实验所用样本为北京市美廉美超市所购买的新鲜的牛肉背部肌。 购买后立即将牛肉分成126份, 平均分配到0, 4和8 ℃三个恒温箱中, 每个温度下的每块样品使用无菌袋单独包装, 进行编号, 在每个温度的恒温箱中放入温度记录仪。 实验共进行十四天, 每天从每个恒温箱中取出三个样本进行实验。

高光谱图像采集设备采用中国农业大学信息与电气工程学院的GaiaSorter高光谱分选仪, 采集软件为SpecView, 选用波段为1 000~2 500 nm的近红外光谱相机获取冷鲜肉的光谱反射率, 手动调节焦距至图像最清晰, 每次采集图像后按式(1)进行黑白校准

Ra=Ia-BaWa-Ba(1)

式(1)中, Ra为随机矫正后的高精度光谱波形图像, Ba为标准校正黑板反射光谱图像; Wa为标准白板反射光谱图像; Ia为随机利用高精度光谱图像采集处理系统进行采集后得到的高精度光谱波形图像。 TPA(质构分析)参数采集使用Stable Micro Systems质构仪, 采用圆柱型探头, 直径为6mm, 默认返回速度为4.5 mm· s^-1, 两次压缩等待时间间隔为2 s, 每个样本采样三次。

冷鲜肉的货架期一般为14 d, 是理想的试验周期。 本研究以牛肉背部肌为试验样本, 每天对0, 4和8 ℃三个温度下储存的冷鲜牛肉采集3个样本的高光谱图像及质构特性参数, 取平均值。 获取高光谱数据的软件为ENVI5.3。 ENVI(the environment for visualizing images)是一个完整的专业遥感软件图像处理分析平台, 汇集于其中的遥感软件图像处理分析技术覆盖遥感图像处理数据的精确定标、 数据流的融合、 信息提取等各种信息变换。 对每一幅高光谱图像设置50× 50的感兴趣区域(region of interest, ROI), 计算所有兴趣区域的高光谱图像平均值, 得到表示所选感兴趣区域的高光谱图像反射率与光谱波长之间关系值的曲线, 将得到的光谱数据导出。 实验所研究的对象为牛肉背部肌, 每一块样品中不均匀地分布着牛肉脂肪沉淀, 手动选择ROI区域可以一定程度排除脂肪沉淀干扰。

利用新型质构仪器测定冷鲜牛肉质构得到具有粘聚性、 回复性等六个主要质构测量指标, 指标在不同牛肉贮藏时间温度下随保存时间的变化趋势显示如图1所示。 硬度、 弹性、 咀嚼度、 胶着度随时间变化未呈现明显的递增或递减趋势, 说明大多数质构参数指标波动大, 测量时干扰较多, 数据存在一定的误差, 建模时需要筛选指标以保障模型的精确度。 其中, 测量精度较高的指标有: 粘聚性、 回复性。 随时间下降, 粘聚性和回复性下降趋势明显说明牛肉品质随着储藏时间的增加而下降, 新鲜度降低。 0~5 d下降趋势较缓, 第6天以后下降速度加快, 第11天左右出现上升趋势。 这可能是由于储存后期肉质腐败程度大, 导致大量水分丢失、 组织结构受到很大破坏、 底部效应增强所导致^[13]。 为了筛选精确度较高的质构特性指标, 建立质构特性预测模型, 结果如表1所示, 粘聚性和回复性预测集准确度较高, 其余指标预测集准确度均远低于0.5, 模型误差超出容错范围, 舍去。 最终, 选择粘聚性和回复性作为参数建模。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 不同质构参数随时间变化曲线 (a): 硬度随时间变化; (b): 弹性随时间变化; (c): 咀嚼度随时间变化; (d): 粘聚性随时间变化; (e): 胶着度随时间变化; (f): 回复性随时间变化Fig.1 Curve of different texture parameters changing with time (a): Hardness over time; (b): Resilience of hardness over time; (c): Chewiness of hardness over time; (d): Cohesivencess of hardness time; (e): Stalemate of hardness over time; (f): Resilience of hardness over time

表1

Table 1

表1(Table 1)

表1 质构特性参数结果 Table 1 Results of texture characteristic parameters 质构特性 训练集 预测集 R2 RSD R2 RSD 粘聚性 0.597 6 0.095 2 0.554 7 0.087 3 回复性 0.562 3 0.117 6 0.507 4 0.214 8 胶着度 0.303 6 0.303 0 0.242 1 0.254 2 咀嚼度 0.272 0 0.310 4 0.255 5 0.320 6 弹性 0.440 6 0.043 0 0.201 0 0.050 3 硬度 0.464 6 0.187 2 0.309 5 0.260 5

表1 质构特性参数结果 Table 1 Results of texture characteristic parameters

分别采用Kennard-Stone和SPXY算法将实验样本划分为训练集和预测集, 其中筛选出35个训练集样本, 7个预测集样本。 KS算法通过欧氏距离选择样本进入训练集, 以充分保证样本集的选取具有代表性和均匀性。 SPXY在计算样品间距离时将自变量和因变量同时考虑在内。 为了保证样本模型分析精度能够达到最佳, 训练样本模型应该在结构组成上和性质上与预测到的样本模型基本相同。 对每种方法得到的样本划分结果以粘聚性作为参数分别采用全波段建模以确定最终的数据划分方式。

为了比较不同样本划分方式效果的优劣, 采用相对标准偏差RSD及相关系数R²作为指标选择最佳预处理方法, 结果如表2所示。 由表2可知, 经过SPXY和KS划分后的样本数据建立的偏最小二乘模型训练集和预测集相关系数分别为0.769 3和0.596 6, 均优于无划分方式的相关系数0.554 7, 说明样本划分的必要性。 使用KS算法样品划分后的建模预测集相关系数为0.596 6。 使用 SPXY算法样品划分后建模预测集相关系数为0.769 3。 两者相对标准偏差接近, SPXY划分结果相关系数相较于KS算法更接近1。 综上所述, SPXY建模效果优于KS算法, 采用SPXY作为样本划分方式。

表2

Table 2

表2(Table 2)

表2 不同样本划分方式结果 Table 2 Results of different sample partitioning methods 预处理 方法 主成 分数 训练集结果 预测集结果 R2 RSD R2 RSD 无 3 0.597 0.095 2 0.554 7 0.087 3 KS 3 0.592 8 0.097 1 0.596 6 0.081 8 SPXY 3 0.595 4 0.094 5 0.769 3 0.093 4

表2 不同样本划分方式结果 Table 2 Results of different sample partitioning methods

图2为冰鲜牛肉原始光谱曲线。 不同时间测量的光谱曲线整体趋势相近。 随着储藏时间延长, 曲线在1 100 nm处峰值增加, 1 200 nm处的峰谷降低, 这可能是由于肌红蛋白的转化和降解。 由于原始光谱包含许多噪声干扰, 例如光谱基线漂移, 随机噪声等等, 影响光谱建模的准确性, 可导致模型的精确度降低, 因此对原始光谱进行预处理十分必要。 研究中使用一阶微分、 二阶微分、 多元散射校正、 标准正态变换对高光谱数据进行预处理, 处理后采用全波段建模以确定最终预处理方式, 结果如表3所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 冰鲜牛肉原始光谱曲线Fig.2 Raw spectral curve of chilled beef

表3

Table 3

表3(Table 3)

表3 不同预处理方式结果 Table 3 Results of different pretreatment method 质构参数 预处理方法 预测集结果 R2 RSD 粘聚性 D1st 0.720 6 0.097 3 D2st 0.750 6 0.089 0 SNV 0.814 3 0.122 9 MSC 0.739 7 0.112 9 回复性 D1st 0.724 4 0.171 0 D2st 0.867 4 0.099 4 SNV 0.819 9 0.175 1 MSC 0.731 5 0.123 4

表3 不同预处理方式结果 Table 3 Results of different pretreatment method

从表3数据可得, 使用预处理后的光谱数据建立的冷鲜牛肉品质模型的准确度总体上升。 以粘聚性为参数时, 经SNV处理后光谱的模型准确度高于其他预处理方法, R²约为0.81, 模型具有较高精度。 在以回复性为参数建模时, D2st预处理效果最好, 相关系数达到0.867 4, RSD为0.099 4。 在选用不同质构参数建立偏最小二乘模型时, 相同预处理方法对模型的精确度的提升效果不同。 由表3确定以粘聚性、 回复性为参数建模时分别采用SNV、 D2st作为原始光谱预处理方法。 预处理后总体建模准确度在0.7~0.8左右, 这可能是参数测量时存在较大误差, 数据波动性较大, 稳定性差的缘故。

经预处理后的全波段牛肉品质预测模型的效果得到改善。 全波段光谱存信息量过大且包含大量冗杂数据, 因此预测模型需要优化。 主要使用连续投影法(SPA)对不同光谱的最优波段进行筛选。 SPA选择含有最少多余信息的波长变量组合以最小化信息重复叠加。 图3展现了SPA应用算法分析得到的每个特征波长在SNV预处理后的全波段反射光谱上的几个具体位置。 SPA提取特征波长结果详见表4。 由表4可知, 相比于无特征波长提取, SPA从原始光谱中提取了4个特征波长, 有效减小了全波段建模包含的大量噪声信息的缺点, 使模型的精确度得到保障的同时提高了模型的运行速度。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 SPA选取最优特征波长Fig.3 Optimal wavelength selected by SPA

表4

Table 4

表4(Table 4)

表4 提取特征波长后建模结果 Table 4 Modeling results after feature wavelength extraction 质构参数 波长/nm 预测集结果 R2 RSD 粘聚度 983 1 269 1 429 1 660 0.792 4 0.109 2 回复性 1 061 1 355 1 452 1 697 0.739 9 0.175 9

表4 提取特征波长后建模结果 Table 4 Modeling results after feature wavelength extraction

现阶段常用的预测变量建模和计算方法主要有PLSR, PCR和ANN等。 PLSR通过投影分别将要预测的变量和其他观测变量映射到一个新的空间, 来帮助寻找一个基于线性回归的模型。 分别采用SNV和D2st对数据进行预处理。 对提取特征波长后的光谱进行粘聚性、 回复性预测模型的建立和分析。 结果如表5和表6所示。

表5

Table 5

表5(Table 5)

表5 基于PLSR的建模结果 Table 5 Modeling results based on PLSR TPA 预测集结果 R2 RMSEP 粘聚性 0.879 8 0.396 6 回复性 0.880 6 0.220 3

表5 基于PLSR的建模结果 Table 5 Modeling results based on PLSR

表6

Table 6

表6(Table 6)

表6 基于PCR的建模结果 Table 6 Modeling results based on PCR TPA 预测集结果 R2 RMSEP 粘聚性 0.728 8 0.383 2 回复性 0.766 0 0.284 3

表6 基于PCR的建模结果 Table 6 Modeling results based on PCR

由表5对比可知, 使用PLSR建模时, 以粘聚性和回复性为参数的模型精确度分别为0.879 8和0.880 6。 使用PCR建模时, 以粘聚性和回复性为参数的模型精确度分别为0.728 8和0.766 04。 基于PLSR的牛肉品质参数预测模型的相关系数总体较高于基于PCR模型的相关系数, 说明PLSR的建模效果优于PCR, 这可能由于PCR模型中与组分值无关的一些变量可能也具有很大的权重, 导致使用PCR建模存在一定的误差。

对原始冷鲜牛肉高光谱数据进行预处理, 采用SPA算法筛选出最优波段, 提取特征波段输入PLSR算法中, 构成基于高光谱的冷鲜牛肉粘聚性、 回复性的预测模型, 得到不同质构特性参数的预测值。 最小二乘回归结果如图4(a, b)所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 质构参数回归模型 (a): 粘聚性真实值与预测值散点图; (b): 回复性真实值与预测值散点图Fig.4 Regression model of TPA (a): Scatter plots of true and predicted values of cohesivencess; (b): Scatter plots of ture and predicted values of resilience

结果表明: 基于SPA-PLSR的牛肉品质预测模型具有较高的精度, 当预测参数分别为粘聚性、 回复性的识别指数分别为0.856 6和0.840 7。