滩羊肉TEAC含量的高光谱快速检测技术

2024-02-05袁江涛郭佳俊孙有瑞刘贵珊景怡萱

光谱学与光谱分析 2024年2期

袁江涛, 郭佳俊, 孙有瑞, 刘贵珊*, 李月, 吴迪, 景怡萱

1. 宁夏大学食品科学与工程学院, 宁夏银川 750021 2. 宁夏大学物理与电子电气工程学院, 宁夏银川 750021

引言

肉类食品中富含的蛋白质和脂肪极易氧化, 导致肉品色泽、质地以及风味劣变[1]。生育酚是一种天然抗氧化剂, 有猝灭自由基的功能[2]。羊肉中生育酚来源为维生素E的水解产物, 是非酶类内源性抗氧化物质之一。生育酚当量抗氧化能力(trolox-equivalent antioxidant capacity, TEAC)是可以全面反映肉类内源抗氧化能力的综合性指标之一, 但传统检测方法过程复杂, 效率低, 亟需一种实时、无损、高效的检测方法。

以滩羊肉为研究对象, 采用Vis/NIR高光谱成像技术结合图像TFS信息对羊肉中TEAC进行无损检测, 并提高其预测性能, 为实时快速定量检测滩羊肉中TEAC提供参考。

1 实验部分

1.1 样本处理及划分

滩羊肉采购于宁夏盐池鑫海食品有限公司。分别取不同滩羊背最长肌、前腿肉和后腿肉, 保存在0～4 ℃保温箱中运至实验室, 剔除肉样表面多余的筋膜、结缔组织和脂肪, 4 ℃冰箱排酸24 h, 分割为30 mm×20 mm×10 mm的羊肉样本180个(随机选取6只滩羊三个部位采样, 每部位肉样10份, 真空包装后标记。按3∶1的比例划分为校正集和预测集。

1.2 仪器

Vis/NIR高光谱成像系统有125个波长, 波长范围为400～1 000 nm(Headwall Photonics公司, 美国)。该系统由成像光谱仪、电控位移平台、 4个光纤卤素灯(150 W)、增强型CCD相机、计算机和数据采集软件组成。使用高光谱前应预热30 min, 图像采集前进行黑白校正[5], 肉样用纸巾擦拭表面水分。

1.3 生育酚当量抗氧化能力测定

参考Anticona[6]的方法并进行修改。吸取6 mL ABTS·+溶液和50 μL的肌肉提取液进行混合, 30 ℃下孵育6 min, 用50 μL超纯水和6 mL ABTS·+溶液混合做空白对照。在734 nm下测定吸光度, 通过已知浓度的生育酚溶液绘制标准曲线。结果以μmol·g-1生育酚当量表示。

1.4 数据处理

1.4.1 感兴趣区域提取

使用ENVI 4.8软件, 采用阈值分割法提取感兴趣区域(region of interest, ROI), 设置阈值为0.12, 将样本与背景分开得到二值化图像, 并将整个样本图像(约2500像素)作为感兴趣区域[7]。

1.4.2 预处理方法

原始光谱数据含有暗电流噪声和仪器基线漂移等, 因此需要通过光谱预处理方法来消除和校正干扰无关信息。其中平滑是消除噪声最常用的方法之一, 通过减少图像噪声对数据点数值的干扰, 提高信噪比。主要有中值滤波(median filtering, MF)、基线校准(baseline)、卷积平滑(savitzky-golay, S-G)。多元散射校正(multiplicative scatter correction, MSC)作为校正变换类的光谱预处理方法, 不仅能够增强光谱信息的显示, 而且能有效消除样品散射所导致的基线偏移和平移现象, 提高光谱信噪比[8]。故采用以上四种算法以增强光谱信号并提高模型预测性能。

1.4.3 特征波长选择方法

间隔随机蛙跳(interval random frog, IRF)算法可以根据所定义的策略来更新变量的子集。在满足迭代时间后, 计算每个波段被选择的概率, 并按降序排列[9]。变量组合集群分析(variable combination population analysis, VCPA)算法根据模型总体分析, 在可变子集总体构建的模型群体中提取统计信息, 以迭代方式进行最优的变量子集选择[10]。竞争性自适应加权抽样(competitive adaptive reweighted sampling, CARS)算法将有较大绝对回归系数的波长识别为关键波长, 权重小的波长[11]。迭代变量子集优化(iteratively variable subset optimization, IVSO)算法具有较高的稳定性, 原因是该算法使用顺序加法和加权二进制矩阵采样的方法, 以竞争方式消除非关键变量信息, 同时降低丢失关键变量的风险[12]。

1.4.4 图像TFS信息的提取

TFS信息表示相邻像素之间的强度关系, 常用于解释和量化图像中的灰度值。灰度共生矩阵(gray level co-occurrence matrix, GLCM)常用于提取TFS, 具有适应性强、鲁棒性好的特点。用于计算图像中像素之间不同灰度组合频率, 以此反映样本外部特征中最重要的指标。本研究基于主成分分析(principal component analysis, PCA)选择的特征图像, 依次选取羊肉样本信息表达量前三的PC图像在0°、 45°、 90°、 135°四个方向下的角二矩阵、对比度、相关性和熵的特征参数来表示羊肉样本的TFS[13], 分别记为TF1、 TF2、 TF3、 TF4。

1.4.5 模型建立

基于光谱信息和图像纹理信息建立羊肉中TEAC的反向传播人工神经网络(back-propagation artificial neural network, BP-ANN)和最小二乘支持向量机(least squares support vector machines, LSSVM)预测模型。 BP-ANN在前向传播过程中若输出信息的期望值存在误差, 则误差将沿着原始路径重新传播, 通过逐个修改每一层神经元的权重, 以减少误差, 直到结果的输出满足精度要求[14]。 LSSVM是一类基于核的学习方法, 广泛应用于执行非线性多元数据分析[4]。以校正集相关系数(Rc)、校正集均方根误差(RMSEC)、预测集相关系数(Rp)、和预测集均方根误差(RMSEP)进行评估预测模型性能的可靠性和准确性。

1.4.6 数据处理工具

数据处理软件采用MATLAB R2019 a、 ENVI 4.8和Origin 2018。数据分析用Intel core I5-10210 CPU, 主频1.6 GHz、 RAM为8 GB、 NVIDIA MX250、显存为2 GB的计算机。

2 结果与讨论

2.1 光谱曲线分析

滩羊肉样品在Vis区域(400～750 nm)和NIR区域(750～1 000 nm)均有谱带。对样品的平均反射率曲线进行了比较和分析。从光谱曲线可以看出, 不同部位肉样的平均光谱曲线具有相似的趋势, 但光谱纵向位移有很大的差异。如图1所示, 不同部位的滩羊肉样品在434、 545、 573、 756和967 nm处均具有吸收带。在434 nm左右的吸收是由于肉样中血红素辅基中的π—π*键振动, 这种色素与肉色有关[15]。 545～573 nm范围内的吸收, 与肌红蛋白(氧合肌红蛋白和脱氧肌红蛋白)和肉色的a*值高度相关[16]。 760 nm附近的吸光度带与O—H拉伸第三倍频或肌红蛋白氧化相关, 970 nm左右的吸收峰与O—H弯曲的第二倍频有关[17]。

图1 滩羊肉样本的原始光谱(a)和平均光谱曲线(b)

2.2 光谱预处理方法优选

为了提高重叠数据的光谱分辨率, 利用四种预处理方法建立PLSR的预测模型。同时在不同预处理下提取潜在变量(latent variables, LV)以降低数据维度, 去除冗余信息, 同时保留了原始数据中的有效信息。通过建立PLSR模型评价不同预处理方法的效果, 结果如表1所示, 与TEAC的原始光谱模型效果相比, S-G预处理后的光谱模型性能较低, 可能是由于S-G算法消除了与TEAC含量相关的有效光谱信息。使用Baseline预处理建立的PLSR模型呈现出最高的相关系数,Rc为0.912 1,Rp为0.868 3, RMSECV为1.407 5。这可能是Baseline对光谱图像具有较好的滤波作用, 与此同时可以保护信号的边缘数据。 Dixit[18]等在对牛肉成分分析时同样发现经Baseline处理后可获得更清晰的样品特征。因此, 将Baseline预处理作为TEAC的全样本数据信号, 并进行后续建模。

表1 PLSR模型利用不同预处理数据的预测结果

2.3 特征波长提取

为了在一定程度上提高模型的预测性能, 采用IRF、 VCPA、 CARS和IVSO对全波段光谱进行降维处理, 结果如图2所示。图2(a)为IRF算法提取特征波长结果, 当组合间隔为48时可使RMSECV达到最小值(1.268 4)。此时选取前48个组合波段, 共71个波长, 分布在434～607和665～823 nm区域, 占全光谱的56.8%。图2(b)为应用VCPA算法提取特征波长结果, 在RMSECV达到最小值(1.234 5)时, 此时采样数为50, 共筛选出478、 492、 550、 607、 703、 785、 790、 871和895 nm 9个特征波长, 占全光谱的7.2%。图2(c)为采用CARS算法提取特征波长的结果, 共筛选出22个特征波长, 占全光谱的17.6%, 分别为434、 454、 458、 478、 492、 559、 579、 603、 607、 670、 713、 727、 785、 790、 828、 833、 867、 871、 895、 924、 943和972 nm。图2(d)为IVSO算法权重值变化, 通过IVSO算法筛选出39个特征波长, 占全光谱的31.2%, 分别为434、 444～458、 478、 487～497、 506、 550～564、 574、 579、 607、 636、 684、 727、 780～795、 833、 847、 857、 867、 871、 881、 895、 910、 915、 924、 943、 963、 977～987和996 nm。分析发现478、 492、 607、 785、 790 nm为共有特征波长, 其中492 nm与高铁肌红蛋白有关[19], 而高铁肌红蛋白会受到细胞内氧化还原水平影响, 这可能与TEAC含量存在间接关系。提取特征波长后, 可以大幅减少图像大小, 特征更加突出, 这在一定程度上会增加非线性关系, 但同时又有助于减轻硬件需求和计算负载[20]。

图2 优选特征波长

2.4 TFS信息提取

使用ENVI 4.8软件, 通过正向主成分统计方法对滩羊肉样本光谱图像进行主成分分析, 如图3所示, PC1、 PC2、 PC3累计贡献率大于99%, 其中PC1、 PC2、 PC3表达分别为98.76%、 0.75%、 0.09%, 可见PC1包含了部分信息的同时又能有效去除冗余信息。因此对表达量最多的PC1分别从θ=0°、 45°、 90°、 135°角度下对角二矩阵、对比度、相关性和熵进行TFS信息提取。通过对肉样感兴趣区域图像的四个纹理变量计算, 得到一个纹理信息矩阵, 180样本×4变量。

图3 羊肉样本前三个PC图像

2.5 预测模型建立

2.5.1 特征光谱预测模型建立

基于多种特征波长筛选方法(CARS、 VCPA、 IRF和IVSO)建立的TEAC模型的预测效果如表2所示, 当采用BP-ANN建立预测模型时, 虽然CARS-BP-ANN模型具有最高的Rp, 但其校正集Rc仅为0.8189。因此, IVSO-BP-ANN模型的效果最佳(Rc=0.887 5, RMSEC=1.113 1,Rp=0.863 0, RMSEP=1.126 6); IVSO-LSSVM模型体现出最佳的预测能力(Rc=0.913 2, RMSEC=0.962 0,Rp=0.864 6, RMSEP=1.288 3)。对比不同特征波长提取算法下的两种模型, 发现LSSVM模型中Rc值整体比BP-ANN模型较高, 且使用IVSO方法显示出更好的预测能力, 说明IVSO算法可有效筛选出与TEAC含量相关的特征波长并去除冗余波段。因此, IVSO-LSSVM模型预测TEAC性能最佳。

表2 BP-ANN和LSSVM模型在不同波长提取方法下的性能

2.5.2 光谱数据结合TFS信息预测模型建立

在提取特征波长后, 数据维度大幅度降低, 特征更加突出, 在一定程度上会增加非线性关系, 而BP-ANN和LSSVM预测模型对非线性数据具有较好的预测能力。根据特征波长建模结果, 使用IVSO算法提取的特征波长与肉样纹理信息融合建立TEAC含量的BP-ANN和LSSVM预测模型如表3所示, 表3给出了对不同TFS信息的校准集和预测集的性能。结果表明, IVSO-TF1-BP-ANN图谱融合模型稳健性较好, 其Rp=0.891 6, 较特征波段提高0.028 6, 图谱融合模型较单一模型相比提高了预测能力。纹理是肉样的外部属性, 是颜色灰度空间产生的图像模式, 融合后的模型具有更好的预测能力, 说明融合肉样的外部TFS可行。