一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法
文献发布时间:2023-06-19 10:43:23
技术领域
本发明属于肉制品质量检测技术领域,具体涉及一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法。
背景技术
调理牛排是以牛排为原料,加入适量调味料和食品添加剂,经过切分、滚揉腌制等过程加工而成的肉制品,因其滋味鲜美、食用方便等特点而深受消费者喜爱。为了使牛排能够较好的保留原有的滋味和营养通常选用冷藏的储运方式,但在该方式下保存的牛排货架期较短、价格也较高。并且由于调理牛排中加入了调味料进行腌制,当牛排超过货架期变质时,散发的腐败气味易被调料气味掩蔽,使得消费者难以分辨其新鲜度。目前市场上存在售卖超过货架期的调理牛排的现象,食用将损害人体健康损,这一问题在冷鲜调理牛排的销售中更为突出。
挥发性盐基氮(Total volatile basic nitrogen,TVB-N)是由于微生物分解蛋白质产生的具有挥发性的氨和胺类等碱性含氮物质的总称,可以有效地表征肉品新鲜度。但测定TVB-N含量的化学方法操作繁琐耗时,且对检测样本有破坏性,因此研究快速检测调理牛排新鲜度方法以确保食品安全具有重要意义。
近年来,高光谱成像技术因其获得信息全面,快速无损等优点,已广泛应用于肉品品质检测。由于肉品发生腐败时产生的TVB-N将会引起一定波长下光谱吸收强度的变化,所以通过吸收强度的大小结合化学计量学方法可以定量分析TVB-N含量。但是高光谱数据包含的信息量巨大且冗杂,因此可以将波长选择方法串联使用以筛选特征波长、去除无效信息从而提升模型效率和精度,获得更佳的建模效果。波长选择方法可以分为波长区间选择和波长点选择。波长区间选择方法以一组连续波长为基本单位进行波长筛选,最终选择的变量为几组连续的波长区间组合,所建立的模型有很好的解释性。波长点选择方法以单个波长为基本单位,最终选择的变量呈离散分布,具有选择变量少、建模预测效果好等优点。不同的波长选择方法各有其优缺点和适应性,将这些波长选择方法联用,可以结合它们的优势进行互补,达到更优的效果。因此本方法以调理牛排作为研究对象,采用高光谱成像技术结合波长选择算法串联策略对调理牛排新鲜度指标TVB-N含量进行了快速预测研究。
发明内容
本发明旨在克服现有技术中存在的缺陷,如:传统检测肉制品中TVB-N含量的方法会对样品造成不可逆的破坏,并且操作过程烦琐、分析时间长、耗费大量的试剂等,不适用于大规模的市场检测。本发明提供了基于高光谱成像技术结合波长选择算法串联策略快速检测调理牛排新鲜度的方法,利用高光谱成像技术对调理牛排冷藏过程中部分新鲜度指标含量进行预测,并分析不同贮藏时间的光谱吸收差异对应的生物学意义。采用波长点选择方法和波长区间选择方法并将它们联合进行特征波长筛选,比较不同波长选择方法下的模型预测效果得出最佳处理方法。
具体的,本发明通过以下技术方案实现:
(1)准备n个调理牛排样本并编号,n为正整数;
(2)使用高光谱成像采集系统对步骤(1)中的调理牛排样本进行光谱图像采集;
(3)使用国标法测定步骤(2)中已采集过高光谱数据的调理牛排样本,代表肉品新鲜度指标;
(4)采用ENVI 4.5软件提取调理牛排样本中心感兴趣区域的光谱值,计算光谱平均反射率作为光谱数据;
(5)采用不同的预处理方法对步骤(4)中的光谱数据进行预处理;
(6)采用不同的变量筛选方法提取步骤(5)中预处理后光谱数据中的特征波长;
(7)采用步骤(6)中提取的特征波长建立调理牛排新鲜度预测模型;
(8)利用步骤(7)中建立的预测模型,实现对生鲜调理牛排贮藏过程中TVB-N含量进行快速预测。
其中上述步骤(1)中,所述调理牛排样本的制作工艺流程为:原料肉修整→切片→配制腌制液→滚揉腌制→托盘密封包装;原料牛肉为西冷部位,全程冷链运输,并置于4℃的冰箱内冷藏。
其中上述步骤(2)中使用高光谱成像系统采集的具体方法为:取牛排样本分别为冷藏后第0、2、4、6和8天的样本进行光谱图像数据信息采集,每次取出n/5个牛排样本,n为正整数;在光谱图像信息采集过程中,CCD摄像机曝光时间为45ms,光谱范围为431~962nm,光谱波长间隔为0.858nm,图像分辨率为618×1628pixel,电控平移台移动速度为0.9mm/s,快进位移量为180mm。
其中上述步骤(3)中所述的国标法测定肉品新鲜度指标具体为:使用半微量定氮法,将牛排样品除去脂肪,切碎搅匀后,加水制备成吸收液,使吸收液中碱性含氮物质在碱性溶液蒸出后,用标准酸滴定至蓝紫色,计算得到TVB-N含量。
其中上述步骤(4)中采用ENVI 4.5软件提取样本中心感兴趣区域的光谱值具体为:使用ENVI 4.5打开调理牛排样本高光谱图像,然后利用矩形工具选取样品中心附近200pixel×200pixel的范围作为感兴趣区域(ROI),提取ROI内所有像素点的光谱反射率作为此样本的光谱数据;n个样本共得到n条平均光谱,最终得到n×618的光谱数据集。
其中上述步骤(5)中所述预处理方法为一阶导数(First derivative,1st Der)、二阶导数(Second derivative,2ndDer)、均值中心化(Mean centering,MC)、多元散射校正(Multiplicative scatter correction,MSC)、卷积平滑(Savitzky-Golay,SG)、标准正态变量变换(Standard normal variate transformation,SNVT)。
其中上述步骤(6)中所述变量筛选方法为波长区间选择方法和波长点选择方法联用,波长区间选择方法采用间隔随机蛙跳(iRF),波长点选择方法采用竞争性自适应重加权算法(CARS)和变量组合集群分析法(VCPA)两种。
其中上述步骤(7)建立调理牛排新鲜度预测模型具体方法为:采用高光谱成像系统采集待测调理牛排样本的光谱图像信息,然后以经过预处理和变量筛选过的光谱信息作为自变量,以半微量定氮法测得的TVB-N值作为因变量,建立偏最小二乘(PLS)预测模型。
其中上述步骤(8)对未知待测调理牛肉样本的新鲜度进行快速预测,使用高光谱成像系统对未知待测生鲜调理牛排样本进行光谱图像采集,然后用步骤(4)所述方法提取样本中心感兴趣区域的光谱值,计算光谱平均反射率作为光谱数据;然后将待测牛排样本的光谱数据先经过步骤(5)和(6)处理后代入步骤(7)已建立的快速预测模型中,利用Matlab处理软件完成调理牛排样本中TVB-N含量的快速预测。
本发明的基于高光谱成像技术结合波长选择算法串联策略快速检测调理牛排新鲜度的方法的对象为调理牛排。
与现有技术相比较,本发明的有益效果体现如下:
(1)检测样品不需要进行前处理,并且在高光谱成像系统采集信息期间也不会对样品造成损伤,可同时获取样品的光谱及图像信息,降低检测成本,不会造成环境污染。
(2)高光谱成像采集系统操作简单,采集时将调理牛排样本置于电控平移台上,设置好参数打开平移台装置的同时点击保存按钮采集高光谱图像数据,即可扫描得到样本的三维数据模块,具有自动化的优点。
(3)本发明与现有的技术相比,3min内即可获取所需光谱及图像数据,检测时间短,对检测人员无特殊要求,可达到对调理牛排新鲜度的快速检测。
(4)本发明利用一阶导数、二阶导数、均值中心化、多元散射校正、卷积平滑和标准正态变量变换6种预处理方法对原始光谱数据进行预处理,根据模型识别率高低选择最佳的预处理方法。
(5)本发明利用波长选择算法串联策略,将波长区间选择方法与波长点选择方法联用以筛选特征波长、去除光谱中的无效信息从而提升模型效率和精度,获得更佳的建模效果。其中波长区间选择方法以一组连续波长为基本单位进行波长筛选,最终选择的变量为几组连续的波长区间组合,所建立的模型有很好的解释性。波长点选择方法以单个波长为基本单位,最终选择的变量呈离散分布,具有选择变量少、建模预测效果好等优点。不同的波长选择方法各有其优缺点和适应性,将这些波长选择方法联用,可以结合它们的优势进行互补,达到更优的效果。
附图说明
图1为高光谱成像系统,其中1-步进电机,2-CCD摄像机,3-光源系统,4-光纤卤素灯,5-计算机,6-三轴精密电控平移台,7-载物台,8-样品。
图2六种预处理方法处理过的光谱图。
图3为CARS选择特征波长过程图。
图4为基于VCPA建立模型的RMSECV随EDF运行次数变化趋势图。
图5为iRF选择波长示意图。
具体实施方式
下面通过具体的实施例并结合附图对本发明进一步阐述,但并不限制本发明。
实施例1:
(1)准备调理牛排样本并编号:
采用的原料牛肉为西冷部位,全程冷链运输。
调理牛排样本的制作工艺流程为:原料肉修整→切片→配制腌制液→滚揉腌制→托盘密封包装。共制备了150个样本,分为5个批次,分别为在4℃冰箱内冷藏第0、2、4、6和8天的样本,每一批次为30个牛排样本。
(2)运用高光谱成像系统对调理牛排样本进行光谱图像信息采集:
本发明所采用的高光谱成像系统如图1所示,系统硬件部分主要包括CCD摄像机(ImSpector V10E,Spectral Imaging Ltd.,Finland)、150W光纤卤素灯(Fiber-LiteDC950 Illuminator,Dolan-Jenner Industries Inc,America)、三轴精密电控平移台(SC30021A,Zolix Instruments Ltd,China)和计算机等部件构成。软件部分主要是Spectral Cube(Spectral Imaging Ltd,Finland)。
在采集之前先打开系统预热30min,保证高光谱系统工作的稳定性,减少基线漂移带来的影响。通过光谱采集软件Spectral Cube设置采集参数:CCD摄像机曝光时间为45ms,图像分辨率618×1628;光谱范围为431~962nm,光谱波长间隔为0.858nm。设置步进电机运动参数:电控平移台移动速度为0.9mm/s,快进位移量为180mm。采集时将调理牛排样本置于电控平移台上,打开平移台装置的同时点击保存按钮采集高光谱图像数据,扫描得到样本的三维数据模块。
高光谱数据采集过程易受光强不均匀和暗电流等影响,导致数据中含有较大噪声,因此需要对获取的原始图像进行黑白板校正,校正计算公式如下:
式中,R——校正后高光谱图像对应光谱反射强度;
I——原始高光谱图像对应光谱反射强度;
B——黑板标定图像对应光谱反射强度;
W——白板标定图像对应光谱反射强度。
(3)采用国标法测定调理牛排样本代表肉品新鲜度指标TVB-N含量:
依照GB 5009.228-2016中的半微量定氮法对调理牛排样本中TVB-N含量进行测定,具体方法为:将牛排样品除去脂肪后,切碎搅匀,称取约10.0g,置于锥形瓶中,加100mL水,不时振摇,浸渍30min后过滤,滤液置冰箱备用。测定时预先将盛有10ml吸收液并加有5-6滴混合指示液的锥形瓶置于冷凝管下端,并使其下端插入锥形瓶内吸收的液面下,精密吸取5ml上述样品滤液于蒸馏器反应室内,加5ml 1%氧化镁混悬液,迅速盖塞,并加水以防漏气,通入蒸汽,待蒸汽充满蒸馏器内时即关闭蒸汽出口管,由冷并行管出现第一滴冷凝水开始计时,蒸馏5min即停止,吸收液用0.0100N盐酸标准溶液滴定,终点呈蓝紫色。同时做试剂空白试验。计算公式如下:
式中:X
(4)采用ENVI 4.5软件提取样本中心感兴趣区域的光谱值:
高光谱图像中存在大量背景光谱信息,需要合理地选择有效区域提取样本的光谱信号,这里的有效区域称作感兴趣区域(Region of interest,ROI)。利用ENVI软件打开校正后调理牛排样本高光谱图像,采用矩形工具选取每个样本中心附近200像素×200像素的区域作为ROI,提取ROI内所有像素点的光谱反射率作为此样本的光谱数据。150个样本共得到150条平均光谱,最终得到150×618的光谱数据集。
(5)采用不同的预处理方法对光谱数据进行预处理:
高光谱信息采集过程中易受到环境条件和仪器运行等因素的影响,导致数据中包含无用信息和噪声。为了减少散射光和噪声等影响,需要对光谱数据进行预处理。本发明中采用的预处理方法包括一阶导数(First derivative,1st Der)、二阶导数(Secondderivative,2nd Der)、均值中心化(Mean centering,MC)、多元散射校正(Multiplicativescatter correction,MSC)、卷积平滑(Savitzky-golay,SG)、标准正态变量变换(Standardnormal variate transformation,SNVT)。结果见图2,1st Der可以消除基线平移;2nd Der可以消除基线旋转;MC可以减少光谱中冗余信息、增加样品间差异;MSC主要消除光谱偏移和散射;SG可以平滑信号,改善信噪比;SNVT能够修正表面散射和光程变化引起的光谱误差。通过对比不同预处理方法建立模型的效果,选取最佳预处理方法进行后续数据处理。
将150个样本预处理后的光谱和对应TVB-N含量数据采用随机分组的方式以2:1的比例划分为校正集和预测集。通过主成分分析法(Principle component analysis,PCA)优选预处理后光谱的前十个主成分作为自变量,以TVB-N测量值作为因变量,建立PLS预测模型。模型的预测结果如表1所示,可以看出,光谱经1
表1不同预处理方法对TVB-N含量(mg/100g)的预测结果
(6)采用不同的变量筛选方法提取光谱信息中的特征波长:
波长选择方法可以分为波长区间选择和波长点选择,本发明采用竞争性自适应重加权算法(CARS)和变量组合集群分析法(VCPA)两种波长点选择方法,并与波长区间选择方法间隔随机蛙跳(iRF)联用,即采用CARS、VCPA、iRF、iRF-CARS、iRF-VCPA这5种方法对预处理后的光谱数据进行波长选择,建立特征波长下的预测模型,充分利用波长区间选择可解释性强和波长点选择变量少、建模效果好的优点。CARS特征波长选择过程见图3,基于VCPA建立模型的RMSECV随EDF运行次数变化趋势见图4,iRF选择波长见图5。
(7)采用提取的特征波长建立调理牛排新鲜度预测模型:
本发明的定量模型选择PLS预测模型。PLS能够充分提取数据的有效信息,解决变量共线性的问题,在光谱数据建模中应用广泛。PLS模型预测效果的评估指标为校正集相关系数(Correlation coefficient of calibration,R
各波长选择方法建立的PLS模型结果见表2,从表中可以看出,相比于全光谱PLS,iRF-PLS模型效果得到提升,但波长变量数仍然过多。iRF-VCPA-PLS模型效果与VCPA-PLS相当,但波长数量减少到了7个。iRF-CARS-PLS模型效果最佳,选择了24个波长,模型的R
表2不同波长选择方法下TVB-N含量(mg/100g)的预测结果
(8)对未知生鲜调理牛排贮藏过程中TVB-N含量进行快速预测:
使用高光谱成像系统对未知待测生鲜调理牛排样本进行光谱图像信息采集,采用ENVI4.5软件提取样本中心感兴趣区域的光谱值,计算光谱平均反射率作为光谱数据,然后先使用1
说明:以上实施例仅用以说明本发明而并非限制本发明所描述的技术方案;因此,尽管本说明书参照上述的各个实施例对本发明已进行了详细的说明,但是本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换;而一切不脱离本发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围内。
- 一种基于高光谱成像技术结合波长选择算法串联策略的调理牛排新鲜度快速检测的方法
- 一种基于高光谱成像的鱼片新鲜度检测方法