基于高光谱图像和逐步回归的新疆新鲜牛肉颜色分析

朱荣光，高广娣，葛建兵

（石河子大学机械电气工程学院，石河子832003）

牛肉味道鲜美，营养价值高，深受人们喜爱，是新疆等少数民族地区最主要的肉类食品。近年来，人们对健康日益关注，对牛肉品质的要求越来越高。颜色是色、香、味、质中最先导的感官要素，也是消费者选择牛肉最常用的指标，且在国家鲜冻肉卫生标准中，肉色是评价牛肉新鲜程度的重要参数［1］。目前，肉色评价的主观性较强，误差较大，且其客观评价主要通过色差计进行，测定时容易带来污染和安全问题，因此，开发快速、无损及安全的颜色等重要品质指标的检测手段很有必要。当前，国内外研究中常用的无损检测技术主要有机器视觉、电子鼻、近红外光谱（NIRS）和高光谱图像（HSI）等［2－5］，其中，近年兴起的HSI可同时获得样品的图像和光谱信息，符合现代检测技术向多源信息融合方向发展的趋势。目前，国内外已有利用 NIRS［5－9］和 HSI［10－12］检测肉品颜色的报道，但它们大多不考虑肉类品种及生长地域对模型的影响，所建立的模型通常不能直接应用到生产实际中。

本研究探讨利用HSI对新疆新鲜牛肉颜色检测的可行性，针对亮度（L＊）、红度（a＊）、黄度（b＊）和饱和度（C＊）等参数，通过比较不同的预处理和建模波长点对模型的影响，利用多元线性回归方法（SMLR）建立校正模型并通过预测集进行评价，以期为建立牛肉品质的相关检测方法提供依据。

1 材料和方法

1．1 牛肉样品制备

牛肉样品均采集自石河子农贸市场，主要取自23头牛肉的背脊，包括西门塔尔、安格斯和伊犁褐牛等品种，采集在10d内完成。将刚屠宰的牛肉依次编号，放于真空蒸煮袋后使用医疗保险箱送回实验室，取出后将牛肉分割切块处理及密封包装，在0～4℃下储存不同的时间（1－4d），获得具有一定代表性的新鲜牛肉样品。分割时，截取垂直于背脊肌肉纤维处切约3～4cm厚的肉块，共获得78个牛肉样品。

1．2 高光谱图像采集

高光谱图像系统采用“推扫式”成像方法，其结构示意图如图1所示。

该系统主要由高光谱成像仪（V10E，芬兰）、CMOS相机（MV－1024E）、光源（3900型）、样品输送装置（DP23000Y型电控平移台）、遮光外箱体和计算机等组件组成。该高光谱系统可采集到的光谱范围为400～1000nm，光谱分辨率为2．8nm。

采集时将光源照度设置为约10000lx，相机的曝光时间设置为10ms，仪器与样品间的物距设置为约50cm，并将输送装置的运行速度设定为540脉冲／s。系统工作时，线阵检测器在垂直于牛肉前进方向作横向扫描，并获取所扫描条状空间中各像素点在各波长处的图像信息。随着平移台的前进，线阵探测器扫完整个样品表面，完成整个牛肉样品高光谱图像数据的采集。

1．3 高光谱图像黑白校正

由于摄像头中存在的暗电流和光源强度在不同波段下的分布不均匀性，高光谱绝对图像I中通常会包含有较大的噪声信号，因此有必要对高光谱图像进行黑白校正。依次扫描白色和黑色校正板分别获得全白的标定图像W和全黑的标定图像B。利用式（1）将采集到的样品绝对图像I转换成相对图像IR。

式（1）中，IR为最终获得的样品高光谱图像信息。

1．4 样品颜色参数测定

牛肉样品经高光谱图像采集后，采用SMY－2000型手持色差计（盛名扬，北京）测量牛肉的颜色参数。具体方法是：色差计使用黑白板校正后，尽量选择在牛肉表面的肌肉部分测量颜色，每个样品测量6次数据；计算6次数据的平均值，即为L＊、a＊、b＊和C＊等颜色参数的真值。测量过程中要注意防止漏光。

根据国际照明委员会的标准，颜色参数用L＊、a＊、b＊和C＊表示。C＊与a＊、b＊值的关系式如下：

1．5 数据处理与分析

1．5．1 光谱预处理方法的选择

为了消除干扰信号影响及突出光谱中各参数特征信息，需对光谱进行预处理，其中常采用多元散射校正（MSC）用于消除光的散射和偏移的影响。MSC校正方法的公式如下：式（3）中：X0是样品的原始光谱数据，X1是经 MSC校正后的光谱数据；A和B是样品光谱经平均光谱回归后获得的校正系数，A是回归直线的截距，B是回归直线的斜率。

另外，为了获得较好的建模效果，本研究比较了Savitzky－Golay（S－G）平滑、一阶导数（1D）、二阶导数（2D）、变量标准化（SNV）、平均中心化（Meancentering）和自动定标（Autoscale）等各种预处理方法及组合。

1．5．2 模型建立与评价

HSI数据采集使用Spectral cube软件（Spectral Imaging，芬 兰），数 据 处 理 采 用 ENVI 4．7（ITT，USA）、TQ 8．01（Thermo Fisher Scientific，USA）、Matlab 7．12（Mathworks，USA）和 SPSS（IBM，USA）等软件。利用校正集相关系数（R）、校正标准差（RMSEC）和预测标准差（RMSEP）综合确定最优的预处理方法和波长点，并用R、RMSEC、预测集相关系数（r）和RMSEP等对建模和预测效果进行评价。

2 结果与分析

2．1 颜色参数的统计分析

利用色差计获得牛肉各颜色参数的真值之后，根据各参数值的梯度大小排序，按照3∶1的比例分别获得其校正集和验证集样品。经异常值检验去除异常值后，校正集和预测集中牛肉样品的L＊、a＊、b＊和C＊等颜色参数值的统计结果见表1，主要包括样品个数、平均值（Mean）、标准偏差（Std）、最小值（min）和最大值（max）等。

2．2 样品代表性光谱及建模谱区范围的选择

在牛肉的储存过程中，其化学成分不断分解变化，所以，其肌肉颜色也会不断地发生变化。ROIs主要取自于样品中心的肌肉部分，应注意避开由于残余水分带来的明显发亮的区域。每个样本的ROIs大约包括有2500个像素点，将ROIs中所有各点的平均光谱定义为各样品的代表性光谱。在波长450．0nm以前，光谱响应值较低，噪声较大，因此，在建模时仅考虑其中450．0～1000．0nm的谱区范围，如图2所示。

2．3 光谱预处理方法的选择

经MSC处理之后的光谱如图3所示。通过比较S－G 平滑、1D、2D、SNV、Mean－centering和 Autoscale等各种预处理方法及组合对建模效果的影响，并通过R、SEC和SEP综合确定了各参数适宜的预处理方法，结果见表2。其中a＊、b＊和C＊均采用 MSC＋S－G＋Mean－centering处理，区别在于采用的平滑点数不同，分别为15、11和21点，而L＊采用 MSC＋1D＋S－G＋Mean－centering处理，采用的平滑点数为15点。

2．4 各颜色参数校正模型的建立与评价

利用上述选定的预处理方法建立L＊、a＊、b＊和C＊等各颜色参数的SMLR校正模型，并利用预测集进行评价。对于L＊、a＊、b＊和C＊，建模时分别使用了7、11、4和9个波长点，对应的波长位置见表2，其SMLR模型的系数依次分别为［37．22，0．76，3．19，5．98，－1．39，－1．17，－0．93，－1．19］、［－121．06，0．39，－0．071，0．0023，0．21，0．13，0．11，－0．10，－0．10，0．27，－0．95，0．85］、［95．63，－0．64，－0．041，0．60，－0．012］和［324．20，－0．15，0．017，0．0083，0．052，0．046，－0．24，－0．10，0．43，－0．23］，其中第1项为常数项。

对于L＊、a＊、b＊和C＊，其建模与预测结果见表3。由表3可知：各模型的r均大于0．87，而L＊和b＊的RPD均大于2，a＊和C＊次之。这表明：所建模型能够对新疆新鲜牛肉样品的L＊、a＊、b＊和C＊等颜色参数进行快速预测分析，并能取得较好的预测精度。

各参数预测集样品的测量真值与预测值之间的相关关系如图4所示。

3 结论与讨论

1）通过选择适宜的预处理方法和波长点，基于HSI可以建立分析新疆新鲜牛肉的颜色参数的SMLR模型，该模型可以实现对颜色参数的预测分析，并能取得较好的预测精度。利用HSI检测肉色参数，既可获得比较客观的评价结果，也可避免样品污染，从而可以确保牛肉品质的安全。

2）由于本研究仅使用了78个牛肉背脊样品用于建模，在后续的研究工作中，需考虑进一步扩大样品数量和取样部位，以改善模型的适用性；另外，需进一步探讨其他化学计量学方法对模型的影响，以提高模型的精度。

［1］中国国家标准化管理委员会．GB／T 5009．44－2003肉和肉制品卫生标准的分析方法［S］．北京：中国标准出版社，2003．

［2］孙永海，赵锡维，鲜于建川．基于计算机视觉的冷却牛肉新鲜度评价方法［J］．农业机械学报，2004，35（1）：104－107．

［3］屈年巍，马本学，王维新，等．基于机器视觉和人工神经网络的库尔勒香梨颜色分级［J］．石河子大学学报：自然科学版，2010，28（4）：515－518．

［4］朱荣光，马本学，高振江，等．畜产品品质的高光谱图像无损检测研究进展［J］．激光与红外，2011，41（10）：1067－1071．

［5］黄星奕，周芳，蒋飞燕．基于嗅觉可视化技术的猪肉新鲜度等级评判［J］．农业机械学报，2011，42（5）：142－145．

［6］Geesink G H，Schreutelkamp F H，Frankhuizen R，et al．Prediction of pork quality attributes from near infrared reflectance spectra［J］．Meat Science，2003，65：661－668．

［7］Savenije B，Geesink G H，Palen J G P，et al．Prediction of pork quality using visible／near－infrared reflectance spectroscopy［J］．Meat Science，2006，73：181－184．

［8］胡耀华，郭康权，铃木孝范，等．基于可见光和近红外光谱的肉色检测［J］．西北农林科技大学学报：自然科学版，2008，36（7）：160－164．

［9］陈宵娜，张德权，张柏林．羊肉色泽傅立叶变换近红外光谱定量分析方法研究［J］．核农学报，2010，24（2）：336－340．

［10］Qiao J，Wang N，Ngadi M O，et al．Prediction of driploss，pH，and color for pork using a hyperspectral imaging technique［J］．Meat Science，2007，76：1－8．

［11］ElMasry G，Sun D W，Allen P．Near－infrared hyperspectral imaging for predicting colour，pH and tenderness of fresh beef［J］．Journal of Food Engineering，2012，110：127－140．

［12］Kamruzzamana M，ElMasrya G，Sun D W，et al．Prediction of some quality attributes of lamb meat using nearinfrared hyperspectral imaging and multivariate analysis［J］．Analytica Chimica Acta，2012（714）：57－67．