滩羊肉样本采集于宁夏盐池鑫海牧场。 宰后将背最长肌、 前腿肉及后腿肉放入保温箱运至实验室, 用无菌刀剔除肉样表面多余脂肪和筋膜, 分割为3.0 cm× 2.0 cm× 1.0 cm的羊肉样本180个(背最长肌∶ 前腿肉∶ 后腿=1∶ 1∶ 1), 真空包装后标记, 4 ℃冰箱排酸24 h。

可见/近红外高光谱成像系统(400~1 000 nm), 由高光谱成像光谱仪、 CCD相机、 光纤卤素灯(150 W)、 电控位移平台、 数据采集软件五部分组成。 启动高光谱系统预热30 min, 进行黑白校正和参数设定^[6]。

参考Luciano^[9]等的方法并略作修改^[10]。

1.4.1 预处理方法

采用多元散射校正(multiplicative scatter correction, MSC)、 基线校准(baseline)、 去趋势(De-trending)、 卷积平滑(Savitzky-Golay, S-G)、 标准正态变量变换(standard normal variate transformation, SNV)、 归一化(normalize)和De-trending-SNV预处理算法减少原始光谱中噪音和背景信息的干扰, 增强光谱数据的有用信号, 提高模型预测性能。

1.4.2 特征波长选择方法

引导软收缩(bootstrapping soft shrinkage, BOSS)算法引入自助抽样和加权自助抽样来生成随机变量组合并构建子模型^[11]。 竞争性自适应加权抽样(competitive adaptive reweighted sampling, CARS)算法遵循每组波长变量通过各自的权重相互竞争, 大的权重集保留, 较小的权重集去除的原理。 变量组成集群分析-迭代保留信息变量(variable combination population analysis-iteratively retains informative variables, VCPA-IRIV)算法采用变量选择混合策略, 通过改进的VCPA缩小变量空间, 再使用IRIV进一步优化。 区间变量迭代空间收缩法(interval variable iterative space shrinkage approach, iVISSA)算法是从整体和个体对波段进行搜索。 其中整体和个体分析采用波段的权重优化, 以准确区分各个波段的位置、 宽度和组合^[5]。

1.4.3 图像纹理信息的提取

灰度共生矩阵(gray-level co-occurrence matrix, GLCM)用于计算相邻像素之间不同灰度值的组合数目, 以此反映在指定方向上的梯度信息^[12], 在灰度梯度信息基础上从不同角度(θ =0° , 45° , 90° , 135° )提取能量(ASM)、 对比度(CON)、 相关性(COR)和熵(ENT)作为图像纹理特征参数的典型性。 提取的四个纹理参数根据式(1)— 式(8)进行计算

$\text{ASM}=\overset{X}{\mathop{\underset{i=0}{\mathop \sum }\,}}\,\overset{Y}{\mathop{\underset{j=0}{\mathop \sum }\,}}\,p{{\left( i,\text{ }\!\!~\!\!\text{ }j \right)}^{2}}$(1)

$\text{ENT}=-\overset{X}{\mathop{\underset{i=0}{\mathop \sum }\,}}\,\overset{Y}{\mathop{\underset{j=0}{\mathop \sum }\,}}\,p\left( i,\text{ }\!\!~\!\!\text{ }j \right)\text{log}p\left( i,\text{ }\!\!~\!\!\text{ }j \right)$(2)

$\text{CON}=\overset{X}{\mathop{\underset{i=0}{\mathop \sum }\,}}\,\overset{Y}{\mathop{\underset{j=0}{\mathop \sum }\,}}\,|i-j|_{P}^{2}\left( i,\text{ }\!\!~\!\!\text{ }j \right)$(3)

$\text{COR}=\overset{X}{\mathop{\underset{i=0}{\mathop \sum }\,}}\,\overset{Y}{\mathop{\underset{j=0}{\mathop \sum }\,}}\,\frac{\left( i-{{\mu }_{i}}i \right)\left( j-{{\mu }_{j}}j \right)p\left( i,\text{ }\!\!~\!\!\text{ }j \right)}{{{\sigma }_{i}}{{\sigma }_{j}}}$(4)

${{\mu }_{i}}=\overset{X}{\mathop{\underset{i=0}{\mathop \sum }\,}}\,i\overset{Y}{\mathop{\underset{j=0}{\mathop \sum }\,}}\,p\left( i,\text{ }\!\!~\!\!\text{ }j \right)$(5)

${{\mu }_{j}}=\overset{X}{\mathop{\underset{i=0}{\mathop \sum }\,}}\,j\overset{Y}{\mathop{\underset{j=0}{\mathop \sum }\,}}\,p\left( i,\text{ }\!\!~\!\!\text{ }j \right)$(6)

${{\sigma }_{i}}=\sqrt{\overset{X}{\mathop{\underset{i=0}{\mathop \sum }\,}}\,{{(i-{{\mu }_{i}})}^{2}}\overset{Y}{\mathop{\underset{j=o}{\mathop \sum }\,}}\,p\left( i,\text{ }\!\!~\!\!\text{ }j \right)}$(7)

${{\sigma }_{j}}=\sqrt{\overset{Y}{\mathop{\underset{j=0}{\mathop \sum }\,}}\,{{(j-{{\mu }_{j}})}^{2}}\overset{Y}{\mathop{\underset{j=o}{\mathop \sum }\,}}\,p\left( i,\text{ }\!\!~\!\!\text{ }j \right)}$(8)

式中, X为GLCM的列数, Y为GLCM的行号, p(i, j)为灰度共生矩阵。

1.4.4 模型建立

基于单一光谱信息和图谱融合信息建立羊肉中总酚浓度的偏最小二乘回归(partial least squares regression, PLSR)和最小二乘支持向量机(least-squares support vector machines, LSSVM)预测模型, 经对比分析确定最佳定量分析模型。 模型性能主要由以下统计参数进行评估: 校正集及预测集相关系数( RC2, RP2); 校正集及预测集均方根误差(RMSEC, RMSEP)。

光谱反射率是肉样化学成分、 颜色、 质地、 温度等性质的综合反映, Vis-NIR区域的光谱吸收峰与C— H, O— H和N— H分子键组成的有机化合物的基本振动组合有关^[13]。 如图1所示, 430, 580, 760和970 nm为肉样的主要吸收带, 430和580 nm左右的吸收带与肉样中色素蛋白有关^[14]; 760和970 nm左右的吸收峰由O— H基团的第二泛音和第三泛音引起^[15], 对应于肉样中的水分。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 滩羊肉样本的光谱曲线Fig.1 Spectral curves of Tan mutton samples

不同预处理方法下TPC含量的全波长模型性能如图2所示, 与原始光谱模型效果相比, Normalize和S-G处理后的光谱模型性能较低, 其模型性能变差可能是因为预处理消除掉了与TPC含量相关的光谱信息。 经De-trending+SNV处理后的光谱模型效果较原始光谱模型性能明显提高, 其 RP2=0.793 2, RC2=0.874 9, RMSEC=0.106 9, RMSEP=0.137 3, 表明De-trending+SNV预处理方法降低了原始光谱信息中仪器漂移散射和信号噪声等干扰信息。 因此, 后续数据分析采用De-trending+SNV预处理后的光谱数据。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 不同预处理方法下TPC含量的全波段模型的性能Fig.2 Performances of full wavelength models based on different pre-processing methods

采用CARS, BOSS, iVISSA和VCPA-IRIV对全波段光谱进行降维处理, 结果分析如图3所示。 BOSS和CARS算法提取特征波长时, 对于不太重要的特征, 分配较小的权重, 而不是直接消除, 如图3(a)和(b)所示。 CARS算法最终选取了23个有效波长, 占全光谱的18.4%。 BOSS算法最终选取了35个有效波长, 占全光谱的28%。 VCPA-IRIV算法采样过程中RMSECV分布如图3(c)所示, 当采样次数为43时, RMSECV下降到0.162 4, 共选取出21个有效波长, 占全光谱的16.8%。 如图3(d)所示, iVISSA方法选择的是一些位置、 组合和宽度都经过优化的波长区间, 最终获得了57个光谱变量, 占全光谱的45.6%。

图3

Fig.3

Figure Option ViewDownloadNew Window

图3 特征波长的选择 (a): BOSS算法权重值变化和提取特征波长分布图; (b): CARS算法平均权重值变化曲线; (c): VCPA-IRIV算法的RMSECV变化图; (d): VCPA-IRIV和iVISSA提取特征波分布图Fig.3 Selection of the characteristic wavelengths (a): Change curve of mean weight value and the distribution map based on BOSS algorithm; (b): Change curve of mean weight value by CARS algorithm; (c): Changes map of RMSECV by VCPA-IRIV algorithm; (d): Distribution maps based on the characteristic wavelengths extracted by VCPA-IRIV and iVISSA

对肉样光谱图像进行主成分分析, 前3个主成分图(累计贡献率> 99%)如图4所示。 对表达最多的PC1从θ =0° , 45° , 90° 和135° 角度下进行对比度、 能量、 熵和相关性纹理信息提取。 对肉样ROI图像的纹理变量进行计算, 得到了一个包含180× 4(样本× 变量)的纹理矩阵。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 羊肉样本的前3个主成分图像Fig.4 The images of first three PCs of mutton samples

2.5.1 特征光谱模型建立

分别采用PLSR及LSSVM方法对特征波长的降维能力进行评估, 建模效果如表1所示。 由表1可知, CARS和VCPA-IRIV方法提取的特征波长建立的预测模型性能较差。 基于BOSS算法优选的特征波长建立的LSSVM模型性能较好, 具有较高的相关系数和较低的均方根误差, 其 RC2=0.851 3, RP2=0.745 9, RMSEC=0.116 8和RMSEP=0.155 0。

表1

Table 1

表1(Table 1)

表1 特征波长建模效果 Table 1 Model performances based on different feature-wavelength methods Modeling methods Selection method LVs Calibration set Prediction set RC2 RMSEC RP2 RMSEP PLSR CARS 16 0.763 4 0.147 5 0.657 8 0.175 5 BOSS 20 0.825 2 0.126 3 0.738 6 0.154 1 iVISSA 20 0.852 6 0.116 0 0.735 7 0.156 4 VCPA-IRIV 19 0.737 0 0.154 9 0.609 6 0.186 8 LSSVM CARS / 0.790 6 0.138 4 0.700 2 0.164 9 BOSS / 0.851 3 0.116 8 0.745 9 0.155 0 iVISSA / 0.896 8 0.097 5 0.714 2 0.162 6 VCPA-IRIV / 0.740 0 0.154 4 0.586 1 0.192 4

表1 特征波长建模效果 Table 1 Model performances based on different feature-wavelength methods

2.5.2 图谱融合模型建立

根据2.5.1 的建模结果, 将BOSS方法提取的特征波长与肉样纹理特征进行融合建立TPC含量的预测模型如表2所示, PLSR和LSSVM模型采用四种数据融合建立, 包括一个纹理变量(COR)、 两个纹理变量(ASM和CON)、 三个纹理变量(ASM, ENT和CON)和四个纹理变量(COR, ASM, ENT和CON)与BOSS算法融合。 BOSS-ASM-ENT-CON-LSSVM图谱融合模型稳健性较好, 其 RC2=0.850 0, RP2=0.770 9, RMSEC=0.116 0, RMSEP=0.144 7, 是滩羊肉中TPC浓度的最佳定量分析模型, 图谱融合模型较单一光谱模型产生了令人满意的预测效果, 说明提取的纹理特征里携带了部分与肉样中TPC含量相关的有效信息。

表2

Table 2

表2(Table 2)

表2 图谱融合建模效果 Table 2 Model performance based on image and spectroscopy fusion Modeling methods Selection method LVs Calibration set Prediction set RC2 RMSEC RP2 RMSEP PLSR BOSS-COR 20 0.825 6 0.126 2 0.718 4 0.159 8 BOSS-ASM-CON 20 0.812 7 0.131 0 0.755 8 0.152 7 BOSS-ASM-ENT-CON 20 0.808 5 0.131 4 0.761 4 0.151 0 BOSS-COR-ASM-ENT-CON 20 0.807 4 0.132 8 0.742 4 0.157 8 LSSVM BOSS-COR / 0.858 1 0.114 0 0.751 2 0.150 5 BOSS-ASM-CON / 0.854 4 0.115 4 0.747 7 0.152 2 BOSS-ASM-ENT-CON / 0.850 0 0.116 0 0.770 9 0.144 7 BOSS-COR-ASM-ENT-CON / 0.857 2 0.114 3 0.757 8 0.148 5

表2 图谱融合建模效果 Table 2 Model performance based on image and spectroscopy fusion

PLSR算法结构简单, 运算效率快, 适用范围较广。 因此, 选用特征变量下的最佳PLSR预测模型对肉样中TPC含量进行预测。 由2.5.1中建模效果可知, BOSS-PLSR预测模型为肉样中TPC含量的最佳简化模型。 基于BOSS-PLSR模型将TPC含量定量反演到样本的掩膜图像上, 从而实现TPC含量在样本图像上的动态可视化表达(图5)。 图中黄色区域代表较高的TPC含量, 蓝色区域代表TPC含量较低。 从可视化图中颜色的分布可以看出肉样中TPC含量的分布较均匀, 肉样的边缘部分呈现较低的浓度值可能是由于肉样厚度不均匀导致。 可视化分布图能够提供一种直观的方式去表征TPC值的动态变化过程。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 TPC含量可视化分布图Fig.5 Visualizaion maps of TPC content distributions