本研究提出遺傳算法優化核極限學習機的方法，通過對C和σ進行尋優，而減少因核函數存在而導致參數設置敏感的問題。

2 結果與分析

2.1 光譜數據預處理

本試驗采用Matlab 2012a軟件進行數據分析，繪制原始光譜曲線圖(圖1)。采用sym4小波函數，分解尺度分別為2、3、4、5情況下的融合方法對原始數據進行預處理，通過預測模型指標反應，得出最佳預處理方法為分解尺度為4的sym4小波函數融合標準正態變量變換(SNV)，具體見圖2。

2.2 模型建立及結果分析

2.2.1 ELM模型 參數設置為：隱含層激勵函數選擇sigmoid函數，隱含層節點數為10，仿真結果見圖3。

2.2.2 KELM模型 選擇RBF函數作為核函數，參數范圍設置為：C∈[0.1，10]，σ∈[1，1 000]，為了觀察到取不同參數值的不同效果，在參數設置中加入隨機數，以便觀察到多種結果，經過多次試驗，取C=4.5，σ=990可得到最優結果，仿真結果見圖4。

2.2.3 GA-KELM模型 參數設置為：種群規模sizepop=80，迭代次數為maxgen=50，交叉概率為0.5，變異概率為 0.02，可知當迭代次數接近于15時，適應度曲線趨于穩定，預測結果和適應度曲線見圖5和圖6。由表1可知3個模型預測結果的對比情況。以訓練集和預測集的相關系數(R)和均方根誤差(RMSE)作為評價指標，并且以預測集指標為主。可以看出3種建模方法中，采用GA-KELM模型的冷卻羊肉表面細菌總數(TVC)預測模型效果最好，4個指標值分別為0.930 6、0.001 6、0.983 7、0.001 6；相比之下，ELM模型的預測效果較差，各指標值分別為0.907 4、0.237 7、0.970 5、0.189 6。其中均方根誤差較大，這是因為ELM輸入節點權重和隱元偏置是隨機賦值，導致ELM的輸出不穩定，泛化性能差，精度較低。因此，得出冷卻羊肉表面細菌總數(TVC)預測最佳建模方法是分解尺度為4的sym4小波函數融合標準正態變量變換(SNV)的預處理方法結合GA-KELM預測模型。

3 結論

表1 3種模型預測結果對比

對冷卻羊肉表面細菌總數進行無損檢測，通過高光譜成像系統提取樣本的高光譜信息，采用分解尺度為4的sym4小波函數融合標準正態變量變換(SNV)的預處理方法，結合ELM、KELM及優化算法GA-KELM分別建立預測模型，相比于傳統的檢測方法，此方法快速有效且通過優化算法進一步提高了檢測的準確性， 也為下一步開發冷卻肉制品細菌微生物無損檢測平臺提供了理論基礎。但不足之處是光譜波段范圍較為局限和單一， 僅限于400～1 100 nm，在下一步工作中，考慮在多種高光譜波長范圍內進行試驗對比，確定1種最佳建模的波長范圍。