引用本文
朱晨光, 刘亚军, 李鑫星, 宫薇薇, 郭渭. 凡纳滨对虾新鲜度的高光谱检测方法. 光谱学与光谱分析, 2023,43(1): 107-110
ZHU Chen-guang, LIU Ya-jun, LI Xin-xing, GONG Wei-wei, GUO Wei. Detection Method of Freshness of Penaeus Vannamei Based on Hyperspectral . Spectroscopy and Spectral Analysis, 2023,43(1): 107-110.  
Doi: 10.3964/j.issn.1000-0593(2023)01-0107-04
Permissions
Copyright©2023, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
凡纳滨对虾新鲜度的高光谱检测方法
朱晨光1, 刘亚军2, 李鑫星1,3, 宫薇薇4,*, 郭渭1
1. 中国农业大学信息与电气工程学院, 食品质量与安全北京实验室, 北京 100083
2. 承德市第八中学, 河北 承德 067000
3. 南昌理工学院新能源与环境工程学院, 江西 南昌 330044
4. 中国铁道科学研究院集团有限公司运输及经济研究所, 北京 100081
*通讯作者 e-mail: gongweiwei@rails.com

作者简介: 朱晨光, 1994年生,中国农业大学信息与电气工程学院硕士研究生 e-mail: zhuchenguang@iie.ac.cn

收稿日期: 2021-06-14 接受日期: 2022-04-15
基金项目: 国家重点研发计划项目(2018YFD0701003),国家自然科学基金项目(61802411)资助
摘要

以凡纳滨对虾为研究对象, 探索一种高效快速无损的新鲜度检测方法。 挥发性盐基氮(TVB-N)是判断虾新鲜度的重要化学指标, 然而传统方法耗时耗力, 限制了大批量的实时检测。 高光谱技术是一种集成图像和光谱信息的分析技术, 高光谱图像上的每个像素包含整个波段的光谱信息, 近年来, 该技术已经被应用于肉类新鲜度检测。 连续8 d采集了样品的860~1 700 nm高光谱数据, 在去除异常样本后确定150组试验样本, 每组采集254维光谱数据, 对原始的高光谱图像进行黑白校正, 并从高光谱图像中提取光谱数据。 为确保所提取的光谱数据和TVB-N指数之间有对应关系, 所选择的感兴趣区域的位置保持固定在虾样本的第二和第四肢。 计算了感兴趣区域的平均光谱以获得光谱数据矩阵, 该矩阵被转换成ASCII码并保存。 同时, 通过凯氏定氮法获得TVB-N真实值含量。 为减少环境和虾表面的高含水量的干扰, 有效地消除不相关的信息和噪声, 预处理方法是多元散射校正(MSC)算法, 并选择出7个敏感波段, 分别为875, 894, 919, 953, 983, 1 024和1 094 nm。 最后, 以120组训练集样本, 建立了凡纳滨对虾TVB-N总量的定量预测模型, 以30组验证集样本, 对比BP神经网络、 径向基神经网络、 主成分分析三种预测模型算法。 BPNN算法预测模型的相关系数( r)和归一化均方根误差(NRMSE)分别为0.902 1和0.214 0, RBFNN算法的预测模型为0.868 3和0.223 0, PCR算法预测模型为0.757 6和0.390 0。 结果表明, MSC-BPNN模型的预测效果最佳, 凡纳滨对虾的高光谱反射率与新鲜度间存在较密切的相关性, 为基于光谱的虾类新鲜度检测提供了支持。

关键词: 高光谱; 新鲜度; 多元校正散射; BP神经网络; 径向基神经网络
中图分类号:O657.3 文献标识码:A
Detection Method of Freshness of Penaeus Vannamei Based on Hyperspectral
ZHU Chen-guang1, LIU Ya-jun2, LI Xin-xing1,3, GONG Wei-wei4,*, GUO Wei1
1. Beijing Laboratory of Food Quality and Safety, College of Information and Electrical Engineering, China Agricultural University, Beijing 100083, China
2. Chengde No. 8 Middle School, Chengde 067000, China
3. Energy and Environment Engineering Institute, Nanchang Institute of Technology, Nanchang 330044, China
4. Transportation and Economic Research Institute of China Academy of Railway Sciences Group Corporation Limited, Beijing 100081, China
*Corresponding author
Abstract

In this study, Penaeus vannamei was taken as the research object to explore an efficient, rapid and non-destructive freshness detection method. Total volatile basic nitrogen(TVB-N)is an important chemical index to judge the freshness of shrimp. However, the traditional method is time-consuming and labor-consuming, which limits the real-time detection of large quantities. In recent years, hyperspectral technology has been an analysis technology integrating image and spectral information. Each pixel in the hyperspectral image contains the spectral information of the whole band. This technology has become a technology of meat freshness detection. This study collected 860~1 700 nm hyperspectral data of Penaeus vannamei samples for 8 consecutive days. After removing the abnormal samples, 150 groups of test samples were determined. We collected 254-dimensional spectral data in each group. The original hyperspectral image was corrected in black and white, and ENVI software extracted the spectral data from the hyperspectral image. We ensured the corresponding relationship between the extracted spectral data and the TVB-N index. The average spectrum of the ROI is calculated to obtain the spectral data matrix, which is converted into ASCII code and saved. At the same time, the true value of TVB-N was obtained by the Kjeldahl method. In order to reduce the interference of water content of environment and shrimp surface and effectively eliminate the irrelevant information and noise, this study used a multiple scattering correction algorithms to preprocess the shrimp hyperspectral and selected seven sensitive bands. Finally, a quantitative prediction model of TVB-N of Penaeus vannamei was established based on 120 training set samples and 30 validation set samples. We compared the model of BPNN, RBFNN and PCA. The r and NRMSE of the BPNN model were 0.902 1 and 0.214 0, the RBFNN model were 0.868 3 and 0.223 0, PCR model were 0.757 6 and 0.390 0, respectively. The results showed that the MSC-BPNN model had the best prediction effect, and there is a close correlation between hyperspectral reflectance and freshness of Penaeus vannamei. This paper supports the freshness detection of shrimp based on spectral technology.

Key words: Hyperspectral; Freshness; Multivariate correction scattering; BP neural network; Radial basis function neural network
引言

凡纳滨对虾是一种生活在中南美洲太平洋沿岸温暖水域的对虾, 它在中国的虾养殖业中起着重要的作用。 由于凡纳滨对虾在贮藏过程中腐败变质快, 货架期短, 因此有必要建立一套完整的鲜度评价体系[1]。 在腐败过程中, 凡纳滨对虾在微生物和酶的作用下, 会产生氮、 胺和含氨挥发性物质。 其中, 挥发性盐基氮(TVB-N)是判断虾新鲜度的重要化学指标。 传统的TVB-N测量方法主要包括半微量氮测定方法、 自动凯氏定氮法分析仪等[2, 3]。 这种传统方法耗时耗力, 限制了大批量的实时检测。

近年来, 高光谱已经成功应用于肉类新鲜度检测。 与传统的理化检测方法相比, 具有无损、 无污染、 低成本、 快速的优点[4, 5]。 由于它是一种集成图像和光谱信息的分析技术, 所以高光谱图像的每个像素包含整个波段的光谱信息, 并且每个样本的不同位置的光谱信息可以被分别提取。 相比之下, 近红外光谱技术只能提取整个区域的平均光谱[6, 7]。 因此, 近年来许多学者利用高光谱技术对鱼肉的品质进行了无损检测。 王慧等[6]对基于高光谱的鱼肉品质检测进行了文献综述, 报道了国内外许多学者利用高光谱成像技术检测鱼类产品的TVB-N含量, 以此反映鱼肉的新鲜度。 然而, 目前光谱技术应用在虾品质检测的相关研究较少。

利用高光谱技术分析虾样品中TVB-N含量连续8天的变化, 建立了定量分析模型。 由于实验条件和人为误差, 测量数据不理想; 基于多元散射校正(MSC), 分别采用BP神经网络、 径向基神经网络、 主成分分析建立凡纳滨对虾新鲜度检测。

1 实验部分
1.1 样本

选取了240只体长8~10 cm、 体重8~11 g的活凡纳滨对虾作为样本, 将活虾在0 ℃的低温冰箱中保存0.5 h, 直至死亡。 将它们转移到4 ℃的恒温箱中储存。 把样品分成八批。 每天随机抽取一批, 把虾去皮去头尾, 然后采集高光谱图像数据, 给样本贴标签。 最后, 分别测量每样品的TVB-N含量。 从第0~1天样品被移除。 由于异常的光谱反射率, 在接下来的6 d中, 选择150只虾作为样本。

1.2 光谱数据采集

1.2.1 高光谱成像系统

使用“ Gaia” 高光谱分类器收集高光谱成像数据。 透镜的光谱范围为860~1 700 nm, 有254个波段。 高光谱分选机配有小型传送带, 实现连续测量。 拍摄前, 我们调整镜头焦距使图像清晰, 调整器件参数保证图像不变形。 经过调试, 相机的曝光时间设定为33.3 ms; 传送带的移动速度设定为0.55 cm· s-1; 透镜和样品之间的距离保持在28 cm; 对样本进行单独扫描, 以收集高光谱图像。 同时, 为了减少设备和环境干扰带来的噪声, 我们对原始的高光谱图像R0进行了黑白校正。 校正过程需要反射率接近0%的黑色图像RB(使用覆盖在透镜上的黑色透镜获得)和反射率接近100%的白色图像RW(使用由四氟乙烯制成的均匀白板获得)。 使用式(1)将校正后的图像记录为R[8]。

R=R0-RBRW-RB×100%(1)

1.2.2 提取光谱数据

使用ENVI 5.3软件提取光谱数据。 首先, 所选择的感兴趣区域的位置保持固定, 以确保所提取的光谱数据和TVB-N指数之间的对应关系。 固定位置选择在虾样本的第二和第四肢。 最后, 计算了感兴趣区域的平均光谱以获得光谱数据矩阵, 该矩阵被转换成ASCII码并保存。

1.3 测定TVB-N含量

测定TVB-N遵循以下步骤: 首先, 称取10.00 g凡纳滨对虾样品, 将其压碎, 并将其装入50 mL离心管中。 其次, 用0.6 mol· L-1高氯酸溶液稀释至40 mL, 并以4 000 r· min-1的速度离心溶液, 旋转10 min。 最后, 向凯氏定氮分析仪的消化管中加入20 mL上清液, 其操作过程为: 将滤液与10 mL 40%氢氧化钠溶液混合, 并将其置于消解管中进行蒸馏。 将蒸馏后的氨气引入滴定罐, 与标准酸反应。 使用4%的硼酸溶液作为吸收溶液来吸收蒸馏气体。 将甲基红和溴甲酚绿混合, 溶于95%乙醇作为指示剂。 当反应完成时, 滴定罐中指示器的颜色不再变化。 仪器的操作条件设置为30 mL吸收溶液, 10 mL碱, 并在5 s延迟模式下保持蒸汽蒸馏状态5 min。

1.4 预处理及模型算法

环境干扰和虾表面的高含水量会导致高反射率, 必须对光谱数据进行预处理以消除不相关的信息和噪声。 采用的高光谱数据预处理算法是MSC[9, 10]。

BP神经网络(BPNN)可以不断调节网络权重值, 能够全局逼近非线性映射[11]。 径向基神经网络(RBFNN)使用与BPNN不同的激活函数[12, 13]。 主成分分析(PCA)是光谱数据降维方法, 提取的主成分信息尽可能上保持信息完整性[14]。

2 结果与讨论
2.1 数据分析

TVB-N是判断南美白对虾新鲜度的重要指标。 随着贮藏时间的增加, 虾样品中的TVB-N含量逐渐增加。 根据GB 2733— 2005《新鲜和冷冻动物水产品卫生标准》, 当虾的TVB-N含量超过20 mg N· (100 g)-1时, 将被判定为不新鲜。 在排除异常样品后, TVB-N平均含量从第1天到第8天的变化范围为8.23~32.31 mg N· (100 g)-1。

原始光谱显示, 虾样品的光谱反射率逐渐增加, 表明随着腐败程度的增加, 光谱反射率与虾产生的某些物质的变化密切相关, 如图1所示。 例如, 900 nm附近的吸收区可能与水中的羟基键和脂肪中的CH2键有关。 1 000~1 050 nm可能与脂肪中的CH3键有关[15]。

图1 原始光谱Fig.1 The raw spectra

2.2 预处理效果

经过预处理的光谱既有效消除了噪声的影响, 又保留了原始光谱的有效信息, 如图2所示。

图2 预处理光谱Fig.2 Spectra after pretreatment

2.3 模型建立效果

随机将150个凡纳滨对虾样品数据划分为训练集和验证集(其中训练集包含120个样品, 验证集包含30个样品, 训练集:验证集=4:1), 建立凡纳滨对虾检测模型。

采用BPNN, RBFNN和PCA, 选出7个敏感波段875, 894, 919, 953, 983, 1 024和1 094 nm, 将其作为输入数据, 对不同的隐含层个数的神经网络结构分别训练20次, 选出效果最好的网络结构, RBFNN的训练模型的效果最佳的网络结构是7-30-1。 BPNN最佳网络结构是7-13-1。

采用30组数据样本对三种算法的模型进行验证, 建模效果见表1。 由表可以看出, 基于MSC-BPNN的凡纳滨对虾新鲜度的高光谱预测模型效果最佳, r和NRMSE分别为0.902 1和0.214 0, 说明该模型的能够映射凡纳滨对虾的新鲜度预测值和真实值之间的相关性。

表1 基于三种算法的虾新鲜度检测模型 Table 1 Correct identification rate of three kinds of identification model

图3 三种模型预测效果Fig.3 Performances of three predictive models

3 结论

利用高光谱成像对南美白对虾的TVB-N含量进行了分析, 探究高光谱数据与虾的新鲜度之间的相关性。 从高光谱图像中提取光谱数据, 并进行校对。 为了减少环境和各种噪声的影响, 使用MSC对光谱数据进行预处理。 同时, 高光谱数据与凡纳滨对虾的新鲜度之间的相关性进行定量分析, 建立了南美白对虾新鲜度的三种定量预测模型。 其中, MSC-BPNN建模结果具有最好的预测精度。 结果表明, 高光谱分析虾新鲜度检测具有可行性。

参考文献
[1] Huang X, Chen M, Wang W, et al. Journal of Aquatic Food Product Technology, 2020, 29(6): 507. [本文引用:1]
[2] Guo T, Huang M, Zhu Q, et al. Journal of Food Engineering, 2018, 218: 61. [本文引用:1]
[3] Moosavi-Nasab M, Khoshnoudi-Nia S, Azimifar Z, et al. Scientific Reports, 2021, 11(1): 5094. [本文引用:1]
[4] Zhu M, Huang D, Hu X, et al. Food Science & Nutrition, 2020, 8(10): 5206. [本文引用:1]
[5] Sun J, Wang G, Zhang H, et al. Infrared Physics & Technology, 2020, 105(2): 103226. [本文引用:1]
[6] WANG Hui, HE Hong-ju, LIU Lu, et al(王慧, 何鸿举, 刘璐, 等). Food Science(食品科学), 2019, 40(5): 337. [本文引用:2]
[7] Crichton S, Kirchner S M, Porley V, et al. Meat Science, 2017, 129: 20. [本文引用:1]
[8] Shan J, Wang X, Russel M, et al. Food Analytical Methods, 2018, 11: 1701. [本文引用:1]
[9] Qiu Y, Wu G, Xiao Z, et al. IEEE Access, 2019, 7: 121156. [本文引用:1]
[10] Moosavi-Nasab M, Khoshnoudi-Nia S, Azimifar Z, et al. Scientific Reports, 2021, 11(1): 5094. [本文引用:1]
[11] Cao Y, Guan D, Huang W, et al. Information Fusion, 2018, 46: 206. [本文引用:1]
[12] Cai M, Hocine O, Mohammed A S, et al. Engineering with Computers, 2022, 38: 3611. [本文引用:1]
[13] Zhang B, Dou C X, Zhang T F, et al. Neurocomputing, 2020, 397: 422. [本文引用:1]
[14] CHEN Shu-yi, ZHAO Quan-ming, DONG Da-ming(陈淑一, 赵全明, 董大明). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2020, 40(3): 917. [本文引用:1]
[15] Yu X, Wang J, Wen S, et al. Biosystems Engineering, 2019, 178: 244. [本文引用:1]