基于不同預(yù)處理高光譜信息的雞肉滴水損失率快速預(yù)測研究

何鴻舉,王洋洋,王 魏,王 慧,馬漢軍,2,陳復(fù)生,王玉玲,朱明明,趙圣明

(1.河南科技學(xué)院食品學(xué)院,河南新鄉(xiāng) 453003;2.河南科技學(xué)院博士后研發(fā)基地,河南新鄉(xiāng) 453003;3.河南工業(yè)大學(xué)糧油食品學(xué)院,河南鄭州 450001;4.河南科技學(xué)院生命科技學(xué)院,河南新鄉(xiāng) 453003)

作為僅次于美國的雞肉生產(chǎn)和消費大國,我國雞肉產(chǎn)量年平均增長率保持在8%左右,占肉類產(chǎn)品的15%,2019年我國肉雞生產(chǎn)量約為1200萬t,消費量約為1190萬t[1]。雞肉具有脂肪含量低、膽固醇含量低、蛋白質(zhì)營養(yǎng)價值高、容易消化、價格低廉等特點[2],同時,雞肉含有對人體生長發(fā)育重要的多種礦物質(zhì)(如K、Na、Ca、Fe等)以及各種必需氨基酸,湯汁滋味鮮美,深受消費者青睞[3]。

雞肉品質(zhì)的優(yōu)劣關(guān)乎廣大消費者的飲食是否健康、安全,因此加大雞肉品質(zhì)的監(jiān)管力度十分必要。雞肉品質(zhì)常通過色澤、剪切力、保水性、pH、硫代巴比妥酸值等進(jìn)行評價[4]。其中,保水性是指雞肉在一定壓力下保持自身原有水分和從外界攝取水分的能力,是影響雞肉貯存時間、商家經(jīng)濟(jì)利益的重要因素。滴水損失率是反映雞肉保水性的指標(biāo)之一,滴水損失率越低,說明雞肉的保水性越好,品質(zhì)越高[5]。傳統(tǒng)檢測滴水損失率的方法主要以理化檢測為主,操作簡便、但需破壞樣品,且無法實現(xiàn)實時、現(xiàn)場、批量的快速檢測[6]。

1 材料與方法

1.1 材料與儀器

雞胸肉 由河南眾品食業(yè)股份有限公司提供。

HSI-eNIR-400-1700高光譜成像系統(tǒng) 上海五嶺光電科技有限公司;XY1000C電子天平 常州市幸運電子設(shè)備有限公司;冰箱 青島海爾集團(tuán);Unscrambler v9.7軟件 挪威CAMO公司。

1.2 實驗方法

1.2.1 樣品準(zhǔn)備 將河南眾品食業(yè)股份有限公司提供的冷鮮雞胸肉當(dāng)天運至肉品實驗室,在無菌超凈工作臺上經(jīng)過簡單修整后,人工分割成3 cm× 3 cm× 1 cm的立方體小塊,共獲得76個樣品(初始含水量為70.52%～76.73%)。將雞肉樣品置于一次性保鮮盒中,分裝、編號,0～4 ℃儲藏,待用。

1.2.2 光譜信息采集 試驗前先打開高光譜儀器預(yù)熱約30 min,使高光譜成像系統(tǒng)達(dá)到穩(wěn)定[13]。同時,為了減少系統(tǒng)誤差,需利用系統(tǒng)自帶軟件Spectral Image-NIR進(jìn)行系統(tǒng)校正,通過測試確定曝光時間為4.10 ms,移動平臺速度為6.56 mm/s,檢測波長范圍為900～1700 nm。試驗開始,將待測雞肉樣品從冰箱中取出放至室溫,然后將雞肉樣品置于高光譜系統(tǒng)的載物臺上,打開Spectral Image-NIR軟件掃描,獲取雞肉樣品的高光譜圖像。為了消除光源強(qiáng)度分布不均、暗電流以及樣品自身性質(zhì)的差異等對樣品圖像造成的影響,需對采集的原始高光譜圖像進(jìn)行黑白校正轉(zhuǎn)化為校正圖像[14],按以下公式(1)進(jìn)行:

式(1)

式中:R為校正圖像,R0為采集的原始圖像,RB為全黑圖像,RW為全白圖像。

圖像校正完成后,利用系統(tǒng)自帶軟件HSI Analyzer提取校正圖像感興趣區(qū)內(nèi)的每個像素點的光譜信息并做平均,結(jié)果每個雞肉樣品獲得一條平均光譜信息。

1.2.3 滴水損失率測定 參考Honikel[15]的測定方法,樣品采集過光譜信息后,立即將其置于電子天平上稱量,記錄原始重量為M1。稱重后,將肉樣穿線放到充氣的保鮮袋中,在0～4 ℃的冷藏室中懸掛24 h,再次稱重,記錄數(shù)值為M2。根據(jù)兩次稱重數(shù)值之差可獲得每個樣品的滴水損失率,計算公式如下:

式(2)

1.2.4 光譜信息預(yù)處理 光譜預(yù)處理可以有效減弱環(huán)境、高光譜系統(tǒng)自身所帶來的負(fù)面影響,以及樣品本身存在的差異,同時可提高模型的穩(wěn)定性。本試驗采用基線校正(Baseline Correction,BC)、標(biāo)準(zhǔn)正態(tài)變量校正(Standard Normal Variable Correction,SNV)、多元散射校正(Multiplicative Scatter Correction,MSC)、高斯濾波平滑(Gaussian Filter Smoothing,GFS)、歸一化校正(Normalization Correction,NC)五種方法進(jìn)行光譜預(yù)處理。BC預(yù)處理可以有效抑制基線漂移造成的誤差[16],SNV預(yù)處理主要用來消除樣品表面散射和光程變化的影響[17],MSC用來校正由于樣品表面分布不均產(chǎn)生的光譜散射[18],GFS預(yù)處理是通過加權(quán)求平均以提高信噪比[19],NC預(yù)處理可以減弱各個樣品之間的差異引起的誤差[20]。

1.2.5 模型構(gòu)建及性能評價 本文采用偏最小二乘(Partial Least Squares Regression,PLSR)建立光譜信息與測量指標(biāo)(如本試驗中的滴水損失率)之間的定量關(guān)系,目前已被廣泛應(yīng)用于數(shù)據(jù)統(tǒng)計中[21]。PLS在消除變量多重相關(guān)性方面有很大優(yōu)勢,能夠識別噪音等無用信息,可以提高模型的穩(wěn)定性和預(yù)測性能[22]。本試驗構(gòu)建的PLSR模型性能通過相關(guān)系數(shù)(rP、rCV、rP)、均方根誤差(RMSEC、RMSECV、RMSEP)、剩余預(yù)測偏差RPD和魯棒性ΔE(RMSEC和RMSEP之差的絕對值)等進(jìn)行評價。

1.2.6 最優(yōu)波長篩選及模型優(yōu)化 高光譜成像系統(tǒng)獲取的樣品光譜信息量大,本試驗采集的900～1700 nm范圍內(nèi)有486個波長,其中不止含有對模型有用的信息,同時也包含有干擾信息,因此需要篩選出對模型穩(wěn)定性和精度影響較大的波長即最優(yōu)波長,來優(yōu)化模型,提高模型的預(yù)測性能[23]。本試驗分別采用回歸系數(shù)法(Regression Coefficient,RC)[24]、連續(xù)投影算法(Successive Projections Algorithm,SPA)[25]和逐步回歸法(Stepwise)[26]篩選最優(yōu)波長。然后基于這三種方法選取的最優(yōu)波長建立PLSR模型和多元線性回歸(Multiple Linear Regression,MLR)模型。

1.3 數(shù)據(jù)處理

PLSR模型和MLR模型構(gòu)建以及RC法篩選最優(yōu)波長在軟件Unscrambler v 9.7中進(jìn)行,SPA法和Stepwise法篩選最優(yōu)波長在MATLEB R2016a中進(jìn)行。

隨著新生兒重癥監(jiān)護(hù)病房(neonatal intensive care unit，NICU)收治的新生兒數(shù)量逐年的增加，尤其是危重癥患兒的增多，使得使用機(jī)械通氣的患兒也不斷增加，機(jī)械通氣是搶救危重新生兒的重要手段。目前，呼吸機(jī)在NICU的有效應(yīng)用，顯著提高了危重新生兒的搶救成功率，同時機(jī)械通氣所導(dǎo)致的并發(fā)癥—呼吸機(jī)相關(guān)性肺炎(ventilator associated pneumonia，VAP)又是導(dǎo)致醫(yī)院感染，延長住院時間，增加住院費用，導(dǎo)致醫(yī)療成本上升的主要因素之一。VAP是機(jī)械通氣治療后的一種嚴(yán)重并發(fā)癥，發(fā)病率高達(dá)9% ～70%;而VAP

2 結(jié)果與分析

2.1 肉樣滴水損失率測量結(jié)果

將76個雞胸肉樣品滴水損失率測量值按照升序的方式排列,每4個測量值中取1個值劃入預(yù)測集(19個),剩余的測量值劃入建模集(57個),具體兩個集合測量值統(tǒng)計結(jié)果如表1所示:

表1 校正集和預(yù)測集樣品雞肉滴水損失率統(tǒng)計結(jié)果Table 1 Statistical results of drip loss rate in chicken samples in calibration set and prediction set

2.2 雞肉樣品的平均光譜特征

通過高光譜系統(tǒng)的HSI Analyzer軟件獲取的76個樣品的原始平均光譜特征以及經(jīng)過五種不同方法預(yù)處理的平均光譜特征如圖1所示。

由圖1可知,在900～1700 nm波長范圍內(nèi),雖然預(yù)處理方法不同,但是六種光譜中的光譜特征整體走勢基本趨于一致。光譜中吸收峰位置高低略有不同,這是由于每個肉樣的化學(xué)成分含量存在一定差異所致。此外,觀測到在980、1200 nm處有明顯的吸收峰,這分別源于肉樣組分中O-H鍵的倍頻吸收和O-H鍵的合頻吸收;在1450 nm處有很弱的吸收峰,這也源于O-H鍵的倍頻吸收[27]。

圖1 雞肉的平均光譜特征Fig.1 Average spectral characteristics of chicken注:a:原始光譜;b:BC光譜;c:SNV光譜;d:MSC光譜;e:GFS光譜;f:NC光譜。

2.3 基于全波段光譜預(yù)測雞肉滴水損失率結(jié)果

基于不同預(yù)處理的900～1700 nm范圍內(nèi)486個波長,建立雞肉滴水損失率的全波段PLSR預(yù)測模型,結(jié)果如表2所示。

表2 雞肉滴水損失率全波段PLSR回歸預(yù)測結(jié)果Table 2 Results of full band PLSR models for predicting drip loss rate of chicken samples

由表2可以看出,基于原始光譜和五種不同預(yù)處理光譜構(gòu)建的6種PLSR模型預(yù)測雞肉滴水損失率效果均良好,潛變量個數(shù)在8～10之間,相關(guān)系數(shù)(rC、rCV、rP)均在0.90以上,均方根誤差均較小(RMSEC、RMSECV、RMSEP),在0.23%～0.39%之間,RPD值在2.29～3.07之間。其中,基于BC光譜構(gòu)建的BC-PLSR模型使用的潛變量更少(9),rP最大(0.95),RMSEP最小(0.29%),同時RPD最大(3.07),ΔE最小(0.024),預(yù)測雞肉滴水損失率效果最好。簡言之,基于900～1700 nm光譜信息構(gòu)建PLSR模型可實現(xiàn)雞肉滴水損失率的快速預(yù)測。

2.4 最優(yōu)波長篩選結(jié)果

鑒于BC光譜構(gòu)建PLSR模型預(yù)測雞肉滴水損失率效果最好,本試驗基于BC光譜篩選最優(yōu)波長,以提高建模效率,采用RC法、SPA法和Stepwise法篩選最優(yōu)波長,結(jié)果如表3所示,這三種方法從BC光譜中篩選出的最優(yōu)波長數(shù)量分別為17個、14個和19個,波長減少量均在96%以上。

表3 篩選最優(yōu)波長結(jié)果Table 3 Results of optimal wavelength selection

2.5 基于最優(yōu)波長的PLSR模型預(yù)測雞肉滴水損失率結(jié)果

表4 基于最優(yōu)波長的PLSR模型預(yù)測雞肉滴水損失率結(jié)果Table 4 Results of drip loss rate prediction in chicken samples by PLSR models based on optimal wavelengths

由表4可知,基于RC、Stepwise和SPA三種方法從BC光譜中篩選的最優(yōu)波長建立的3種PLSR模型(RC-BC-PLSR,SW-BC-PLSR和SPA-BC-PLSR)預(yù)測雞肉滴水損失率效果均良好。相比之下,SW-BC-PLSR模型使用的波長數(shù)最少(14個),但其相關(guān)系數(shù)(rC、rCV、rP)均最大、均方根誤差(RMSEC、RMSECV、RMSEP)均最小,RPD值最大(3.82),ΔE值最小(0.0012),具有更好的精度和魯棒性,預(yù)測雞肉滴水損失率效果最好。

與BC-PLSR模型相比,RC-BC-PLSR模型和SW-BC-PLSR模型預(yù)測雞肉滴水損失率精度有所提高,而SPA-BC-PLSR模型預(yù)測雞肉滴水損失率精度有所下降,說明基于RC法和Stepwise法篩選的最優(yōu)波長更適合優(yōu)化BC-PLSR模型。其中,基于Stepwise法優(yōu)化效果最好。

2.6 基于最優(yōu)波長的MLR模型預(yù)測雞肉滴水損失率結(jié)果

當(dāng)波長數(shù)量(14～19)少于樣品數(shù)量(76)時,也可使用MLR算法構(gòu)建模型預(yù)測樣品指標(biāo)[28]。基于RC、Stepwise和SPA三種方法從BC光譜中篩選的最優(yōu)波長建立的3種MLR模型(RC-BC-MLR,SW-BC-MLR和SPA-BC-MLR)預(yù)測雞肉滴水損失率結(jié)果如表5所示。三種MLR模型預(yù)測效果均良好,其中SW-BC-MLR模型效果最好(rC=0.97、RMSEC=0.22%、rP=0.97、RMSEP=0.22%、RPD=4.19、ΔE=0.0036)。

表5 基于最優(yōu)波長的MLR模型預(yù)測雞肉滴水損失率結(jié)果Table 5 Results of predicting drip loss rate of chicken samples by MLR models based on optimal wavelengths

SW-BC-MLR模型和SW-BC-PLSR模型對比,預(yù)測雞肉滴水損失率效果相似,表明基于900～1700 nm光譜范圍內(nèi)的14個最優(yōu)波長(900.6、903.8、905.5、907.1、917.0、997.7、1162.2、1272.4、1354.8、1369.6、1410.8、1425.6、1584.1和1695.1 nm)構(gòu)建MLR模型也可實現(xiàn)雞肉滴水損失率的快速預(yù)測。

3 結(jié)論

試驗通過挖掘5種不同預(yù)處理(BC、SN、MSC、GFS、NC)的900～1700 nm高光信息與雞肉滴水損失率之間的定量關(guān)系。采用PLSR算法建立486個波長的PLSR模型預(yù)測雞肉滴水損失率,其中基于BC光譜建立的BC-PLSR模型預(yù)測效果最好(rc=0.95、RMSEC=0.27%、rP=0.95、RMSEP=0.29%、RPD=3.07、ΔE=0.024)。采用RC、Stepwise和SPA三種方法從BC光譜中篩選最優(yōu)波長優(yōu)化BC-PLSR模型,結(jié)果顯示基于Stepwise法篩選的14個最優(yōu)波長(900.6、903.8、905.5、907.1、917.0、997.7、1162.2、1272.4、1354.8、1369.6、1410.8、1425.6、1584.1和1695.1 nm)建立的SW-BC-PLSR模型預(yù)測雞肉滴水損失率效果最好,基于這14個波長建立的SW-BC-MLR模型和SW-BC-PLSR模型預(yù)測效果相近。表明基于900～1700 nm光譜信息構(gòu)建PLSR模型和MLR模型均可實現(xiàn)雞肉滴水損失率的快速預(yù)測。