應用高光譜圖像檢測魚肉揮發性鹽基總氮含量研究

鄒金萍，章 帥，董文韜，章海亮*

1. 江西生物科技職業學院，江西 南昌 330013 2. 華東交通大學電氣與自動化工程學院, 江西 南昌 330013

引 言

隨著水產經濟的快速發展，消費魚肉產品成為人們的一種日常習慣，因此水產品的品質安全保障日益得到人們的關注，比如魚肉新鮮度準確判別對漁業生產者，消費者和零售商來說，都是一個很重要的問題，不新鮮的魚肉產品輕微影響口感，嚴重一點影響消費者的身體健康安全[1]。

具體到魚肉產品新鮮度指標參數而言，有各種成分含量參數、 物理特性如魚肉肌肉彈性、 水分含量、 表面顏色變化和化學變化如微生物菌落總數、K值含量以及揮發性鹽基總氮(total volatile basic nitrogen, TVB-N)等[2-4]。其中TVB-N指魚、 肉類樣品攪碎后經離心機高速旋轉離心后靜置一段時間，上層浸液在弱堿性條件下能與水蒸汽一起蒸餾出來的總氮量。一般在低溫條件下，肉，魚類揮發性鹽基氮的量達到30 mg/100 g時，即認為是肉質變質的標志[2]。

采用化學方法檢測魚肉新鮮度參數，通常都比較費時、 程序繁瑣，需要對魚肉進行破壞處理，且一般只能在實驗室完成，不能用于現場原位檢測，且需要接受過長時間專門培訓的人員才能勝任。物理方法檢測魚肉新鮮度參數往往又不夠準確，不能夠數字化定量魚肉新鮮度參數。因此，需要一種能夠現場、 快速、 安全的檢測方法[5]。傳統圖像處理只能檢測外部空間屬性，隨著機器視覺技術發展，對外部空間檢測的精度越來越高，但還是無法對其內部的品質進行準確的定量表達[17]。近紅外光譜檢測雖然能檢測內部的品質屬性，如三文魚的TVB-N含量，但缺乏檢測分析外部空間屬性的能力[18]。高光譜成像檢測同時集合了兩種常規方法的特性[6]，在每個光譜波段上生成高光譜圖像，既獲得了實驗對象的光譜特性信息，又獲取了其外部的空間圖像信息，具有同時分析內外部屬性的優點。在國內外，高光譜檢測三文魚的理化值已有一定的研究[3, 7-8]，但是采用波長范圍在900～1 700 nm的高光譜成像技術檢測三文魚TVB-N含量并同時進行可視化處理，以此評價魚肉產品新鮮度相關研究報道卻很少。

本實驗將100個魚肉樣本隨機分為校正集75個樣本和預測集25個樣本。首先獲取三文魚的高光譜信息和檢測TVB-N的含量，然后用LS-LVM和PLS建立模型，最后采用matlab2010a編程對圖像進行處理，對三文魚的TVB-N含量進行可視化表達。

1 實驗部分

1.1 三文魚肉樣本

從加拿大蒙特利爾當地市場購買了五條三文魚，每條重約1 kg，正負120 g誤差，并立即運到實驗室。新鮮三文魚被屠宰，斬首，掏內臟，剝皮，收集，然后用冷水清洗。每條三文魚按照背面和反面(腹部)進行分割處理，背面和反面(腹部)各10等分，每條三文魚制作成20個樣本，用塑料薄膜包裝在4 ℃下保存12 h，拿出樣本，在室溫條件下放置2 h，以模擬供應鏈中的溫度條件。

1.2 采集高光譜成像數據

圖像數據是利用如圖1所示的基于光譜儀的高光譜成像系統所獲取。整個系統主要包括一組CCD 攝像機(Hamamastsu), 一套150W的光纖鹵素燈(SCHOTT DCRⅢ)，一臺ImSpector V10E高光譜攝像機(芬蘭Specimen公司)，一組輸送裝置和計算機(HP，Inter Core i5-2320@3.00GHz)等部件組成。

圖1 高光譜圖像系統檢測原理圖Fig.1 Imaging system schematic diagram of hyperspectral

為了最大限度地減少背景噪聲以及成像系統物理配置差異的影響，需要將原始采集的高光譜圖像(R0)校準到反射模式，并采集黑板(B)和標準白板(W)圖像數據用于校正分析。黑板圖像(～0%反射)是在用黑色蓋帽完全蓋住相機鏡頭后，通過記錄光譜圖像獲得的黑板數據。白板參考圖像數據是使用均勻的反光白色聚四氟乙烯(約99%反光)獲得的數據。校準圖像(RC)由式(1)計算

(1)

式(1)中，B為黑板，W為標準白板，R0為原始高光譜成像數據。

將100個三文魚片放置在移動平臺上，然后以1.58 mm·s-1的調整速度逐行掃描到攝像機的視野區域，進行高光譜成像采集，平臺與樣本的垂直距離為40 cm，兩側的線光源投射夾角為90°。采集到的100幅高光譜圖像數據以原始格式生成、 記錄和存儲。

1.3 TVB-N含量測定

TVB-N含量采用蒸餾法測定[9]，具體為，取10 g魚肉，90 mL高氯酸，魚肉搗碎并采用3 000轉·min-1的離心機運行10 min。在蒸餾液中加入50 mL 30%氫氧化鈉，再蒸餾5 min，制得堿液。將蒸餾堿液收集在含有50 mL硼酸水溶液(40 g·L-1)的錐形瓶中，并將0.1 g甲基紅和0.1 g溴甲酚綠溶解到100 mL 95%乙醇中，形成混合指示劑。隨后，用0.01 mL鹽酸溶液滴定所得硼酸溶液。測定TVB-N值，根據鹽酸消耗量以mg N/100 g表示，重復測定三次，取平均值，結果如表1。

表1 采用傳統方法測量TVB-N含量(mg N/100 g)

2 結果與討論

2.1 魚樣本的光譜

圖2顯示了在900～1 700 nm波長范圍內魚肉樣本的高光譜圖像的平均反射光譜。可以明顯地看出，在7～17 mg N/100 g范圍內，不同TVB-N值的魚肉光譜，顯示出相似的趨勢，但光譜幅度存在一些差異，這可能是由于魚肉鮮度損失過程中主要化學成分的變化所致。根據反射值，一個顯著的吸收峰位于約1 180 nm處，可能與有機飼料成分的殘留有關。

2.2 LS-SVM和PLS模型的建立

LS-SVM建模方法是一種經典的非線性光譜數據建模方法，被廣泛應用光譜分析領域，其利用非線性映射函數和映射特征到高維空間，采用拉格朗日乘子法計算各特征的偏微分，以達到最優解[10-12]。PLS是一種線性建模方法，在化學計量分析中應用很多，PLS將光譜波長數據轉變為維度更小的潛在因子變量[13]。

圖2 不同TVB-N含量值三文魚樣本的光譜曲線圖Fig.2 The reflectance spectra of salmon fish filletsat different TVB-N values

采用LS-SVM和PLS建模后，預測三文魚TVB-N含量結果如表2，LS-SVM的校正集和預測集的決定系數分別為0.919和0.918，預測均方根誤差分別為2.292%和2.312%，PLS的校正集和預測集的決定系數分別為0.905和0.907，預測均方根誤差分別為2.742%和2.751%。基于全波長建立的PLS和LS-SVM模型的校正集和預測集樣本散點圖如圖3所示，與PLS模型相比，LS-SVM模型的效果更為優秀，可對魚肉TVB-N含量分布進行檢測。

表2 LS-SVM和PLS模型預測結果Table 2 Prediction results of LS-SVM and PLSbased on full spectral parameters

圖3 三文魚TVB-N含量PLS(a)和LS-SVM(b)全波長模型校正集和預測集散點圖

2.3 連續投影算法提取特征波長

魚片樣品高光譜圖像具有高維性、 冗余性和相鄰波段間的多重共線性。因此，在多變量分析中，剔除無用的或不必要的波長，選擇攜帶反映TVB-N含量變化的最有價值信息的最佳波長成為一個關鍵步驟。SPA作為一種前向變量選擇方法，以解決最小冗余度下的共線性問題為目的，被證明是多元校正框架下變量選擇的有效工具和策略[13-15]。

圖4 采用SPA提取特征波長具體位置Fig.4 Position of selected effective wavelengths by SPA

表3 應用SPA提取特征波長值Table 3 Effective wavelengths selected by SPA

表4 基于特征波長建立SPA-LS-SVM和SPA-PLS模型

2.4 魚肉TVB-N含量的可視化

TVB-N主要是由于酶和微生物活性的影響而引起的蛋白質降解所產生的氨和胺，這一重要指標的含量能夠有效地反映出鮮度質量的損失。因此，TVB-N分布的可視化有助于進一步解釋與蛋白質分解有關的化合物的動態變化，以指示新鮮度的損失程度[9, 16]。

SPA-LS-SVM模型展現了其準確性高和運算速度快的特點，選擇為最適合TVB-N預測模型，用來將高光譜圖像中的每個像素轉換成相應的TVB-N值并在魚肉圖片上以不同顏色展示。圖5顯示了四個不同TVB-N值的可視化示例，可以明顯地觀察到，可視化圖中的不同顏色反映了魚肉樣本中與圖像像素的光譜變化相對應的TVB-N值。同時，魚肉樣品的TVB-N分布密度是不均勻和不對稱的，因為TVB-N包括含氮化合物(如魚肉蛋白質)降解的成分也是不均勻和不對稱的。因此，TVB-N的分布有助于解釋這些化學物質的降解速度，本研究采用如下步驟對魚肉TVB-N含量分布進行檢測，如圖6所示。

3 結 論

通過高光譜圖像技術實現了對魚的TVB-N含量檢測，采取SPA算法提取8個最佳波長，并作為輸入到LS-SVM和PLS模型，實驗表明，基于最佳波長的SPA-LS-SVM模型是最適合TVB-N檢測模型，其決定系數(R2)為0.903，RMSEP為2.761%。采用MATLAB語言編程將高光譜圖像中的每個像素通過最佳模型轉換成相應的TVB-N值，可以明顯地觀察到，可視化的圖中不同顏色反映了魚肉樣本中與圖像像素的光譜變化相對應的TVB-N含量。結果表明，應用高光譜圖像技術檢測魚肉TVB-N含量是可行的，為下一步魚肉TVB-N含量的定量分析和分類奠定了基礎。

圖5 魚樣本TVB-N含量分布可視化圖Fig.5 Visualization of the predicted TVB-N contentfor 4 fish samples in prediction set

圖6 采用高光譜成像技術檢測三文魚TVB-N含量分布主要步驟Fig.6 Main steps of detection of salmon fishfillets TVB-N content using HIS