江苏大学食品与生物工程学院, 江苏 镇江 212013
人造植物肉在其原料运输、 制糜和包装等加工环节时有发生异物污染事件, 误食异物会严重损害人的身体健康。 常规食品异物检测方法容易检测出如金属、 石头等坚硬、 深色异物, 而软质、 浅色、 透明异物却是食品异物污染事件中的主要来源且是检测的难点。 根据异物和人造肉各自化学组成成分的差异, 提出了一种人造肉中低色度差异物的高光谱成像检测方法, 根据异物与人造肉光谱信息的差异, 建立模式识别模型, 来进行人造肉中低色度差异物的判别, 最后结合数字图像处理技术对异物进行空间分布可视化。 选取了聚碳酸酯(PC)、 涤纶树脂(PET)、 聚氯乙烯(PVC)、 硅胶、 玻璃五种食品生产加工过程中常见的低色度差异物为研究对象, 模拟人造肉压片的工业制作流程, 将异物混入人造肉肉糜中, 制备混有异物的人造肉样品, 分别采集异物和人造肉感兴趣区域(ROI)的反射高光谱数据, 采用SG, SNVT, MSC, VN, 1ST及2ND六种不同的光谱预处理方法对原始光谱数据进行预处理, 然后采用主成分分析法(PCA)对预处理后的光谱数据降维, 采用连续投影算法(SPA)提取人造肉的特征波长。 分别以全波段光谱、 特征波长和主成分变量作为模式识别模型输入变量, 对比LDA, KNN, BP-ANN, LS-SVM四种模式识别模型的准确率, 优选出最佳的定性识别模型, 设置优选模型异物类别输出变量为1、 人造肉类别为0, 生成二值图像, 再结合数字图像处理技术实现人造肉中异物分布可视化, 进而实现人造肉中低色度差异物的识别。 结果表明, 采用SG预处理后的光谱在降噪方面优于其他预处理方式。 SPA法优选了人造肉10个特征波长。 全波段主成分变量结合BP-ANN模型的检测效果最佳, 准确率达98.33%。 验证了高光谱技术应用于人造肉中低色度差异物检测的可行性。
人造肉 低色度差异物 高光谱成像技术 模式识别 分布可视化 Soy protein meat Low chromaticity difference foreign matter Hyperspectral imaging technology Pattern recognition Distribution visualization 光谱学与光谱分析
2022, 42(4): 1299
宁夏大学食品与葡萄酒学院, 宁夏 银川 750021
可溶性蛋白和谷胱甘肽(GSH)是羊肉重要的生理生化指标, 是衡量机体抗氧化能力大小的重要因素, 传统检测方法程序复杂, 检测费时。 为此应用可见-近红外(400~1 000 nm)高光谱成像技术实现可羊肉可溶性蛋白和还原性谷胱甘肽(GSH)含量无损、 快速检测。 首先, 对采集的180个羊肉样本的原始光谱信息采用4种方法进行预处理, 再运用竞争自适应加权算法(CARS)、 区间变量迭代空间收缩算法-迭代和保留信息变量法(iVISSA-IRIV)进行特征波段的提取。 同时使用灰度共生矩阵法(GLCM)提取贡献率最高的主成分图像的纹理信息。 最后将优选出的预处理方法和特征波长信息作为光谱信息和光谱-纹理融合信息分别结合多元线性回归(MLR)、 最小二乘支持向量机(LS-SVM)模型建立羊肉可溶性蛋白和谷胱甘肽含量的预测模型。 结果显示未经预处理的原始光谱建立的羊肉可溶性蛋白含量PLSR模型效果最佳, 其Rc和Rp分别为0.875 7和0.854 7; 采用SNV法预处理后光谱建立的羊肉GSH含量PLSR模型效果最佳, 其Rc和Rp分别为0.804 8和0.826 5。 利用iVISSA-IRIV共筛选出31个特征波长, 建立的羊肉可溶性蛋白LS-SVM模型的Rc和Rp最优, 分别为0.914 6和0.881 8; 同时利用iVISSA-IRIV筛选出29个特征波长, 建立的羊肉GSH-MLR模型的Rc和Rp最优, 分别为0.844 6和0.870 5。 最终经光谱特征信息和图谱信息融合模型对比发现, 建立iVISSA-IRIV-LS-SVM模型对羊肉可溶性蛋白预测效果最佳, 其Rc和Rp分别为0.914 6和0.881 8; 利用SNV-iVISSA-IRIV法提取的光谱特征信息与纹理信息融合建立的MLR模型为预测羊肉GSH含量的最优模型, 其Rc和Rp分别为0.849 5和0.890 4。 利用最优iVISSA-IRIV-LS-SVM和iVISSA-IRIV-MLR模型和成像处理方法, 结合伪色彩图像直观的表示羊肉样本的可溶性蛋白和GSH含量的空间分布情况。 研究结果表明利用高光谱图像的光谱和纹理信息能够用来预测羊肉可溶性蛋白和GSH含量。
高光谱成像技术 特征波长筛选 可溶性蛋白和GSH含量 纹理特征 可视化 Hyperspectral imaging technology Characteristic wavelength selection Soluble protein and GSH contents Textural features Distribution visualization 
江苏大学食品与生物工程学院, 农业装备工程学院, 江苏 镇江 212013
豆腐作为我国传统食品, 其生产已有两千多年的生产历史, 但目前市场上的豆腐还是以经验式小作坊生产为主, 难以保证豆腐质量和品质的均一性。 水分和蛋白质含量是影响豆腐品质的重要因素, 然而, 水分与蛋白质的传统检测方法过程繁琐, 耗时、 费力, 无法及时指导生产。 因此, 探索豆腐制备过程中水分和蛋白质分布的快速、 无损、 定量描述方法, 可为精确调控豆腐制备工艺提供科学依据。 应用高光谱成像技术结合化学计量学方法检测豆腐形成过程中豆浆、 热浆、 凝胶、 豆腐四种不同状态下水分与蛋白质含量变化并实现其含量分布可视化。 采集每种状态下120个样品在432~963 nm波段范围内的高光谱图像, 利用ENVI软件选取感兴趣区域并计算样品的平均光谱数据。 采用卷积平滑(savitzky-golay, SG)结合多元散射校正(multiplicative scatter correction, MSC)对原始光谱进行预处理, 消除光谱噪声影响。 用预处理后的光谱数据建立偏最小二乘回归(PLSR)和主成分回归(PCR)定量模型, 比较发现豆浆、 热浆、 凝胶、 豆腐样品的PCR模型对与水分和蛋白质的预测结果均低于PLSR模型。 选用PLSR模型作为最优模型, 采用连续投影算法(SPA)筛选豆浆、 热浆、 凝胶、 豆腐样品的特征波长, 分别选取13, 9, 8和9个特征波长建立基于特征波长下的PLSR模型。 结果表明: 与全波段下的PLSR 模型相比基于特征波长建立的SPA+PLSR模型的预测效果更好, 对水分的预测模型RP达到0.84~0.96, 蛋白质的预测模型达到0.92~0.97。 基于预测效果更好的SPA+PLSR模型计算豆浆、 热浆、 凝胶、 豆腐图像中每个像素点的水分与蛋白质含量, 将样品中的水分与蛋白质分布用不同的颜色直观显示, 实现水分与蛋白质在不同状态下的分布。 验证了高光谱技术对豆腐形成中水分与蛋白质含量检测的可行性, 解决传统检测方法的缺陷, 为豆腐生产的工业化和智能化提供理论依据。
豆腐 高光谱成像技术 分布可视化 水分 蛋白质 Tofu Hyperspectral imaging technique Distribution visualization Water Protein 光谱学与光谱分析
2020, 40(11): 3549
为探究高光谱成像(400～1 000 nm)对羊肉中饱和脂肪酸（SFA）含量检测的可行性, 提出一种基于特征光谱信息和图像纹理特征融合的SFA含量预测模型, 实现对羊肉中SFA含量的快速检测及分布可视化。 利用分段阈值法构建掩膜图像, 获取羊肉样本感兴趣区域（ROI）, 结合SPXY法对样本集进行划分并对相关光谱信息进行预处理, 分别采用连续投影算法（SPA）、 变量组合集群分析法（VCPA）和β权重系数法提取特征光谱； 通过获取羊肉样本主成分图像, 结合灰度共生矩阵（GLCM）算法提取图像纹理信息； 分别对特征光谱、 图像信息及图谱融合信息建立的偏最小二乘回归（PLSR）与最小二乘支持向量机（LS-SVM）预测模型进行对比分析。 利用5种不同对原始光谱数据进行预处理, 经SNV法预处理后的光谱其校正集与预测集相关系数分别为0.921和0.875, 较原始光谱分别增加了0.001和0.04, 均方根误差模型分别为0.244和0.268, 较原始光谱模型分别减少了0.003和0.06； 对SNV法预处理后的光谱数据进行特征波长提取, SPA法、 VCPA法及β权重系数法分别提取出12, 10和9个特征波长； 获取羊肉样本的前5个主成分图像, 选择所含信息量最多的第一主成分图像进行纹理特征提取, 依次提取0, 45°, 90°和135°方向下的能量、 熵、 同质性和相关性共4个主要纹理特征。 利用SPA法提取的特征波长建立的PLSR与LS-SVM模型性能较好, PLSR模型校正集与预测集相关系数分别为0.884 9和0.880 7, 均方根误差分别为0.300 1和0.260 6； LS-SVM模型校正集与预测集相关系数分别为0.898 7和0.892 6, 均方根误差分别为0.276 7和0.247 6； 图谱信息融合模型中, PLSR模型校正集与预测集相关系数分别为0.907 1和0.907 8, 较特征光谱模型分别增加了0.02和0.03, 均方根误差分别为0.326 9和0.299 2, 较特征光谱模型分别增加了0.03和0.04； LS-SVM模型校正集与预测集相关系数分别为0.920 6和0.894 6, 较特征光谱模型分别增加了0.02和0.002, 均方根误差分别为0.251 9和0.245 8, 较特征光谱模型分别减少了0.02和0.002。 光谱预处理中经SNV法处理后的光谱所建模型性能优于其他预处理方法； 采用SPA法提取的12个特征波长简化了光谱模型, 提高了模型性能, 特征光谱建模的最优方法为SPA-LS-SVM； 图谱信息融合模型较特征光谱模型, 模型相关系数增加较少, 表明图像纹理信息虽携带了部分有效信息, 但这些信息与羊肉中SFA含量之间的相关性有待进一步研究。 基于图谱信息融合模型的预测性能最优, 其次为光谱信息模型。 择优选取SPA-PLSR模型计算羊肉样本中每个像素点的SFA含量, 利用伪彩色图直观表示了羊肉样本中SFA的含量分布。 实现对羊肉样本SFA含量的无损检测及分布可视化表达。
高光谱成像技术 图谱信息融合 最小二乘支持向量机 分布可视化 饱和脂肪酸 Hyperspectral imaging technology Fusion of hyperspectral spectrum and image informa LS-SVM Distribution visualization Saturated fatty acid
