王潤(rùn)博，韓文鳳

（1.河南工業(yè)大學(xué) 漯河工學(xué)院,河南 漯河 462000；2.浙江工業(yè)職業(yè)技術(shù)學(xué)院 鑒湖學(xué)院，浙江 紹興 312000）

0 引言

馬鈴薯是世界四大糧食作物之一，目前已廣泛種植于我國(guó)各地區(qū)，是投資少、見效快、效益高的作物［1］。然而，油炸馬鈴薯片中羧甲基賴氨酸（CML）的含量較高，對(duì)消費(fèi)者的健康構(gòu)成了威脅，成為制約馬鈴薯類休閑食品發(fā)展的瓶頸［2］。CML是結(jié)構(gòu)穩(wěn)定的一類晚期糖基化終末產(chǎn)物，在體內(nèi)集聚過(guò)量可導(dǎo)致一些慢性疾病的發(fā)生，如心血管疾管、糖尿病、動(dòng)脈粥樣硬化等。食品中的CML也可以作為評(píng)價(jià)食品體系美拉德反應(yīng)中蛋白質(zhì)化學(xué)修飾、羰基應(yīng)激和脂質(zhì)氧化的一個(gè)首要指標(biāo)［3］。因此，實(shí)現(xiàn)CML含量的實(shí)時(shí)在線無(wú)損檢測(cè)十分必要。

目前，計(jì)算機(jī)視覺［4，5］已應(yīng)用于食品檢測(cè)等各方面。高光譜成像技術(shù)作為其中一種快速、無(wú)損的分析方式，普遍應(yīng)用于肉類［6］、微生物［7］、農(nóng)產(chǎn)品［8，9］、堅(jiān)果［10］、乳制品［11］等眾多工業(yè)檢測(cè)中［12］。Arif C M M.等人［13］驗(yàn)證從550～690nm波長(zhǎng)范圍可以對(duì)肌肉類型、顏色穩(wěn)定性和貯藏期的野牛肌肉樣品的新鮮度進(jìn)行分類和預(yù)測(cè)。Antonio F等人［14］采集每個(gè)橄欖450～1050 nm的高光譜圖像建立模型，檢測(cè)炭疽病病毒非常有效。Lin D等人［15］采集菊苣五個(gè)時(shí)期350～2500 nm的高光譜圖像，利用光譜反射率估算出菊苣Cu含量。

本文采集自制油炸薯片第250～900個(gè)波段（即498.48～830.11nm）的高光譜圖像，融合BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)薯片中CML含量，為探尋CML含量無(wú)損檢測(cè)方法提供依據(jù)。

1 材料與方法

1.1 自制薯片

每次稱量100 g馬鈴薯粉、100 g水，揉成面團(tuán)再做成1 cm厚的面塊，熟化，冷卻，切片（1.5 mm），油炸。表1為制作薯片不同的油炸溫度和時(shí)間，共五個(gè)等級(jí)。

表1 自制薯片所用溫度和時(shí)間

1.2 實(shí)驗(yàn)儀器

薯片樣本高光譜圖像是用高光譜成像采集系統(tǒng)獲?。ㄒ妶D1）。高光譜成像采集系統(tǒng)包括高光譜成像儀（Inno-Spec IST50—3810）、4個(gè)500瓦的光纖鹵素?zé)簦ǖ聡?guó)ESYLUX 90000420108）、計(jì)算機(jī)及傳送裝置。成像儀采集圖像數(shù)據(jù)時(shí)，其上的線陣探測(cè)器在薯片運(yùn)行的垂直方向作橫向掃描，得到的是所有像素點(diǎn)在1288個(gè)波段處的圖像數(shù)據(jù)。同時(shí)隨著薯片的前進(jìn)，完成所需區(qū)域圖像數(shù)據(jù)的采集。由計(jì)算機(jī)SICap-STVR V1.0.x軟件平臺(tái)驅(qū)動(dòng)成像儀，實(shí)時(shí)控制和記錄高光譜數(shù)據(jù)。

圖1 高光譜圖像采集系統(tǒng)

1.3 實(shí)驗(yàn)方法

1.3.1 樣品中羧甲基賴氨酸含量的測(cè)定

采用液相色譜-質(zhì)譜法，按照相關(guān)文獻(xiàn)中液相和質(zhì)譜檢測(cè)條件，對(duì)油炸薯片中CML含量進(jìn)行測(cè)定［16］。

1.3.2 光譜預(yù)處理方法

光譜預(yù)處理可以減少非薯片樣本信息的干擾，消除噪聲，提高模型預(yù)測(cè)能力及穩(wěn)健性。本文采用多元散射校正（multiplicative scatter correction，msc）和標(biāo)準(zhǔn)正態(tài)變量變換（standard normal variate，snv）兩種常用的光譜預(yù)處理方式對(duì)薯片原始光譜信息進(jìn)行處理。

多元散射校正［17］是用以消除試驗(yàn)對(duì)象的不均勻性所產(chǎn)生的散射，因?yàn)樵谝恍l件下由散射引起的光譜差異會(huì)比實(shí)驗(yàn)對(duì)象內(nèi)部成分引起的差異還要大。

標(biāo)準(zhǔn)正態(tài)變量變換［18］也是消除因?yàn)樯⑸湟鸬墓庾V差異，但跟msc不一樣的是，snv只是將原始光譜標(biāo)準(zhǔn)正態(tài)化。

1.3.3 高光譜圖像的采集

首先采集標(biāo)準(zhǔn)高光譜全白圖像和全黑圖像，然后稱取備好的薯片粉末（45±0.2）g，將其作為待測(cè)樣本，均勻地平鋪在規(guī)格為100 mm的培養(yǎng)皿中，放置在傳送帶上，設(shè)置傳送裝置的速度為1.25 mm/s。成像儀的光譜范圍是371.05～1023.82 nm，分辨率為2.8 nm。設(shè)定掃描范圍是Width 800、Height 800，即圖像掃描行數(shù)為每幅800行，每行掃描的像素點(diǎn)數(shù)為800個(gè)，每個(gè)樣本共1288幅圖像。最后，對(duì)薯片原始高光譜圖像數(shù)據(jù)塊進(jìn)行黑白標(biāo)定。

實(shí)驗(yàn)中，每類薯片分別有50個(gè)樣本，五類樣品共250個(gè)樣本。各類薯片樣本的可見光圖像如圖2所示。

圖2 薯片的可見光圖像

1.3.4 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)［19］是一個(gè)按照誤差向前傳播的多層網(wǎng)絡(luò)，可以計(jì)算比較困難的非線性問題，例如基于神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)鈦合金的銑削力［20］等。本文運(yùn)用BP神經(jīng)網(wǎng)絡(luò)模型建立光譜與薯片中CML含量之間的映射關(guān)系，首先提取第250～900個(gè)波段下薯片高光譜圖像的平均光譜反射值；然后運(yùn)用主成分融合，建立穩(wěn)健可靠的BP神經(jīng)網(wǎng)絡(luò)模型。

光譜數(shù)據(jù)和模型的建立均在軟件MATLAB R2014中完成。

2 結(jié)果與分析

2.1 光譜預(yù)處理

采用msc和snv兩種常用的光譜預(yù)處理方法，消除固體顆粒、表面散射及光程變化對(duì)薯片光譜值的影響。圖3（a）是250個(gè)樣品1288個(gè)波段的原始平均光譜反射值；圖3（b）是選取樣品第250到900個(gè)波段的原始平均光譜反射值并進(jìn)行黑白校正得到的；圖3（c）是圖3（b）經(jīng)過(guò)多元散射校正后的光譜圖；圖 3（d）是圖 3（b）經(jīng)過(guò)標(biāo)準(zhǔn)正態(tài)變換后的光譜圖。

圖3 250個(gè)油炸薯片樣本的光譜曲線

2.2 薯片中羧甲基賴氨酸含量的測(cè)定結(jié)果

每種薯片樣品進(jìn)行多次液相色譜-質(zhì)譜法平行實(shí)驗(yàn)測(cè)定，并將平均值作為薯片樣品的CML含量指標(biāo)值，具體數(shù)據(jù)如表2所示。從表2看出，在油炸溫度為180℃時(shí)，隨著時(shí)間的延長(zhǎng)，CML含量逐漸增多；而在220℃時(shí)，油炸時(shí)間240 s比80 s時(shí)的CML含量減少較多，僅為5.17 μg/g。

表2 五類薯片樣本的CML含量測(cè)定結(jié)果

這說(shuō)明，薯片中CML含量與溫度和時(shí)間不符合一般規(guī)律。如果采用儀器檢測(cè)、酶聯(lián)免疫或熒光傳感檢測(cè)幾種方法，各有缺點(diǎn)，即使應(yīng)用最為廣泛的液相色譜-質(zhì)譜法也耗時(shí)耗力，價(jià)格昂貴［21］。因此本文采用高光譜圖像技術(shù)融合BP神經(jīng)網(wǎng)絡(luò)，借助液相色譜-質(zhì)譜法測(cè)定的結(jié)果建立模型預(yù)測(cè)CML含量，達(dá)到薯片中CML含量的快速無(wú)損檢測(cè)。

2.3 采用BP神經(jīng)網(wǎng)絡(luò)建立預(yù)測(cè)模型

分別采用經(jīng)msc和snv處理后的第250～900個(gè)波段的光譜數(shù)據(jù)，并對(duì)這651列光譜數(shù)據(jù)運(yùn)用主成分融合，選取代表原始信息99.99%以上的前10個(gè)主成分作為神經(jīng)網(wǎng)絡(luò)的輸入變量部分，設(shè)計(jì)模型結(jié)構(gòu)，確定傳遞函數(shù)和訓(xùn)練函數(shù)，設(shè)置學(xué)習(xí)速率、誤差、迭代次數(shù)等參數(shù)，建立具有穩(wěn)健性和精確度的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。

（1）基于msc預(yù)處理的光譜數(shù)據(jù)所建立的BP神經(jīng)網(wǎng)絡(luò)：預(yù)測(cè)模型的結(jié)構(gòu)為13-10-1,隱含層和輸出層的傳遞函數(shù)分別為tansig和logsig，訓(xùn)練函數(shù)為traincgf。迭代595次，運(yùn)行3 s，預(yù)測(cè)結(jié)果如圖4（a）所示。

（2）基于snv預(yù)處理的光譜數(shù)據(jù)所建立的BP神經(jīng)網(wǎng)絡(luò)：預(yù)測(cè)模型的結(jié)構(gòu)為10-6-1,隱含層和輸出層的傳遞函數(shù)分別為tansig和logsig，訓(xùn)練函數(shù)為traincgf。迭代1282次，運(yùn)行5 s，預(yù)測(cè)結(jié)果如圖4（b）所示。

圖4 不同光譜預(yù)處理方法建立BP神經(jīng)網(wǎng)絡(luò)模型結(jié)果對(duì)比

2.4 對(duì)比結(jié)果

預(yù)測(cè)結(jié)果和實(shí)測(cè)值相對(duì)誤差不超過(guò)5%認(rèn)為預(yù)測(cè)正確，表3是兩種光譜預(yù)處理方式的CML預(yù)測(cè)結(jié)果對(duì)比。

表3 不同預(yù)處理方式CML預(yù)測(cè)結(jié)果的對(duì)比

2.5 最優(yōu)預(yù)測(cè)模型的選擇與穩(wěn)健性分析

對(duì)比顯示，基于第250～900個(gè)波段下每個(gè)薯片樣本高光譜圖像的平均光譜反射值，經(jīng)msc和snv兩種光譜預(yù)處理方式建立的BP神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)結(jié)果沒有明顯差距，均能較好預(yù)測(cè)油炸薯片中CML含量。為測(cè)試兩種模型的穩(wěn)健性，不改變BP神經(jīng)網(wǎng)絡(luò)參數(shù)，從薯片樣品的高光譜信息中，隨機(jī)抽取3組訓(xùn)練集，分別對(duì)預(yù)測(cè)模型進(jìn)行測(cè)試，結(jié)果對(duì)比如表4所示。

表4 不同測(cè)試集的預(yù)測(cè)結(jié)果

3 結(jié)論

以不同CML含量的油炸薯片為檢測(cè)對(duì)象，用高光譜成像采集系統(tǒng)采集其在1288個(gè)波段下的圖像，再經(jīng)過(guò)msc和snv預(yù)處理后，提取第250～900波段下圖像的平均光譜反射值，最后建立BP神經(jīng)網(wǎng)絡(luò)模型。結(jié)果顯示，高光譜融合BP神經(jīng)網(wǎng)絡(luò)建立CML含量預(yù)測(cè)模型可以預(yù)測(cè)CML含量；兩種光譜預(yù)處理方法預(yù)測(cè)正確率均為99.57%，相關(guān)系數(shù)為0.9987，均方根誤差略有不同。經(jīng)過(guò)驗(yàn)證，該預(yù)測(cè)模型具有較高的穩(wěn)健性和可信度。該研究能夠?qū)崿F(xiàn)CML含量的準(zhǔn)確預(yù)測(cè)，可為其快速無(wú)損檢測(cè)提供重要依據(jù)。