,*

(1.华南理工大学食品科学与工程学院,广东广州 510640;2.华南理工大学现代食品工程研究中心,广东广州 510006;3.菏泽职业学院食品科学与化学工程系,山东菏泽 274000)

食品产业是关系民生的重要产业,近几十年来,随着经济的迅速发展和生活水平的提升,人们对食品营养的认识逐渐加深,食品营养品质逐渐成为影响食品消费的重要因素之一[1]。营养品质检测主要针对两个方面,一是食品中营养素的含量,如肉类中的蛋白质、脂质、水分含量,水果中的可溶性固形物、生物活性物质含量,以及作物的淀粉含量等;二是食品在加工、贮藏、运输、销售过程中,营养物质可能发生的物理或化学属性上的变化。然而,许多营养品质的评价依旧采用复杂的、耗时的、破坏性的、甚至是经验主义的方法进行检测[2],如何快速、无损、准确地检测食品营养品质已经成为研究的热点。学者们利用声学、光学、电磁学等手段对快速无损检测技术进行了探索[3],高光谱成像技术受到了研究者们的关注。

与成像技术和光谱技术相比,高光谱成像技术将二者的优势结合起来,既能获得空间的图像信息,又可以得到光谱信息,从而形成可以反映食品物理及化学属性差异的三维信息立方体(空间二维信息+一维光谱信息)[3],并且可以将属性差异转化为可视化的二维分布图像。然而,由于高光谱成像技术需要采集和分析数百幅连续光谱范围内的图像,其运行速度大打折扣,尤其限制了其在工业生产实时检测方面的潜力[4]。

多光谱成像技术作为对高光谱成像技术的一种改进技术,离散光谱范围内收集和分析数据[5],从而大大简化了数据,减少了冗余信息,提升了处理速度。基于这个优势,多光谱成像技术在近年来被广泛关注,该技术满足了工业生产中对检测技术的速度需求,为下一步开发快速无损、准确高效的实时检测工具提供了可能[6]。目前为止,还没有相关文献对多光谱成像技术在食品营养品质检测方面的研究进展进行综述报道,因此,本文旨在对近五年多光谱成像技术在食品营养品质检测领域的研究进展进行探讨。首先介绍了多光谱成像技术原理以及对多光谱成像技术在肉品、果蔬、粮食作物的营养品质检测方面的应用进行了分析,最后对多光谱成像技术目前的局限性和未来发展潜力进行了探讨。

1 多光谱成像技术

经典的多光谱成像系统主要由相机、过滤和分散装置、光源、外壳和样品载物台等部件组成,反射光通过一定波段范围的滤光镜后进入成像系统,形成样本的多光谱信息。图2为丹麦Videometer公司的VideometerLab多光谱成像仪,其在405～970 nm波段内选取了19个特殊波长(405、435、450、470、505、525、570、590、630、645、660、700、780、850、870、890、910、940、970 nm)进行信息采集,该系统在多项研究中得到了广泛的应用[7-12]。多光谱成像系统与高光谱成像系统非常相似,但其不同之处在于,作为高光谱成像技术的改进,多光谱成像技术利用化学计量学分析手段,将高光谱成像数据中的有用信息进行放大,并去除了不需要的信息[13]。多光谱成像系统获取的测试样本图像的光谱波段是离散的、不连续的、不规则的,而高光谱成像系统中的每一个像素都有完整的、连续的光谱,因此多光谱成像系统采集和分析信息的时间以及信息的复杂程度远低于高光谱成像系统。化学计量学分析技术的优势在于降低数据复杂程度,构建准确性高和鲁棒性强的模型[14]。该技术主要分为两部分:变量选择算法和建模算法。变量选择算法通常用于选择信息最丰富的光谱区域以简化建模,主要包括:主成分分析(Principal component analysis,PCA)[9]、连续投影算法(Successive projections algorithm,SPA)[15-16]、回归系数分析(Regression coefficient,RC)[17-18]、无信息变量消除(Uninformation variable elimination,UVE)[19]、变量重要性指标(Variable importance in projection,VIP)[16]和遗传算法(Genetic algorithm,GA)[20]等。常用的建模算法包括多元线性回归(Multiple linear regression,MLR)[19,21],偏最小二乘回归(Partial least squares regression,PLSR)[22-23],反向传播神经网络(Back-propagation neural network,BPNN)[11]和最小二乘支持向量机(Least-square support vector machine,LS-SVM)[15,24]等。模型建立后,需要用一些统计参数来评价模型的准确性,常用的统计参数有决定系数(Coefficient of determination,R2)、相关系数(Coefficient of association,R)、均方根误差(Root mean square error,RMSE)。在每项试验中,通常都要得到校准集、交叉验证和预测集三组的统计参数[14]。此外,由于几乎所有的有机化合物的主要结构和官能团都可以在可见/近红外光谱(300～2500 nm)中检测到,因此,多光谱成像系统的工作波段一般在可见及近红外光谱区[25]。

图1 VideometerLab多光谱成像系统[8] Fig.1 VideometerLab Instrument[8]注:(a)外观;(b)内部构造。

2 多光谱成像技术在食品营养品质检测中的应用

2.1 肉类营养品质检测

通常所说的肉类一般包括畜肉、禽肉和水产品,富含优质蛋白质、脂类、脂溶性维生素、维生素B族和矿物质等,是平衡膳食的重要组成部分[26]。随着居民生活水平的提高,肉类消费量逐年增加。预计到2025年,世界肉品年消费量将增加到35649万吨,中国肉品年消费量增加至9996万吨[27],百姓对肉品营养品质的期望也随着消费水平的提高而增加。因此,在进入市场流通前,必须对肉品的营养品质进行检测,以保障肉品质量和实现不同质量肉品等级分级。

表1 多光谱成像在肉类营养品质检测方面的应用 Table 1 Multispectral imaging for detection of meat nutritional quality

除了水分、脂肪、蛋白质等常见营养素外,多光谱成像技术还广泛地应用于一些肉类中的特殊营养素的预测,如猪肉中的血红素铁和非血红素铁[8]、鱼肉中的二十二碳六烯酸(Docosahexaenoic acid,DHA)、二十碳五烯酸(Eicosapentaenoic,EPA)[29]和虾青素[30]、以及关键营养素的降解程度指标如硫代巴比妥酸值(Thiobarbituric acid reactive substances,TBARS)[31-32]、挥发性盐基氮(Total volatile basic nitrogen,TVB-N)[33]等影响肉品新鲜度的指标。这些检测都取得了良好的效果,说明多光谱成像技术有较大的潜力对肉类中的营养物质进行快速无损检测。研究人员注意到,通过对肉品各种营养成分含量、分布情况及其随条件变化的检测,可以比较得出不同品种、不同环境条件下肉类品质的差异,进而可以对肉类进行鉴别与分类。余俊杰等[9]利用多光谱成像技术结合化学计量学方法,利用SVM建立分类模型,对不同方法处理的冷冻牛肉样本进行鉴别分类,其预测集分类准确度为83.33%;Ropodi等[34]利用多光谱成像信息结合数据分析方法,建立two-step SVM分类模型,对掺有牛肉肉糜的马肉肉糜进行鉴别区分,分类准确度高达95.31%;此外,Ropodi等[35]研究也表明,新鲜牛肉肉糜和不同冷冻时间的冷冻后解冻牛肉肉糜亦可以被多光谱成像技术准确分类,准确率达到100%。由此可知,多光谱成像技术在肉类分类分级和鉴别掺假肉类方面也有不错的效果。

2.2 果蔬营养品质检测

水果蔬菜一直是健康膳食的重要组成部分,其富含维生素(尤其是维生素A与维生素C)、人体所需的矿物质、水分、糖分和膳食纤维[40]。除了提供能量和营养外,果蔬还有预防某些疾病的功效[41]。过去几十年间,果蔬消费量随着经济发展和人们对健康膳食了解的深入而快速增长,与此同时,消费者对果蔬营养品质的期望也逐渐变高。然而,果蔬的保质期较短不宜存放且在贮藏运输销售过程中营养物质变化较快,对其营养价值和消费价格影响较大,因此有必要对果蔬的营养品质进行快速无损检测。

可溶性固形物含量(Soluble solids content,SSC)是指包括可溶性糖、酸、维生素、矿物质和纤维素等成分的综合型指标,是评价果蔬营养品质的重要参数[3]。但是,现行的SSC检测标准使用的方法是折射仪法[42],用时长且需要破坏样品。因此,如何快速无损地检测果蔬中的SSC一直是研究者们关注的重点。Liu等[10]利用多光谱成像系统,对草莓的SSC进行预测,他们在405～970 nm的波段内选取了19个关键波长进行信息采集,建立BPNN模型,得到R2=0.689,预测结果一般。而Khodabakhshian等[43]建立的多光谱成像系统,在400～1100 nm的波段内,选取六个关键波长(450、521、630、780、853、950 nm),利用MLR模型对石榴的SSC进行预测,得到R=0.97,取得了良好的效果。除了直接利用多光谱成像系统外,更多的研究是建立在高光谱成像的基础上,利用变量选择算法提取关键波长,然后建立多光谱模型对SSC进行预测。Li等[44]提出了MC-UVE和SPA的新变量选择算法组合,并用该组合选取了18个关键波长,并用PLSR建立模型对鸭梨的SSC进行预测,得到预测集的R=0.88,RMSE=0.35°Brix,总体结果良好。在选取合适数量关键波长的情况下,多光谱模型既减少了需要处理的信息量,提升了处理速度,又能保证模型的准确性不受较大影响[45]。

除了可溶性固形物外,色素、酚类及黄酮类化合物也是果蔬中重要的营养物质。Liu等[11]利用VideometerLab多光谱成像仪,对番茄中的番茄红素和总酚类物质进行检测,通过BPNN模型,得到预测准确度分别为R2=0.938和R2=0.965。Shui等[24]也利用该多光谱成像仪对菊花中的木犀草素含量进行了研究,他们建立了LS-SVM模型,得到的预测准确度为R2=0.965。其他多光谱成像技术在果蔬营养品质检测方面的应用见表2。

在实时检测的研究方面,Liu等[12]利用VideometerLab多光谱成像仪,对胡萝卜片在热空气中脱水的过程中的水分含量变化。他们选择60 ℃的空气温度来模拟工业实践并保持热敏胡萝卜成分的生物活性。为了获得不同水分含量,将总共700个胡萝卜切片在热风烘箱中脱水7个时间段0、30、60、120、180、240和300 min(每个脱水期100个样品)。研究者们利用BPNN模型对水分含量进行预测,得到结果为R2=0.991,显示出良好的预测性。这个实验也说明,多光谱成像技术有很大的潜力对加工过程中果蔬营养品质的变化进行实时检测。

表2 多光谱成像在果蔬营养品质检测方面的应用Table 2 Multispectral imaging for detection of fruit and vegetable nutritional quality

2.3 粮油作物营养品质检测

粮油作物指谷类作物、薯类作物和豆类作物,一般作为人的主食,为人类提供淀粉、蛋白质、油脂和膳食纤维等营养物质。粮油作物种植范围广,种类繁杂,品质不一,因此多光谱成像技术对粮油作物的品质检测主要集中于来源的区分和品种的鉴别方面。

Liu等[48]利用VideometerLab多光谱成像仪,对非转基因水稻种子中混有的转基因苏云金芽孢杆菌水稻种子进行了鉴别,通过LS-SVM模型,达到了100%的鉴别率,达到了良好的分类效果。Sun等[52]利用高光谱成像系统,在390～2548 nm的光谱范围内,利用PCA选取9个关键波长,再通过建立的SVM模型对来自四个地区的不同水稻品种进行鉴别,准确率达到了91.67%。在玉米品种鉴别方面,Yang等[55]对糯玉米种子的胚芽侧和胚乳侧分别进行多光谱成像的鉴别,利用SPA在胚芽侧选取26个关键波长,胚乳侧选取19个关键波长,利用SVM进行建模,分类准确率在胚芽侧高达98.2%,胚乳侧亦高达96.3%,显示出了良好的准确性。

除品种鉴别外,多光谱成像技术在针对某种粮油作物的特殊营养物质(如花生中的油脂、马铃薯中的淀粉、咖啡豆中的咖啡因等)检测中也得到了广泛的应用。Zhang等[56]在874～1734 nm范围内利用高光谱成像系统进行信息采集,利用随机蛙跳(Random frog,RF)选取了13个关键波长(1254、1257、1268、1278、1281、1291、1342、1352、1355、1359、1379、1392、1396 nm),PLSR模型获得了满意的效果,预测决定系数R2=0.878。Jin等[58]利用高光谱成像系统检测花生中的含油量,在1000～2500 nm范围内利用RC选择了六个关键波长,建立PLSR模型预测五种花生中的含油量,预测决定系数R2=0.934,预测效果良好。

分时检测在粮油作物方面同样有相关研究,Sun等[60]将120个紫薯切片平均分成六组的六个不同干燥时长(0、30、60、120、180、240 min)进行超声热风联合干燥。将干燥好的切片放入高光谱成像系统进行检测,利用RC选取十个关键波长,然后建立MLR模型校准并预测切片水分含量,预测决定系数R2=0.9359,效果良好,同时反映出多光谱成像系统在食品干燥加工的实时检测方面有很大的应用潜力。其他应用见表3。

表3 多光谱成像在粮油作物营养品质检测方面的应用Table 3 Multispectral imaging for detection of oil and grain crops nutritional quality

3 多光谱成像技术的局限性

大量的研究表明,多光谱成像技术在快速无损检测食品营养品质方面具有良好的可行性。然而,该技术的进一步发展还有较大的局限性:a.多光谱成像系统的设计需要耗费大量的时间和精力,选择最优算法组合和感兴趣区域依然需要人工执行;b.多光谱成像技术工作波段在可见及近红外光谱区,其他区域的信息利用有待探究;c.虽然多光谱成像可以快速无损检测食品品质,但其检测标准依旧需要靠传统方法确定,是一种间接检测方法;d.多光谱成像技术目前只用于实验室环境,对环境复杂度高的工厂等环境的适应性还需要进一步提高。

首先,如何更加准确快速地选择化学计量学分析方法是一个非常重要的问题。在本文报道的所有研究中,有超过一半的研究使用了高光谱成像系统,利用关键波长选择算法对关键波长进行选择,简化运算量,然后利用建模算法对所得数据进行建模分析,得到预测结果。然而,不同的变量选择算法和建模算法,在预测同一食品中同一营养素含量和变化量时的准确性可能有所不同,合理地选择算法可以提高预测的准确性。Dong等[15]在检测苹果营养品质时,分别运用SPA和UVE两种波长选择算法和PLSR、LS-SVM、BPNN三种建模算法进行排列组合,对SSC、水分含量进行预测。在比较PLSR,LS-SVM和BPNN模型的校准和预测性能时,发现LS-SVM在大多数情况下对于每个调查的质量参数具有比PLS和BPNN更好的性能。而且,使用变量选择算法后,LS-SVM的预测能力有所提升。在比较SPA和UVE对预测结果的影响时发现,SPA对水分含量预测的提升效果较好,但对SSC的提升效果比UVE差,考虑到SPA的关键波长为23个,远小于UVE的122个,大大减少了运算量,因此可以认为SPA-LS-SVM是预测苹果营养品质的最佳算法组合。

但是不是所有食品中的不同营养素都能有一种最佳算法组合,Pu等[19]预测羊肉中的水分、蛋白质、脂肪,选择了UVE-SPA-CSA-MLR算法组合,该组合对水分和脂肪的预测准确度较好(R水=0.92,R脂肪=0.98),但是对蛋白质的预测准确度一般(R蛋白质=0.67)。Rahman等[16]在对大蒜中SSC和大蒜素的预测中,对SSC和大蒜素使用了不同的算法组合,对SSC使用SPA-LS-SVM算法组合,得到R2=0.90;对大蒜素使用VIP-LS-SVM算法组合,得到R2=0.83,都得到了不错的结果。除了对同一食品的不同品质预测之外,对同类食品的不同品种的营养物的预测也会受到算法组合的影响。Guo等[61]在预测西选、华优两种猕猴桃中SSC时,使用了SPA-LS-SVM算法组合,分别对西选、华优以及两品种混合选择了9、9和19个关键波长,该组合对华优和两品种混合的预测效果较好,但略差于全光谱的LS-SVM模型;对于西选的预测准确度一般,但是优于全光谱模型。

在实验中,不同品种、不同营养品质、不同化学计量学分析方法都是决定实验结果的变量。目前的研究里,对化学计量学分析方法的选择和调整都是人工完成,不断地试错也耗费了大量时间成本,最终选择的算法和模型也很难保证是最优解。因此,化学计量学分析方法的选择会限制多光谱成像技术向工业化实时检测发展。

其次,虽然多光谱成像技术是一种快速无损的食品营养品质检测技术,但是不能忽视的是,其本身目前是一种间接的检测技术,需要依靠传统破坏性实验方法和校准集数据的结合确定标准,然后依据该标准对预测集样品进行预测。Ma等[36]在预测猪肉背最长肌含水量时,先用传统的烘箱干燥方法测得了样品的水分含量,然后结合校准集校准PLSR模型,并最终进行预测,预测结果R2=0.966,体现了良好的效果。虽然目前来看多光谱成像技术有较好的预测准确性,但是花费在标准校正和选择波长上的时间较多,限制了其在工业实时检测应用上的发展潜力。

4 结论与展望

多光谱成像技术除了拥有“空间+光谱”三维信息立方体外,还通过化学计量学分析方法以及过滤与分散装置获得了离散光谱的数据,大大降低了数据复杂度,减少了处理时间,在工业化应用方面具有巨大潜力。本文综述了近些年来多光谱成像技术在肉类营养品质和果蔬的营养品质快速无损检测方面的研究进展。多光谱成像技术已被证实是一项性能良好、发展迅速的快速无损检测技术。

多光谱成像技术是一门复杂的跨学科技术,涉及到食品科学、计算机科学、自动化控制等多个学科的交叉。在未来的发展中,建立自动化的算法选择和感兴趣区域选择及建模方法将成为多光谱成像技术的研究重点和发展趋势,建立自动选择方法,以提升运算速度和准确度,提高普适性。如何进一步减少分析数据量也是研究的重点,减少数据量并且尽可能保持分析精度,可以大大提升运算速度。为实时检测的发展做准备。在工业应用研究方面,未来发展过程中要通过跨学科合作建立硬件精度更高,程序更稳定的系统,以进一步适应更为复杂的检测环境。