多光譜成像無損識別凍融豬肉中危害級碎骨

張華鋒， 王 武,2*， 白玉榮， 劉儀茹， 金 濤， 余 霞， 馬 飛,2*

1. 合肥工業大學食品與生物工程學院， 安徽 合肥 230009 2. 農產品生物化工教育部工程研究中心(合肥工業大學)， 安徽 合肥 230009

引 言

凍融豬肉作為重要原料， 被廣泛加工成肉餅、 肉排、 肉丸等無骨肉制品。 在肉類工業中， 宰后豬胴體大多采用斬骨式分割， 極易在分割后的原料肉中殘留碎骨， 形成安全隱患[1-2]。 研究表明， 1～2.5 cm碎骨對人體有較大危害， 已被多數國家或地區列為危害級物理因子[3]。 在無骨肉制品加工中， 危害級碎骨也會造成一定的設備損傷， 致使設備維護成本增加[4]。 可見， 凍融豬肉危害級碎骨的快速精準識別具有重要意義。

截至目前， 一些如X射線、 超聲波成像和高光譜成像等技術[5-7]相繼被用于肉和肉制品中碎骨的識別研究與應用。 然而， 該類方法均存在較多缺陷， 主要表現為X射線技術的裝備昂貴和檢測員被輻射風險[6]、 超聲成像技術的觸壓信號傳輸和單點掃描[2]、 高光譜成像技術的數據結構復雜和分析耗時性[7]等， 難以滿足實際工業需求。 因此， 開發一種低成本的快速無損碎骨檢測技術對無骨肉制品加工工業極為關鍵。

多光譜成像(multispectral imaging， MSI)技術結合了空間成像系統和光譜探測系統[8]是由若干個非連續的窄帶波長組成， 可同時捕獲樣品的光譜與空間信息[9-10]。 三維多光譜數據由若干個二維圖像構成， 其中每個像素為一個光譜信息， 全部光譜與空間信息基本包含了樣品的理化特性[11]， 為理化成分快速無損檢測提供理論支撐。 近年來， MSI技術已廣泛用于理化特征分析[12-15]、 摻假造假識別[16-17]等， 表現出較強的技術優勢和廣闊的應用前景。 然而， 基于MSI技術快速無損識別肉及肉制品中碎骨的研究與應用仍未見文獻報道。 因此， 以凍融豬肉為研究對象， 開展危害級碎骨MSI識別技術具有十分重要的科學意義。

1 實驗部分

1.1 材料與設備

原料： 豬后腿肉及腿骨均購于合肥市家樂福超市， 并將原料置于溫度為(8±1) ℃的冰盒中， 充分保障臨時運輸期間的肉品質量。

設備： VideometerLab A/S多光譜成像儀由丹麥Videometer公司提供， 所含波段有： 405， 435， 450， 470， 505， 525， 570， 590， 630， 645， 660， 700， 780， 850， 870， 890， 910， 940和970 nm。

1.2 樣品

碎骨制備： 將腿骨敲碎， 選取碎骨130個， 大小見表1。

表1 碎骨大小Table 1 Size of bone fragments

樣品準備： 除去豬后腿瘦肉中的可視脂肪與結締組織后， 樣品被分割成厚度約2 cm、 長度或直徑≤8 cm的不規則瘦肉片195個， 隨機取出65個為無骨瘦肉片、 65個碎骨表面嵌入式瘦肉片和65個碎骨內部嵌入式瘦肉片； 每片瘦肉嵌入一個碎骨， 均在4 ℃條件下手工完成。 碎骨嵌入在肉片內部的位置包括上層、 中層和下層， 且隨機分布。 將制備好的所有樣品分別裝入保鮮袋， 并置于-18 ℃冰箱中冷凍7 d； 取出后置于25 ℃環境中解凍2 h， 獲得65個凍融豬瘦肉片(frozen-thawed lean pork slices， FT-LPSs)、 65個碎骨表面嵌入式凍融豬瘦肉片(bone fragments embedded in the surface of FT-LPSs， FT-LPS-SBFs)和65個碎骨內部嵌入式凍融豬瘦肉片(bone fragments embedded in the inner of FT-LPSs， FT-LPS-IBFs)。 每65個樣品中， 隨機選取50個為訓練集、 15個為測試集。

1.3 多光譜圖像采集與處理

圖像采集： 參考文獻[18]方法。 為穩定樣品溫度， 樣品采集前， 均置于室溫下30 min； MSI系統經預熱30 min后， 依次采用黑板、 白板和幾何板自動校準， 并利用積分球體光漫射特性靜態采集195個樣品圖像(2 056×2 056像素×19波帶)。

圖像分割與信息提?。?參考文獻[18]方法， 并在分割閾值優選上有較大改動。 基于樣本區域差異性和二值圖像形態學特征， 以0～1為閾值選取范圍， 階躍值設為0.1， 利用典型判別分析(canonical discriminant analysis， CDA)進行圖像分割運算， 篩選出0.2為最佳分割閾值， 實現肉樣與背景的完全分割， 獲得感興趣區域1(region of interest,ROI-1)； 以相同流程選取0.5為最佳分割閾值， 實現非骨區域與含骨區域的完全分割， 獲得ROI-2； 基于像素平均計算， 獲ROI-1和ROI-2光譜， 分別對應于“FT-LPS-1， FT-LPS-SBF-1， FT-LPS-IBF-1”和“FT-LPS-2， FT-LPS-SBF-2， FT-LPS-IBF-2”兩類樣品光譜。 主要流程見圖1。

圖1 基于MSI技術識別FT-LPS-BFs流程圖Fig.1 Flow chart of the identification of FT-LPS-BFsbased on MSI technology

上述處理均在VideometerLab 2.1軟件中完成。

1.4 特征光譜篩選

參考文獻[19]方法。 基于Matlab 7.11軟件中的連續投影算法(successive projection algorithm， SPA)進行光譜迭代運算， 利用馬氏距離的Kennard-Stone算法將樣本劃分為訓練集、 驗證集和測試集， 構建出冗余最小的特征變量。

1.5 光譜數據分析

主成分分析(principal component analysis， PCA)： 利用變量間方差的最大化原則， 將復雜光譜數據轉化為少數幾個主成分變量(PCs)， 以簡化光譜數據， 便于初步分析。

支持向量機(support vector machine， SVM)： 基于核函數優化， 實現樣本精準分類[20]。 采用10折交叉驗證的網格搜索法對SVM核函數g和懲罰因子c進行參數優化， 針對ROIs-1全光譜、 ROIs-2全光譜和ROIs-2特征光譜(ROIs-2key)三類數據集， 所獲的最佳懲罰因子c分別為10， 1和0.1， 最佳核函數g分別為1， 1和1。

神經網絡(neural network， NN)： 基于內部網絡權重優化實現樣本數據的最佳分類； 該模型運算所設置的最大迭代次數、 學習速率、 最小誤差和隱含層單元數分別為1 000， 0.1， 0.000 1和10。

模型評價： 參考文獻[21]方法。 采用混淆矩陣算法獲得真陽性、 假陽性、 真陰性和假陰性四個指標， 由此計算出靈敏度、 特異性、 精確率和準確率四種模型評價參數。

上述計量學分析均在Matlab 7.11軟件中完成。

1.6 圖像數據分析

利用VideometerLab 2.1軟件對分割后的ROIs-1圖像進行PCA分析， 獲PC1圖像(信息占比99.02%)， 隨后輸入至ENVI 5.3軟件中， 選用紅色和藍色分別標記骨與非骨區域， 隨后進行SVM和NN模型分析。

2 結果與討論

2.1 光譜特征分析

由圖2可知， ROIs-2(FT-LPS-2， FT-LPS-SBF-2和FT-LPS-IBF-2)的光譜強度差異性明顯大于ROIs-1(FT-LPS-1， FT-LPS-SBF-1和FT-LPS-IBF-1)， 表明區域分割可增強碎骨的光譜特征顯示度， 為碎骨識別提供可行性。 FT-LPS-SBF-2的光譜強度在405～970 nm范圍內均高于FT-LPS-2和FT-LPS-IBF-2； 由此可以看出， 相比于FT-LPS-IBF， FT-LPS-SBF更容易識別。 ROIs-2的光譜強度差異性主要集中在600～970 nm波段， 其中600～700 nm波段與色素蛋白和骨礦物質有關[22-23]， 而750～970 nm波段則主要歸因于O—H鍵的拉伸與彎曲[24]； 該波段光譜的強度變化可能與水分、 骨等理化成分密切相關。 因此， 結合光譜和計量學分析識別危害級碎骨具有理論支撐。

圖2 ROIs-1和ROIs-2的平均光譜Fig.2 Mean spectra of ROIs-1 and ROIs-2

2.2 特征光譜篩選

為了提高成像光譜的工業在線檢測能力， 特征光譜篩選與優化十分關鍵[25]。 基于SPA方法， 優選出6個特征波長， 分別為505， 590， 700， 850， 890和970 nm。 505和590 nm波長與肌紅蛋白有關[8]， 700 nm波長與血紅蛋白和骨礦物質有關[23]， 850～970 nm波長與水[24]和肌肉蛋白[26]有關。

2.3 光譜數據分析與建模

由圖3可知， 所有PC1和PC2的累積貢獻率均大于90%， 基本包含樣品的所有光譜信息。 ROIs-1全光譜所得的PCA樣本點呈現出組內嚴重分散和組間相互重疊的特點， 難以實現分類[圖3(a)]。 然而， ROIs-2全光譜和特征光譜所得的PCA樣本點的分布特征相似， 均表現出較好的組內聚合和組間分離[圖3(b，c)]， 實現FT-LPSs， FT-LPS-SBFs和FT-LPS-SBFs的分類判別， 表明分割提取的ROIs-2光譜具備識別凍融豬肉中碎骨的可行性。

圖3 基于ROIs-1全光譜(a)、 ROIs-2全光譜(b)和 ROIs-2特征光譜(c)的PCA二維散點圖Fig.3 Two-dimensional scatter plots of PCA by using (a) ROIs-1 full spectra,(b) ROIs-2 full spectra and (c) ROIs-2 key spectra

基于光譜信息的計量學分析結果見表2， 與ROIs-1光譜相比， ROIs-2光譜可建立顯著較高的識別模型， 精度均大于96%， 其中SVM模型精度為100%， 表明區域分割有利于凍融豬肉中碎骨的精準識別， 也顯示出區域分割具有一定的降噪功能。 FT-LPS-SBFs樣本在靈敏度、 特異性和精確率上均高于FT-LPS-IBFs， 表明凍融豬肉表面碎骨相比于內部碎骨更容易識別， 與光譜特征分析結果一致。 由表2(Ⅲ)和表3可知， SVM模型在碎骨識別能力上優于NN模型， 精度達到100%， 其測試集靈敏度、 特異性和精確率均為1； 而在NN模型測試集中， 精確率和特異性分別為0.88和0.93， 這是由于2個FT-LPS-BF樣本被錯判為FT-LPS。 結合特征光譜與SVM模型實現碎骨的精度識別為工業應用提供了理論基礎。

表2 基于ROIs-1全光譜(Ⅰ)、 ROIs-2全光譜(Ⅱ)和ROIs-2特征光譜(Ⅲ)的SVM和NN模型執行參數Table 2 Performance parameters of SVM and NN models based on (Ⅰ) ROIs-1 full spectra,(Ⅱ) ROIs-2 full spectra and (Ⅲ) ROIs-2 key spectra

表3 基于ROIs-2特征光譜分類FT-LPSs和FT-LPS-BFs的SVM和NN模型混淆矩陣Table 3 Confusion matrixes of SVM and NN models for the classification ofFT-LPS and FT-LPS-BFs based on key wavelengths

2.4 圖像數據分析與建模

由表4可知， SVM模型對凍融豬肉中碎骨的識別能力略高于NN模型， 精度為93.8%， 存在不完全識別的原因是由于6個FT-LPSs被誤判為FT-LPS-BFs和6個FT-PLS-BFs被錯判為FT-LPSs。 該分析有可視化結果， 其典型樣品見圖4。 FT-LPS(第一行第一列)因邊緣效應而被錯判成FT-LPS-BF， 其原因可能與樣本邊緣不平整、 光散射等因素有關[27-28]。 研究發現， 利用相鄰波段替代法去除死像元和峰值像元， 可有效避免PCA圖像的邊緣效應[29]， 為未來降低或消除FT-LPS和FT-LPS-BF的邊緣效應提供參考。 FT-LPS-SBF(第一行第二列)因脂肪/結締組織與碎骨的像素特征相似性， 干擾碎骨判斷， 這可能是引起碎骨錯判的主要因素之一。 FT-LPS-IBF(第一行第三列)因未能獲得碎骨像素而被錯判為FT-LPS， 這可能是由于色素蛋白較強的光吸收性降低了多光譜的穿透能力[30]。 結合圖像信息和SVM模型不僅可以精確識別凍融豬肉中的碎骨， 還能獲得可視化結果， 體現出極好的技術優勢。

圖4 基于圖像信息的SVM模型分析圖Fig.4 Images of typical samples in SVM modelsbased on image information

表4 基于圖像數據的SVM和NN模型分析結果Table 4 Results of SVM and NN modelsbased on image information

3 結 論

碎骨是一類典型的物理危害因子。 結合MSI和計量學方法開展凍融豬肉中危害級碎骨的識別技術研究。 基于ROIs-2光譜的碎骨識別能力顯著優于ROIs-1， 表明區域分割對提高檢測精度起決定作用。 由SPA優選的六個關鍵波長(505， 590， 700， 850， 890和970 nm)可實現凍融豬肉中碎骨的高精度識別， 準確率為100%， 實現數據維度的顯著降低和識別效率的顯著提升。 利用圖像信息既能建立優越的碎骨識別模型(精度93.8%)， 又能獲得可視化結果， 顯示出極大的技術優勢。 因此， 基于多光譜成像的危害級碎骨識別技術非常精確， 可工業應用。