应用高光谱图像检测鱼肉挥发性盐基总氮含量研究

2021-08-17邹金萍董文韬章海亮

光谱学与光谱分析 2021年8期

邹金萍，章帅，董文韬，章海亮*

1. 江西生物科技职业学院，江西南昌 330013 2. 华东交通大学电气与自动化工程学院, 江西南昌 330013

引言

随着水产经济的快速发展，消费鱼肉产品成为人们的一种日常习惯，因此水产品的品质安全保障日益得到人们的关注，比如鱼肉新鲜度准确判别对渔业生产者，消费者和零售商来说，都是一个很重要的问题，不新鲜的鱼肉产品轻微影响口感，严重一点影响消费者的身体健康安全[1]。

具体到鱼肉产品新鲜度指标参数而言，有各种成分含量参数、物理特性如鱼肉肌肉弹性、水分含量、表面颜色变化和化学变化如微生物菌落总数、K值含量以及挥发性盐基总氮(total volatile basic nitrogen, TVB-N)等[2-4]。其中TVB-N指鱼、肉类样品搅碎后经离心机高速旋转离心后静置一段时间，上层浸液在弱碱性条件下能与水蒸汽一起蒸馏出来的总氮量。一般在低温条件下，肉，鱼类挥发性盐基氮的量达到30 mg/100 g时，即认为是肉质变质的标志[2]。

采用化学方法检测鱼肉新鲜度参数，通常都比较费时、程序繁琐，需要对鱼肉进行破坏处理，且一般只能在实验室完成，不能用于现场原位检测，且需要接受过长时间专门培训的人员才能胜任。物理方法检测鱼肉新鲜度参数往往又不够准确，不能够数字化定量鱼肉新鲜度参数。因此，需要一种能够现场、快速、安全的检测方法[5]。传统图像处理只能检测外部空间属性，随着机器视觉技术发展，对外部空间检测的精度越来越高，但还是无法对其内部的品质进行准确的定量表达[17]。近红外光谱检测虽然能检测内部的品质属性，如三文鱼的TVB-N含量，但缺乏检测分析外部空间属性的能力[18]。高光谱成像检测同时集合了两种常规方法的特性[6]，在每个光谱波段上生成高光谱图像，既获得了实验对象的光谱特性信息，又获取了其外部的空间图像信息，具有同时分析内外部属性的优点。在国内外，高光谱检测三文鱼的理化值已有一定的研究[3, 7-8]，但是采用波长范围在900～1 700 nm的高光谱成像技术检测三文鱼TVB-N含量并同时进行可视化处理，以此评价鱼肉产品新鲜度相关研究报道却很少。

本实验将100个鱼肉样本随机分为校正集75个样本和预测集25个样本。首先获取三文鱼的高光谱信息和检测TVB-N的含量，然后用LS-LVM和PLS建立模型，最后采用matlab2010a编程对图像进行处理，对三文鱼的TVB-N含量进行可视化表达。

1 实验部分

1.1 三文鱼肉样本

从加拿大蒙特利尔当地市场购买了五条三文鱼，每条重约1 kg，正负120 g误差，并立即运到实验室。新鲜三文鱼被屠宰，斩首，掏内脏，剥皮，收集，然后用冷水清洗。每条三文鱼按照背面和反面(腹部)进行分割处理，背面和反面(腹部)各10等分，每条三文鱼制作成20个样本，用塑料薄膜包装在4 ℃下保存12 h，拿出样本，在室温条件下放置2 h，以模拟供应链中的温度条件。

1.2 采集高光谱成像数据

图像数据是利用如图1所示的基于光谱仪的高光谱成像系统所获取。整个系统主要包括一组CCD 摄像机(Hamamastsu), 一套150W的光纤卤素灯(SCHOTT DCRⅢ)，一台ImSpector V10E高光谱摄像机(芬兰Specimen公司)，一组输送装置和计算机(HP，Inter Core i5-2320@3.00GHz)等部件组成。

图1 高光谱图像系统检测原理图Fig.1 Imaging system schematic diagram of hyperspectral

为了最大限度地减少背景噪声以及成像系统物理配置差异的影响，需要将原始采集的高光谱图像(R0)校准到反射模式，并采集黑板(B)和标准白板(W)图像数据用于校正分析。黑板图像(～0%反射)是在用黑色盖帽完全盖住相机镜头后，通过记录光谱图像获得的黑板数据。白板参考图像数据是使用均匀的反光白色聚四氟乙烯(约99%反光)获得的数据。校准图像(RC)由式(1)计算

(1)

式(1)中，B为黑板，W为标准白板，R0为原始高光谱成像数据。

将100个三文鱼片放置在移动平台上，然后以1.58 mm·s-1的调整速度逐行扫描到摄像机的视野区域，进行高光谱成像采集，平台与样本的垂直距离为40 cm，两侧的线光源投射夹角为90°。采集到的100幅高光谱图像数据以原始格式生成、记录和存储。

1.3 TVB-N含量测定

TVB-N含量采用蒸馏法测定[9]，具体为，取10 g鱼肉，90 mL高氯酸，鱼肉捣碎并采用3 000转·min-1的离心机运行10 min。在蒸馏液中加入50 mL 30%氢氧化钠，再蒸馏5 min，制得碱液。将蒸馏碱液收集在含有50 mL硼酸水溶液(40 g·L-1)的锥形瓶中，并将0.1 g甲基红和0.1 g溴甲酚绿溶解到100 mL 95%乙醇中，形成混合指示剂。随后，用0.01 mL盐酸溶液滴定所得硼酸溶液。测定TVB-N值，根据盐酸消耗量以mg N/100 g表示，重复测定三次，取平均值，结果如表1。

表1 采用传统方法测量TVB-N含量(mg N/100 g)

2 结果与讨论

2.1 鱼样本的光谱

图2显示了在900～1 700 nm波长范围内鱼肉样本的高光谱图像的平均反射光谱。可以明显地看出，在7～17 mg N/100 g范围内，不同TVB-N值的鱼肉光谱，显示出相似的趋势，但光谱幅度存在一些差异，这可能是由于鱼肉鲜度损失过程中主要化学成分的变化所致。根据反射值，一个显著的吸收峰位于约1 180 nm处，可能与有机饲料成分的残留有关。

2.2 LS-SVM和PLS模型的建立

LS-SVM建模方法是一种经典的非线性光谱数据建模方法，被广泛应用光谱分析领域，其利用非线性映射函数和映射特征到高维空间，采用拉格朗日乘子法计算各特征的偏微分，以达到最优解[10-12]。PLS是一种线性建模方法，在化学计量分析中应用很多，PLS将光谱波长数据转变为维度更小的潜在因子变量[13]。

图2 不同TVB-N含量值三文鱼样本的光谱曲线图Fig.2 The reflectance spectra of salmon fish filletsat different TVB-N values

采用LS-SVM和PLS建模后，预测三文鱼TVB-N含量结果如表2，LS-SVM的校正集和预测集的决定系数分别为0.919和0.918，预测均方根误差分别为2.292%和2.312%，PLS的校正集和预测集的决定系数分别为0.905和0.907，预测均方根误差分别为2.742%和2.751%。基于全波长建立的PLS和LS-SVM模型的校正集和预测集样本散点图如图3所示，与PLS模型相比，LS-SVM模型的效果更为优秀，可对鱼肉TVB-N含量分布进行检测。

表2 LS-SVM和PLS模型预测结果Table 2 Prediction results of LS-SVM and PLSbased on full spectral parameters

图3 三文鱼TVB-N含量PLS(a)和LS-SVM(b)全波长模型校正集和预测集散点图

2.3 连续投影算法提取特征波长

鱼片样品高光谱图像具有高维性、冗余性和相邻波段间的多重共线性。因此，在多变量分析中，剔除无用的或不必要的波长，选择携带反映TVB-N含量变化的最有价值信息的最佳波长成为一个关键步骤。SPA作为一种前向变量选择方法，以解决最小冗余度下的共线性问题为目的，被证明是多元校正框架下变量选择的有效工具和策略[13-15]。

图4 采用SPA提取特征波长具体位置Fig.4 Position of selected effective wavelengths by SPA

表3 应用SPA提取特征波长值Table 3 Effective wavelengths selected by SPA

表4 基于特征波长建立SPA-LS-SVM和SPA-PLS模型

2.4 鱼肉TVB-N含量的可视化

TVB-N主要是由于酶和微生物活性的影响而引起的蛋白质降解所产生的氨和胺，这一重要指标的含量能够有效地反映出鲜度质量的损失。因此，TVB-N分布的可视化有助于进一步解释与蛋白质分解有关的化合物的动态变化，以指示新鲜度的损失程度[9, 16]。

SPA-LS-SVM模型展现了其准确性高和运算速度快的特点，选择为最适合TVB-N预测模型，用来将高光谱图像中的每个像素转换成相应的TVB-N值并在鱼肉图片上以不同颜色展示。图5显示了四个不同TVB-N值的可视化示例，可以明显地观察到，可视化图中的不同颜色反映了鱼肉样本中与图像像素的光谱变化相对应的TVB-N值。同时，鱼肉样品的TVB-N分布密度是不均匀和不对称的，因为TVB-N包括含氮化合物(如鱼肉蛋白质)降解的成分也是不均匀和不对称的。因此，TVB-N的分布有助于解释这些化学物质的降解速度，本研究采用如下步骤对鱼肉TVB-N含量分布进行检测，如图6所示。

3 结论

通过高光谱图像技术实现了对鱼的TVB-N含量检测，采取SPA算法提取8个最佳波长，并作为输入到LS-SVM和PLS模型，实验表明，基于最佳波长的SPA-LS-SVM模型是最适合TVB-N检测模型，其决定系数(R2)为0.903，RMSEP为2.761%。采用MATLAB语言编程将高光谱图像中的每个像素通过最佳模型转换成相应的TVB-N值，可以明显地观察到，可视化的图中不同颜色反映了鱼肉样本中与图像像素的光谱变化相对应的TVB-N含量。结果表明，应用高光谱图像技术检测鱼肉TVB-N含量是可行的，为下一步鱼肉TVB-N含量的定量分析和分类奠定了基础。