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

1. 合肥工業(yè)大學(xué)食品與生物工程學(xué)院， 安徽 合肥 230009 2. 農(nóng)產(chǎn)品生物化工教育部工程研究中心(合肥工業(yè)大學(xué))， 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(yè)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(shù)國家或地區(qū)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(shè)備損傷， 致使設(shè)備維護成本增加[4]。 可見， 凍融豬肉危害級碎骨的快速精準(zhǔn)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(shù)[5-7]相繼被用于肉和肉制品中碎骨的識別研究與應(yīng)用。 然而， 該類方法均存在較多缺陷， 主要表現(xiàn)為X射線技術(shù)的裝備昂貴和檢測員被輻射風(fēng)險[6]、 超聲成像技術(shù)的觸壓信號傳輸和單點掃描[2]、 高光譜成像技術(shù)的數(shù)據(jù)結(jié)構(gòu)復(fù)雜和分析耗時性[7]等， 難以滿足實際工業(yè)需求。 因此， 開發(fā)一種低成本的快速無損碎骨檢測技術(shù)對無骨肉制品加工工業(yè)極為關(guān)鍵。

多光譜成像(multispectral imaging， MSI)技術(shù)結(jié)合了空間成像系統(tǒng)和光譜探測系統(tǒng)[8]是由若干個非連續(xù)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(shù)據(jù)由若干個二維圖像構(gòu)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(shù)已廣泛用于理化特征分析[12-15]、 摻假造假識別[16-17]等， 表現(xiàn)出較強的技術(shù)優(yōu)勢和廣闊的應(yīng)用前景。 然而， 基于MSI技術(shù)快速無損識別肉及肉制品中碎骨的研究與應(yīng)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(shù)具有十分重要的科學(xué)意義。

1 實驗部分

1.1 材料與設(shè)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(zhì)量。

設(shè)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(zhǔn)備： 除去豬后腿瘦肉中的可視脂肪與結(jié)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(guī)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(nèi)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(nèi)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(huán)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(nèi)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(xùn)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(wěn)定樣品溫度， 樣品采集前， 均置于室溫下30 min； MSI系統(tǒng)經(jīng)預(yù)熱30 min后， 依次采用黑板、 白板和幾何板自動校準(zhǔn)， 并利用積分球體光漫射特性靜態(tài)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(yōu)選上有較大改動。 基于樣本區(qū)域差異性和二值圖像形態(tài)學(xué)特征， 以0～1為閾值選取范圍， 階躍值設(shè)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(xiàn)肉樣與背景的完全分割， 獲得感興趣區(qū)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(xiàn)非骨區(qū)域與含骨區(qū)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(yīng)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(shù)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(xù)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(xùn)練集、 驗證集和測試集， 構(gòu)建出冗余最小的特征變量。

1.5 光譜數(shù)據(jù)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(fù)雜光譜數(shù)據(jù)轉(zhuǎn)化為少數(shù)幾個主成分變量(PCs)， 以簡化光譜數(shù)據(jù)， 便于初步分析。

支持向量機(support vector machine， SVM)： 基于核函數(shù)優(yōu)化， 實現(xiàn)樣本精準(zhǔn)分類[20]。 采用10折交叉驗證的網(wǎng)格搜索法對SVM核函數(shù)g和懲罰因子c進行參數(shù)優(yōu)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(shù)據(jù)集， 所獲的最佳懲罰因子c分別為10， 1和0.1， 最佳核函數(shù)g分別為1， 1和1。

神經(jīng)網(wǎng)絡(luò)(neural network， NN)： 基于內(nèi)部網(wǎng)絡(luò)權(quán)重優(yōu)化實現(xiàn)樣本數(shù)據(jù)的最佳分類； 該模型運算所設(shè)置的最大迭代次數(shù)、 學(xué)習(xí)速率、 最小誤差和隱含層單元數(shù)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(biāo)， 由此計算出靈敏度、 特異性、 精確率和準(zhǔn)確率四種模型評價參數(shù)。

上述計量學(xué)分析均在Matlab 7.11軟件中完成。

1.6 圖像數(shù)據(jù)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(biāo)記骨與非骨區(qū)域， 隨后進行SVM和NN模型分析。

2 結(jié)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(qū)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(nèi)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(zhì)有關(guān)[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(guān)。 因此， 結(jié)合光譜和計量學(xué)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(yè)在線檢測能力， 特征光譜篩選與優(yōu)化十分關(guān)鍵[25]。 基于SPA方法， 優(yōu)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(guān)[8]， 700 nm波長與血紅蛋白和骨礦物質(zhì)有關(guān)[23]， 850～970 nm波長與水[24]和肌肉蛋白[26]有關(guān)。

2.3 光譜數(shù)據(jù)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(xiàn)出組內(nèi)嚴重分散和組間相互重疊的特點， 難以實現(xiàn)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(xiàn)出較好的組內(nèi)聚合和組間分離[圖3(b，c)]， 實現(xiàn)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(xué)分析結(jié)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(qū)域分割有利于凍融豬肉中碎骨的精準(zhǔn)識別， 也顯示出區(qū)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(nèi)部碎骨更容易識別， 與光譜特征分析結(jié)果一致。 由表2(Ⅲ)和表3可知， SVM模型在碎骨識別能力上優(yōu)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(jié)合特征光譜與SVM模型實現(xiàn)碎骨的精度識別為工業(yè)應(yīng)用提供了理論基礎(chǔ)。

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(zhí)行參數(shù)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(shù)據(jù)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(jié)果， 其典型樣品見圖4。 FT-LPS(第一行第一列)因邊緣效應(yīng)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(guān)[27-28]。 研究發(fā)現(xiàn)， 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(yīng)[29]， 為未來降低或消除FT-LPS和FT-LPS-BF的邊緣效應(yīng)提供參考。 FT-LPS-SBF(第一行第二列)因脂肪/結(jié)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(jié)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(jié)果， 體現(xiàn)出極好的技術(shù)優(yōu)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(shù)據(jù)的SVM和NN模型分析結(jié)果Table 4 Results of SVM and NN modelsbased on image information

3 結(jié) 論

碎骨是一類典型的物理危害因子。 結(jié)合MSI和計量學(xué)方法開展凍融豬肉中危害級碎骨的識別技術(shù)研究。 基于ROIs-2光譜的碎骨識別能力顯著優(yōu)于ROIs-1， 表明區(qū)域分割對提高檢測精度起決定作用。 由SPA優(yōu)選的六個關(guān)鍵波長(505， 590， 700， 850， 890和970 nm)可實現(xiàn)凍融豬肉中碎骨的高精度識別， 準(zhǔn)確率為100%， 實現(xiàn)數(shù)據(jù)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(yōu)越的碎骨識別模型(精度93.8%)， 又能獲得可視化結(jié)果， 顯示出極大的技術(shù)優(yōu)勢。 因此， 基于多光譜成像的危害級碎骨識別技術(shù)非常精確， 可工業(yè)應(yīng)用。