1. AI新视界首页
  2. AI食品

基于智能手机检测掺假牛肉糜

今天介绍一篇来自北京大学的宋惟然与王哲、海南大学的云永欢以及英国阿尔斯特大学的王晖等人于2021年2月发表在Microchemical Journal上的一篇论文。该研究基于智能手机摄像头拍摄猪肉糜与牛肉糜混合样品获得视频数据,经图像处理转换为类光谱数据,采用偏最小二乘回归(PLSR)建立模型并预测猪肉糜掺到牛肉糜的水平,测试集决定系数R2范围为0.73 ~ 0.98,均方根误差RMSEP范围为0.04 ~ 0.16。

今天介绍一篇来自北京大学的宋惟然与王哲、海南大学的云永欢以及英国阿尔斯特大学的王晖等人于2021年2月发表在Microchemical Journal上的一篇论文。该研究基于智能手机摄像头拍摄猪肉糜与牛肉糜混合样品获得视频数据,经图像处理转换为类光谱数据,采用偏最小二乘回归(PLSR)建立模型并预测猪肉糜掺到牛肉糜的水平,测试集决定系数R2范围为0.73 ~ 0.98,均方根误差RMSEP范围为0.04 ~ 0.16。

01 介绍

作为汉堡包、香肠和肉饼等许多受欢迎食品的重要原料,牛肉糜在世界范围内的消费量极大。它具有良好的营养价值和合理的价格,并且易于生产者的准备和加工。但是,由于去除了形态特征,牛肉糜的真实性很难通过颜色和质地特性来识别。因此,牛肉糜经常出现由于经济利益驱动的掺假掺杂情况,这使消费者在健康风险、经济损失和宗教冲突方面感到担忧。尽管自2013年马肉丑闻爆发以来,肉类和肉制品的真实性受到了越来越多的关注,但简单而经济的检测掺假碎牛肉仍然是一个挑战。

高光谱成像同时获取光谱信息和空间信息,解决肉糜各向异性问题,通过分布图可以直观地表示掺假程度,获取和分析高光谱数据(超立方体)是一项费时的工作且成本也超出了消费者的预期。而低成本小型化光谱仪,如Spectral Engines、 SCIO和TellSpec,价格仍在950美元至1899美元之间。因此,目前的光谱技术在简单和经济的掺假牛肉糜检测方面仍然不实用。

智能手机作为可以捕获物体的可见光谱和空间信息的传感器系统,可在智能手机屏幕的彩色照明下录制短视频,通过计算机视觉技术进行处理,并使用化学计量学方法进行分析,该传感器系统已被证明可以有效检测乳脂含量和掺假橄榄油。视频帧中的空间信息可以表征异质样本表面的色阶差,而帧序列中的光谱信息包含波长在410 ~ 634 nm范围内的指纹数据。这些波长与肉的色素有关,包括肌红蛋白、氧合肌红蛋白、正铁肌红蛋白和脱氧肌红蛋白。

因此,该文利用智能手机视频结合图像处理和化学计量学检测牛肉糜中是否存在猪肉糜。样本视频由智能手机录制,并转换成三维数据立方体,由彩色照明下的视频帧组成,建立PLSR模型用来量化掺假程度。此外,预测图是基于智能手机视频生成,以实现掺假情况的可视化。

02 材料和方法

2.1、样品准备

来自8个不同屠体的新鲜牛肉和猪肉经过裁剪,去掉可能影响分析的大部分脂肪、结缔组织和皮肤,然后用绞肉机绞碎1分钟。将牛肉糜与猪肉糜均匀混合,浓度从0到100% (w/w),以10%的增量增加。准备了三组样本,收集了七组不同日期的数据。每组数据共制备66个样品,每个浓度6个样品。

2.2、视频采集与处理

安装了Camera2Video应用程序的两部智能手机(三星Galaxy C5和A9s)被固定或手持在室温下录制样本视频(27◦C)。根据红、绿、蓝色度的不同比例,智能手机屏幕上产生了从紫色到红色的一系列颜色。用屏幕照亮样品表面,摄像头拍摄短视频。录像是在两种背景(黑白参考)和黑暗条件下进行的。样本视频的持续时间约为4秒,文件大小为5mb,以960 × 720像素的MP4格式存储。将样本视频分割成帧,表示为感兴趣区域并且转换为立方数据。手动选择感兴趣区域(ROI)来移除背景,并以大约17 KB大小的JPG图像存储。将这些感兴趣区域图像分解为红、绿、蓝(RGB)颜色通道,颜色等级从0(暗)到255(亮)。然后,通过对视频中每个ROI图像的颜色级别进行平均,使得每个样本的光谱信息以一个向量的形式得到。

2.3、数据分析

图1总结的数据分析过程主要包括数据划分、内部验证、预测和掺假水平可视化。基于duplex数据集划分方法,将每个掺杂级别的光谱数据按2:1的比例划分为训练集和测试集。用PLSR建立光谱与掺假水平之间的关系。回归模型通过对训练集的留一法交叉验证进行内部验证。此外,利用竞争自适应重加权抽样法(CARS)进行波长选择并用于预测测试集数据的掺假水平,基于CARS筛选变量简化PLSR模型,分析ROI中的像元,最后用可视化分布图直观地表示掺假程度。

基于智能手机检测掺假牛肉糜

图1. 检测猪肉掺牛肉糜的视频处理及数据分析流程图

3 结果与讨论

3.1 光谱信息  

根据掺杂程度取平均值的视频数据如图3所示,其中以两组数据(数据集5和7)为例,说明不同掺杂程度的光谱差异。由于每一帧被分解为RGB颜色通道,两组数据分别有414个变量和405个变量(帧数× 3)。每个帧对应的屏幕颜色表示为x轴上方的颜色条。不同掺假水平的样品平均值在颜色水平之间有明显的区别。随着掺假量的增加,色度值呈增加趋势。通过对第5和第7个数据集进行主成分分析(PCA),研究所有样本之间的相似性和差异性。图4显示了根据PCA得分绘制的样本,其中前两个主成分(PCs)占总方差的91%以上。随着掺假率的不断升高,相应的样品大致沿PC1轴正方向分布。

基于智能手机检测掺假牛肉糜

图3. 肉糜样品(数据集-5 (a)和数据集-7(b))的视频数据根据牛肉的百分比进行平均。每个视频帧被分解成RGB颜色通道。智能手机屏幕上与框架相对应的颜色用x轴上方的颜色条表示。

基于智能手机检测掺假牛肉糜

图4. 属于数据集-5 (a)和数据集-7 (b)的肉糜样品的前两种成分的主成分分析得分图。

3.2 掺假的量化

表2总结了每个全变量数据的PLSR结果。为了使建模性能可视化,图5对交叉验证和预测的实际和预测响应进行了绘制。根据不同的实验设置,交叉验证和预测的R2值分别在0.82 ~ 0.99和0.73 ~ 0.98之间,其RMSE值大多在0.05 ~ 0.14之间。

基于智能手机检测掺假牛肉糜

表2. 牛肉糜中猪肉掺假的PLSR模型校正、验证和预测结果。

3.3 空间分布

除了量化掺假程度外,视频方法还可以直观地提供掺假预测图。CARS算法首先选择训练集上的重要变量,然后利用这些变量开发一个简化的PLSR模型进行映射,如图6所示。所选变量分别对应红色通道的第70-74、82-86和117帧,绿色通道的第4帧和蓝色通道的第66帧。在R2P和RMSEP中,基于这些变量的PLSR模型比基于所有变量的PLSR模型的性能分别高出0.05和0.03。

将简化后的模型对ROI中的像素进行量化,得到的分布图如图7所示。掺假水平的变化用从低(蓝色)到高(黄色)的线性色度条来表示。从分布图上看,颜色变化趋势明显,可以很容易地区分掺假程度的差异。

基于智能手机检测掺假牛肉糜

图6. CARS根据视频数据选择的13个变量(a)和应用于验证和预测的简化PLSR模型的性能(b)。

基于智能手机检测掺假牛肉糜

图7. 10%至90%不同水平的猪肉掺假牛肉糜预测图,增量为10%。

4 结论

与高光谱成像系统相比,视频录制的背景照明控制较少,重现性较差,视频方法在类似任务上的性能较低。然而,短视频的文件大小(<5MB)远小于超立方体(>1GB),这使得短视频可以快速的进行数据处理。由于为了达到较高的经济效益,掺假水平通常高于10%,所以低成本的视频方法检测掺假的牛肉糜具有可行的。

因此,与光谱技术和高光谱成像相比,视频方法在价格和数据获取方面更贴近用户。因此,它有可能被用作加工企业和监管机构预先检测肉糜掺假的有效工具。

参考文献

Weiran Song, Yong-Huan Yun, Hui Wang, Zongyu Hou, Zhe Wang. Smartphone detection of minced beef adulteration. Microchemical Journal, 2021, 164, 106088.

基于智能手机检测掺假牛肉糜基于智能手机检测掺假牛肉糜

微信号|FoodAI

原创文章,作者:ifyoung,如若转载,请注明出处:https://www.drugfoodai.com/smart-phone-beaf.html

发表评论

邮箱地址不会被公开。 必填项已用*标注