張玨，田海清，張麗娜，王軻，于洋

1(內(nèi)蒙古農(nóng)業(yè)大學(xué) 機(jī)電工程學(xué)院，內(nèi)蒙古 呼和浩特，010018) 2(內(nèi)蒙古師范大學(xué) 物理與電子信息學(xué)院，內(nèi)蒙古 呼和浩特，010020)

察哈爾羊肉為內(nèi)蒙古錫林郭勒盟特產(chǎn)，其肉色鮮紅，脂肪呈乳白色，具有肌纖維細(xì)，口感細(xì)嫩、無膻味，是低脂肪高蛋白健康食品，深受消費(fèi)者喜愛。新鮮度是衡量生鮮肉食用要求的客觀標(biāo)準(zhǔn)，可綜合反映產(chǎn)品營養(yǎng)性、安全性的可靠程度。傳統(tǒng)新鮮度檢測方法主要通過感官評價(jià)、理化檢測或微生物實(shí)驗(yàn)方法確定[1]，感官評價(jià)依據(jù)專業(yè)人員對肉品的色澤、氣味等特性做出綜合評定，檢測結(jié)果存在主觀性強(qiáng)，可重復(fù)性差，且測量誤差大等缺陷。理化檢測或微生物實(shí)驗(yàn)法通常以pH值、揮發(fā)性鹽基氮(total volatile basic nitrogen，TVB-N)和菌落總數(shù)(total viable counts，TVC)等為主要檢測指標(biāo)，該方法準(zhǔn)確度高、可靠性好，但操作過程繁瑣，耗時(shí)費(fèi)力。為提高檢測效率，研究者們依據(jù)理化指標(biāo)提出了一些肉品新鮮度的快速檢測方法。FUNAZAKI等[2]發(fā)現(xiàn)L*值、a*值與原料肉的存放時(shí)間顯著相關(guān)，提出利用色彩色差計(jì)L*、a*、b*系統(tǒng)檢測原料肉的新鮮度。RUSSELL等[3]依據(jù)蛋白質(zhì)分解產(chǎn)生游離氨基化合物與布三酮發(fā)生變色反應(yīng)，提出借助布三酮顯色反應(yīng)法判定肉品新鮮度。新鮮、次新鮮和變質(zhì)與布三酮溶液反應(yīng)后分別呈現(xiàn)微藍(lán)色、淺藍(lán)色和深藍(lán)色。栗紹文等[4]采用過氧化物酶試紙法檢測肉品新鮮度，浸液在數(shù)秒內(nèi)呈現(xiàn)藍(lán)色為新鮮肉，3 min內(nèi)無顏色反應(yīng)則被判定為不新鮮肉。上述檢測方法檢測速度快、操作相對簡便，但檢測過程對樣本有損、受環(huán)境條件的影響較大，且難以準(zhǔn)確地反映肉品的新鮮度狀態(tài)。

肉品腐敗過程中，蛋白質(zhì)、脂肪和水分含量等營養(yǎng)成分的變化會(huì)影響光譜的吸收、散射等光學(xué)特性。因此，透過有機(jī)物的光學(xué)特性可分析肉品內(nèi)部營養(yǎng)成分及品質(zhì)變化。高光譜成像技術(shù)以其空間信息與內(nèi)部組分信息相結(jié)合的獨(dú)特優(yōu)勢，在生鮮肉營養(yǎng)成分分析、安全品質(zhì)鑒定、肉色及新鮮度檢測等方面得到了廣泛應(yīng)用[5]。CRICHTON等[6-7]基于高光譜成像技術(shù)分別對pH值和CIELAB顏色空間開展了牛肉新鮮度的檢測研究，取得了較好的研究效果。HE等[8-9]利用高光譜成像技術(shù)對鮭魚等養(yǎng)殖鮮魚表面乳酸菌、假單胞菌數(shù)分布和腐敗程度進(jìn)行了深入的研究。BARBIN等[10]利用近紅外高光譜系統(tǒng)研究了新鮮豬肉表面微生物污染程度，分別將新鮮豬肉置于0 ℃和4 ℃的低溫環(huán)境貯藏21 d，借助PLSR模型分析TVC和嗜冷菌平板計(jì)數(shù)含量，模型的分析精確度可達(dá)到86%。

上述研究表明，高光譜成像技術(shù)在肉類檢測方面有很大的應(yīng)用潛力，但目前多見于對豬肉、牛肉等肉類的相關(guān)報(bào)道，在羊肉新鮮度及質(zhì)量分級方面的研究應(yīng)用還相對較少且有待更深層次的研究。本文利用高光譜成像系統(tǒng)采集羊肉反射光譜信息，并采用2次S-G(Savitzky-Golay，簡稱S-G)平滑方法對羊肉反射光譜進(jìn)行預(yù)處理。借助SPA法提取特征波長并建立基于反向人工神經(jīng)網(wǎng)絡(luò)(back propagation artificial neural network，BPANN)和分類回歸決策樹(classification and regression trees，CART)算法的羊肉新鮮度判別模型，并分析CART分類算法主要參數(shù)對分類精度的影響并通過參數(shù)尋優(yōu)以優(yōu)化CART模型。研究基于高光譜數(shù)據(jù)源的CART分類模型在羊肉新鮮度等級分類方面的適用性，以期為高光譜遙感技術(shù)在肉品新鮮度診斷方面提供參考。

1 材料與方法

1.1 試驗(yàn)材料與TVB-N測定

試驗(yàn)所用樣本為察哈爾羊，取羊酮體里脊肉置于低溫冷藏箱運(yùn)至實(shí)驗(yàn)室。在無菌操作臺(tái)上將鮮羊肉剔除表面脂肪和肌膜，盡量保持樣本表面平整，用無菌刀分割成84塊，尺寸大小約為45 mm×45 mm×20 mm，自封保鮮袋密封后逐個(gè)編號，整齊無擠壓地?cái)[放在貯藏溫度為4 ℃的冰箱環(huán)境中貯藏1～12 d。每隔24 h取出7個(gè)樣本，于室溫下靜置30 min后，用濾紙吸收表面水分后對樣本進(jìn)行光譜采集。按照GB5009.228—2016[11]測定樣本TVB-N含量并進(jìn)行新鮮度類別標(biāo)定，根據(jù)國家標(biāo)準(zhǔn)[12]和彭彥昆等[13]研究成果將羊肉新鮮度劃分為3個(gè)等級，TVB-N≤15 mg/100g認(rèn)定為“新鮮”，15 mg/100g25 mg/100g為認(rèn)定為“變質(zhì)”。

1.2 高光譜圖像采集及黑白校正

試驗(yàn)采用高光譜成像系統(tǒng)，臺(tái)灣五鈴光學(xué)(ISUZU OPTICS)，包括高光譜成像儀(ImSpector N25E)，焦平面陣列相機(jī)(Xeva-FPA-2.5-320)、2個(gè)150W的鹵素?zé)簟㈦娍匚灰瓶刂婆_(tái)、暗箱和計(jì)算機(jī)等部件。高光譜成像儀光譜范圍為935～2 539 nm，光譜分辨率為8 nm。

數(shù)據(jù)采集前，打開光源和鏡頭蓋，預(yù)熱機(jī)器30 min。預(yù)實(shí)驗(yàn)確定系統(tǒng)參數(shù)，設(shè)置如下：曝光時(shí)間2.1 ms，物鏡高度為40 cm，電控位移平臺(tái)速度22.9 mm/s，起點(diǎn)和終點(diǎn)位置分別為165 mm和235 mm，圖像分辨率選擇800像素×428像素。通過高光譜圖像采集軟件采集樣本高光譜圖像。先采集反射率為99%標(biāo)準(zhǔn)白板得到全白標(biāo)定圖像W，然后封閉鏡頭采集全黑標(biāo)定圖像D，最后進(jìn)行羊肉樣本數(shù)據(jù)采集。為減弱攝像頭中傳感器暗電流以及光源不穩(wěn)定的影響，確保光譜數(shù)據(jù)的準(zhǔn)確性，在數(shù)據(jù)處理前對原始高光譜圖像按照公式(1)進(jìn)行黑白校正[14]：

(1)

式中：R為黑白校正后樣本光譜反射率；Is為原始樣本反射的光譜強(qiáng)度；ID標(biāo)準(zhǔn)校正黑板反射的光譜強(qiáng)度；IW為標(biāo)準(zhǔn)校正白板反射的光譜強(qiáng)度。

避開羊肉結(jié)締、筋腱及反光嚴(yán)重的部位，將左上、左下、右上、右下、中間5個(gè)代表性位置作為感興趣區(qū)域(region of interesting，ROI)，每個(gè)區(qū)域大小設(shè)定為20像素×20像素，計(jì)算ROI內(nèi)所有像素的平均值得到樣本平均反射光譜，ROI選取及樣本反射光譜提取過程如圖1所示。除去首尾信噪比較低的波段(935～973 nm和2 457～2 539 nm)，選取980～2 450 nm的光譜數(shù)據(jù)供下一步研究使用。

圖1 ROI選取及樣本反射光譜提取
Fig.1 ROI selection and sample reflection spectrum extraction for sample

1.3 BPANN網(wǎng)絡(luò)模型結(jié)構(gòu)

BP人工神經(jīng)網(wǎng)絡(luò)(back propagation artificial neural network，BPANN)[15]是一種根據(jù)誤差反向傳播法訓(xùn)練的多層前饋網(wǎng)絡(luò)，網(wǎng)絡(luò)拓?fù)溆奢斎雽?、隱含層和輸出層組成。通過預(yù)測誤差反向傳播來調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使誤差函數(shù)沿相反的梯度方向移動(dòng)，從而使BPANN的輸出值不斷逼近期望值，直到網(wǎng)絡(luò)的輸出誤差降低到設(shè)定值或者計(jì)算次數(shù)達(dá)到系統(tǒng)預(yù)設(shè)值為止。本研究選用3層結(jié)構(gòu)的BP-ANN模型建立羊肉新鮮度判別模型，模型結(jié)構(gòu)見圖2。k1，k2，…，ki為網(wǎng)絡(luò)的輸入層節(jié)點(diǎn)，r1，r2，…，rp為隱含層節(jié)點(diǎn)，y為神經(jīng)網(wǎng)絡(luò)的輸出值。輸入層、隱含層、輸出層各神經(jīng)元分別經(jīng)權(quán)值、閾值及傳遞函數(shù)連接公式如公式(2)和公式(3)所示：

(2)

(3)

式中：n為輸入層神經(jīng)元個(gè)數(shù)；p為隱含層神經(jīng)元個(gè)數(shù)；q為輸出層神經(jīng)元個(gè)數(shù)；f1、f2分別為隱含層和輸出層的激活函數(shù)；wnp為第n個(gè)輸入神經(jīng)元到第p個(gè)隱含神經(jīng)元的權(quán)值；wpq為第p個(gè)隱含神經(jīng)元到第q個(gè)輸出神經(jīng)元的權(quán)值；zp為輸入層到隱含層的閾值，zq為隱含層到輸出層的閾值；yq為神經(jīng)網(wǎng)絡(luò)輸出。

圖2 羊肉新鮮度BPANN網(wǎng)絡(luò)預(yù)測模型
Fig.2 BPANN network prediction model for lamb freshness

1.4 CART算法

決策樹[16]是數(shù)據(jù)挖掘中一種常用的分類方法，由根節(jié)點(diǎn)、內(nèi)部節(jié)點(diǎn)、分支及葉節(jié)點(diǎn)組成。根節(jié)點(diǎn)表示一個(gè)待分類的數(shù)據(jù)類別或?qū)傩?，每個(gè)葉子節(jié)點(diǎn)代表一種分類結(jié)果。整個(gè)決策的過程從根節(jié)點(diǎn)開始，從上到下，根據(jù)最優(yōu)劃分屬性選擇結(jié)果將實(shí)例劃分至相應(yīng)節(jié)點(diǎn)，依次判斷，直至實(shí)例被劃分至葉節(jié)點(diǎn)而給出分類結(jié)果。CART算法為一種非參數(shù)數(shù)據(jù)分類與回歸方法，生成的決策樹是結(jié)構(gòu)簡潔的二叉樹形式。由于解釋性強(qiáng)且分類效率高，該算法在通信運(yùn)營商客戶預(yù)測、多光譜影像分類、空氣質(zhì)量評價(jià)和交通擁堵檢測[17-20]等方面有較好的應(yīng)用效果。利用CART方法進(jìn)行數(shù)據(jù)分類時(shí)，首先遞歸劃分自變量區(qū)域，并在這些區(qū)域上確定預(yù)測的概率分布情況。劃分區(qū)域標(biāo)準(zhǔn)是CART算法的核心，本文通過Gini指數(shù)選擇最優(yōu)解釋變量決定最佳二分值的切分點(diǎn)。

在分類問題中，假設(shè)樣本數(shù)據(jù)分為K類，樣本點(diǎn)屬于第k類的概率為pk，則概率分布的Gini指數(shù)定義如公式(4)所示：

(4)

對于二分類問題，若樣本點(diǎn)屬于第1個(gè)類的概率是p，則概率分布的Gini指數(shù)見公式(5)：

Gini(p)=2p(1-p)

(5)

給定樣本集合D的Gini系數(shù)見公式(6)：

(6)

若給定分裂屬性A，其某個(gè)取值將數(shù)據(jù)集D分割為D1和D2兩部分，D1和D2見公式(7)：

D1={(x,y)∈D|A(x)=α},D2=1-D1

(7)

則分裂屬性A的Gini指數(shù)表達(dá)式見公式(8)：

(8)

式中：K為數(shù)據(jù)集D的類別數(shù)；|Ck|為屬于第k個(gè)類別樣本的數(shù)量；|D|為數(shù)據(jù)集D的樣本總量。

Gini指數(shù)反映數(shù)據(jù)集中的純度，其值越小說明分類純度越高。CART算法取Gini指數(shù)值最小的解釋變量做出劃分，用準(zhǔn)確率來判斷模型的辨識(shí)度。

CART算法分類模型構(gòu)建步驟如下：

(1)設(shè)節(jié)點(diǎn)的校正集為D，對分裂屬性A的任意可能取值a，根據(jù)樣本點(diǎn)對A=a的分類為“是”或“否”，將集合D分割為D1和D2兩部分，并計(jì)算現(xiàn)有解釋變量Gini指數(shù)值；

(2)在所有可能的分裂屬性A中，選擇Gini值最小的屬性作為最優(yōu)特征，則對應(yīng)切分點(diǎn)a確定為最佳切分位置；

(3)依據(jù)最優(yōu)特征變量和最佳切分點(diǎn)，從現(xiàn)結(jié)點(diǎn)生成2個(gè)子結(jié)點(diǎn)，將集合D的數(shù)據(jù)分配到2個(gè)子結(jié)點(diǎn)中；

(4)對2個(gè)子結(jié)點(diǎn)遞歸地調(diào)用(1)～(3)，直到其滿足停止條件；

(5)生成CART模型。

2 結(jié)果與分析

2.1 羊肉反射光譜預(yù)處理與分析

羊肉樣本原始反射光譜曲線如圖3-a所示。光照強(qiáng)度、傳感器靈敏度和環(huán)境溫度等因素會(huì)影響光譜信息應(yīng)用的準(zhǔn)確性和有效性[21]，致使原始光譜曲線包含較多毛刺。因此，對樣本反射光譜采用2次S-G平滑預(yù)處理，先采用11點(diǎn)S-G對較大噪聲波段進(jìn)行局部平滑，其他波段保持不變，得到初步濾波結(jié)果，然后采用7點(diǎn)S-G進(jìn)行整體平滑，最大程度上保留了光譜細(xì)節(jié)信息。預(yù)處理后光譜曲線如圖3-b所示。由圖3-b可知，光譜預(yù)處理后較原始光譜曲線更為平滑，減弱了系統(tǒng)噪聲并提高了信噪比。

a-原始光譜;b-S-G預(yù)處理后光譜
圖3 預(yù)處理前后樣本反射光譜曲線
Fig.3 Reflection spectrum before and after pretreatment for sample

2.2 特征波長提取

考慮到全波段光譜信息量大且存在數(shù)據(jù)冗余，這會(huì)降低模型計(jì)算效率，且不便于高光譜測量平臺(tái)移植。研究選擇采用連續(xù)投影法方法[22]對全波段高光譜數(shù)據(jù)進(jìn)行特征波長選擇。設(shè)定特征波長個(gè)數(shù)范圍為5～30，步長為1，根據(jù)圖4-a所示結(jié)果，隨著特征波長數(shù)目的增加，(root mean squared error，RMSE)逐漸減小，當(dāng)計(jì)算波長數(shù)為12時(shí)均方根誤差RMSE取得最小值3.39，之后曲線變化平緩，考慮到較多的輸入量會(huì)增加模型的復(fù)雜度，因此，依據(jù)RMSE最小原則選擇如圖4-b所示的1 024、1 112、1 194、1 213、1 440、1 497、1 648、1 685、1 899、2 131、2 175、2 363 nm共12個(gè)特征波長。分析認(rèn)為，羊肉新鮮度主要與水分、蛋白質(zhì)和脂肪等營養(yǎng)成分的分解程度有關(guān)。肉類腐敗過程中，蛋白質(zhì)、脂肪、糖類等化學(xué)成分改變的同時(shí)伴隨組織結(jié)構(gòu)中C—H、O—H、N—H等含氫基團(tuán)的變化，而肉品光譜特征信息與其這些含氫基團(tuán)的倍頻和合頻吸收有關(guān)，透過肉品光譜則可分析肉類化學(xué)成分的變化規(guī)律。由于組織結(jié)構(gòu)中分子所含基團(tuán)種類多且差異較大，且不同基團(tuán)在近紅外譜區(qū)的吸收位置及吸收強(qiáng)度各異，因此不同組分的分子基團(tuán)都對應(yīng)了特定的波長吸收組合。蛋白質(zhì)主要包含—CHn、—NH等基團(tuán)，1 021和1 057 nm附近為N—H基團(tuán)伸縮二級倍頻；1 109 nm為N—H基團(tuán)的三倍頻特征吸收帶；1 074 nm附近存在N—H基團(tuán)伸縮振動(dòng)二級倍頻，1 500 nm附近為N—H基團(tuán)一級倍頻，1 192 nm為C—H基團(tuán)三倍頻吸收帶[23-24]。脂肪主要含—OH、—CHn等基團(tuán)，1 207 nm處的吸收峰為C—H基團(tuán)伸縮二級倍頻；1 500 nm附近為N—H基團(tuán)伸縮一級倍頻；1 211 nm處的相對弱峰為C—H基團(tuán)伸縮振動(dòng)二級倍頻；1 370和1 640 nm為CH3基團(tuán)伸縮一級倍頻吸收帶[25-27]。水分主要含—OH基團(tuán)，1 400～1 500 nm為O—H伸縮一級倍頻吸收帶，在974 nm和1 440 nm附近存在強(qiáng)吸收峰，分別為水分子O—H伸縮振動(dòng)二級和一級倍頻[28-29]。通過上述波長下的光譜信息可獲得大量肉品品質(zhì)的相關(guān)信息，也為利用特征波長下的光譜信息分析羊肉新鮮度提供了理論依據(jù)。

a-解釋變量個(gè)數(shù)對應(yīng)RMSE的變化;b-SPA選取最優(yōu)特征波長
圖4 SPA法選取特征波長過程
Fig.4 Characteristic spectral variables by SPA

2.3 新鮮度判別模型

2.3.1 數(shù)據(jù)集劃分

84個(gè)羊肉樣本中，去掉4個(gè)明顯離群樣本，共得到80個(gè)有效樣本。按照TVB-N測定濃度值排序，采用隔三選一法[30]確定數(shù)據(jù)集，56個(gè)樣本為校正集，24個(gè)為預(yù)測集。校正集和預(yù)測集差異性分析結(jié)果表明，校正集TVB-N的平均值為17.10 mg/100g，標(biāo)準(zhǔn)偏差為7.84 mg/100g，TVB-N的變化范圍為8.15～38.63 mg/100g；預(yù)測集TVB-N的平均值為18.16 mg/100g，標(biāo)準(zhǔn)偏差為8.71 mg/100g，TVB-N的變化范圍為8.63～40.08 mg/100g。樣本集中新鮮肉31個(gè)、次鮮肉26個(gè)、變質(zhì)肉23個(gè)，表1為羊肉新鮮度類別劃分結(jié)果。

表1 不同新鮮度類別的樣本集劃分Table 1 The sample set for different freshness classes

2.3.2 BPANN模型

將SPA法優(yōu)選的12個(gè)特征波長作為BPANN網(wǎng)絡(luò)模型輸入?yún)?shù)，校正集樣本類別作為模型輸出參數(shù)。隱含層節(jié)點(diǎn)個(gè)數(shù)根據(jù)公式(9)確定：

(9)

式中：n為輸入層節(jié)點(diǎn)個(gè)數(shù)；m為輸出層節(jié)點(diǎn)個(gè)數(shù)；a的取值范圍為1～10。

模型中，輸入量為12個(gè)特征波長，n=12；輸出量為樣本新鮮度類別，m=1。因此，隱含層節(jié)點(diǎn)個(gè)數(shù)L的取值為5～14。設(shè)定BPANN 模型訓(xùn)練誤差為0.001，網(wǎng)絡(luò)訓(xùn)練次數(shù)為2 000，多次試驗(yàn)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，確定模型最佳參數(shù)如下：隱含層激活函數(shù)為logsig，輸出層激活函數(shù)為tansig，訓(xùn)練函數(shù)為traingd，隱含層節(jié)點(diǎn)數(shù)為6。根據(jù)以上網(wǎng)絡(luò)參數(shù)，建立拓?fù)浣Y(jié)構(gòu)為12∶6∶1的3層BPANN模型。

2.3.3 CART模型

通過調(diào)整決策樹的最大深度(max depth, MD)防止“小樣本”數(shù)據(jù)過擬合[31]，設(shè)定葉子節(jié)點(diǎn)包含的最小樣本數(shù)為2，分裂所需最小樣本數(shù)為1，緩慢提高M(jìn)D值訓(xùn)練模型，并計(jì)算預(yù)測集評分?jǐn)?shù)據(jù)，預(yù)測集準(zhǔn)確率隨決策樹深度的變化關(guān)系如圖5所示。當(dāng)MD值為7時(shí)建立決策樹獲得最高的分類精度，預(yù)測集分類得分為0.916 7，決策樹結(jié)構(gòu)如圖6所示。由圖6可知，決策樹Gini指數(shù)由初始計(jì)算值0.580經(jīng)多次特征屬性分裂后，到第7層決策樹Gini指數(shù)降為0，完成決策樹構(gòu)建。

圖5 分類得分隨決策樹深度變化關(guān)系
Fig.5 The relationship between the classification score and the depth of decision tree

圖6 CART模型結(jié)構(gòu)圖
Fig.6 Structure chart of CART model

2.4 模型精度驗(yàn)證

為比較BPANN模型和CART模型分類效果，分別以SPA法提取的12個(gè)特征波長分別作為BPANN模型、CART模型的輸入變量，羊肉新鮮度類別作為輸出量，建立羊肉新鮮度判別模型，并對模型預(yù)測效果進(jìn)行驗(yàn)證。

研究表明，BPANN和CART模型校正集的平均分類準(zhǔn)確率均為100%，CART和BPANN模型預(yù)測集的測試分類結(jié)果如圖7所示。對于預(yù)測集的24個(gè)樣本，BPANN模型有4個(gè)樣本被誤判，其中第8個(gè)樣本由新鮮被誤判為次新鮮，第11和第18個(gè)樣本由次新鮮被誤判為新鮮，第20個(gè)樣本由變質(zhì)被誤判為次新鮮；CART模型有3個(gè)樣本發(fā)生誤判，其中第6個(gè)樣本由新鮮被誤判為次新鮮，第18個(gè)樣本由次新鮮被誤判為新鮮，所有變質(zhì)樣本判別全部正確。綜上所述，BPANN模型預(yù)測集平均分類準(zhǔn)確率為83.33%，CART模型預(yù)測集平均分類準(zhǔn)確率為91.67%，相比BPANN模型，CART模型的平均分類準(zhǔn)確率提高了10.01%。

a-BPANN;b-CART
圖7 BPANN和CART模型測試分類圖
Fig.7 Classification
Figures by BPANN and CART model

BPANN、CART模型的新鮮度分類統(tǒng)計(jì)結(jié)果如表2所示，BPANN模型對預(yù)測集“新鮮”、“次新鮮”、“變質(zhì)”3個(gè)新鮮度級別樣本的識(shí)別率分別為88.89%、75%和85.71%，CART模型的識(shí)別率分別為88.89%、87.50%和100%。相比BPANN模型，CART模型對每個(gè)新鮮度級別的識(shí)別率分別提高了0%、16.67%和16.67%。上述研究表明，CART模型分類更加準(zhǔn)確且穩(wěn)定性更好，發(fā)生誤判主要集中在相鄰新鮮度等級之間，造成類別誤判的原因可能是相鄰新鮮度的樣品TVB-N數(shù)值較為接近，類間差異較小所致。該模型的預(yù)測精度也略高于范中建等[32]利用SPA法提取特征波長建立的羊肉新鮮度BP神經(jīng)網(wǎng)絡(luò)判別模型，在一定程度上反映出CART算法建模的有效性。分析認(rèn)為，BPANN算法需要反復(fù)調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)，從而容易過度訓(xùn)練且發(fā)生“過擬合”，反而降低了模型的泛化能力。CART算法更加注重對光譜信息深層次分析和挖掘且針對性更強(qiáng)，分類精度較BPANN模型明顯提高。該算法不是用一個(gè)決策規(guī)則把多個(gè)類別一次分開，而是綜合每個(gè)子集里被評價(jià)為分類能力最好的屬性變量進(jìn)行逐級劃分，從而在一定程度上提高了模型的泛化能力，較好地求解復(fù)雜的多輸入多分類問題。

表2 模型分類結(jié)果統(tǒng)計(jì)Table 2 Statistics of classification results for model

3 結(jié)論

為實(shí)現(xiàn)對羊肉新鮮度的快速、無損檢測，本研究采集不同存儲(chǔ)天數(shù)羊肉樣本近紅外高光譜圖像，以SPA法優(yōu)選的12個(gè)特征波長為自變量，分別構(gòu)建羊肉新鮮度BPANN和CART算法的判別模型。與BPANN模型相比，CART模型具有更高的精確度與魯棒性，可以很好地區(qū)分羊肉的“新鮮”、“次新鮮”、“變質(zhì)”3個(gè)新鮮度類別，表明高光譜成像技術(shù)在羊肉新鮮度判別方面具有良好的應(yīng)用潛力。