基于近红外高光谱成像技术的新鲜与冻融牛肉鉴别技术研究

何加伟,王怀文,计宏伟

(天津商业大学机械工程学院,天津 200134)



基于近红外高光谱成像技术的新鲜与冻融牛肉鉴别技术研究

何加伟,王怀文*,计宏伟

(天津商业大学机械工程学院,天津 200134)

研究运用近红外高光谱成像技术对新鲜与冻融的牛肉进行判别。将45个牛肉样品随机分为两组,第一组25个为新鲜样品,第二组20个作为冻融样品。本实验通过高光谱成像仪获取样品的光谱图像数据,并对图像校正处理后进行分割,分离出感兴趣区域(ROI,Region of Interest)。然后再提取感兴趣区域的平均光谱,并将其作为样品的高光谱数据。经过对高光谱数据的多元散射校正(MSC,Multiplicative Scatter Correction)预处理,应用偏最小二乘回归(PLSR,Partial Least Squares Regression),在全光谱范围(950～1500 nm)构建了本实验的最优模型。实验表明,该模型具有较高的预测精度,其判别正确率为94.4%。因此,近红外高光谱成像技术对冻融牛肉的鉴别检测具有适用性。

近红外高光成像技术,新鲜牛肉,冻融牛肉,偏最小二乘回归

牛肉鲜嫩美味、营养丰富,是人们喜欢的肉类食品。随着生活水平的提高,人们对新鲜的、品质良好的牛肉的需求也不断增加[1]。延长牛肉保质期的常用方法有:冷藏、冷冻、干燥和真空包装等[2-5],其中冷藏和冷冻是最为常用的方法。然而,冷冻与解冻过程中会发生许多物理、化学和微生物的变化[6],从而导致牛肉品质降低。同时由于解冻后的牛肉有大量的汁液流失,会使得许多营养元素也随之损失,不仅降低了牛肉的营养价值,而且解冻后的牛肉变得干燥,口感变差。因为解冻牛肉的价格低于新鲜牛肉的价格,易使商家使用解冻牛肉冒充新鲜牛肉。这不仅严重伤害了消费者的利益,也使得市场竞争变得不公平。因此,如何辨别冻融的牛肉和新鲜的牛肉极其重要。

传统的肉类质量检测方法有感官检测、理化检验和微生物检验等。这些检验方法不仅繁琐、费时费力、对样品具有破坏性,而且成本较高且受检验人员训练素质的限制。因此,许多无损检测技术被应用于食品品质检测的研究,例如可见光-近红外光谱技术、荧光法、核磁共振等[7-9]。高光谱成像技术作为一种新的无损检测技术集成了光谱技术和成像技术,因此它能够同时提供样品的物理和化学变化以及它们的空间分布。近年来,利用高光谱成像技术对食品品质检测的研究已有一些发展。彭彦昆、陈全胜[10-11]等应用高光谱成像技术对生鲜猪肉的新鲜度及细菌总数等进行了预测和评价,其预测准确率达91%,得到了较为可靠的预测结果。张海亮[12]等基于高光谱图像信息对鱼的不同冷藏时间及冻融次数进行了鉴别分析。孙大文[13-16]等利用可见光-近红外高光谱成像技术分别对新鲜和冻融的猪肉里脊、新鲜和冻融的鱼片进行了判别研究,得到了较为理想的判别模型。

本文应用近红外高光谱成像技术对新鲜与冻融的牛肉进行了判别分析,为区分冻融牛肉和评价其品质提供了有效的方法。

1　材料与方法

1.1材料与仪器

新屠宰的并已解僵成熟的新鲜牛肉购买于当地的零售商,并保藏在4 ℃的冷藏箱中运送至实验室。将新鲜牛肉切割成约10 cm×10 cm×1 cm的肉块,共获得45个样品,然后样品称重,并随机分为两组:第1组为新鲜样品,共25个。第2组为冻-融样品,共20个,将其用保鲜袋包装并放于-30 ℃的冷冻箱。

实验用的冷冻设备为冷冻箱TSBY-240型卧式平板冷冻箱天津市天商冰原科技发展有限公司制造。实验用的高光谱图像数据采集装置如图1所示。该系统包括一台波长范围为900～1700 nm、光谱分辨率为5 nm的高光谱成像仪(ImSpector N17E,Spectral Imaging Ltd.,Finland),一个InGaAs制冷型CCD相机,一个镜头,四个卤钨灯光源,电控位移平台,计算机以及数据采集软件等部件。

图1　高光谱成像系统Fig.1　Schematic of the hyperspectral imaging system

1.2实验方法

1.2.1实验过程首先,用高光谱成像系统对第1组样品分别扫描,获取光谱图像。然后,24 h后将第2组样品放于4 ℃中解冻12 h,并在室温中平衡30 min,去除保鲜袋,用纸巾吸掉样品表面的水分,再用高光谱成像系统进行扫描。将扫描后的样品进行称重,测量其解冻损失。其中,随机选取15个新鲜样品和12个冻融样品作为校准集,剩余的10个新鲜样品和8个冻融样品作为预测集。

1.2.2解冻损失计算新鲜样品没有经过处理,因此将其解冻损失值设为0。冻融样品的解冻损失用公式(1)进行计算:

式(1)

其中,Wb是冷冻前样品重量,Wa是解冻后样品重量。

1.2.3光谱数据采集与校正实验前,将每片牛肉样品放置在电控移动台上,移动相机视野,设置曝光时间,然后调整扫描速度为0.9 cm/s与曝光时间相匹配,对样品逐一扫描,从而获得原始的高光谱图像数据。高光谱图像是一个“超立方体”,有3个维度(X,Y,λ),其中X,Y代表空间维度,λ代表波段数。该研究中,每幅图像共有256个波段。为了消除传感器响应及照明造成的样品间的光谱差异,需要对原始光谱图像进行反射率校正。校正后的高光谱图像的相对反射率为:

式(2)

其中:B为黑色图像,W为标准白板的反射率,IO为原始光谱图像。

对校正过的原始高光谱图像数据目视检测显示,光谱数据的两端具有较大的噪音,不适合提取光谱数据。因此,将1～25波段(即870～950 nm)和191～256波段(即1500～1713 nm)去除,图像被调整为165个波段(即950～1500 nm)。

1.2.4光谱数据提取在黑白校正后的图像上尽可能大地选择纹理清晰的瘦肉部分作为感兴趣区域,如图2a所示。将感兴趣区域中所有像素点的光谱值进行平均,获得的感兴趣区域的光谱平均值作为该样品的光谱数据,如图2b所示。对每一个样品进行上述操作,获取高光谱数据。

图2　感兴趣区域的选择和光谱数据的提取Fig.2　Region of interest extraction and spectral data extraction

1.2.5多元散射校正由于样品厚度不均匀,反射光谱发生散射,使得不同牛肉样品的光谱强度产生很大差异,因此应用多元散射校正(multiple scatter correct,MSC)对高光谱曲线进行处理[17]。将获得的高光谱数据导入到The Unscrambler 9.7(CAMO,Process,AS,OSLO,Norway)软件中进行多元散射校正。经过MSC处理后的光谱数据能有效地消除散射影响所导致的基线平移或偏移现象,增强光谱所含的信息。

1.2.6模型的建立与评价将上述处理好的光谱数据导入到The Unscrambler 9.7中,然后将样品解冻损失值的数据从Excel表格复制到软件中与对应的样品进行关联,采用偏最小二乘法和交叉-验证(Cross-validation)建立全光谱模型。

除此之外，加强海内外校外实践基地建设，并不断筛选提高校外实践基地质量。目前跟60多家国际五星级酒店建立合作关系，同时达成集团层面的战略合作，开展社会实践、专业／毕业实习、教师挂职、企业高管进课堂等多个深度合作项目，形成“从学生到教师、从课内到课外、从理论到实践”全方位的校企协同育人模式。

偏最小二乘回归是一个强大的化学计量学工具,并已广泛应用于光谱数据的建模分析。应用多元散射处理后的数据建立偏最小二乘模型,模型结果如下式:

Y=bX+e

式(3)

其中,Y是预测参数值矩阵(样品数n×1),X是样品光谱矩阵(样品数n×波段数λ),e是预测残差。

采用随机分类的校准集对最优模型进行验证,并对模型的可靠性和预测性能进行评价。模型的主要性能指标有校准集的相关系数(Rc)和校准集均方根误差(RMSEC),预测集的相关性系数(Rp)和预测集均方根误差(RMSEP)。一个可靠的预测模型应当具有较高的相关系数值,较低的均方根误差值。

2　结果与分析

2.1解冻损失结果

解冻损失结果如表1所示。解冻损失的最大值是10.80%,最小值是5.96%,平均值是8.5%。由于冷冻过程中蛋白质变性和细胞内冰晶的不断生长,致使细胞膜及细胞器等破裂和肌肉系水能力降低[18]。在解冻过程中,由于冰晶导致的损伤,使得解冻期间流出细胞外的汁液不能被重新吸收,从而导致最后的汁液损失[19]。

表1　解冻损失结果(%)Table 1　Result of drip lossduring thawing process(%)

2.2光谱分析

在波长950～1500 nm范围内,新鲜和冻融牛肉的感兴趣区域的平均光谱曲线如图3所示。新鲜样品与冻融样品的光谱具有相似的趋势,但在光谱反射率值上并不相同。光谱反射率值的差异主要在950～1400 nm的波长范围内,这意味着冻融过程引起的变化可由光谱信息进行检测[20]。虽然冷冻储存有效的抑制微生物繁殖和酶活性,延长保质期,但冷冻过程中细胞内有冰晶形成和生长会导致细胞破坏。解冻后,肌肉的系水能力降低,导致汁液损失,从而加速了蛋白质的变性和脂肪氧化[21]。此外,在冷冻储存过程中,冰晶的形成,甲醛的存在以及脂肪氧化的产物都可影响光谱反射率,并致使冻融的肉的光谱反射率低于新鲜肉的光谱反射率[22]。

2.3模型验证与预测

应用建立的全光谱模型对样品进行预测分析,其结果如图4、图5所示。校正集的相关性系数和校准均方根误差分别为0.953和0.017。验证集的相关性系数和预测均方根误差分别为0.89和0.023。由此可知,该模型具有较高的预测能力和良好的可靠性。

图4　校正集中测量值与预测值关系Fig.4　Correction set diagram measured and predicted values

图5　验证集中测量值与预测值关系Fig.5　Prediction set diagram measured and predicted values

应用全光谱模型对预测集冻融样品的解冻损失进行预测,其结果如表2所示。解冻损失预测值的最大误差是1.55%,最小误差是0.10%。模型统计的有效误差为5%。因此,该模型应有较高的预测精度和预测稳定性。

表2　预测集中解冻损失预测结果Table 2　The predicted results of drip loss thawing process inprediction set

应用建立的全光谱预测模型去建立预测集样品判别分类模型。将新鲜与冻融的样品设置一个虚拟的Y变量值:新鲜样品为0,冻融样品为1。然后,采用一个0.5的阈值,当预测值Y小于0.5时,样品被鉴定为0类,即新鲜样品;当预测值Y大于0.5时,样品被鉴定为1类,即冻融样品。全光谱判别分类模型对预测集的判别结果如表3所示。新鲜样品共有10个,判断错误样品1个,正确分类率为90%;冻融样品共有8个,错误判断样品0个,正确分类率为100%,整体正确分类率为94.4%。因此,该判别分类模型具有较高的分类精度,可以应用此模型对新鲜与冻融的牛肉进行分类。

表3　预测集的判别结果Table 3　The results of statistical prediction set

3　结论与展望

实验表明,在全波长范围内,应用建立的全光谱预测模型可以得到较好的预测效果。预测集相关系数值为0.953,预测均方根误差为0.017。预测样品集的整体判断正确率为94.4%。说明应用近红外高光谱成像技术对新鲜与冻融的牛肉进行区分鉴别具有可行性,并能够很好的对其品质进行分析,从而实现牛肉品质的快速评价。

[1]吴建虎,陈菁菁,彭彦昆.基于高光谱散射技术的牛肉嫩度和颜色的预测研究[C]纪念中国农业工程学会成立三十周年暨中国农业工程学会2009年学术年会(CSAE2009).2009.

[2]Wang L,Sun D W.Rapid cooling of porous and moisture foods by using vacuum cooling technology[J].Trends in Food Science & Technology,2001,12(5):174-184.

[3]Delgado A E,Zheng L,Sun D W.Influence of Ultrasound on Freezing Rate of Immersion-frozen Apples[J].Food & Bioprocess Technology,2009,2(3):263-270.

[4]Sun D W,J L Woods.Simulation of the heat and moisture transfer process during drying in deep grain beds[J].Drying Technology,1997,15(10):2479-2492.

[5]Delgado A E,Sun D W.Desorption isotherms for cooked and cured beef and pork[J].Journal of Food Engineering,2002,51(2):163-170.

[6]Sen A R,Sharma N.Effect of Freezing and Thawing on the Histology and Ultrastructure of Buffalo Muscle[J].Asian Australasian Journal of Animal Sciences,2004,17(9):1291-1295.

[7]Uddin M,Okazaki E,Turza S,et al.Non-destructive Visible/NIR Spectroscopy for Differentiation of Fresh and Frozen-thawed Fish[J].Journal of Food Science,2005,70(8):506-508.

[8]Durek J,Bolling J S,Knorr D,et al.Effects of different storage conditions on quality related porphyrin fluorescence signatures of pork slices.[J].Meat Science,2011,90(1):252-258.

[9]Li C,Liu D,Zhou G,et al.Meat quality and cooking attributes of thawed pork with different low field NMR T(21).[J].Meat Science,2012,92(2):79-83.

[10]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.

[11]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,2010,30:2602-2607.

[12]章海亮,朱逢乐,刘雪梅,等.基于图像光谱信息融合的鱼不同冻藏时间及冻融次数鉴别[J].农业工程学报,2014,30(6):272-278.

[13]Pu H,Sun D W,Ma J,et al.Using Wavelet Textural Features of Visible and Near Infrared Hyperspectral Image to Differentiate Between Fresh and Frozen-Thawed Pork[J].Food &Bioprocess Technology,2014,7(11):3088-3099.

[14]Pu H,Sun D W,Ji M,et al.Classification of fresh and frozen-thawed pork muscles using visible and near infrared hyperspectral imaging and textural analysis[J].Meat Science,2015,99:81-88.

[15]Zhu F,Zhang D,He Y,et al.Application of Visible and Near Infrared Hyperspectral Imaging to Differentiate Between Fresh and Frozen-Thawed Fish Fillets[J].Food & Bioprocess Technology,2013,6(10):2931-2937.

[16]Cheng J H,Qu J H,Sun D W,et al.Visible/near-infrared hyperspectral imaging prediction of textural firmness of grass carp

(Ctenopharyngodonidella)as affected by frozen storage[J].Food Research International,2014,56:190-198.

[17]芦永军,曲艳玲,宋敏.近红外相关光谱的多元散射校正处理研究[J].光谱学与光谱分析,2007,27(5):877-880.

[18]Benjakul S,Visessanguan W C,Tanaka M.Comparative study on physicochemical changes of muscle proteins from some tropical fish during frozen storage[J].Food Research International,2003,36(8):787-795.

[19]Ventanas S,Heinonen M,Estevez M.Protein Carbonylation and Water-Holding Capacity of Pork Subjected to Frozen Storage:Effect of Muscle Type,Premincing,and Packaging[J].Journal of Agricultural & Food Chemistry,2011,59(10):5435-5443.

[20]Barbin D F,Sun D W,Su C.NIR hyperspectral imaging as non-destructive evaluation tool for the recognition of fresh and frozen-thawed porcine longissimusdorsi muscles[J].Innovative Food Science & Emerging Technologies,2013,18(2):226-236.

[21]Calvelo A.Recent studies on meat freezing[J].Developments in Meat Science,1981.

[22]Sánchez-Alonso I,Carmona P,Careche M.Vibrational spectroscopic analysis of hake(Merlucciusmerluccius L.)lipids during frozen storage[J].Food Chemistry,2012,132(1):160-167.

Application of near infrared hyperspectral imaging to differentiate between fresh and frozen-thawed beef

HE Jia-wei,WANG Huai-wen*,JI Hong-wei

(School of Mechanical Engineering,Tianjin University of Commerce,Tianjin 200134,China)

The objectives of this research were to develop a hyperspectral imaging system to differentiate between fresh and frozen-thawed beef fillets.A total of 45 beef fillets were randomly divided into two groups,including 25 fresh and 20 frozen-thawed samples.In this study,spectral imaging dates were obtained by hyperspectral imaging system.All images were calibrated for reflectance,followed by segmentation to obtain the region of interest(ROI),and then the average spectral data was generated from the ROI images.Through multiplicative scatter correction(MSC)pretreatment to hyperspectral imaging data,optimal model of this test was built in range of full spectrum(950～1500 nm)by means of partial least square regression(PLSR).The results showed that,the model had high prediction accuracy,the correct classification rate was 94.4%,and the near-infrared hyperspectral imaging technology was suit for recognizing to frozen-thawed beef.

near infrared hyperspectral imaging technology;fresh beef;frozen-thawed beef;partial least square regression(PLSR)

2015-10-16

何加伟(1988-)，男，硕士研究生，研究方向：食品冷链技术，E-mail：819663320@qq.com。

王怀文(1975-)，男，博士，教授，研究方向：实验力学测试技术在食品冷冻冷藏中的应用研究，E-mail：wanghw@tjcu.edu.cn。

国家自然科学基金(11572223，11372222)；天津市自然科学基金(14JCZDJC34600)。

TS205.7

A

1002-0306(2016)09-0304-05

10.13386/j.issn1002-0306.2016.09.050