试验所用样本为屠宰后经过24 h冷却排酸的大长白猪肉, 部位为背最长肌, 一次性购买于北京市美廉美超市。 将样本修整为长× 宽× 高约100 mm× 80 mm× 25 mm的肉块, 用自封袋包装后放置于4 ℃冰箱中保存。 试验样本包括两部分, 其中一部分用于静止与在线条件下预测模型的建立, 共包括有效样本50个。 为了使测定的新鲜度指标理化值范围更广, 试验时每天从冰箱中随机取出4个用于光谱采集和理化值分析, 试验持续13 d。 第二部分用于在线预测模型的验证, 每天从冰箱取2个用于试验, 持续10 d, 共获得20个样本。

1.2.1 在线检测系统设计

在线检测系统实物图如图1所示, 该系统主要包括光源单元、 光谱采集单元、 控制单元和驱动单元。 光源单元包括8个12 V 5 W卤钨灯、 稳压电源。 同时设计了光源固定支架[图1(b)], 优化了光源安放角度, 使卤钨灯呈环状分布, 并在光源固定支架中心固定有遮光筒, 可防止灯光不照射到样品而直接进入收集光纤内。 光谱采集单元包括光纤、 透镜和光谱仪。 光纤选择大芯径双包层Y型石英光纤, 其两端分别通过SMA905接口与光谱仪相连。 为了增加采光宽度, 在光纤探头前端配置透镜, 通过外螺纹与光源固定支架连接。 由前期研究可知^[8], 基于双波段光谱建立的pH和TVB-N模型更佳, 因此系统选用了两台光纤光谱仪, 分别是AvaSpec-2048光谱仪(AVANTES)和AvaSpec-NIR256-2.5光谱仪(AVANTES), 波段范围分别是350~1 100和1 000~2 500 nm(以下称为第一波段和第二波段)。 驱动单元主要由调速驱动电机、 传送带和支架等组成, 电机启停和转速通过电气控制柜[图1(a)]进行设置和调节。 控制单元包括上位机和下位机两部分, 对射式光电传感器检测到样品到位后, 将信号传至单片机开发板, 经电平转换后将信号传给上位机, 触发系统完成光谱采集、 实时处理、 结果计算、 显示和保存。 软件系统基于VisualStudio2010开发环境, 采用C语言编写, 主要实现参数设置、 光谱校正、 光谱采集、 结果计算及保存功能。 当静态条件下试验时, 放置好样品后, 按下界面按钮控件完成相应操作; 在线试验时, 通过串口触发自动完成指定操作。

为了便于在不同生产线上使用, 将在线检测主要部件集成在控制箱内, 将光源及支架、 遮光筒、 透镜及光纤置于暗箱内, 并通过型材支架固定在传送带上方, 如图1(c)所示。 暗箱与传送带之间的距离可通过型材立柱上的滑块进行调节。 为了更加直观清楚地监视到检测过程中样本光谱曲线及预测结果的变化, 在软件界面上只保留光谱及结果显示区, 其他参数设置和控制按钮通过薄膜开关实现。

1.2.2 光谱信息采集

试验共分三部分进行, 第一部分用于采集参数的优化。 对于近红外检测系统来说, 在获得稳定光谱的前提下, 检测效率应尽可能高。 本研究对传送带速度和透镜入光口到样品表面距离(以下简称为距离)进行优化, 考察不同参数对光谱重复性和稳定性的影响。 结合文献调研和前期预实验^{[9, 10]}, 设定速度为200, 225, 250, 275和300 mm· s^-1, 设定距离为10, 11和12 cm, 距离可以通过图1(a)中的高度调节支架实现。 试验时预热半小时, 采集参比光谱和暗背景光谱后, 将样本置于传送带上进行在线检测, 连续进行20次。 然后, 调整试验参数, 采集该样本在其他14种情况下(正交试验共15种情况)的20条光谱, 通过对比确定最佳采集参数。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 (a)在线检测系统图; (b)光源支架; (c)简易在线检测系统Fig.1 (a) On-line detection system; (b) Light support; (c) Simple on-line detection system

第二部分为在线检测模型的建立。 基于上述试验确定的最优参数, 按照相同的试验步骤, 采集50个猪肉样本的反射光谱, 每个样本采集5次, 求取平均后作为最终建模用光谱。 为了检验该在线检测系统的性能, 同时采集这50个样本静止条件下的光谱, 并进行分析比较。 在第三部分试验中, 另取20个样本用于在线检测预测模型的外部验证, 该部分试验在图1(c)中的硬件条件下进行, 试验参数和试验步骤与第二部分相同。

猪肉颜色采用精密色差仪(HP-200, 上海汉谱光电科技有限公司)测定, 经过黑白校准后, 将仪器贴在样本表面, 记录下L^* (明度系数), a^* (红度值)和b^* (黄度值)值。 为了减少试验误差, 在样本表面选择5个位置进行测定并求取平均。 pH值采用pH计(METTLER TOLEDO FE20, 北京连博永通科技有限公司)测定, 同样选取5个位置并求取平均。 TVB-N的测定参照GB5009.228— 2016《食品中挥发性盐基氮的测定》, 利用KDY-9820型半自动凯氏定氮仪进行测定。 建模用样本和外部验证样本的理化值统计分析结果如表1所示, 可见外部验证样本的理化值范围在建模用样本范围之内, 且具有一定的浓度梯度, 表明这些样本可用于验证在线检测系统模型的性能。

表1

Table 1

表1(Table 1)

表1 猪肉新鲜度指标统计结果 Table 1 Statistical results of freshness attributes for pork 参数 建模用样本 外部验证样本 最小值 最大值 平均值 标准偏差 最小值 最大值 平均值 标准偏差 L* 37.49 51.83 44.81 3.71 41.32 50.00 45.67 2.81 a* 5.48 14.14 9.53 1.79 6.70 11.99 9.74 1.46 b* -4.91 1.89 -2.86 1.52 -4.71 1.55 -2.60 1.41 pH 5.61 6.16 5.80 0.15 5.62 6.02 5.76 0.12 TVB-N/(mg· 100 g-1) 5.20 33.28 16.51 6.25 5.58 27.33 15.88 6.78

表1 猪肉新鲜度指标统计结果 Table 1 Statistical results of freshness attributes for pork

在第一部分试验中, 有15个试验组, 每组有20个平行, 共得到300条光谱。 利用均方根误差来衡量每个试验组不同平行之间的光谱相似度^[11], 计算公式如式(1)

RMSj=∑i=1n(Yij-Y̅i)2n(1)

式中, Y_ij为第j条光谱在波长i处的反射率, Y̅i为平均光谱在波长i处的反射率, n是一条光谱上的总数据点数。 然后, 将20个平行下的RMS_j进行平均, 得到该试验组下的RMS值。

对于第二部分试验, 首先利用抛物线拟合方法对双波段光谱进行融合, 具体如式(2)所示

Rbefore(λ)Rafter(λ)=a(λ-b)2+c(2)

式中, R_before(λ ), R_after(λ )分别为波长λ 下融合前后反射率(%); a, b和c是抛物线的三个参数。 然后按3∶ 1的比例将其分为校正集和验证集。 由于光谱采集过程中会受到杂散光、 光散射等的影响, 需对光谱进行预处理来消除与待测组分无关的因素带来的影响。 本研究首先采用窗口移动多项式最小二乘拟合法降噪以提高信噪比, 然后采用标准正态变量变换(standard normal variate transformation, SNV)对每条光谱进行标准化处理。 进一步, 由于在线检测过程光谱发生漂移, 利用导数进行校正。 模型建立方法为偏最小二乘回归法(partial least square regression, PLSR), 采用校正集相关系数(R_c)、 验证集相关系数(R_p)、 校正集标准分析误差(standard error of calibration, SEC)和验证集标准分析误差(standard error of prediction, SEP)对模型进行评价。 对于第三部分外部验证试验, 利用相关系数r来评价效果。 上述数据分析过程均在Matlab2012a中进行。

将15个试验条件下的RMS值进行对比, 如图2所示, 同时对两个变量对RMS的影响进行无交互作用的双因素方差分析。 结果表明, 只有距离通过了F检验, 说明距离对RMS有显著性影响。 进一步利用最小显著差数法(LSD)比较距离的三个水平的显著性差异。 水平1(10 cm)和水平2(11 cm)、 水平3(12 cm)均具有显著性差异, 水平2和水平3没有显著性差异, 说明水平1对变量3的影响最大, 水平2次之, 水平3最小, 与图中结果一致。 由于在距离12 cm下软件自动获取的光谱仪最佳积分时间已经接近仪器最小积分时间, 因此距离不能继续增大, 将12 cm作为最佳高度。 在速度为225, 250和275 mm· s^-1下的RMS值差异不大, 但速度提高到300 mm· s^-1, 误差变大, 因此将速度确定为275 mm· s^-1。 在该条件下, 对第一光谱仪的最佳积分时间和平均次数分别是2.17 ms和100次, 对第二光谱仪分别为20.05 ms和25次, 完成一个样品的检测用时在1 s以内。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 不同试验条件下的RMS值对比Fig.2 Comparison of RMS values under different circumstances

基于上述确定的最佳距离, 利用图1(a)中搭建的在线检测系统, 首先建立静止条件下的新鲜度预测模型。 由于光谱仪获取的光谱信号在两端信噪比较低, 因此将噪声信号较大的波段截掉。 对于两台光谱仪, 选取的波段范围分别为353.59~1 100.26和1 039.98~2 384.15 nm, 在该范围内50个猪肉样本的原始光谱曲线如图3(a)所示。 其中, 530~580 nm之间的吸收峰与肉中肌红蛋白和血红蛋白有关, 775~850 nm与N— H键伸缩振动的三级倍频有关, 980 nm处与O— H键的振动一级倍频有关, 1 400~1 500 nm之间与N— H键振动的一级倍频有关^{[12, 13, 14, 15]}。 同时, 从图中也可看出, 1 039.98~1 100.26 nm为波段重合区域, 在该范围内两台仪器获取的光谱数据存在偏差。 为了更充分的利用该区域光谱信息, 采用抛物线拟合的方法, 对两个波段光谱数据进行融合, 效果如图3(a)中子图所示。 可见融合前后, 重合区光谱曲线有了明显的改善, 两个波段范围的光谱得以融合为一条完整的覆盖整个可见光及近红外区域的光谱曲线。

然后进行光谱预处理。 先对数据进行5点平滑处理以提高光谱的信噪比, 然后采用SNV校正不同样品之间因散射引起的误差。 这两种算法均是对每个波长点下数据进行处理, 且需要借助其他波长下的数据进行校正。 如平滑需在待分析波长点前后各取5个数据点组成窗口进行多项式最小二乘拟合, SNV则要计算整条光谱的平均值和标准偏差使原光谱数据标准正态化。 本研究中所用两台光谱仪采样间隔分别为0.59和6.80 nm, 因此对于波段融合后的光谱来说, 在353.59~1 039.98 nm之间共1 210个数据点, 在1 039.98~2 384.15 nm之间共209个数据点。 这就导致在前波段范围内数据点多而密集, 而后波段范围数据点相对少而稀疏, 这种不均匀分布会对预处理效果造成影响, 如图3(b)中子图所示。 因此本研究以2 nm为间隔对原光谱进行重排使数据均匀分布, 第二波段在相应波长点处的数据通过三次样条插值获得。 再次进行预处理后效果如图3(b)所示, 可见经过数据重排, 后波段数据点的权重得以提高, 有了明显的处理效果。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 静止条件下样本的原始光谱和预处理后光谱 (a): 原始光谱; (b): 预处理后光谱Fig.3 Original and pretreated spectra of pork samples under static condition (a): Original spectra; (b): Pretreated spectra

然后, 分别建立L^* , a^* , b^* , pH和TVB-N的PLSR预测模型。 由前期研究可知, 对于颜色参数, 前波段光谱的建模结果优于全波段光谱, 而对于pH和TVB-N, 基于全波段光谱数据建模的效果更佳^[8]。 因此, 基于前波段数据建立了L^* , a^* , b^* 的预测模型, 基于全光谱数据建立了pH和TVB-N的预测模型, 结果如表2所示。 从表中可以看出, 对5个参数的预测相关系数均在0.90以上, 尤其以TVB-N的预测集相关系数最高, 达到0.951 5。

表2

Table 2

表2(Table 2)

表2 静态条件下颜色参数(L* , a* , b* ), pH和TVB-N的PLSR模型结果 Table 2 The PLSR model results for color (L* , a* , b* ), pH, and TVB-N under static condition 参数 Rc SEC Rp SEP L* 0.969 7 0.915 0 0.942 9 1.435 8 a* 0.920 6 0.637 5 0.909 0 0.873 5 b* 0.939 1 0.498 3 0.931 6 0.692 4 pH 0.957 3 0.043 2 0.945 3 0.051 8 TVB-N 0.953 7 1.981 9 0.951 5 2.143 9

表2 静态条件下颜色参数(L* , a* , b* ), pH和TVB-N的PLSR模型结果 Table 2 The PLSR model results for color (L* , a* , b* ), pH, and TVB-N under static condition

调节距离为12 cm, 设定传送带的运行速度为275 mm· s^-1, 采集样本在运动状态的反射光谱曲线。 然后, 将每个样本在线采集的平均光谱与静止状态下的光谱进行对比, 以此来验证在线获取的光谱数据的准确性。 同时, 求取每个样本的5条光谱的变异系数, 来验证光谱数据的稳定性。 图4为1号样本在前后两个波段范围内运动(实线)和静止(虚线)状态下平均光谱的对比图以及不同波长下的变异系数。 可以看出, 在线采集和静止条件下获取的光谱曲线趋势基本一致, 仅在部分波段范围内有微小的波动和偏移, 说明所获取的数据真实有效。 同时, 两个波段范围内的变异系数均小于15%, 表明数据可用于进一步的统计分析。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 同一样本在静止和在线条件下的光谱对比和变异系数 (a): 第一波段; (b): 第二波段Fig.4 Comparison of spectra sample under static and online conditions for the same and coefficient of variation (a): First band; (b): Second band

同样, 对在线获取的光谱数据进行5点平滑和SNV预处理, 建立各参数的在线预测模型, 并与静态条件下的模型结果进行对比, 结果如表3所示。 与表2中静态条件结果相比, 除颜色参数L^* 外, 其他4个参数的预测效果均有所下降, 同时预测集误差有所上升。 原因一方面在于运动状态下由于振动带来的噪声信号, 另一方面在于背景等其他因素导致光谱出现的位移或漂移, 这一点在图4中也可以得到印证。 为了消除这部分影响, 进一步采用一阶导数去除与波长无关的漂移, 以强化谱带特征。 根据Huang等研究可知^[16], SNV和导数处理的顺序不同也会产生不同的结果。 因此, 基于5点平滑后的光谱数据, 分别进行SNV+一阶导数和一阶导数+SNV处理, 结果如图5所示。 可见两种方式处理后光谱具有相同的趋势, 仅在数值上有所不同。

表3

Table 3

表3(Table 3)

表3 在线条件下颜色参数(L* , a* , b* )、 pH和TVB-N的PLSR模型结果 Table 3 The PLSR model results for color (L* , a* , b* ), pH, and TVB-N under online condition 参数 SNV 一阶导数+SNV SNV+一阶导数 Rc SEC Rp SEP Rc SEC Rp SEP Rc SEC Rp SEP L* 0.953 7 1.148 7 0.947 1 1.289 9 0.967 8 0.942 5 0.955 3 1.435 4 0.977 9 0.760 4 0.950 6 1.238 5 a* 0.892 8 0.735 3 0.883 9 1.001 9 0.934 7 0.580 8 0.924 7 0.773 5 0.928 1 0.607 7 0.902 4 0.835 9 b* 0.929 9 0.533 3 0.907 6 0.751 5 0.968 9 0.351 8 0.955 1 0.499 1 0.955 6 0.418 9 0.940 0 0.575 4 pH 0.949 8 0.043 7 0.911 8 0.071 6 0.967 2 0.038 1 0.961 5 0.042 7 0.947 3 0.048 1 0.907 4 0.067 6 TVB-N 0.936 9 2.146 2 0.922 0 2.889 8 0.968 4 1.444 2 0.966 8 2.141 7 0.950 8 1.791 3 0.944 0 2.170 6

表3 在线条件下颜色参数(L* , a* , b* )、 pH和TVB-N的PLSR模型结果 Table 3 The PLSR model results for color (L* , a* , b* ), pH, and TVB-N under online condition

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 (a)SNV+一阶导数处理后的光谱; (b)一阶导数+SNV处理后的光谱Fig.5 (a) Spectra after treatment with SNV and first derivative; (b) Spectra after first derivative and SNV

基于按不同顺序处理后的光谱数据, 分别建立各个参数的预测模型, 并与未经过导数处理的建模结果进行比较, 如表3所示。 可以看出, 经过一阶导数+SNV处理后, 各参数的预测模型效果均有所改善, 说明导数处理能有效的减少基线漂移和背景干扰引起的数据偏差。 与静态条件下建立的模型相比, 模型效果整体略有所改善, 并且参数a^* , b^* , pH比L^* 和TVB-N提高的更加明显。 而对于先经过SNV再经过一阶导数处理的光谱, 参数L^* , a^* , b^* 和TVB-N的预测效果相比只经过SNV处理有所提高, 但对参数pH的预测效果反而下降。 此外, 通过对比两个顺序处理后的建模结果发现, 前者的模型结果整体优于后者, 对每个参数建立的模型预测相关系数更好, 预测误差更小。 这与Huang^[16]和Modrono^[17]的发现是一致的, 即不同的预处理顺序所产生的效果是不一样的, 且先经过导数处理再作SNV校正, 能更好地消除散射造成的影响。 综合上述分析, 将经过5点平滑、 一阶导数以及SNV处理后建立的模型作为在线检测采用的最终预测模型。

为了验证所建立的动态检测模型的可靠性, 利用20个样本进行外部验证。 光谱采集在搭建的简易在线检测系统上进行[图1(c)], 试验参数和模型建立时一致。 20个样本真实值和预测值的散点分布图如图6所示。 对L^* , a^* , b^* , pH和TVB-N的相关系数分别为0.918 9, 0.914 1, 0.947 7, 0.950 4和0.960 6, 标准分析误差分别为1.249 4, 0.611 2, 0.583 1, 0.040 1和1.975 2 mg· 100 g^-1。 整体预测效果较好, 可见所建立的在线检测系统和建模方法是有效的。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 L* , a* , b* , pH和TVB-N的外部验证结果Fig.6 External validation results for L* , a* , b* , pH, and TVB-N