光譜技術在水產品品質檢測中的應用研究進展

李鑫星，郭 渭，白雪冰，楊銘松

1.中國農業大學信息與電氣工程學院食品質量與安全北京實驗室，北京 100083 2.山東省煙臺市森林資源監測保護服務中心，山東 煙臺 264000

引 言

隨著我國消費者對于水產品的需求快速增加，水產養殖業和加工業也隨之急速發展，目前我國的水產品養殖規模位于世界首位。根據《2018年中國漁業統計年鑒》，2018年全國水產養殖面積約為7 449.03千公頃，水產品總產量達6 457.7萬噸。同時水產品進出口總額超300億美元，進出口總量超過900萬噸，產生了巨大的經濟效益[1]。魚蝦貝等水產品是重要的白肉來源，白肉肌肉纖維細膩、富含蛋白質、不飽和脂肪酸等多種人體必需元素，同時具有脂肪含量低、膽固醇含量低等特點，為廣大消費者所喜愛[2],為國人的飲食結構豐富性提供了重要的保障。

水產品品質檢測主要包括新鮮度檢測、質量分級、摻假分析、有害物殘留等方面[3-5]，傳統實驗室物理化學分析方法難以實現大批量樣品的快速、無損檢測，并且由于操作相對繁瑣而易出現人為誤差。近年來在水產檢測行業新興的光譜技術利用樣品測得的光譜特性來定性或定量研究物質結構和組成，具有快速、無損、測試重現度好，精度高、成本較低、方法簡便等優點[6]。目前，在基于光譜的水產品品質檢測技術當中，近紅外光譜技術起步早，相對成熟，屬于分子振動吸收光譜；高光譜成像技術將物體的光譜信息和圖像信息進行了融合，可精確采集每個像素點信息，并對檢測結果進行可視化；拉曼光譜是一種散射光譜,可與近紅外光譜相互補充以更好地研究分子振動狀態[7-9]。

分析了水產品質檢測中常用的各類光譜技術的優勢以及局限性，綜述了國內外光譜檢測技術在水產品品質檢測應用中的研究進展，及光譜數據預處理和建模的主要方法，最后，分析了水產品光譜檢測技術的未來發展趨勢。

1 水產品質檢測中光譜技術概述

基于光譜分析技術對水產品質進行檢測已成為近年來的一個研究熱點，光譜技術在水產品新鮮度檢測、有害物殘留檢測、有害微生物含量檢測、質量分級、摻假分析等方面具有良好的應用前景[10]。幾種常用的光譜技術特點如表1所示。

表1 水產檢測中3種常用光譜技術特點Table 1 Characteristics of three common spectral techniques for aquatic products quality inspection

1.1 光譜檢測技術的優勢

(1)快速。不需要對樣品進行繁瑣處理即可進行光譜采集，通過建立預測模型能迅速檢測水產中化學組分的含量或性質，大大縮短了檢測周期。Yu等利用高光譜成像技術結合深度學習算法快速預測冷藏期間太平洋白蝦的TVB-N含量，模型計算時間僅為3.9 ms[11]。

(2)無損。光譜檢測過程不會對樣品本身產生影響，待測樣品從外觀到內部的物質結構與性質都不發生變化，只需應用相關裝置采集光譜信息即可。鑒于這一特性，光譜檢測技術可以良好應用于水產品加工流水線及消費者市場。

(3)測試重現度高。樣品測得的每個特征波段處光譜特性可以代表相應物質的特性，根據特征波長處的波譜可推算出樣品中的物質組分與含量。由于光譜測量過程很少受外界因素的干擾,且儀器操作相對簡便不容易出現人為失誤，測量結果相對平穩。

(4)成本低。面向大規模檢驗時，光譜分析不消耗樣品和試劑，不論用于定性判別樣品性質還是定量檢測樣品成分都無需雇傭專業人員進行檢測[12]。通過多參數耦合建模，可有效同時預測多個指標含量，相對于傳統實驗室分析方法，顯著降低了大量檢測費用。

1.2 光譜技術局限性

(1)前期投入較高。模型的可靠性依賴于足夠的樣品數量，因此光譜分析的實現需提前選取大量代表性樣品進行定性或定量檢測，這一過程需要雇傭專業的檢驗員并且檢測周期長、成本高[13]。此外，研究人員建模過程相對復雜，精度符合要求的光譜分析儀器價格也相對昂貴，較難普及到大眾市場。

(2)模型普適性差且需持續維護。不同光譜方法適用于不同物質檢測，且不同檢測對象所適用的特征波段不同，難以實現同一方法全覆蓋檢測。另外，建模后難免會遇到模型對某些樣品預測效果差的情況,所以需要不斷對模型進行優化、修正和完善。鑒于以上特點，光譜分析技術適合于大規模連續檢測卻不適用于分散性樣品檢測。

(3)每種光譜技術都有其局限性和缺點。近紅外光譜靈敏度相對較低，譜帶較寬波峰易重疊，易受干擾，信噪比較低[14]；高光譜每個像素都含有連續的波譜信息，數據量極大，臨近波段冗余且間距狹窄導致了數據處理難度增加[15-16]；拉曼光譜波峰易重疊，且拉曼散射信號較弱[17]。

2 水產品質光譜檢測中的數據解析

利用光譜技術檢測水產品品質依賴于數學模型的建立。首先，要將樣本集劃分為訓練集和驗證集，建立訓練集模型的樣本應在組成及性質上與驗證集樣品基本一致。建立模型之前應先消除與樣本無關的信息與噪聲，并對光譜進行特征波段的提取。最后，需要對模型的泛化能力進行性能度量并不斷改進和優化。本文主要對水產檢測中常用的光譜預處理算法及光譜建模方法的研究進展進行討論和分析。

2.1 光譜數據的預處理

光譜采集過程中常遇到各種噪聲影響，主要為環境光噪聲，因此光譜數據預處理算法尤為重要。光譜數據預處理可以有效過濾無關信息和干擾因素對光譜或圖像的影響進而提高信噪比,從而保證模型預測結果的精度。目前水產品光譜檢測技術中的光譜數據預處理方法通常包括：SG平滑算法、導數法、標準正態變換法、多元散射校正法等。4種常見的光譜預處理算法的對比分析如表2所示。

表2 4種常用光譜預處理對比分析Table 2 Comparative analysis of fourcommon pretreatment algorithms of spectroscopy

2.1.1 SG平滑算法

SG平滑算法(Savitzky-golay Smoothing)基于最小二乘原理，是一種通過多次求光譜數據均值來降低誤差的多項式平滑算法，又稱卷積平滑算法,由Savizkg和Golag于1964年提出。可以過濾高頻信號來提高光譜數據的平滑性，提高信噪比[26]。Federico等基于可見光光譜檢測吲哚濃度，使用具有10點窗口的Savitzky-Golay平滑算法降低模型誤差，更好地確定了蝦的品質[27]。陳偉華采集羅非魚片近紅外光譜數據與魚肉TVB-N含量進行擬合，通過Savitzky-Golay卷積平滑對光譜進行預處理獲得了良好的去噪效果[28]。這種方法具有算法簡單、運行速度快的優點，隨著SG平滑算法窗口尺度選取的改變，濾波的效果也隨之發生改變，因而特別適合光譜數據的實時處理分析。

2.1.2 導數

在已經規定的國家和國際層面，以及相關行業的技術標準上，要采取針對性的措施。為達到水利信息化建設的標準要求，進行有效的針對性管理。

導數法(derivative)可以對波譜信號進行提取，消除基線漂移和斜率并提高分辨率，是常用的光譜預處理方法之一[29]。Vongsvivut等基于傅里葉變換的紅外光譜測定魚油中的脂肪酸組成，期間使用9點SG算法計算光譜二階導數[30]。Dai等使用11點的SG平滑算法計算VIS/NIR高光譜數據一階和二階導數，有效降低了提取數據的噪聲水平，提高對蝦分類的模型精度[31]。為了降低求導造成的噪聲影響,通常需要預先對原始光譜進行平滑處理，Savitzky-Golay卷積平滑法是常用的平滑處理方法。另外，若存在復雜干擾或使用了不合適的平滑參數，求導的結果可能無效。

2.1.3 標準正態變換

標準正態變換(standard normal variate transformation，SNV)可以消除光譜數據中的加性效應和乘性效應。在SNV轉換中，將每個光譜居中，然后按相應的標準偏差進行縮放，可以減少散射的乘法效應[32]。Nonthawong等利用SNV預處理的近紅外高光譜數據建立PLSR模型，用以識別金槍魚粉中的蝦粉[33]。吳浩等建立對冷凍和解凍狀態下魚糜的等級評定模型，使用標準正態變量變換法對近紅外光譜進行預處理，有效地消除了樣品表面的散射效應[34]。Grassi等使等用SNV對NIR數據進行預處理，用以區分大西洋鱈魚和黑線鱈的魚片[35]。進行SNV處理的前提是，光譜之間的變化主要通過整個波長范圍內的均勻乘法效應來建模。當不滿足該前提條件時，不適當的預處理可能降低信噪比。

2.1.4 多元散射校正

多元散射校正(multiple scattering correction，MSC)定義了一個參照光譜(通常是校準數據的平均光譜)，將每個光譜的基線和放大效應校正為參照光譜，MSC的目的與SNV 基本相同,主要是消除固體表面顆粒不均勻導致的散射影響[36-37]。Alamprese等建立了鑒別不同種類魚片的預測模型，通過MSC算法對NIR數據進行標準化達到降噪的目的[38]。Rahman等利用魚眼液的紫外線-可見(UV-Vis)光譜預測魚肉K值，結果顯示基于MSC預處理光譜數據為回歸模型提供了更好的性能[39]。MSC是常用的多波長光譜建模方法，能有效增強與樣品成分含量相關的波譜信息。它和SNV可相互轉換，是減少粒徑影響的兩種替代方法。

2.2 水產品質光譜檢測常用數據模型

光譜技術和化學計量學方法以及機器學習方法的結合為水產光譜檢測奠定了基礎，繼而可以建立穩定、可靠的分析模型，模型的好壞決定著預測精度的好壞，實際應用中應當根據任務復雜程度和訓練數據量的不同選擇合適的建模方法以達到最佳效果。4種常見的建模方法對比分析如表3所示。

表3 4種常用光譜建模方法對比分析Table 3 Comparative analysis of four common modeling methods of Spectroscopy

2.2.1 多元線性回歸

多元線性回歸(multiple linear regression，MLR)可以擬合單特征和多樣本之間的線性相關關系，通常也被稱為逆最小二乘法。光譜技術中多元線性回歸的原理為：多個光譜特征波長處的吸收譜帶深度與樣品的某種化學組分性質高度相關，從而可以找出與某種指標顯著相關的波段進行多元回歸得到多元線性回歸模型的參數[40]。Shi等基于高光譜數據最佳波長，建立了MLR校準模型，實驗結果表明，高光譜成像技術結合MLR方法可在線快速預測形狀不圓的蝦的水分含量以及分布[41]。Cheng等利用400～1 000 nm的高光譜波段測量草魚魚肉中的大腸桿菌菌落數，研究表明，簡化的MLR模型在預測大腸桿菌菌落數方面顯示出良好的有效性和魯棒性，并且可用來轉移圖像中的每個像素，以對大腸桿菌的空間分布可視化[42]。MLR方法適用于線性關系良好的簡單體系，只需知道樣品中被測組分的濃度和性質即可建立校正模型，計算過程簡單清晰明了，無需考慮交互干擾效應和非線性因果關系，但MLR方法在遇到多重共線性或者噪聲較強時往往預測效果不佳。

偏最小二乘回歸(partial least squares regression，PLSR)是一種擬合多因變量和多自變量的建模方法，常用于構建光譜數據的線性回歸模型，能有效去光譜數據的高度共線性[43-44]。Prieto等基于NIR的偏最小二乘判別分析正確地將100%的純化鮭魚片進行分類[45]。Masoum等的研究證明，PLSR結合NIRS技術非常適合于評估魚粉的蛋白質和水分含量[46]。徐富斌等采集大黃魚背部的NIR光譜,建立了全波段PLSR模型用以預測揮發性鹽基氮含量和菌落總數[47]。Yang等通過近紅外光譜技術對純魚粉進行偏最小二乘法建模，將摻假樣本區別出來[48]。Tito等研究了基于近紅外光譜方法檢測大西洋鮭需氧菌落數的方法，建立了PLSR預測模型，校準方程擬合良好(R2=0.95)。結果表明，通過進一步的模型開發，可使用NIR來預測海產品保存期限[49]。PLSR方法吸收融合了多元線性回歸(MLR)、典型相關分析(CCA)以及主成分分析(PCA)等方法的長處,簡化了數據結構,消除了變量間多重共線性。在光譜數據的多元線性回歸中，樣本量過少且變量間有多重相關性時，宜選用PLSR方法，該方法能有效降低計算量提升模型性能。

2.2.3 最小二乘支持向量機

最小二乘支持向量機(least squares support vector machine，LS-SVM)是SVM的變體，它與SVM一樣是基于邊際最大化原理的分類器，訓練模型只與支持向量相關。它使用核函數解決非線性問題中邊界劃分[50]。Wu等使用高光譜數據建立LS-SVM模型來預測蝦樣品的明膠濃度，結果表明，高光譜成像技術能良好應用于對蝦明膠摻假檢測[51]。章海亮等用高光譜成像技術檢測魚的新鮮度，采用最小二乘支持向量機作為分類模型，驗證集準確率達到98%[52]。Jun等利用高光譜成像技術對冷藏草魚片硬度進行分析，實驗結果表明LS-SVM性能優于PLSR[53]。LS-SVM適合于小樣本的學習環境，它繼承了SVM出色的泛化性能且更容易訓練，核函數將光譜數據映射到更高維特征空間，并求得最大化余量的超平面進行分類。超參數(正則化參數和內核參數)的選擇會影響LS-SVM的性能。

2.2.4 人工神經網絡

人工神經網絡 (artificialneural networks，ANN)是一種自學習自適應的非線性建模方法，它由大量相互聯系的基本單元組成，處理信息的方式類似于人類大腦，隨著硬件設備計算能力的劇增，人工神經網絡的優勢也越來越明顯。其中，誤差反向傳播神經網絡(back Propagation)是人工神經網絡的傳統代表,它的模型共分輸入層、隱層和輸出層3層，基于負梯度方向的梯度下降法對誤差函數進行訓練，通過誤差逆向傳播調節連接權值和閾值[54]。深度學習是近年來興起的一種復雜多隱層神經網絡模型，可對光譜圖像的每一個像素進行標記，通過大量數據訓練可有效降低模型過擬合導致的泛化不良[55]。Huang等融合近紅外光譜技術和計算機視覺技術預測魚的TVB-N含量，基于反向傳播(BP)人工神經網絡建立了非線性預測模型。結果顯示，訓練集和預測集的識別率分別達到96.67%和93.33%[56]。Wu等利用VIS/NIS光譜結合堆疊式降噪自動編碼神經網絡(SDAE-NN)算法，建立了預測鮭魚冷藏時間模型。結果表明，SDAE-NN比PLSR等常規方法具有更好的性能，且無需光譜預處理[57]。Yu等用堆疊式自動編碼器(SAE)和邏輯回歸(LR)組成的深度學習算法(SAEs-LR)建立了基于高光譜數據用以區分蝦新鮮度的模型。其中SAE算法用于高光譜圖像特征提取，LR算法用于高光譜圖像分類。實驗中，大量像素光譜(每只蝦800個隨機像素光譜)被用作輸入大數據集，通過像素光譜訓練完成后，將SAEs-LR應用于平均光譜，以區分蝦的新鮮度等級。結果表明，SAEs-LR分別在校準集和測試集中對蝦的新鮮度準確率達到了96.55%和93.97%[58]。人工神經網絡具有大規模并行數據處理能力，但容易遭遇過擬合，可通過正則化來降低泛化誤差。其中，近年來興起的深度學習可以用于處理高維光譜數據量過大所引起的特征選擇和建模難度增加，深度學習與高光譜圖像技術的結合在水產品質檢測中顯示出良好應用前景。

3 發展趨勢

隨著光譜技術在水產品質檢測領域的研究推進，其快速、無損、測試重現度好，精度高、成本低等優勢正逐漸體現出來。目前光譜技術在水產品質檢測應用尚處于研究階段，實際生產中應用較少，未來的研究關鍵點主要集中在以下幾點：

(1)建立精確、統一、全面、完善的水產品光譜分析模型庫，采用更加標準化的技術手段來促進水產品質光譜檢測的平臺化，真正實現水產品質的在線實時分析。另外，為了便于光譜檢測更多應用于消費者市場，應進一步降低設備成本，促進設備一體化和小型化，使光譜檢測具有低價、靈活、穩定、精確等優勢。

(2)能反應水產品質變化的指標較多，僅選取單一指標對品質進行預測，往往難以反映樣品真實品質。因此，可考慮結合多個檢測指標，同時增加波段范圍，使用多波段組合等方法進行指標相關性分析，從而對水產品質做出更加客觀準確的評價。

(3)樣品的光譜采集過程容易受到外界環境噪聲干擾，從而影響檢測結果的準確性。為了應對這種缺陷，應同時從設備層面和算法層面對環境干擾進行屏蔽，并且進一步改進光譜特征波段提取的算法，消除重復性檢測結果的隨機性，從而推動光譜技術實時在線檢測的產業化發展。