引用本文
刘贵珊, 张翀, 樊奈昀, 程丽娟, 余江泳, 袁瑞瑞. IVISSA算法冷鲜滩羊肉嫩度的高光谱模型优化[J]. 光谱学与光谱分析, 2020,40(8): 2558-2563.
LIU Gui-shan, ZHANG Chong, FAN Nai-yun, CHENG Li-juan, YU Jiang-yong, YUAN Rui-rui. Hyperspectral Model Optimization for Tenderness of Chilled Tan-Sheep Mutton Based on IVISSA[J]. Spectroscopy and Spectral Analysis, 2020,40(8): 2558-2563.
Doi:10.3964/j.issn.1000-0593(2020)08-2558-06  
Permissions
Copyright©2020, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
IVISSA算法冷鲜滩羊肉嫩度的高光谱模型优化
刘贵珊, 张翀, 樊奈昀, 程丽娟, 余江泳, 袁瑞瑞
宁夏大学农学院, 宁夏 银川 750021

作者简介: 刘贵珊, 1979年生, 宁夏大学农学院副教授 e-mail: liugs@nxu.edu.cn

收稿日期: 2019-07-16 接受日期: 2019-11-10
基金: 国家自然科学基金项目(31760435)资助
摘要

高光谱成像可同时获取被检测对象的图像信息和光谱信息, 并对其内部成分进行定性和定量分析。 国内外学者采用高光谱对肉品品质的研究多集中在水分、 菌落总数、 色泽、 pH、 挥发性盐基氮等方面, 在肉品嫩度检测中应用区间变量迭代空间收缩法优选特征波长的研究鲜有报道。 利用可见-近红外(400~1 000 nm)和近红外(900~1 700 nm)高光谱结合化学计量学方法对冷鲜滩羊肉嫩度进行无损预测, 优选最佳建模波段。 首先, 采集羊肉的高光谱图像, 提取样本感兴趣区域的光谱反射值, 采用TA-XTplus质构仪测量滩羊肉嫩度; 其次, 将两个波段下的原始光谱数据进行多元散射校正(multiple scattering correction, MSC)、 去趋势(de-trending)、 基线校准(baseline)、 标准正态变量(standard normal variable, SNV)、 归一化(normalize)和卷积平滑(Savitzky-Golay)等预处理; 分别采用连续投影算法(successive projection algorithm, SPA)、 竞争性自适应加权算法(competitive adaptive reweighted sampling, CARS)、 变量组合集群分析法(variables combination population analysis, VCPA)和区间变量迭代空间收缩法(interval variable iterative space shrinkage approach, IVISSA)对最佳预处理的光谱数据优选特征波长; 最后, 建立冷鲜滩羊肉嫩度的偏最小二乘回归(partial least squares regression, PLSR)预测模型, 优选最佳建模波段。 结果表明: (1)滩羊肉嫩度的近红外高光谱模型的预测效果优于可见-近红外高光谱; (2)经过多种预处理方法所建立的滩羊肉嫩度的模型中, 近红外区域的原始光谱(original spectra, OS)模型效果最优, 其 Rc=0.83, Rp=0.79, RMSEC=874.94, RMSEP=1 465.97; (3)近红外高光谱的原始光谱经SPA, CARS, VCPA, IVISSA四种方法共挑选出15, 16, 13和123个特征波长, 占总波长的7%, 6%, 5%和54% ; (4)近红外高光谱结合OS-IVISSA-PLSR建立的冷鲜滩羊肉嫩度预测模型最好, 其 Rc=0.85, RMSEC=850.86, Rp=0.79, RMSEP=1 497.11。 IVISSA算法不仅可大幅度减少模型运算次数, 还可以保证模型的精准和稳定性。 研究表明, OS-IVISSA-PLSR模型对冷鲜滩羊肉嫩度进行高光谱的快速无损检测是可行的。

关键词: 冷鲜滩羊肉; 嫩度; 高光谱成像技术; 区间变量迭代空间收缩法; 偏最小二乘回归
中图分类号:O433.4 文献标志码:A
Hyperspectral Model Optimization for Tenderness of Chilled Tan-Sheep Mutton Based on IVISSA
LIU Gui-shan, ZHANG Chong, FAN Nai-yun, CHENG Li-juan, YU Jiang-yong, YUAN Rui-rui
College of Agriculture, Ningxia University, Yinchuan 750021, China
Abstract

Hyperspectral imaging can obtain both the image information and spectral information of the detected object, and make qualitative and quantitative analysis with internal components. The research on meat quality by hyperspectral imaging technology focuses on water, total viable count, color, pH, total volatile basic nitrogen etc. There are few studies on meat tenderness based on interval variable iterative space contraction method. In this paper, tenderness values of chilled Tan-sheep were detected non-destructively by visible-near-infrared and near-infrared bands (400~1 000, 900~1 700 nm) combined with chemometric methods to obtain the best modeling bands. Firstly, hyperspectral images of lamb sample were collected and extracted the spectral values of the region of interest; lamb tenderness was measured using a TA-XTplus texture analyzer; Secondly, the original spectral data between 400~1 000 and 900~1 700 nm were preprocessed by multiple scattering correction (MSC), de-trending, standard normal variate (SNV), baseline, normalize, Savitzky-Golay; optimal bands were selected by successive projection algorithm (SPA), competitive adaptive reweighted sampling (CARS), variables combination population analysis (VCPA) and interval variable iterative space shrinkage approach (IVISSA). Finally, optimal bands were selected and partial least squares regression (PLSR) model of chilled mutton was established. The results showed that: (1) the prediction performance of original spectral model in the region of 900~1 700 nm was better than that of 400~1 000 nm. (2) original spectral mode of the tenderness of chilled Tan-sheep had the best performance Rc=0.83, Rp=0.79, RMSEC=874.94, RMSEP=1 465.97 in the near-infrared region using different pretreatment methods. (3) the original spectrum of 900~1 700 nm was selected by SPA, CARS, VCPA and IVISSA with 15, 16, 13 and 123 characteristic wavelengths, accounting for 7%, 6%, 5% and 54% of the total wavelength. (4) the prediction model of chilled Tan-sheep tenderness was the best in combination with hyperspectral technique and OS-IVISSA-PLSR with Rc=0.85, RMSEC=850.86, RMSECV=1 193.42, Rp=0.79, RMSEP=1 497.11. It was indicated that IVISSA algorithm could greatly reduce the number of model operations and ensure the predictability and stability of the model. It is feasible to adopt OS-IVISSA-PLSR method to analyze the tenderness of chilled Tan-sheep mutton.

Keyword: Chilled Tan-sheep mutton; Tenderness; Hyperspectral imaging technology; Interval variable iterative space shrinkage approach; Partial least squares regression
引 言

盐池滩羊是宁夏优势特色畜种, 肉质鲜嫩、 低脂无膻、 脂肪均匀[1]。 嫩度是评价滩羊肉品质极为重要的指标之一[2], 决定了肉在烹饪后的口感[3]。 肉品嫩度的传统检测方法为WBS剪切仪, 检测过程复杂且破坏样本, 不能满足肉品嫩度快速无损检测的需求。 近年来, 高光谱成像技术作为新型快速无损检测手段, 广泛应用于畜产品内外部品质的检测[4, 5], 为肉品嫩度的快速无损检测提供了理论依据[6, 7, 8]。 高光谱成像技术中所采集的样品光谱波段较多, 这些波段不仅包含样品信息还包含了大量的无用信息, 如噪音、 背景干扰等, 通常会优选特征变量对原始光谱数据降维, 提取有效信息, 减少模型的运算次数, 提高模型的预测精度。 因此, 特征变量的选择对光谱数据分析和模型简化有着重要的意义。 国内外学者主要采用SPA[9]、 CARS[10]和VCPA[11]等常规算法来进行特征变量选取, 其弊端在于样本中校正集出现变换或波动时, 会影响集合内变量的判断, 导致所构建模型预测能力显著降低, 而IVISSA[12]算法在弥补这一缺陷的同时还可以最大限度的提取样品的有效信息, 保证变量特征信息的完整性, 降低运算次数, 提高预测模型的鲁棒性。

以冷鲜滩羊肉为研究对象, 利用高光谱成像系统采集图谱信息, 采用六种预处理方法对可见-近红外和近红外区域的波段进行预处理, 并采用SPA, CARS, VCPA和IVISSA算法进行降维处理, 比较以上算法提取出的特征波长所构建模型的预测效果, 为盐池滩羊肉品质的在线快速无损检测提供理论依据。

1 实验部分
1.1 材料

6月龄的盐池滩羊背部最长肌样本213个, 采集于宁夏盐池县大夏牧场食品有限公司。

1.2 仪器与设备

可见-近红外高光谱(400~1 000 nm), 采用美国Headwall公司生产的HyperSpec VNIR N型设备, 光谱分辨率为2.8 nm, 狭缝宽度为25 μ m, 狭缝长度18 mm; CCD相机像素尺寸8.0 μ m, 光源为卤素灯双线光源。

近红外高光谱(900~1 700 nm), 采用芬兰Specimen公司的Imspector N17E-NIR型成像光谱仪, 光谱分辨率5 nm, 狭缝宽度30 μ m, 狭缝长度9.6 mm, CCD型号为Models XC-130 100 Hz, 混合像元尺寸30× 30 pix, 全幅帧数60帧· s-1, 光源为Hyper-SIS系统功率, 35 W, 光通量3 200 lm的4个卤素灯。

TA-XTplus质构仪(英国SMS有限公司), 刀具为HDP-BSW, 厚度3 mm。

1.3 方法

1.3.1 光谱采集

高光谱系统预热半小时后进行校准和参数设定[13, 14]。 羊肉样本暴露于室温0.5 h, 用纸巾擦去表面水分, 放置于高光谱电控位移平台, 进行光谱扫描。 使用ENVI4.8软件提取样本感兴趣(1.5 cm× 1.5 cm)。

1.3.2 嫩度测量

参照国标NY/T 1180— 2006 《肉嫩度的测定剪切力测定法》。

1.3.3 IVISSA算法

IVISSA算法[12]是从整体和个体两个方面对波段进行挑选。 其中整体和个体分析采用波段的权重优化, 保证各个波段的间隔位置和宽度。 设光谱数据为X, 嫩度值为Y, 样品个数为n, 波长变量个数为p。 其原理如下:

(1)采用权重二进制矩阵采样法(WBMS)将X进行随机组合, 产生子数据集x(k× p), 其中0< k< n, 权重列数为0.5, 且x个数均为0.5k, 保证了波长变量在运算时有相同的可能性;

(2)将得到的子数据集x作为校正集模型进行回归分析;

(3)分析比较m个子模型的RMSECV值和RMSEP值, 取k个模型中两值较低子模型, 求得每个波长在这些子模型中出现的次数fi, 从而重新定义该波长的权重, 为wi= fikbest;

(4)重复(2)和(3)过程来变换波长和权重值, 当所有子模型的RMSECV值和RMSEP值误差不改变时, 权重结果为1的波长构成原始光谱数据的特征波长, 运行程序结束。

2 结果与讨论
2.1 原始光谱分析

由图1可知, 可见-近红外高光谱在450~550和700~800 nm之间存在两个明显的吸收峰, 在700~800 nm之间样本存在较强的反射率。 近红外高光谱在1 000~1 010 nm处出现一个较为明显的吸收峰。 两个波段区域的大部分光谱曲线具有相同的趋势, 但也存在极个别光谱曲线出现差异的现象, 其原因可能是存在异常样本或光谱扫描过程中噪音的影响。 在900~1 000 nm波段中出现较为明显的噪音波段, 其原因可能是由于仪器噪音或者暗电流的影响。

图1 滩羊肉样本原始光谱曲线
(a): 400~1 000 nm; (b): 900~1 700 nmFig.1 Original spectra of mutton samples
(a): 400~1 000 nm; (b): 900~1 700 nm

2.2 样本集划分

由于光谱信息采集过程中, 存在外界噪音等影响因素, 导致某些光谱信息出现异常, 故采用蒙特卡洛法剔除异常值。 将剔除异常值的滩羊肉样本采用SPXY(sample set partitioning based on joint x-y distances)法将按3:1划分为校正集样本和验证集样本。 如表1所示: 400~1 000 nm波段, 校正集为152个样本, 验证集为50个样本; 1 000~1 700 nm波段, 校正集为146个样本, 验证集为50个样本。

表1 不同波段校正集与预测集滩羊肉的嫩度(单位: g) Table 1 Mutton tenderness of calibration and prediction in different bands(unit: g)
2.3 预处理方法优选

如表2所示, 同种预处理方法所构建的1 000~1 700 nm波段的PLSR模型效果均优于400~1 000 nm波段(De-trending预处理方法除外), 这是由于1 000~1 700 nm波段所采集光谱反映的是样本的物理特性, 更适用于嫩度模型的构建。 在1 000~1 700 nm波段所构建的PLSR模型中, 原始光谱的相关系数Rc值为0.83, Rp值为0.79, 表明原始光谱所建立的滩羊肉嫩度模型更加稳定和精确。 预处理后所建立的滩羊肉嫩度模型效果变差的原因可能是原始光谱经过预处理后其中某些光谱特征信息被覆盖或者隐藏。

表2 不同预处理方法所建立的PLSR模型效果对比 Table 2 Comparison of PLSR models established by different pretreatment methods
2.4 特征波长提取

如图2所示, 在1 000~1 700 nm波段内对原始光谱数据进行降维处理。 优选过程中, RMSECV值逐渐减小, 在第15个波段RMSECV最小为1 535.40, 随后小幅度增大。 因此选用前15个波段建立PLSR模型, 其优选波段占228个总波段的7%。

图2 SPA算法提取PLSR模型中的特征波长Fig.2 Characteristic wavelength in PLSR model by SPA algorithm extraction

如图3所示, 采用CARS法提取特征波长, 设定其运行次数为1 000。 图3(a)为筛选特征变量数的过程, 分为为两部分, 即第一阶段快速减少(粗选)而第二阶段非常缓慢(精选)。 图3(b)为RMSECV的变化趋势图, 当RMSECV值最小为1 164.31时, 挑选出16个特征波长, 占228个总波段的6%。 图3(c)中每条线代表回归系数的变化趋势, * 号表示RMSECV最小的位置。

图3 CARS算法在PLSR模型中波长选择过程Fig.3 Wavelength selection process in PLSR model by CARS algorithm

VCPA法在1 000~1 700 nm原始光谱基础上所提取的特征波长共13个, 占总波段数的5%。 其挑选过程中RMSECV值最小时为1 296.24; IVISSA算法在1 000~1 700 nm原始光谱基础上所挑选的特征波长个数为123个, 占总波段数的54%, 其RMSECV最小值为1 211.19。 IVISSA算法不仅降低了运算次数, 而且还提高了模型性能。

2.5 PLSR模型构建

图4显示在900~1 700 nm波段所构建的PLSR滩羊嫩度预测模型结果, 其中OS-IVISSA-PLSR模型效果最优, Rc=0.85, RMSEC=850.86, RMSECV=1 193.42, Rp=0.79, RMSEP=1 497.11。 相对于王婉娇[15]使用NIR高光谱成像技术检测冷鲜羊肉嫩度的预测相关系数(Rp)提高了0.017。

图4 滩羊肉样本嫩度预测模型
(a): OS-SPA-PLSR; (b): OS-CARS-PLSR; (c): OS-VCPA-PLSR; (d): OS-IVISSA-PLSRFig.4 Prediction Models of Tenderness in Tan mutton
(a): OS-SPA-PLSR; (b): OS-CARS-PLSR; (c): OS-VCPA-PLSR; (d): OS-IVISSA-PLSR

如表3为SPA, CARS, VCPA和IVISSA四种算法选取特征波长建立的PLSR模型。 经过对比, 最优模型为 IVISSA-PLSR。 分析原因如下: (1)通过IVISSA提取出的特征波长信息与嫩度值拟合度高, 排除了样本中无关光谱信息, 使得预测性能更加优越; (2)影响羊肉嫩度本身的因素有很多, 如蛋白质含量、 脂肪含量、 肉质纹理和水分等, 而通过前三种特征波长算法所提取的特征波段可能排除了某一因素下的光谱信息, 导致预测结果偏低。

表3 不同特征波长提取方法所建立的PLSR模型效果对比 Table 3 Performance comparison of PLSR models based on different wavelength extraction methods
3 结 论

利用可见-近红外高光谱(400~1 000 nm)和近红外高光谱(900~1 700 nm)系统采集了冷鲜滩羊肉原始光谱, 经过优选预处理方法和最佳波段后, 建立基于SPA, CARS, VCPA和IVISSA算法下的PLSR嫩度预测模型。 结论如下:

(1)近红外高光谱的原始光谱模型的预测效果优于可见-近红外高光谱。

(2)在900~1 700 nm波段下, 采用不同预处理方法建模, 原始光谱模型效果最优, 其Rc=0.83, Rp=0.79, RMSEC=874.94, RMSEP=1 465.9。

(3)900~1 700 nm波段的原始光谱经SPA, CARS, VCPA和IVISSA四种方法所挑选出15, 16, 13和123个特征波长, 占总波长的7%, 6%, 5%和54%。

(4)与其他的变量选择方法相比, IVISSA-PLSR模型的Rc=0.85, Rp=0.79, RMSEC=850.86, RMSEP=1 497.11, RMSECV=1 193.42, 预测精准度更高, 模型稳定性更好。 结果表明, IVISSA是一种有效简化特征波长的提取方法, 可提高肉品嫩度模型的预测精度和鲁棒性。

参考文献
[1] WANG Song-lei, WU Long-guo, MA Tian-li, et al(王松磊, 吴龙国, 马天利, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2016, 36(9): 2937. [本文引用:1]
[2] SONG Hong-xia, HUANG Feng, DING Zhen-jiang, et al(孙红霞, 黄峰, 丁振江, 等). Food Science(食品科学), 2018, 39(1): 84. [本文引用:1]
[3] Sun H, Peng Y, Zheng X, et al. Journal of Food Engineering, 2019, 248: 1. [本文引用:1]
[4] ZHAO Juan, PENG Yan-kun(赵娟, 彭彦昆). Journal of Agricultural Engineering(农业工程学报), 2015, 31(7): 279. [本文引用:1]
[5] Lee Hoonsoo, Kim M S, Lee W H, et al. Sensors and Actuators B: Chemical, 2018, 259: 532. [本文引用:1]
[6] Achata E M, Inguglia E S, Esquerre C A, et al. Journal of Food Engineering, 2019, 246: 134. [本文引用:1]
[7] Qu F, Ren D, He Y, et al. Meat Science, 2018, 146: 59. [本文引用:1]
[8] Lee H, Kim M S, Lee W, et al. Sensors and Actuators B: Chemical, 2018, 259: 532. [本文引用:1]
[9] Zhang D, Xu Y, Huang W, et al. Infrared Physics & Technology, 2019, 98: 297. [本文引用:1]
[10] CHENG Li-juan, LIU Gui-shan, HE Jian-guo, et al(程丽娟, 刘贵珊, 何建国, 等). Food Science(食品科学), 2019, 40(10): 285. [本文引用:1]
[11] ZHAO Huan, HUAN Ke-wei, SHI Xiao-guang, et al(赵环, 宦克为, 石晓光, 等). Analytical Chemistry(分析化学), 2018, 46(1): 136. [本文引用:1]
[12] Song X, Huang Y, Yan H, et al. Analytica Chimica Acta, 2016, 948: 19. [本文引用:2]
[13] WU Long-guo, HE Jian-guo, LIU Gui-shan, et al(吴龙国, 何建国, 刘贵珊, 等). Photoelectron Laser(光电子激光), 2014, 25(1): 135. [本文引用:1]
[14] Ma J, Sun D, Pu H, et al. Journal of Food Engineering, 2019, 240: 207. [本文引用:1]
[15] WANG Wan-jiao, WANG Song-lei, HE Xiao-guang, et al(王婉娇, 王松磊, 贺晓光, 等). Science and Technology of Food Industry(食品工业科技), 2015, 36(20): 77. [本文引用:1]