FOOD CHEM|海南大学云永欢课题组：高光谱成像技术结合数据融合的罗非鱼鱼片新鲜度快速检测研究

摘要

今天介绍一篇来自海南大学云永欢课题组发表在Food Chemistry (IF=7.514，中科院1区TOP期刊)上的论文。该文研究了两种波段范围的高光谱成像系统（可见-近红外光谱（Vis-NIR）和近红外光谱（NIR））在冷藏期间测定罗非鱼鱼片中挥发性盐基氮（TVB-N）含量的潜力。利用Vis-NIR和NIR数据，建立了高光谱图像中罗非鱼鱼片平均光谱与其TVB-N含量之间的校正模型，并采用数据融合和多种变量选择方法对模型进行优化。最后，采用优化的模型来实现罗非鱼鱼片中TVB-N含量的可视化分布。结果表明，高光谱成像技术结合数据融合和变量选择等化学计量学方法在罗非鱼鱼片新鲜度无损评价分析中具有可行性。

1. 介绍

罗非鱼（Oreochromis niloticus），属于热带鱼类，原产于非洲，故又称非洲鲫鱼，是世界水产业的重点科研培养的淡水养殖鱼类，其在欧洲有“21 世纪之鱼”之称，在国内它被称为“白色三文鱼”。其肥大肉厚、质嫩刺少、味道鲜美、富有弹性、蛋白质含量高及营养价值高，受到全世界消费者的青睐。冻罗非鱼片是罗非鱼最主要的产品形式。

由于微生物和内源酶的作用，这些不利因素将对鱼类新鲜度产生负面影响。鱼片新鲜度是衡量鱼类品质的重要指标，对指导食用、鱼类分级和加工具有重要作用。传统的测量鱼片新鲜度的方法是费力、有损坏和耗时。因此，开发一种快速、无损、非接触、环境友好的鱼类新鲜度评价方法具有重要意义。

高光谱成像技术是一种新兴的光谱和成像技术系统，已被广泛用作食品质量和安全测定中的创新性无损伤性分析工具。高光谱图像数据由样品的光谱数据和空间信息数据组成，也称为“超立方体”（x，y，λ），具有三个维度，包括一个光谱维度（λ）和两个空间维度（x，y）。与其他光谱和化学分析方法相比，高光谱成像具有揭示质量属性分布的独特能力。近年来，高光谱成像技术已广泛应用于食品质量和安全评估中，如对虾、牛肉、羊肉，鸡蛋、黄瓜、鱼和咖啡豆。

此外，通过将来自两个甚至多个数据源的单个信息进行协同，数据融合可以提供比单个数据块更完整的信息和对结果的全面理解。数据融合通常以三种方式进行：低水平、中水平和高水平。通过低水平数据融合，来自至少两个不同来源的单个数据块被简单拼接（合并或串联）。因此，变量（特征）的数量大大增加，而样本的数量保持不变。通过中水平数据融合，选择并连接来自主成分（PC）得分向量的原始数据特征或变量选择算法选择的变量。在高水平数据融合中，模型建立在单个独立数据块的基础上，并将相应模型的结果合并，以各种方式生成最终决策。高水平数据融合主要用于解决分类问题。数据融合分析已成功应用于许多食品分析领域，如咖啡、中国蜂蜜、榛子、大米胚芽等。

该研究的主要目的是基于两种不同波段范围的高光谱成像系统（Vis-NIR和NIR），结合数据融合分析和变量选择方法，评估高光谱成像在4℃冷藏期间测定罗非鱼鱼片TVB-N含量的潜力。继而利用Vis-NIR和NIR单一数据块，利用各自的优化模型实现了罗非鱼鱼片中TVB-N值的分布图。

2. 材料及方法

2.1. 样品和预处理

试验材料罗非鱼片均购于海南澄迈翔泰渔业公司，共120个鱼片样本，每个鱼片用封口袋装好置于4℃冰箱中冷藏。在1、4、7、9、11和12天时，随机选择20个鱼片用于光谱采集和化学指标测定。TVB-N含量测定参考文献(Cai J et al., 2011)的测定方法。

2.2. 高光谱成像系统

高光谱成像系统示意图，如图1所示，其中包括两个成像系统， Vis-NIR（400-1000 nm）和NIR（900-1700 nm）。Vis-NIR高光谱成像系统包括一个线扫描成像光谱仪（ImSpector V10，Specim, Finland），其分辨率为4 nm，CCD相机，其分辨率为1392×1040和一个相机镜头（HSIA-OL23，Finland）。同样，NIR高光谱成像系统也包括一个成像光谱仪（ImSpector N17E，Specim, Finland），其分辨率为4 nm，一个InGaAs相机，其分辨率为320×256，一个相机镜头（HSIA-OLE22，Finland）。

为了获取清晰的高光谱图像，将罗非鱼片放置在移动平台上，移动鱼片进入机视野，以线扫描的方式采集高光谱图像。采集参数如下：曝光和调焦时间设置为默认值，镜头高度调整为17 cm。最后，两个高光谱系统分别采集到120个原始高光谱图像。

图1高光谱成像系统原理图

2.3 高光谱图像处理

图像处理包括原始高光谱图像校正和感兴趣区域(Region of interest，ROI)提取。应用黑白对照校正高光谱图像能减少系统中光强度和检测器中暗电流的影响。基于黑色标准和白色标准图像计算得到校正后的高光谱图像。ROI提取过程见图2，主要包括建立掩膜和应用掩膜两个步骤。进而计算得到每个鱼片的平均光谱用于后续分析.

图3 感兴趣区域提取示意图

2.4 数据融合

数据融合合并多个来自不同信息源的数据，创建一个综合和详细的数据集。基于不同数据形式的融合水平，可将其分为低水平、中水平和高水平融合(Huang F et al., 2020)。本研究主要研究低水平和中水平两种融合策略如图4所示。

图4低水平和中水平数据融合原理图

2.5 变量选择

获得的分别具有118个和218个波长点的Vis-NIR和NIR光谱数据可被视为高维数据。这类数据通常包含大量具有强共线性的冗余和噪声变量，降低了所开发模型的性能。为了解决这些问题，在去除非信息变量和噪声变量的同时，通过优化波长选择来选择信息变量，从而缩短建模的计算时间。这里，采用CARS、GA、IRIV以及联用策略方法mVCPA-GA和mVCPA-IRIV等几种变量选择方法。

2.6 化学信息可视化

当高光谱图像中的像素输入到TVB-N值的PLSR校正模型中时，对于每个像素（即每条光谱），将输出一个对应的TVB-N预测值。组合所有TVB-N预测值，得到TVB-N含量的化学图像。可视化图以伪彩图的形式呈现，可清晰地观察到罗非鱼片新鲜度的变化。

2.7 软件和程序

最佳波长选择、模型校准、高光谱图像处理和化学信息可视化的所有算法均在MATLAB 2013a（the MathWorks，Inc.）中执行。CARS和GA的MATLAB代码可在以下网站免费下载：http://www.libpls.net/和http://www.models.life.ku.dk/GAPLS分别地此外，IRIV、mVCPA GA和mVCPA IRIV的MATLAB代码也可以从https://cn.mathworks.com/matlabcentral/profile/authors/5526470-yonghuan-yun.

3. 结果与讨论

3.1. 光谱特征分析

图5显示了每个罗非鱼片ROI的平均反射光谱。从整体上看，两种不同的光谱各自呈现相似的趋势，但在光谱反射强度上存在一些差异，这主要是由于冷藏期间鱼片的主要化学物质降解。光谱反射强度上升，对应的TVB-N值下降。可以推断出，光谱反射强度与TVB-N值呈负相关，这可以归结为蛋白降解期间，产生氨和胺类物质，从而导致有机化合物对光的吸收逐渐增强。与NIR光谱数据相比较，Vis-NIR光谱数据在三个不同TVB-N值范围内（7-16、16-26和26-36 mg/100 g）呈现出更明显的差异。

图5罗非鱼片在4℃贮藏期间的平均光谱。a: Vis-NIR spectra, b: NIR

3.2 基于低水平融合数据的多元校正

低水平融合是直接将Vis-NIR与NIR数据进行拼接形成新的光谱数据矩阵。简单地将两个数据拼接融合明显地提高了光谱的波长数，带入有信息的变量的同时，也会增加了很多无信息和噪声变量。因此，波长选择有必要应用到低水平融合的数据中。基于低水平融合数据的建模结果见表1所示，从表中可以看出，与Vis-NIR和NIR数据中对应的波长选择方法相比较，在低水平融合数据中，所有模型的性能都有所提高。与对应的单个方法相比较（GA和IRIV），联用方法（mVCPA-GA和mVCPA-IRIV）获得了较好的预测性能。总之，与单个Vis-NIR和NIR数据比较，两种数据进行低水平融合时测定罗非鱼片新鲜度具有更好的效果。如图6所示，GA、IRIV和mVCPA-GA选取的波长分别在Vis-NIR、NIR和低层融合数据波长范围中的分布。

表1数据融合和最优波长选择的结果

图 6 GA、IRIV和mVCPA-GA选取的波长分别在Vis-NIR、NIR和低层融合数据波长范围中的分布。绿点代表GA在Vis-NIR光谱中选择的变量；红点代表IRIV在NIR光谱中选择的变量；蓝点代表mVCPA-GA在低水平融合数据中选择的变量。

3.3基于中水平融合数据的多元校正

采用主成分分析与波长选择两种方式提取特征。采用主成分分析提取单个Vis-NIR和NIR数据中的前10个主成分得分，然后对得分矩阵进行拼接产生一个20维矩阵用于多元校正分析。基于波长选择的融合是通过波长选择方法筛选波长，将从Vis-NIR和NIR光谱数据中分别筛选的特征波长进行拼接形成新的数据矩阵。

从表1中可以看出，应用主成分分析提取特征形成的中水平融合数据后所建立的模型，相比于Vis-NIR和NIR单个数据块，能有效地预测罗非鱼片TVB-N含量。基于波长选择的中水平数据融合，CARS筛选的波长所建模型效果效果最好。总体上说，应用波长选择方法建立的模型较主成分分析提取特征所建立的模型表现出更好的预测能力。

3.4 化学信息可视化

采用Vis-NIR和NIR数据中的最优模型，分别为GA和IRIV方法所选波长建立的模型，应用独立测试集构建罗非鱼片TVB-N含量的可视化分布图。根据高光谱图像的像素点，利用建立的模型将其转化为TVB-N值，并通过线性颜色条，再次转化为不同颜色值。在可视化分布图中，有着相似的光谱特征将拥有相似的颜色值(TVB-N预测值)。如图7所示，随着TVB-N值从低到高变化（从12.10到35.69 mg/100 g），从图7a到c和图 7d到f，Vis-NIR和NIR可视化图的红色区域逐渐增加。因此，可以清楚地观察到罗非鱼片在冷藏期间从新鲜到腐败变化过程。

图7 罗非鱼片TVB-N含量的可视化分布图。图a，b和c是基于Vis-NIR数据。d，e和f是基于NIR数据。a和d：TVB-N = 12.10 mg/100 g；b和e：TVB-N = 22.59 mg/100 g；c和f：TVB-N = 35.69 mg/100 g

4. 结论

本研究采用Vis-NIR和NIR两种波段范围的高光谱成像系统，结合数据融合和变量选择方法，对罗非鱼鱼片在4℃贮藏期间的新鲜度进行了评价。对于单个数据块，GA和IRIV波长选择方法分别使用可见-近红外和近红外数据获得最佳预测结果。与基于单一可见-近红外和近红外数据的变量选择方法相比，所有基于低层融合数据的变量选择方法都获得了更好的模型性能。对于中级数据融合，采用了两种方法，包括PC和波长融合，PC融合数据模型性能有显著改善，使用波长选择方法的中级数据融合结果优于Vis-NIR数据，但不如NIR数据。综上所述，本研究表明高光谱成像技术结合化学计量学方法在评价罗非鱼鱼片新鲜度方面具有可行性。

参考文献

• Hai-Dong Yu^#, Li-Wei Qing, Dan-Ting Yan, Guanghua Xia, Chenghui Zhang, Yong-Huan Yun*, Weimin Zhang*. Hyperspectral imaging in combination with data fusion for rapid evaluation of tilapia fillet freshness. Food Chemistry, 2021, 348, 129129.
• 文章链接: https://doi.org/10.1016/j.foodchem.2021.129129

扫码关注我们

微信号｜FoodAI