劉友華，白亞斌，邱祝福，陳 偉，馮耀澤

（華中農(nóng)業(yè)大學(xué) 工學(xué)院，湖北 武漢 430070）

基于高光譜圖像技術(shù)和波長選擇方法的羊肉摻假檢測方法研究

劉友華，白亞斌，邱祝福，陳 偉，馮耀澤*

（華中農(nóng)業(yè)大學(xué) 工學(xué)院，湖北 武漢 430070）

針對肉類摻假的定量檢測問題，建立了基于高光譜圖像技術(shù)結(jié)合波長選擇方法以及偏最小二乘（PLS）法的羊肉摻假無損檢測方法.試驗搭建了羊肉-豬肉的高光譜圖像采集系統(tǒng)，對選取的99個樣本進(jìn)行高光譜圖像（390～1040nm）采集并提取感興趣區(qū)域光譜.比較了多種預(yù)處理方法對全波長模型的影響，標(biāo)準(zhǔn)正態(tài)變量校正（SNV）為最優(yōu)光譜預(yù)處理方法，校正決定系數(shù)R2CV達(dá)到0.93，預(yù)測決定系數(shù)R2P達(dá)到0.96，校正均方根誤差RMSECV為8.33%，預(yù)測均方根誤差RMSEP為6.18%.采用多種波長選擇方法對光譜全波段520個變量進(jìn)行變量選擇，最終確定基于競爭性自適應(yīng)重加權(quán)算法（CARS）的簡化模型最優(yōu)，其R2C=0.96，R2CV=0.94，R2P=0.96，RMSEC=6.55%，RMSECV=7.66%，RMSEP=6.10%.高光譜圖像技術(shù)結(jié)合CARS能夠?qū)郊傺蛉膺M(jìn)行準(zhǔn)確的定量檢測，可為羊肉摻假的在線無損檢測提供理論依據(jù).

羊肉摻假；標(biāo)準(zhǔn)正態(tài)變量校正；競爭性自適應(yīng)重加權(quán)算法；偏最小二乘回歸；定量分析

近紅外光譜（NIR）在肉品種類識別、質(zhì)量和安全檢測等方面有廣泛應(yīng)用，主要是由于該技術(shù)在提取物質(zhì)特征信息時，具有分析速度快、成本低、測量方便、可在線檢測等優(yōu)點[1-5]，但其為點掃描技術(shù)，不能獲取樣本的空間信息.高光譜技術(shù)能更加全面地反映樣本的光譜信息和空間信息，所獲樣本信息更具代表性，在近些年也得到了快速的發(fā)展和應(yīng)用.在肉類檢測方面，陳全勝等[6]用高光譜成像技術(shù)和神經(jīng)網(wǎng)絡(luò)方法構(gòu)建豬肉嫩度等級判別模型，模型對校正集和預(yù)測集樣本的判別率分別為96.15%和80.77%.王偉等[7]用高光譜成像技術(shù)結(jié)合最小二乘支持向量機(jī)（LS-SVM）建模檢測生鮮豬肉中細(xì)菌總數(shù)（TVC），得到?jīng)Q定系數(shù)為0.9872，校正均方根誤差和預(yù)測均方根誤差分別為0.2701和0.2176.吳建虎等[8]利用高光譜散射圖像結(jié)合逐步回歸法預(yù)測牛肉的pH值、嫩度和顏色三種品質(zhì)參數(shù)，所建模型對其的預(yù)測相關(guān)系數(shù)都在0.86以上.以上研究表明高光譜技術(shù)可以對肉類諸多品質(zhì)指標(biāo)進(jìn)行較好的檢測.然而，將高光譜技術(shù)用于肉類摻假定量分析以及對不同的波長選擇方法進(jìn)行比較以建立最優(yōu)的摻假檢測模型在國內(nèi)卻鮮有報道.本研究以檢測羊肉中摻假豬肉為例，通過比較不同光譜預(yù)處理方法以及波長選擇方法建立和優(yōu)化基于高光譜技術(shù)的肉類摻假檢測模型，為肉類摻假檢測奠定理論基礎(chǔ).

1 材料與方法

1.1 摻假樣本制備

豬肉和羊肉均購于當(dāng)?shù)爻?設(shè)計豬肉摻假比例為0%-100%，濃度梯度為10%.按照摻假比例稱取豬肉和羊肉樣品并置于絞肉機(jī)中絞肉5min，使得肉糜均勻以制備摻假樣本.每個梯度樣品重復(fù)9次，所獲樣本總數(shù)為99個，每個樣品的含量約為30 g.為方便高光譜圖像掃描，摻假樣本置于專制鋁制樣品盒中.

1.2 圖像采集與光譜提取

本研究所用高光譜系統(tǒng)為反射高光譜成像系統(tǒng)，具體組成詳見文獻(xiàn)[9].其掃描波段范圍390～1040 nm，光譜分辨率2.8 nm，相機(jī)的曝光時間為100 ms，移動平臺的移動速度設(shè)為2mm·s-1.將所獲原始圖像（以輻射值為單位）經(jīng)校正后轉(zhuǎn)為反射高光譜圖像后，對自定義矩形感興趣區(qū)域中的光譜取平均值作為樣本光譜用作后續(xù)分析.

1.3 數(shù)據(jù)處理

將試驗所得樣品通過SPXY法[10]劃分為校正集（66個樣品）和預(yù)測集（33個樣品），其中校正集用于定量模型的建立，預(yù)測集用于檢驗所建模型性能.在建立全波長模型前，使用不同光譜預(yù)處理方法（標(biāo)準(zhǔn)正態(tài)變量校正（SNV），多元散射校正（MSC）、S-G卷積平滑法（S-G）、一階微分（1ST）和二階微分（2ND）及其組合）對光譜數(shù)據(jù)進(jìn)行預(yù)處理.建模方法采用PLS法.建模之后，采用決定系數(shù)R2和均方根誤差RMSE進(jìn)行模型評價.

1.4 波長選擇方法

原始光譜中所包含的大量光譜數(shù)據(jù)且具有一定的多重共線性，這將直接導(dǎo)致后續(xù)建模過程的復(fù)雜度及計算量的增加.通過運用波長選擇方法進(jìn)行變量選擇可以達(dá)到簡化模型、減少計算量甚至增加模型精度的目的.本試驗采用回歸系數(shù)法[11]、逐步回歸法[12]、連續(xù)投影算法（SPA）[13]和競爭性自適應(yīng)重加權(quán)算法（CARS）[14]四種波長選擇方法進(jìn)行波長選擇，并建立相應(yīng)的簡化模型.通過對所建模型的預(yù)測能力進(jìn)行比較，確定最優(yōu)波長選擇方法.

2 結(jié)果與討論

2.1 羊肉樣本光譜

按照1.1獲得的99個摻假羊肉樣本經(jīng)過反射高光譜成像系統(tǒng)掃描，選擇感興趣區(qū)域，其原始光譜圖及不同預(yù)處理（SNV，MSC、S-G、1ST和2ND及其組合）后的光譜圖見圖1.

由圖1（a）可知，樣本的原始光譜在960 nm處存在明顯的光譜吸收峰，此峰對應(yīng)O-H基團(tuán)的二級倍頻[15]，這是由于豬肉和羊肉中含有較多的水分的緣故.此外，在可見光范圍內(nèi)480 nm和570 nm處亦有兩個較明顯的光譜吸收峰，可能分別為去氧肌紅蛋白和氧合肌紅蛋白的吸收所致[16]，反映摻假羊肉樣品的顏色差異.圖1（b）的SNV預(yù)處理光譜圖與圖（c）的MSC預(yù)處理光譜圖比較相似，這兩種預(yù)處理方法均有消除由于樣品顆粒大小不同及顆粒分布不均勻而產(chǎn)生的散射對光譜的影響作用，故兩圖相對于圖（a）而言，光譜曲線更加緊湊.圖1（e）、（g）、（i）分別為1ST、SNV+1ST、MSC+1ST預(yù)處理光譜圖，均含有1ST預(yù)處理方法，其可校正基線，使平滑處趨于平直，且波峰處更加突出.圖1（f）、（h）、（j）分別為2ND、SNV+2ND、MSC+2ND預(yù)處理光譜圖，可以看出噪聲信息較多，且波峰波谷難以辨出.圖1（d）、（k）、（l）分別為S-G、MSC+S-G、SNV+S-G預(yù)處理光譜圖，可以看出三種預(yù)處理方法除去了部分噪聲，并且保持了光譜波峰波谷的位置不發(fā)生偏移.

2.2 全波長模型的建立

采用不同預(yù)處理方法建立模型且對其進(jìn)行評價，結(jié)果見表1.由表1可得出結(jié)論：SNV預(yù)處理方法所對應(yīng)模型效果最優(yōu)，決定系數(shù)、和分別為0.95、0.93和0.96，而均方根誤差RMSEC、RM?SECV和RMSEP分別為7.07%、8.33%和6.18%.

對照原始數(shù)據(jù)，SNV預(yù)處理方法所得模型中R2比原數(shù)據(jù)分別增加了1.06%、1.08%和2.13%，而RMSE較原數(shù)據(jù)分別降低了12.06%、8.66%和18.18%.SNV預(yù)處理方法與其他預(yù)處理方法（MSC、S-G、1ST、SNV+1ST、MSC+1ST、MSC+S-G、SNV+S-G等）相比，決定系數(shù)R2均較大，且接近1均方根誤差RMSE相對而言均較小.

圖1 不同預(yù)處理方式下的樣品光譜圖Fig.1 Sample spectra under different pretreatment methods

表1 不同光譜預(yù)處理方法下的羊肉摻假定量分析模型結(jié)果Tab.1 The performance of mutton adulteration quantita?tive analysis model under different spectral pretreatment methods

在采用2ND進(jìn)行預(yù)處理時，R2C為0.99，接近于1，呈正相關(guān)，但是R2P卻很小，甚至是負(fù)數(shù)，為負(fù)相關(guān)，出現(xiàn)了嚴(yán)重的過擬合現(xiàn)象.此外，建模所用主成分?jǐn)?shù)為17個，說明噪聲信息比較多.因此，二階微分預(yù)處理方法不適用于本試驗中羊肉摻假檢測模型的建立.

2.3 簡化模型的建立

采用回歸系數(shù)法、逐步回歸法、SPA和CARS四種波長選擇方法進(jìn)行波長選擇，并建立相應(yīng)的簡化模型，見表2.

R2越大表明模型越精確，RMSE越小說明誤差越小.通過比較，從表2可以看出，相比其他3種方法，CARS的三項決定系數(shù)最大，均方根誤差最小.雖然其主成分?jǐn)?shù)略多（相較回歸系數(shù)法），但是CARS仍是最優(yōu)波長的選擇方法.

表2 波長選擇方法的比較結(jié)果Tab.2 Comparison of several kinds of wavelength selection methods

基于CARS法的簡化模型相關(guān)信息見圖2.該模型選取43個特征波長（見圖2（a）），使用6個潛變量來代表數(shù)據(jù)主要信息以及反映被測量的變化（見圖2（b））.模型的、和分別為0.96、0.94和0.96，RMSEC、RMSECV和RMSEP分別為6.55%、7.66%和6.10%，具有較好的精度和穩(wěn)定性.

圖2 簡化模型的性能Fig.2 Performance of the simplified model

3 結(jié)論

本文基于高光譜技術(shù)對99份含有豬肉的摻假羊肉進(jìn)行檢測分析，確定SNV為最優(yōu)的光譜預(yù)處理方法、CARS為最優(yōu)波長選擇方法，建立了羊肉摻假檢測全波長和選擇波長的定量分析校正模型，并對模型進(jìn)行了驗證.全波長模型建立過程中，預(yù)測集的33個樣品預(yù)測結(jié)果的R2P為0.96，RMSEP為6.18%.采用CARS波長選擇方法建立的簡化模型中R2P為0.96，RMSEP為6.10%.上述結(jié)果表明，高光譜技術(shù)結(jié)合標(biāo)準(zhǔn)正態(tài)變量校正法（SNV）及變量篩選法（CARS）用于定量分析羊肉中摻假豬肉量檢測，可操作性強(qiáng)，為羊肉中摻假豬肉的在線檢測提供理論依據(jù).

[1]孟一,張玉華,王家敏,等.基于近紅外光譜技術(shù)快速識別不同動物源肉品[J].食品科學(xué),2014,35(6):156-158.

[2]Togersen G,Isaksson T,Nilsen B,et al.On-line NIR analy?sis of fat，water and protein in industrial scale ground meat batches[J].Meat Sci,1999,51(1):97-102.

[3]張德權(quán),陳宵娜,孫素琴,等.羊肉嫩度傅里葉變換近紅外光譜偏最小二乘法定量分析研究[J].光譜學(xué)與光譜分析, 2008,28(11):2550-2553.

[4]張寧,張德權(quán),李淑榮,等.近紅外光譜結(jié)合SIMCA法溯源羊肉產(chǎn)地的初步研究[J].農(nóng)業(yè)工程學(xué)報,2008,42(12): 309-312.

[5]樊玉霞.豬肉肉糜品質(zhì)與安全可見/近紅外光譜快速檢測方法的實驗研究[D].杭州:浙江大學(xué),2011.

[6]陳全勝,張燕華,萬新民,等.基于高光譜成像技術(shù)的豬肉嫩度檢測研究[J].光學(xué)學(xué)報,2010,30(9):2602-2607.

[7]王偉,彭彥昆,張曉莉.基于高光譜成像的生鮮豬肉細(xì)菌總數(shù)預(yù)測建模方法研究[J].光譜學(xué)與光譜分析,2010,30(2): 411-415.

[8]吳建虎,彭彥昆,陳菁菁,等.基于高光譜散射特征的牛肉品質(zhì)參數(shù)的預(yù)測研究[J].光譜學(xué)與光譜分析,2010,30(7): 1815-1819.

[9]高海龍.基于透射和反射高光譜成像技術(shù)的馬鈴薯缺陷檢測方法研究[D].武漢:華中農(nóng)業(yè)大學(xué),2014.

[10]展曉日,朱向榮,史新元,等.SPXY樣本劃分法及蒙特卡羅交叉驗證結(jié)合近紅外光譜用于橘葉中橙皮苷的含量測定[J].光譜學(xué)與光譜分析,2009,29(4):964-968.

[11]張筱蕾.基于高光譜成像技術(shù)的油菜養(yǎng)分及產(chǎn)量信息快速獲取技術(shù)和方法研究[D].杭州:浙江大學(xué),2013.

[12]姜能座,楊德輝.近紅外漫反射光譜逐步回歸分析測定飼料中水份含量[J].臺灣海峽,1996,S1:100-103.

[13]章海亮.基于光譜和高光譜成像技術(shù)的土壤養(yǎng)分及類型檢測與儀器開發(fā)[D].杭州:浙江大學(xué),2015.

[14]Li H D,Liang Y Z,Xu Q S,et al.Support vector ma?chines and its applications in chemistry[J].Chemometrics and Intelligent Laboratory Systems,2009,95(2):188-198.

[15]胡耀華,郭康權(quán),野口剛,等.基于近紅外光譜檢測豬肉系水力的研究[J].光譜學(xué)與光譜分析,2009,29(12):3259-3262.

[16]熊來怡.近紅外光譜技術(shù)檢測豬肉品質(zhì)及其安全判別研究[D].楊凌:西北農(nóng)林科技大學(xué),2012.

責(zé)任編輯：劉 紅

Hyperspectral Imaging Technology and Wavelength Selection Method for Nondestructive Detection of Mutton Adulteration

LIU Youhua，BAI Yabin，QIU Zhufu，CHEN Wei，F(xiàn)ENG Yaoze*
（College of Engineering，Huazhong Agricultural University，Wuhan 430070，China）

For the quantitative detection of mutton adulteration,hyperspectral imaging was combined with wavelength se?lection methods as well as partial least squares（PLS）method to establish calibration models.The test has set up a hyper?spectral image acquisition system,and the hyperspectral images of 99 selected mutton samples were collected（390～1040nm）.Sample spectra were extracted from the regions of interest of samples.Comparison of the effects of various pretreat?ment methods for full wavelengths model was conducted and the test showed that the standard normal variable correction（SNV）was the optimal spectral pretreatment method with coefficient of determination R2CVand R2Pof 0.93 and 0.96,root mean square error RMSECVand RMSEPof 8.33%and 6.18%,respectively.A variety of wavelength selection methods were utilized to select feature wavelengths and competitive adaptive re-weighted algorithm（CARS）led to the best simplified model where R2C=0.96，R2CV=0.94，R2P=0.96，RMSEC=6.55%，RMSECV=7.66%，RMSEP=6.10%.The results showed that hy?perspectral imaging technology combined with CARS was powerful for accurate quantitative detection of mutton adulteration, and also can provide a theoretical basis for the on-line non-destructive testing of mutton adulteration.

lamb adulteration；standard normal variable correction；competitive adaptive reweighed sampling；partial least squares regression；quantitative analysis

O 657.3

A

1674-4942（2015）03-0265-05

2015-06-22

湖北省自然科學(xué)基金重點項目（ZRZ2015000186）；中央高?；究蒲袠I(yè)務(wù)費專項基金資助項目（2662015PY051）；華中農(nóng)業(yè)大學(xué)新進(jìn)博士科研啟動基金

*通訊作者