基於高光譜成像技術結合數據融合策略的雞肉多品質快速定性評價

引言：

雞肉因其富含較高的蛋白質含量、易於人體消化、雞肉口感好，它已經成為*受消費者歡迎的肉製品之一。在生產、運輸、銷xiao售shou和he儲chu藏zang過guo程cheng中zhong雞ji肉rou容rong易yi變bian質zhi
，吃chi變bian質zhi的de雞ji肉rou可ke能neng會hui引yin起qi不bu良liang的de健jian康kang反fan應ying和he疾ji病bing。因yin此ci，雞ji肉rou品pin質zhi和he安an全quan受shou到dao了le越yue來lai越yue多duo的de關guan注zhu。雞ji肉rou的de變bian質zhi是shi由you於yu酶mei和he細xi菌jun的de作zuo用yong
，在zai腐fu敗bai過guo程cheng中zhong使shi蛋dan白bai質zhi分fen解jie而er產chan生sheng氨an以yi及ji胺an類lei等deng堿jian性xing含han氮dan等deng物wu質zhi，這zhe些xie物wu質zhi可ke以yi統tong稱cheng為wei揮hui發fa性xing鹽yan基ji氮dan（TVB-N）。因此，可用TVB-N含量判斷肉類的新鮮程度，其被認為是監測肉類質量的最重要和最常用的指標之一。另外
，肉類的高水分含量有助於腐敗微生物的生長；檢測肉類中的微生物含量並及時進行測量可以有效控製微生物引起的腐敗。因此
，代表微生物生長的菌落總數含量（TVC）也是控製和評估肉類質量的重要指標。本研究利用高光譜成像技術結合數據融合策略開發了雞肉TVB和TVC含量的快速、無損準確檢測方法。

樣本製備及其光譜數據提取：

該研究從廣州當地市場隨機購買了100隻新鮮的雞胸脯肉，用無菌刀具從雞胸脯肉中心切下約30mm×30mm×20mm的立方體
，共得到240個新鮮雞肉樣品。然後，將所有樣品均單獨放置在無菌一次性塑料盒中並貼上標簽。最後
，將樣品儲藏在4℃的環境下，在儲藏的第0、2
、4、6、8
、10
、12和14天隨機抽取了30個樣品用於高光譜圖像采集和其對應的理化值（TVB和TVC）測定。其中
，利用了GaiaField-Pro-V10E型和GaiaField-Pro-N17E型xing高gao光guang譜pu相xiang機ji采cai集ji了le不bu同tong儲chu藏zang期qi雞ji肉rou樣yang品pin的de高gao光guang譜pu圖tu像xiang，使shi用yong圖tu像xiang處chu理li技ji術shu提ti取qu了le雞ji肉rou樣yang品pin區qu域yu的de平ping均jun光guang譜pu數shu據ju
，光guang譜pu數shu據ju提ti取qu流liu程cheng如ru圖tu1所示。

圖1 光譜數據提取流程

數據處理與結果分析：

1）雞肉TVB和TVC含量統計及光譜分析。在儲藏期14天內
，雞肉樣品的TVB-N和TVC含量變化如圖2所示，TVB-N含量和TVC含量變化都呈現逐漸上升的趨勢。以TVB-N含量的四個不同範圍為例
，分別繪製了Vis-NIR和NIR範圍的平均光譜曲線，如圖3所示。從圖中可以發現隨著雞肉樣品中TVB-N含量的增加，光譜曲線整體趨勢向下移動，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（儲藏期14天）

圖3 TVB-N含量不同範圍的平均光譜曲線（a：Vis-NIR，b：NIR）

2）數據融合策略。該研究采用了低級融合方法（LLF）和中級融合方法（ILF）分別對雞肉的Vis-NIR和NIR光譜範圍的數據進行了融合，數據融合過程如圖4所示。其中，低級融合方法是指對Vis-NIR和NIR範圍的光譜數據進行串行拚接；中級融合方法是指分別提取Vis-NIR和NIR範圍的特征並進行串行拚接。然後，將單數據（Vis-NIR
、NIR）、LLF融合數據和ILF數據融合分別用於建立雞肉的TVB-N含量和TVC含量預測模型。

圖4 數據融合過程

3）光譜數據預處理及結果分析。由於光譜數據包含儀器和檢測條件引起的噪聲和雜散光等幹擾信息
，該研究利用了高斯濾波平滑（GFS）、Savitzky–Golay平滑（SGS）方法
、最小二乘擬合導數係數
、一階導數（FD）、二階導數（SD）和標準正態變換等七種不同預處理方法分別對Vis-NIR
、NIR和LLF的全光譜數據進行了預處理並建立了PLSR模型。根據校正集


、交叉驗證集和測試集的決定係數（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光譜數據對TVB-N含量的*佳預處理方法為SNV
、SD和SD，TVC含量的*佳預處理方法為Nor、GFS和NOR；並使用*佳預處理方法進行後續的研究。

4）單數塊（Vis-NIR

、NIR）建立的PLSR模型分析。該研究使用了連續投影算法（SPA）
、競爭性自適應加權算法（CARS）
、隨機森林（RF）、遺傳算法（GA）和變量組合集群分析法聯合遺傳算法（VCPA-GA）五種特征提取方法分別提取了Vis-NIR、NIR光譜範圍的特征波長，並建立PLSR模型預測雞肉的TVB-N含量和TVC含量，建模結果如表1所示。對於雞肉的TVB-N含量預測而言，使用GA方法提取NIR光譜範圍內的87個特征波長建立的模型預測TVB-N含量精度*高，其RP2和RMESP分別為0.8346，2.8910
，這與全光譜建模的結果相似，而與256個全光譜波長相比，波長數量減少了近66.02%。對於雞肉的TVC含量預測而言，使用CARS方法提取NIR光譜範圍內的86個特征波長建立的模型預測TVB-N含量精度*高
，其RP2和RMESP分別為0.9143

，0.1976，這與全光譜建模的結果相似

，而與256個全光譜波長相比
，波長數量減少了近66.40%。總的來說，盡管特征波長提取方法沒有顯著改善模型的預測性能，但它顯著減少了波長的數量
，這是非常有意義的。

表1 單數據（Vis-NIR、NIR）的PLSR模型比較

5）融合數據（LLF
、ILF）建立的PLSR模型分析。融合數據（LLF、ILF）建模結果如表2所示，在LLF低級融合策略中對於雞肉的TVB-N含量預測而言
，使用VCPA-GA方法提取的34個特征波長建立的模型預測TVB-N含量精度*高，其RP2和RMESP分別為0.8514，2.7397。對於雞肉的TVC含量預測而言
，使用CARS方法提取的116個特征波長建立的模型預測TVC含量精度*高，其RP2和RMESP分別為0.9275
，0.1889。在ILF中級融合策略中對於雞肉的TVB-N含量預測而言，使用VCPA-GA方法提取的88個特征波長建立的模型預測TVB-N含量精度*高，其RP2和RMESP分別為0.8653，2.6094。對於雞肉的TVC含量預測而言，使用GA方法提取的100個特征波長建立的模型預測TVC含量精度*高
，其RP2和RMESP分別為0.9176，0.1998。總之可以得出結論
，使用融合數據（LLF
、ILF）建立的PLSR模型都優於單數塊（Vis-NIR、NIR）的預測精度。其中，使用中級融合數據（VCPA-GA方法）建立的PLSR模型預測TVB-N含量精度*佳；使用低級融合數據（CARS方法）建立的PLSR模型預測TVC含量精度*佳。

表2 融合數據（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*佳模型構建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，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域也逐漸增加；TVC含量的變化也具有類似趨勢，如圖5e~5h所suo示shi。總zong的de來lai說shuo，以yi可ke視shi化hua分fen布bu圖tu的de形xing式shi表biao示shi雞ji肉rou的de質zhi量liang指zhi標biao有you助zhu於yu企qi業ye更geng準zhun確que地di分fen割ge雞ji肉rou，並bing讓rang消xiao費fei者zhe更geng快kuai速su的de地di了le解jie雞ji肉rou質zhi量liang，這zhe是shi高gao光guang譜pu成cheng像xiang技ji術shu相xiang對dui於yu其qi他ta無wu損sun檢jian測ce技ji技ji術shu的de最zui大da優you勢shi。

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.