基于超声成像技术的火腿肠质构分析与等级判别
2017-12-20邹小波石吉勇翟晓东胡雪桃
邹小波，赵 号，石吉勇，王 圣，翟晓东，胡雪桃
基于超声成像技术的火腿肠质构分析与等级判别
邹小波，赵 号，石吉勇，王 圣，翟晓东，胡雪桃
（江苏大学食品与生物工程学院，镇江 212013）
为了研究超声成像技术在火腿肠质构分析与等级判别方面应用的可行性。通过对火腿肠蛋白质、淀粉等理化指标的测定将其分为特级、优级、普通级，并采集2个品牌3个等级的火腿肠共240份超声图像信息，在Matlab 7.0环境下提取图像角二阶矩、平均值等纹理特征值，最后利用线性判别式分析（linear discriminant analysis，LDA）和支持向量机（support vector machine，SVM）建立火腿肠的等级判别模型。结果表明：同品牌不同等级火腿肠超声图像、纹理特征值均具有较大差异，而同等级不同品牌火腿肠差异较小。建立的识别模型中：SVM优于LDA模型，当主成分为3时，SVM模型对应的校正集、预测集识别率均为100%，模型效果最佳。因此，超声成像技术可实现火腿肠内部质构的分析和等级的快速准确识别，研究结果可为超声成像技术在火腿肠内部质构分析和等级判别方面的应用提供参考。
质构；图像处理；模型；超声成像；火腿肠；纹理特征；支持向量机
0 引 言
火腿肠营养丰富、食用方便、风味独特且易于携带和储藏，因此深受消费者欢迎[1-2]。火腿肠质构情况是其质地（如硬度、脆性、均匀性等）的综合体现，不同等级的火腿肠由于原料及比例的不同，往往质构情况不同。质构和等级与火腿肠食用品质（口感、营养价值等）密切相关。然而火腿肠为典型的肉糜制品，其内部可能呈现一定不均匀，导致其局部品质未达到实际等级，因此对火腿肠等级的快速有效判别可帮助生产企业实现产品质量的严格把控。多年以来，国内外常用感官评定法[3]对火腿肠质构情况进行分析或等级判定，感官评定法具有快速、低成本等优点，但感官评定结果与评价员的情绪、嗜好、健康状况等不稳定因素有关，具有一定的人为误差，不利于标准化生产[4]。近年来，许多学者尝试通过质构仪等对火腿肠物理性质进行精确测定（例如弹性、硬度、黏附性等），以建立火腿肠物理性质检测方法及相应标准[5]，但检测方法大多采用“以点代面”的方式，无法做到全面直观且目前对不同等级火腿肠的质构特性评价仍以主观判断为主，缺乏系统、准确的定量研究。
超声波是一种频率高于20 kHz的机械波[6]，具有安全、高效、能穿透不透光物质等优点。超声波依据携带的能量大小可分为功率超声波与检测超声波[7]，功率超声波能量大，常被用于提取[8-9]、清洗[10]等食品加工领域；检测超声波能量小，常被用于组分测定、品质监测[11]等。超声成像技术为超声检测技术的一个分支，其通过检测超声波对试样全面扫描，利用超声波对组织结构变化的敏感性，将试样反射回波处理后获取试样内部超声图像，以进行试样内部全面无损直观的检测[12]，目前已在医学诊断[13-14]与工业检测[15-16]上得到广泛应用。然而超声成像检测技术在食品检测领域还处于起步阶段，仅有少量报道，仇登高等[17]利用超声成像技术，通过对超声图像特征值的分析，成功实现了对大西洋鲑早期性别的识别。不同等级的火腿肠具有不同原材料配比，质构有所不同，而超声波对质构变化具有敏感性[18]，通过对火腿肠的超声扫描，不同质构的火腿肠反射的超声波大小、分布等不同，对应不同纹理特征的火腿肠超声图像。因此可通过火腿肠超声图像分析其质构并进行等级判别。
本文通过对火腿肠蛋白质、脂肪、淀粉等理化指标的测定将其分为特级、优级、普通级，并根据组分结果分析质构情况。利用超声成像技术采集火腿肠的超声图像，并结合质构情况分析图像间差异；同时，通过图像处理技术提取图像的角二阶矩、平均值等纹理特征变量，分别利用线性判别式分析、支持向量机分类方法对火腿肠进行等级判别，研究可为超声成像技术在火腿肠质构分析及等级判别方面的应用提供参考。
1 材料与方法
1.1 材料与试剂
试验样本：选取市售品牌A火腿肠特级、优级与普通级各20根；品牌B火腿肠特级、优级与普通级各20根。
主要试剂：硫酸铜、硫酸钾、硫酸、氢氧化钠、石油醚等均购自国药集团有限公司。
1.2 样品等级判别
根据国标GB/T 20712-2006[19]可知，火腿肠的等级主要由其成分含量确定，因此有必要进行火腿肠成分含量测定，进而标定火腿肠等级以便后续建模分析。参照国标GB 5009.3-2016中直接干燥法进行水分含量的测定[20]；参照国标GB 5009.5-2016中凯氏定氮法进行蛋白质含量的测定[21]；参照国标GB 5009.6-2016中索氏抽提法进行脂肪含量的测定[22]；参照国标GB 5009.9-2016中酸水解法进行淀粉含量的测定[23]。根据各成分含量参照国标GB/T 20712-2006将火腿肠分为特级、优级及普通级。
1.3 火腿肠质构测定
采用TA-XT2i(英国SMS公司)质构仪进行测定，质构测定条件：环境温度20 ℃；P50探头；测前、测试和测后速率分别为2、0.8、0.8 mm/s；测定间隔时间5 s；压缩比70%；样品规格为厚度15 mm，直径25 mm的圆柱体。质构测定结果采用仪器自带程序TPA-macro分析。
1.4 样品超声图像采集
超声成像装置采用实验室自主研发的扫描超声成像系统，主要包括UTEX 320超声波发射/接收器（UTEX SCIENTIFIC INSTRUMENTS INC., 加拿大），20 MHz点聚焦型超声波探头（OLYMPUS CORPORATION INC.,日本），三轴精密直线电机扫描机构（珠海创峰精工机械有限公司），计算机（研华科技（中国）有限公司）等，其示意图与实物图如图1。经试验优化后，采集图像的最佳试验参数为：脉冲电压300 V；脉冲宽度25 ns；脉冲频率800 Hz；增益35 dB；焦距：25.4 mm；分辨率0.1 mm；扫描速度5 mm/s。
1. 换能器 2. 水平台 3. 三轴运动平台 4. 控制柜 5. 运动控制卡 6. 计算机 7. 数据采集卡 8. 超声信号发射/接收器 9. 样品槽 10. 试样
每根火腿肠随机取2个点进行超声图像采集，取点及图像采集过程如下：将每根火腿肠平均分为两段，分别随机从两段中取尺寸为2.5 cm×1.5 cm的小圆柱体，共240份；将火腿肠片段放置于已调节水平的平台上（见图1），设定图像采集参数及扫描起始与终止点进行图像采集；所有试样均在相同参数下进行测试并编号。
1.5 图像纹理特征值提取
纹理是反映区域内灰度级的空间分布，可以用来表征超声信号的分布状况，进而分析并评价火腿肠内部质构情况。常用的纹理提取方法为统计方法，其中应用最为广泛的是灰度共生矩阵法（grey level co-occurrence matrix，GLCM）。为了保证更多的原始信息参与生成灰度共生矩阵，试验将回波信号归一化处理并映射到0～255灰度级，分别以0、45°、90°和135°方向计算灰度共生矩阵，并在各方向下提取常用的角二阶矩（angular second moment，ASM）、对比度（contrast，CON）、相关性（correlation，COR）、逆差矩（homogeneity，HOM），共产生16个特征变量，再结合图像的平均灰度值（average，AVG）、灰度方差（variance，VAR）最终得到18个纹理特征变量。其中，ASM反映图像分布的均匀程度；CON可以理解为纹理清晰度；COR是用来衡量灰度共生矩阵的元素在行的方向上的相似程度；HOM用来表现纹理平滑度；AVG反映了超声波反射量；VAR一定程度反映了反射信号分布情况[24]。
1.6 分类算法
因同品牌的同一等级火腿肠采用原料比与工艺基本相同，则同一等级火腿肠具有相似的内部质构与纹理特征，因此尝试采用纹理特征进行火腿肠等级判别。本试验拟采用常用的纹理分类方法线性判别式分析（linear discriminant analysis，LDA）、支持向量机（support vector machine，SVM）进行火腿肠等级分类。LDA是一种基于投影思想判别样品所属类型的常用统计方法[25]，SVM是一种结构最小化准则上的机器学习算法，通过学习，其可以自动寻找那些对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类之间的间隔，使不同的样本能够被分类器分开[26]。
1.7 数据处理
利用软件SPSS 19.0进行方差分析，利用软件Matlab 7.0进行纹理提取与模型建立。
2 结果与分析
2.1 火腿肠组分测定结果
表1为根据国标将所有样本重新划分后的结果，从表中可知，特级火腿肠蛋白质含量最高、淀粉含量最少，普通级蛋白质含量最少、淀粉含量最高；同等级不同品牌各组分差异较小。根据文献[27]可知，蛋白质经过高温搅拌过后会变性、凝固粘合形成网状结构，同时糊化后的淀粉将形成胶体并填充到网间隙中形成交融混合体，当蛋白质较多、淀粉较少时交融混合体空隙小、组织结构良好且稳定，具有较好的持水性；当蛋白质含量较少、淀粉较高时，网状结构间隙多、大，且当火腿肠在储藏时，由于温度下降使得淀粉发生回生，重新组成混合微晶束，使得火腿肠交融体结构松散。因此不同的组分含量直接导致火腿肠不同的质构情况。
表1 各等级火腿肠各组分测定结果
注：表中数据均为平均值±标准偏差，采用Duncan’s multiple range test方法分析，同品牌中同一行不同字母表示差异显著（<0.05，=40），下同。
Note: The data in the table are mean ± standard deviation. Analysis by Duncan's multiple range test showed that there were significant differences (<0.05,= 40) in different letters of the same line in the same brand, the same as be low.
2.2 火腿肠质构测定结果
从表2可知同品牌不同等级火腿肠各项质构具有显著差异（<0.05），不同品牌同等级火腿肠差异较小且两品牌火腿肠质构值均具有相同趋势。硬度是火腿肠保持形状的内部结合力的外部体现；脆性是牙齿对火腿肠破碎时产生的易碎感觉；黏着性是剥离附着（牙、空腔、舌）火腿肠所需要的力[4]。火腿肠的质构值因蛋白质、淀粉和含水率的不同而呈现出特定的变化。由2.1中分析可知，特级火腿肠凝胶体最为稳定，普通级最差，因此特级的硬度、脆性均最高，普通级最差。但黏着性与硬度、脆性趋势不一，可能在测定过程中普通级火腿肠内部稳定性较差，破碎严重，使得样品与探头接触的表面积增大从而导致黏着性增大，这也从侧面反映了普通级火腿肠内部稳定性较差。
表2 各等级火腿肠质构测定结果
2.3 火腿肠截面超声图像及纹理特征值
图2为从品牌A与品牌B各等级火腿肠超声图像（共240份）中随机抽取的1幅图像，观察图像可知，同一品牌中不同等级火腿肠超声图像存在一定差异；特级火腿肠图像较其他等级反射回波强度明显偏小，但部分反射回波的聚集使得图像均一性较差；优级火腿肠图像反射回波强度较特级偏大，反射回波聚集情况增多、聚集面积增大使得图像相对特级均一性稍好；普通级火腿肠图像反射回波强度最大，但由于回波聚集情况的急剧增多与回波强度的增大，使得图像主观感觉最为均一；不同品牌的同一等级火腿肠超声图像较为相似，其回波强度分布具有相似的趋势。根据超声反射原理[28]可知，当试样内部质构发生变化时，超声波将会被反射，因此存在回波的区域其内部质构特性发生了变化且回波强度越大变化程度越大；根据2.1分析结果可知普通级火腿肠内部交融体结构松散，部分淀粉在内部产生微晶束，因此图像上回波强度较大、聚集情况较多，图像主观感觉较为均一；特级火腿肠交融混合体的空隙小且稳定，因此图像回波强度小且聚集情况少。根据测得各组分含量可知，同等级不同品牌火腿肠在主要组分含量上相当，只是在微量成分上有所区别（例如风味物质、香辛料等），可能这些微量物质对质构的影响低于超声对质构变化的敏感性，最终导致同等级不同品牌火腿肠超声图像较为相似。经分析对比各等级火腿肠所有超声图像可知，不同品牌同等级火腿肠之间超声图像特征差异较小，相同品牌不同等级火腿肠超声图像特征具有一定差异。表3的纹理特征值反映了同品牌不同等级火腿肠纹理特征值具有显著差异（<0.05），不同品牌同等级差异较小。同时从表中可知，同品牌不同等级火腿肠的AVG与ASM差异最为显著，其中各等级火腿肠的AVG变化趋势与超声图像相符；ASM是纹理均匀性的度量，其值越大表明一种均一和规则的纹理模式[29]，但本试验中火腿肠的ASM变化趋势与超声图像并未表现出对应关系，仍有待进一步研究。
注：标尺为超声波回波强度（占原始强度百分比）
表3 各等级火腿肠超声图像部分纹理特征值提取结果
注：表中数据是经单因素方差分析刷选具有显著差异（<0.05）的各等级纹理特征值。
Note: The data in the table were selected by one-way analysis of variance with significant differences (P <0.05) among all texture features of different grades of sausages.
2.4 等级判别分析
2.4.1 主成分分析
图3为3个等级共240份火腿肠纹理特征值经主成分分析后（principal component analysis，PCA）得到的三维主成分得分图，其中前3个主成分的贡献率分别为80.96%、12.56%和4.02%，累计贡献率达到97.54%，基本代表了全部信息。从图中可知，同等级不同品牌火腿肠未能分开，而同一品牌不同等级基本被分开，所有样本被按照普通级、优级及特级分为3类，这与图像分析结果类似。每等级样本分布较散，部分等级还出现交叉，可能因为火腿肠为肉糜制品，难以做到统一均匀。经以上分析可知，将纹理特征结合PCA可将不同等级火腿肠大致区分开来。
图3 三维主成分得分图
2.4.2 基于LDA的判别模型
模型建立时常常将样本划分为校正集与预测集，其中校正集是用于建立识别模型的样本集合，预测集是用于验证模型预测准确性的样本集合。因此在主成分分析的基础上，将各等级纹理特征值（共240份样本）随机分配，得到有162份样本数据的校正集与有78份数据的预测集，并利用LDA对其进行分析。将各主成分得分作为模型的输入，不同等级的火腿肠所对应的类别作为输出，模型结果如图4。从图中可看到当主成分数为3，模型校正集识别率为95.06%，其中普通级中有3个样本误判为优级，优级中有1个样本被误判为特级，特级中有4个样本被误判为优级；预测集识别率为92.31%，其中普通级中有2个样本误判为优级，优级没有被误判，特级中有2个样本被误判为优级、1个样本被误判为普通级，模型此时达到最佳，此后识别率先下降再上升，可能是冗余信息的进入降低了模型的识别率。
图4 基于LDA的各主成分的识别率
2.4.3 基于SVM的判别模型
从上面的LDA模型判别结果看，该线性算法对火腿肠等级的分类判别不是特别理想，因此继续考虑使用非线性的算法建立模型。运行支持向量机算法时采用径向基函数，并对核函数的参数（惩罚系数和正规化系数）进行优化，同样采用主成分作为模型的输入向量。以训练集交互验证均方根误差（rootsquare error of cross validation, RMSECV）值最小为指标，经处理得出最佳主成分数为3，最佳参数对(，)为(30.6991，7.5197)。如图5所示，SVM模型随着主成分数的增加，预测集识别率先增加，后下降，再上升，与LDA趋势相符，同时对比分析图中各主成分数时的识别率可知，当主成分为3时模型最优，校正集识别率为100%，预测集识别率100%。说明前3个主成分基本包含了所有的纹理特征信息，与PCA分析相符。说明利用超声成像技术结合SVM法对不同等级火腿肠进行识别是可行的。
图5 基于SVM的各主成分的识别率
2.4.4 模型比较
由上述模型识别结果可知，SVM识别率较LDA高，可以从分类鉴别算法的原理进行解释。LDA是一个经典的线性分类方法，而基于径向基函数的SVM 是非线性的方法，非线性的方法自身具有更强的鲁棒性和自学习、自适应性[30]，当面临一些复杂问题的时候，非线性的方法更为适合；同时SVM为一种“监督学习分类”方法，遵循结构风险最小化准则来构造决策超平面[31]，通过不断修改参数来优化结果，在复杂情况下能获得较好的分类效果。因此，在本研究中建立分类模型时，SVM法要优于LDA法。
3 结 论
本文对不同品牌、等级火腿肠的质构进行了分析，并利用超声成像技术对不同品牌、等级火腿肠建立了快速识别模型，研究结果表明：
1）同品牌不同等级火腿肠的质构具有显著差异（<0.05），而同等级不同品牌火腿肠质构差异较小；特级火腿肠内部组织稳定性好，普通级火腿肠内部组织稳定性较差。
2）同品牌不同等级火腿肠超声图像具有较大差异，同等级不同品牌火腿肠差异较小；同品牌不同等级火腿肠纹理特征值差异显著（<0.05），同等级不同品牌火腿肠纹理特征值差异较小；纹理特征值结合PCA未能将不同品牌火腿肠区分开，但不同等级火腿肠大致按照等级被区分开来。
3）利用纹理特征值建立的识别模型中LDA模型对应的校正集识别率为95.06%，预测集识别率为92.31%；SVM模型对应的校正集识别率为100%，预测集识别率为100%，均具有较高的识别率。
研究表明利用超声成像技术对火腿肠内部质构分析与等级判别是可行的，可为不同等级火腿肠质构分析和等级判别提供参考。
[1] 赵改名，郝红涛，田玮，等. 利用质构值对火腿肠进行分级的研究[J]. 食品科学，2013，34(7)：28－33. Zhao Gaiming, Hao Hongtao, Tian Wei, et al. Grade identification of sausages based on instrumental texture parameters[J]. Food Science, 2013, 34(7): 28－33. (in Chinese with English abstract)
[2] Trevino T D, Jr H A, Machado T J. Influence of sorghum syrup as a sweetener in fresh pork sausage patties on oxidation during retail display compared to corn syrup[J]. Meat Science, 2016, 112(3): 126－132.
[3] 程焕，贺玮，赵雷，等. 红茶与绿茶感官品质与其化学组分的相关性[J]. 农业工程学报，2012，28(增刊1)：375－380. Cheng Huan, He Wei, Zhao Lei, et al. Correlation between sensory attributes and chemical components of black and green tea[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(Supp.1): 375－380. (in Chinese with English abstract)
[4] 郝红涛，赵改名，柳艳霞，等. 利用硬度、脆性和黏着性对火腿肠等级的判别分析[J]. 中国农业科学，2010，43(10)：2182－2188.Hao Hongtao, Zhao Gaiming, Liu Yanxia, et al. Discriminant analysis of the grades of ham sausages based on hardness, fracturability and adhesiveness properties[J]. Scientia Agricultura Sinica, 2010, 43(10): 2182－2188. (in Chinese with English abstract)
[5] Spaziani M, Del Torre M, Stecchini M L. Changes of physicochemical, microbiological, and textural properties during ripening of Italian low-acid sausages. Proteolysis, sensory and volatile profiles[J]. Meat Science, 2009, 81(1): 77－85.
[6] 周向华，刘东红，叶兴乾. 低能量超声检测技术在食品工业中的应用[J]. 农业工程学报，2004，20(3)：292－295. Zhou Xianghua, Liu Donghong, Ye Xingqian. Application of low-intensity ultrasonic measurements in the food industry [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(3): 292－295. (in Chinese with English abstract)
[7] Mohammadi V, Ghasemi-Varnamkhasti M, González L. Analytical measurements of ultrasound propagation in dairy products: A review[J]. Trends in Food Science & Technology, 2017, 61(3): 38－48.
[8] 王喜波，张泽宇，葛洪如，等. 超声辅助制备抗冻融大豆分离蛋白工艺优化[J]. 农业工程学报，2016，32(14)：272－278. Wang Xibo, Zhang Zeyu, Ge Hongru, et al. Processing optimization for improving freeze-thaw stability of soybean protein isolate by ultrasonic assisted glycosylation[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(14): 272－278. (in Chinese with English abstract)
[9] 李茉，倪元颖，彭郁,等. 超声辅助提取辣椒籽蛋白工艺优化[J]. 农业工程学报，2016，32(24)：309－314. Li Mo, Ni Yuanying, Peng Yu. Optimization of ultrasound- assisted extraction of capsicum seed protein isolate [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(24): 309－314. (in Chinese with English abstract)
[10] 马少辉，张学军. 超声波红枣清洗机工作参数优化[J]. 农业工程学报，2012，28(15)：215－220. Ma Shaohui, Zhang Xuejun. Working parameters optimization of ultrasonic cleaning machine for jujube[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(15): 215－220. (in Chinese with English abstract)
[11] Chandrapala J, Oliver C, Kentish S, et al. Ultrasonics in food processing–food quality assurance and food safety[J]. Trends in Food Science & Technology, 2012, 26(2): 88－98.
[12] 姜燕. 超声显微系统自动对焦技术及其应用研究[D]. 杭州：浙江大学，2012. Jiang Yan. Auto-focusing Technique for Scanning Acoustic Microscope and its Application[D]. Hangzhou: ZheJiang University, 2012. (in Chinese with English abstract)
[13] Soneji N, Peng P W. Ultrasound-guided interventional procedures in pain medicine: A review of anatomy, sonoanatomy, and procedures: Part VI: Ankle Joint.[J]. Regional Anesthesia & Pain Medicine, 2016, 41(1): 99－109.
[14] Stone D E, Quiroz L H. Ultrasound Imaging of the Pelvic Floor[J]. Obstetrics & Gynecology Clinics of North America, 2016, 43(1): 141－153.
[15] Thornton M, Han L, Shergold M. Progress in NDT of resistance spot welding of aluminium using ultrasonic C-scan [J]. NDT & E International, 2012, 48(2):30－38.
[16] Wagner N, Eldar Y C, Friedman Z. Compressed beamforming in ultrasound imaging[J]. IEEE Transactions on Signal Processing, 2012, 60(9): 4643－4657.
[17] 仇登高，徐世宏，刘鹰，等. 超声成像技术在大西洋鲑早期性别及发育期鉴别的应用研究[J]. 海洋科学，2016，40(6)：23－29. Qiu Denggao, Xu Shihong, Liu Ying, et al. The application of ultrasound imaging technology in the early determination of sex and gonadal development in Atlantic salmon (Salmo salar)[J]. Marine Sciences, 2016, 40(6): 23－29. (in Chinese with English abstract)
[18] 丁原涛，吴晖. 超声波技术在食品工业中的应用[J]. 粮油加工与食品机械，2004(5)：67－69.
[19] 全国食品工业标准化技术委员会肉禽蛋制品分技术委员会. 火腿肠：GB/T 20712-2006[S]. 北京：中国标准出版社，2006：2－3.
[20] 全国食品工业标准化技术委员会肉禽蛋制品分技术委员会. 食品中水分的测定: GB 5009.3-2016[S]. 北京：中国标准出版社，2016：1－2.
[21] 全国食品工业标准化技术委员会肉禽蛋制品分技术委员会. 食品中蛋白质的测定: GB 5009.5-2016[S]. 北京：中国标准出版社，2016：1－4.
[22] 全国食品工业标准化技术委员会肉禽蛋制品分技术委员会. 食品中脂肪的测定：GB 5009.6-2016[S]. 北京：中国标准出版社，2016：1－2.
[23] 全国食品工业标准化技术委员会肉禽蛋制品分技术委员会. 食品中淀粉的测定：GB 5009.9-2016[S]. 北京：中国标准出版社，2016：5－7.
[24] Zhu Y, Zou X, Shen T, et al. Determination of total acid content and moisture content during solid-state fermentation processes using hyperspectral imaging [J]. Journal of Food Engineering, 2016, 174: 75－84.
[25] 蔡健荣，刘梦雷，孙力，等. 基于改进惯性矩算法的冷鲜猪肉新鲜度激光散斑图像检测[J]. 农业工程学报，2017，33(7)：268－274. Cai Jiangrong, Liu Menglei, Sun Li, et al. Laser speckle image detection of chilled pork freshness based on improved moment of inertia algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(7): 268－274. (in Chinese with English abstract)
[26] 胡晓华，刘伟，刘长虹，等. 基于太赫兹光谱和支持向量机快速鉴别咖啡豆产地[J]. 农业工程学报，2017，33(9)：302－307. Hu Xiaohua, Liu Wei, Liu Changhong, et al. Rapid identification of producing area of coffe bean based on terahertz spectroscopy and support vector machine[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 302－307. (in Chinese with English abstract)
[27] 从浩，王海滨. 鱼骨粉添加量对鮰鱼鱼肉火腿肠色度、质构及感官特性的影响[J]. 食品科学，2012，33(13)：83－86. Cong Hao, Wang Haibin. Effect of channel catfish bone meal addition on color, textural properties and sensory evaluation of fish sausages[J]. Food Science, 2012, 33(13): 83－86. (in Chinese with English abstract)
[28] 杜功焕，朱哲民，龚秀芬. 声学基础[M]. 南京：南京大学出版社，2012.
[29] Lin C H, Liu C W, Chen H Y. Image retrieval and classification using adaptive local binary patterns based on texture features[J]. Image Processing Iet, 2012, 6(7):822－830.
[30] Chen Q, Hui Z, Zhao J, et al. Evaluation of chicken freshness using a low-cost colorimetric sensor array with AdaBoost– OLDA classification algorithm[J]. LWT - Food Science and Technology, 2014, 57(2): 502－507.
[31] 邹小波，申婷婷，朱瑶迪，等. 基于高光谱图像的香醋醋醅均匀性快速判别[J]. 农业机械学报，2016，47(1)：215－220. Zou Xiaobo, Shen Tingting, Zhu Yaodi, et al. Quick discrimination of uniformity degree of Zhenjiang balsamic vinegar grains based on hyperspectral imaging techology[J]. Transactions of The Chinese Society for Agricultural Machinery, 2016, 47(1): 215－220. (in Chinese with English abstract)
邹小波，赵 号，石吉勇，王 圣，翟晓东，胡雪桃.基于超声成像技术的火腿肠质构分析与等级判别[J]. 农业工程学报，2017，33(23)：284－290. doi：10.11975/j.issn.1002-6819.2017.23.037 http://www.tcsae.org
Zou Xiaobo, Zhao Hao, Shi Jiyong, Wang Sheng, Zhai Xiaodong, Hu Xuetao. Texture analysis and grade discriminant of sausages based on ultrasound imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(23): 284－290. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.23.037 http://www.tcsae.org
Texture analysis and grade discriminant of sausages based on ultrasound imaging
Zou Xiaobo, Zhao Hao, Shi Jiyong, Wang Sheng, Zhai Xiaodong, Hu Xuetao
(212013,)
Sausage is an emulsification-type, popular meat product, because of its unique flavor, high in nutrition and easy to store procedures. According to national standards of China (GB/T 20712-2006), sausage can be divided into three types of grades (general, excellent and premium). Traditional sausage grade detection methods are laborious and time consuming.So, it is imperative to develop a rapid and simple detection method. In this research, ultrasound imaging system was evaluated as rapid and precise detection method to differentiate between different grades of sausage. And, the texture of the sausage was also analyzed simultaneously. A total of 120 sausage samples from 2 different manufacturers were collected from local supermarkets of Zhenjiang, Jiangsu, China. From each sausage, small sample (2.5 cm×1.5 cm) were obtained for ultrasound imaging, moisture, starch and protein measurement. These measurements were utilized to divide sausages into general, excellent and premium quality grades. Ultrasound imaging system worked with the UTEX 320 equipment in pulse echo mode. The parameters of ultrasound imaging system were as follow: the pulse voltage; 300 V, the pulse repetition frequency; 800 Hz, the gain; 35 dB, and the scanning speed was 5 mm/s. Total of 240 ultrasound images (2 brands 3 grades, each had 40 samples) were collected by ultrasound imaging system. Images generated from different grades had obvious difference, however, different brands’ images with the same grade were similar. Grey level co-occurrence matrix (GLCM) was generated in 0, 45, 90 and 135° directions, respectively. The commonly used angular second moment (ASM), contrast (CON), correlation (COR) and homomorphity (HOM) were extracted in all directions, and a total of 16 texture feature variables were generated. Combined with the average average image (AVG), variance (VAR) of the image, 18 texture feature variables were finally obtained. Furthermore, the textural features of different grades had significant difference (<0.05). All the texture feature values were randomly divided into calibration set (162 samples data) and prediction set (78 samples data) to build calibration model and predication model. Principal component analysis (PCA) was performed to simple variable because that texture feature always carried redundant data and examined the qualitative difference of these sausage grades using the first 3 score vectors. From the results of PCA, all the samples of sausage were divided into three classes according to the grade of the sample. However, the brand of the sausages failed to be distinguished. The 3 groups of different class of sausages were almost apart from each other in the space of the first 3 principal components (PCs), although there were some overlaps among the groups, because the emulsification-type meat product hardly to achieve well-distributed in each part. Results from PCA was in accordance to the results of image analysis. The first 3 PCs accounted for the all variations of 97.54%, representing all the information of the variables. Therefore, all the samples were divided into 3 classes based on different grades. The linear discriminant analysis (LDA), used in statistics, pattern recognition and machine learning to find a linear combination of features that characterizes or separates two or more classes of objects or events, and support vector machine(SVM), as a learning algorithm used for classification and regression tasks, was used to get the identification model. All the models relatively had high recognition rate. The identification results of the SVM were compared with the LDA. From the comparison, it showed that the discrimination accuracy of all the 3 classes of sausages using the SVM was up to 100% in prediction set and 100% in calibration set, respectively. From the results, it can be concluded that the ultrasound imaging technology can be used as a powerful and attractive tool to identify and discriminate different grades of sausages. The study could provide a reference for ultrasonic imaging technology’s appalication in discriminating different grades of sausages.
texture; image processing; model; ultrasound imaging; sausages; texture features; support vector machine
10.11975/j.issn.1002-6819.2017.23.037
R445.1
A
1002-6819(2017)-23-0284-07
2017-08-27
2017-11-13
国家自然基金（31671844）；国家科技支撑项目（2015BAD17B04）；“十三五”国家重点研发计划（2016YFD0401104）；国家自然科学基金（31601543）；江苏省自然科学基金（BK20160506）
邹小波，博士生导师，教授，主要从事食品无损检测研究。 Email：Zou_xiaobo@ujs.edu.cn
