冷鲜滩羊肉挥发性盐基氮变化的 高光谱动力学模型构建

,,*,,,

(1.宁夏大学农学院,宁夏银川 750021; 2.宁夏大学土木与水利工程学院,宁夏银川 750021; 3.宁夏大学物理与电子电气工程学院,宁夏银川 750021)

随着农牧业经济的发展和日益增加的肉品消费水平以及对饮食健康的提高,消费者对滩羊肉等优质肉品的质量控制和安全检测提出了更高的要求。因此,越来越多的学者关注肉类质量和安全性[1]。生羊肉很容易被细菌分解肉类所污染,贮藏过程中容易产生碱性含氮化合物(挥发性盐基总氮)[2]。研究发现挥发性盐基氮(Total Volatile Basic Nitrogen,TVB-N)浓度值与动物性食品腐败变质之间有明确的对应关系,能间接表征食品腐败变质的程度,也是肉品卫生检验标准的一项重要指标[3]。TVB-N含量的传统化学测定、仪器检测过程,需要对样品进行复杂的预处理,使用较多化学试剂从而导致样品损坏,效率低、实验费用高,检测过程中只能抽检,覆盖面小容易出现检测漏洞,难以实现多样品的在线快速检测[4]。因此,找到一种实时动态检测的方法,是目前国内外农产品无损检测的发展趋势[5]。

高光谱成像技术(Spectral imaging technology)具有连续多波段、光谱分辨率高等优势,光谱技术能检测到肉类的物质结构、成分组成等内部品质信息并进行定量预测,现已经成功应用在农产品品质检测上[6]。因此,本文利用可见-近红外高光谱成像技术结合计算机编程技术建立滩羊肉新鲜度预测模型,不仅为滩羊肉的在线快速检测提供理论依据,也为鲜肉从生产到销售消费的数字精细化技术开发应用提供坚实的理论基础[7-9]。

1 材料与方法

1.1 材料与仪器

宁夏盐池滩羊 宁夏盐池大夏牧场食品有限公司;过氧化镁 分析纯,北京鹏彩化学试剂有限公司;盐酸 分析纯,石家庄鑫隆威化工有限公司。

可见-近红外(400～1000 nm)高光谱成像系统(光谱分辨率2.5 nm,共125个波段)、V10E-QE型高光谱成像光谱仪 芬兰Spectral Imaging Ltd公司;C8484-05G型CCD相机 日本Hamamatsu公司;DCR Ⅲ型光纤卤素灯150W 美国Schott公司;SC300-1A型电控位移平台 北京Zolix公司。

1.2 实验方法

1.2.1 样本采集 滩羊屠宰后,取背最长肌,置于保鲜盒运往实验室,在4 ℃下进行排酸处理12 h[10]。排酸完成后将鲜羊肉取出,用手术刀除去其脂肪和肌膜,整形切成30 mm×20 mm×10 mm(长×宽×高)的块状200个,样品用保鲜袋包装置于4 ℃冷藏柜保存,每隔24 h取出10个样品进行测试,共测试20 d。

1.2.2 高光谱数据采集 高光谱图像数据获取基于Spectral cube软件,采集数据前对系统参数进行设定。根据光源光照强度设置成像光谱仪的曝光时间,微调整样品移动平台的距离以获得较清晰图像,反复测试,确定最佳曝光时间为30 ms,电控位移平台速度220 μm/s,扫描线实际长度60 mm,获得的图像不失真且较清晰[11]。数据采集获取扫描空间中每个像素在各个波长处的图像信息,随着电控位移台的前进,完成整个样本图像采集。

为消除由摄像头中的暗电流存在和各波段下光源强度分布不均所产生的噪声,需要在高光谱图像采集前需要进行黑白校正[12]。公式如下:

式中,R-校正后的漫反射光谱图像;R0-样本原始的漫反射光谱图像;D-暗图像;W-白板的漫反射图像[13]。

1.2.3 挥发性盐基氮(TVB-N)浓度检测 按照国标GB/T 5009.44-2003《肉与肉制品卫生标准的分析方法》测定TVB-N含量[14]。

1.2.4 特征波优化 光谱信息之间存在大量的冗余和共线性信息特征,对光谱有效信息的提取产生了较大的干扰[15]。特征波长提取可以使原始光谱数据从高维空间映射到低维空间,实现数据快速降维,可以减少大量光谱数据处理的负担,简化模型提高运算速度,有效消除众多波长变量之间的共线性影响,降低模型的复杂度[16]。本研究对光谱采用无信息变量消除法(Uninformative Variable Elimination,UVE)、竞争性自适应重加权法(Campetitive Adaptive Reweighted Sampling,CARS)和连续投影算法(Successive Projections Algorithm,SPA)三种算法进行特征波长的提取并进行算法叠加优化设计。

1.2.5 模型的构建 通过偏最小二乘回归(Partial Least Squares Regression,PLSR)和主成分回归(Principal Component Regression,PCR)建立冷藏滩羊肉TVB-N含量的高光谱预测模型。通过校正均方根误差(RMSEC)、校正相关系数Rc,预测样本均方根误差(RMSEP)和预测相关系数Rp评价所建模型的精确性,优选最佳模型[17]。

1.3 数据处理

高光谱采集软件为Spectral cube(Spectral Imaging Ltd.,Finland),高光谱图像分析软件为ENV4.6(Research SystemInc.,USA),原始光谱预处理及PCR、PLRS建模使用软件The Unscrambler X10.2,异常样本检测、样本集划分及特征波长提取使用Matlab(MatlabR2014a,Mathwork,Inc.,USA),动力学建模使用软件SPSS 17.0。

2 结果与分析

2.1 滩羊肉贮藏期间的挥发性盐基氮浓度值

基于蒙特卡洛异常样本检测法,筛选出滩羊肉贮藏期间TVB-N浓度的异常值8个,如图1所示。

图1 TVB-N浓度样本分布图Fig.1 Distribution of TVB-N concentration in samples

分别采用X-Y共生距离(Sample set partitioning based on jiont X-Y distances,SPXY)算法、(randomselect,RS)RS算法和(Kennard-Stone,KS)KS算法按3∶1的比例将剔除异常值后的172个样本集划分成校正集(129个样本)和预测集(43个样本)。冷鲜羊肉TVB-N浓度值变化的统计分析结果,如表1所示。

表1 样本集TVB-N含量统计分析Table 1 Statistical analysis of TVB-N content in sample sets

通过对总体均值和标准差的计算,得到总体均值和标准差分别为:17.037和21.361 mg/100 g,由表1可以看出,SPXY法所得校正集和预测集的均值与样本集总体均值相差为0.208和0.326;RS法所得校正集和预测集的均值与样本集总体均值相差较小,分别为0和0.033;KS法所得校正集和预测集的均值与样本集总体均值相差较大,分别为0.332和0.994。这说明KS法所得校正集和预测集的数据分布比RS法和SPXY法更具代表性。因此,对比而言,KS法更适于划分冷鲜滩羊肉内挥发性盐基氮含量的样本集。

2.2 全波段高光谱模型构建

为进一步对划分方法进行比较,研究3种样本集划分方法对冷鲜滩羊肉挥发性盐基氮含量预测模型性能的影响,在全波段(400～1000 nm)范围内对划分后的数据集分别建立PLSR和PCR回归模型,模型性能参数如表2所示。

表2 基于3种样品划分方法的TVB-N含量高光谱分析模型结果Table 2 Results of hyperspectral analysis of TVB-N contents based on three sample partitioning methods

由表2可以看出:SPXY法划分冷鲜滩羊肉中挥发性盐基氮含量样本集,所得的PLSR模型Rp为0.867,RMSEP为3.618;由RS法划分冷鲜滩羊肉中挥发性盐基氮含量样本集,所得的PLSR模型Rp为0.818,RMSEP为3.153;由KS法划分冷鲜滩羊肉中挥发性盐基氮含量样本集,所得的PLSR模型Rp为0.877,RMSEP为3.669。KS法划分后建立的模型性能明显优于SPXY法,其Rp提升0.01,RMSEP增加0.051,相比于RS法,其Rp提升0.059,RMSEP增加0.516。

由SPXY法划分冷鲜滩羊肉中挥发性盐基氮含量样本集,所得的PCR模型Rp为0.795,RMSEP为4.501;由RS法划分冷鲜滩羊肉中挥发性盐基氮含量样本集,所得的PCR模型Rp为0.611,RMSEP为4.591;由KS法划分冷鲜滩羊肉中挥发性盐基氮含量样本集,所得的PCR模型Rp为0.65,RMSEP为5.622。SPXY法划分后建立的模型性能明显优于RS法,其Rp提升0.184,RMSEP降低0.09,相比于KS法,其Rp提升0.145,RMSEP降低1.121。

故由表2可知KS法划分冷鲜滩羊肉挥发性盐基氮含量样本集所得的PLSR模型效果最优;SPXY法划分冷鲜滩羊肉中挥发性盐基氮含量样本集,所得的PCR模型效果最优。

2.3 特征波长的优化设计

2.3.1 UVE提取特征波长 UVE提取特征波长需要找出PLSR交叉验证模型中RMSECV最小来确定PLS的最佳主成分数,将主成分确定为9时,RMSECV最小。采用无信息变量消除法(UVE)对光谱全波段提取有效信息并与挥发性盐基总氮相关系数绝对值较大的对应波长作为特征波长,运行UVE算法计算125个输入变量的稳定性结果如图2所示。左侧为125个光谱输入变量,右侧为125个人工随机变量。两条水平虚线为变量选择的阈值,阈值的选择标准为随机变量稳定性系数最大绝对值的99%稳定性系数在阈值内(也就是虚线之内)的变量被当作没有用的信息变量被剔除[18]。通过UVE法优选出18个特征波长,占全波段的14.4%。

图2 PLS主成分数为9时UVE的稳定性分布曲线Fig.2 Stability distribution of variables selected by UVE at nine principal components in PLS

2.3.2 CARS提取特征波长 竞争性正自适应加权算法(CARS)提取特征波时,设定蒙特卡洛抽样次数从5～20次,均采用5折交叉验证法计算,结果如图3所示。图3(a)是选取变量数与运行次数之间的关系,曲线呈指数函数下降,且表示随着运行次数的增加,选择变量个数由快到慢的递减,过程进行先“粗选”和后“精选”,函数筛选变量的效率提高[19];3(b)反映交互验证均方差(RMSECV)的变化趋势,随着运行次数的增加,RMSECV值先减少后增大,先减少表明筛选过程剔除与样本性质无关的变量,后又增大则可能剔除了关键变量,从而导致残差增大;图3(c)表示回归系数的变化趋势,当运行次数为10次时RMSECV值最小。通过此方法,优选出17个特征波长,分别为:449、459、469、483、497、502、512、517、521、718、728、737、795、814、819、853、862 nm。

图3 CARS工作过程的可视化Fig.3 Visualization of CARS work process

2.3.3 SPA算法优选特征波长 利用连续投影算法对冷鲜滩羊肉样本的全波段模型进行光谱变量选择,根据校正集的内部交叉验证均方根误差RMSECV值确定最佳的光谱变量总数[20]。图4表示使用连续投影算法对冷鲜滩羊肉的光谱数据进行压缩后,筛选得到的波长,波长数量为16个,它们分布在一阶导数谱中各个峰值的位置,无信息的平缓区域没有波长被选取。均方根误差(RMSE)分布如图4(a)所示,RMSE逐渐下降,当选择模型变量数为16时,RMSE达到最低点,此时选定变量分布情况如图4(b)所示。

图4 基于SPA的特征波长选择Fig.4 SPA-based feature wavelength selection

2.3.4 SPA叠加算法优选特征波长 一般认为特征波长选取应以5～10个为佳,这样既能准确反映待测组分信息,又能避免过拟合现象的发生[21]。利用连续投影算法(SPA)分别对UVE、CARS、SPA三种方法挑选的波长进一步变量选择,并根据校正集的内部交叉验证均方根误差RMSECV值确定最佳的光谱变量总数。

UVE-SPA优选特征波长：UVE挑选出17个特征波,在此基础上采用SPA再次优选出 9个光谱变量,均方根误差RMSE逐渐下降,达到最低点4.234;挑选出10个特征波长,分别是574、593、598、694、747、757、761、819、829 nm处的光谱。

CARS-SPA优选特征波长：采用SPA算法对CARS所选的17个特征波长进行二次挑选,SPA-CARS法可以实现对模型的进行极大简化。均方根误差RMSE逐渐下降,达到最低点3.778;挑选出10个特征波长,分别为:497、512、517、521、718、728、737、795、819、862 nm。

SPA-SPA 优选特征波长：采用SPA算法挑选特征波长两次,对模型的进行简化。均方根误差RMSE逐渐下降,达到最低点3.771。挑选出14个光谱变量,分别是430、435、449、459、469、493、517、574、656、704、757、790、973、997 nm。

2.4 可见-近红外高光谱预测模型分析与评价

选用UVE、CARS、SPA、UVE-SPA、CARS-SPA、SPA-SPA挑选特征波长并分别建立PLSR和PCR模型。模型效果如表3所示。由表3可知:对原始光谱数据进行特征波长挑选可以简化模型,并有效提高PCR模型预测精度。CARS法对PCR预测模型贡献较大,预测模型参数Rp较原始预测模型提高0.236,RMSEP降低2.277;SPA对PCR模型预测贡献次之;UVE-PCR预测模型精度提高效果不明显;叠加算法CARS-SPA挑选出10个特征波明显降低了运算次数,在简化模型方面效果最佳,同时较大限度的保留了预测模型的效果。特征波提取可以有效简化模型,但其预测效果较原始变化未能提高冷鲜滩羊肉品质变化PLSR预测模型的性能。这是由于在对光谱信息做综合提取时,虽能减少冗余波长的干扰,但只注重最具概括性的光谱波段信息,忽略了小贡献率光谱波段对挥发性盐基氮含量的解释性,而全波段建模时能概括全部光谱信息。CARS-PLSR预测模型性能与原始光谱预测模型性能相当,相关系数Rp=0.879,RMSEP=3.633;SPA-PLSR预测模型性能较CARS-PLSR预测模型性能相关系数Rp降低0.03,预测样本均方根误差(RMSEP)增加 0.31;UVE-PLSR预测模型性能较CARS和SPA无明显优势;叠加算法CARS-SPA提取特征波长10个比CARS减少7个,此方法所选取的特征波长基本覆盖了盐基氮浓度的光谱信息,其中Rp=0.866,RMSEP=3.79。CARS-SPA-PLSR预测模型性能最佳,故可以对羊肉贮藏期间盐基氮的含量进行有效预测。同时,采用最佳特征波提取方法对冷藏滩羊肉品质建立预测模型,如图5所示。

表3 全波段与特征波段光谱模型效果比较Table 3 Comparision of the performance of full band and characteristic band models

图5 羊肉TVB-N含量的预测模型Fig.5 Prediction model of contents of TVB-N in mutton

应用偏最小二乘回归算法建立的冷鲜滩羊肉挥发性盐基氮含量变化的近红外光谱线性模型为:Y=1.720+1.081 X1+6.380X2-14.022X3+6.312X4+0.2114X5-2.149X6+3.444X7+1.790X8-5.626X9+2.887X10

式(1)

2.5 冷鲜滩羊肉(4 ℃)贮藏期间挥发性盐基氮变化的动力学模型

依据食品动力学可以建立冷鲜滩羊肉贮藏期间挥发性盐基氮变化的动力学模型,图6是盐基氮变化的残差分析图,由回归标准化残差的标准P-P图可知,在正态分布中,数据沿对角线和对角线方向分布,回归模型满足正态性假设;残差分析散点图所示:残差在-2～2之间,可以解释大部分预测值,回归方程是有效。线性表达得到的动力学零级反应模型回归系数R=0.915,所建立的动力学零级模型表现出较好的预测能力。

图6 回归标准化图Fig.6 Regression standardized residual map

因此,动力学零级反应可以较好地表达冷鲜滩羊肉贮藏过程中挥发性盐基氮浓度变化,模型效果如表4所示。

表4 羊肉贮藏期间盐基氮变化的动力学模型Table 4 Dynamic model of changes of base nitrogen during storage of lamb

2.6 光谱动力学模型预测贮藏时间

贮藏时间是评定滩羊肉品质的一个重要指标,它直接影响着滩羊肉的食用品质和安全。根据已建立的冷鲜滩羊肉挥发性盐基氮变化的动力学模型,可以推导出贮藏时间表示为

t=0.924Yt-6.42

式(3)

结合冷鲜滩羊肉挥发性盐基氮变化的近红外模型,将式(1)代入式(3),即可得到贮藏时间与近红外光谱吸光度值的线性关系

t=-4.83+X1+5.90X2-12.96X3+5.83X4+0.20X5-1.99X6+3.18X7+1.65X8-5.20X9+2.67X10

式中,X1～X10为滩羊肉贮藏t天时的特征波数处的吸光度。

挥发性盐基氮含量安全限量为20 mg/kg,根据所建立的滩羊肉挥发性盐基氮含量的动力学模型,若挥发性盐基氮浓度初始值小于等于16.4 mg/kg时,则预测滩羊肉的冷藏时间为8 d。为保证滩羊肉冷藏过程中的安全问题提供了理论依据。

3 结论

结果对比分析后可知:CARS-SPA法较CARS法,提取的特征波长数量减少7个,可以有效的简化模型。结果表明:利用CARS-SPA提取的特征波长代替全波段建立模型是可行的;比较不同的建模方法,确定CARS-SPA-PLSR模型效果为最优:其Rc=0.851,RMSEC=2.702,Rp=0.866,RMSE=3.790;同时,研究发现冷鲜滩羊肉挥发性盐基氮含量的变化符合动力学零级反应,可结合高光谱预测模型建立冷鲜滩羊肉贮藏期间新鲜度变化的光谱动力学模型,为滩羊肉的在线实时检测提供了参考。