基于高光譜成像技術(shù)的三文魚肉脂肪含量可視化研究

章海亮 代啟 葉青 劉雪梅 羅微

摘要：采用高光譜成像技術(shù)實(shí)現(xiàn)三文魚的脂肪含量檢測(cè)，并基于Matlab編程語言實(shí)現(xiàn)三文魚肉脂肪含量分布的可視化。將5條整魚按照相同切分規(guī)則切分成100個(gè)三文魚樣本，并分別采集100個(gè)樣本的高光譜成像數(shù)據(jù)，在此基礎(chǔ)上，提取每個(gè)樣本感興趣區(qū)域的光譜數(shù)據(jù)。利用偏最小二乘（PLS）模型，對(duì)100個(gè)樣本的光譜數(shù)據(jù)進(jìn)行三文魚脂肪建模分析，其中75個(gè)樣本組成建模集，25個(gè)樣本組成預(yù)測(cè)集，分析結(jié)果顯示，預(yù)測(cè)集決定系數(shù)為0.913，均方根誤差（RMSEP）為0.921%。為簡(jiǎn)化模型，對(duì)全譜利用連續(xù)投影算法（SPA）提取特征波長(zhǎng)，然后基于特征波長(zhǎng)建立PLS模型，模型預(yù)測(cè)集的決定系數(shù)為0.913，均方根誤差為0.920%，說明模型得到簡(jiǎn)化的同時(shí)，精度并沒有降低。最后采用Matlab語言編程對(duì)三文魚的脂肪含量進(jìn)行可視化研究，結(jié)果顯示，基于Matlab語言編程可以很形象地表達(dá)三文魚的脂肪含量分布。

關(guān)鍵詞：三文魚;脂肪含量分布;偏最小二乘（PLS）模型;連續(xù)投影算法;可視化表達(dá)

中圖分類號(hào)： S126;TP391.4文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2019）18-0220-04

收稿日期：2018-06-13

基金項(xiàng)目：國家自然科學(xué)基金（編號(hào)：61565005）。

作者簡(jiǎn)介：章海亮（1977—），男，江西南昌人，博士，副教授，主要從事高光譜成像技術(shù)及其應(yīng)用研究。E-mail：hailiang.zhang@163.com。

通信作者：羅?微，碩士，講師，主要從事高光譜成像技術(shù)及其應(yīng)用研究。E-mail：15270030556@163.com。

三文魚是一種高檔魚類消費(fèi)品種，其肉質(zhì)細(xì)嫩，富含脂肪、維生素、蛋白質(zhì)和脂肪酸等物質(zhì)，近年來隨著我國對(duì)外貿(mào)易日益便捷，三文魚日漸成為我國消費(fèi)者喜歡的一種魚類消費(fèi)品種，其價(jià)格比一般的普通淡水魚相對(duì)高一些[1]。

三文魚的脂肪同蛋白質(zhì)一樣，是影響三文魚肉品質(zhì)的一個(gè)重要物質(zhì)，脂肪含量的高低，對(duì)三文魚的口感影響較大[2]。因此，三文魚的脂肪含量可作為評(píng)價(jià)三文魚品質(zhì)好壞的一個(gè)重要參數(shù)，脂肪含量是三文魚檢測(cè)參數(shù)中必須檢測(cè)的一個(gè)參數(shù)。傳統(tǒng)的三文魚脂肪含量檢測(cè)方法一般都是破壞性的，須將三文魚肉搗碎，并須經(jīng)過提取、分離等化學(xué)步驟，費(fèi)時(shí)費(fèi)力，且污染環(huán)境，不符合在線大批量實(shí)時(shí)檢測(cè)要求[3-4]。

近紅外光譜檢測(cè)技術(shù)作為一種近年來得到快速發(fā)展的無損檢測(cè)方法，在食品品質(zhì)檢測(cè)中得到大量應(yīng)用和研究，檢測(cè)精度較高[5]。但是近紅外光譜檢測(cè)方法只能檢測(cè)被檢測(cè)對(duì)象的內(nèi)在品質(zhì)屬性，如三文魚的蛋白質(zhì)、脂肪含量，不能反映被檢測(cè)對(duì)象品質(zhì)的空間屬性;而常規(guī)的圖像檢測(cè)方法只能檢測(cè)被檢測(cè)對(duì)象的外在空間屬性，不能對(duì)被檢測(cè)對(duì)象的內(nèi)在品質(zhì)屬性進(jìn)行表達(dá)，或者能表達(dá)但準(zhǔn)確度不能保證，隨著技術(shù)的發(fā)展，高光譜成像檢測(cè)技術(shù)因具備光譜檢測(cè)和圖像檢測(cè)的雙重優(yōu)勢(shì)，得到了廣泛關(guān)注和報(bào)道[6-9]。采用高光譜成像技術(shù)檢測(cè)三文魚品質(zhì)參數(shù)的研究在國內(nèi)外都有所報(bào)道，但采用高光譜成像技術(shù)檢測(cè)三文魚脂肪含量的同時(shí)進(jìn)行可視化表達(dá)的相關(guān)研究報(bào)道并不多見[10-15]。

本研究對(duì)100個(gè)三文魚樣本的脂肪含量進(jìn)行檢測(cè)，并采用偏最小二乘（PLS）建模方法進(jìn)行建模分析，在此基礎(chǔ)上，采用Matlab語言進(jìn)行編程，對(duì)三文魚的脂肪含量進(jìn)行可視化表達(dá)。

1?材料與方法

1.1?三文魚肉樣本

5條新鮮大西洋鮭整魚片購于加拿大蒙特利爾市當(dāng)?shù)爻小Ｃ織l魚總質(zhì)量為1 kg左右，誤差在±120 g范圍內(nèi)，所有樣本的長(zhǎng)度在50 cm左右，誤差為±3 cm。首先將每條魚分成背部和腹部2部分，然后分別將背部和腹部等分成10份，因此，每條三文魚樣本被細(xì)分成20塊試驗(yàn)樣本，5條三文魚共細(xì)分成100塊試驗(yàn)樣本。將每塊樣本裝入塑料袋中并編號(hào)，在2～4 ℃冰箱保存?zhèn)溆谩?/p>

1.2?采集高光譜成像數(shù)據(jù)

采集100塊三文魚試驗(yàn)樣本的高光譜成像數(shù)據(jù)，然后采用常規(guī)方法測(cè)定脂肪含量。長(zhǎng)波近紅外高光譜成像系統(tǒng)的波段范圍是900～1 700 nm，共有167個(gè)波段，2個(gè)光源與樣本平臺(tái)呈45°放置于金屬架上，距樣本平臺(tái)的高度為40 cm。為保證采集的高光譜成像數(shù)據(jù)圖像不失真、不變形，需要調(diào)整電荷耦合器件（CCD）相機(jī)的曝光時(shí)間、樣本輸送平臺(tái)的水平運(yùn)行速度和CCD鏡頭的高度，最終調(diào)試CCD相機(jī)鏡頭與樣本平臺(tái)的垂直距離為40 cm，曝光時(shí)間為0.9 s，平臺(tái)的水平運(yùn)行速度為1.58 mm/s。同時(shí)為消除光線不均和電子噪聲等產(chǎn)生的影響，需要對(duì)高光譜成像數(shù)據(jù)進(jìn)行校正，校正公式為

I=I0-BW-B×100%。（1）

式中：B為黑板數(shù)據(jù);W為白板數(shù)據(jù);I0為原始高光譜成像數(shù)據(jù);I為校正后高光譜成像數(shù)據(jù)。

1.3?脂肪含量測(cè)定和光譜數(shù)據(jù)提取

采用索氏提取法提取三文魚中的脂肪，采用的儀器為索氏脂肪提取儀，儀器型號(hào)為意大利Usmate公司生產(chǎn)的SER148。采用感興趣區(qū)域（ROI）法提取樣本光譜數(shù)據(jù)，選取的正方形ROI邊長(zhǎng)為80像素左右，取平均值得到每個(gè)樣本的光譜數(shù)據(jù)，光譜的波段數(shù)為167個(gè)，因此，最終的光譜矩陣維度為167×100。ROI光譜數(shù)據(jù)的提取在軟件ENVI 4.6中完成。

1.4?特征波長(zhǎng)選擇算法

連續(xù)投影算法（SPA）是一種常用的特征波長(zhǎng)提取方法，本研究采用的連續(xù)投影算法是基于Matlab語言工具箱的，運(yùn)行時(shí)需要設(shè)定光譜和樣本脂肪理化值的建模集和預(yù)測(cè)集，根據(jù)提取特征波長(zhǎng)數(shù)量需要，一般要設(shè)定一個(gè)波長(zhǎng)數(shù)量范圍閾值，本研究設(shè)定的波長(zhǎng)數(shù)量范圍閾值為5～30個(gè)。采用連續(xù)投影算法提取的特征波長(zhǎng)建立的模型，大大簡(jiǎn)化了建模數(shù)量，提高了模型運(yùn)行效率和精度，關(guān)于連續(xù)投影算法的原理詳見文獻(xiàn)[16]。

1.5?PLS回歸模型的建立

PLS回歸模型是一種線性模型，在光譜建模分析中的應(yīng)用較多，該建模方法將光譜變量轉(zhuǎn)變?yōu)榫S度更小的建模因子，同時(shí)生成建模回歸曲線，通過分析回歸曲線，可以提取有效波長(zhǎng)，以方便后續(xù)建模分析[17]。本研究中的100個(gè)樣本，75個(gè)組成PLS建模集，25個(gè)組成PLS預(yù)測(cè)集，模型的評(píng)價(jià)參數(shù)為決定系數(shù)和均方根誤差。PLS模型運(yùn)算在軟件Unscramble V9.7中完成。

1.6?三文魚樣本脂肪含量的可視化

在Unscramble計(jì)量分析軟件中利用PLS建模分析自動(dòng)生成一條回歸曲線，利用這條回歸曲線建立三文魚樣本脂肪含量的線性回歸方程，然后利用Matlab語言編程將通過回歸方程得到的每個(gè)樣本像素點(diǎn)脂肪含量指標(biāo)以圖形化的形式顯示在每塊樣本上。

2?結(jié)果與分析

2.1?三文魚樣本的光譜吸收曲線

基于ROI提取的光譜吸收曲線如圖1所示，可以看出，在1 100～1 300 nm近紅外區(qū)域的光譜反射率高于1 301～1 700 nm 區(qū)域，在1 180 nm左右處，存在較大的光譜吸收峰，這是由于三文魚樣本中的C—H、N—H及O—H等功能鍵在該波段處存在光譜吸收峰。

2.2?PLS模型分析

采用PLS模型預(yù)測(cè)三文魚樣本脂肪含量，結(jié)果（表1）可以看出，PLS建模集（校準(zhǔn)集）的決定系數(shù)和預(yù)測(cè)集的決定系數(shù)都較高，其中預(yù)測(cè)集的決定系數(shù)為0.913，均方根誤差為0.921%，且建模集決定系數(shù)和預(yù)測(cè)集決定系數(shù)數(shù)值較為接近，沒有出現(xiàn)過擬合和欠擬合現(xiàn)象。圖2為采用PLS模型得到的建模集和預(yù)測(cè)集樣本脂肪含量的散點(diǎn)圖，可以看出，PLS模型的預(yù)測(cè)結(jié)果較為理想，可以用于三文魚脂肪含量預(yù)測(cè)。

2.2?連續(xù)投影算法提取的特征波長(zhǎng)具體位置

為了提高模型運(yùn)行效率和簡(jiǎn)化模型的復(fù)雜度，采用連續(xù)投影算法提取特征波長(zhǎng)，原始光譜的波段數(shù)量為167個(gè)，采用連續(xù)投影算法后，提取到的波長(zhǎng)數(shù)量為6個(gè)（表2），圖3是采用連續(xù)投影算法提取的6個(gè)特征波長(zhǎng)在一條完整光譜曲線上的具體位置。表3列出了基于6個(gè)特征波長(zhǎng)建立PLS模型的評(píng)價(jià)參數(shù)，可以看出，PLS的建模集決定系數(shù)和預(yù)測(cè)集決定系數(shù)都較高，其中預(yù)測(cè)集的決定系數(shù)為0.913，均方根誤差為0.920%，且建模集決定系數(shù)和預(yù)測(cè)集決定系數(shù)數(shù)值較為接近，沒有出現(xiàn)過擬合和欠擬合現(xiàn)象，相對(duì)基于全譜建立的PLS模型而言，基于特征波長(zhǎng)建立的PLS模型不但預(yù)測(cè)精度稍有提高，而且極大地簡(jiǎn)化了模型，提高了模型的預(yù)測(cè)運(yùn)行效率。

2.3?三文魚肉脂肪含量的可視化

三文魚樣本的脂肪含量可視化效果如圖4所示，顏色由深到淺表示三文魚樣本脂肪含量由低變到高，可以看出，a～d 4個(gè)樣本試驗(yàn)塊的脂肪含量逐漸升高，與真實(shí)脂肪含量情況基本相符，說明采用可視化方法可以準(zhǔn)確表達(dá)三文魚的脂肪含量，且這種方法可以精確到像素級(jí)別，應(yīng)用前景非常廣泛。采用高光譜成像技術(shù)檢測(cè)三文魚脂肪含量的優(yōu)勢(shì)，比采用光譜技術(shù)更為明顯，以圖形的形式表達(dá)脂肪含量更加直觀，脂肪含量分布檢測(cè)的主要步驟如圖5所示。

3?結(jié)論

本研究采用高光譜成像技術(shù)對(duì)三文魚脂肪含量進(jìn)行檢測(cè)，并進(jìn)行可視化表達(dá)，首先獲取到三文魚的原始高光譜成像數(shù)據(jù)并進(jìn)行校正，然后提取樣本的光譜數(shù)據(jù)，建立PLS樣本脂肪含量預(yù)測(cè)模型， 并取得比較好的結(jié)果，在此基礎(chǔ)上，采用Matlab語言編程，利用回歸系數(shù)方程對(duì)三文魚脂肪含量進(jìn)行圖形可視化表達(dá)，該表達(dá)方法可精確到每個(gè)像素點(diǎn)，更形象直觀，應(yīng)用前景廣泛。

參考文獻(xiàn)：

[1]Xu J L，Riccioli C，Sun D W. Efficient integration of particle analysis in hyperspectral imaging for rapid assessment of oxidative degradation in salmon fillet[J]. Journal of Food Engineering，2016，169：259-271.

[2]ElMasry G M，Nakauchi S. Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality—A comprehensive review[J]. Biosystems Engineering，2016，142：53-82.

[3]Cheng J H，Sun D W，Pu H B. 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.

[4]Kamruzzaman M，Makino Y，Oshita S. Non-invasive analytical technology for the detection of contamination，adulteration，and authenticity of meat，poultry，and fish：a review[J]. Analytica Chimica Acta，2015，853：19-29.

[5]Dai Q，Cheng J H，Sun D W，et al. Prediction of total volatile basic Nitrogen contents using wavelet features from visible/near-infrared hyperspectral images of prawn （Metapenaeus ensis）[J]. Food Chemistry，2016，197：257-265.

[6]Wang L，Pu H B，Sun D W. Estimation of chlorophyll-a concentration of different seasons in outdoor ponds using hyperspectral imaging[J]. Talanta，2016，147：422-429.

[7]Wu X，Song X L，Qiu Z J，et al. Mapping of TBARS distribution in frozen-thawed pork using NIR hyperspectral imaging[J]. Meat Science，2016，113：92-96.

[8]章海亮，楚秉泉，葉?青，等. 高光譜成像技術(shù)鑒別魚新鮮度[J]. 光譜學(xué)與光譜分析，2018（2）：559-563.

[9]陶?瑞，史智佳，貢?慧，等. 傅里葉變換近紅外光譜技術(shù)快速檢測(cè)金槍魚新鮮度[J]. 肉類研究，2017（4）：43-49.

[10]He H J，Sun D W. Toward enhancement in prediction of Pseudomonas counts distribution in salmon fillets using NIR hyperspectral imaging[J]. LWT - Food Science and Technology，2015，62（1）：11-18.

[11]He H J，Sun D W. Inspection of harmful microbial contamination occurred in edible salmon flesh using imaging technology[J]. Journal of Food Engineering，2015，150：82-89.

[12]He H J，Wu D，Sun D W. Potential of hyperspectral imaging combined with chemometric analysis for assessing and visualising tenderness distribution in raw farmed salmon fillets[J]. Journal of Food Engineering，2014，126：156-164.

[13]Wu D，Sun D W，He Y. Novel non-invasive distribution measurement of texture profile analysis （TPA） in salmon fillet by using visible and near infrared hyperspectral imaging[J]. Food Chemistry，2014，145：417-426.

[14]He H J，Sun D W，Wu D. Rapid and real-time prediction of lactic acid bacteria （LAB） in farmed salmon flesh using near-infrared （NIR） hyperspectral imaging combined with chemometric analysis[J]. Food Research International，2014，62：476-483.

[15]He H J，Wu D，Sun D W. Rapid and non-destructive determination of drip loss and pH distribution in farmed Atlantic salmon （Salmo salar） fillets using visible and near-infrared （Vis-NIR） hyperspectral imaging[J]. Food Chemistry，2014，156：394-401.

[16]羅?微，杜焱喆，章海亮. PCA和SPA的近紅外光譜識(shí)別白菜種子品種研究[J]. 光譜學(xué)與光譜分析，2016（11）：3536-3541.

[17]王玉田，趙?煦，徐?婧，等. 基于U-PLS/RQL的油類混合物三維熒光導(dǎo)數(shù)光譜研究[J]. 中國激光，2016（5）：269-275.