白亚斌，刘友华，丁崇毅，冯 慧，陈 伟，冯耀泽*

（1.华中农业大学 工学院，湖北 武汉 430070；2.华中农业大学 信息学院，湖北 武汉 430070）

基于高光谱技术的牛肉-猪肉掺假检测

白亚斌1，刘友华1，丁崇毅1，冯 慧2，陈 伟1，冯耀泽1*

（1.华中农业大学 工学院，湖北 武汉 430070；2.华中农业大学 信息学院，湖北 武汉 430070）

利用高光谱技术建立一种牛肉-猪肉掺假的快速无损检测方法.通过对样本集进行划分、光谱预处理以及特征波长的选择，建立了全波长和选择波长的掺假定量检测模型.结果表明：基于基线校正光谱预处理所得的偏最小二乘回归（PLSR）预测模型最优，其交叉验证决定系数=0.97、预测决定系数=0.98，均方根误差RMSECV=5.20%、RMSEP=4.23%.此外，用回归系数法优选5个波长点作为特征波长进行建模，所得模型与全波长模型相比，具有变量少、结构简单、性能更优等优点.

牛肉；猪肉；高光谱；掺假；基线校正；偏最小二乘回归法

牛肉是一种营养价值很高的肉类产品，其氨基酸组成相比较其他肉类而言更接近人体需求[1].然而，市场上某些商家利用猪肉代替牛肉以赚取暴利的现象屡见不鲜，因此需要开发先进检测方法以加强牛肉掺假的监管.牛肉掺假的传统检测方法包括化学检测法和DNA检测法[2]，但这些方法均需对肉品进行一定程度的损坏，且其检测时间较长，不能满足实时检测的需求.高光谱检测技术具有检测速度快且不破坏样品等优点，可有效克服传统检测方法存在的问题[3-4]，其在肉类质量与安全领域得到了广泛的应用[5-11].张雷蕾等[6]从高光谱图像中提取反射光谱，分别建立猪肉TVB-N和pH值的预测模型，实现了猪肉新鲜度的检测.吴建虎等[7]利用高光谱成像检测技术实现了牛肉嫩度的预测和分级.Kamruzza⁃man等[8]利用近红外高光谱成像技术建立了掺假羔羊肉的识别检测模型.石慧[9]等利用高光谱成像技术实现了对虾注胶掺假含量的可视化表达.

本文将针对牛肉掺假（掺猪肉）建立基于高光谱成像技术的定量检测模型.通过采集掺假（掺猪肉）牛肉的高光谱图像，划分样本集及光谱预处理，最终建立稳定、可靠的全波长及特征波长定量检测模型，为高光谱牛肉掺假检测设备的开发提供依据.

1 材料与方法

1.1 试验仪器

试验采用推扫式高光谱成像系统.该系统主要由高光谱成像仪、高度可调载物台及支架、专用计算机、高精度电控移动平台等组成.高光谱成像仪型号为Hyperspec TM VNIR(Headwall Photonics，USA）.其中图像光谱仪的波长范围为400～1000 nm，光谱分辨率为2.4 nm.

1.2 样品制备

在当地超市购买新鲜牛肉、猪肉各2 kg，用于牛肉掺假样本的制作.按掺假比例（10%-90%，浓度梯度为5%）称取一定重量的牛肉和猪肉样本（总量为30 g）置于绞肉机中绞碎5min，使得肉糜混合均匀并分装至铝盒（直径4 cm，高2.5 cm）中以备高光谱图像扫描.每个梯度样本重复3次，另制备纯牛肉和纯猪肉肉糜样本，共获得57个样本.

1.3 高光谱图像采集与光谱提取

采集图像前，对曝光时间以及电控移动平台的速度等参数进行设定以保证所采集图像不失真.试验设定曝光时间为15 ms.

由于高光谱图像的采集过程存在外界光源和噪声的干扰，在图像采集前还需进行黑白板校正.采集标准白板的全白标定图像IW以及暗电流下的暗电流图像ID，并利用式（1）及以上两个标定图像获得校正高光谱图像IC：

式中IC为标定后高光谱反射图像；Iλ为原始高光谱反射图像；ID为暗电流图像；IW为全白标定图像.

为了保证校正模型中所使用光谱数据的质量，用MATLAB7.1软件对每个样本图像在牛肉部分提取长方形的感兴趣区域（约含5000个像素点），计算感兴趣区域的平均光谱作为该样本的光谱数据.

1.4 模型的建立

1.4.1 光谱预处理

样本光谱除了包含自身有用信息外，还会受到外界因素（如光的散射以及环境噪声等）的干扰，且这些因素会对后期建模产生较大影响.因此，在建模之前需对光谱数据进行预处理[12].试验采用多元散射校正（MSC）、标准归一化（SNV）、基线校正（Base⁃line）、S-G平滑（S-G）、一阶导（1st D）、二阶导（2nd D）及其组合对光谱数据进行预处理并比较它们对全波长模型性能的影响.

1.4.2 建模方法及模型评价

对样本光谱进行预处理后，使用偏最小二乘回归法（PLSR）建立全波长掺假检测定量分析模型.在偏最小二乘回归（PLSR）建模的基础上，采用回归系数法（Regression Coefficient，RC）提取光谱特征波长.不同波长处所对应的回归系数表示该波长点所建立模型的预测性能，选取回归系数曲线中的波峰和波谷作为特征波长进行提取[13].为了确定特征波长的最佳建模方法，分别采用多元线性回归（MLR）、主成分回归（PCR）和偏最小二乘回归法（PLSR）建立模型.

2 结果与分析

2.1 高光谱分析

扫描牛肉-猪肉掺假样本光谱图像，利用MAT⁃LAB7.1软件对采集的光谱图像进行数据处理，得到光谱曲线图（见图1）.

图1 牛肉-猪肉样本反射光谱曲线Fig.1 The reflectance spectra of beef-pork samples

如图1所示，试验获取了牛肉-猪肉掺假样本于400～1000 nm范围内的反射光谱曲线.在500 nm以下的光谱曲线含有较多噪音，不宜采用，因此，本试验选取500～1000 nm波段内的高光谱图像数据作后期的建模分析.

2.2 光谱预处理方法的选择

采用SPXY样本集划分法[15]将57个牛肉-猪肉掺假样本划分为含有40个样本的校正集用于建立模型以及包含17个样本的预测集用于验证模型的稳定性.由于组合预处理模型效果并没有表现出明显的优越性，故表1仅列出了不同的单一预处理方法下牛肉掺假检测的PLSR模型结果.

表1 不同光谱预处理方法下牛肉-猪肉掺假检测PLSR模型结果Tab.1 The results of the PLSR models for beef-pork adulteration after different spectral preprocessing algorithms

从表1可以看出，除采用S-G预处理的模型效果较差外，其它预处理建立的模型性能均优于原数据所建的模型.采用Baseline预处理方法所得的PLSR模型决定系数R2的最小值为0.97，RMSEC、RMSECV和RMSEP分别为4.25%、5.20%和4.23%，各均方根误差值较小且互为接近，相比其它预处理方法所建模型性能更为优越，其交叉验证结果及预测结果见图2.

由图2（a）、（b）可直观看出，交叉验证模型和预测模型的预测值和真实值均具有良好的线性关系，说明采用Baseline预处理所得的全波长定量检测模型具有较高的准确性和稳定性.

2.3 选择波长模型的建立

洗选加工是我国洁净煤技术的基础，也是实现可持续发展的重要环节。国家对选煤技术和设备的科研经费投入不足，缺乏煤炭加工转化科技攻关项目和高新技术扶持政策。目前，我国大型、特大型选煤厂的主要关键装备还有50%左右需要整机进口，大大落后于煤炭行业生产装备国产化水平。大型、特大型选煤厂的主要关键装备严重制约了我国向选煤强国迈进的步伐。

去除回归系数接近0的波长，选取回归系数曲线中波峰和波谷处所对应的波长数据与对应掺假浓度重新进行PLSR建模分析.按照上述方法对选定的波长不断进行筛选，直到得到最优模型为止.最终，选出741.6 nm、768.0 nm、806.5 nm、907.4 nm、929.0 nm五个波长作为特征波长.

基于五个特征波长分别应用偏最小二乘回归（PLSR）、主成分线性回归（PCR）和多元线性回归（MLR）等建模法进行建模，其建模效果见表2.

由于PLSR、PCR、MLR建模方法均为线性建模方法，从表2可以看出，采用三种方法处理得到的特征波长模型的各参数很接近.比较表1、表2数据可得，原始数据建立的特征波长模型比全波长模型的性能更优，特征波长所采用的三种建模方法均方根误差明显减小，且各对应的决定系数R2均增大至少1%，由此可说明特征波长所建的模型不仅具有变量少，结构简单的优点，而且性能更为优越且更具代表性，便于将来开发多光谱在线检测系统.

图2 基于Baseline预处理的PLSR牛肉掺假检测模型结果Fig.2 The results of the PLSR models for beef-pork adulteration after Baseline spectral preprocessing

表2 经回归系数法波长选择后基于不同建模方法的牛肉-猪肉掺假检测模型Tab.2 The performance of adulteration detection models corresponding to different modeling methods based on the wavelengths selected by using RC

3 结论

本研究以牛肉-猪肉掺假样本为研究对象，分析比较了不同预处理方法所建立全波长检测模型之间的优劣及特征波长的三种不同建模方法.研究结果表明采用Baseline预处理后所得的PLSR牛肉掺假定量检测模型具有较高的准确性和稳定性，全波长模型的=0.97，=0.98，RMSECV=5.20%，RMSEP= 4.23%.采用特征波长所建立的模型比全波长模型性能更优越，结构更简单且更具有代表性.试验结果表明高光谱技术可以用于牛肉掺假的非破坏性检测.

参考文献:

[1]麻海峰,常征,杨光辉.牛肉的营养价值及排酸、速冻工艺研究[J].农业科技与装备,2010,7:34-36.

[2]任秀,骆海朋,崔生辉.酶联免疫吸附法和DNA检测法在肉类鉴别中的应用[J].中国食品卫生杂志,2015,27(1):93-97.

[3]郝勇.近红外光谱微量分析方法研究[D].天津:南开大学, 2009.

[4]罗阳.基于NIR高光谱成像技术的长枣虫害及可溶性固形物无损检测研究[D].银川:宁夏大学,2013.

[5]孙大文,吴迪,何鸿举,等.现代光学成像技术在食品品质快速检测中的应用[J].华南理工大学学报:自然科学版, 2012,40(10):59-68.

[6]张雷蕾,李永玉,彭彦昆,等.基于高光谱成像技术的猪肉新鲜度评价[J].农业工程学报,2012,28(7):254-259.

[7]吴建虎,彭彦昆,江发潮,等.牛肉嫩度的高光谱法检测技术[J].农业机械学报,2009,12:135-138,150.

[8]Kamruzzaman M,Sun D-W,ElMasry G,et al,Fast detec⁃tion and visualization of minced lamb meat adulteration us⁃ing NIR hyperspectral imaging and multivariate image analy⁃sis[J].Talanta,2013,103:130-136.

[9]石慧.基于高光谱成像技术的对虾品质信息快速检测方法研究[D].杭州:浙江大学,2013.

[10]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.

[11]刘善梅,李小昱,钟雄斌,等.基于高光谱成像技术的生鲜猪肉含水率无损检测[J].农业机械学报,2013,44(S1): 165-170,164.

[12]褚小立,袁洪福,陆婉珍.近红外分析中光谱预处理及波长选择方法进展与应用[J].化学进展,2004,16(4):528-542.

[13]刘飞.基于光谱和多光谱成像技术的油菜生命信息快速无损检测机理和方法研究[D].杭州:浙江大学,2011.

[14]孙通,应义斌,刘魁武,等.梨可溶性固形物含量的在线近红外光谱检测[J].光谱学与光谱分析,2008,28(11):2536-2539.

[15]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.

责任编辑：刘 红

Quantitative Detection of Beef-pork Adulteration by Hyperspectral Imaging

BAI Yabin1，LIU Youhua1，DING Chongyi1，FENG Hui2，CHEN Wei1，FENG Yaoze1*
（1.College of Engineering，Huazhong agricultural university，Wuhan 430070，China；2.College of Informatics，Huazhong Agricultural University，Wuhan 430070，China）

The study aims to establish beef-pork adulteration detection model employing non-destructive testing tech⁃nique of hyperspectral imaging.By data set partitioning,spectral preprocessing as well as wavelength selection,full wave⁃length and simplified adulteration detection models were established.The best full wavelength partial least-squares regres⁃sion(PLSR)model was obtained when the spectra were preprocessed by baseline correction（=0.97,=0.98,RM⁃SECV=5.20%,RMSEP=4.23%）;The model built on five chosen characteristic wavelengths using regression coefficient method was superior to previous full wavelength model with fewer variables,simpler structure and better performance.

Beef；Pork；Hyperspectral imaging；adulteration；Baseline correction；Partial least squares regression

O 657.3

A

1674-4942（2015）03-0270-04

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