NIR高光谱成像技术检测冷鲜羊肉嫩度

王婉娇，王松磊，贺晓光，王家云，杨晓忱（宁夏大学农学院，宁夏银川750021）

NIR高光谱成像技术检测冷鲜羊肉嫩度

王婉娇，王松磊*，贺晓光，王家云，杨晓忱
（宁夏大学农学院，宁夏银川750021）

利用900～1700 nm近红外高光谱成像系统对冷鲜羊肉嫩度进行快速无损检测研究。采集冷鲜羊肉（1～8 d）表面的高光谱散射图像，提取样本感兴趣区域反射光谱曲线并用剪切力值表征冷鲜羊肉的标准嫩度。以原始光谱、特征区域光谱和Savitzky-Golay卷积平滑预处理光谱建立冷鲜羊肉嫩度的偏最小二乘回归（PLSR）模型，预处理的特征区域光谱建立的模型效果更优。结果表明：特征区域光谱可有效替代全波段光谱，经过S-G卷积平滑预处理后，模型预测效果最佳，预测相关系数（Rp）和均方根误差（RMSEP）分别为0.773和1.060。研究表明：利用近红外高光谱成像技术结合偏最小二乘回归法对冷鲜羊肉嫩度的快速无损检测是可行的。

高光谱成像，无损检测，冷鲜羊肉，嫩度，偏最小二乘

冷鲜肉又称冷却肉，由于从原料加工到销售始终处于0～4℃低温控制下，大多数微生物的生长繁殖被抑制，并且经历了较为充分的成熟过程，营养更为丰富，质地柔软有弹性，滋味鲜美，已成为目前肉类产品消费的主流［1-2］。

嫩度是消费者评判肉质优劣的重要指标，其主要与肉中各种蛋白质的结构特性、肌肉中脂肪的分布状态及肌纤维中脂肪的数量有关［3-4］。目前肉品行业中评估肉品嫩度的方法主要是感官评价和机械测定。感官评价主要依靠人为咀嚼品尝，鉴定往往受主观因素干扰，误差较大；机械测定目前最常用的是质构仪，通过模拟牙齿切割肌纤维的过程测量肉的剪切力［5］，该方法过程繁琐耗时，对肉具有破坏性，被检测的肉品不能继续应用于生产销售。因此，研究出一种快速、无损可代替传统方法对冷鲜肉品嫩度进行检测的方法很有必要。

高光谱成像技术［6-8］融合了传统的图像技术和光谱技术，能同时获取待测物的图像和光谱信息，全面地反映样品内外品质特征，在农畜产品品质无损检测领域应用前景广阔。近年来，国内外利用高光谱成像技术对冷鲜肉的脂肪、蛋白质、水分含量、微生物和新鲜度［9-12］的检测略有研究，而对冷鲜肉嫩度品质的研究则鲜有报道。本文利用900～1700 nm近红外高光谱成像技术获取冷鲜羊肉表面反射光谱信息，通过研究冷鲜羊肉货架期低温储藏过程中嫩度的变化，找出嫩度值与光谱值之间的相关性并建立冷鲜羊肉嫩度的近红外预测模型，用于冷鲜羊肉嫩度的快速检测。研究利用近红外高光谱预测冷鲜羊肉嫩度的方法，为建立冷鲜羊肉的在线无损检测和品质分级奠定基础，为冷鲜羊肉产品在市场销售过程中嫩度品质的变化提供理论依据，最终达到对产品质量的控制。

1　材料与方法

1.1材料与仪器

羊肉选用宁夏特有的盐池滩羊与小尾寒羊的杂交羊共80只，购于宁夏吴忠市涝河桥分割肉加工有限公司。

近红外高光谱成像系统（波长范围900～1700 nm）

北京卓立汉光仪器有限公司；TA-XT plus质构仪（HDP-BSW刀具，厚度3 mm） 英国SMS有限公司；HWS-24电热恒温水浴锅西安禾普生物科技有限公司；热电偶测温仪（探头直径） 上海飞龙仪表电器有限公司；圆形钻孔取样器直径1.27 cm。

1.2样品制备及光谱采集

羊被屠宰后，取其胴体背最长肌部位（左右共两块），将其表面的脂肪和肌膜除去，整形切块（大小约为20 mm×30 mm×10 mm），共获得样本数160个，用密封袋密封、编号，置于保鲜箱低温保存运至实验室，在0～4℃下保藏8 d。分别在1、2、3、4、5、6、7、8 d同一时间随机取出20个样本，于室温下放置2 h后，用纸巾擦去样本表面的水分，对样本进行光谱采集和剪切力测定。

1.3嫩度值测定

冷鲜羊肉嫩度的测量依据NY/T 1180-2006标准进行，每个样本用标准取样器钻取3个圆柱形肉条（直径约1 cm）置于TA-XT plus质构仪上，垂直于肌肉纤维方向剪切，取3个肉条剪切力的均值作为该样本的最终嫩度值。测试参数设定：测试模式为压缩测试，探头下降速度为6.0 mm/s，探头回程速度为6.0 mm/s，测试距离为20 mm。

1.4光谱预处理

为了消除漫反射光谱中样品的镜面反射及不均匀性造成的噪声对模型的影响，需要对原始光谱曲线进行预处理。分别采用基线校正法（Baseline）、Savitzky-Golay卷积平滑、多元散射校正法（Multiplicative scattering correction，MSC）、标准正态变量变换（Standard noumal variate transformation，SNV）、去趋势算法（Detrending）等［13］6种方法对光谱进行预处理，应用UnscramblerX 10.2光谱分析软件，通过PLS回归分别建立羊肉嫩度检测模型，分析各种光谱预处理方法对模型精度的影响。以各模型校正集与预测集的相关系数Rc、Rp和交互预测均方根误差RMSECV作为模型精度的评价指标，R越高，RMSECV越低，表征模型效果越好。

1.5数据处理

通过ENVI 4.6软件对采集到的高光谱图像进行光谱数据提取，然后采用Unscrambler X 10.2软件对采集到的原始光谱信息进行预处理，并建立全波段与特征区域下PLSR冷鲜羊肉嫩度的预测模型。用交互预测（cross-validation）来优化模型的相关参数，以最低RMSECV值所对应的PLS模型作为最佳模型。

2　结果与分析

2.1光谱曲线的提取

为减弱成像光谱仪暗电流和室内照明对图像的干扰，高光谱图像扫描前要对仪器进行黑白校正［14］及参数设定。待仪器校正完毕后，将处理好的样本放在近红外高光谱电控位移平台，每组同时放两块肉样进行光谱扫描。为了综合反映肉品均体特征，选取了整块肉作为感兴趣区域（range of interest，ROI），计算ROI内的平均光谱，得到原始光谱反射曲线如图1所示。由于仪器在安装调试时存在系统误差，使得光谱实际范围为918～1678 nm。通过图1可以看出，原始光谱曲线上存在明显的干扰噪声，使得曲线不光滑，这对后续光谱建模存在一定的影响。

图1　原始光谱曲线Fig.1　Reflectance curves of original spectrum

2.2嫩度测定结果

实验测得160个样本嫩度有效值，统计结果见表1。从每天测得的20个冷鲜肉样本中抽选15个作为校正集，其余5个组成预测集，则共有120个校正集样本，40个预测集样本。本实验所取校正集肉样的嫩度测定值范围分布较广，基本覆盖不同时间冷鲜羊肉的嫩度值，且预测集样本嫩度值变化范围基本在校正集变化范围之内，样本集选择合理，具有较好的代表性。

表1　嫩度值数据统计Table 1　Statistics data of tenderness value

2.3不同预处理方法对建模效果的影响

表2为不同预处理方法对PLSR建模效果的影响，通过分析可看出：采用基线校正法处理后光谱的建模精度最差，Rc和Rp仅为0.815、0.710，RMSECV为1.164；用Savitzky-Golay卷积平滑处理光谱后建立的模型精度最好，Rc和Rp为0.869、0.748，均高于其他模型，且RMSECV最低，仅为1.015，因此确定Savitzky-Golay卷积平滑为建立羊肉嫩度模型的最佳光谱预处理方法。

表2　不同预处理方法对PLSR模型的影响Table 2　Effect of different pretreatment methods on PLSR model

经过Savitzky-Golay卷积平滑预处理后的光谱曲线见图2。对比图1和图2发现，原始光谱经Savitzky-Golay卷积平滑处理后的光谱曲线趋势和形状不变，而光谱曲线上的噪音干扰明显减弱，且曲线变得更为光滑。

图2　Savitzky-Golay处理后的光谱曲线Fig.2　Reflectance curves of spectrum using Savitzky-Golay processing

2.4特征区域光谱选择

高光谱成像系统采集得到的原始光谱除含有样品自身信息外，还包含一些由仪器或样本表面反射产生的噪声，且部分噪声波段数据的影响还会降低模型的识别精度，不利于实现快速在线检测［15］。从图1中可以看出波长在963 nm以下的光谱曲线噪声干扰明显，使该段数据失去分析价值。因此，为了提高检测效率，降低数据运算量，提高模型精度，剔除963 nm以下的噪声波段，选择963～1678 nm光谱区域进行后续的分析，图3所示为经过Savitzky-Golay卷积平滑处理后的特征区域光谱。

图3　Savitzky-Golay卷积平滑处理后的特征区域光谱Fig.3　Characteristic region spectrum of Savitzky-Golay smoothing convolution

2.5模型建立及评价

2.5.1冷鲜羊肉嫩度的PLSR模型实验分别以原始光谱、Savitzky-Golay卷积平滑预处理光谱、特征区域光谱建立冷鲜羊肉嫩度的PLSR模型，结果见表3。

表3　冷鲜羊肉嫩度的PLSR模型Table 3　PLSR models of chilled mutton tenderness

对比原始光谱和预处理光谱PLSR模型效果：经Savitzky-Golay卷积平滑预处理光谱模型校正集相关系数（Rc）和预测集相关系数（RP）均高于原始光谱模型，交互预测均方根误差（RMSECV）小于原始光谱模型，模型预测能力得到提高；此外，经Savitzky-Golay卷积平滑预处理光谱模型的RC、RCV、RP差异较原始光谱模型RC、RCV、RP小，模型稳健性也相对较好；全波段下利用PLSR建模，由经Savitzky-Golay卷积平滑预处理光谱建立的模型效果优于原始光谱。由此可以得出，经过Savitzky-Golay卷积平滑处理，与样本嫩度特征相关的光谱吸收信息有所增加。

对比原始光谱和特征区域光谱的PLSR模型效果：对特征区域光谱建模，噪音干扰和波段维数都有所降低，提高了分析效率，模型效果均得到优化。说明光谱区域的选择有效地剔除了与检测指标（冷鲜羊肉嫩度）不相关的噪声和非线性变量，利用特征区域光谱建模效果更优越，可优化模型精度，提高检测率。

2.5.2嫩度预测模型结果比较对预测集样本，基于原始光谱和经Savitzky-Golay卷积平滑预处理的特征区域光谱建立PLSR模型，预测结果见图4。模型的预测相关系数（RP）和均方根误差（RMSEP）分别为0.740、1.064和0.773、1.060。

Detection of chilled mutton tenderness by NIR hyperspectral imaging technology

WANG Wan-jiao，WANG Song-lei*，HE Xiao-guang，WANG Jia-yun，YANG Xiao-chen
（School of Agriculture，Ningxia University，Yinchuan 750021，China）

Near-infrared hyperspectral imaging system ranging from 900 nm to 1700 nm was used to study chilled mutton tenderness detection intactly and rapidly.Shear force being the criterion of tenderness，collected the hyperspectral scattering image of the chilled mutton samples and extracted the reflectance spectrum at range of interest.Used original spectrum，characteristic region spectrum and Savitzky-Golay convolution smoothing preprocessing spectrum to establish partial least squares regression（PLSR）model of chilled mutton’s tenderness，the model of pretreatment characteristics bands had better results.The result showed that characteristic region spectrum could effectively replace the whole band spectrum.After Savitzky-Golay convolution smoothing，model was better to predict，the correlation coefficient（RP）and the predict root mean square error（RMSEP）were 0.773 and 1.060.The research demonstrated that it was feasible to detect chilled mutton tenderness intactly and rapidly by near-infrared hyperspectral imaging technology associating with partial least squares regression method.

hyperspectral imaging technology；non-destructive detection；chilled mutton；tenderness；partial least squares regression

TS251.7

A

1002-0306（2015）20-0077-04

10.13386/j.issn1002-0306.2015.20.007

2015－02－02

王婉娇（1990-），女，硕士研究生，主要从事农产品无损检测方面的研究，E-mail：604358543@qq.com。

王松磊（1982-），男，博士，讲师，主要从事农产品无损检测方面的研究，E-mail：wangsonglei163@126.com。

国家自然科学基金资助项目（31101306）。