参考网


基于高光谱成像技术的三文鱼肉脂肪含量可视化研究

2019-11-28 10:11:11 江苏农业科学 2019年18期

章海亮 代启 叶青 刘雪梅 罗微

摘要:采用高光谱成像技术实现三文鱼的脂肪含量检測,并基于Matlab编程语言实现三文鱼肉脂肪含量分布的可视化。将5条整鱼按照相同切分规则切分成100个三文鱼样本,并分别采集100个样本的高光谱成像数据,在此基础上,提取每个样本感兴趣区域的光谱数据。利用偏最小二乘(PLS)模型,对100个样本的光谱数据进行三文鱼脂肪建模分析,其中75个样本组成建模集,25个样本组成预测集,分析结果显示,预测集决定系数为0.913,均方根误差(RMSEP)为0.921%。为简化模型,对全谱利用连续投影算法(SPA)提取特征波长,然后基于特征波长建立PLS模型,模型预测集的决定系数为0.913,均方根误差为0.920%,说明模型得到简化的同时,精度并没有降低。最后采用Matlab语言编程对三文鱼的脂肪含量进行可视化研究,结果显示,基于Matlab语言编程可以很形象地表达三文鱼的脂肪含量分布。

关键词:三文鱼;脂肪含量分布;偏最小二乘(PLS)模型;连续投影算法;可视化表达

中图分类号: S126;TP391.4文献标志码: A

文章编号:1002-1302(2019)18-0220-04

收稿日期:2018-06-13

基金项目:国家自然科学基金(编号:61565005)。

作者简介:章海亮(1977—),男,江西南昌人,博士,副教授,主要从事高光谱成像技术及其应用研究。E-mail:[email protected]

通信作者:罗 微,硕士,讲师,主要从事高光谱成像技术及其应用研究。E-mail:[email protected]

三文鱼是一种高档鱼类消费品种,其肉质细嫩,富含脂肪、维生素、蛋白质和脂肪酸等物质,近年来随着我国对外贸易日益便捷,三文鱼日渐成为我国消费者喜欢的一种鱼类消费品种,其价格比一般的普通淡水鱼相对高一些[1]。

三文鱼的脂肪同蛋白质一样,是影响三文鱼肉品质的一个重要物质,脂肪含量的高低,对三文鱼的口感影响较大[2]。因此,三文鱼的脂肪含量可作为评价三文鱼品质好坏的一个重要参数,脂肪含量是三文鱼检测参数中必须检测的一个参数。传统的三文鱼脂肪含量检测方法一般都是破坏性的,须将三文鱼肉捣碎,并须经过提取、分离等化学步骤,费时费力,且污染环境,不符合在线大批量实时检测要求[3-4]。

近红外光谱检测技术作为一种近年来得到快速发展的无损检测方法,在食品品质检测中得到大量应用和研究,检测精度较高[5]。但是近红外光谱检测方法只能检测被检测对象的内在品质属性,如三文鱼的蛋白质、脂肪含量,不能反映被检测对象品质的空间属性;而常规的图像检测方法只能检测被检测对象的外在空间属性,不能对被检测对象的内在品质属性进行表达,或者能表达但准确度不能保证,随着技术的发展,高光谱成像检测技术因具备光谱检测和图像检测的双重优势,得到了广泛关注和报道[6-9]。采用高光谱成像技术检测三文鱼品质参数的研究在国内外都有所报道,但采用高光谱成像技术检测三文鱼脂肪含量的同时进行可视化表达的相关研究报道并不多见[10-15]。

本研究对100个三文鱼样本的脂肪含量进行检测,并采用偏最小二乘(PLS)建模方法进行建模分析,在此基础上,采用Matlab语言进行编程,对三文鱼的脂肪含量进行可视化表达。

1 材料与方法

1.1 三文鱼肉样本

5条新鲜大西洋鲑整鱼片购于加拿大蒙特利尔市当地超市。每条鱼总质量为1 kg左右,误差在±120 g范围内,所有样本的长度在50 cm左右,误差为±3 cm。首先将每条鱼分成背部和腹部2部分,然后分别将背部和腹部等分成10份,因此,每条三文鱼样本被细分成20块试验样本,5条三文鱼共细分成100块试验样本。将每块样本装入塑料袋中并编号,在2~4 ℃冰箱保存备用。

1.2 采集高光谱成像数据

采集100块三文鱼试验样本的高光谱成像数据,然后采用常规方法测定脂肪含量。长波近红外高光谱成像系统的波段范围是900~1 700 nm,共有167个波段,2个光源与样本平台呈45°放置于金属架上,距样本平台的高度为40 cm。为保证采集的高光谱成像数据图像不失真、不变形,需要调整电荷耦合器件(CCD)相机的曝光时间、样本输送平台的水平运行速度和CCD镜头的高度,最终调试CCD相机镜头与样本平台的垂直距离为40 cm,曝光时间为0.9 s,平台的水平运行速度为1.58 mm/s。同时为消除光线不均和电子噪声等产生的影响,需要对高光谱成像数据进行校正,校正公式为

I=I0-BW-B×100%。(1)

式中:B为黑板数据;W为白板数据;I0为原始高光谱成像数据;I为校正后高光谱成像数据。

1.3 脂肪含量测定和光谱数据提取

采用索氏提取法提取三文鱼中的脂肪,采用的仪器为索氏脂肪提取仪,仪器型号为意大利Usmate公司生产的SER148。采用感兴趣区域(ROI)法提取样本光谱数据,选取的正方形ROI边长为80像素左右,取平均值得到每个样本的光谱数据,光谱的波段数为167个,因此,最终的光谱矩阵维度为167×100。ROI光谱数据的提取在软件ENVI 4.6中完成。

1.4 特征波长选择算法

连续投影算法(SPA)是一种常用的特征波长提取方法,本研究采用的连续投影算法是基于Matlab语言工具箱的,运行时需要设定光谱和样本脂肪理化值的建模集和预测集,根据提取特征波长数量需要,一般要设定一个波长数量范围阈值,本研究设定的波长数量范围阈值为5~30个。采用连续投影算法提取的特征波长建立的模型,大大简化了建模数量,提高了模型运行效率和精度,关于连续投影算法的原理详见文献[16]。

1.5 PLS回歸模型的建立

PLS回归模型是一种线性模型,在光谱建模分析中的应用较多,该建模方法将光谱变量转变为维度更小的建模因子,同时生成建模回归曲线,通过分析回归曲线,可以提取有效波长,以方便后续建模分析[17]。本研究中的100个样本,75个组成PLS建模集,25个组成PLS预测集,模型的评价参数为决定系数和均方根误差。PLS模型运算在软件Unscramble V9.7中完成。

1.6 三文鱼样本脂肪含量的可视化

在Unscramble计量分析软件中利用PLS建模分析自动生成一条回归曲线,利用这条回归曲线建立三文鱼样本脂肪含量的线性回归方程,然后利用Matlab语言编程将通过回归方程得到的每个样本像素点脂肪含量指标以图形化的形式显示在每块样本上。

2 结果与分析

2.1 三文鱼样本的光谱吸收曲线

基于ROI提取的光谱吸收曲线如图1所示,可以看出,在1 100~1 300 nm近红外区域的光谱反射率高于1 301~1 700 nm 区域,在1 180 nm左右处,存在较大的光谱吸收峰,这是由于三文鱼样本中的C—H、N—H及O—H等功能键在该波段处存在光谱吸收峰。

2.2 PLS模型分析

采用PLS模型预测三文鱼样本脂肪含量,结果(表1)可以看出,PLS建模集(校准集)的决定系数和预测集的决定系数都较高,其中预测集的决定系数为0.913,均方根误差为0.921%,且建模集决定系数和预测集决定系数数值较为接近,没有出现过拟合和欠拟合现象。图2为采用PLS模型得到的建模集和预测集样本脂肪含量的散点图,可以看出,PLS模型的预测结果较为理想,可以用于三文鱼脂肪含量预测。

2.2 连续投影算法提取的特征波长具体位置

为了提高模型运行效率和简化模型的复杂度,采用连续投影算法提取特征波长,原始光谱的波段数量为167个,采用连续投影算法后,提取到的波长数量为6个(表2),图3是采用连续投影算法提取的6个特征波长在一条完整光谱曲线上的具体位置。表3列出了基于6个特征波长建立PLS模型的评价参数,可以看出,PLS的建模集决定系数和预测集决定系数都较高,其中预测集的决定系数为0.913,均方根误差为0.920%,且建模集决定系数和预测集决定系数数值较为接近,没有出现过拟合和欠拟合现象,相对基于全谱建立的PLS模型而言,基于特征波长建立的PLS模型不但预测精度稍有提高,而且极大地简化了模型,提高了模型的预测运行效率。

2.3 三文鱼肉脂肪含量的可视化

三文鱼样本的脂肪含量可视化效果如图4所示,颜色由深到浅表示三文鱼样本脂肪含量由低变到高,可以看出,a~d 4个样本试验块的脂肪含量逐渐升高,与真实脂肪含量情况基本相符,说明采用可视化方法可以准确表达三文鱼的脂肪含量,且这种方法可以精确到像素级别,应用前景非常广泛。采用高光谱成像技术检测三文鱼脂肪含量的优势,比采用光谱技术更为明显,以图形的形式表达脂肪含量更加直观,脂肪含量分布检测的主要步骤如图5所示。

3 结论

本研究采用高光谱成像技术对三文鱼脂肪含量进行检测,并进行可视化表达,首先获取到三文鱼的原始高光谱成像数据并进行校正,然后提取样本的光谱数据,建立PLS样本脂肪含量预测模型, 并取得比较好的结果,在此基础上,采用Matlab语言编程,利用回归系数方程对三文鱼脂肪含量进行图形可视化表达,该表达方法可精确到每个像素点,更形象直观,应用前景广泛。

参考文献:

[1]Xu J L,Riccioli C,Sun D W. Efficient integration of particle analysis in hyperspectral imaging for rapid assessment of oxidative degradation in salmon fillet[J]. Journal of Food Engineering,2016,169:259-271.

[2]ElMasry G M,Nakauchi S. Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality—A comprehensive review[J]. Biosystems Engineering,2016,142:53-82.

[3]Cheng J H,Sun D W,Pu H B. Combining the genetic algorithm and successive projection algorithm for the selection of feature wavelengths to evaluate exudative characteristics in frozen-thawed fish muscle[J]. Food Chemistry,2016,197:855-863.

[4]Kamruzzaman M,Makino Y,Oshita S. Non-invasive analytical technology for the detection of contamination,adulteration,and authenticity of meat,poultry,and fish:a review[J]. Analytica Chimica Acta,2015,853:19-29.

[5]Dai Q,Cheng J H,Sun D W,et al. Prediction of total volatile basic Nitrogen contents using wavelet features from visible/near-infrared hyperspectral images of prawn (Metapenaeus ensis)[J]. Food Chemistry,2016,197:257-265.

[6]Wang L,Pu H B,Sun D W. Estimation of chlorophyll-a concentration of different seasons in outdoor ponds using hyperspectral imaging[J]. Talanta,2016,147:422-429.

[7]Wu X,Song X L,Qiu Z J,et al. Mapping of TBARS distribution in frozen-thawed pork using NIR hyperspectral imaging[J]. Meat Science,2016,113:92-96.

[8]章海亮,楚秉泉,叶 青,等. 高光谱成像技术鉴别鱼新鲜度[J]. 光谱学与光谱分析,2018(2):559-563.

[9]陶 瑞,史智佳,贡 慧,等. 傅里叶变换近红外光谱技术快速检测金枪鱼新鲜度[J]. 肉类研究,2017(4):43-49.

[10]He H J,Sun D W. Toward enhancement in prediction of Pseudomonas counts distribution in salmon fillets using NIR hyperspectral imaging[J]. LWT - Food Science and Technology,2015,62(1):11-18.

[11]He H J,Sun D W. Inspection of harmful microbial contamination occurred in edible salmon flesh using imaging technology[J]. Journal of Food Engineering,2015,150:82-89.

[12]He H J,Wu D,Sun D W. Potential of hyperspectral imaging combined with chemometric analysis for assessing and visualising tenderness distribution in raw farmed salmon fillets[J]. Journal of Food Engineering,2014,126:156-164.

[13]Wu D,Sun D W,He Y. Novel non-invasive distribution measurement of texture profile analysis (TPA) in salmon fillet by using visible and near infrared hyperspectral imaging[J]. Food Chemistry,2014,145:417-426.

[14]He H J,Sun D W,Wu D. Rapid and real-time prediction of lactic acid bacteria (LAB) in farmed salmon flesh using near-infrared (NIR) hyperspectral imaging combined with chemometric analysis[J]. Food Research International,2014,62:476-483.

[15]He H J,Wu D,Sun D W. Rapid and non-destructive determination of drip loss and pH distribution in farmed Atlantic salmon (Salmo salar) fillets using visible and near-infrared (Vis-NIR) hyperspectral imaging[J]. Food Chemistry,2014,156:394-401.

[16]羅 微,杜焱喆,章海亮. PCA和SPA的近红外光谱识别白菜种子品种研究[J]. 光谱学与光谱分析,2016(11):3536-3541.

[17]王玉田,赵 煦,徐 婧,等. 基于U-PLS/RQL的油类混合物三维荧光导数光谱研究[J]. 中国激光,2016(5):269-275.