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)成為非常受消費(fèi)者歡迎的肉制品之一。在生產(chǎn),、運(yùn)輸,、銷售和儲(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)生氨以及胺類等堿性含氮等物質(zhì),，這些物質(zhì)可以統(tǒng)稱為揮發(fā)性鹽基氮（TVB-N）,。因此，可用TVB-N含量判斷肉類的新鮮程度,，其被認(rèn)為是監(jiān)測(cè)肉類質(zhì)量的最重要和常用的指標(biāo)之一,。另外，肉類的高水分含量有助于腐敗微生物的生長(zhǎng),；檢測(cè)肉類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?。?/span>
該研究從廣州當(dāng)?shù)厥袌?chǎng)隨機(jī)購(gòu)買了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含量的最佳預(yù)處理方法為SNV,、SD和SD，TVC含量的最佳預(yù)處理方法為Nor,、GFS和NOR,；并使用最佳預(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含量精度最高,，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含量精度最高，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%,。總的來(lái)說(shuō),，盡管特征波長(zhǎng)提取方法沒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含量精度最高,，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含量精度最高，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含量精度最高,，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含量精度最高,，其RP2和RMESP分別為0.9176,，0.1998?？傊梢缘贸鼋Y(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含量精度最佳,；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含量精度最佳,。
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,。該研究利用最佳模型構(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似趨勢(shì)，如圖5e~5h所示,?？偟膩?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.
(空格分隔,最多3個(gè),單個(gè)標(biāo)簽最多10個(gè)字符)
會(huì)員.png)
8
立即詢價(jià)
您提交后,，專屬客服將第一時(shí)間為您服務(wù)