基于高光譜和超聲成像技術(shù)的原切與合成調(diào)理牛排鑒別

孫宗保，王天真，鄒小波,*，劉 源，梁黎明，李君奎，劉小裕

（1.江蘇大學(xué)食品與生物工程學(xué)院，江蘇 鎮(zhèn)江 212013；2.鎮(zhèn)江市食品藥品監(jiān)督檢驗中心，江蘇 鎮(zhèn)江 212000）

調(diào)理牛排是以牛排為原材料，加入適量調(diào)味料和食品添加劑，經(jīng)過切分、滾揉腌制和包裝等加工過程，食用前只需簡單熱處理的一種非即食肉制品。因其滋味鮮美、營養(yǎng)豐富、食用方便等特點深受消費者喜愛[1]。根據(jù)原料的完整性，調(diào)理牛排可以分為原切調(diào)理牛排和合成調(diào)理牛排。合成調(diào)理牛排是以碎牛肉為原料，額外添加酪蛋白酸鈉、谷氨酰胺轉(zhuǎn)氨酶（transglutaminase，TG）或卡拉膠等黏合劑，拼接而成的整塊牛排。在添加黏合劑適量和正確標(biāo)識的情況下，合成調(diào)理牛排是合法的，且可以提高碎肉的利用率。而原切調(diào)理牛排口感滋味更好、營養(yǎng)成分更多、更受消費者歡迎，價格也相對較高[2]。一些不法商販為了謀取利益，將合成調(diào)理牛排充當(dāng)原切售賣，這不僅損害了消費者利益，還可能帶來食品安全問題。原切牛排內(nèi)部菌落總數(shù)不高，食用前不必加熱至全熟，而合成牛排內(nèi)部容易滋生細(xì)菌，需要烹飪至全熟殺滅細(xì)菌才可以安全食用。錯誤的標(biāo)識會導(dǎo)致消費者在食用合成牛排時未加熱全熟，引發(fā)健康問題。所以有必要采用快速無損的方法對原切與合成調(diào)理牛排進(jìn)行鑒別。目前對調(diào)理牛排的研究主要為工藝優(yōu)化[3]和常規(guī)品質(zhì)檢測[4]，鮮見原切與合成調(diào)理牛排的鑒別研究。

當(dāng)超聲波傳經(jīng)聲阻抗不同的相鄰介質(zhì)的界面時，會發(fā)生反射和折射。超聲成像技術(shù)通過收集并處理反射回波，將回波強(qiáng)度轉(zhuǎn)化為該位置像素點的灰度值，在計算機(jī)上形成圖像，通過超聲圖像可以對物質(zhì)內(nèi)部結(jié)構(gòu)做出評價。超聲成像技術(shù)因其快速無損、靈敏度高等優(yōu)點已廣泛運用于工業(yè)檢測[5-6]和醫(yī)療診斷[7-8]等領(lǐng)域，而近期有研究將超聲成像技術(shù)應(yīng)用于食品品質(zhì)檢測。鄒小波等[9]采集不同等級火腿腸的超聲圖像，提取圖像特征值后建立判別模型，實現(xiàn)火腿腸等級的快速判別。孫宗保等[10]利用超聲成像技術(shù)對冷鮮與解凍牛肉進(jìn)行鑒別，并通過質(zhì)構(gòu)、微觀結(jié)構(gòu)和理化指標(biāo)等信息對冷鮮與解凍牛肉的超聲圖像差異進(jìn)行解釋。研究利用圖像紋理特征值建立的鑒別模型取得較好的分類效果。這些研究結(jié)果表明，超聲成像技術(shù)在肉品品質(zhì)檢測方面有著良好的應(yīng)用前景。

高光譜成像技術(shù)能夠以數(shù)百個波長同時對樣本連續(xù)成像，同步獲取樣本的光譜信息和圖像信息，最終得到由不同波長下的二維圖像構(gòu)成的三維數(shù)據(jù)塊[11]。三維數(shù)據(jù)塊包含了圖像上每個像素點對應(yīng)的光譜數(shù)據(jù)，從另一個角度看，也包含了每個波長下的樣本圖像信息。高光譜成像技術(shù)在肉品品質(zhì)檢測方面已得到了廣泛應(yīng)用[12-14]。Kamruzzaman等[15]利用高光譜成像技術(shù)檢測紅肉中的持水量，通過回歸系數(shù)篩選特征波長后建立最小二乘支持向量機(jī)模型，模型的預(yù)測精度達(dá)到93%。謝安國等[16]利用高光譜成像技術(shù)構(gòu)建了調(diào)理牛肉在煎制過程中的品質(zhì)可視化模型，預(yù)測調(diào)理牛肉的水分和剪切力相關(guān)系數(shù)分別為0.908和0.763，研究表明高光譜成像技術(shù)具備檢測混有調(diào)料的復(fù)雜肉品的能力。

原切與合成調(diào)理牛排主要的區(qū)別特征是質(zhì)構(gòu)，超聲成像技術(shù)對質(zhì)構(gòu)差異具有敏感性[9]，因此可以通過超聲圖像對其進(jìn)行區(qū)分。對于高光譜成像技術(shù)，因為原切與合成調(diào)理牛排的表面紋理存在差異，而化學(xué)成分上相似，且紋理特征變量數(shù)量遠(yuǎn)少于光譜變量，因此采用高光譜數(shù)據(jù)中的圖像信息對原切與合成調(diào)理牛排進(jìn)行鑒別。研究最后將2 種技術(shù)所采集的圖像紋理信息進(jìn)行融合建模，并采用不同變量選擇方法優(yōu)化鑒別模型，以期為高光譜和超聲成像技術(shù)在調(diào)理牛排品質(zhì)鑒別中的應(yīng)用提供參考。

1 材料與方法

1.1 材料與試劑

牛排原料和輔料均購于鎮(zhèn)江麥德龍超市。

碳酸氫鈉、復(fù)合磷酸鹽（三聚磷酸鈉和六偏磷酸鈉）、TG、酪蛋白酸鈉和卡拉膠（均為食品級）河南千志商貿(mào)有限公司。

1.2 儀器與設(shè)備

圖1 超聲成像系統(tǒng)Fig. 1 Schematic illustration of the ultrasonic imaging system

如圖1所示，超聲成像系統(tǒng)由食品無損檢測實驗室自主研發(fā)。系統(tǒng)硬件部分主要包括UTEX 320型超聲信號發(fā)射/接收器（加拿大UTEX公司），直徑10 mm、焦距25.4 mm的20 MHz點聚焦型超聲波換能器（日本奧林巴斯公司），高速A/D數(shù)據(jù)采集卡（美國Agilent公司），三軸精密直線電機(jī)掃描機(jī)構(gòu)（廣東創(chuàng)鋒精工機(jī)械有限公司），計算機(jī)，樣品槽等。

圖2 高光譜成像系統(tǒng)Fig. 2 Schematic illustration of the hyperspectral imaging system

如圖2所示，系統(tǒng)硬件主要包括CCD攝像機(jī)（ImSpector V10E，芬蘭SPECIM公司）、Fiber-Lite DC950 Illuminator 150 W光纖鹵素?zé)簦绹鳧olan-Jenner公司）、SC30021A三軸精密電控平移臺（北京卓立漢光儀器有限公司）和計算機(jī)等部件構(gòu)成。軟件部分主要是Spectral Cube（芬蘭SPECIM公司）。

1.3 方法

1.3.1 樣本制備

原切調(diào)理牛排制作工藝流程：原料肉修整→切片→配制腌制液→滾揉腌制→密封包裝。操作要點：原料肉修整時，先剔除肉眼可見的筋膜和血塊，然后將肉切成12 mm左右的塊狀。每1 kg原料肉對應(yīng)稱取15 g食鹽、5 g白砂糖、20 g香辛料、3 g碳酸氫鈉、3 g復(fù)合磷酸鹽和150 mL水，混合攪拌溶解后作為腌制液。將切塊后的原料肉和腌制液放入真空滾揉機(jī)中滾揉1 h。最后將牛排放入托盤中進(jìn)行密封包裝。

合成調(diào)理牛排制作工藝流程：原料肉修整后絞碎→配制腌制液和復(fù)配黏合劑→滾揉腌制→冷凍后切片→密封包裝。其中復(fù)配黏合劑為0.3% TG、0.85%酪蛋白酸鈉和0.3%卡拉膠，添加量參照馬婭俊[17]的方法。操作要點：原料肉修整后絞碎處理，加入腌制液滾揉1 h，然后灌裝至腸衣模具中并排凈空氣，在冰箱冷藏2 h黏合后，冷凍10 h。取出后用鋸骨機(jī)切片，厚度為12 mm，最后進(jìn)行托盤包裝冷藏解凍。原切和合成調(diào)理牛排各制作60 個樣本，編號后依次進(jìn)行高光譜和超聲圖像采集。

1.3.2 超聲成像數(shù)據(jù)采集

超聲圖像采集參數(shù)：脈沖電壓250 V；脈沖寬度25 ns；脈沖重復(fù)頻率800 Hz；增益40 dB；分辨率0.1 mm；掃描速率5 mm/s。

1.3.3 高光譜成像數(shù)據(jù)采集

在采集前先打開系統(tǒng)預(yù)熱30 min，減少基線漂移的影響。通過光譜采集軟件Spectral Cube設(shè)置采集參數(shù)：CCD攝像機(jī)曝光時間為45 ms，圖像分辨率1 628×1 235；光譜范圍為431～962 nm，采樣間隔為0.858 nm。設(shè)置步進(jìn)電機(jī)運動參數(shù)：電控平移臺移動速率為0.9 mm/s，快進(jìn)位移量為180 mm。采集時將樣本置于電控平移臺上，打開平移臺裝置的同時點擊保存按鈕采集高光譜圖像數(shù)據(jù)，掃描得到樣本的三維數(shù)據(jù)模塊。高光譜數(shù)據(jù)采集過程易受光強(qiáng)不均勻和暗電流等影響，導(dǎo)致數(shù)據(jù)中含有噪聲，因此對獲取的原始圖像進(jìn)行黑白板校正。

1.4 數(shù)據(jù)處理

1.4.1 紋理特征值提取

紋理一般是指圖像灰度在分布上的重復(fù)或變化。灰度共生矩陣（gray-level co-occurrence matrix，GLCM）法[18]是一種最為經(jīng)典且廣泛應(yīng)用的基于統(tǒng)計規(guī)律的紋理特征提取方法。從0°、45°、90°、135°四個方向上計算GLCM，提取各方向下的角二階矩、對比度、相關(guān)性和逆差矩，并計算圖像的熵、各向異性、平均灰度值和方差，得到共計20 個紋理特征變量。

1.4.2 模式識別方法

鑒別模型可以分為線性和非線性分類算法，本實驗采用線性分類方法中的線性判別分析（linear discriminant analysis，LDA）和K最鄰近（K-nearest neighbor，KNN），非線性分類算法中的反向傳播人工神經(jīng)網(wǎng)絡(luò)（back propagation artificial neural network，BP-ANN）和極限學(xué)習(xí)機(jī)（extreme learning machine，ELM）4 種鑒別模型。

LDA是利用投影映射將數(shù)據(jù)變換至最佳矢量空間，并保證在新的空間內(nèi)類間的距離盡量大、類內(nèi)的距離盡量小[19]。KNN是數(shù)據(jù)挖掘技術(shù)中的一種有監(jiān)督的學(xué)習(xí)模式識別方法，其根據(jù)距離公式計算出最接近測試樣本的K個已知樣本，然后將測試樣本判定為這K個樣本中出現(xiàn)次數(shù)最多的類別[20]。BP-ANN是應(yīng)用較多的一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，其模擬人腦構(gòu)建多個交叉聯(lián)系的數(shù)據(jù)單元形成神經(jīng)元結(jié)構(gòu)，不斷迭代正向和反向傳播過程，直至誤差小于設(shè)定閾值或者到達(dá)迭代次數(shù)。ELM是一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)，訓(xùn)練時僅需設(shè)置網(wǎng)絡(luò)隱含節(jié)點的個數(shù)，克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)繁多、迭代過程復(fù)雜、容易陷入局部最小的問題，具有泛化性能好、學(xué)習(xí)速率快等優(yōu)點[21-22]。

1.4.3 變量選擇方法

采用連續(xù)投影法（successive projections algorithm，SPA）、競爭性自適應(yīng)重加權(quán)算法（competitive adaptive reweighted sampling，CARS）、變量組合集群分析（variables combination population analysis，VCPA）法3 種變量選擇方法。

SPA是一種前向式的變量選擇方法，可以使變量之間共線性最小化，很大程度上減少變量的個數(shù)[23]。SPA任意選中一個變量作為起點，計算其在剩余變量上的投影值，將投影值最大的變量加入這個組合中。迭代這一步驟，最終獲得最低限度冗余信息的變量組合[24-25]。

CARS通過蒙特卡羅采樣隨機(jī)抽取校正集的一部分樣本建立偏最小二乘回歸（partial least square，PLS）模型，計算此次采樣中變量回歸系數(shù)的絕對值權(quán)重，再利用指數(shù)衰減函數(shù)（exponentially decreasing function，EDF）去除絕對值較小的變量點，剩余的變量以其回歸系數(shù)的絕對值作為權(quán)重采用自適應(yīng)重加權(quán)采樣（adaptive reweighted sampling，ARS）建立PLS模型并計算交叉驗證均方根誤差（root mean square error of cross validation，RMSECV），當(dāng)RMSECV最小時對應(yīng)變量即為選擇的光譜數(shù)據(jù)特征變量[26-27]。

VCPA首先利用二進(jìn)制矩陣采樣（binary matrix sampling，BMS）法從樣本變量空間中采樣K組變量子集，對獲得的K組變量子集建立PLS模型計算RMSECV，保留RMSECV最低的σ×K組變量子集。再統(tǒng)計這些變量子集中每個變量出現(xiàn)的概率，利用EDF刪除頻率較小的變量。將剩余變量進(jìn)行上述過程的迭代，最后計算出剩余變量間所有可能組合的RMSECV，選擇RMSECV最小的變量組合作為最終建模數(shù)據(jù)[28-29]。

2 結(jié)果與分析

2.1 基于超聲圖像的鑒別分析

圖3 原切與合成調(diào)理牛排超聲圖像Fig. 3 Ultrasound images of raw and restructured beef steak

從圖3可以看出，原切調(diào)理牛排圖像整體反射回波強(qiáng)度較大，圖像內(nèi)部的均一性較差，部分區(qū)域的回波強(qiáng)度與相鄰區(qū)域差異明顯；而合成調(diào)理牛排圖像整體反射回波強(qiáng)度較小，部分區(qū)域超聲信號微弱，圖像整體均一性較好。根據(jù)超聲成像的原理，當(dāng)超聲波傳經(jīng)聲阻抗不同的相鄰介質(zhì)的界面時發(fā)生反射，計算機(jī)根據(jù)該像素點的反射回波大小賦予對應(yīng)灰度值，從而形成圖像。所以反射回波的強(qiáng)度反映了試樣內(nèi)部質(zhì)構(gòu)變化的程度，回波強(qiáng)度越大則表明介質(zhì)內(nèi)部質(zhì)構(gòu)變化程度越大。合成調(diào)理牛排中添加了復(fù)配黏合劑：TG、酪蛋白酸鈉和卡拉膠。TG通過催化轉(zhuǎn)酰胺基反應(yīng)，使蛋白質(zhì)分子之間共價交聯(lián)形成凝膠，形成的穩(wěn)定共價鍵在一般食品加工過程中不會斷裂[30-31]。酪蛋白酸鈉和卡拉膠可以提升肉制品的凝膠特性、黏稠度和持水能力等[32]。這些黏合劑通過提取蛋白質(zhì)基質(zhì)黏合，改變了碎肉原先的紋理結(jié)構(gòu)，使肉塊組織趨于均勻、合理的分布，因此內(nèi)部質(zhì)構(gòu)差異較小，反射回波強(qiáng)度也較小。而原切調(diào)理牛排樣本中存在未剔凈的血管和筋膜，且生物組織有多樣性的特點，所以反射回波強(qiáng)度較大、超聲圖像均一性較差。

利用GLCM提取原切與合成調(diào)理牛排超聲圖像的20 個紋理特征值，通過主成分分析（principal component analysis，PCA）對紋理特征值進(jìn)行處理后作為輸入變量，分別建立LDA、KNN、BP-ANN和ELM鑒別模型，結(jié)果如表1所示。ELM模型鑒別準(zhǔn)確率最高，校正集識別率為95.00%，預(yù)測集識別率為90.00%；非線性模型鑒別效果優(yōu)于線性模型，這是因為原切合成判定與其紋理特征值并非簡單的線性相關(guān)，非線性模型在處理繁瑣問題上更具優(yōu)勢。

表1 基于超聲圖像的不同鑒別模型的識別率Table 1 Recognition rates for calibration and prediction sets of different models based on ultrasound images

2.2 基于高光譜圖像的鑒別模型

采集的高光譜數(shù)據(jù)中包含618 個波長下的灰度圖像，為了簡化運算、減少建模變量，利用PCA對高光譜原始圖像進(jìn)行降維處理，前3 個PC圖像累計貢獻(xiàn)率超過98%，可以有效代表樣本的原始信息（圖4）。

圖4 前3 個PC圖像Fig. 4 First three principal component images

利用GLCM提取每個圖像的紋理特征值，前3 個PC圖像共得到60 個紋理變量。對所有樣本高光譜圖像進(jìn)行處理后，得到120×60的變量矩陣，經(jīng)PCA處理后建立鑒別模型，結(jié)果如表2所示。各模型識別率整體高于基于超聲圖像的識別率，其中KNN和ELM模型的鑒別效果較好，校正集識別率都為97.50%，只有2 個樣本誤判，而KNN的預(yù)測集識別率更高，為95.00%。

表2 基于高光譜圖像的不同鑒別模型的識別率Table 2 Recognition rates for calibration and prediction sets of different models based on hyperspectral images %

2.3 基于超聲圖像和高光譜圖像數(shù)據(jù)融合的鑒別模型

2.3.1 基于超聲和高光譜圖像融合的不同鑒別模型的識別結(jié)果

表3 基于超聲和高光譜圖像融合的不同鑒別模型的識別率Table 3 Recognition rates for calibration and prediction sets of different models based on data fusion between ultrasound and hyperspectral images %

上述結(jié)果表明，超聲成像和高光譜成像技術(shù)都能夠快速無損地鑒別原切和合成調(diào)理牛排，取得了較好的效果，但它們的鑒別原理不同，為了獲取更加準(zhǔn)確的模型，將超聲圖像和高光譜圖像技術(shù)進(jìn)行融合建模。將超聲圖像和高光譜圖像的20 個和60 個紋理變量融合，獲得80 個紋理變量建模，模型結(jié)果如表3所示。可以看出，數(shù)據(jù)融合后各個模型的識別率均有不同程度的上升，其中，最佳模型ELM的校正集識別率達(dá)到100.00%，預(yù)測集識別率為97.50%，只有一個樣本識別錯誤。超聲成像技術(shù)主要是對樣本內(nèi)部質(zhì)構(gòu)情況的考量，而高光譜圖像主要是獲取樣本的表面紋理信息，將它們的數(shù)據(jù)融合，可以實現(xiàn)優(yōu)勢互補(bǔ)，獲取樣本的內(nèi)外全面信息，結(jié)合模式識別方法可以作出更加準(zhǔn)確的判定。各個模型識別率的上升表明數(shù)據(jù)融合取得較好的效果。

2.3.2 基于SPA的特征變量選擇

考慮到融合后的模型紋理變量較多，采用變量選擇方法對特征變量進(jìn)行篩選。利用SPA選擇特征變量時，設(shè)置選擇特征變量數(shù)量范圍1～25，根據(jù)均方根誤差（root mean square error，RMSE）選擇變量，選擇過程如圖5所示。從圖5可以看出，隨著變量數(shù)量的增加，RMSE值先快速下降，而后緩慢下降，最終選擇了7 個特征變量。

圖5 SPA選擇特征變量過程Fig. 5 Selection of feature variables by SPA

2.3.3 基于CARS的特征變量選擇

圖6 CARS選擇特征變量過程Fig. 6 Selection of feature variables by CARS

如圖6所示，采樣次數(shù)設(shè)置為100 次，隨著采樣次數(shù)增加，選擇的變量個數(shù)逐漸減少，減少速度先快后慢（圖6a）。開始RMSECV緩慢減小，說明一些無關(guān)變量在采樣過程中被去除。而后RMSECV階梯上升，一些關(guān)鍵變量被去除（圖6b）。如圖6c所示，星號標(biāo)記的位置RMSECV最小，此時采樣次數(shù)為14，對應(yīng)選擇15 個特征變量。

2.3.4 基于VCPA的特征變量選擇

VCPA運行參數(shù)設(shè)置如下：K個變量子集中最佳子集占比0.1，BMS運行的次數(shù)設(shè)為1 000，EDF運行的次數(shù)設(shè)為50，剩余變量數(shù)目設(shè)為14。如圖7所示，隨著EDF的重復(fù)運行，特征空間縮小，RMSECV整體呈下降趨勢，相關(guān)性較小的變量特征被刪除，剩下的變量被添加到最佳子集中。EDF運行結(jié)束后，計算選擇的14 個變量所有可能組合的RMSECV，并選取RMSECV最小的組合，最終選擇了12 個特征變量。

圖7 RMSECV隨EDF運行次數(shù)變化趨勢Fig. 7 Changes in RMSECV with the number of EDF runs

2.3.5 不同變量選擇方法下ELM模型的識別結(jié)果

表4 不同變量選擇方法下ELM模型的識別率Table 4 Recognition rates for calibration and prediction sets of ELM models based on different variables selection methods

利用表現(xiàn)最好的ELM模型對篩選后的變量進(jìn)行鑒別，結(jié)果如表4所示。SPA選擇的變量數(shù)量最少，但鑒別準(zhǔn)確率下降較大。CARS和VCPA分別選擇了15 個和12 個紋理變量，校正集和預(yù)測集識別率均達(dá)到100.00%，減少建模變量的同時，提高了預(yù)測集的識別率，也說明80 個紋理變量中存在冗余信息。技術(shù)融合結(jié)合變量選擇方法取得了很好的鑒別效果。

3 結(jié) 論

本實驗分別利用超聲成像和高光譜成像技術(shù)對原切和合成調(diào)理牛排鑒別，建立LDA、KNN、BP-ANN、ELM四種鑒別模型，并將它們的數(shù)據(jù)融合，結(jié)合變量選擇方法，以獲得變量少、精度高的鑒別模型。結(jié)果表明：合成牛排的肉塊組織均勻，超聲圖像信號弱、均一性好，與原切調(diào)理牛排圖像存在差異。提取超聲圖像紋理特征值建模，最佳模型為ELM，校正集和預(yù)測集識別率分別為95.00%和90.00%。利用PCA對高光譜圖像進(jìn)行降維，提取前3 個PC圖像紋理特征值建模，最佳模型為KNN，校正集和預(yù)測集識別率分別為97.50%和95.00%。將超聲成像和高光譜成像數(shù)據(jù)進(jìn)行融合建模，獲得ELM模型的校正集和預(yù)測集識別率分別為100.00%和97.50%，采用SPA、CARS、VCPA選擇特征紋理變量后建立ELM模型，CARS和VCPA選擇的紋理變量建立的模型校正集和預(yù)測集識別率均達(dá)到100.00%。研究表明超聲成像和高光譜成像數(shù)據(jù)融合結(jié)合變量選擇方法可以快速準(zhǔn)確地鑒別原切和合成調(diào)理牛排。