基于高光譜成像技術對牛肉品種判別的研究

辛世華，韓小珍，王彩霞

（1.寧夏工商職業技術學院旅游管理系，寧夏銀川750021；2.寧夏大學學術期刊中心，寧夏銀川750021；3.寧夏大學農學院，寧夏銀川750021）

牛肉肉質嫩滑，味道鮮美，是人們日常飲食的重要組成部分[1]。不同品種的牛肉在品質和口感上存在很大的差異，但肉品性狀和顏色極為相似，肉眼難以區分。傳統的肉類判別方法有酶聯免疫吸附[2]、蛋白質譜技術[3-5]、聚合酶鏈式反應（polymerase chain reaction，PCR）等[6]，操作繁瑣，耗時耗力。因此，需研發一種快速無損、操作簡單的方法對牛肉的種類進行判別。

高光譜成像技術作為一種新型無損檢測技術，具有超多波段、高光譜分辨率和譜圖合一等優勢[7]，在肉品分析領域得到了廣泛的應用。Sanz 等[8]利用線性最小均方（linear minimum mean squared，LMS）分類器在380 nm～1 028 nm 波段范圍對羊肉肌肉類型進行識別分類，其準確率達到96.67%；Zhenjie Xiong 等[9]利用可見近紅外高光譜對散養雞和普通飼養方式下的及進行識別分析，并結合多元散射校正（multiplicative scatter correction，MSC）進行預處理，建立基于連續投影算法（successive projections algorithm，SPA）和徑向基函數-支持向量機（radial basis function-support vector machine，RBF-SVM）的雞肉判別模型，模型準確率高達 93.33%；Pu 等[10]在 400 nm～1 000 nm 光譜范圍內對新鮮和凍融豬肉進行分類，校正集與預測集準確率分別為93.14%與90.91%。識別準確率分別為100%、94.1%、95.5%；王松磊等[11]使用高光譜成像技術對寧夏地區灘寒雜交、鹽池灘羊、小尾寒羊3 個品種羊肉進行識別，結果表明，不同波段高光譜對羊肉品種識別均有較好效果；Kamruzzaman 等[12]對豬肉、牛肉和羊肉3 種不同種類的肉進行鑒別和分類并利用主成分分析（principal component analysis，PCA）和偏最小二乘判別（partial least square-discriminant ，PLS-DA） 等進行建模，結果表明，驗證集中3 種類型的肉類樣品的總體正確分類率為98.67%。綜上可知，已有學者利用高光譜成像技術對雞肉、豬肉、羊肉以及摻假肉等進行判別分析，但對不同品種牛肉的判別鮮有報道。

該研究利用可見/近紅外高光譜技術對5 個不同品種的牛肉進行判別分析。首先利用不同的預處理對原始光譜進行預處理并劃分校正集與預測集，通過所建立的PLS-DA 模型優選最佳預處理方法，建立基于特征波段和全波段的K 最近鄰算法（K-nearest neighbor，KNN）、偏最小二乘判別分析，選出最佳模型，為快速無損判別牛肉品種提供技術參考[13]。

1 材料與方法

1.1 材料與儀器

產奶率低的荷斯坦奶牛，采自寧夏吳忠市澇河橋分割肉加工有限公司；3 歲左右的秦川牛、西門塔爾牛，力木贊牛及安格斯牛，采自寧夏固原市寧夏尚農生物科技發展產業有限公司。各品種牛經屠宰后在0 ℃下冷藏，排酸48 h。取出牛肉樣品進行分割，每個品種的牛分別取4 個部位肉（脖肉、眼肉、瓜條肉、里脊肉），剔除多余的油脂和筋膜后，放入保溫箱運至寧夏大學農產品無損檢測實驗室，貯藏在4 ℃冷柜備用。5 個品種的牛肉樣品各60 個，共300 個。光譜掃描前將肉樣整形切塊（大小約為40 mm×30 mm×10 mm），25 ℃下放置2 h，待肉樣中心溫度達到室溫（25 ℃）水平后，用濾紙吸干樣品表面的水分，進行光譜掃描。

Hyper Spec-VNIR 高光譜成像系統、VT-80 自動電控位移平臺：美國Headwall 公司；Imspector N 型成像光譜儀（光譜分辨率2.8 nm，狹縫寬度25 μm）、G4-232 增強型 EMCCD 相機（像素尺寸 8.0 μm）、2 個鹵素燈光源：美國Golden Way Scientific 公司；VT-80 自動電控位移平臺。

1.2 試驗方法

1.2.1 高光譜圖像采集

由于肉樣本紋理形狀、色澤等會造成光源漫反射，影響光譜信息采集效果。因此，圖像采集時需設置合理的曝光時間和位移平臺移動速度。經預試驗確定牛肉樣品的采集參數：相機曝光時間為15 ms，物距為380 mm，電控位移平臺移動速度為15 mm/s[13]。同時，由于光源強度分布不均及相機中暗電流的存在，使采集到的信息中含有大量噪聲。因此在采集高光譜圖像之前需進行黑白校正。具體方法同文獻[13]。

圖像采集前，需打開高光譜儀器預熱30 min。試驗過程中，每組取5 塊肉樣依次置于電控位移平臺上，進行光譜掃描。圖像數據處理之前，利用ENVI 4.8 軟件選取整塊肉表面作為感興趣區域（range of interest，ROI），計算ROI 內的平均反射光譜，作為樣本的反射光譜[13]。

1.2.2 樣本劃分

采用光譜-理化值共生距離法（sample set parti tioning based on joint X-Y distances，SPXY）[14]進行樣本劃分。

1.2.3 光譜數據預處理

在光譜采集過程中，由于試驗樣本、測定環境及儀器噪音等因素的影響，所采集的光譜數據中會夾雜一些無用信息，從而影響建模性能。因此，需要對原始光譜數據進行預處理。該試驗通過卷積平滑（savitzkygolay smoothing，SG）、區域歸一化、一階導數（first derivative，FD）、基線校準、標準正態變量變換（standard normal variate，SNV）、MSC 方法[15]對原始光譜進行預處理。

1.2.4 模型建立

試驗采用PLS-DA、KNN 法及RBF-SVM 法建立牛肉品種鑒別模型。PLS-DA 算法是在PLS 回歸算法基礎上建立樣本分類變量與光譜特征間的回歸模型的分類方法。KNN 算法是將一個樣本在特征空間中的K 個最相似或者最鄰近的樣本進行比較，樣本中的大多數屬于某一類則將該樣本歸結為此類[16]。RBF-SVM法是基于統計學習理論提出的一種機器學習識別方法，對非線性及高維信息識別具有較好的處理能力。該算法的原理將向量映射到高維空間，構建一個超平面，進而建立合適的分隔超平面，使兩個與之平行的超平面距離達到最大，從而解決復雜數據的分類及回歸問題。用The Unscrambler X 10.4 對光譜數據進行預處理[13]，其余算法在Matlab R2016a 中實現。

2 結果與討論

2.1 光譜反射率曲線分析

對5 種牛肉樣品的光譜數據取平均，得到的平均光譜曲線如圖1 所示。

圖1 牛肉樣品平均光譜圖Fig.1 The original average spectra

由圖1 可以看出，不同品種牛肉的光譜曲線走勢相似。其中，奶牛肉的反射率值明顯低于其他牛肉。在400 nm～590 nm 波段范圍內，反射率較低。而在650 nm～780 nm 波段，光譜反射值較高。

在可見光區域，牛肉中的肌紅蛋白與血紅蛋白相互作用，使其肉色呈現紅色；在近紅外區域，光譜吸收取決于物質分子基團中光子能量吸收與能級躍遷，不同物質具有特定的波長吸收組合，牛肉脂肪、蛋白質及水分含量約占牛肉總質量的99%，因此光譜吸收主要與其本身所含的-OH，-CH 和-NH2等基團密切相關。由圖1 可以看出，在部分波段范圍內存在光譜交叉及重疊現象，但是在690 nm～930 nm，各波段反射率差異比較明顯，這為牛肉品種的快速判別提供了大量信息。

2.2 預處理方法的選擇

經不同預處理方法后建立PLS-DA 模型，結果見表1。

由表1 可知，經過FD 法預處理后所建模型的交互驗證中最小錯誤率最小為0.08，其模型的準確率達到95.33，表明采用一階導數預處理所建模型的準確性最好。故選擇FD 方法對原始光譜進行預處理。

表1 不同預處理方法后的PLS-DA 模型結果Table 1 The results of PLS-DA models by different pretreatment methods

2.3 樣本集劃分

樣本集的劃分方法在一定程度上決定了所建模型的優略性，該研究利用SPXY 法對樣本劃分進行劃分。對牛肉樣品進行取樣時選擇3/4 樣本作為校正集，剩余1/4 作為預測集。樣本劃分結果見表2。

表2 利用SPXY 法劃分樣本結果Table 2 The results of sample partitioning by SPXY

2.4 建模方法及建模結果的比較分析

2.4.1 建模參數的設定

KNN 算法中最重要的是K 值的確定。K 值不僅會影響模型的穩定性，同時對模型的預測效果也有很大的干擾[13]。試驗中將最大主成分數設定為10，利用馬氏距離算法[17]并進行數據歸一化處理，采用百葉窗交互驗證[18]，設置交互驗證組數為10，尋找交互驗證錯誤率最小處即為最佳K 值，結果見圖2。

圖2 KNN 算法中K 值選擇Fig.2 K values selection for KNN algorithm

由圖2 可知，當K=6 時，錯誤率達到最低值，所以選擇K=6 時建立KNN 模型。

在建立PLS-DA 模型時，將模型的最大主成分數設定為20[13]，數據歸一化處理后，采用百葉窗交互驗證[19]，設置交互驗證組數為10，原始光譜的交互驗證錯誤率隨主成分數的變化見圖3。

圖3 交互驗證中不同主成分下的錯誤率Fig.3 Error rate of different principal components in cross validation

由圖3 可知，在主成分數為11 時誤判率最低，故將11 確定為最優主成分數。

2.4.2 建模結果

將經FD 法預處理后的光譜數據，分別建立基于全部波段的KNN、PLS-DA、RBF-SVM 牛肉品種判別模型，并對模型效果進行比較分析，模型結果見表4。

綜上可知，RBF-SVM 法所建模型的校正集準確率與預測集準確率均高于KNN、PLS-DA 算法，RBF-SVM 法所建模型結果較好，校正集與預測集準確率分別為100%、99%。

表4 5 個品種牛肉的鑒別準確率Table 4 Identification accuracy of five beef breeds

3 結論

本文利用近紅外高光譜技術，在400 nm～1 000 nm對5 種不同牛肉品種進行判別，采集其高光譜圖像，提取其光譜信息，對比分析不同的光譜預處理方法，優選出FD 預處理方法；并采用SPXY 法劃分樣品；然后分別建立基于全波段和特征波長下的PLS-DA，KNN 及RBF-SVM 牛肉判別模型。RBF-SVM 法所建模型的校正集與預測集準確率分別為100%、99%，具有較好的判別效果，為牛肉品種快速無損判別提供理論依據。