基于LIBS技術結合PCA-SVM機器學習對豬肉部位的識別研究

許毓婷，孫浩然，高 勛*，郭凱敏，林景全

1.長春理工大學理學院，吉林 長春 130022 2.長春工業大學機電工程學院, 吉林 長春 130012 3.包頭師范學院物理科學與技術學院，內蒙古 包頭 014030

引 言

豬肉制品營養成分豐富，在人類飲食中占有重要地位，由于近年來豬肉制品價格水漲船高。不同部位的豬肉組織較為類似，在某些豬肉產品銷售市場上，一些不良商家將廉價部位的豬肉以次充好高價售賣，讓消費者無法分辨。豬肉部位的傳統檢測方法主要有物理學方法(顯微檢測法)[1]、免疫學方法(蛋白質檢測)[2]和分子生物學方法(檢測DNA分子)[3]，但這些方法操作繁瑣，檢測周期長，需專業技術人員操作?；诜肿庸庾V學的豬肉部位檢測方法如近紅外光譜技術和拉曼光譜技術[4]，方法雖便捷，由于各部分豬肉成分組成接近且豬肉組織接近，造成豬肉部位分類識別的識別率有待提高。

激光誘導擊穿光譜技術(laser-induced breakdown spectroscopy，LIBS)[5]是一種利用高能激光脈沖激發待測樣品并產生等離子體，通過分析樣品的等離子體發射光譜，最終識別待測物質成分的分析方法。近年來，LIBS作為一種新興的光化學元素分析技術，具有快速、綠色、無損檢測等優點[6]，因此LIBS技術在冶金、航天、土壤污染、水體污染、食品安全等多個領域進行推廣和應用[7-8]。在食品安全領域，王彩虹[9]等基于LIBS技術和線性回歸方法對豬肉中的Cr元素進行定量分析，分析了單變量和多變量特征譜線對豬肉中Cr元素的定量分析影響。Gonca Bilge[10]等將豬肉、牛肉、雞肉碾碎混合，基于LIBS技術并結合主成分分析(principal component analysis，PCA)機器算法，對肉類的分類和識別準確率達到83.37%。汪海燕[11]等提出了LIBS技術結合KNN和支持向量機(support vector machines，SVM)機器算法對豬油、豬皮、里脊等軟組織進行分類識別，識別準確率和靈敏度分別達到了99.83%和99.5%。

研究上述表明LIBS技術結合機器學習對肉類組織以及肌肉組織的分類和識別是可行的，但在豬肉部位分類和識別方面的研究還未見報道。本工作通過LIBS技術與PCA-SVM機器學習相結合，對同一頭豬的不同豬肉部位開展研究，實現豬肉部位的分類和識別。

1 實驗部分

1.1 裝置

豬肉部位的分類和識別LIBS實驗裝置示意圖如圖1所示，實驗均在一個大氣壓、環境溫度23 ℃、相對濕度40%的潔凈空間下完成。激光光源為輸出波長1 064 nm的Nd∶YAG激光器(SLII-10, Continuun)，光束模式TEM00，脈寬為10 ns，重復頻率為10 Hz，光束直徑約為6 mm，最大輸出脈沖能量為250 mJ。激光光束經二分之一玻片和格蘭棱鏡組成的能量衰減系統，經1 064 nm HR鏡和焦距為120 mm的石英透鏡聚焦豬肉組織表面，焦點位于豬肉樣品表面內0.1 mm，誘導擊穿豬肉的激光脈沖能量為60 mJ。誘導擊穿產生的等離子體由45°放置、焦距為75 mm的透鏡收集經光纖耦合傳輸到配有ICCD探測器的中階梯光譜儀(Mechelle 5000，Andor，波長范圍200～850 nm，光譜分辨率為0.05 nm)進行探測。ICCD探測器和激光輸出同步觸發由數字脈沖延時發生器DG645控制，ICCD探測器相對激光脈沖延時為1 μs，積分時間1 μs。由于豬肉組織樣品表面不均勻，為使豬肉樣品不被擊穿打在載玻片上產生誤差，在實驗中同時保證PI平移臺處于以0.1 mm·s-1的速度移動，采集100個脈沖的LIBS光譜并進行平均，降低脈沖能量抖動對LIBS光譜的穩定性影響，且在同一實驗條件下每個豬肉部位樣品采集100幅光譜。

圖1 LIBS實驗裝置圖

1.2 樣品制備

實驗樣品購自長春市蓮花山豬肉市場的同一頭肉豬的前腿肉、梅花肉、里脊肉、五花肉。由于豬肉組織成分的表面分布不同于固體金屬表面均勻穩定。本實驗為了減小樣品的隨機性，對同一種類的豬肉采集多個切片；樣品形態、表面溫度、干燥程度均會對實驗結果產生影響，為減小外界因素對實驗結果產生影響，實驗開始前通過人工切片的方式將豬肉切成7 mm×2 mm×1 mm片狀樣品，并放置于零下20℃的保鮮柜中，為反映實驗結果真實，不做干燥處理。實驗開始前將樣品取出，將樣品放置在三維平移臺上，確保每次激光作用于新的激光燒蝕點。

2 結果與討論

四種豬肉部位降噪處理后的LIBS光譜如圖2所示。由圖2可知，豬肉組織中觀察到H 656.2 nm，O 777.1 nm等非金屬元素譜線，由于實驗在空氣環境中進行，空氣等離子體發射光譜可能會對豬肉組織LIBS光譜中的H和O非金屬元素造成一定的干擾，因此H和O元素不能作為分析譜線。由于豬肉組織有大量的碳水化合物脂肪組織，因此實驗中觀察到了C—N譜線如385.4和387.1 nm。豬肉組織LIBS光譜中還存在Mg Ⅱ 279.8 nm，Ca Ⅱ(393.3，396.8，422.7，430.2和445.4 nm等)，Na Ⅰ 588.9 nm，Na Ⅰ 589.0 nm，K Ⅱ 766.4 nm和K Ⅰ 769.9 nm等金屬元素譜線。一般LIBS的特征譜線的選取，要選擇干擾較少，信背比較高，峰值明顯，易激發的波段，如圖3所示。通過實驗所得的光譜信息，參照美國NIST原子光譜數據庫，選取Ca Ⅱ 393.3和422.7nm, Na Ⅰ 588.9和589.0 nm, K Ⅱ 766.4 nm，K Ⅰ 769.9 nm作為豬肉組織分類和識別的LIBS特征分析光譜線。

圖2 四種豬肉部位LIBS光譜(里脊、梅花、前腿、五花)

脂肪含量較多的五花肉LIBS光譜中存在大量C—N及C元素譜線峰，且譜線強度明顯比其他三種部位組織樣品高。由于實驗選擇的前腿肉、梅花肉、里脊肉、五花肉四類組織都來自同一種生物個體，獲得的LIBS特征譜線都較為相似。若從LIBS光譜圖中分辨豬肉部位，脂肪含量較高的五花肉和含鈣較高的前腿肉可以直接區分，而梅花肉、里脊肉兩種豬肉組織元素LIBS光譜強度差異較小，不能進行直接分辨。因此僅通過4種部位組織的LIBS光譜無法對豬肉部位組織進行分類鑒別，需結合機器學習算法對豬肉部位進行分類識別。

2.1 PCA豬肉部位聚類分析

分析豬肉組織的LIBS光譜，元素線狀光譜和分子光譜有十多條之多，因此對豬肉部位進行分類識別的過程中，需要減少LIBS譜線的分析數據量。主成分分析(PCA)是一種常用的線性變換技術，能夠降低噪聲和維度[12]，使用PCA對豬肉部位LIBS光譜數據進行降維處理，同時能夠保留大部分原始光譜數據信息。將選取的Ca Ⅱ 393.3和422.7 nm, Na Ⅰ 588.9和589.0 nm, K Ⅱ 766.4 nm，K Ⅰ 769.9 nm六個特征譜線強度作為輸入變量，得到PC1，PC2，PC3，PC4，PC5和PC6的主成分貢獻率及累計貢獻率如圖3所示。

圖3 主成分貢獻率及累計貢獻率

由圖3可知，PC1，PC2和PC3的累計貢獻率達到了95%以上，說明由PC1，PC2和PC3三個主成分基本能夠表征豬肉部位的LIBS光譜全部信息，PC1，PC2和PC3三個主成分的三維散點圖如圖4所示。

由圖4可知，經PCA降維后發現，里脊、梅花、五花肉數據點呈現出明顯的聚類，但里脊和梅花肉部位信息存在部分重疊。前腿的光譜數據點較為分散，沒有呈現出聚類，表明前腿豬肉組織部位包括了里脊、梅花和五花肉類組織的生物特性，因此前腿部位的光譜數據和里脊、梅花、五花等部位光譜數據重疊區域較大。

圖4 四種豬肉組織散點圖

2.2 PCA-SVM豬肉部位識別

由于生物組織光譜數據所固有的高維性，需結合一種使用大數據統計的分類算法，支持向量機(support vector machine，SVM)[13]是一種基于統計學習理論的新型學習機。本文將采用SVM結合PCA算法對4種豬肉部位進行分類識別，以PC1，PC2和PC3主成分代替豬肉的特征光譜，構建豬肉樣品的特征空間向量，特征向量構成的數據矩陣作為SVM識別算法的輸入量。為保證豬肉部位識別模型的穩定性，采用十倍交叉驗證的方式對模型進行評估，得到分類識別結果混淆矩陣如圖5所示。

圖5 豬肉部位PCA-SVM分類識別混淆矩陣

由圖5的豬肉部位PCA-SVM分類識別混淆矩陣可知，里脊組織、梅花組織、前腿組織、五花組織的分類識別率分別為96%，98%，97%和100%，說明基于LIBS技術結合PCA-SVM分類模型可以有效地實現豬肉部位的快速識別。豬肉組織相鄰較近的組織成分接近，因此LIBS光譜數據的信息冗余性較高且噪聲干擾較強，通過PCA實現LIBS光譜分析變量減少，克服了生物組織光譜數據信息重疊性及噪聲干擾。在PCA基礎上，構造核函數的方式將兩條相近不可分的譜線映射到高維空間中，再從高維空間得到線性區分，采用SVM算法克服了豬肉組織光譜數據維度較高的缺點，因此，PCA-SVM機器學習算法可有效提高了豬肉部位的分類準確率。

3 結 論

通過LIBS技術結合PCA-SVM機器學習對豬肉部位識別進行了研究。通過對比分析同一頭肉豬的前腿肉、梅花肉、里脊肉、五花肉的4個部位組織的LIBS特征光譜，發現4個部位組織的LIBS特征光譜具有較高的相似性。通過PCA算法對豬肉部位LIBS光譜數據進行降維處理，里脊、梅花、五花呈現出明顯的聚類，但里脊和梅花部位信息存在部分重疊，前腿的光譜數據點較為分散，沒有呈現出聚類。通過十倍交叉驗證的方式，采用PCA-SVM分類模型得到里脊組織、梅花組織、前腿組織、五花組織的分類識別率分別為96%，98%，97%和100%，表明LIBS與機器學習相結合的方法可以作為一種綠色、快速的生物組織檢測技術手段。