郭培源++劉艷芳++邢素霞++王昕琨

摘 要：針對近年來備受關(guān)注的臘肉酸價和過氧化值超標(biāo)、褪色、出油、發(fā)黏等品質(zhì)問題，提出一種快速、準(zhǔn)確、實用的檢測技術(shù)。采用支持向量機（support vector machine，SVM）將近紅外光譜（near infrared spectroscopy，NIR）檢測到的酸價、過氧化值、揮發(fā)性鹽基氮和顯微圖像處理得到的微生物菌落總數(shù)進行多數(shù)據(jù)融合，建立臘肉品質(zhì)等級檢測模型，并利用粒子群優(yōu)化（particle swarm optimization，PSO）算法進行模型優(yōu)化。結(jié)果表明：支持向量機的分類方法取得了與生化方法相同的臘肉分級預(yù)測結(jié)果，且采用粒子群優(yōu)化后的分類模型準(zhǔn)確率由97.5%提升到100%。證明粒子群優(yōu)化支持向量機模型能夠迅速對臘肉等級進行準(zhǔn)確檢測。

關(guān)鍵詞：臘肉品質(zhì)；近紅外光譜；圖像處理；支持向量機；粒子群優(yōu)化算法

Predication of Chinese Bacon Quality Grades Based on Support Vector Machine and Particle Swarm Optimization Algorithm

GUO Peiyuan， LIU Yanfang*， XING Suxia， WANG Xinkun

（School of Computer and Information Engineering， Beijing Technology and Business University， Beijing 100048， China）

Abstract： In recent years， quality problems of Chinese bacon such as acid values and peroxide values exceeding the national standard， color fading， oil exudation and sticky feeling to the touch have received growing attention. With that in mind， a fast， accurate and practical detection method to evaluate Chinese bacon quality is presented in this paper. We established a predictive model for bacon quality detection by using the support vector machine （SVM） approach based on the near-infrared spectral data （acid value， peroxide value， volatile base nitrogen） and microscopic image data （the total number of microbial colonies）. Moreover， the model was optimized by using particle swarm optimization （PSO） algorithm. It was found that the prediction results of the SVM model and the biochemical method were consisted for bacon quality classification. Besides， the predictive accuracy of the classification mode was increased from 97.5% to 100% after optimization. The SVM model optimized by PSO proved to be able to quickly and accurately detect Chinese bacon quality.

Key words： Chinese bacon quality； near infrared spectroscopy （NIR）； image processing； support vector machine （SVM）； particle swarm optimization （PSO）

DOI：10.7506/rlyj1001-8123-201703006

中圖分類號：TS251.1 文獻標(biāo)志碼：A 文章編號：1001-8123（2017）03-0030-05

引文格式：

郭培源， 劉艷芳， 邢素霞， 等. 基于支持向量機及粒子群算法的臘肉品質(zhì)等級檢測[J]. 肉類研究， 2017， 31（3）： 30-34. DOI：10.7506/rlyj1001-8123-201703006. http：//www.rlyj.pub

GUO Peiyuan， LIU Yanfang， XING Suxia， et al. Predication of Chinese bacon quality grades based on support vector machine and particle swarm optimization algorithm[J]. Meat Research， 2017， 31（3）： 30-34. DOI：10.7506/rlyj1001-8123-201703006. http：//www.rlyj.pub

中國臘肉是世界飲食文化的寶貴遺產(chǎn)，臘肉以其獨特的風(fēng)味聞名于世，其制作工藝要求不高，在貯藏和運輸過程中很容易出現(xiàn)質(zhì)量問題。隨著生活水平的提高，人們對食品安全的關(guān)注度也相應(yīng)提高。臘肉主要成分包括脂肪和蛋白質(zhì)，評價脂肪的降解指標(biāo)是酸價和過氧化氫值，評價蛋白質(zhì)的降解指標(biāo)是揮發(fā)性鹽基氮[1-3]，這些也是傳統(tǒng)飲食安全的主要檢測指標(biāo)。在實際臘肉樣品檢測中發(fā)現(xiàn)微生物菌落總數(shù)對臘肉的品質(zhì)也有重要的影響[4]。目前，對于臘肉品質(zhì)的檢測主要以理化檢測為主，但是其檢測時間過長，且具有破壞性，不利于衛(wèi)生檢疫部門對臘肉品質(zhì)的快速檢驗，因此急需一種新型的快速準(zhǔn)確實用的無損檢測技術(shù)。

近紅外光譜（near infrared spectroscopy，NIR）作為一種新型的光學(xué)檢測技術(shù)在食品檢測中的應(yīng)用越來越廣泛，尤其是在肉類品質(zhì)檢測中對肉制品的保水性、肉色、新鮮度等的檢測具有突出優(yōu)勢[5]。近年來國內(nèi)外學(xué)者對臘肉的食用品質(zhì)檢測做了很多研究，楊昆程等[6]以臘肉為對象，探討了高光譜技術(shù)在亞硝酸鹽含量快速檢測的可行性，賀稚非等[7]對川味臘肉在貨架期間的品質(zhì)變化做了研究。這些研究雖然使我們對影響臘肉食用品質(zhì)的因素以及臘肉品質(zhì)變化的過程有了更深入的了解，但是臘肉食用品質(zhì)檢測方法仍有待改進。本實驗以臘肉為主要研究對象，采用支持向量機（support vector machine，SVM）將近紅外光譜檢測到的酸價、過氧化值、揮發(fā)性鹽基氮和顯微圖像處理得到的微生物菌落總數(shù)進行多數(shù)據(jù)融合，建立臘肉品質(zhì)等級檢測模型，并利用粒子群優(yōu)化（particle swarm optimization，PSO）算法進行模型優(yōu)化。以期為檢疫執(zhí)法部門提供一種快速檢測技術(shù)，保證消費者的食用安全。

1 材料與方法

1.1 材料

廣式臘肉 廣州皇上皇集團有限公司。

1.2 儀器與設(shè)備

FoodScan近紅外全光柵透射光譜分析儀 丹麥Foss公司；BI-2000醫(yī)學(xué)圖像攝像電子顯微鏡 成都泰盟科技有限公司；恒溫恒濕箱 北京雅士林試驗設(shè)備有限

公司；8011S組織搗碎機 美國Waring Commercial公司；OPUS6.0光譜處理軟件 德國布魯克光譜儀器公司。

1.3 方法

1.3.1 數(shù)據(jù)采集

將不同批次共計10 個臘肉樣品粉碎成肉糜狀，18 ℃恒溫箱保存。每隔12 h分次進行酸價、過氧化值、揮發(fā)性鹽基氮的理化數(shù)據(jù)及光譜數(shù)據(jù)的采集，并采集樣品的微生物菌落總數(shù)，采集12 次，共得到120 組包含理化、光譜、微生物菌落信息的樣本數(shù)據(jù)。其中酸價與過氧化值按GB/T 5009.37—2003《食用植物油衛(wèi)生標(biāo)準(zhǔn)分析方法》[8]

測定；揮發(fā)性氨基氮按GB/T 5009.44—2003《肉與肉制品 衛(wèi)生標(biāo)準(zhǔn)的分析方法》中半微量定氮法來測定[9]；近紅外光譜數(shù)據(jù)采用福斯近紅外光譜儀，每個樣品連續(xù)掃描32 次，取平均值，得到120 個光譜數(shù)據(jù)；微生物菌落總數(shù)采用電子顯微鏡，采集100物鏡下的顯微圖像，并將樣品菌落圖像進行平滑去噪處理然后進行黏連菌落分割計數(shù)，最后進行歸一化。

1.3.2 基于支持向量機的臘肉品質(zhì)等級檢測模型建立

首先將采集的120 組樣品數(shù)據(jù)隨機分成校驗集（80 組）和預(yù)測集（40 組）2 部分。

其次利用自組織映射（self organizing maps，SOM）神經(jīng)網(wǎng)絡(luò)[10]將生化實驗測得的酸價、過氧化值以及微生物菌落總數(shù)進行模式識別及分類，將臘肉樣品的品質(zhì)等級在相關(guān)國家標(biāo)準(zhǔn)[11]的基礎(chǔ)上劃分為4 級：放心食用、可食用、不推薦食用和不可食用，從而細化分類等級，滿足人們生產(chǎn)生活的實際需要。

然后將近紅外光譜[12]采集到的校驗集的酸價、過氧化值、揮發(fā)性鹽基氮光譜與樣本所對應(yīng)的理化值利用偏最小二乘方法建立定量分析模型[13]并用遺傳算法進行特征光譜選擇，將優(yōu)選后的波段作為支持向量機的特征向量。同時利用計算機視覺獲取樣品顯微菌斑圖像[14]，將菌斑圖像進行平滑去噪處理然后進行黏連菌落分割計數(shù)，并對計數(shù)結(jié)果歸一化，將歸一化后的結(jié)果作為支持向量機的另一特征向量。

最后采用支持向量機[15-18]對處理后的酸價、過氧化值、揮發(fā)性鹽基氮數(shù)據(jù)和微生物菌落進行多數(shù)據(jù)融合，建立臘肉品質(zhì)檢測模型，對臘肉的品質(zhì)等級進行快速識別。圖1為支持向量機多數(shù)據(jù)融合結(jié)構(gòu)圖。

2 結(jié)果與分析

2.1 基于支持向量機的臘肉品質(zhì)等級檢測模型預(yù)測結(jié)果

2.1.1 近紅外光譜處理結(jié)果與分析

利用近紅外檢測技術(shù)采集校驗集樣品光譜得到如圖2a所示的原始光譜圖，其橫坐標(biāo)為波長，縱坐標(biāo)為樣品進行歸一化處理后的吸光度。圖2b、c、d是用遺傳算法進行特征光譜選擇后得到的酸價、過氧化值、揮發(fā)性鹽基氮的結(jié)果圖，深色縱帶為圖中指標(biāo)所對應(yīng)的波長段。優(yōu)選的波段主要集中在863～873 nm、895～900 nm、930～963 nm和1 012～1 022 nm這幾個波段，雖然檢測指標(biāo)不同，所選取的波段不同，但是所用波長總數(shù)依然是整個波段波長數(shù)（198=1048-850）的1/3?？梢钥闯鲞z傳算法對波段進行波長選擇，能使模型精度提高，建模所用波長數(shù)減少。

2.1.2 微生物菌落處理結(jié)果與分析

圖3a、c、e分別是第6、14、28天某樣品的微生物菌落原始圖像，其中白色代表菌斑；圖3b、d、f是樣品菌斑圖像進行平滑去噪以及黏連菌落分割處理后的圖像。第6天菌斑是作為發(fā)酵劑的微生物所引起的，國標(biāo)中允許在臘肉表面殘留一定的微生物，這些作為發(fā)酵劑的微生物有利于增加臘肉的特有風(fēng)味。第12天菌相開始發(fā)生變化，說明在這個時間樣品的優(yōu)勢菌種已經(jīng)發(fā)生改變，而且此時菌斑數(shù)量明顯增多。第28天菌斑數(shù)量較之第12天增加更多，通過計數(shù)得知，此時的菌落總數(shù)為32 854 CFU/g，已經(jīng)超過了國標(biāo)[28]中10 000 CFU/g的標(biāo)準(zhǔn)。

圖4是一個月內(nèi)校驗集樣本微生物菌落總數(shù)變化圖，通過數(shù)字圖像處理方法得到的菌落總數(shù)與通過國標(biāo)人工計數(shù)的方法得到的菌落總數(shù)幾乎相同，這證明了通過數(shù)字圖像處理技術(shù)可以獲得微生物菌落總數(shù)，提高效率。

2.1.3 支持向量機模型分類預(yù)測結(jié)果與分析

SVM是Vapnik在多年研究統(tǒng)計學(xué)習(xí)理論線性分類的基礎(chǔ)上，提出的一種設(shè)計最佳準(zhǔn)則，其最終決策函數(shù)只有少量的支持向量決定，所以具有較好的魯棒性，簡單高效[29]。由于本研究只有酸價、過氧化值、揮發(fā)性鹽基氮、菌落總數(shù)4 項指標(biāo)，所以建立SVM臘肉品質(zhì)檢測模型可以很迅速地實現(xiàn)臘肉品質(zhì)的準(zhǔn)確分類。

本研究樣品存在非線性不可分的情況，可以用低維空間的非線性問題轉(zhuǎn)化為高維空間的線性問題，然后在這個新空間中求解最優(yōu)超平面。這種非線性轉(zhuǎn)化是通過定義適當(dāng)?shù)膬?nèi)積核函數(shù)實現(xiàn)的[30]。選擇正確的內(nèi)積核函數(shù)可以使原空間到高維空間的非線性映射計算量大大減少。

為得到新空間中的函數(shù)集合，需要選取最佳的懲罰參數(shù)c和核函數(shù)參數(shù)g。采取交叉驗證（cross validation，CV）的方法，可以避免欠學(xué)習(xí)和過學(xué)習(xí)的現(xiàn)象。本研究在采用k-CV方法時，得到的分類結(jié)果準(zhǔn)確率是97.5%。這種算法雖然可以找到最佳的c和g，可是因為本研究尋找最優(yōu)c和g的網(wǎng)格范圍較大，用k-CV方法會遍歷網(wǎng)格內(nèi)的所有參數(shù)點，較為費時，而且準(zhǔn)確率還有待提高，所以采用粒子群優(yōu)化算法來進行模型優(yōu)化。

2.2 基于PSO算法的優(yōu)化模型分類預(yù)測結(jié)果與分析

粒子群優(yōu)化（PSO）算法是通過模擬鳥群覓食行為而發(fā)展起來的一種基于群體協(xié)作的隨機搜索算法。每個PSO算法的“粒子”表示的空間中可能的解，每個粒子具有由適應(yīng)度函數(shù)來確定一個相應(yīng)的適應(yīng)值。PSO粒子群算法優(yōu)化SVM分類預(yù)測參數(shù)選擇結(jié)果如圖5所示。

圖 5 PSO粒子群算法優(yōu)化SVM分類預(yù)測參數(shù)選擇結(jié)果

Fig. 5 Selection of parameters for predictive classification of Chinese bacon quality by the optimized SVM model

由圖5可知，得到最佳懲罰參數(shù)c和核函數(shù)參數(shù)g分別為0.707 1和1.414 2。將預(yù)測參數(shù)選擇出的最佳懲罰參數(shù)c和核函數(shù)g參數(shù)帶入到SVM算法函數(shù)集合式中，得到經(jīng)PSO算法優(yōu)化后的支持向量機分類預(yù)測模型的準(zhǔn)確率為100%。所以，采用PSO算法尋找最佳懲罰參數(shù)c和核函數(shù)參數(shù)g，不但可以解決人工選取懲罰參數(shù)c和核函數(shù)參數(shù)g沒有相關(guān)的理論依據(jù)，解決人工反復(fù)實驗選取的問題，而且還可以優(yōu)化已建立的支持向量機分類預(yù)測模型，提高模型的精確度和泛化能力。

2.3 優(yōu)化支持向量機模型與生化方法分級預(yù)測結(jié)果對比

表1是用生化方法對臘肉進行分級預(yù)測的結(jié)果。利用優(yōu)化后的SVM模型對預(yù)測集40 個樣品采集的數(shù)據(jù)進行預(yù)測，結(jié)果如表2所示。

對比兩表中各項數(shù)據(jù)可以看出，2 種方法所得分級預(yù)測結(jié)果基本相同，證明可以用粒子群優(yōu)化支持向量機模型對臘肉等級進行準(zhǔn)確檢測。

3 結(jié) 論

本研究對臘肉品質(zhì)進行分級預(yù)測的結(jié)果與使用生化方法對臘肉進行分級預(yù)測的結(jié)果基本相同，證明所建支持向量機預(yù)測模型可以對臘肉品質(zhì)等級進行準(zhǔn)確的分類檢測。而且經(jīng)粒子群算法優(yōu)化后的支持向量機分類預(yù)測模型準(zhǔn)確率從97.5%提高到100%，運算時間縮短5.3 s，模型的準(zhǔn)確率和效率得到了很大提高。

本研究在國家相關(guān)食品標(biāo)準(zhǔn)的基礎(chǔ)上，通過支持向量機對影響臘肉品質(zhì)的因素進行多數(shù)據(jù)融合，建立了臘肉品質(zhì)等級檢測模型，并利用粒子群算法進行模型優(yōu)化從而對樣品臘肉品質(zhì)等級進行模式識別及快速判別。本研究建立的檢測模型較傳統(tǒng)理化檢驗方法有如下優(yōu)點：1）傳統(tǒng)理化檢驗操作復(fù)雜，檢驗周期為15 d左右，而本研究模型在保證精度的同時可以簡單迅速進行現(xiàn)場實時檢驗；2）傳統(tǒng)理化檢驗是一種破壞性的檢驗，而本研究為無損檢驗。所以本研究可以為相關(guān)部門提供一種快速檢測技術(shù)，保證消費者的食用安全。

參考文獻：

[1] 郭昕， 張春江. 湘西臘肉品質(zhì)評價指標(biāo)間的相關(guān)性研究[J]. 食品工業(yè)， 2015， 36（1）： 281-283.

[2] 趙杰文， 惠喆， 黃林， 等. 高光譜成像技術(shù)檢測雞肉中揮發(fā)性鹽基氮含量[J]. 激光與光電子學(xué)進展， 2013， 50（7）： 1-3. DOI：10.3788/LOP50.073003.

[3] 周令國， 肖琳， 祝義偉， 等. 近紅外光譜技術(shù)快速檢測臘肉酸價和過氧化值[J]. 肉類研究， 2012， 26（3）： 30-33. DOI：10.3969/j.issn.1001-8123.2012.03.009.

[4] 陳美春， 楊勇， 石磊. 四川臘肉生產(chǎn)過程中理化及微生物特性的研究[J]. 食品科學(xué)， 2008， 29（5）： 1002-6630.

[5] 黃偉， 楊秀娟， 張燕鳴， 等. 近紅外光譜技術(shù)在肉類定性鑒別中的研究進展[J]. 肉類研究， 2014， 28（1）： 31-34.

[6] 楊昆程， 郭培源， 劉碩， 等. 高光譜技術(shù)在臘肉亞硝酸鹽含量檢測的應(yīng)用[J]. 科技通報， 2016， 32（4）： 70-74. DOI：10.13774/j.cnki.kjtb.2016.04.015.

[7] 賀稚非， 薛山. 川味臘肉貨架期間的品質(zhì)變化[J]. 食品工業(yè)科技， 2013， 34（18）： 318-321. DOI：10.13386/j.issn1002-0306.2013.18.081.

[8] 中華人民共和國衛(wèi)生部， 中國國家標(biāo)準(zhǔn)化管理委員會. GB/T 5009.37—2003 食用植物油衛(wèi)生標(biāo)準(zhǔn)分析方法[S]. 北京： 中國標(biāo)準(zhǔn)出版社， 2003.

[9] 中華人民共和國衛(wèi)生部， 中國國家標(biāo)準(zhǔn)化管理委員會. GB 5009.44—2003 肉與肉制品 衛(wèi)生標(biāo)準(zhǔn)的分析方法[S]. 北京： 中國標(biāo)準(zhǔn)出版社， 2003.

[10] 趙建華. 基于SOM神經(jīng)網(wǎng)絡(luò)的半監(jiān)督分類算法[J]. 西華大學(xué)學(xué)報（自然科學(xué)版）， 2015， 34（1）： 36-40. DOI：10.3969/j.issn.1673-159X.2015.01.029.

[11] 王昕琨， 郭培源， 林巖. 基于多數(shù)據(jù)融合技術(shù)的臘肉品質(zhì)分級方法[J]. 食品科學(xué)， 2014， 35（2）： 217-221. DOI：10.7506/spkx1002-6630-201402042.

[12] RUST S R， PRICE D M， SUBBIAH J， et al. Predicting beef tenderness using near-infrared spectroscopy[J]. Journal of Animal Science， 2007， 86（1）： 211-219. DOI：10.2527/jas.2007-0084.

[13] 勵建榮， 王麗， 張曉敏， 等. 近紅外光譜結(jié)合偏最小二乘法快速檢測大黃魚新鮮度[J]. 中國食品學(xué)報， 2013， 13（6）： 209-214. DOI：10.16429/j.1009-7848.2013.06.015.

[14] 趙俊華， 郭培源， 邢素霞， 等. 基于高光譜成像的臘肉細菌總數(shù)預(yù)測建模方法研究[J]. 中國調(diào)味品， 2016， 41（2）： 74-78. DOI：10.3969/j.issn.1000-9973.2016.02.015.

[15] LI Weijun， LIU Zhenyu. A method of SVM with normalization in intrusion detection[C]//Proceedings of the 2011 2nd International Conference on Challenges in Environmental Science and Computer Engineering. Haikou： Procedia Environmental Sciences， 2011： 256-262.

[16] ZHONG Jingjing， TSE P W， WANG Dong. Novel Bayesian inference on optimal parameters of support vector machines and its application to industrial survey data classification[J]. Neurocomputing， 2015， 211（26）： 159-171. DOI：10.1016/j.neucom.2015.12.132.

[17] 陳燁， 劉淵. 基于參數(shù)優(yōu)化SVM融合的網(wǎng)絡(luò)異常檢測[J]. 計算機應(yīng)用于軟件， 2013， 30（9）： 39-43. DOI：10.3969/j.issn.1000-386x.2013.09.012.

[18] 王健峰， 張磊， 陳國興， 等. 基于改進的網(wǎng)格搜索法的SVM參數(shù)優(yōu)化[J]. 應(yīng)用科技， 2012， 39（3）： 28-31. DOI：10.3969/j.issn.1009-671X.201112016.

[19] 劉志康. 一種改進的混合核函數(shù)支持向量機文本分類方法[J]. 工業(yè)控制計算機， 2016， 29（6）： 113-114. DOI：10.3969/j.issn.1001-182X.2016.06.050.

[20] 胡局新， 張功杰. 基于K折交叉驗證的選擇性集成分類算法[J]. 科技通報， 2013， 29（12）： 115-117. DOI：10.3969/j.issn.1001-7119.2013.12.039.

[21] 谷文成， 柴寶仁. 基于粒子群優(yōu)化算法的支持向量機研究[J]. 北京理工大學(xué)學(xué)報， 2014， 34（7）： 705-709. DOI：10.15918/j.tbit1001-0645.2014.07.014.

[22] 杜軍崗， 魏汝祥， 劉寶平. 基于PSO優(yōu)化LS-SVM的小樣本非線性協(xié)整檢驗與建模研究[J]. 系統(tǒng)工程理論與實踐， 2014， 34（9）： 2322-2331.

[23] CAI Zhuoran， ZHAO Honglin， YANG Zhutian， et al. A modular spectrum sensing system based on PSO-SVM[J]. Sensors， 2012， 12（11）： 15292-15307. DOI：10.3390/s121115292.

[24] ALI B， HASHEMI， MEYBODI M R. A note on the learning automata based algorithms for adaptive parameter selection in PSO[J]. Applied Soft Computing Journal， 2011， 11（1）： 689-705. DOI：10.1016/j.asoc.2009.12.030.

[25] 陳治明. 改進的粒子群算法及其SVM參數(shù)優(yōu)化應(yīng)用[J]. 計算機工程與應(yīng)用， 2011， 47（10）： 38-40. DOI：10.3778/j.issn.1002-8331.2011.10.011.

[26] 張慶， 劉丙杰. 基于PSO和分組訓(xùn)練的SVM參數(shù)快速優(yōu)化方法[J]. 科學(xué)技術(shù)與工程， 2008， 8（16）： 4613-4616. DOI：10.3969/j.issn.1671-1815.2008.16.045.

[27] 匡芳君， 徐蔚鴻， 張思揚. 基于改進混沌粒子群的混合核SVM參數(shù)優(yōu)化及應(yīng)用[J]. 計算機應(yīng)用研究， 2014， 31（3）： 671-687. DOI：10.3969/j.issn.1001-3695.2014.03.007.

[28] 中華人民共和國衛(wèi)生部， 中國國家標(biāo)準(zhǔn)化管理委員會. GB 2726—2005 熟肉制品衛(wèi)生標(biāo)準(zhǔn)[S]. 北京： 中國標(biāo)準(zhǔn)出版社： 2005.

[29] 易輝， 宋曉峰， 姜斌， 等. 柔性支持向量回歸及其在故障檢測中的應(yīng)用[J]. 自動化學(xué)報， 2013， 39（3）： 272-284. DOI：10.3724/SP.J.1004.2013.00272.

[30] 榮海娜， 張葛祥， 金煒東. 系統(tǒng)辨識中支持向量機核函數(shù)及其參數(shù)的研究[J]. 系統(tǒng)仿真學(xué)報， 2006， 18（11）： 3204-3208. DOI：10.3969/j.issn.1004-731X.2006.11.050.