红肉质量是反映其新鲜程度的固有属性, 可分类为由感官评价获取的外在属性和需要化学测量的内在属性。 羊肉的品质变化究其根本是由微生物引起的, 羊肉的肌肉组织一般是无菌的, 由于外部污染导致微生物接种到羊肉组织并开始繁殖, 由此构成了羊肉的微生物特性。 在微生物和酶的共同作用下, 使蛋白质和脂肪等营养物质逐渐分解, 进而引起酸碱度属性变化并产生对人体健康有害的化学成分, 由此构成了羊肉的化学特性。 营养物质流失和有害物质积累等内在特性的变化会以一定的外在形式表现出来, 例如肌红蛋白的氧化会引起肉色的变化、 蛋白质的分解会导致羊肉质地瘫软, 由此构成了羊肉的物理特性^[6], 如图1所示。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 红肉质量特性分类及联系Fig.1 Classification and relationship of quality characteristics for red meat

高光谱成像技术是一种基于多窄波段的图像数据技术, 获取目标的二维图像和以一维光谱, 形成连续、 窄波段的图像数据^[7]。 高光谱成像不仅具备图像和光谱技术的无损、 高通量、 快速等检测特点, 还具有如下特点:

(1)图谱合一。 高光谱成像技术同时获取目标的图像和光谱, 可更加全面、 有效、 准确的描述目标外在特征(形状、 色泽等)和内在特征(物理结构、 化学成分)。 融合红肉的光谱和图像特征构建多源信息的红肉质量无损检测模型, 可以克服单一特征受噪声影响而导致的模型性能差等问题^[8]。

(2)分辨率高。 高光谱相机覆盖波段范围广, 可从可见光波段延伸到中红外波段, 形成一条近似连续的曲线, 分辨率小于10 nm。 较高的分辨率可以提高高光谱技术获取红肉质量信息的能力^[9]。

(3)模型多样。 基于高光谱图谱合一特性进行多样化建模, 可应用于目标的外在特征感知、 成分定量预测、 质量安全评估等研究, 使得数据的分析和处理更加灵活、 方便。

高光谱成像技术作为一种新兴的数据获取技术, 目前也存在诸多问题有待进一步优化, 具体如下:

(1)冗余度高。 高光谱数据是由二维图像和一维光谱组成的三维数据, 体量较大; 相邻波段相关性强, 同时包含背景等无用信息, 导致高光谱数据的冗余程度较高。 对于特定的目标, 高光谱大体量的数据会掩盖目标特征信息, 不利于快速分析和识别目标参数^[10]。

(2)信噪比低。 由于技术的不成熟, 目前高光谱相机采集信息的信噪比较低, 对光谱预处理算法的要求相对较高。

(3)非线性强。 高光谱数据的非线性主要来源于光源照射样品后的反射过程和反射光在空气中的传播过程, 这要求采用更复杂的非线性模型进行处理。

光谱检测目标主要为含氢基团的化合物及其衍生性质, 例如TVB-N主要结构为N— H基团, 而色泽等属性特征则是肌红蛋白氧化基团的衍生表现。 可见/近红外光谱可有效记录C— H, O— H和N— H等含氢基团的基频、 倍频及合频吸收的相关信息, 当采用连续的可见/近红外光照射红肉样品时, 样品会选择性的吸收与基团发生共振波段的光, 通过采集样品漫反射的可见/近红外光谱就可以实现样品化学成分和物理结构的定性定量分析。

光谱成像技术主要采用推扫式获取红肉的图谱信息, 采集过程易受自然光影响, 且数据体量较大。 因此, 借助聚四氟乙烯标准白板和封盖的方法分别获取反射率接近100%和0的标定图像, 并进行红肉图谱校正, 是提高数据准确性的必要手段。 常用的高光谱图像校正公式^[11]为

Rref=Rsample-RdarkRwhite-Rdark(1)

式(1)中, R_ref为校正后的高光谱, R_sample为原始高光谱, R_white为全白定标, R_dark为全黑定标。

由于高光谱数据存在体量大、 冗余高的问题, 一般会主动选取出一个区域作为重点进一步处理, 以减少处理时间, 增加精度, 这个区域称之为感兴趣区域(ROI)。 ROI一般采用手动选取, 存在较大的主观性和误差, 因此ROI的自动化选取是高光谱成像研究中的一个难点。 Cheng等^[12]通过红肉样本中反射率较高的波段图像与反射率较低的波段图像相减, 对运算获得灰度图像进行阈值分割, 实现背景、 肌肉和脂肪区域的自动分离提取。

红肉的成分较为复杂, 对应的光谱包含了大量信息, 容易受到环境噪声因素的影响, 进而影响建模的可靠性和准确性。 光谱预处理算法可以有效抑制噪声信号, 提高光谱数据的质量。 常见的预处理方法包括基线校正、 散射校正、 平滑处理和尺度缩放^[13], 如表1所示。

表1

Table 1

表1(Table 1)

表1 光谱预处理算法分类 Table 1 Classification of spectral preprocessing algorithm 分类 代表算法 公式 作用 文献 基线校正 一阶导 X(i)=x(i+k)-x(i)k 消除仪器引起的信号漂移, 提高光谱曲线的稳定性 [14] 二阶导 X(i)=x(i+k)-2x(i)+x(i-k)k2 [15] CWT WΨf(a, b)=1|a|∫-∞+∞f(t)Ψ* t-badt [16] 散射校正 MSC Xi(MSC)=Xi-bimi 消除光在样品固体颗粒间散射产生的光谱曲线变形 [17] SNV Xi=X'i-μσ [17] 平滑处理 移动平均平滑 x0=(x-2+x-1+x0+x1+x2)5 抑制仪器、 环境因素造成的随机噪声, 提高信噪比 [18] S-G平滑 Yj* =1N∑i=-mi=mCiYj+i [18] 尺度缩放 归一化 x'=x-xminxmax-xmin 降低光谱信号变化幅度过大导致的信号不稳定 [19] 中心化 x'=x-μ [19] 标准化 x'= x-μσ [20]

表1 光谱预处理算法分类 Table 1 Classification of spectral preprocessing algorithm

由于仪器误差、 环境因素的多变性, 目前尚未有一种普适性高的光谱预处理算法, 也不存在公认的评估参数。 Berhe等^[21]在基于拉曼光谱的熟肉制品终端温度检测研究中通过分析拉曼光谱信号的特征峰(谷), 发现信号存在明显的基线抖动现象, 并采用二阶导消除噪声干扰, 获得了稳定的熟肉拉曼光谱信号, 提高了模型的预测精度(RMSECV≤ 1.77 ℃)。 Xiong等^[22]在基于高光谱成像和多元分析定量测定红肉总色素的研究中分别采用S-G平滑、 MSC和SNV等三种算法处理高光谱数据并构建色素定量分析模型, 对比发现基于MSC算法构建红肉色素预测模型最佳( Rp2=0.953, RMSEP=4.628)。 Kamruzzaman等^[23]在高光谱检测牛肉掺假实验中同样分别采用一阶导、 二阶导、 MSC和SNV等四种算法处理牛肉高光谱数据并构建了掺假比例预测模型, 对比模型性能发现SNV为最佳预处理方法( Rp2=0.98, RMSEP=2.26)。

综上所述, 预处理算法选取主要有两种形式, 一是通过观察光谱信号确定预处理算法, 该方法主观性和经验主义强; 一是根据建模效果反推预处理算法, 其复杂度和时间成本较高。 采用反推法选择光谱预处理算法所构建的预测模型相关系数和决定系数普遍较高, 模型性能较好。

高光谱成像技术融合了光谱技术和计算机视觉的优势, 利用光谱“ 指纹” 特性检测红肉中化学成分浓度, 可以快速精准判断红肉的质量安全, 结合特征波段图像的色泽、 纹理等信息, 可以进一步提高红肉质量安全评估模型的全面性和准确性。 常用的红肉图像特征如表2所示。

表2

Table 2

表2(Table 2)

表2 红肉图像特征信息 Table 2 Feature information of red meat image 分类 分析方法 参数 特性 文献 颜色特征 L* a* b* 颜色模型 亮度L, 颜色通道a和b 人眼感官或色泽测量仪器获取的红肉表面属性, 反映了肌红蛋白的氧化还原进程。 [24] RGB颜色模型 红色R, 绿色G, 蓝色B [25] HSV颜色模型 色调H, 饱和度S, 明度V [26] 纹理特征 灰度直方图统计矩 平均灰度、 平均对比度、 平滑度、 三阶矩、 一致性、 平均熵 由大量微小的纹理基元组合排列而成, 反映了红肉表面的自然属性。 [12] 灰度共生矩阵 均值、 同质性、 对比度、 熵、 能量、 相关性 [27]

表2 红肉图像特征信息 Table 2 Feature information of red meat image

采用单一的光谱特征信息构建红肉质量预测模型, 模型会表现出较强的均一性, 但模型受光源稳定性和环境影响较大, 且缺乏对红肉不同区域质量评估的直观性。

Reis等^[28]在采用高光谱技术评价肉类化学和结构特征的研究中分析了猪肉的高光谱图像信息, 发现通过纹理特征可以捕捉到猪肉光谱信号无法承载的物理结构特性, 有利于提高猪肉品质预测模型的性能。 Yang等^[29]在鸡胸肉滴水损失的高光谱无损检测研究中发现, 高光谱图像的纹理特征是光谱数据的有效补充量, 融合纹理特征的滴水损失无损预测模型的准确性和稳定性都得到了改善。 Liu等^[30]采用主成分分析法选择9个特征光谱变量以及第一主成分图像的13个纹理特征变量, 构建了偏最小二乘回归猪肉pH值模型, 模型的 Rp2=0.794, 优于单独基于光谱( Rp2=0.783)或纹理( Rp2=0.593)构建的模型。 Xiong等^[31]采用主成分分析法和灰度共生矩阵从鸡胸肉高光谱数据中提取了两个主成分图像的15个纹理特征, 并与特征光谱融合构建了鸡肉质地判别模型, 区分散养和圈养的鸡胸肉准确率为93.33%, 远高于基于近红外光谱构建的判别模型。

综上所述, 加权融合光谱和图像两种特征信息共建红肉质量预测模型, 可有效降低噪声对模型的影响, 提高模型稳定性。 仅计算特征波段图像的纹理特征, 是降低高光谱数据维度和预测模型复杂度的可行方法。

基于红肉质量的特征光谱和纹理信息构建定量预测模型, 是实现红肉质量无损检测的关键。 常见的高光谱无损预测模型可分为线性模型和非线性模型, 线性模型主要包括多元线性回归(MLR)、 主成分分析(PCA)、 偏最小二乘回归(PLSR)等; 非线性模型主要包括支持向量机(SVM)、 偏最小二乘-支持向量机(LS-SVM)、 反向传播神经网络(BPNN)等, 如表3所示。

表3

Table 3

表3(Table 3)

表3 红肉质量定量预测模型 Table 3 Quantitative prediction model of red meat quality 类型 代表模型 核心计算公式 特点 文献 线性模型 MLR y=β 0+β 1x1+…+β ixi+…+β mxm+ε 适用于分析单一品质参数与特征变量之间的简单线性关系。 [32] PCA PC=∑j=1nwjHj 提取对红肉质量变化解释性强的重要特征变量, 可降低数据维度, 提高模型的解析性。 [33] PLSR Ynew=TnewBQ 有效避免冗余数据造成的模型复杂度升高, 可用于多品质参数的同时预测。 [34] 非线性模型 SVM y(x)=∑i=1n(αi-αi* )K(x, xi)+b 适合样本量较小的红肉质量预测, 可以有效解决光谱数据纬度高的问题。 [35] LS-SVM y(x)=∑i=1nαiK(x, xi)+b 建模的收敛性强, 适用于样本量小时的多质量同时预测建模 [36] BPNN - 作为一种深度学习算法, 适合样本量较大时的质量预测建模, 对非线性关系具有较强的解释性。 [37]

表3 红肉质量定量预测模型 Table 3 Quantitative prediction model of red meat quality

线性回归模型可以清晰的描述特征变量与预测参数之间的关系, 有利于决策分析。 魏文松等^[38]对比了MLR和PLSR两种线性回归模型对于猪肉挥发性盐基氮定量预测的可靠性, 实验证明MLR模型( Rp2=0.904, RMSEP=3.81× 10^-5)性能好于PLSR模型。 朱瑶迪等^[39]采用PCA提取了猪肉嫩度相关的3个波段的特征图像, 分别计算4个纹理特征变量, 形成了猪肉部位的识别方法, 准确率为91.24%。 Aheto等^[40]整合了高光谱图像的纹理和光谱信息预测猪肉脂肪氧化过程中TBARS和PV的浓度变化, 选用PLSR算法构建定量预测模型, 模型预测TBARS的 Rp2=0.896, RMSEP=2.311; 预测PV的 Rp2=0.899, RMSEP=0.966。 Ma等^[41]采用不同色散器件获取熏猪肉的高光谱信息, 分别构建了水分、 蛋白质和脂肪的PLSR预测模型, 研究发现只要选取最佳的特征波长都可以得到较好的预测结果。

非线性回归模型可以解析特征变量与预测参数之间的复杂相关性, 提高预测的准确性和稳定性。 Guo等^[42]基于高光谱和SVM多信息融合技术开发了肉类水分含量模型, 将pH作为辅助参数可以有效提高模型的准确性和稳定性, 并且通过不断扩充校正集, 模型的性能逐步上升。 Yang等^[43]在基于高光谱在线监测腊肉干燥过程中挥发性盐基氮变化的实验中对比了SVM和LSSVM两种非线性建模方法, 发现在样本量有限的情况下, LSSVM模型的预测性能更好( Rp2=0.861, RMSEP=4.73)。

综上所述, 线性回归模型的模型解释性较强, 对于小数据量、 简单的关系很有效; 但对于非线性数据或者数据特征间具有较强相关性的分析能力较差; 构建在深度学习理论基础上的非线性回归模型能够充分挖掘特征变量与红肉质量之间的深层联系, 预测模型更加精准稳定; 但是作为机器学习算法, 建模一般需要较大的样本数量。