样本来自法罗群岛当地最大的三文鱼养殖公司Bakkafrost。 三文鱼被捕捞后, 由加工厂在3 h内将鲜活三文鱼屠宰加工为冰鲜三文鱼。 然后全程4 ℃冷链空运至上海纯尔贸易发展有限公司, 再通过冷藏车运送至镇江麦德龙超市, 真空包装后, 置放在铺满碎冰的保鲜盒中快速运送到实验室, 整个运输过程大约4~5 d。

三文鱼去皮清洗干净后, 用灭菌后的刀片取中段鱼块, 切成长3 cm、 宽3 cm、 高2 cm的鱼片, 个体质量约(20± 5) g, 真空包装。 将分割好的三文鱼样本按图1分为两组, 第一组命名为C组, 即冰鲜组, 共90个样品, 此组三文鱼样本在当天进行分析。 第二组命名为FT组, 即冻融组。 参考Ali^[4]等的循环冻融方法, FT组分为FT-1组、 FT-2组和FT-3组, 即一次冻融组、 两次冻融组以及三次冻融组, 每组30个样本, 冻藏时间均为30 d。 其中FT-1组在零下30 ℃下冷冻30 d后取出解冻分析; FT-2组在第15天从冷冻层取出, 在4 ℃环境下解冻12 h, 之后再继续冷冻, 在第30天取出解冻分析, 为两次冻融循环组; FT-3在第10和20天取出进行一次冻融循环, 最后在第30天取出分析, 为三次冻融循环组。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 样本制备流程图Fig.1 The flow chart of sample preparation

1.2.1 高光谱成像采集系统

高光谱成像采集系统主要由高光谱相机(ImSpector V10E, Spectral Imaging Ltd, Oulu, Finland)、 石英卤素灯(Fiber-LiteDC-950Illuminator, Dolan-Jenner Industries Inc, America)、 精密自动平移装置(SC30021 A, Zolix Instruments co. Ltd., China) 以及装配了图像采集卡的电脑(P4P800-X型号, Asus computer co. Ltd., Taiwan, China)组成。 系统硬件部分主要组成示意图见图2。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 高光谱成像系统Fig.2 Hyperspectral imaging system

1.2.2 高光谱图像的采集与校正

仪器预热后, 将样品放置于样品台上, 并设置系统参数: 样品台的平移速度为90 mm· s^-1; 行程为180 mm; 相机曝光时间设置为50 ms。 对原始高光谱图像进行黑白校正, 以降低在采集过程中由于暗电流和光照不均匀等因素产生的噪声。

1.3.1 光谱提取和预处理方法

采用ENVI 4.5软件选取样品中心附近200 pixel× 200 pixel的范围作为感兴趣区域(region of interest, ROI), 对ROI范围内所有像素点的光谱值进行平均, 作为该样本的光谱值。

为筛选出效果较好的预处理方法, 选用了一阶导数(first derivative, 1st Der)、 二阶导数(second derivativ, 2nd Der)、 多元散射校正(multiplicative scatter correction, MSC)、 标准正态变量变换(standard normal variate transformation, SNVT)、 归一化(normalization, N) 和均值中心化(mean centering, MC) 共6种预处理方法。

1.3.2 光谱信息中特征变量的筛选方法

由于光谱数据变量繁多, 可能存在冗余信息和噪声, 若将每个光谱值都代入模型进行分析, 不仅影响模型的准确率, 也会增加模型的运算量, 降低模型运算速度, 因此有必要通过变量筛选的方法对光谱进行特征波长筛选^[5]。

(1)竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS): 竞争性自适应重加权算法是一种基于“ 适者生存” 思想, 结合了蒙特卡罗采样和偏最小二乘回归系数的变量筛选方法。 在进行变量筛选时, 剔除变量的数量由指数衰减函数(exponentially decreasing function, EDF)来确定。 变量剔除后, 将保留的变量数据利用自适应重加权采样(adaptive reweighted sampling, ARS) 建立PLS模型, 比较模型的交叉验证均方根误差RMSECV值, 选出RMSECV值最小时对应的PLS模型, 其对应的子集变量即CARS方法最终筛选出的特征变量^[6]。

(2)连续投影算法(successive projections algorithm, SPA): 连续投影算法可以从一组数据中筛选出一组子集, 使子集中的变量含有最少的重复和无用特征值, 从而可以减少后续建立的模型输入变量, 提高模型效率^[7]。

(3)竞争性自适应重加权-连续投影算法 (competitive adaptive reweighted sampling-successive projections algorithm, CARS-SPA): 竞争性自适应重加权-连续投影算法是将CARS方法筛选出的波长继续用SPA方法进行二次筛选的波长选择方法。

1.3.3 高光谱图像纹理特征值的提取

鱼肉品质的改变在一定程度上与人的感官有较高的相关性, 通过食品的纹理信息能够对其品质进行评估和检测。 采用灰度共生矩阵方法(gray-level co-occurrence matrix, GLCM) 对高光谱数据的前几个主成分图像纹理信息进行提取。 分别以0° , 45° , 90° 和135° 四个不同角度从图像中计算纹理特征, 提取了样品高光谱图像的相关性(correlation, COR)、 对比度(contrast, CON)、 熵(entropy, ENT)、 角二阶矩(angular second moment, UNI)以及逆差矩(inverse difference moment, IDM)五个纹理特征值。 每幅图片共采集20个纹理特征值, 这20个特征值在后续的研究中作为变量建立冰鲜与冻融三文鱼定性鉴别模型。

1.3.4 样本集划分

光谱-理化值共生距离法(sample set partitioning based on joint x-y distances, SPXY)方法是在Kennard-Stone方法的基础上提出的, 与后者不同的是, SPXY方法在校正集样本的选择上能够兼顾变量矩阵X及待测指标矩阵Y, 因此能够保证获取的校正集数据代表性更强^[8]。

1.3.5 定性模型建立方法

定性模型按分类函数的类型可分为非线性定性模型和线性定性模型, 本研究选用了反向传播人工神经网络(back-propagation artificial neural network, BPANN)、 线性判别分析(linear discriminant analysis, LDA)、 极限学习机(extreme learning machine, ELM) 以及随机森林(random forest, RF)四种定性判别模型, 其中, BPANN, RF和ELM为非线性分类模型, LDA为线性分类模型^{[9, 10, 11, 12]}。

2.1.1 冰鲜与冻融三文鱼光谱差异分析

图3(a)为180个样品的原始光谱图。 为方便对冰鲜与冻融三文鱼的光谱差异进行比较和分析, 本研究分别对C, FT-1, FT-2以及FT-3组的光谱值求平均并做出平均光谱图, 如图3(b)。 在图3(b)中, 四组样品光谱曲线呈现相似的趋势, 但C组光谱值在431~570和610~962 nm波长范围内的光谱值大小与三组冻融样品具有较明显的差异, 此结果与Pu^[13]的研究结果类似, 并且C组样品光谱值在大部分波段上要要高于FT-1, FT-2和FT-3样品, 此结果与Sá nchez-Alonso^[14]、 Qu^[15]等的研究结果一致, 这种差异意味着三文鱼的冻融过程引起了样品品质的明显变化, 而这种变化可以通过光谱信息来检测。 样品光谱在700和800 nm波长附近具有较明显的峰值, 其中, 700nm波长附近的光谱峰值与样品的蛋白质组分中的NH₃键的三级倍频伸缩振动有关, 而800 nm波长附近的光谱峰值与样品水分中的O— H键的二级倍频伸缩振动有关^[13]。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 冰鲜与冻融三文鱼的原始光谱图(a)与平均光谱图(b)Fig.3 Raw (a) and average spectra (b) of chilled and frozen-thawed salmon samples

2.1.2 基于全光谱建模结果分析

样品光谱经过预处理后, 采用SPXY方法将180个样本按2:1的比例进行划分, 即120个样品为校正集和60个样品为预测集。 将PCA得到的前15个主成分作为变量分别代入BPANN, LDA, ELM以及RF判别模型, 结果如表1所示。 由表中可以看出, 基于MSC预处理方法的ELM模型对冰鲜与冻融三文鱼识别效果最佳, 为冰鲜与冻融三文鱼研究中的最优预处理方法, 因此在后续的变量筛选研究中, 采用经MSC预处理的原始光谱。

表1

Table 1

表1(Table 1)

表1 基于全光谱变量的冰鲜与冻融三文鱼鉴别结果 Table 1 Identification results of chilled and frozen-thawed salmon based on full spectrum variables 预处理 方法 BPANN识别率/% LDA识别率/% ELM识别率/% RF识别率/% 校正集 测试集 校正集 测试集 校正集 测试集 校正集 测试集 Raw 93.33 91.6794.17 86.67 94.17 90.00 92.50 86.67 1st Der 91.67 86.67 95.00 91.67 93.33 88.33 89.17 81.67 2nd Der 88.33 85.00 90.83 86.67 95.00 90.00 91.67 83.33 MSC 93.33 90.00 95.83 88.33 96.67 93.33 93.33 90.00 SNVT 95.00 91.67 92.50 90.00 94.17 91.67 94.17 91.67 N 93.33 91.67 91.67 86.67 93.33 88.33 92.50 88.33 MC 95.00 93.33 93.33 91.67 91.67 86.67 88.33 85.00

表1 基于全光谱变量的冰鲜与冻融三文鱼鉴别结果 Table 1 Identification results of chilled and frozen-thawed salmon based on full spectrum variables

2.1.3 光谱特征波长筛选与建模分析

高光谱数据具有高维性和共线性, 去除冗余波长和噪声有助于建立更准确、 更高效的识别模型。 选用了CARS, SPA以及CARS-SPA三种方法对光谱波长进行筛选。

(1)CARS方法

利用CARS对波长进行筛选时, 采样次数设置为100。 图4为基于CARS的光谱波长筛选结果, 图4(a)表示各个采样次数下被选中的波长数量。 图4(b)中可以看出, 随着采样次数的增加, RMSECV值由于冗余波长和噪声的去除先呈下降趋势, 随后在不断地变量筛选过程中可能存在一些有用信息被去除的情况, 导致RMSECV值逐渐上升。 图4(c)表示在波长筛选过程中选取的光谱变量的回归系数变化, 其中* 标注的位置代表此时的RMSECV值最小, 此时共筛选出60个特征波长。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 CARS方法的波长选择Fig.4 Wavelength selection results of CARS

(2)SPA方法

利用SPA对光谱波长进行筛选时, 将提取的特征波长数区间设置为2~25, 图5为基于SPA的变量筛选结果。 图5(a)表示筛选的特征波长个数对应的RMSE值, 横坐标为选取的特征波长数, 最优波长数为图中的正方形块对应的横坐标, 由图中可以看出SPA方法最终筛选出了14个特征波长。 图5(b)为选取的特征波长, 由选取的特征波长也可以看出最能反映数据信息的波段, 图中可以看出选取的波长大部分集中在两个波峰处, 由图3(a)的原始光谱图可知, 这两个波峰分别位于700和800 nm附近。 700 nm波长附近的光谱峰值与样品中蛋白质组分的三级倍频伸缩振动有关, 而800 nm波长附近的光谱峰值与样品水分中的O— H键的二级倍频伸缩振动有关^[13]。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 SPA方法的波长选择 (a): 特征波长筛选; (b): 选取的特征波长Fig.5 Wavelength selection results of SPA (a): Characteristic wavelength screening; (b): Selected characteristic wavelength

(3)CARS-SPA方法

利用SPA方法对CARS方法筛选的变量进行二次筛选, 以期能够获得更少的变量输入和更高识别率的鉴别模型。 SPA从CARS方法提取的60个波长中二次筛选出18个特征波长。

基于波长筛选后光谱所建模型识别效果如表2所示。 通过与基于全光谱建立的模型结果对比可以看出, 经CARS方法对光谱波长进行筛选后, 四种模型对冰鲜与冻融三文鱼的识别效果均有所提高, 表明CARS方法能够有效的减少原始光谱中的冗余信息和噪声, 有助于建立更准确、 高效的识别模型。 识别效果最优的为CARS-ELM模型, 其校正集和测试集的识别率分别达到了100.00%和95.00%, 可以较准确的区分冰鲜与冻融三文鱼。

在对图像纹理特征值提取过程中, 首先通过主成分分析方法提取最能表征原始数据信息的主成分图像。 研究发现前三个主成分图像(如图6)的累计贡献率为97.36%。 随后利用GLCM对前三个主成分图像纹理特征指标进行提取, 每个样品三个主成分图像共提取60个特征变量。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 前三个主成分图像(从左至右依次为PC1, PC2, PC3)Fig.6 The first three principal component images (PC1, PC2, PC3 in turn from left to right)

模型识别结果见表3。 表中可看出, ELM模型对冰鲜与冻融三文鱼鉴别效果最佳, 其校正集和测试集的识别率分别为83.33%和78.33%, 而LDA模型对冰鲜与冻融三文鱼鉴别效果最差, 原因可能是冰鲜与冻融三文鱼的纹理变化不是线性。

表3

Table 3

表3(Table 3)

表3 基于光谱信息和纹理信息的的冰鲜与冻融三文鱼鉴别结果 Table 3 Identification results of chilled and frozen-thawed salmon based on spectral and texture information 变量 模型 模型识别率/% 校正集 测试集 纹理 BPANN 81.67 71.67 LDA 77.50 75.00 ELM 83.33 78.33 RF 81.67 76.67 光谱+纹理 BPANN 95.83 90.00 LDA 94.17 88.33 ELM 96.67 91.67 RF 91.67 88.33

表3 基于光谱信息和纹理信息的的冰鲜与冻融三文鱼鉴别结果 Table 3 Identification results of chilled and frozen-thawed salmon based on spectral and texture information

本节将2.1.3中CARS筛选的60个光谱值与2.2中提取的样品纹理特征值归一化后进行融合, 探测基于光谱+纹理信息的冰鲜与冻融三文鱼鉴别效果。 样本集的划分和模型建立过程同前文, 鉴别结果见表3。 结果表明, 基于纹理信息的模型识别效果较差, 而基于光谱+纹理信息的四种模型对冰鲜与冻融三文鱼的鉴别效果较单纹理信息均有所提高。 其中基于光谱+纹理信息的ELM模型对冰鲜与冻融三文鱼识别效果最好, 校正集和预测集的识别率分别达到了96.67%和91.67%。

综合基于光谱、 纹理以及光谱+纹理信息的模型鉴别结果表明, 光谱结合CARS-ELM模型对冰鲜与冻融三文鱼的识别效果最佳, 校正集和预测集的识别率分别可以达到100%和95.00%。 光谱信息识别效果较佳的原因可能是冰鲜与冻融三文鱼之间的化学成分差异较大, 外观差异较小, 而光谱对样品的化学组分变化较敏感, 图像信息则与样品的外观如形状、 大小等因素相关性较高。

利用光谱信息、 图像信息以及光谱+图像信息建立对三文鱼冻融次数的识别模型。 选用前文中效果较优的CARS作为光谱波长的筛选方法, 筛选过程同2.1.3, 每个样品共提取出77个特征波长; 图像纹理信息提取方法同2.2。 样本集经过SPXY划分后, 分别利用光谱变量、 图像变量以及光谱+图像变量建立BPANN, LDA, ELM和RF识别模型, 模型建立方法和步骤同2.1.3, 模型结果如表4所示。

表4

Table 4

表4(Table 4)

表4 基于光谱信息和纹理信息的的三文鱼冻融次数鉴别结果 Table 4 Identification results of frozen-thawed times of salmon based on spectral and texture information 变量 模型 模型识别率/% 校正集 测试集 光谱 BPANN 93.33 88.33 LDA 89.17 86.67 ELM 97.50 91.67 RF 93.33 85.00 纹理 BPANN 71.67 63.33 LDA 69.17 65.00 ELM 75.83 66.67 RF 77.50 71.67 光谱+纹理 BPANN 88.33 83.33 LDA 81.67 76.67 ELM 94.17 90.00 RF 85.83 81.67

表4 基于光谱信息和纹理信息的的三文鱼冻融次数鉴别结果 Table 4 Identification results of frozen-thawed times of salmon based on spectral and texture information

由表4可以看出, 对三文鱼冻融次数识别效果最好的是基于光谱信息建立的ELM模型, 校正集和测试集识别率分别为97.50%和91.67%; 基于图像信息和融合信息的模型识别效果较差, 可能是由于不同冻融次数三文鱼间的纹理特征差异不明显, 从而模型效果不理想。 综上, 基于光谱信息建立的CARS-ELM模型对三文鱼冻融次数的鉴别效果最优, 实现了基于高光谱成像的三文鱼冻融次数的鉴别。