基于高光譜成像技術的 雞蛋哈氏單位快速無損檢測

房盟盟,丁佳興,崔騰飛,王 莉,楊曉玉,吳龍國,劉貴珊,何建國

(寧夏大學農學院農產品無損檢測實驗室,寧夏銀川 750021)

雞蛋營養全面均衡,是人們日常所需營養的主要來源,常被作為其他食品營養價值的標準參比物。雞蛋中蛋白質含量高達12.8%[1],含有人體所需的8種必需氨基酸,易被人體利用。此外,雞蛋中還含有鈣、鐵、磷等多種礦物質和維生素,對于提高人體免疫力、降低體重等方面具有積極意義[2]。隨著人們生活水平的提高,人們對雞蛋的要求正由數量向質量轉變。雞蛋品質檢測包括內部品質(蛋黃顏色、血斑、肉斑、蛋白高度、蛋白pH和哈氏單位HU等)檢測和外部品質(蛋形、重量、蛋比重、蛋形指數、蛋表面破損、殼色等)檢測[3]。在蛋品儲藏、銷售過程中,新鮮度在一定程度上可解釋為一些感官的、化學的、微生物的及物理的參數,它是禽蛋及其產品的主要指標,其中,雞蛋新鮮度指標——哈氏單位是分級標準中最重要的一項,是未來雞蛋品質檢驗的發展方向。

傳統的化學檢測方法雖具有簡便、檢測成本低等優點,但其缺點也十分明顯,破壞性實驗,耗時長、效率低,檢測過程中只能抽檢,覆蓋面小容易出現檢測漏洞[4]。因此,亟需尋求一種檢測準確、快速、效率高的檢測技術。近年來,光譜無損檢測技術發展迅速,彌補了傳統檢測方法的不足,在分析檢測的過程中,可透過待測物質的表面,達到檢測內、外品質的目的,對待測物無破壞性,測量方便且操作簡單,幾分鐘甚至幾秒鐘內就可以完成樣品的一次測試,而且光譜技術在分析過程中一般不消耗樣品,成本低[5-6]?，F有的研究報道中,王巧華[7]等探究雞蛋光反射特性及其與新鮮度的關系,得出帶殼雞蛋在比較新鮮時光反射率最大的結論;劉燕德[8]等分析了雞蛋內部品質與透射特性的相關關系,從而對雞蛋的新鮮度作出估量,提出利用雞蛋的透射特性對其新鮮程度進行無損檢測和分級是可行的;吳建虎[9]等利用可見/近紅外光譜技術無損檢測新鮮雞蛋蛋白質含量,結果表明可見/近紅外反射光譜技術可以較好的預測新鮮雞蛋的蛋白質含量。因此,本實驗利用高光譜技術快速無損檢測雞蛋哈氏單位是可行的。

為避免檢測單一品種雞蛋帶來的偶然性,本實驗以三個不同品種的雞蛋為檢測對象,利用高光譜(900～1700 nm)成像技術采集光譜信息,結合化學統計學法檢測的雞蛋哈氏單位,建立反射光譜檢測模型,對比不同預處理方法、全波段與特征波長下的模型效果,選取最優預測模型,實現雞蛋哈氏單位的高效無損檢測,為雞蛋新鮮度的自動快速無損檢測提供技術支持。

1 材料與方法

1.1 材料與儀器

雞蛋 購買于銀川當地超市，180枚,均為粉殼雞蛋,重量介于50.00～70.00 g之間,其中富硒雞蛋、昊惠雞蛋、普通粉殼雞蛋各60枚。仔細清潔表面,晾干后編號。

AL204型號電子天平 梅特勒-托利多儀器(上海)有限公司;A型游標卡尺 貴州西南工具(集團)有限公司；N17E-NIR型光譜成像系統 光譜范圍900～1700 nm，結構如圖1所示,主要包括:采集暗箱和信息處理的計算機(CPU為Inter(R)Core i7-2600,主頻為3.40 GHz,內存為4.00 G)，聯想(北京)有限公司;4個35 W的HSIA-LS-TDIF型鹵鎢燈線光源 北京卓立漢光儀器有限公司;Zelos-285 GV型CCD相機 德國Kappaopto-electronicsGmbH公司;PSA200-11-X型推掃式輸送裝置 北京卓立漢光儀器有限公司;Imspector N17E型近紅外成像光譜儀 芬蘭奧盧光譜成像有限公司。

圖1 900～1700 nm高光譜成像系統Fig.1 900～1700 nm hyperspectral system注:1.計算機；2.光源；3.CCD相機； 4.載物平臺；5.成像光譜儀。

1.2 哈氏單位的測定方法

將采集完光譜信息的雞蛋,按編號順序逐個稱其重量W,記錄數據。輕輕敲破雞蛋將其倒在保持平衡的玻璃板上,用高度游標卡尺測量破殼后距離蛋黃1 cm處濃蛋白高度H。測定時要選準位置,測量破殼后蛋黃邊緣與濃蛋白邊緣中點的濃蛋白高度(避開系帶),測量成正三角形的三個點,將高度指針下降至接近蛋的表面時,即可讀出蛋白高度,取其平均值,代入下列公式[10]:

HU=100lg(H-1.7W0.37+7.57)

式中,HU為哈氏單位,H為蛋白高度(mm),W為雞蛋蛋重(g)。

1.3 高光譜數據采集

由于各波段下光源強度的分布不均性以及儀器中暗電流的存在,導致光源分布較弱的波段圖像有較大噪聲,會掩蓋一定的樣品信息,同時,在光譜圖像信息采集的過程中存在噪聲干擾,降低了光譜數據采集的準確性,因此,在采集光譜數據前,需要首先采集黑、白圖像以減弱CCD相機暗電流和高光譜成像系統光源變化對采集樣本光譜圖像質量的影響。依據下列公式進行校正[11-13]:

式中:RC表示校正后光譜反射強度;IR為表示原始光譜漫反射強度;D為表示黑板校正時的光譜漫反射強度;IW為表示白板漫反射光譜強度。

樣品的圖像采集過程在暗箱中進行,預先根據光源的照度設定好CCD相機的曝光時間,以保證圖像清晰[14]。經反復調整,確定高光譜成像系統的最佳參數值為曝光時間10 ms,圖像采集速度為1.73 mm/s,物距為8 cm。實驗過程中,把雞蛋樣本按編號順序逐個放置于載物臺上,關閉暗箱門,連接位移平臺控制電機,開始掃描,獲取900～1700 nm波段的高光譜圖像信息。

1.4 數據處理

本實驗采用三項式九點卷積平滑(Savitzky-Golay Smoothing,S-G)、多元散射校正(Multiplicative Scatter Correction,MSC)、標準正態化(Standard Normal Variate,SNV)三種方法對原始光譜進行預處理,建立原始光譜、預處理后光譜的偏最小二乘(Partial Least Squares Regression,PLSR)模型,比較分析。模型采用相關系數(Rc/RP)、均方根誤差(RMSEC/RMSEP)進行評估,好的模型應該是具有較大的相關系數,較小的均方根誤差,同時,主成分數較小者的模型運算速度相對較快,也是評價模型好壞的一個重要指標。

實驗采用偏最小二乘回歸(Partial Least Squares Regression,PLSR)權重β系數法、遺傳算法(Genetic Algorithm,GA)兩種特征波長方法提取特征波長,分別建立偏最小二乘(Partial Least Squares Regression,PLSR)模型、主成分回歸(Principal Component Regression,PCR)模型,比較模型效果。

表2 原始光譜與預處理后光譜的PLSR模型效果Table 2 The effect of PLSR model on raw spectrum and pretreated spectrum

2 結果與分析

2.1 雞蛋哈氏單位測定

除去測定時有明顯差異及破損的樣品,實驗中實際獲得167枚雞蛋的光譜信息與哈氏單位。校正集與預測集呈4∶1比例劃分,保證預測集樣本的哈氏單位變化范圍在校正集樣本哈氏單位變化范圍內。本實驗以直接購回的雞蛋為研究對象,哈氏單位分布如表1所示。

表1 雞蛋哈氏單位分布Table 1 Distribution of egg hassian unit

注:我國對鮮雞蛋進行哈氏單位分級:特級>72,一級60～72,二級31～59,三級<31。

2.2 光譜預處理及效果比較

采用軟件ENVI V.4.6(美國Research System公司)對獲取的圖像數據進行裁剪[15],減少背景圖像中多余信息的影響,選取感興趣區域(Region of interesting,ROI),取平均光譜信息作為原始光譜,如圖2所示。

圖2 高光譜原始圖像及曲線Fig.2 Hyperspectral original image and curve注:a.高光譜原始圖像;b.感興趣 區域選取;c.高光譜原始曲線。

從圖2(c)中可以看出,原始光譜曲線兩端曲線抖動嚴重,即存在較大的噪音干擾,因此選取993～1657 nm內224個波段的光譜曲線分析建模[16]。

為消除光譜曲線上的噪音及其他無關信息的干擾,需要對原始光譜進行適當預處理和優化,將雞蛋品質信號和噪聲分離,最大程度地提取有效信息[17]。原始光譜、預處理后光譜的PLSR建模效果,如表2所示。

由表2可以看出,與原始光譜數據所建模型相比,經S-G卷積平滑、MSC預處理的模型相關系數(Rc/RP)較低,均方根誤差(RMSEC/RMSEP)較大,建模效果不如原始光譜。SNV處理的光譜模型,校正集相關系數稍高于原始光譜,但其預測集相關系數為四種模型最小,均方根誤差較大，這說明標準正態法處理光譜時,忽略了原始光譜中某些有用信息或放大了噪音,模型準確性降低,效果不佳。綜上所述,原始光譜PLSR模型預測效果較好,其Rc為0.8175,校正集均方根誤差為2.9271,Rp為0.8150,預測集均方根誤差為3.2416。

2.3 特征波段的選取及模型建立

為減少全波段原始光譜數據冗余,取出無關信息，提取有效信息,建立低維數據模型[18]。實驗提取224個波段下原始光譜的特征波長,并建立不同模型比較分析[19]。

2.3.1 權重β系數法選擇特征波長及建模 采用The Unscrambler X軟件中的權重β系數法選擇特征波長,對全波段下的原始光譜反射曲線進行PLS回歸,由加權β系數得到回歸系數曲線,基于局部最大值和最小值原則提取特征波長,如圖3所示。PLSR權重β系數法共選取15個特征波長:1005,1017,1175,1226,1261,1321,1401,1413,1419,1425,1431,1479,1515,1613,1631 nm。采用偏最小二乘(Partial Least Squares Regression,PLSR)、主成分回歸(Principal Component Regression,PCR)法建立雞蛋哈氏單位的檢測模型,對比建模效果,如表3所示。

圖3 反射光譜曲線權重系數圖Fig.3 Weighted regression coefficients of reference wavelength

表3 權重β系數法提取特征波長建立的不同模型Table 3 The different models of feature wavelength establishment by weight β coefficient method

由表3可以看出,采用加權β系數法提取特征波長所建立的不同模型建模效果相差不大,其中,β-PCR模型的RC比β-PLSR模型稍高,但其RP低于β-PLSR模型,且β-PLSR模型的主成分數(10)較少,說明穩定性較好,運行速度更快,因此,加權β系數法提取特征波長后,采用PLSR法建模效果更好。

2.3.2 遺傳算法(GA)提取特征波長及建模 采用MATLAB軟件中的遺傳算法(Genetic Algorithm,GA)對樣品原始全波段光譜進行特征波長的選擇,以交互驗證系數(RMSECV)取最小值為原則,確定特征波長數,變換程序賦值,多次嘗試,建立雞蛋哈氏單位的偏最小二乘(Partial Least Squares Regression,PLSR)、主成分回歸(Principal Component Regression,PCR)模型,對比建模效果,優選GA法提取特征波長的輸入參數,如表4所示。

表4 GA法提取特征波長建立的不同模型Table 4 The different models of feature wavelengths extracted by GA

由表4可以看出,采用GA法提取特征波長時,改變賦值量變化,可獲得不同的特征波長。用PLSR方法建模時,當賦值10時,建立的PLSR模型效果較好,其RC為0.8118,校正集均方根誤差是2.9677,RP為0.8203,預測集均方根誤差是3.2762;用PCR方法建模時,當賦值15時,建立的PCR模型效果較好,其RC為0.8018,校正集均方根誤差是3.0370,RP為0.8162,預測集均方根誤差是3.2566。不同建模方法所建最優模型之間相比較,GA-PCR模型的相關系數(Rc/RP)小于GA-PLSR模型,均方根誤差大于GA-PLSR模型,說明GA-PLSR模型的建模效果較好,且模型穩定。綜上所述,利用GA法提取特征波長時,當賦值為10,提取28個特征波長,采用PLSR法建模的模型效果最佳。

2.4 全波段光譜與特征波長建模效果比較

經上述處理分析,獲得全波段光譜所建的模型、加權系數法提取特征波長所建立的最優模型、遺傳算法提取特征波長所建的最優模型,將三個模型綜合對比,分析建模效果,如表5。

表5 全波段與特征波段下的PLSR模型效果Table 5 The PLSR model effect in full band and characteristic band

由表5可知,三個模型相比較,經PLSR加權β系數法提取特征波長所建模型的相關系數(RC/RP)在三個模型中最小,均方根誤差(RMSEC/RMSEP)在三個模型中最大,模型效果最差。全波段PLSR模型與GA法提取特征波長建立的模型相比較,FS-PLSR模型的Rc高于GA-PLSR模型,RMSEC低于GA-PLSR模型,而GA-PLSR模型的Rp高于FS-PLSR模型,RMSEP高于FS-PLSR模型,建模效果不相上下。但與全波段光譜模型需計算224個波段相比,GA-PLSR模型只需要運算提取出的28個波段即可,運行速度快,節省時間,可在保證檢測準確度的基礎上,大幅度提高效率。綜上所述,采用GA法提取特征波長后建立的雞蛋哈氏單位PLSR模型效果最好,其建模結果如圖4所示。

圖4 雞蛋哈氏單位GA-PLSR模型Fig.4 The GA-PLSR model about egg’s haugh unit

3 結論

本實驗采集180枚雞蛋樣品900～1700 nm波段的高光譜信息,結合化學統計學算法,建立雞蛋哈氏單位無損檢測模型。為避免模型只針對某單一雞蛋品種預測效果較好而不具有普遍性,實驗選用三個品種的雞蛋作為樣品,采集光譜數據并進行如下處理。

3.1 獲取樣品全波段原始光譜信息,選擇993～1657 nm內224個波段的光譜數據,進行原始光譜與S-G卷積平滑、MSC、SNV預處理光譜的PLSR模型比較。結果表明,三種方法預處理后并沒有得到較好的預測模型和校正模型,處理效果不佳。因此,利用原始光譜進行后續數據處理分析。

3.2 利用PLSR加權系數法、GA遺傳算法分別提取特征波長,建立PLSR、PCR模型,通過變換參數,反復嘗試,比較模型效果,進而優選最佳特征波長提取方法及建模方法。結果表明,經GA法提取28個特征波長后建立的PLSR模型效果最好,其RC為0.8118,校正集均方根誤差是2.9677,RP為0.8203,預測集均方根誤差是3.2762,有效降低了模型復雜度,提高了準確性。

實驗獲得雞蛋哈氏單位最優模型GA-PLSR,克服了傳統檢測方法時間長、過程繁瑣的缺點,實現雞蛋哈氏單位高效、快速、無損檢測,方便快捷且不損壞樣品,為雞蛋的新鮮度快速判別、分級分選提供理論依據和新方法,具有十分重要的現實意義。

[1]楊月欣,王光亞,潘興昌,等.中國食物成分表[M].北京:北京大學醫學出版社,2002:185-201.

[2]關蘊良,杜劍云.試論雞蛋的營養價值[J].中國保健營養(下旬刊),2012,22(12):5509-5509.

[3]李曉利.哈氏單位是檢驗雞蛋品質的重要指標[J].檢驗檢疫學刊,2013,23(2):48-49,72.

[4]劉曉明.蛋品儲藏過程中新鮮度變化研究[D].濟南:齊魯工業大學,2014:2-13.

[5]李蕾蕾,王海霞,黃潔燕,等.近紅外光譜法快速測定枇杷葉中熊果酸的含量[J].中國實驗方劑學雜志,2013,19(23):103-106.

[6]羅陽,何建國,賀曉光,等.農產品無損檢測中高光譜成像技術的應用研究[J].農機化研究,2013(6):1-7.

[7]王巧華,周平,熊利榮,等.雞蛋光反射特性及其與新鮮度的關系[J].華中農業大學學報,2008,27(1):140-143.

[8]劉燕德,喬振先.雞蛋光特性及其新鮮度的相關性研究[J].江西農業大學學報,2002,24(1):45-47.

[9]吳建虎,黃鈞.可見/近紅外光譜技術無損檢測新鮮雞蛋蛋白質含量的研究[J].現代食品科技,2015,31(5):285-290.

[10]杜丹萌,王風諾,王世平,等.雞蛋新鮮度隨儲藏條件變化規律的研究[J].食品開發,2014,39(5):26-29,33.

[11]張保華,李江波,樊書祥,等.高光譜成像技術在果蔬品質與安全無損檢測中的原理及應用[J].光譜學與光譜分析,2014,34(10):2743-2751.

[12]高海龍,李小昱,徐森淼,等.透射和反射高光譜成像的馬鈴薯損傷檢測比較研究[J].光譜學與光譜分析,2013,33(12):3366-3371.

[13]Giovenzana V,Beghi R,Civelli R,et al.Optical techniques for rapid quality monitoring along minimally processed fruit and vegetable chain[J].Trends Food Sci Technol,2015,46(2):331-338.

[14]Alexandrino G L,Khorasani M R,Amigo J M,et al. Monitoring of multiple solid-state transformations at tablet surfaces using multi-series near-infrared hyperspectral imaging and multivariate curve resolution[J].Eur J Pharm Biopharm,2015,93:224-230.

[15]丁佳興,吳龍國,何建國,等.高光譜成像技術對靈武長棗果皮強度的無損檢測[J].食品工業科技,2016,37(24):58-62,68.

[16]吳龍國,何建國,劉貴珊,等.基于近紅外高光譜成像技術的長棗含水量無損檢測[J].光電子激光,2014,25(1):135-140.

[17]王松磊,吳龍國,康寧波,等.基于高光譜圖譜融合技術的寧夏灘羊肉嫩度檢測方法研究[J].光電子·激光,2016,27(9):987-995.

[18]李丹,何建國,劉貴珊,等.基于高光譜成像技術的小黃瓜水分無損檢測[J].紅外與激光工程,2014,43(7):2393-2397.

[19]強鋒,王芹志,何建國,等.基于VIS/NIR高光譜技術的靈武長棗SSC含量的無損檢測研究[J].現代食品科技,2017,33(4):283-288.