刘友华，白亚斌，邱祝福，陈 伟，冯耀泽

（华中农业大学 工学院，湖北 武汉 430070）

基于高光谱图像技术和波长选择方法的羊肉掺假检测方法研究

刘友华，白亚斌，邱祝福，陈 伟，冯耀泽*

（华中农业大学 工学院，湖北 武汉 430070）

针对肉类掺假的定量检测问题，建立了基于高光谱图像技术结合波长选择方法以及偏最小二乘（PLS）法的羊肉掺假无损检测方法.试验搭建了羊肉-猪肉的高光谱图像采集系统，对选取的99个样本进行高光谱图像（390～1040nm）采集并提取感兴趣区域光谱.比较了多种预处理方法对全波长模型的影响，标准正态变量校正（SNV）为最优光谱预处理方法，校正决定系数R2CV达到0.93，预测决定系数R2P达到0.96，校正均方根误差RMSECV为8.33%，预测均方根误差RMSEP为6.18%.采用多种波长选择方法对光谱全波段520个变量进行变量选择，最终确定基于竞争性自适应重加权算法（CARS）的简化模型最优，其R2C=0.96，R2CV=0.94，R2P=0.96，RMSEC=6.55%，RMSECV=7.66%，RMSEP=6.10%.高光谱图像技术结合CARS能够对掺假羊肉进行准确的定量检测，可为羊肉掺假的在线无损检测提供理论依据.

羊肉掺假；标准正态变量校正；竞争性自适应重加权算法；偏最小二乘回归；定量分析

近红外光谱（NIR）在肉品种类识别、质量和安全检测等方面有广泛应用，主要是由于该技术在提取物质特征信息时，具有分析速度快、成本低、测量方便、可在线检测等优点[1-5]，但其为点扫描技术，不能获取样本的空间信息.高光谱技术能更加全面地反映样本的光谱信息和空间信息，所获样本信息更具代表性，在近些年也得到了快速的发展和应用.在肉类检测方面，陈全胜等[6]用高光谱成像技术和神经网络方法构建猪肉嫩度等级判别模型，模型对校正集和预测集样本的判别率分别为96.15%和80.77%.王伟等[7]用高光谱成像技术结合最小二乘支持向量机（LS-SVM）建模检测生鲜猪肉中细菌总数（TVC），得到决定系数为0.9872，校正均方根误差和预测均方根误差分别为0.2701和0.2176.吴建虎等[8]利用高光谱散射图像结合逐步回归法预测牛肉的pH值、嫩度和颜色三种品质参数，所建模型对其的预测相关系数都在0.86以上.以上研究表明高光谱技术可以对肉类诸多品质指标进行较好的检测.然而，将高光谱技术用于肉类掺假定量分析以及对不同的波长选择方法进行比较以建立最优的掺假检测模型在国内却鲜有报道.本研究以检测羊肉中掺假猪肉为例，通过比较不同光谱预处理方法以及波长选择方法建立和优化基于高光谱技术的肉类掺假检测模型，为肉类掺假检测奠定理论基础.

1 材料与方法

1.1 掺假样本制备

猪肉和羊肉均购于当地超市.设计猪肉掺假比例为0%-100%，浓度梯度为10%.按照掺假比例称取猪肉和羊肉样品并置于绞肉机中绞肉5min，使得肉糜均匀以制备掺假样本.每个梯度样品重复9次，所获样本总数为99个，每个样品的含量约为30 g.为方便高光谱图像扫描，掺假样本置于专制铝制样品盒中.

1.2 图像采集与光谱提取

本研究所用高光谱系统为反射高光谱成像系统，具体组成详见文献[9].其扫描波段范围390～1040 nm，光谱分辨率2.8 nm，相机的曝光时间为100 ms，移动平台的移动速度设为2mm·s-1.将所获原始图像（以辐射值为单位）经校正后转为反射高光谱图像后，对自定义矩形感兴趣区域中的光谱取平均值作为样本光谱用作后续分析.

1.3 数据处理

将试验所得样品通过SPXY法[10]划分为校正集（66个样品）和预测集（33个样品），其中校正集用于定量模型的建立，预测集用于检验所建模型性能.在建立全波长模型前，使用不同光谱预处理方法（标准正态变量校正（SNV），多元散射校正（MSC）、S-G卷积平滑法（S-G）、一阶微分（1ST）和二阶微分（2ND）及其组合）对光谱数据进行预处理.建模方法采用PLS法.建模之后，采用决定系数R2和均方根误差RMSE进行模型评价.

1.4 波长选择方法

原始光谱中所包含的大量光谱数据且具有一定的多重共线性，这将直接导致后续建模过程的复杂度及计算量的增加.通过运用波长选择方法进行变量选择可以达到简化模型、减少计算量甚至增加模型精度的目的.本试验采用回归系数法[11]、逐步回归法[12]、连续投影算法（SPA）[13]和竞争性自适应重加权算法（CARS）[14]四种波长选择方法进行波长选择，并建立相应的简化模型.通过对所建模型的预测能力进行比较，确定最优波长选择方法.

2 结果与讨论

2.1 羊肉样本光谱

按照1.1获得的99个掺假羊肉样本经过反射高光谱成像系统扫描，选择感兴趣区域，其原始光谱图及不同预处理（SNV，MSC、S-G、1ST和2ND及其组合）后的光谱图见图1.

由图1（a）可知，样本的原始光谱在960 nm处存在明显的光谱吸收峰，此峰对应O-H基团的二级倍频[15]，这是由于猪肉和羊肉中含有较多的水分的缘故.此外，在可见光范围内480 nm和570 nm处亦有两个较明显的光谱吸收峰，可能分别为去氧肌红蛋白和氧合肌红蛋白的吸收所致[16]，反映掺假羊肉样品的颜色差异.图1（b）的SNV预处理光谱图与图（c）的MSC预处理光谱图比较相似，这两种预处理方法均有消除由于样品颗粒大小不同及颗粒分布不均匀而产生的散射对光谱的影响作用，故两图相对于图（a）而言，光谱曲线更加紧凑.图1（e）、（g）、（i）分别为1ST、SNV+1ST、MSC+1ST预处理光谱图，均含有1ST预处理方法，其可校正基线，使平滑处趋于平直，且波峰处更加突出.图1（f）、（h）、（j）分别为2ND、SNV+2ND、MSC+2ND预处理光谱图，可以看出噪声信息较多，且波峰波谷难以辨出.图1（d）、（k）、（l）分别为S-G、MSC+S-G、SNV+S-G预处理光谱图，可以看出三种预处理方法除去了部分噪声，并且保持了光谱波峰波谷的位置不发生偏移.

2.2 全波长模型的建立

采用不同预处理方法建立模型且对其进行评价，结果见表1.由表1可得出结论：SNV预处理方法所对应模型效果最优，决定系数、和分别为0.95、0.93和0.96，而均方根误差RMSEC、RM⁃SECV和RMSEP分别为7.07%、8.33%和6.18%.

对照原始数据，SNV预处理方法所得模型中R2比原数据分别增加了1.06%、1.08%和2.13%，而RMSE较原数据分别降低了12.06%、8.66%和18.18%.SNV预处理方法与其他预处理方法（MSC、S-G、1ST、SNV+1ST、MSC+1ST、MSC+S-G、SNV+S-G等）相比，决定系数R2均较大，且接近1均方根误差RMSE相对而言均较小.

图1 不同预处理方式下的样品光谱图Fig.1 Sample spectra under different pretreatment methods

表1 不同光谱预处理方法下的羊肉掺假定量分析模型结果Tab.1 The performance of mutton adulteration quantita⁃tive analysis model under different spectral pretreatment methods

在采用2ND进行预处理时，R2C为0.99，接近于1，呈正相关，但是R2P却很小，甚至是负数，为负相关，出现了严重的过拟合现象.此外，建模所用主成分数为17个，说明噪声信息比较多.因此，二阶微分预处理方法不适用于本试验中羊肉掺假检测模型的建立.

2.3 简化模型的建立

采用回归系数法、逐步回归法、SPA和CARS四种波长选择方法进行波长选择，并建立相应的简化模型，见表2.

R2越大表明模型越精确，RMSE越小说明误差越小.通过比较，从表2可以看出，相比其他3种方法，CARS的三项决定系数最大，均方根误差最小.虽然其主成分数略多（相较回归系数法），但是CARS仍是最优波长的选择方法.

表2 波长选择方法的比较结果Tab.2 Comparison of several kinds of wavelength selection methods

基于CARS法的简化模型相关信息见图2.该模型选取43个特征波长（见图2（a）），使用6个潜变量来代表数据主要信息以及反映被测量的变化（见图2（b））.模型的、和分别为0.96、0.94和0.96，RMSEC、RMSECV和RMSEP分别为6.55%、7.66%和6.10%，具有较好的精度和稳定性.

图2 简化模型的性能Fig.2 Performance of the simplified model

3 结论

本文基于高光谱技术对99份含有猪肉的掺假羊肉进行检测分析，确定SNV为最优的光谱预处理方法、CARS为最优波长选择方法，建立了羊肉掺假检测全波长和选择波长的定量分析校正模型，并对模型进行了验证.全波长模型建立过程中，预测集的33个样品预测结果的R2P为0.96，RMSEP为6.18%.采用CARS波长选择方法建立的简化模型中R2P为0.96，RMSEP为6.10%.上述结果表明，高光谱技术结合标准正态变量校正法（SNV）及变量筛选法（CARS）用于定量分析羊肉中掺假猪肉量检测，可操作性强，为羊肉中掺假猪肉的在线检测提供理论依据.

[1]孟一,张玉华,王家敏,等.基于近红外光谱技术快速识别不同动物源肉品[J].食品科学,2014,35(6):156-158.

[2]Togersen G,Isaksson T,Nilsen B,et al.On-line NIR analy⁃sis of fat，water and protein in industrial scale ground meat batches[J].Meat Sci,1999,51(1):97-102.

[3]张德权,陈宵娜,孙素琴,等.羊肉嫩度傅里叶变换近红外光谱偏最小二乘法定量分析研究[J].光谱学与光谱分析, 2008,28(11):2550-2553.

[4]张宁,张德权,李淑荣,等.近红外光谱结合SIMCA法溯源羊肉产地的初步研究[J].农业工程学报,2008,42(12): 309-312.

[5]樊玉霞.猪肉肉糜品质与安全可见/近红外光谱快速检测方法的实验研究[D].杭州:浙江大学,2011.

[6]陈全胜,张燕华,万新民,等.基于高光谱成像技术的猪肉嫩度检测研究[J].光学学报,2010,30(9):2602-2607.

[7]王伟,彭彦昆,张晓莉.基于高光谱成像的生鲜猪肉细菌总数预测建模方法研究[J].光谱学与光谱分析,2010,30(2): 411-415.

[8]吴建虎,彭彦昆,陈菁菁,等.基于高光谱散射特征的牛肉品质参数的预测研究[J].光谱学与光谱分析,2010,30(7): 1815-1819.

[9]高海龙.基于透射和反射高光谱成像技术的马铃薯缺陷检测方法研究[D].武汉:华中农业大学,2014.

[10]展晓日,朱向荣,史新元,等.SPXY样本划分法及蒙特卡罗交叉验证结合近红外光谱用于橘叶中橙皮苷的含量测定[J].光谱学与光谱分析,2009,29(4):964-968.

[11]张筱蕾.基于高光谱成像技术的油菜养分及产量信息快速获取技术和方法研究[D].杭州:浙江大学,2013.

[12]姜能座,杨德辉.近红外漫反射光谱逐步回归分析测定饲料中水份含量[J].台湾海峡,1996,S1:100-103.

[13]章海亮.基于光谱和高光谱成像技术的土壤养分及类型检测与仪器开发[D].杭州:浙江大学,2015.

[14]Li H D,Liang Y Z,Xu Q S,et al.Support vector ma⁃chines and its applications in chemistry[J].Chemometrics and Intelligent Laboratory Systems,2009,95(2):188-198.

[15]胡耀华,郭康权,野口刚,等.基于近红外光谱检测猪肉系水力的研究[J].光谱学与光谱分析,2009,29(12):3259-3262.

[16]熊来怡.近红外光谱技术检测猪肉品质及其安全判别研究[D].杨凌:西北农林科技大学,2012.

责任编辑：刘 红

Hyperspectral Imaging Technology and Wavelength Selection Method for Nondestructive Detection of Mutton Adulteration

LIU Youhua，BAI Yabin，QIU Zhufu，CHEN Wei，FENG Yaoze*
（College of Engineering，Huazhong Agricultural University，Wuhan 430070，China）

For the quantitative detection of mutton adulteration,hyperspectral imaging was combined with wavelength se⁃lection methods as well as partial least squares（PLS）method to establish calibration models.The test has set up a hyper⁃spectral image acquisition system,and the hyperspectral images of 99 selected mutton samples were collected（390～1040nm）.Sample spectra were extracted from the regions of interest of samples.Comparison of the effects of various pretreat⁃ment methods for full wavelengths model was conducted and the test showed that the standard normal variable correction（SNV）was the optimal spectral pretreatment method with coefficient of determination R2CVand R2Pof 0.93 and 0.96,root mean square error RMSECVand RMSEPof 8.33%and 6.18%,respectively.A variety of wavelength selection methods were utilized to select feature wavelengths and competitive adaptive re-weighted algorithm（CARS）led to the best simplified model where R2C=0.96，R2CV=0.94，R2P=0.96，RMSEC=6.55%，RMSECV=7.66%，RMSEP=6.10%.The results showed that hy⁃perspectral imaging technology combined with CARS was powerful for accurate quantitative detection of mutton adulteration, and also can provide a theoretical basis for the on-line non-destructive testing of mutton adulteration.

lamb adulteration；standard normal variable correction；competitive adaptive reweighed sampling；partial least squares regression；quantitative analysis

O 657.3

A

1674-4942（2015）03-0265-05

2015-06-22

湖北省自然科学基金重点项目（ZRZ2015000186）；中央高校基本科研业务费专项基金资助项目（2662015PY051）；华中农业大学新进博士科研启动基金

*通讯作者