朱榮光，高廣娣，葛建兵

（石河子大學機械電氣工程學院，石河子832003）

牛肉味道鮮美，營養(yǎng)價值高，深受人們喜愛，是新疆等少數(shù)民族地區(qū)最主要的肉類食品。近年來，人們對健康日益關(guān)注，對牛肉品質(zhì)的要求越來越高。顏色是色、香、味、質(zhì)中最先導的感官要素，也是消費者選擇牛肉最常用的指標，且在國家鮮凍肉衛(wèi)生標準中，肉色是評價牛肉新鮮程度的重要參數(shù)［1］。目前，肉色評價的主觀性較強，誤差較大，且其客觀評價主要通過色差計進行，測定時容易帶來污染和安全問題，因此，開發(fā)快速、無損及安全的顏色等重要品質(zhì)指標的檢測手段很有必要。當前，國內(nèi)外研究中常用的無損檢測技術(shù)主要有機器視覺、電子鼻、近紅外光譜（NIRS）和高光譜圖像（HSI）等［2－5］，其中，近年興起的HSI可同時獲得樣品的圖像和光譜信息，符合現(xiàn)代檢測技術(shù)向多源信息融合方向發(fā)展的趨勢。目前，國內(nèi)外已有利用 NIRS［5－9］和 HSI［10－12］檢測肉品顏色的報道，但它們大多不考慮肉類品種及生長地域?qū)δＰ偷挠绊?，所建立的模型通常不能直接應用到生產(chǎn)實際中。

本研究探討利用HSI對新疆新鮮牛肉顏色檢測的可行性，針對亮度（L＊）、紅度（a＊）、黃度（b＊）和飽和度（C＊）等參數(shù)，通過比較不同的預處理和建模波長點對模型的影響，利用多元線性回歸方法（SMLR）建立校正模型并通過預測集進行評價，以期為建立牛肉品質(zhì)的相關(guān)檢測方法提供依據(jù)。

1 材料和方法

1．1 牛肉樣品制備

牛肉樣品均采集自石河子農(nóng)貿(mào)市場，主要取自23頭牛肉的背脊，包括西門塔爾、安格斯和伊犁褐牛等品種，采集在10d內(nèi)完成。將剛屠宰的牛肉依次編號，放于真空蒸煮袋后使用醫(yī)療保險箱送回實驗室，取出后將牛肉分割切塊處理及密封包裝，在0～4℃下儲存不同的時間（1－4d），獲得具有一定代表性的新鮮牛肉樣品。分割時，截取垂直于背脊肌肉纖維處切約3～4cm厚的肉塊，共獲得78個牛肉樣品。

1．2 高光譜圖像采集

高光譜圖像系統(tǒng)采用“推掃式”成像方法，其結(jié)構(gòu)示意圖如圖1所示。

該系統(tǒng)主要由高光譜成像儀（V10E，芬蘭）、CMOS相機（MV－1024E）、光源（3900型）、樣品輸送裝置（DP23000Y型電控平移臺）、遮光外箱體和計算機等組件組成。該高光譜系統(tǒng)可采集到的光譜范圍為400～1000nm，光譜分辨率為2．8nm。

采集時將光源照度設(shè)置為約10000lx，相機的曝光時間設(shè)置為10ms，儀器與樣品間的物距設(shè)置為約50cm，并將輸送裝置的運行速度設(shè)定為540脈沖／s。系統(tǒng)工作時，線陣檢測器在垂直于牛肉前進方向作橫向掃描，并獲取所掃描條狀空間中各像素點在各波長處的圖像信息。隨著平移臺的前進，線陣探測器掃完整個樣品表面，完成整個牛肉樣品高光譜圖像數(shù)據(jù)的采集。

1．3 高光譜圖像黑白校正

由于攝像頭中存在的暗電流和光源強度在不同波段下的分布不均勻性，高光譜絕對圖像I中通常會包含有較大的噪聲信號，因此有必要對高光譜圖像進行黑白校正。依次掃描白色和黑色校正板分別獲得全白的標定圖像W和全黑的標定圖像B。利用式（1）將采集到的樣品絕對圖像I轉(zhuǎn)換成相對圖像IR。

式（1）中，IR為最終獲得的樣品高光譜圖像信息。

1．4 樣品顏色參數(shù)測定

牛肉樣品經(jīng)高光譜圖像采集后，采用SMY－2000型手持色差計（盛名揚，北京）測量牛肉的顏色參數(shù)。具體方法是：色差計使用黑白板校正后，盡量選擇在牛肉表面的肌肉部分測量顏色，每個樣品測量6次數(shù)據(jù)；計算6次數(shù)據(jù)的平均值，即為L＊、a＊、b＊和C＊等顏色參數(shù)的真值。測量過程中要注意防止漏光。

根據(jù)國際照明委員會的標準，顏色參數(shù)用L＊、a＊、b＊和C＊表示。C＊與a＊、b＊值的關(guān)系式如下：

1．5 數(shù)據(jù)處理與分析

1．5．1 光譜預處理方法的選擇

為了消除干擾信號影響及突出光譜中各參數(shù)特征信息，需對光譜進行預處理，其中常采用多元散射校正（MSC）用于消除光的散射和偏移的影響。MSC校正方法的公式如下：式（3）中：X0是樣品的原始光譜數(shù)據(jù)，X1是經(jīng) MSC校正后的光譜數(shù)據(jù)；A和B是樣品光譜經(jīng)平均光譜回歸后獲得的校正系數(shù)，A是回歸直線的截距，B是回歸直線的斜率。

另外，為了獲得較好的建模效果，本研究比較了Savitzky－Golay（S－G）平滑、一階導數(shù)（1D）、二階導數(shù)（2D）、變量標準化（SNV）、平均中心化（Meancentering）和自動定標（Autoscale）等各種預處理方法及組合。

1．5．2 模型建立與評價

HSI數(shù)據(jù)采集使用Spectral cube軟件（Spectral Imaging，芬 蘭），數(shù) 據(jù) 處 理 采 用 ENVI 4．7（ITT，USA）、TQ 8．01（Thermo Fisher Scientific，USA）、Matlab 7．12（Mathworks，USA）和 SPSS（IBM，USA）等軟件。利用校正集相關(guān)系數(shù)（R）、校正標準差（RMSEC）和預測標準差（RMSEP）綜合確定最優(yōu)的預處理方法和波長點，并用R、RMSEC、預測集相關(guān)系數(shù)（r）和RMSEP等對建模和預測效果進行評價。

2 結(jié)果與分析

2．1 顏色參數(shù)的統(tǒng)計分析

利用色差計獲得牛肉各顏色參數(shù)的真值之后，根據(jù)各參數(shù)值的梯度大小排序，按照3∶1的比例分別獲得其校正集和驗證集樣品。經(jīng)異常值檢驗去除異常值后，校正集和預測集中牛肉樣品的L＊、a＊、b＊和C＊等顏色參數(shù)值的統(tǒng)計結(jié)果見表1，主要包括樣品個數(shù)、平均值（Mean）、標準偏差（Std）、最小值（min）和最大值（max）等。

2．2 樣品代表性光譜及建模譜區(qū)范圍的選擇

在牛肉的儲存過程中，其化學成分不斷分解變化，所以，其肌肉顏色也會不斷地發(fā)生變化。ROIs主要取自于樣品中心的肌肉部分，應注意避開由于殘余水分帶來的明顯發(fā)亮的區(qū)域。每個樣本的ROIs大約包括有2500個像素點，將ROIs中所有各點的平均光譜定義為各樣品的代表性光譜。在波長450．0nm以前，光譜響應值較低，噪聲較大，因此，在建模時僅考慮其中450．0～1000．0nm的譜區(qū)范圍，如圖2所示。

2．3 光譜預處理方法的選擇

經(jīng)MSC處理之后的光譜如圖3所示。通過比較S－G 平滑、1D、2D、SNV、Mean－centering和 Autoscale等各種預處理方法及組合對建模效果的影響，并通過R、SEC和SEP綜合確定了各參數(shù)適宜的預處理方法，結(jié)果見表2。其中a＊、b＊和C＊均采用 MSC＋S－G＋Mean－centering處理，區(qū)別在于采用的平滑點數(shù)不同，分別為15、11和21點，而L＊采用 MSC＋1D＋S－G＋Mean－centering處理，采用的平滑點數(shù)為15點。

2．4 各顏色參數(shù)校正模型的建立與評價

利用上述選定的預處理方法建立L＊、a＊、b＊和C＊等各顏色參數(shù)的SMLR校正模型，并利用預測集進行評價。對于L＊、a＊、b＊和C＊，建模時分別使用了7、11、4和9個波長點，對應的波長位置見表2，其SMLR模型的系數(shù)依次分別為［37．22，0．76，3．19，5．98，－1．39，－1．17，－0．93，－1．19］、［－121．06，0．39，－0．071，0．0023，0．21，0．13，0．11，－0．10，－0．10，0．27，－0．95，0．85］、［95．63，－0．64，－0．041，0．60，－0．012］和［324．20，－0．15，0．017，0．0083，0．052，0．046，－0．24，－0．10，0．43，－0．23］，其中第1項為常數(shù)項。

對于L＊、a＊、b＊和C＊，其建模與預測結(jié)果見表3。由表3可知：各模型的r均大于0．87，而L＊和b＊的RPD均大于2，a＊和C＊次之。這表明：所建模型能夠?qū)π陆迈r牛肉樣品的L＊、a＊、b＊和C＊等顏色參數(shù)進行快速預測分析，并能取得較好的預測精度。

各參數(shù)預測集樣品的測量真值與預測值之間的相關(guān)關(guān)系如圖4所示。

3 結(jié)論與討論

1）通過選擇適宜的預處理方法和波長點，基于HSI可以建立分析新疆新鮮牛肉的顏色參數(shù)的SMLR模型，該模型可以實現(xiàn)對顏色參數(shù)的預測分析，并能取得較好的預測精度。利用HSI檢測肉色參數(shù)，既可獲得比較客觀的評價結(jié)果，也可避免樣品污染，從而可以確保牛肉品質(zhì)的安全。

2）由于本研究僅使用了78個牛肉背脊樣品用于建模，在后續(xù)的研究工作中，需考慮進一步擴大樣品數(shù)量和取樣部位，以改善模型的適用性；另外，需進一步探討其他化學計量學方法對模型的影響，以提高模型的精度。

［1］中國國家標準化管理委員會．GB／T 5009．44－2003肉和肉制品衛(wèi)生標準的分析方法［S］．北京：中國標準出版社，2003．

［2］孫永海，趙錫維，鮮于建川．基于計算機視覺的冷卻牛肉新鮮度評價方法［J］．農(nóng)業(yè)機械學報，2004，35（1）：104－107．

［3］屈年巍，馬本學，王維新，等．基于機器視覺和人工神經(jīng)網(wǎng)絡(luò)的庫爾勒香梨顏色分級［J］．石河子大學學報：自然科學版，2010，28（4）：515－518．

［4］朱榮光，馬本學，高振江，等．畜產(chǎn)品品質(zhì)的高光譜圖像無損檢測研究進展［J］．激光與紅外，2011，41（10）：1067－1071．

［5］黃星奕，周芳，蔣飛燕．基于嗅覺可視化技術(shù)的豬肉新鮮度等級評判［J］．農(nóng)業(yè)機械學報，2011，42（5）：142－145．

［6］Geesink G H，Schreutelkamp F H，F(xiàn)rankhuizen R，et al．Prediction of pork quality attributes from near infrared reflectance spectra［J］．Meat Science，2003，65：661－668．

［7］Savenije B，Geesink G H，Palen J G P，et al．Prediction of pork quality using visible／near－infrared reflectance spectroscopy［J］．Meat Science，2006，73：181－184．

［8］胡耀華，郭康權(quán)，鈴木孝范，等．基于可見光和近紅外光譜的肉色檢測［J］．西北農(nóng)林科技大學學報：自然科學版，2008，36（7）：160－164．

［9］陳宵娜，張德權(quán)，張柏林．羊肉色澤傅立葉變換近紅外光譜定量分析方法研究［J］．核農(nóng)學報，2010，24（2）：336－340．

［10］Qiao J，Wang N，Ngadi M O，et al．Prediction of driploss，pH，and color for pork using a hyperspectral imaging technique［J］．Meat Science，2007，76：1－8．

［11］ElMasry G，Sun D W，Allen P．Near－infrared hyperspectral imaging for predicting colour，pH and tenderness of fresh beef［J］．Journal of Food Engineering，2012，110：127－140．

［12］Kamruzzamana M，ElMasrya G，Sun D W，et al．Prediction of some quality attributes of lamb meat using nearinfrared hyperspectral imaging and multivariate analysis［J］．Analytica Chimica Acta，2012（714）：57－67．