魏 菁， 郭中華， 徐 靜

(寧夏大學(xué)物理電氣信息學(xué)院，寧夏銀川 750021)

羊肉因富含蛋白質(zhì)，肉質(zhì)鮮美，在肉類消費中占有較大比例。同時，隨著生活水平的不斷提高，食品健康與安全問題也日益受到重視，為確保肉品新鮮，銷售冷卻肉成為了肉類市場的主流方向，冷卻肉是嚴格地按照衛(wèi)生標準屠宰的畜禽類胴體，要在24 h內(nèi)使溫度降至0～4 ℃，并在后續(xù)的一系列加工環(huán)節(jié)中始終保持在該溫度范圍條件下的肉。盡管冷卻肉可以在一定程度上延長保存期，但是牲畜在屠宰、加工和運輸?shù)倪^程中同樣會受到污染，產(chǎn)生細菌微生物[1]，導(dǎo)致其加速腐敗和變質(zhì)，最終影響冷卻肉的品質(zhì)。細菌總數(shù)(total viable count，TVC)是評價肉類品質(zhì)的重要指標[2]，肉類新鮮度可依據(jù)其表面的細菌微生物總數(shù)反映出來，對冷卻肉表面細菌總數(shù)進行準確地檢測，可及時對肉品新鮮度作出客觀評價，確保“放心肉”的流通與銷售。傳統(tǒng)的細菌檢測大多是基于物理和化學(xué)相結(jié)合的方法，如三磷酸腺苷光技術(shù)、基于快速測試片技術(shù)、電阻抗技術(shù)[3]等，不僅操作繁瑣，耗費時間長，還容易對樣本結(jié)構(gòu)造成破壞，因此無損檢測技術(shù)顯得尤為重要。

近年來，高光譜技術(shù)[4](hyperspectral technique)已經(jīng)廣泛應(yīng)用于食品無損檢測中，它融合了光學(xué)、信息學(xué)、計算機技術(shù)等多種學(xué)科，是將二維圖像技術(shù)和光譜技術(shù)結(jié)合起來的一種先進技術(shù)。由于特定波長的圖像會對樣品的某個特征有較顯著的反應(yīng)，通過圖像維，可以清晰地看到表征樣品外觀性質(zhì)，而通過光譜數(shù)據(jù)，可獲取樣品的內(nèi)部信息，如物質(zhì)組成和結(jié)構(gòu)等。高光譜技術(shù)作為基于光學(xué)的無損檢測新技術(shù)，相比于傳統(tǒng)的檢測技術(shù)，體現(xiàn)了較大的優(yōu)勢。高光譜技術(shù)也廣泛地應(yīng)用于對農(nóng)畜產(chǎn)品品質(zhì)的無損檢測中。在國外，Qiao等結(jié)合高光譜技術(shù)和人工神經(jīng)網(wǎng)絡(luò)對豬肉品質(zhì)進行了分級[5-6]；Naganathan等利用400～1 100 nm波長范圍高光譜成像系統(tǒng)對牛肉嫩度進行了分級[7-8]；Chao等利用高光譜成像技術(shù)對整條鱈魚的新鮮度進行了檢測[9]。在國內(nèi)，吳建虎等開發(fā)出1組高光譜散射成像系統(tǒng)，通過多種特征指標對牛肉品質(zhì)進行了預(yù)測[10-11]；高曉東利用光譜覆蓋范圍為400～1 100 nm的高光譜成像系統(tǒng)對牛肉的大理石花紋進行檢測[12]；文東東以3個不同品種(黃陂黃牛、恩施山地水牛、西門塔爾奶牛)牛肉樣本為研究對象，分別利用近紅外光譜技術(shù)和高光譜技術(shù)，建立不同品種牛肉新鮮度定量檢測模型[13]。本試驗基于高光譜技術(shù)結(jié)合極限學(xué)習(xí)機(ELM)，對冷卻羊肉表面細菌總數(shù)進行無損檢測，并通過算法優(yōu)化，實現(xiàn)了3種建模方法。

1 材料與方法

1.1 試驗儀器

試驗采用的儀器包括：Hyper VNIR高光譜成像系統(tǒng)，其光譜覆蓋范圍為400～1 100 nm，由美國的Headwall Photonics公司生產(chǎn)；生化培養(yǎng)箱(LRH-150B)；立式壓力蒸汽滅菌鍋(LDZM-80KCS)；超凈工作臺(HDLAPPARATUS)以及培養(yǎng)皿、移液皿、電子天平等。

1.2 材料與高光譜數(shù)據(jù)采集

將從農(nóng)貿(mào)市場買回的新鮮羊肉切割成長度、寬度、厚度分別為5 cm、5 cm、2 cm的肉塊，總共85個，試驗期間(共計 17 d)，每天從4 ℃恒溫冰箱中取出5個待測樣品，至于室溫下30 min之后采集高光譜圖像，為確保圖像的保真度，對高光譜系統(tǒng)的參數(shù)設(shè)置為：曝光時間和速度分別設(shè)置為10 ms和15 nm/s，步進速度為0.17 mm/s，掃描寬度為80 mm，同時為了校正相機暗電流和室外照明對圖像的影響，采集圖像前先進行黑白校正。

R=(R0-D)/(W-D)。

(1)

式中：R0為原始圖像，R為校正后的圖像，W為白板圖像，D為暗圖像，待85個樣本的高光譜圖像采集完成，使用ENVI 4.8軟件進行數(shù)據(jù)分析，先對每個圖像提取表面感興趣區(qū)域(region of interest，ROI)，然后提取反射光譜值，作為樣本的原始光譜數(shù)據(jù)。

1.3 樣本表面細菌微生物檢測

按照食品安全國家標準[14]，采用平板計數(shù)法對85個樣本表面細菌微生物進行采集，先將樣本剪碎置于均質(zhì)袋中拍打，加入滅菌生理鹽水，采用均質(zhì)器處理1 min，按1 ∶10比例梯度稀釋，選取2個合適的稀釋度倒平板，每個稀釋度倒2個平板作為平行，隨后將其置于36 ℃恒溫，并取對數(shù)值作為試驗參考數(shù)據(jù)。隨機取訓(xùn)練樣本數(shù)60個，預(yù)測樣本數(shù)25個，接近3 ∶1的比例進行建模。

1.4 光譜數(shù)據(jù)預(yù)處理

在采集到的原始光譜數(shù)據(jù)中，由于受外界因素的干擾，使得信息中還包含著大量噪聲信號，因此需要對原始數(shù)據(jù)進行預(yù)處理，提高信噪比，以減小噪聲對數(shù)據(jù)分析帶來的影響。試驗采用標準正態(tài)變量變換(SNV)融合sym4小波函數(shù)的方法，對原始數(shù)據(jù)進行預(yù)處理。

1.5 建模方法

極限學(xué)習(xí)機[15-16](extreme learning machine，ELM)是一種單隱層前饋神經(jīng)(SLFN)網(wǎng)絡(luò)學(xué)習(xí)算法，相比于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)算法，其優(yōu)勢有以下幾點：(1)不會陷入局部最優(yōu)；(2)無需迭代，一次求解；(3)無需設(shè)置復(fù)雜的參數(shù)。對于1個訓(xùn)練樣本，(xj,tj),j=1,…,N,xj,tj∈RN，xj是輸入數(shù)據(jù)，tj為目標輸出，可知具有L個隱含層神經(jīng)元的單隱層前饋神經(jīng)網(wǎng)絡(luò)輸出表達式為：

(2)

公式(2)可簡化為：Hβ=T，βi表示的是第i個隱含層輸入神經(jīng)元和輸出神經(jīng)元之間的連接權(quán)值，其表達式為：

(3)

式中：C是懲罰系數(shù)，T=[t1,…,tN]T為輸入樣本目標值向量。根據(jù)Mercer條件，定義一個滿足該條件的核函數(shù)：

(4)

(5)

通常選擇徑向基函數(shù)(RBF)作為核函數(shù)，其表達式為：

K(x,x1)=k(‖x-xc‖)=exp{-‖x-xc‖2/(2×σ)2}。

(6)

式中：σ為控制寬度的核參數(shù)。

遺傳算法(genetic algorithm，GA)，又稱基因進化算法，是由Holland等于1975年提出，它源于達爾文進化論，借鑒生物進化過程而產(chǎn)生的一種尋優(yōu)算法，其原理是通過復(fù)制、交叉、突變等操作產(chǎn)生下一代的解，并逐步淘汰掉適應(yīng)度函數(shù)值低的解，增加適應(yīng)度函數(shù)值高的解。KLEM模型中的2個參數(shù)懲罰系數(shù)(C)和核參數(shù)(σ)，C起著調(diào)節(jié)結(jié)構(gòu)風險和經(jīng)驗風險之間平衡的作用，而σ控制著函數(shù)的徑向作用范圍，二者是影響KELM性能的2個主要因素。在參數(shù)設(shè)置過程中由于人為設(shè)置因素的影響，導(dǎo)致了模型的精度不夠理想。因此，本研究提出遺傳算法優(yōu)化核極限學(xué)習(xí)機的方法，通過對C和σ進行尋優(yōu)，而減少因核函數(shù)存在而導(dǎo)致參數(shù)設(shè)置敏感的問題。

2 結(jié)果與分析

2.1 光譜數(shù)據(jù)預(yù)處理

本試驗采用Matlab 2012a軟件進行數(shù)據(jù)分析，繪制原始光譜曲線圖(圖1)。采用sym4小波函數(shù)，分解尺度分別為2、3、4、5情況下的融合方法對原始數(shù)據(jù)進行預(yù)處理，通過預(yù)測模型指標反應(yīng)，得出最佳預(yù)處理方法為分解尺度為4的sym4小波函數(shù)融合標準正態(tài)變量變換(SNV)，具體見圖2。

2.2 模型建立及結(jié)果分析

2.2.1 ELM模型 參數(shù)設(shè)置為：隱含層激勵函數(shù)選擇sigmoid函數(shù)，隱含層節(jié)點數(shù)為10，仿真結(jié)果見圖3。

2.2.2 KELM模型 選擇RBF函數(shù)作為核函數(shù)，參數(shù)范圍設(shè)置為：C∈[0.1，10]，σ∈[1，1 000]，為了觀察到取不同參數(shù)值的不同效果，在參數(shù)設(shè)置中加入隨機數(shù)，以便觀察到多種結(jié)果，經(jīng)過多次試驗，取C=4.5，σ=990可得到最優(yōu)結(jié)果，仿真結(jié)果見圖4。

2.2.3 GA-KELM模型 參數(shù)設(shè)置為：種群規(guī)模sizepop=80，迭代次數(shù)為maxgen=50，交叉概率為0.5，變異概率為 0.02，可知當?shù)螖?shù)接近于15時，適應(yīng)度曲線趨于穩(wěn)定，預(yù)測結(jié)果和適應(yīng)度曲線見圖5和圖6。由表1可知3個模型預(yù)測結(jié)果的對比情況。以訓(xùn)練集和預(yù)測集的相關(guān)系數(shù)(R)和均方根誤差(RMSE)作為評價指標，并且以預(yù)測集指標為主。可以看出3種建模方法中，采用GA-KELM模型的冷卻羊肉表面細菌總數(shù)(TVC)預(yù)測模型效果最好，4個指標值分別為0.930 6、0.001 6、0.983 7、0.001 6；相比之下，ELM模型的預(yù)測效果較差，各指標值分別為0.907 4、0.237 7、0.970 5、0.189 6。其中均方根誤差較大，這是因為ELM輸入節(jié)點權(quán)重和隱元偏置是隨機賦值，導(dǎo)致ELM的輸出不穩(wěn)定，泛化性能差，精度較低。因此，得出冷卻羊肉表面細菌總數(shù)(TVC)預(yù)測最佳建模方法是分解尺度為4的sym4小波函數(shù)融合標準正態(tài)變量變換(SNV)的預(yù)處理方法結(jié)合GA-KELM預(yù)測模型。

3 結(jié)論

表1 3種模型預(yù)測結(jié)果對比

對冷卻羊肉表面細菌總數(shù)進行無損檢測，通過高光譜成像系統(tǒng)提取樣本的高光譜信息，采用分解尺度為4的sym4小波函數(shù)融合標準正態(tài)變量變換(SNV)的預(yù)處理方法，結(jié)合ELM、KELM及優(yōu)化算法GA-KELM分別建立預(yù)測模型，相比于傳統(tǒng)的檢測方法，此方法快速有效且通過優(yōu)化算法進一步提高了檢測的準確性， 也為下一步開發(fā)冷卻肉制品細菌微生物無損檢測平臺提供了理論基礎(chǔ)。但不足之處是光譜波段范圍較為局限和單一， 僅限于400～1 100 nm，在下一步工作中，考慮在多種高光譜波長范圍內(nèi)進行試驗對比，確定1種最佳建模的波長范圍。