劉　碩,郭培源,楊昆程,趙俊華

(北京工商大學(xué)計(jì)算機(jī)和信息工程學(xué)院,北京 100048)

?

基于高光譜圖像技術(shù)的臘腸酸價(jià)含量檢測(cè)

劉碩,郭培源,楊昆程,趙俊華

(北京工商大學(xué)計(jì)算機(jī)和信息工程學(xué)院,北京 100048)

本文以臘腸為研究對(duì)象,探討了高光譜圖像技術(shù)對(duì)其酸價(jià)檢測(cè)的可行性。研究中,對(duì)高光譜成像系統(tǒng)獲得的數(shù)據(jù)進(jìn)行了MNF變換、PPI純凈指數(shù)計(jì)算、n-D Visualizer等處理,獲得純凈的光譜數(shù)據(jù)信息。采用主成分分析,獲得主成分圖像,選取PC2作為分析對(duì)象,通過(guò)比較權(quán)重系數(shù),選取六個(gè)特征波長(zhǎng)943.28、1003.20、1136.53、1240.03、1326.95、1477.64 nm,并通過(guò)特征波長(zhǎng),選定1000～1500 nm波長(zhǎng)范圍作為光譜分析區(qū)域。利用PLS建模方法將高光譜數(shù)據(jù)與酸價(jià)實(shí)際值關(guān)聯(lián),獲得臘腸酸價(jià)評(píng)價(jià)模型。采用一階導(dǎo)+SG(17)+矢量歸一化和二階導(dǎo)+SG(21)+矢量歸一化校正方法建立校正模型,校正集RMSECV和R2分別為0.28,0.97和0.31和0.96,驗(yàn)證集RPD分別為2.92和2.89,一階導(dǎo)+SG(17)+矢量歸一化建立的PLS模型更適合酸價(jià)的定量檢測(cè),模型預(yù)測(cè)值平均重復(fù)性標(biāo)準(zhǔn)差為0.22,模型預(yù)測(cè)值平均相對(duì)誤差為10.32%。研究結(jié)果表明,高光譜圖像技術(shù)檢測(cè)臘腸酸價(jià)含量是可行的。

酸價(jià),高光譜圖像技術(shù),PLS,主成分分析

腌臘制品這一古老的傳統(tǒng)肉制品,以其獨(dú)特的風(fēng)味、便于保存的優(yōu)點(diǎn)、以及千百年來(lái)不斷傳承的飲食文化,在傳統(tǒng)肉制品消費(fèi)中仍然占有重要位置。然而,臘腸制品因其蛋白質(zhì)、脂肪含量高,運(yùn)輸和貯藏中出現(xiàn)問(wèn)題等因素,很容易發(fā)生脂質(zhì)氧化,酸敗,微生物超標(biāo)等品質(zhì)劣變[1],產(chǎn)生臘腸褪色、出油、風(fēng)味差等不同程度的質(zhì)量問(wèn)題,嚴(yán)重的還會(huì)威脅到人們的身體健康。酸價(jià)在我國(guó)的國(guó)家標(biāo)準(zhǔn)中,是一項(xiàng)用來(lái)衡量臘腸酸敗程度的強(qiáng)制性指標(biāo),國(guó)標(biāo)規(guī)定,每g脂肪中酸價(jià)應(yīng)不大于4 mg·g-1KOH。酸價(jià)保持在適度的范圍內(nèi),會(huì)使臘肉產(chǎn)生特有的風(fēng)味,但過(guò)度氧化便會(huì)產(chǎn)生醛、酮、醇、羥甲基等,會(huì)給臘腸帶來(lái)刺鼻的哈喇味,嚴(yán)重的氧化還會(huì)產(chǎn)生毒素,危害人體健康。

高光譜圖像技術(shù)(hyper-spectral image)是近十幾年來(lái)快速發(fā)展起來(lái)的一種將影像信息和光譜信息相結(jié)合的新興檢測(cè)技術(shù)[2]。高光譜的圖像是一系列光波波長(zhǎng)處的光學(xué)圖像,范圍可以從紫外到近紅外(200～2500 nm)及波長(zhǎng)更長(zhǎng)的區(qū)域[3],能夠得到既多且窄的光譜波段,擁有極高的光譜分辨率。高光譜數(shù)據(jù)既有能反映內(nèi)部物理結(jié)構(gòu)、化學(xué)成分的光譜信息,也有能反映樣品品質(zhì)的外部特征的圖像信息。因此,高光譜技術(shù)在食品安全檢測(cè)方面凸顯了它的優(yōu)越性和檢測(cè)精度[4]。洪添勝[5]等運(yùn)用高光譜圖像技術(shù)與計(jì)算機(jī)圖像技術(shù)對(duì)水果品質(zhì)進(jìn)行評(píng)價(jià)。Nagata[6]等應(yīng)用650～1000 nm高光譜成像系統(tǒng)分別對(duì)草莓的可溶性固體和硬度進(jìn)行了預(yù)測(cè)。Sivakumarc[7]采用高光譜圖像技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)研究預(yù)測(cè)了芒果中水分的含量。

目前,應(yīng)用高光譜技術(shù)在豬肉,牛肉等肉類(lèi)品質(zhì)的組分定量檢測(cè)進(jìn)展顯著[8-9],對(duì)于應(yīng)用高光譜技術(shù)對(duì)臘味香腸的酸價(jià)的相關(guān)研究,目前尚未見(jiàn)報(bào)道。本實(shí)驗(yàn)以臘味香腸為研究對(duì)象,探討研究了高光譜圖像技術(shù)在快速檢測(cè)腌臘肉制品中酸價(jià)含量的可行性,以期建立一種腌臘肉制品品質(zhì)的快速檢測(cè)方法。

1　材料與方法

1.1材料與儀器

廣味臘腸:廣西名香園食品有限公司;購(gòu)于家樂(lè)福超市。

GaiaSorter高光譜分選儀北京卓立漢光儀器有限公司;8011S組織搗碎機(jī)美國(guó)Waring Commercial公司;OPUS6.0光譜處理軟件德國(guó)布魯克光譜儀器公司;ENVI5.0高光譜處理軟件美國(guó)Exelis Visual Information Solutions公司。

1.2實(shí)驗(yàn)方法

1.2.1樣品制備采購(gòu)不同批次的廣味臘腸,保質(zhì)期六個(gè)月,置于無(wú)菌培養(yǎng)箱中,常溫保存。選取15個(gè)接近生產(chǎn)日期,25個(gè)保質(zhì)期內(nèi),以及8個(gè)超出保質(zhì)期兩個(gè)月的臘腸,共計(jì)48個(gè)臘腸樣品構(gòu)成樣品集。樣品粉碎成肉糜狀,冰箱中保存。樣品解凍后,每份樣品分成兩部分,分別用于獲取理化實(shí)驗(yàn)中酸價(jià)值以及高光譜圖像的信息。

本實(shí)驗(yàn)中酸價(jià)的獲取按照國(guó)標(biāo)GB 2730-2005《腌臘肉制品衛(wèi)生標(biāo)準(zhǔn)》中相關(guān)規(guī)定進(jìn)行測(cè)定。

1.2.2高光譜成像系統(tǒng)高光譜圖像數(shù)據(jù)用卓立漢光公司GaiaSorter“蓋亞”高光譜分選儀系統(tǒng)采集。高光譜采集系統(tǒng)如圖1所示,主要由基于圖像光譜儀的高光譜攝像機(jī)、CCD、光源、精密電控平移臺(tái),以及計(jì)算機(jī)等部件組成。其中,成像光譜儀的波段范圍為900～1700 nm,光譜儀分辨率為5 nm,平均曝光時(shí)間為1 μs～500 ms,在900～1700 nm波長(zhǎng)范圍內(nèi)一共有256個(gè)波段。

圖1　高光譜成像系統(tǒng)Fig.1　Hyperspectral imaging system

采集系統(tǒng)的工作流程為,待測(cè)樣品放置在有光源照射的電控移動(dòng)平臺(tái)上,光譜相機(jī)捕獲樣品反射光的信息,伴隨著電控平臺(tái)的勻速運(yùn)行,獲得連續(xù)的影像及光譜信息,所有的過(guò)程由計(jì)算機(jī)控制,最終獲得了一個(gè)完整的高光譜數(shù)據(jù)立方體。

1.2.3理化實(shí)驗(yàn)方法實(shí)驗(yàn)中酸價(jià)的理化實(shí)際含量按照國(guó)標(biāo)GB 2730-2005《腌臘肉制品衛(wèi)生標(biāo)準(zhǔn)》中相關(guān)規(guī)定進(jìn)行測(cè)定。

所用試劑包括:乙醚-乙醇混合液(按乙醚∶95%乙醇=2∶1混合,用氫氧化鉀溶液(3 g/L)中和至酚酞指示液呈中性)、氫氧化鉀標(biāo)準(zhǔn)滴定溶液[c(KOH)=0.050 mol/L]、酚酞指示液(10 g/L乙醇溶液)。

結(jié)果計(jì)算:試樣的酸價(jià)按式(1)進(jìn)行計(jì)算。計(jì)算結(jié)果保留兩位有效數(shù)字。

式(1)

式中:X:樣品的酸價(jià)(以KOH計(jì)),單位:毫克每克(mg/g);V:樣品消耗的氫氧化鉀標(biāo)準(zhǔn)滴定溶液體積,單位:毫升(mL);c:氫氧化鉀標(biāo)準(zhǔn)滴定的實(shí)際濃度,單位:摩爾每升(mol/L);m:樣品質(zhì)量,單位:克(g)。

1.2.4高光譜數(shù)據(jù)采集實(shí)驗(yàn)前,將待采集光譜數(shù)據(jù)樣品去皮,用組織搗碎機(jī)將其打成肉糜狀。將粉碎所得肉糜樣品均勻鋪滿(mǎn)聚苯乙烯表面皿,并置于水平移動(dòng)平臺(tái)上,采集光譜時(shí),要保持周?chē)h(huán)境的穩(wěn)定性,以降低外界因素對(duì)數(shù)據(jù)的影響。光譜的采集范圍是900～1700nm,分辨率為5nm,傳送速度為100mm/s,共得到256個(gè)波段,采集到的數(shù)據(jù)如圖2所示。高光譜數(shù)據(jù)包含海量的數(shù)據(jù),高光譜圖像數(shù)據(jù)中的每個(gè)像素點(diǎn),均有一條對(duì)應(yīng)的光譜曲線(xiàn)。

圖2　高光譜數(shù)據(jù)Fig.2　Hyperspectral data

由于光源在各波段下強(qiáng)度分布不均勻以及攝像頭中非人為因素的影響,會(huì)導(dǎo)致光源強(qiáng)度分布弱的波段下噪聲較大,因此,需要對(duì)高光譜數(shù)據(jù)進(jìn)行黑白標(biāo)定[10]。保持與采集數(shù)據(jù)時(shí)的系統(tǒng)設(shè)定不變,掃描標(biāo)準(zhǔn)白板得到全白標(biāo)定圖像W,關(guān)閉相機(jī)快門(mén)進(jìn)行圖像采集得到全黑的標(biāo)定圖像B,高光譜圖像標(biāo)定的結(jié)果是使絕對(duì)圖像I變成相對(duì)圖像R。

式(2)

式中:R標(biāo)定后圖像,I原始圖像;W白板圖像;B黑色圖像。

1.2.5光譜平均反射值選取高光譜數(shù)據(jù)擁有龐大的數(shù)據(jù)量,但因其維數(shù)較大、波段寬度窄,相鄰波段相關(guān)性大,數(shù)據(jù)中冗余度也相對(duì)較大,且數(shù)據(jù)中含有不可避免的噪聲干擾。為了保證選取的光譜平均反射值能夠保留盡可能多的數(shù)據(jù)信息,保證數(shù)據(jù)的純凈,需要對(duì)高光譜原始數(shù)據(jù)進(jìn)行處理。

最小噪聲分離(MNF)是一種能夠判斷高光譜數(shù)據(jù)維數(shù)和分離數(shù)據(jù)中噪聲的方法,在主成分變換的基礎(chǔ)上對(duì)其改進(jìn),不但能夠獲取圖像內(nèi)在維數(shù),而且能將數(shù)據(jù)中無(wú)用噪聲分離出來(lái),把光譜主要信息集中在前幾個(gè)波段中,去除噪聲的同時(shí)還可減少數(shù)據(jù)之間的相關(guān)性,大大減少了后續(xù)處理中的計(jì)算量。MNF也是一種線(xiàn)性變換,本質(zhì)上是兩次重疊的主成分分析。經(jīng)過(guò)MNF處理后的影像質(zhì)量隨著波段的增加,質(zhì)量逐漸下降,按照信噪比從大到小排列。其主要信息主要集中在前幾個(gè)波段中[11]。

原始圖像經(jīng)過(guò)MNF變換后,特征值分布圖如圖3所示,圖中橫坐標(biāo)為變換后的特征波段數(shù),與原圖像波段數(shù)相同,縱坐標(biāo)為特征值,縱坐標(biāo)越接近零,表明其噪聲越大,貢獻(xiàn)度越小,可認(rèn)為是無(wú)用信息。由圖可知,經(jīng)過(guò)MNF變換的影像前18個(gè)波段中已含有大量信息,故可認(rèn)為其后波段中均為噪聲。

圖3　MNF變換結(jié)果Fig.3　The MNF transform results

純凈像元指數(shù)(PPI)[12]是一種可以在多光譜和高光譜圖像中尋找出最“純凈”的像元的工具。它是通過(guò)N維散點(diǎn)圖迭代映射為一個(gè)隨機(jī)單位向量,每次映射的極值像元以及其被標(biāo)記的總次數(shù)一同被記錄下來(lái),從而生成一幅像元純度圖像。通常PPI運(yùn)行于排出了噪聲波段的MNF結(jié)果文件。實(shí)驗(yàn)中,選取MNF變換結(jié)果的前18個(gè)波段作為PPI指數(shù)的信息輸入,計(jì)算PPI時(shí),迭代次數(shù)為10000次,每次運(yùn)行250次迭代,閾值設(shè)定為2.0,結(jié)果篩選出大約6000個(gè)像元。

n維可視化(n-D Visualizer)工具[13]可以與MNF和PPI結(jié)果相結(jié)合,用于定位、識(shí)別、聚集數(shù)據(jù)集中最純的像元,從而獲得純凈的端元波譜。采用n-D Visualizer工具中前面4個(gè)維度,n維空間的點(diǎn)呈現(xiàn)一些聚集合分散,聚集點(diǎn)表明該部分像元波譜圖類(lèi)似,聚集緊密,表明是一類(lèi)波譜。實(shí)驗(yàn)中共分四類(lèi)。

最終將n-D Visualizer分類(lèi)出來(lái)的四種類(lèi)型的波譜映射回最初的光譜輸入文件,通過(guò)比對(duì),找到臘腸處映射的顏色光譜,劃定ROI(感興趣區(qū)域)找到處理后的臘腸平均反射光譜。圖4為經(jīng)過(guò)處理后的ROI光譜曲線(xiàn),與圖2中未經(jīng)處理的曲線(xiàn)相比,處理后的反射光譜更加平滑,且在低頻波段和高頻波段的噪聲被去除,反射光譜更加純凈、準(zhǔn)確。圖5所示為經(jīng)過(guò)同樣處理獲得的48組樣品光譜曲線(xiàn)。

圖4　ROI平均光譜曲線(xiàn)Fig.4　ROI average spectral curve

圖5　48組臘腸樣品光譜圖Fig.5　The 48 groups sausage sample spectra

2　結(jié)果與分析

2.1臘腸酸價(jià)理化結(jié)果

根據(jù)國(guó)家標(biāo)準(zhǔn)測(cè)定的48組樣品酸價(jià)的結(jié)果如表1所示。

2.2最優(yōu)波段的選取

主成分分析是一種可以去除波段間多余信息、沿著協(xié)方差最大的方向由高維數(shù)據(jù)壓縮到更有效的少數(shù)幾個(gè)轉(zhuǎn)換波段的方法。通過(guò)主成分分析,數(shù)據(jù)根據(jù)方差貢獻(xiàn)率大小排列,選取累計(jì)方差貢獻(xiàn)率大于85%～95%的前面幾個(gè)主成分?jǐn)?shù)便能夠代表原始變量所能提供的絕大部分信息,每個(gè)主成分圖像都是經(jīng)過(guò)原始數(shù)據(jù)中各波長(zhǎng)經(jīng)線(xiàn)性組合而成的,通過(guò)比較線(xiàn)性組合中權(quán)重系數(shù),便可以?xún)?yōu)選出最優(yōu)波長(zhǎng)及波段[14]。

表1　臘腸樣品中酸價(jià)的范圍、均值、標(biāo)準(zhǔn)差Table 1　Chemical analyses of the range,mean, standard deviationin the Sausage samples

經(jīng)過(guò)分析,前五個(gè)主成分圖像貢獻(xiàn)率達(dá)到了96.75%,圖6是經(jīng)過(guò)PCA后的前五個(gè)主成分圖像。由圖中可知,PC5已經(jīng)出現(xiàn)了較大的噪聲,PC3可以看到清晰的臘腸樣品圖像,但其干擾比PC1和PC2的大,貢獻(xiàn)因子較小,PC1圖像光斑影響大,且圖像背景及樣品圖像區(qū)分度不明顯,所以選擇PC2的權(quán)重系數(shù)選擇特征波段。

圖6　主成分分析得到的前5個(gè)圖像Fig.6　Principal component analysis to get top five images

PC2是由256個(gè)波段下的圖像經(jīng)線(xiàn)性組合而成,即:

式(3)

通過(guò)比較256各波長(zhǎng)下所對(duì)應(yīng)的權(quán)重系數(shù),找到6個(gè)局部最大權(quán)重系數(shù),它們分別是α21、α39、α79、α110、α136、α181對(duì)應(yīng)的波長(zhǎng)分別為943.28、1003.20、1136.53、1240.03、1326.95、1477.64 nm。由于在低頻段出現(xiàn)了比較大的噪聲,而在高頻段附近曲線(xiàn)平緩,無(wú)明顯吸收,綜合特征波長(zhǎng),本實(shí)驗(yàn)選取1000～1500 nm波長(zhǎng)范圍作為光譜分析區(qū)域,用于臘腸酸價(jià)模型的預(yù)測(cè)。

2.3光譜的預(yù)處理

為了保證模型的穩(wěn)定性和可靠性,提高模型精度,在進(jìn)行數(shù)據(jù)分析前,需要對(duì)光譜數(shù)據(jù)進(jìn)行變換處理,消除一些非目標(biāo)參數(shù)對(duì)光譜的影響[15]。矢量歸一化(Vector normalization)主要是消除由微小光程或者樣品厚度引起的光譜變化。導(dǎo)數(shù)化可以有效地消除基線(xiàn)漂移和其他背景的干擾,提高分辨率和靈敏度,其中一階導(dǎo)數(shù)、二階導(dǎo)數(shù)用得最為廣泛。但為了消除光譜變換帶來(lái)的噪聲,常在求導(dǎo)前進(jìn)性平滑處理。SG(Savitzky-Golay)也可求取導(dǎo)數(shù)光譜,其本質(zhì)是對(duì)光譜曲線(xiàn)進(jìn)行低通濾波,去掉高頻成分,保留有用低頻信息[16]。

圖7、圖8分別為一階導(dǎo)數(shù)+SG+矢量歸一化和二階導(dǎo)數(shù)+SG+矢量歸一化處理之后的光譜曲線(xiàn)。

圖7　一階導(dǎo)數(shù)+SG+矢量歸一化Fig.7　The first derivative+SG+vector normalization

圖8　二階導(dǎo)數(shù)+SG+矢量歸一化 Fig.8　The second derivative+SG+vector normalization

2.4不同預(yù)處理所建模型的對(duì)比

本文采用OPUS6.5軟件建立偏最小二乘法(PLS)酸價(jià)含量預(yù)測(cè)模型。PLS是一種多元因子回歸方法,PLS不僅可以對(duì)光譜陣X進(jìn)行處理,而且可以在處理光譜陣X的同時(shí)對(duì)濃度陣Y進(jìn)行處理,考慮兩者之間相互關(guān)系,加強(qiáng)對(duì)應(yīng)計(jì)算關(guān)系,從而保證獲得最佳校正模型。隨著對(duì)PLS方法深入研究發(fā)現(xiàn),采用特征波長(zhǎng)區(qū)間進(jìn)行建模,更能有效的消除不相關(guān)或非線(xiàn)性變量的影響,可以減少運(yùn)算量,簡(jiǎn)化模型,更能提高模型整體的預(yù)測(cè)精度[17]。故本實(shí)驗(yàn)通過(guò)主成分分析,確定特征波段并進(jìn)行建模,模型采用內(nèi)部交互驗(yàn)證標(biāo)準(zhǔn)偏差(RMSECV)和決定系數(shù)(R2),RMSECV越小,R2值越接近1,表明模型準(zhǔn)確度高,模型回歸性好。其計(jì)算公式為:

式(4)

式中:yi,actual為第i個(gè)樣品的測(cè)定值;yi,predicted為模型對(duì)第i個(gè)樣品的預(yù)測(cè)值;n為校正集的樣品數(shù)。

式(5)

48個(gè)臘腸樣品中平均選取36個(gè)作為校正集,12個(gè)為預(yù)測(cè)集,保證最大值以及最小值均在校正集中。

本實(shí)驗(yàn)中,采用一階導(dǎo)數(shù)+SG+矢量歸一化、二階導(dǎo)數(shù)+SG+矢量歸一化光譜校正方法進(jìn)行預(yù)處理。并觀察不同平滑點(diǎn)數(shù)對(duì)PLS模型的影響。

表2　不同光譜校正方法和平滑點(diǎn)數(shù)對(duì)PLS模型的影響Table 2　The influence on PLS model using different spectral pretreatment methods and the smooth points

平滑點(diǎn)數(shù)的不同,對(duì)模型有一定的影響,在實(shí)際操作中,不同樣品的理想平滑點(diǎn)數(shù)是不同的。一般情況下,平滑點(diǎn)數(shù)過(guò)小,去噪效果不理想,平滑點(diǎn)數(shù)過(guò)大,容易把有用信息過(guò)濾掉[18]。表2中列舉了兩種不同光譜校正方法下不同平滑點(diǎn)數(shù)對(duì)模型的影響,通過(guò)RMSECV和R2對(duì)模型結(jié)果進(jìn)行評(píng)價(jià),對(duì)一階導(dǎo)數(shù)+SG+矢量歸一化來(lái)說(shuō),最佳平滑點(diǎn)數(shù)為17,此時(shí)它的RMSECV為0.31,R2為0.96,對(duì)二階導(dǎo)+SG+矢量歸一化來(lái)說(shuō)最佳平滑點(diǎn)數(shù)為21,此時(shí)的RMSECV為0.62,R2為0.96。

采用一階導(dǎo)+SG(17)+矢量歸一化和二階導(dǎo)+SG(21)+矢量歸一化校正后的定量偏最小二乘模型,驗(yàn)證集RPD分別為2.92和2.89。由表3可知,PLS模型中一階導(dǎo)+SG(17)+矢量歸一化的處理效果更佳。制取接近生產(chǎn)日期、保質(zhì)期內(nèi)、超出保質(zhì)期的臘腸樣品各2個(gè),共6個(gè)實(shí)驗(yàn)樣品,作為未知濃度樣品,國(guó)標(biāo)法測(cè)定其真實(shí)理化值,利用構(gòu)建好的一階導(dǎo)+SG(17)+矢量歸一化PLS模型進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果如表4所示。

表3　臘腸酸價(jià)定量模型分析結(jié)果Table 3　Sausage acid value quantitative model analysis results

由表4可知,一階導(dǎo)+SG(17)+矢量歸一化PLS模型的預(yù)測(cè)結(jié)果在含量比較低的濃度時(shí),預(yù)測(cè)結(jié)果誤差較大,原因可能為濃度過(guò)小,超出模型的檢測(cè)范圍;實(shí)際含量大時(shí),模型檢測(cè)效果不佳,原因可能為建立模型的過(guò)程中,參與模型的校正集過(guò)少,整體模型的預(yù)測(cè)效果較好,6組實(shí)驗(yàn)樣品的平均重復(fù)性標(biāo)準(zhǔn)差為0.22 mg·g-1。結(jié)果表明,用高光譜圖像技術(shù)對(duì)臘腸中酸價(jià)的檢測(cè)是可行的。

表4　模型預(yù)測(cè)結(jié)果與酸價(jià)實(shí)際測(cè)量值對(duì)比Table 4　Evaluation results for the PLS models of acid value

3　結(jié)論

本文研究了利用高光譜圖像技術(shù)進(jìn)行臘腸中酸價(jià)定量檢測(cè)的新方法。臘腸定量模型分析結(jié)果表明,一階導(dǎo)+SG(17)+矢量歸一化校正方法建立的模型RMSECV為0.28,R2為0.97,驗(yàn)證集RPD為2.92,二階導(dǎo)+SG(21)+矢量歸一化校正方法建立的模型RMSECV為0.31,R2為0.96,驗(yàn)證集RPD為2.89。實(shí)驗(yàn)結(jié)果表明,高光譜圖像技術(shù)對(duì)臘腸中酸價(jià)的定量分析是可行的,并且具有較好的準(zhǔn)確度,其中一階導(dǎo)+SG(17)+矢量歸一化處理后的模型分析結(jié)果較好,可以滿(mǎn)足酸價(jià)的實(shí)際要求。

[1]薛山,賀稚非,李燕利,等.川味香腸貨架期間理化品質(zhì)變化規(guī)律研究[J].食品工業(yè)科技,2013,34(19):323-327.

[2]ElMasry G,Wang N,Vigneault C. Detecting chilling injury in red delicious apple using hyperspectral imaging and neural networks[J]. Postharvest Biology and Technology,2009,52(1):1-8.

[3]李江波,饒秀勤,應(yīng)義斌.農(nóng)產(chǎn)品外部品質(zhì)無(wú)損檢測(cè)中高光譜成像技術(shù)的應(yīng)用研究進(jìn)展[J].光譜學(xué)與光譜分析,2011,31(8):2021-2026.

[4]田有文,王曉娟.基于高光譜圖像技術(shù)的農(nóng)產(chǎn)品品質(zhì)無(wú)損檢測(cè)[J].農(nóng)機(jī)化研究,2009,31(10):220-226.

[5]洪添勝,喬軍,王寧,等.基于高光譜圖像技術(shù)的雪花梨品質(zhì)無(wú)損檢測(cè)[J].農(nóng)業(yè)工程學(xué)報(bào),2007,23(2):151-155.

[6]NagataM,Tallada J G,Kobayashi T,et al.Predictingmaturity quality parameters of strawberries using hyperspectral imaging [C].American Society of Agricultural EngineersAnnual Meeting,2004:043033.

[7]Sivakumar S S,Qiao J,Gariepy Y,et al.Detectingm aturityparameters of mango using hyperspectral imaging techology[C]. American Society of Agricultural Engineers AnnualMeeting,2006:066183.

[8]Wu Jianhu,Yu Youwei. Prediction of Fresh Pork Quality using Hyperspectral Scattering Imaging(HSI)Technique[J]. Animal Husbandry and Feed Science,2015,7(3):144-147,151

[9]Gamal Elmasry,Douglas F Barbin,Da-Wen Sun,et al. Meat Quality Evaluation by Hyperspectral ImagingTechnique:An Overview[J]. Food Science and Nutrition,2012,52(8):689-711.

[10]G Polder,G W A M Van Der Heijden,L C P Keizer，et al.Calibration and characterization of imagings pectrographs[J]. Near Infrared Spectroscopy,2003,11(3):193-210.

[11]王婉嬌,賀曉光,王松磊,等. 基于高光譜成像技術(shù)的靈武長(zhǎng)棗常見(jiàn)缺陷檢測(cè)[J].食品與機(jī)械,2015，31(3):62-65.

[12]楊強(qiáng),張志,覃志豪,等. 基于ASTER數(shù)據(jù)的混合像元分解技術(shù)在水之檢測(cè)與評(píng)價(jià)中的應(yīng)用[J].遙感信息,2011(2):20-25.

[13]李雅輝,楊武年,劉漢湖.利用ALI遙感圖像進(jìn)行蝕變信息提取方法探討[J].四川地址學(xué)報(bào),2010,30(3):347-350.

[14]姚璐,丁亞明,馬曉鐘.基于高光譜成像技術(shù)的金華火腿無(wú)損分級(jí)檢測(cè)研究[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào),2012,3(3):162-166.

[15]Mohammed. K,Gamal. E,Da-Wen Sun. Non-destructive prediction and visualization of chemical composition in lamb meat using NIR hyperspectral imaging and multivariate regression[J]. Innovative Food Science and Emerging Technologies,2012,6(3):4-12.

[16]梁劍,劉斌美,陶亮之,等.基于水稻種子近紅外特征光譜的品種鑒別方法研究[J].光散射學(xué)報(bào),2013,25(4):423-428.

[17]褚小立.化學(xué)計(jì)量學(xué)方法與分子光譜分析技術(shù)[M].北京:化學(xué)工業(yè)出版社,2011.

[18]史智佳,臧明伍,呂玉,等.近紅外光譜快速測(cè)定乳化香腸的化學(xué)成分[J].食品科學(xué),2013,34(18):175-179.

Study on detection of Chinese sausage using hyperspectral imaging technique

LIU Shuo,GUO Pei-yuan,YANG Kun-cheng,ZHAO Jun-hua

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

Based on Chinese sausage,it has a discussion about the feasibility of hyperspectral imaging technique for detecting acid value. To deal with hyperspectral data by MNF(Minimum Noise Fraction Rotation)transform,PPI(pixel purity index)index calculation,n-D Visualizer,the “pure” reflection spectrum information were collected. Principal component analysis were used to obtain the principal component images.To compare with weight coefficient of the second principal component images,the the characteristic wavelengths were 943.28,1003.20,1136.53,1240.03,1326.95,1477.64 nm. Choosing 1000 to 1500 nm wavelength range as the spectral analysis area. PLS modeling method was used to combine hyperspectral data with acid value practical values.The studies developed the calibration model using first derivative and SG(17)adding vector normalization、second derivative and SG(21)adding vector normalization. The RMSECV andR2of calibration were 0.28,0.97 and 0.31,0.96 separately,and the RPD of prediction were 2.92 and 2.89 separately. Overall,the best prediction result was based on PLS established by first derivative and SG(17)adding vector for AV detection. The average of repeatability standard deviation and relative error were 0.22 and 10.32%.Therefore,hyperspectral imaging technique could be used to detect acid value on Chinese sausage.

acid value;hyperspectral imaging technique;PLS;principal component analysis

2015-09-02

劉碩(1990-)，男，碩士研究生，主要從事農(nóng)產(chǎn)品智能檢測(cè)研究，E-mail：350186529@qq.com。

國(guó)家自然科學(xué)基金資助項(xiàng)目(61473009)；北京市自然科學(xué)基金資助(4122020)。

TS201.6

A

1002-0306(2016)05-0287-06

10.13386/j.issn1002-0306.2016.05.049