基于多光谱图像技术的冷鲜羊肉新鲜度检测

马娇妍 ，曹希越 ，韩宪忠，王克俭，淑英，王媛

1.河北农业大学（保定 071000）；2.国家羊肉加工技术研发专业中心-衡水志豪畜牧科技有限公司（衡水 053000）

羊肉味道鲜美，既能抵御风寒又可补身体，随着羊肉销量逐渐增加[1]，消费者对羊肉品质的要求越来越高，食品安全问题受到关注[25]。冷鲜肉在4 ℃下进行储藏，和家用冰箱温度相符。在冷藏期间肉类的新鲜度会随着时间增加而变化，经研究发现，挥发性盐基氮（TVB-N）[14]在腐败过程中使蛋白质分解并产生化学物质，这种物质对肉类营养价值造成很大影响，pH是肉类最基本的检测指标，可作为反映肉类新鲜程度的主要指标。目前该项工作的重点任务，一是原料肉品质提升技术：通过改善饲料品质、加强饲养管理、减少农兽药残留等技术，提供优质原料肉；加强宰前管理，减少宰前应激，利用宰后排酸成熟技术，肉品掺假技术检测，保障原料肉品品质。二是加工过程控制技术：利用腌制、滚揉、冻结等技术，研究发色剂、品质改良剂等作用，开发出羊肉调理制品。三是产品质量控制技术：研究天然保鲜剂、包装技术，利用数学模型推测肉中微生物变化，以延长产品货架期。任务目标为：以河北省羊肉品牌“爱扬”为中心，打造“爱扬”系列羊肉调理制品。

冷鲜羊肉储藏期间依据传统的检测方法例如各种感官判定、理化分析等，耗费时间长、有损害，依据如今快节奏的生活发展，需要找一种快速、精准、无损伤的检测方法[2,26]。2016年，汪明辉[13]检测标准有通过腐败分解产物特异性和数量变化进行分析，采用神经网络进行建模，从而预测肉类的新鲜度。近些年，新鲜度检测更倾向于检测TVB-N[11]，利用高光谱成像技术[8,22]、近红外光谱[16,24]、多光谱技术[6]等在进行肉品新鲜度快速无损检测。2017年，姜新华[4]从不同理化成分和微生物的变化进行检测，通过对4种指标建立新鲜度等级划分，发现在新鲜度的建模上采取BP网络进行分类的精度更高。赵晶等[9]针对横山羊肉在不同储藏温度下进行羊肉DNA质量的变化，发现不同温度下贮藏新鲜度不同，理化性质也随着时间的延长，发生不同程度的变化。但是没有检测pH、TVB-N对羊肉品质方法的影响。

多光谱成像技术（300～1 700 nm）[12,15]具有精度高、分辨率高等特点，利用光谱技术可通过光谱数据对肉类指标进行定量分析。但近几年在冷鲜羊肉预测与分级方面的研究仍不足，依据市场研究调查，大多数消费者采用冷鲜的方式较多，因此有必要开展对冷鲜羊肉新鲜度的快速检测研究。

选取样品为冷鲜羊肉，采取部位是羊里脊，基于多光谱技术在羊肉检测的应用，将光谱数据利用不同预处理方法[3,5]提高建模性能，通过建立偏最小二乘模型选取最优预处理方法，建立光谱数据的偏最小二乘[17]、灰色马尔科夫[18]、逻辑回归的预测模型[19]和KNN[10]分级模型，选取最优模型，为相关研究提供参考。

1 材料与方法

1.1 材料

试验时间为7～8月，样品取自河北省保定市某屠宰场，主要取自2岁左右小尾寒羊的羊里脊部位，将脂肪剔除后，把购买的肉用保鲜膜包装，放入4 ℃冰箱中进行冷藏。将采买后的肉按照每份20 g（大小约30 mm×25 mm×6 mm）与10 g（大小约25 mm×20 mm×5 mm）进行切块，共80份，其中40份是用于检测TVB-N，40份用于检测pH。将分好的样本储藏在温度4 ℃冰箱中，每天取出3个样本进行检测，进行光谱检测，再用化学方法检测TVB-N含量与pH，到羊肉变质时结束试验。

1.2 仪器与设备

多光谱图像采集系统为海洋光学的微型光谱仪NQ512-1.7、NQ51B0844（光学分别率3.1 nm FWHM w/25 μm狭缝，波长范围320～1 700 nm，数据获取源于Oceanview软件，光源为HL-2000系列卤钨光源，Ocean Optics（Shanghai）Co.，Ltd.）。

1.3 方法

1.3.1 多光谱图像采集

由于羊肉的脂肪部分对光谱的反射会有影响，故将样本中羊肉多余的脂肪与筋膜剔除掉。整个光谱检测的过程均在暗箱中完成，采集前需要将仪器预热30 min，把羊肉放在载物台上进行扫描，采集时需要设置好积分时间与移动速度。试验设置积分时间100 ms、滑动平均宽度3、平均扫描次数15，经过黑白校正后的反射率在电脑上自动显示，每次扫描10个点，每次采集后取平均光谱作为参考光谱。

1.3.2 pH与TVB-N的测定

按照GB 5009.237—2016《食品安全国家标准 食品pH值的测定》测定pH[20]；按照GB/T 5009.44—2003《肉与肉制品卫生标准的分析方法》测定TVB-N含量[21]，采用半微量定氮法。

1.3.3 多光谱数据预处理

采用MATLAB与SPSS软件进行数据预处理并进行特征波长提取操作，采用一阶导、二阶导、标准正态、矢量归一化、小波变换这5种数据预处理方法，对羊肉的pH与TVB-N的原始全波段光谱进行预处理。基于PLSR模型基础上将原始光谱数据与预处理方法进行对比。预测模型用均方根误差（δRMSE）、相关系数（R）进行判别。

1.3.4 模型建立

试验采用PLSR、灰色马尔科夫、logistics这3种模型建立冷鲜羊肉的预测模型及分级模型，分级模型采用K近邻（KNN）算法[7]与PLSR算法，根据国家标定的新鲜度分级标准，将冷鲜羊肉分为“新鲜”“次新鲜”“变质”，两者用识别率进行比较，选取最优模型。针对光谱数据与建模算法的处理采用MATLAB R2016a软件进行处理。

2 结果与讨论

2.1 多光谱反射率曲线分析

对冷鲜羊肉样品的光谱数据进行采集，得到的光谱曲线如图1所示。

光谱仪器在扫描过程中不同区域的反射率不同，其中，冷鲜羊肉的反射率在450～500 nm波段，光谱反射率偏高，540～680 nm波段，光谱反射率偏低。反射率在9～45之间部分的为新鲜羊肉反射率，50以上部分为次新鲜反射率，9以下为变质羊肉反射率，差异性还是明显可区分的，为冷鲜羊肉的新鲜度判别提供可靠信息。

在可见光区域中，由于羊肉的化学成分有所差异，产生的近红外吸收基团都是C—H、N—H、O—H等含氢基团，且可见光波段的反射颜色随时间的变化由鲜红色变为暗红色，反射率就会不同，所以在光谱上会呈现不同差异。

图1 冷鲜羊肉原始光谱曲线图

2.2 pH与TVB-N结果分析

平均pH随储藏时间的变化趋势如图2所示。

随着冷藏时间变长，pH呈现先下降后上升趋势，这是由于羊肉受体内微生物生长，肌肉中的物质酵解会对pH产生影响。但整体趋势呈上升趋势，意味着羊肉在逐渐变质。

由图3可以得知，随冷藏时间增加，TVB-N含量不断增加，证明羊肉在不断变质。

图2 pH随冷藏天数的变化

图3 TVB-N含量随冷藏天数的变化

2.3 数据预处理方法的选择

光谱采集系统放置于暗箱中，用于减少外界光源的干扰，另外有一台计算机连接光谱仪，用于获取光谱扫描后的数据。由于多光谱检测之后的数据量太大，检测时会受到周围环境、测量条件等多方面因素的影响，取得的数据存在无用信息与噪声，会对后期建立预测模型与分级模型造成影响，为降低干扰、提高信噪比，所以需要对数据进行处理。

不同颜色代表不同时间的光谱反射率。从图4中得知，冷鲜羊肉光谱数据和TVB-N、pH建立的偏最小二乘模型，二阶导的处理性能最优，可以减少较多光线与噪声的干扰，可以提高光谱与TVB-N、pH之间的线性关系。

从图4中不同预处理和原始光谱的对比可以得出，经过数据预处理后的数据去除了噪声与无关信息的干扰，从中提取出有用并且准确的数据信息。

二阶导进行数据预处理的方法是为了减少不同数据组分之间的相互干扰，经过处理后的光谱数据可以放大光谱中微弱的有用信号。表1是5种预处理方法基于偏最小二乘模型下得到的冷鲜羊肉回归模型结果。

经过二阶导处理后的光谱曲线的波段范围在600～1 000 nm，R=1.001 3，δRMSE=1.378 9，可以较好预测冷藏期间的羊肉新鲜度。

图4 不同数据预处理结果

表1 不同数据预处理评价结果

2.4 建模方法及建模结果的比较分析

不同建模方法对数据得出的效果不同。采用偏最小二乘（PLSR）、灰色马尔科夫、logistic模型与TVB-N、pH进行模型的建立，并进行分析与比较，用R、δRMSE作为评价模型的指标，从而确定最优模型。

偏最小二乘建模可以查找新鲜度指标与光谱反射率之间的关系，原理是将自变量数据矩阵x（光谱反射率）与因变量数据矩阵y（新鲜度指标pH、TVB-N）构成数据表X、Y，从中提取能够代表各自表中变异信息的成分t1、u1，并且两成分的相关性强，建立X对t1的回归、Y对u1的回归，不断迭代直到达到精度要求为止，进行残差矩阵对提取出的m个t1进行回归，变为Y对x的回归方程。具体建模步骤为

1) 将自变量新鲜度指标{x1,x2,...,xp}，因变量光谱反射率{y1,y2,...,yq}进行数据标准化，得到标准化变量矩阵E0和标准化列向量f0。

2) 从标准化变量矩阵中提取第一个成分，并经E0和f0在t1上的回归。并在此基础上提取第二个成分，不断迭代。

3) 实施f0对t1,t2,…,tm的回归：=r1t1+r2t2+…+rmtm写成xj（j=1,…,p）形式。

在得到回归方程后就可对模型进行检验，用判定系数R与均方根误差δRMSE进行模型判定，相关系数越接近1越好，与此同时均方根误差越小越好。

式中：n是样本数，个；yi为第i个样本的实际值；为第i个样本的预测值；是所样本的平均值；R是采用PLS主成分数。

灰色马尔科夫建模方法主要是根据状态转移变化，计算初始状态转移概率矩阵并进行预测，最终得到预测出的新鲜度指标，适用于数据较少、变化浮动不是很大的时间序列。

logistics模型可以说是线性回归的优化，可以实现多重回归，对不连续因变量的回归可以有效地进行求解，把在线性回归中离散的点的反射率映射到0到1之间，由直线变为曲线可以更好地对新鲜度指标进行预测。

2.4.1 TVB-N建模结果

采用PLSR方法进行模型的建立，其中R与δRMSE分别是0.983 5和1.599 7，均高于灰色马尔科夫模型与logistics模型。

图5为基于TVB-N与光谱数据的冷鲜羊肉预测模型，左图为逻辑预测模型，右图的PLSR预测模型，对比可得，右图为PLSR模型预测效果最优。基于TVB-N与光谱数据的预测模型的结果如表2所示。

偏最小二乘（PLSR）适合自变量的情况下进行回归并建立模型，并且适合样本个数少于变量数的条件下建模，模型中的以光谱反射率作为拟合的自变量，pH与TVB-N为应变量。根据判别系数建立PLSR预测模型的相关系数达到0.983 5，效果均高于灰色马尔科夫与logistics模型。

图5 基于TVB-N与光谱数据的冷鲜羊肉预测模型

表2 基于TVB-N与光谱数据不同模型预测结果

2.4.2 pH建模结果

基于pH与光谱数据预测模型如图6所示。

在预处理后的数据分别采用逻辑模型、PLSR模型进行预测，结果表明图6中右图效果最优。

图6 基于pH与光谱数据的冷鲜羊肉预测模型

由表3可知，采用PLSR方法进行预测模型建立，其中R与δRMSE分别是0.997 3和0.038 3，均高于灰色马尔科夫模型与logistics模型。

表3 基于pH与光谱数据不同模型预测结果

2.5 分级模型的比较

试验在基于TVB-N预测模型的基础上对冷鲜羊肉进行分级模型的建立。根据国标可知，肉中TVB-N＜ 15 mg N/100 g时为新鲜，15～25 mg N/100 g为次新鲜，＞25 mg N/100 g为变质。从图2中可以发现在前2和3 d时冷鲜羊肉处于新鲜状态，在第13天之后已经变质。

k近邻分类算法是将在特征空间中的k个最相似的样本中的大多数分为一类。新鲜度的划分按照规定分为3类，类别较少适用于KNN算法。算法采用欧氏距离方法，通过已知类别的点与当前点的距离，选择出与当前距离最小的k个点并确定前k个点所在类别的出现概率，跟出现频率最高类别作为当前点的预测分类。

分级模型采用的是k近邻模型（KNN）与PLSR模型进行分级，将羊肉分为3类：新鲜、次新鲜、变质，分别用0，1和2表示。由结果可以得出KNN算法在k值为2时识别率最高，可达到90%，PLSR的识别率为80%，显然KNN的分级效果优于PLSR和logistics的分级结果。结果如表4所示。

表4 PLSR分级结果

3 结论

对新鲜度指标pH与TVB-N含量的变化进行规律总结与分析，通过不同预处理方法利用偏最小二乘方法进行预测模型建立，得到羊肉pH和TVB-N含量的最优光谱预处理方法：二阶导，在此基础上进行PLSR、logistics、灰色马尔科夫预测模型建立，并选出最优建模方法，均为PLSR，pH最优模型的R、δRMSE分别为0.997 3和0.038 3，TVB-N最优模型的R、δRMSE分别为0.983 5和1.599 7，预测结果很好。KNN模型、logistics与PLSR算法进行冷鲜羊肉分级模型的建立，结果表明KNN分级结果最准确，识别率可达99%。因此，利用多光谱技术的冷鲜羊肉新鲜度分析与分级可行。