基于高光譜成像技術(shù)結(jié)合數(shù)據(jù)融合策略的雞肉多品質(zhì)快速定性評(píng)價(jià)

引言：

雞肉因其富含較高的蛋白質(zhì)含量、易于人體消化、雞肉口感好，它已經(jīng)成為*受消費(fèi)者歡迎的肉制品之一。在生產(chǎn)、運(yùn)輸、銷(xiāo)售和儲(chǔ)藏過(guò)程中雞肉容易變質(zhì)，吃變質(zhì)的雞肉可能會(huì)引起不良的健康反應(yīng)和疾病。因此，雞肉品質(zhì)和安全受到了越來(lái)越多的關(guān)注。雞肉的變質(zhì)是由于酶和細(xì)菌的作用，在腐敗過(guò)程中使蛋白質(zhì)分解而產(chǎn)生氨以及胺類(lèi)等堿性含氮等物質(zhì)，這些物質(zhì)可以統(tǒng)稱(chēng)為揮發(fā)性鹽基氮（TVB-N）。因此，可用TVB-N含量判斷肉類(lèi)的新鮮程度，其被認(rèn)為是監(jiān)測(cè)肉類(lèi)質(zhì)量的最重要和最常用的指標(biāo)之一。另外，肉類(lèi)的高水分含量有助于腐敗微生物的生長(zhǎng)；檢測(cè)肉類(lèi)中的微生物含量并及時(shí)進(jìn)行測(cè)量可以有效控制微生物引起的腐敗。因此，代表微生物生長(zhǎng)的菌落總數(shù)含量（TVC）也是控制和評(píng)估肉類(lèi)質(zhì)量的重要指標(biāo)。本研究利用高光譜成像技術(shù)結(jié)合數(shù)據(jù)融合策略開(kāi)發(fā)了雞肉TVB和TVC含量的快速、無(wú)損準(zhǔn)確檢測(cè)方法。

樣本制備及其光譜數(shù)據(jù)提取：

該研究從廣州當(dāng)?shù)厥袌?chǎng)隨機(jī)購(gòu)買(mǎi)了100只新鮮的雞胸脯肉，用無(wú)菌刀具從雞胸脯肉中心切下約30mm×30mm×20mm的立方體，共得到240個(gè)新鮮雞肉樣品。然后，將所有樣品均單獨(dú)放置在無(wú)菌一次性塑料盒中并貼上標(biāo)簽。最后，將樣品儲(chǔ)藏在4℃的環(huán)境下，在儲(chǔ)藏的第0、2、4、6、8、10、12和14天隨機(jī)抽取了30個(gè)樣品用于高光譜圖像采集和其對(duì)應(yīng)的理化值（TVB和TVC）測(cè)定。其中，利用了GaiaField-Pro-V10E型和GaiaField-Pro-N17E型高光譜相機(jī)采集了不同儲(chǔ)藏期雞肉樣品的高光譜圖像，使用圖像處理技術(shù)提取了雞肉樣品區(qū)域的平均光譜數(shù)據(jù)，光譜數(shù)據(jù)提取流程如圖1所示。

圖1 光譜數(shù)據(jù)提取流程

數(shù)據(jù)處理與結(jié)果分析：

1）雞肉TVB和TVC含量統(tǒng)計(jì)及光譜分析。在儲(chǔ)藏期14天內(nèi)，雞肉樣品的TVB-N和TVC含量變化如圖2所示，TVB-N含量和TVC含量變化都呈現(xiàn)逐漸上升的趨勢(shì)。以TVB-N含量的四個(gè)不同范圍為例，分別繪制了Vis-NIR和NIR范圍的平均光譜曲線，如圖3所示。從圖中可以發(fā)現(xiàn)隨著雞肉樣品中TVB-N含量的增加，光譜曲線整體趨勢(shì)向下移動(dòng)，表明腐敗程度較高的雞肉反射率較低。

圖2 雞肉樣本TVB-N和TVC含量的變化（儲(chǔ)藏期14天）

圖3 TVB-N含量不同范圍的平均光譜曲線（a：Vis-NIR，b：NIR）

2）數(shù)據(jù)融合策略。該研究采用了低級(jí)融合方法（LLF）和中級(jí)融合方法（ILF）分別對(duì)雞肉的Vis-NIR和NIR光譜范圍的數(shù)據(jù)進(jìn)行了融合，數(shù)據(jù)融合過(guò)程如圖4所示。其中，低級(jí)融合方法是指對(duì)Vis-NIR和NIR范圍的光譜數(shù)據(jù)進(jìn)行串行拼接；中級(jí)融合方法是指分別提取Vis-NIR和NIR范圍的特征并進(jìn)行串行拼接。然后，將單數(shù)據(jù)（Vis-NIR、NIR）、LLF融合數(shù)據(jù)和ILF數(shù)據(jù)融合分別用于建立雞肉的TVB-N含量和TVC含量預(yù)測(cè)模型。

圖4 數(shù)據(jù)融合過(guò)程

3）光譜數(shù)據(jù)預(yù)處理及結(jié)果分析。由于光譜數(shù)據(jù)包含儀器和檢測(cè)條件引起的噪聲和雜散光等干擾信息，該研究利用了高斯濾波平滑（GFS）、Savitzky–Golay平滑（SGS）方法、最小二乘擬合導(dǎo)數(shù)系數(shù)、一階導(dǎo)數(shù)（FD）、二階導(dǎo)數(shù)（SD）和標(biāo)準(zhǔn)正態(tài)變換等七種不同預(yù)處理方法分別對(duì)Vis-NIR、NIR和LLF的全光譜數(shù)據(jù)進(jìn)行了預(yù)處理并建立了PLSR模型。根據(jù)校正集、交叉驗(yàn)證集和測(cè)試集的決定系數(shù)（RC2、RCV2和RP2）、以及均方根誤差（RMSEC、RMSECV和RMSEP）分別確定了Vis-NIR、NIR和LLF光譜數(shù)據(jù)對(duì)TVB-N含量的*佳預(yù)處理方法為SNV、SD和SD，TVC含量的*佳預(yù)處理方法為Nor、GFS和NOR；并使用*佳預(yù)處理方法進(jìn)行后續(xù)的研究。

4）單數(shù)塊（Vis-NIR、NIR）建立的PLSR模型分析。該研究使用了連續(xù)投影算法（SPA）、競(jìng)爭(zhēng)性自適應(yīng)加權(quán)算法（CARS）、隨機(jī)森林（RF）、遺傳算法（GA）和變量組合集群分析法聯(lián)合遺傳算法（VCPA-GA）五種特征提取方法分別提取了Vis-NIR、NIR光譜范圍的特征波長(zhǎng)，并建立PLSR模型預(yù)測(cè)雞肉的TVB-N含量和TVC含量，建模結(jié)果如表1所示。對(duì)于雞肉的TVB-N含量預(yù)測(cè)而言，使用GA方法提取NIR光譜范圍內(nèi)的87個(gè)特征波長(zhǎng)建立的模型預(yù)測(cè)TVB-N含量精度*高，其RP2和RMESP分別為0.8346，2.8910，這與全光譜建模的結(jié)果相似，而與256個(gè)全光譜波長(zhǎng)相比，波長(zhǎng)數(shù)量減少了近66.02%。對(duì)于雞肉的TVC含量預(yù)測(cè)而言，使用CARS方法提取NIR光譜范圍內(nèi)的86個(gè)特征波長(zhǎng)建立的模型預(yù)測(cè)TVB-N含量精度*高，其RP2和RMESP分別為0.9143，0.1976，這與全光譜建模的結(jié)果相似，而與256個(gè)全光譜波長(zhǎng)相比，波長(zhǎng)數(shù)量減少了近66.40%?？偟膩?lái)說(shuō)，盡管特征波長(zhǎng)提取方法沒(méi)有顯著改善模型的預(yù)測(cè)性能，但它顯著減少了波長(zhǎng)的數(shù)量，這是非常有意義的。

表1 單數(shù)據(jù)（Vis-NIR、NIR）的PLSR模型比較

5）融合數(shù)據(jù)（LLF、ILF）建立的PLSR模型分析。融合數(shù)據(jù)（LLF、ILF）建模結(jié)果如表2所示，在LLF低級(jí)融合策略中對(duì)于雞肉的TVB-N含量預(yù)測(cè)而言，使用VCPA-GA方法提取的34個(gè)特征波長(zhǎng)建立的模型預(yù)測(cè)TVB-N含量精度*高，其RP2和RMESP分別為0.8514，2.7397。對(duì)于雞肉的TVC含量預(yù)測(cè)而言，使用CARS方法提取的116個(gè)特征波長(zhǎng)建立的模型預(yù)測(cè)TVC含量精度*高，其RP2和RMESP分別為0.9275，0.1889。在ILF中級(jí)融合策略中對(duì)于雞肉的TVB-N含量預(yù)測(cè)而言，使用VCPA-GA方法提取的88個(gè)特征波長(zhǎng)建立的模型預(yù)測(cè)TVB-N含量精度*高，其RP2和RMESP分別為0.8653，2.6094。對(duì)于雞肉的TVC含量預(yù)測(cè)而言，使用GA方法提取的100個(gè)特征波長(zhǎng)建立的模型預(yù)測(cè)TVC含量精度*高，其RP2和RMESP分別為0.9176，0.1998。總之可以得出結(jié)論，使用融合數(shù)據(jù)（LLF、ILF）建立的PLSR模型都優(yōu)于單數(shù)塊（Vis-NIR、NIR）的預(yù)測(cè)精度。其中，使用中級(jí)融合數(shù)據(jù)（VCPA-GA方法）建立的PLSR模型預(yù)測(cè)TVB-N含量精度*佳；使用低級(jí)融合數(shù)據(jù)（CARS方法）建立的PLSR模型預(yù)測(cè)TVC含量精度*佳。

表2 融合數(shù)據(jù)（LLF、ILF）的PLSR模型比較

6）雞肉TVB-N含量和TVC含量可視化。該研究利用*佳模型構(gòu)建TVB-N含量和TVC含量的可視化分布圖。四種不同TVB-N含量的雞肉樣品的可視化分布圖如圖5上半部分所示。同時(shí)，圖5的下半部分顯示了四種不同TVC含量的雞肉樣品的可視化分布圖。從圖中可以直觀地看到雞肉的TVB-N含量和TVC含量變化。TVB-N含量從圖5a~5d逐漸增加，可視化分布圖的紅色區(qū)域也逐漸增加；TVC含量的變化也具有類(lèi)似趨勢(shì)，如圖5e~5h所示。總的來(lái)說(shuō)，以可視化分布圖的形式表示雞肉的質(zhì)量指標(biāo)有助于企業(yè)更準(zhǔn)確地分割雞肉，并讓消費(fèi)者更快速的地了解雞肉質(zhì)量，這是高光譜成像技術(shù)相對(duì)于其他無(wú)損檢測(cè)技技術(shù)的最大優(yōu)勢(shì)。

圖5 TVB-N和TVC含量從低到高的可視化和分布圖

論文摘自SCI一區(qū)文章：Xiaoxin Li, Mingrui Cai, Mengshuang Li, et al. Combining Vis-NIR and NIR hyperspectral imaging techniques with a data fusion strategy for the rapid qualitative evaluation of multiple qualities in chicken [J], Food Control, Volume 145(2023):109416.https://doi.org/10.1016/j.foodcont.2022.109416.