利用成像光谱仪识别猪肉和牛肉

刘卫东,毛晓婷,金怀洲,金尚忠

(1.河北省计量监督检测院,河北 石家庄 050051;2.中国计量学院 光学与电子科技学院,浙江 杭州 310018;3.中国科学院长春光学精密机械与物理研究所,吉林 长春 130000)

利用成像光谱仪识别猪肉和牛肉

刘卫东1,毛晓婷2,金怀洲3,金尚忠2

(1.河北省计量监督检测院,河北 石家庄 050051;2.中国计量学院 光学与电子科技学院,浙江 杭州 310018;3.中国科学院长春光学精密机械与物理研究所,吉林 长春 130000)

利用成像光谱仪采集猪肉和牛肉的光谱,应用主成分分析(PCA)对所获得的原始光谱数据进行降维处理,分别利用KNN判别、人工神经网络(ANN)、支持向量机分类(SVM)三种建模方式,建立判别模型,并对猪肉和牛肉各20个预测样品进行识别.结果显示3种分类模型的正确识别率分别为92.5%、97.5%、100%.表明利用成像光谱仪可以实现对猪肉和牛肉的快速、准确、无损分类检测.

光谱学;光谱成像;模式识别;主成分分析;猪肉和牛肉识别

肉类作为一种高蛋白、高营养价值的食品,在日常生活中逐渐得到人们的喜爱.但是,近年来出现的如“狐狸肉、老鼠肉”等经过处理冒充羊肉等劣质食品逐渐引起消费者对肉类产品安全的关注.因此研究快速、准确、简便的肉类分类检测技术十分迫切.

传统的肉类鉴别方法主要包括感官鉴别、免疫学、分子生物学方法.这些检测方法耗时长、存在污染、操作复杂、易误判,且需要专业人员操作.感官鉴别只能从肉类表面进行鉴别,结果很大程度上取决于鉴定人员的主观意念,只适合于简单的肉类食品鉴别.但是对于近年来出现的如“狐狸肉、老鼠肉”等经过处理冒充羊肉等现象,感官鉴别就失去它的优势;利用超声波获得被测肉类内部结构、物化特性等的测量技术,一般只能获得某部位的化学成分,且测试结果因人而异[1];通过检测近红外吸收光谱可以获取肉类食品的蛋白质、脂肪、水分等成分,同时可以检测肉类鲜嫩程度、肉类污染等[2],但只能获得某一个区域的平均值,难于进行分类.

理想的肉类分类检测技术应该是简单、无损、高效、准确且无需专业人员操作.20世纪90年代开始,高光谱成像技术(hyperspectral imaging HSI)可同时获得光谱与空间信息;既可以获得肉类的蛋白质、脂肪、维生素等化学组成,又可以获得不同位置的成分特性、纹理特征等信息,因而提高了分类判别率,成功应用于畜牧产品质量[3-5]、医疗[6-7]、遥感[8]等领域上的检测中.Qiao等[9]应用HIS对猪肉的品质进行预测,结合PCA进行光谱数据压缩,所建立的预测模型精确度达到85%.姚璐等[10]采用近红外高光谱成像技术结合PCA对金华火腿进行分级,建立的PLS(偏最小二乘法)判别模型的预测能力达到89.5%.Douglas F.Barbin等[11]应用近红外高光谱成像技术检测完整和绞碎状态下的猪肉化学成分,所建立的PLS模型对蛋白质、脂肪和水分的预测准确度达到88%、87%和95%.Xiong Zhenjie等[12]利用可见高光谱成像技术对新鲜鱼肉的嫩度进行预测,准确率达到84%.Tao Feifei等[13]基于可见光/近红外高光谱散射技术对猪肉的嫩度和大肠杆菌感染程度进行预测,建立的多元回归(MLR)模型的预测能力分别达到87.7%和84.1%.

近年来高光谱成像技术已经成功应用于食品安全检测,但是国内外大多研究工作集中于近红外波段对食品中的化学物质进行检测获得质量评估[7,10,14-18].本次实验通过三种不同的建模方式,拟寻求最合适的分类器,能实现可见高光谱成像技术对不同肉源的区分.

1 实验部分

1.1 实验装置

试验所用的为HORIB公司的VerdeTM高光谱成像仪,由光源、成像光谱仪、CCD相机及计算机组成,如图1所示.采用二维色散元件分光,无需做位置扫描和滤光片切换就可以实现采集图形的整个光谱和空间信息超立方体数据.仪器光谱范围440～700 nm,采样间隔5 nm,51个连续光谱图像能够在3 ms内同时采集,从而可快速获得样品各个点的光谱和空间信息.光源是功率为12 W、色温2 856 K的卤钨灯,发光强度和高度可调,以获得均匀的照射面.样品放在事先准备好的白板上,实验过程中根据需求调节被测样品在白板上的位置.

图1 实验系统装置图Figure 1 Schematic diagram of the experimental set-up

1.2 实验材料

为了获得相对准确的实验结果,从大型超市购得腿肉、五花肉、里脊肉、大排、肋排等各个部位的猪肉和牛肉样品各10份,共计100个样品,冷藏保存.测试时,将样品切成片状,厚度为1 cm,从中随机取出猪肉和牛肉各30个作为建模集,剩下的各20个作为测试集.

1.3 测试环境

将样品放在白板上,调整样品位置使其处在测试视场中心.对于不同的测试,保持周围环境稳定,用标准的白板校准,作为测试环境下的真实白背景,以减小外界环境光的影响.

1.4 光谱采集和数据处理

利用VerdeTM自身配带的数据处理软件进行分析区域(region of interesting,ROI)选择.不同肉类的脂肪组成差别较小,为了能最大限度地区分出猪肉和牛肉,在实验过程中尽量选择瘦肉部分来区分两种肉.

高光谱成像系统获得猪肉和牛肉的表面反射光谱图的过程如下:将标准白板放置在距离镜头垂直距离60 cm的位置(图1),打开电源开关并调节光纤照明的角度(距离水平倾斜45°)和高度(距离样品40 cm),使照射在标准白板上的光斑均匀分布.取猪肉(牛肉)样品,调整其在白板上的位置,尽量使被测样品处于成像区域中心位置,调节光源的亮度和相机的曝光时间,使得所获得的高光谱相片的效果达到最优.在采集所有的试样之前,为校正相机暗电流和室内光照的影响,分别用盖住镜头和测试标准白板的方法获得黑白图像,通过公式(1)计算相对反射光谱值.

R=(Rf-B)/(W-B).

(1)

式中：R、Rf、W、B—试样的相对反射光谱值、试样原始反射光谱值、标准白板反射光谱值、黑色图像反射光谱值.将所有的样品依次放在同一位置上进行测试,获得反射强度.每一个被测样品选取20个有效区域,将20个区域的光谱平均值作为最后的反射光谱数据Rf.

对获得100(样品数)×51(波段)光谱矩阵进行处理.应用PCA对原数据进行降维处理,可以排除众多的光谱信息的相互重叠,将原变量变化,使得新变量成为原变量的线性组合,同时保证新变量尽量最大程度的包含原变量的特征信息.经过主成分分析后,被测样品的前两个主成分总贡献率已经达到90%以上如表1.所以在后期的数据分析过程中只选用前两个主成分.

表1 猪肉和牛肉主成分贡献率

2 结果与分析

2.1 原始光谱数据处理

猪肉和牛肉相对反射光谱R如图2,可见猪肉和牛肉的光谱曲线走势相近,只是反射强度不同.经过主成分分析,通过选取特征波长,根据方差贡献率的大小提取前两个主成分.图3是使用前两个主成分为坐标轴得到的40个猪肉和牛肉的PCA散点图,横坐标为第一主成分(PC1),纵坐标为第二主成分(PC2).可以看出,在猪肉和牛肉的主成份分布交叉在一起无法完全分辨.

图2 猪肉和牛肉的相对反射光谱图Figure 2 Relative reflection spectra of pork and beef

图3 猪肉和牛肉的PCA散点图Figure 3 Principal component analysis of pork and beef

2.2 建立判别模型

为了准确分辨出猪肉和牛肉,从准备好的各50个猪肉和牛肉样品中取出各30个样品作为训练集用建立模型,剩下的各20个样品作为预测集.在建模初,定义猪肉的分类标签为1,牛肉的分类标签为2.通过KNN判别、ANN模式识别和SVM分类器三种判别方式的比较,选出最优模型.

KNN是一种有管理方式的模式判别方法,对于线性不可分的情况尤为适用,它不需要对已知样品进行训练,只需要找出在n维空间中距离未知样品最邻近的点,将未知试样归入所属类即可.通过欧氏距离、海明距离和塔尼莫特距离等进行距离测量.实验中通过计算被测样品距离已知样品点的欧式距离,并从中选择出距离被测样品点最近的9个已知样品点,比较这9个点中猪肉和牛肉样品点的多少,从而进行归类.若9个样品点中猪肉的样品点数多于牛肉,则被测样品点为猪肉(分类标签为1),反之为牛肉(分类标签为2),分类结果如图4.被测样品并未完全分辨出来,在40个预测样品中,其中20个猪肉(圆点)中有一个被测样品的分类标签预测为2,即错分为牛肉,正确辨识率为95%;而20个牛肉(三角)样品中,有两个被错分为猪肉,正确识别率为90%.

图4 猪肉和牛肉KNN分类结果图Figure 4 Classification result of pork and beef using KNN

为了更好地将样品完全区分开,使用人工神经网络(ANN)来建立分类模型,该方法同样可以实现模式识别,神经网络由输入层、隐蔽层和输出层组成,其中输入层与隐蔽层的激励函数为双正切函数,输出层为线性函数,学习速率为0.5.具体分析时,可以根据需求来增加隐蔽层数,但隐蔽层数的多少并不代表模型的好坏.由于试验中样本数量并不多,所以将训练集的样本同时作为验正集.验正集正确判断率用来评判ANN模型的好坏[12].训练过程中隐蔽层的节点数会影响网络性能.通过试验,当隐蔽层节点数为8时,得到的网络性能最好.构建神经网络时,由于初始网络参数都是随机产生的,所以每次训练结果都不一样,从中选择出预测结果最好的网络,结果如图5.其中20个猪肉测试集的预测标签全部为1,正确辨识率为100%,20个牛肉样品中只有一个被测样品的预测分类标签为1,错分为猪肉,正确识别率为95%.相比KNN方法,人工神经网络模式判别方法所得结果明显提高.

图5 ANN模型预测结果Figure 5 Predict result of pork and beef using ANN

支持向量机(SVM)是基于统计学习理论(SLT)的一种模式识别与机器学习方法,具有根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中,以期获最好的泛化能力.相比于其他方法,SVM能够在有限样本情况下获得最优解而不仅仅局限于在无穷个样本条件下取得最优值.SVM能够找到一个最优分界面将猪肉与牛肉最大程度的区分开.利用SVM所建立的模式识别模型对40个预测样品测试，结果如图6,40个被测样品全部正确识别出.

图6 SVM模型预测结果Figure 6 Predict result of pork and beef using SVM

表2列出了上述三种模型的识别率.可见,KNN判别、ANN识别、SVM分类的预测集的总体识别率分别为92.5%、97.5%和100%,其中SVM判别模型性能最高,ANN判别模型次之,KNN分类模型稳定性最低.结果还显示模型对于猪肉的辨识能力总体高于牛肉的辨识率,这可能因为在实验的原始光谱中猪肉的反射光谱强度总体大于牛肉的反射光谱强度.

表2 KNN、ANN、SVM三种判别模型的猪肉、牛肉识别率

Table 2 Correct recognition rates of pork and beef using KNN、ANN、SVM methods

KNN正确辨识率/%ANN正确辨识率/%SVM正确辨识率/%猪肉95.0100100牛肉90.095.0100总正确辨识率92.597.5100

3 结 语

应用可见光高光谱成像技术实现猪肉和牛肉的区分.用主成分分析进行数据降维处理,通过比较KNN判别、ANN模式识别和SVM三种分类方法,最终选择其中较好的SVM判别模型,正确识别率达到100%.可见，高光谱成像技术能够成功应用于肉类分类的检测.

[1] 曹晨,刘宝林.高频超声波技术在食品工业中的应用及展望[J].安徽农业科学,2009,37(36):18143-18144. CAO Chen, LIU Baolin. Application and prospect of high-frequency uitrasonic technique in food industry[J].Journal of Anhui Agricultural Sciences,2009,37(36):18143-18144.

[2] 徐霞,成芳,应义斌.近红外光谱技术在肉品检测中的应用和研究进展[J].光谱学与光谱分析,2009,29(7):1876-1880. XU Xia, CHENG Fang, YING Yibin. Application and recent development of research on near-infrared spectroscopy for meat quality evaluation[J].Spectroscopy and Spectral Analysis,2009,29(7):1876-1880.

[3] GOWEN A, ODONNELL C. Hyperspectral imaging - an emerging process analytical tool for food quality and safety contro[J].Trends in Food Science & Technology,2007,18(12):590-598.

[4] ELMASRY G, KAMRUZZAMAN M, SUN Dawen. Principles and applications of hyperspectral imaging in quality evaluation of agro-food products: a review[J].Critical Reviews in Food Science and Nutrition,2012,52(11):999-1023.

[5] 陈全胜,张燕华,万新民.基于高光谱成像技术的猪肉嫩度检测研究[J].光学学报,2010,9:2602-2607. CHENG Quansheng, ZHANG Yanhua, WAN Xinmin. Study on detection of pork tenderness using hyperspectral imaging technique[J].Acta Optica Sinica,2010,9:2602-2607.

[6] SIDDIQI A M, LI H, FARUQUE F,et al. Use of hyperspectral imaging to distinguish normal, precancerous, and cancerous cells[J].Cancer Cytopathology,2008,114(1):13-21.

[7] ROGGO Y, EDMOND A, CHALUS P,et al. Infrared hyperspectral imaging for qualitative analysis of pharmaceutical solid forms[J].Analytica Chimica Acta,2005,535(1):79-87.

[8] PLAZA A, DU Qian, CHANG Yanglang,et al. High performance computing for hyperspectral remote sensing[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2011,4(3):528-544.

[9] QIAO Jun, NGADI M O, WANG Ning, et al. Pork quality and marbling level assessment using a hyperspectral imaging system[J].Journal of Food Engineering,2007,83(1):10-16.

[10] 姚璐,丁亚明,马晓钟.基于高光谱成像技术的金华火腿无损分级检测研究[J].食品安全质量检测学报,2012,3(3):162-166. YAO Lu, DING Yaming, MA Xiaozhong. Rapid non-destructive of grade classification in Jinhua ham by hyperspectral imaging technique[J].Journal of Food Safety and Quality,2012,3(3):162-166.

[11] BARBIN D F, ELMASRY G, SUN D W, et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J].Food Chemistry,2013,138(2):1162-1171.

[12] XIONG Z J, SUN D W, DAI Q, et al. Application of visible hyperspectral imaging for prediction of springiness of fresh chicken meat[J].Food Analytical Methods,2015,8(2):380-391.

[13] TAO Feifei, PENG Yankun, Li Yongyu, et al. Simultaneous determination of tenderness and Escherichia coli contamination of pork using hyperspectral scattering technique[J].Meat Science,2012,90(3):851-857.

[14] PRIETO N, ROEHE R, LAVIN P, et al. Application of near infrared reflectance spectroscopy to predict meat and meat products quality: a review[J].Meat Science,2009,83(2):175-186.

[15] KAMRUZZAMAN M, BARBIN D, ELMASRY G,et al. Potential of hyperspectral imaging and pattern recognition for categorization and authentication of red meat[J].Innovative Food Science & Emerging Technologies,2012,16:316-325.

[16] BARBIN D, ELMASRY G, SUN Dawen,et al. Near-infrared hyperspectral imaging for grading and classification of pork[J].Meat Science,2012,90(1):259-268.

[17] KAMRUZZAMAN M, ELMASRY G, SUN Dawen, et al. Non-destructive assessment of instrumental and sensory tenderness of lamb meat using NIR hyperspectral imaging[J].Food Chemistry,2013,141(1):389-396.

[18] CHUCHARD F, COGDILL R, ROUSSEL S,et al. Application of LS-SVM to non-linear phenomena in NIR spectroscopy: development of a robust and portable sensor for acidity prediction in grapes[J].Chemometrics and Intelligent Laboratory Systems,2004,71(2):141-150.

Application of visible hyperspectral imaging used to discreminate beef and pork

LIU Weidong1, MAO Xiaoting2, JIN Huaizhou3, JIN Shangzhong2

(1. Measurement Supervision and Testing Institute of Hebei Province, Shijiazhuang 050051, China; 2. Department of Optical and Electronic Technology, China Jiliang University, Hangzhou 310018, China; 3. Changchun Institute of Optics, Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun 130000, China)

A method for the discremination of beef and pork by hyperspectral imaging was established. The hyperspectral images of 100 meat samples were collected with a hyperspectral camera and pretreated by using the principal component analysis algorithm (PCA). The discremination models were established with 60 calibration samples by using three modelling methods: the k-nearest neighbor algorithm (KNN), the artificial neural network (ANN) and the support vector machine classification (SVM). The models were validated with 40 samples. The results showed that the correct recognition rates of the models were 92.5%、 97.5%、 100%, respectively. The result suggests that the hyperspectral imaging technique is a fast, accurate and non-destructive method of discremination of pork and beef.

spectroscopy; hyperspectral imaging; mode recognition; principal component analysis; pork and beef discremination

1004-1540(2015)02-0177-05

10.3969/j.issn.1004-1540.2015.02.010

2015-01-13 《中国计量学院学报》网址：zgjl.cbpt.cnki.net

国家质检总局公益专项(No.201210094).

O433

A