激光与光电子学进展 50,053003(2013) 犔犪狊犲狉牔犗狆狋狅犲犾犲犮狋狉狅狀犻犮狊犘狉狅犵狉犲狊狊 C2013 中国激光 杂志社 鸡蛋新鲜度的可见近红外透射光谱快速识别 赵杰文毕夏坤林颢 孙力管彬彬 ( 江苏大学食品与生物工程学院, 江苏镇江 212013) 摘要哈夫单位 蛋黄指数和失重率是评价鸡蛋新鲜度的重要指标 通过采集反映鸡蛋内部品质的近红外 (550~ 985nm) 透射光谱对其进行了无损 快速定量分析 通过 Savitzky Golay 光谱平滑方法和一阶微分对光谱进行预处理, 采用联合区间偏最小二乘法 (SI PLS) 选取合适的光谱或波长区间进行建模 ; 并将选取的特征变量通过主成分分析, 获取光谱的有效信息作为反向传播人工神经网络 (BP ANN) 的输入变量进行非线性建模 比较两种模型的预测效果发现 SI PLS 模型的性能优于 BP ANN 模型 实验结果表明 : 应用近红外透射光谱评价鸡蛋的新鲜度是可行的 关键词 光谱学 ; 近红外漫透射 ; 偏最小二乘法 ; 哈夫单位 ; 蛋黄指数 ; 失重率 中图分类号 O433.1;Q95 文献标识码 A 犱狅犻 :10.3788/ 犔犗犘 50.053003 犞犻狊犻犫犾犲 犖犲犪狉 犐狀犳狉犪狉犲犱犜狉犪狀狊犿犻狊狊犻狅狀犛狆犲犮狋狉犪犳狅狉犚犪狆犻犱犃狀犪犾狔狊犻狊狅犳狋犺犲犉狉犲狊犺狀犲狊狊狅犳犈犵犵狊犣犺犪狅犑犻犲狑犲狀犅犻犡犻犪犽狌狀犔犻狀犎犪狅犛狌狀犔犻犌狌犪狀犅犻狀犫犻狀 ( 犛犮犺狅狅犾狅犳犉狅狅犱犪狀犱犅犻狅犾狅犵犻犮犪犾犈狀犵犻狀犲犲狉犻狀犵, 犑犻犪狀犵狊狌犝狀犻狏犲狉狊犻狋狔, 犣犺犲狀犼犻犪狀犵, 犑犻犪狀犵狊狌 212013, 犆犺犻狀犪 ) 犃犫狊狋狉犪犮狋犜犺犲犎犪狌犵犺狌狀犻狋, 狔狅犾犽犻狀犱犲狓犪狀犱狑犲犻犵犺狋犾狅狊狊狉犪狋犲犪狉犲犻犿狆狅狉狋犪狀狋犻狀犱犻犮犪狋狅狉狊狋狅犲狏犪犾狌犪狋犲狋犺犲犳狉犲狊犺狀犲狊狊狅犳犲犵犵狊. 犖犲犪狉 犻狀犳狉犪狉犲犱 (550~985 狀犿 ) 狋狉犪狀狊犿犻狊狊犻狅狀狊狆犲犮狋狉犪犲狓狆狉犲狊狊犻狀犵狋犺犲犲犵犵犻狀狋犲狉狀犪犾狇狌犪犾犻狋狔犪狉犲犮狅犾犲犮狋犲犱狋狅犿犪犽犲狀狅狀 犱犲狊狋狉狌犮狋犻狏犲狇狌犪狀狋犻狋犪狋犻狏犲犪狀犪犾狔狊犻狊. 犘狉犲狋狉犲犪狋犿犲狀狋狅犳狊狆犲犮狋狉狌犿犻狊犫犪狊犲犱狅狀犛犪狏犻狋狕犽狔 犌狅犾犪狔狊狆犲犮狋狉狌犿狊犿狅狅狋犺狀犲狊狊犿犲狋犺狅犱犪狀犱犳犻狉狊狋 狅狉犱犲狉犱犻犳犲狉犲狀狋犻犪犾. 犃犿狅犱犲犾犻狊犲狊狋犪犫犾犻狊犺犲犱狌狊犻狀犵狊狔狀犲狉犵犻犮 犻狀狋犲狉狏犪犾狆犪狉狋犻犪犾犾犲犪狊狋狊狇狌犪狉犲 ( 犛犐 犘犔犛 ) 犿犲狋犺狅犱犳狅狉犪狀犪狆狆狉狅狆狉犻犪狋犲狊狆犲犮狋狉犪犾狅狉狑犪狏犲犾犲狀犵狋犺狉犪狀犵犲. 犈犳犲犮狋犻狏犲犻狀犳狅狉犿犪狋犻狅狀狅犳狋犺犲狊狆犲犮狋狉狌犿, 狅犫狋犪犻狀犲犱犳狉狅犿狋犺犲狆狉犻狀犮犻狆犪犾犮狅犿狆狅狀犲狀狋犪狀犪犾狔狊犻狊狅犳犮犺犪狉犪犮狋犲狉犻狊狋犻犮狏犪狉犻犪犫犾犲狊, 犻狊犻狀狆狌狋犻狀狋狅狋犺犲犫犪犮犽狆狉狅狆犪犵犪狋犻狅狀犪狉狋犻犳犻犮犻犪犾狀犲狌狉犪犾狀犲狋狑狅狉犽 ( 犅犘 犃犖犖 ) 狋狅狊犲狋犪狀狅狀犾犻狀犲犪狉犿狅犱犲犾. 犜犺犲犮狅犿狆犪狉犻狊狅狀狅犳狋犺犲狋狑狅犿狅犱犲犾狊狊犺狅狑狊狋犺犪狋狋犺犲犛犐 犘犔犛犿狅犱犲犾犻狊犫犲狋犲狉狋犺犪狀狋犺犲犅犘 犃犖犖犿狅犱犲犾. 犜犺犲狉犲狊狌犾狋狊狆狉狅狏犲狋犺犪狋狋犺犲犪狆狆犾犻犮犪狋犻狅狀狅犳狀犲犪狉 犻狀犳狉犪狉犲犱狋狉犪狀狊犿犻狊狊犻狅狀狊狆犲犮狋狉狌犿狋狅犲狏犪犾狌犪狋犲犲犵犵犳狉犲狊犺狀犲狊狊犻狊犳犲犪狊犻犫犾犲. 犓犲狔狑狅狉犱狊狊狆犲犮狋狉狅狊犮狅狆狔 ; 狀犲犪狉 犻狀犳狉犪狉犲犱犱犻犳狌狊犲狋狉犪狀狊犿犻狊狊犻狅狀 ; 狆犪狉狋犻犪犾犾犲犪狊狋狊狇狌犪狉犲 ; 犎犪狌犵犺狌狀犻狋 ; 狔狅犾犽犻狀犱犲狓 ; 狑犲犻犵犺狋犾狅狊狊狉犪狋犲 犗犆犐犛犮狅犱犲狊 300.6170;0401880;120.7000 1 引言 新鲜度是判别鸡蛋品质的重要标准, 哈夫单位 蛋黄指数和失重率则是评定鸡蛋新鲜度的主要指标 哈夫单位与鸡蛋的浓蛋白高度及其质量有关, 能更加客观地反映鸡蛋的新鲜度 ; 蛋黄指数可反映蛋黄膜的强 [1] 度, 判断鸡蛋的新鲜度, 蛋黄膜弹性变化与蛋黄指数是反映鸡蛋新鲜程度的指标, 贮存期间蛋黄指数值降 [2] 低表示卵黄膜弱化 卵黄液化, 这主要由蛋清水分扩散引起 ; 失重率是衡量鸡蛋品质和保存经济价值的重要指标, 降低失重率是鸡蛋保鲜技术的关键, 蛋壳上气孔是鸡蛋呼吸和内外物质交换的主要通道, 蛋内水分 收稿日期 :2013 01 04; 收到修改稿日期 :2013 02 23; 网络出版日期 :2013 05 06 基金项目 : 国家自然科学基金 (31201451) 国家十二五科技支撑计划 (2011BAD20B12) 镇江市科技支撑计划 (10jDG118) 和江苏高校优势学科建设工程 (PAPD) 资助课题 作者简介 : 赵杰文 (1945 ), 男, 教授, 博士生导师, 主要从事食品和农产品品质快速无损检测等方面的研究 E mail:zhao_jiewen@ujs.edu.cn 通信联系人 E mail:linhaolt794@163.com 053003 1
[3] 和 CO 2 通过气孔向外逸出, 鸡蛋质量减轻, 故随着贮藏时间的延长, 鸡蛋失重率逐渐升高 近红外 (NIR) 光谱技术是依据化学成分对近红外区光谱的吸收特性而进行的测定, 在检测鸡蛋的新鲜 [4] 度方面, 国内外学者也进行了相关的探索和研究 在鸡蛋新鲜度的定性研究方面, 陈斌研究了鸡蛋主要成 [5] 分的光谱透射特性, 人为鸡蛋属于非均匀物体, 光吸收现象属于选择性吸收 ; 吴瑞梅等运用紫外光谱等技 [6] 术研究了鸡蛋蛋白高度的变化 ;Lin 等利用近红外光谱技术结合模式识别方法识别鸡蛋的新鲜度 ; [7] [8] Berardineli 等等利用红外技术测定鸡蛋蛋白高度也取得了一定的研究进展 ; 王巧华等通过选取不同新 [9] 鲜程度的鸡蛋, 研究了光反射特性及其新鲜度的变化关系 在定量研究方面, 王凤朝等用近红外漫反射光谱仪测定保存时间不同的鸡蛋, 探讨了蛋白高度 哈夫单位 气室直径和气室高度近红外模型的可行性 ;Liu [10] [11] 等以不同新鲜度的鸡蛋为研究对象, 建立了鸡蛋透射率与波长 贮藏时间的相关数学模型 ;Giunchi 等通过选取不同饲养方式蛋鸡产的鸡蛋, 研究了鸡蛋新鲜度与近红外光谱的相关性 在定量方面, 研究主要集中在一个指标, 而且采用的是商业化的近红外光谱仪 哈夫单位 蛋黄指数和失重率是国际上鸡蛋品质和新鲜度现场分级的衡量指标, 但迄今为止, 利用光谱技术对哈夫单位 蛋黄指数和失重率等品质参数的无损同步检测技术还鲜有报道, 而传统检测手段的精度和效率急需提高 因此, 亟需建立一种新的能够应用于蛋品质量监督和鸡蛋市场分级的快速无损检测方法 本文通过自行搭建的近红外光谱检测平台对贮藏梯度时间的鸡蛋进行光谱采集, 同步追踪鸡蛋内部品质变化 ( 哈夫单位 蛋黄指数和失重率 ), 并通过光谱区间筛选的方法, 找出鸡蛋新鲜度变化后各个指标在近红外透射光谱区域的表征及其相关关系, 为在无损状态下检测鸡蛋内部品质 评价鸡蛋新鲜度的研究提供理论依据 2 材料与方法 2.1 仪器及参数设置采用自行搭建的近红外光谱检测平台进行鸡蛋品质检验 使用的器件有光谱仪 (Maya2000, 美国海洋光学公司 ) 光源 ( 卤素灯, 功率 20 W, 欧司朗 ) 游标卡尺 ( 分辨率 0.01 mm, 上海量程公司 ) 和电子天平 (JA2003, 分辨率 1mg, 上海上平仪器公司 ) 2.2 实验材料实验材料为同批罗曼蛋鸡所产褐壳新鲜蛋, 共选取 105 枚无污斑裂纹蛋, 均为镇江养鸡场提供 鸡蛋收集完成后小心清除蛋体表面污物并记录蛋品的外观形态参数 ( 鸡蛋的横径 纵径和质量 ), 如表 1 所示, 编号后按照小头朝下大头朝上规则放置于蛋托中室温保存, 并每隔一天 ( 即第 1 3 5 7 9 11 13 天 ) 各取 15 枚鸡蛋进行近红外透射光谱检测及失重率 哈夫单位和蛋黄指数测定 表 1 鸡蛋的形态参数 Table1 Morphologicalparametersofeggssamples Minimum Maximum Mean Standarddeviation Transversediameter/mm 40.91 44.62 42.80105 0.831612 Longitudinaldiameter/mm 51.99 58.94 55.44 1.528882 Mass/g 50.08 66.271 57.40883 3.200679 2.3 鸡蛋近红外透射光谱采集探索和比较不同检测模式 ( 漫反射和漫透射 ) 下检测器所能接收到的光信号是获取鸡蛋新鲜度有效信息的基础 同一个鸡蛋的蛋体 ( 完整鸡蛋 ) 和蛋壳 ( 空蛋壳 ) 在不同检测器下的原始光谱如图 1 所示, 可知近红外漫透射能较好地透过蛋体, 检测信号较强 ; 而近红外漫反射区分蛋体与蛋壳不是很明显, 检测信号较弱 因此本研究优先采用近红外漫透射检测鸡蛋新鲜度 采用自行搭建的近红外光谱检测平台进行光谱采集 检测系统如图 2 所示, 光谱仪主要工作参数为 : 采集谱区范围 550~985nm; 分辨率 0.21nm; 积分时间 50ms; 平滑度 6 点 近红外光谱透射检测由光源直接照射钝端透过蛋体至检测器进行光谱检测 采集前光谱仪预热 30min, 先输入参比光谱 ( 背景光谱和暗光谱 ), 每次测量保持其他条件不变将鸡蛋钝端朝上采集光谱数据, 每一枚鸡蛋获取 5 个不同位置的光谱数据 053003 2
激光与光电子学进展 ５０ ０５３００３ ｗｗｗ ｏｐ ｓ ｏｕ ｎａ ｌ ｎｅ ｊ 图 １ 同一个鸡蛋不同位置的 ａ 反射光和 ｂ 透射光光谱图 Ｆ １ ａ Ｒｅ ｆ ｌ ｅ ｏｎａｎｄ ｂ ａｎｓｍ ｓ ｓ ｏｎｓｐｅ ａｏ ｆ ｈｅｓ ａｍｅｅｇｇａ ｄ ｆ ｆ ｅ ｅｎ ｐｏ ｓ ｏｎｓ ｇ 图 ２ 近红外光谱检测系统 Ｆ ２ Ｓｈｅｍａ ｄ ａｇ ａｍｏ ｆ ｈｅｓ ｅ ｕｐｆ ｏ ＮＩＲｓｐｅ ａ ｌｍｅ ａ ｓｕ ｅｍｅｎ ｇ 取平均值 光谱数据由 Ｓｐｅ ａｓｕ ｅ软件进行采集和转换 ２ ４ 鸡蛋新鲜度指标常规分析 ２ ４ １ 失重率 采集完光谱后 将样本放置于电子天平中称重 每个样本测 量 ３ 次 取平 均 值 为 样 本 的 实 测 值 运 用 测 得 的样本初始质量对应计算鸡蛋的失重率 计算公式为 犠 ｏｇ １００ 犚ｌ 犠 ｏｇ 犠 ｍｅａｓ １ 式中 犚ｌ 为失重率 犠 ｏｇ为鸡蛋保存初期蛋重 犠 ｍｅａｓ为鸡蛋测定日期蛋重 ２ ４ ２ 哈夫单位 将称重完的各个鸡蛋打破后平铺于水平放置的培养 皿上 用游标卡尺分 别 在 不 同 位 置 测 其 浓 蛋 白 高 度 ４ 次并取平均值为样本浓蛋白高度测量值 由样本质量和浓蛋白高度可计算其哈夫单位 犝 Ｈ 计算公式为 犝 Ｈ １００ ｌ 犎 ７ ５７ １ ７犿０ ３７ ｇ 式中 犎 为浓蛋白高度 犿 为鸡蛋质量 ２ ４ ３ 蛋黄指数 ２ 测量鸡蛋浓蛋白高度的同时对应测量其蛋黄直径和 蛋黄 高度 每个样本 用 游 标 卡 尺 分 别 在 不 同 位 置 测 量４ 次并取平均值 作为样本蛋黄直径和蛋黄高度的测量值 用蛋黄直径和蛋黄高度算出蛋黄指数犐ｙ 计算 ０５３００３ ３
公式为 式中犺为蛋黄高度, 犱为蛋黄直径 犐 y = 犺 / 犱, (3) 3 结果与讨论 3.1 鸡蛋哈夫单位 蛋黄指数和失重率随储藏时间的变化由于鸡蛋贮藏时间不同及个体的不同, 其组成成份有显著差异, 光的透射率也会有所不同 同一个鸡蛋贮藏不同的时间或不同鸡蛋贮藏相同的时间在同一波长光的照射下, 透射率有很大差异, 这种差异也为我们用光学特性检测鸡蛋内部品质提供了可能性 由图 3 可见, 随着贮存时间的延长, 哈夫单位呈下降趋势, 保存至第 7 天鸡蛋哈夫单位下降明显 ; 同时, 蛋黄指数逐渐下降, 失重率呈上升趋势, 说明此时鸡蛋新鲜度有显著降低 综上, 随着贮藏时间的变化, 鸡蛋内部的浓蛋白 蛋黄膜厚度 蛋黄浓度 蛋清水分和蛋内水分等都发生不可逆转的变化, 这些变化是导致鸡蛋哈夫单位降低 蛋黄指数减小和失重率上升的关键 ; 同时, 由于近红外光谱是 C-H O-H 基团的和频与倍频吸收, 鸡蛋内部成分的变化必然会导致其近红外透射光谱的变化, 每个鸡蛋样本的光谱都具有明显的差异, 这也为近红外透图 3 鸡蛋新鲜度随贮藏时间的变化射光谱定量预测鸡蛋的哈夫单位 蛋黄指数和失重率提 Fig.3 Indicatorsofeggfreshnessversusstorageperiod 供了可能性 实验鸡蛋分为校正集和预测集两组, 校正集 70 个, 预测集 35 个, 其所对应的化学组分信息如表 2 所示 表 2 校正集和预测集中鸡蛋新鲜度的指标 Table2 Statisticsofeggfreshnessincalibrationandpredictionsamplesets Composition Sampleset Minimum Maximum Mean Standarddeviation Haughunit Yolkindex Weightlossrate/% Calibration 56.3314 90.5536 74.6953 8.4442 Prediction 59.1990 91.2563 75.2363 8.3697 Calibration 0.1363 0.4368 0.2836 0.0824 Prediction 0.1533 0.4288 0.2834 0.0824 Calibration 0.0914 4.13 1.62 1.11 Prediction 0.0953 3.92 1.62 1.12 3.2 鸡蛋的近红外透射光谱采集光谱应保证在相同的实验条件下进行, 分辨率大小和扫描次数的不同对试验结果会有较大的影响 只有在严格控制实验条件的基础上才能获得较好的光谱图 本实验采用一个专门用于鸡蛋的漫透射测试系统 ( 图 2), 可以得到曲线较好的光谱图 图 4 为同一个鸡蛋不同角度测得的原始光谱图 从图 4 可知, 同一个鸡蛋由于其内部组织有所差异, 光谱图稍有变化, 但其光谱形状具有相似性, 位置的差异性不明显 这些图谱在 630~850nm 范围内较为明显, 包含信息丰富 光谱在 635nm 处有比较强的吸收峰, 吸收峰主要与水 醇分子的 O-H 基团的和频与倍频吸收有关 700~850nm 处的吸收峰可能与 C-H 基团的和 图 4 同一个鸡蛋不同位置的透射光谱图 Fig.4 Transmissionspectraofthesameeggat diferentpositions 053003 4
频吸收和 O-H 基团的倍频吸收有关 3.3 确定最佳光谱预处理方法 为了去除来自高频随机噪声 基线漂移 样本不均匀和光散射等的影响, 需要进行光谱预处理来消除噪声 图 5 为鸡蛋原始光谱图 与原始光谱相比, 一阶导数光谱具有消除原始光谱平移误差 ( 也称基线误差 ) 的功能, 二阶导数光谱具有消除原始光谱旋转误差的功能, 导数光谱同时还具有分离多组分物质的光谱重叠现象的作用, 为了减少光谱噪声的影响首先对光谱进行 Savitzky Golay 滤波平滑处理 本研究在 550~ 985nm 波段范围, 为了比较不同的光谱预处理方法对预测模型的影响, 通过偏最小二乘 (PLS) 方法分别比较了多元散射校正 (MSC) 标准正态变量变换 (SNV) 一阶导数 (1stDer) 和二阶导数 (2ndDer)4 种不同光谱 [12] 处理方法, 从分析结果来看, 各种方法的校正结果接近, 相比较而言, 一阶导数结果最好, 其校正模型相关系数较高, 预测标准偏差较低 图 6 为经过预处理后的光谱图 图 5 105 个鸡蛋样本的原始光谱图 图 6 105 个鸡蛋样本的一阶导数预处理光谱图 Fig.5 OriginalNIRspectraof105eggsamples Fig.6 Typicalfirst orderderivativespectraof 105eggsamples 3.4 选择组分相关的特征变量由图 6 知鸡蛋内部品质与近红外透射光谱有明显的相关性, 光谱全波段 550~985nm 共有 2068 个点, [13] 如采用全光谱计算, 计算量大, 而且有些区域样本的光谱信息很弱, 与样本的组成或性质间缺乏相关性 因此有必要选取合适的光谱区间或波长进行建模, 可以减小建模运算时间, 剔除噪声过大的谱区, 使最终建立的农产品品质近红外光谱模型的预测能力和精度更高 联合区间偏最小二乘法 (SI PLS) 是一种有效的 [14] 波长筛选方法 该方法将整个光谱等分成若干个子区间, 然后联合其中的几个子区间建立局部模型, 利用验证均方根误差 (RMSECV) 和预测样本均方根误差 (RMSEP) 来评价与对比各个局部模型的准确度, 准 [15] 确度最好的局部模型所对应的联合子区间即为最优子区间 本实验将整个光谱区域分别划分为 10 11 12 25 个子区间, 以考查不同数目的子区间划分对模型性能以及最佳波长区间的影响 在数据处理过程中, 在划分为相同子区间的情况下, 又尝试分别联合 2 个 3 个和 4 个子区间对哈夫单位 蛋黄指数和失重率分别建立局部预测模型 哈夫单位反映的是鸡蛋的浓蛋白高度及其质量, 蛋白质和水的变化是引起哈夫单位变化的主要因素, 在近红外光谱中主要表现在 C-H O-H 基团, 由此得到的鸡蛋哈夫单位的特征区间为划分 20 个区间, 联合第 6 17 18 19 这 4 个区间, 对应的特征波长区间为 [666.83nm,689.38nm] [905.19nm,965.56nm] 蛋黄指数的变化主要由蛋清水分扩散引起, 鸡蛋贮藏期间, 蛋白内的水分通过蛋黄膜向蛋黄扩散使蛋黄逐渐变稀, 同时蛋黄膜弹性降低, 体积增大, 蛋黄指数逐渐减小, 在近红外光谱中主要表现在 N-H O-H 基团, 特征区间为划分 14 个区间, 联合第 4 7 12 13 这 4 个区间, 对应特征波长区间为 [650.08nm,682.39nm] [746.58nm,777.79nm] [899.41nm,957.05nm] 失重率主要与鸡蛋的质量有关, 蛋壳上的气孔是鸡蛋呼吸和内外物质交换的主要通道, 蛋内水分和 CO 2 通过气孔向外逸出, 鸡蛋质量减轻, 在近红外光谱中主要表现在 O-H 基团, 特征区间表现在划分 18 个区间, 联合第 6 7 8 9 这 4 个区间, 特征波长区间在 [678.89nm,777.57nm] 表 3 为用联合区间偏最小二乘模型分析鸡蛋哈夫单位 蛋黄指数和失重率的结果 图 7 为联合区间偏最小二乘法选取的最优区间 053003 5
表 3 鸡蛋哈夫单位 蛋黄指数和失重率的特征区间的 SI PLS 模型分析结果 Table3 FeaturespectraofSI PLSfordeterminationofHaughunit,yolkindexandweightlossrateofegg Components Featurespectral Models Numberofprincipal Calibrationset Predictionset range/nm components RMSECV RMSEP Haughunit 666.83~689.38,905.19~965.56 SI PLS 10 3.82 5.25 Yolkindex 650.08~682.39,746.58~777.79, 899.41~957.05 SI PLS 8 0.0267 0.0377 Weightlossrate 678.89~777.57 SI PLS 7 0.00355 0.00543 图 7 通过 SI PLS 对鸡蛋 (a) 哈夫单位 (b) 蛋黄指数和 (c) 失重率的特征光谱区域进行筛选 Fig.7 OptimalfeaturespectralregionsselectedbySI PLSofthe(a)Haughunit,(b)yolkindexand (c)weight lossrateineggsamples 3.5 定标模型确定及验证 通过采用 SI PLS 和反向传播人工神经网络 (BP ANN) 两种校正方法进行讨论, 找出了适合本研究的最佳校正模型 BP ANN 采用 3 层拓扑结构分别构建鸡蛋哈夫单位 蛋黄指数和失重率的预测模型 以鸡蛋近红外光谱数据中提取的光谱信息特征变量, 进行主成分分析, 并对模型相关参数进行优化, 以训练集和预 [16] 测集的预测结果与实测值的相关系数为指标来优化主成分数 实验设定的相关参数为: 输出层单元数为 1, 即为哈夫单位 蛋黄指数或失重率的实测值 ; 传递函数为双曲正切函数 (tanh); 训练过程中的学习因子和动量因子都置为 0.1, 初始权重为 0.3, 训练迭代 1000 次, 模型输入层的最佳主成分数通过训练结果来优化 两种不同定量校正模型的结果比较如表 4 所示 比较两种不同校正模型的结果, 可以得出 SI PLS 模型的预测性能要优于 BP ANN 方法 为了检验校正模型的可靠性, 通过未知样本结果的预测考查建立的校正模型的准确性 图 8(a)~(c) 分别为用建立的校正模型对未知样本的哈夫单位 蛋黄指数和失重率的预测值及其与实测值的比较 其中犚 c 为校正集的相关系数, 犚 p 为预测集的相关系数 从结果综合分析认为, 采用 SI PLS 校正方法建立的校正模型具有比较高的预测准确度 表 4 鸡蛋哈夫单位 蛋黄指数和失重率的 SI PLS BP ANN 检测模型 Table4 ModelsofSI PLSandBP ANNfordeterminationoftheHaughunit,yolkindexandweightlossrateofeggsamples Components Model Numberofprincipalcomponents Calibrationset resolution Haughunit Yolkindex Weightlossrate Predictionset resolution SI PLS 10 0.8948 0.8163 BP ANN 8 0.8759 0.765 SI PLS 8 0.9456 0.9081 BP ANN 6 0.9323 0.8756 SI PLS 7 0.9469 0.8778 BP ANN 3 0.9413 0.8303 随着贮藏时间的延长, 蛋体中的蛋黄变稀, 浓蛋白减少, 造成鸡蛋哈夫单位和蛋黄指数降低, 失重率增高 ; 而利用自制的近红外光谱检测设备进行相应检测时, 其光的透射率增高, 光谱的吸收峰则随之降低 ( 如图 5 所示 ) 由此可看出, 光谱变化与鸡蛋的哈夫单位 蛋黄指数及失重率之间存在特定的线性相关性 SI 053003 6
PLS 是一种线性回归运算而 BP ANN 为非线性运算方法, 因此,SI PLS 所建模型对鸡蛋哈夫单位 蛋黄指数及失重率的预测效果均优于 BP ANN 模型 图 8 鸡蛋 (a) 哈夫单位 (b) 蛋黄指数和 (c) 失重率的预测值与实测值的散点图 Fig.8 CorrelationbetweenNIRpredictedresultsandreferencemeasuredofthe(a)Haughunit,(b)yolkindexand (c)weightlossrateineggsamples 4 结论 本研究尝试通过近红外透射光谱检测技术同步测量鸡蛋的哈夫单位 蛋黄指数和失重率来评判鸡蛋的新鲜度, 采用联合区间偏最小二乘法对鸡蛋近红外光谱进行了特征谱区或特征波长的筛选, 并用 SI PLS 和 BP ANN 方法建立预测模型, 两种模型都表达了近红外透射光谱对鸡蛋哈夫单位 蛋黄指数和失重率较好的预测能力, 其中,SI PLS 模型对鸡蛋哈夫单位 蛋黄指数和失重率的预测效果均优于 BP ANN 模型 结果表明, 通过筛选合适的光谱或波长区间并选取最优方法进行建模, 可以减小建模运算时间, 剔除噪声过大的谱区, 并最终完成对农产品内部品质的同步预测 参考文献 1W.J.Stadelman.QualityIdentificationofShelEggs.In:EggScienceandTechnology[M].New York:HaworthPress, 1995.39 2ChenChangxiu.Efectofchitosan coatingoneggquality[j]. 犉狅狅犱犛犮犻犲狀犮犲,2010,31(24):453~456 陈常秀. 壳聚糖涂膜对鸡蛋品质的影响 [J]. 食品科学,2010,31(24):453~456 3FuXing,MaMeihu,CaiChaoxia 犲狋犪犾..Acomparativestudyofuseofcoatingagentsforpreservationofeggs[J]. 犉狅狅犱犛犮犻犲狀犮犲,2010,31(2):260~263 付星, 马美湖, 蔡朝霞等. 不同涂膜剂对鸡蛋涂膜保鲜效果的比较研究 [J]. 食品科学,2010,31(2):260~263 4ChenBin.Studyonphotoelectricdetectionofeggquality [J]. 犑. 犑犻犪狀犵狊狌犝狀犻狏犲狉狊犻狋狔狅犳犛犮犻犲狀犮犲犪狀犱犜犲犮犺狀狅犾狅犵狔,1996, 17(6):1~5 陈斌. 鸡蛋品质光电检测的研究 [J]. 江苏理工大学学报,1996,17(6):1~5 5 WuRuimei,YanLinyuan,QiaoZhenxian.Correlationbetweenfreshnessandopticalproportyofdiferentkindsofeggs [J]. 犃犮狋犪犃犵狉犻犮狌犾狋狌狉犪犲犝狀犻狏犲狉狊犻狋犪狋犻狊犑犻犪狀犵狓犻犲狀狊犻狊,2004,26(5):781~784 吴瑞梅, 严霖元, 乔振先. 不同品种鸡蛋新鲜度与其光特性的相关关系 [J]. 江西农业大学学报,2004,26(5):781~784 6LinHao,ZhaoJiewen,Sun Li 犲狋犪犾..Freshness measurementofeggsusing nearinfrared (NIR)spectroscopyand multivariatedataanalysis[j]. 犐狀狀狅狏犪狋犻狏犲犉狅狅犱犛犮犻犲狀犮犲犪狀犱犈犿犲狉犵犻狀犵犜犲犮犺狀狅犾狅犵犻犲狊,2011,12(2):182~186 7A.Berardineli,A.Giunchi,A.Guarnieri 犲狋犪犾..Trans.ASAE,2005,48(4):1423~1430 8 WangQiaohua,ZhouPing,XiongLirong 犲狋犪犾..Spectralreflectancecharacteristicandfreshnessofchickenegg [J]. 犑. 犎狌犪狕犺狅狀犵犃犵狉犻犮狌犾狋狌狉犪犾犝狀犻狏犲狉狊犻狋狔,2008,27(2):140~143 王巧华, 周平, 熊利荣等. 鸡蛋光反射特性及其与新鲜度的关系 [J]. 华中农业大学学报,2008,27(2):140~143 9 WangFengchao,LiuXingtang,HuangShucai.Targetfusiondetectionwith multi featurebasedonfuzzyevidencetheory [J]. 犃犮狋犪犗狆狋犻犮犪犛犻狀犻犮犪,2010,30(3):713~719 王凤朝, 刘兴堂, 黄树采. 基于模糊证据理论的多特征目标融合检测算法 [J]. 光学学报,2010,30(3):713~719 053003 7
10LiuYan de,yingyi bin,ouyangai guo 犲狋犪犾..Measurementofinternalqualityinchickeneggsusingvisibletransmitance spectroscopytechnology[j]. 犉狅狅犱犆狅狀狋狉狅犾,2007,18(1):18~22 11AlessandroGiunchi,AnnachiaraBerardineli,LuigiRagni 犲狋犪犾..Non destructivefreshnessassessmentofsheleggsusing FT NIRspectroscopy[J]. 犑. 犉狅狅犱犈狀犵犻狀犲犲狉犻狀犵,2008,89(2):142~149 12ZhaoJiewen,Zhang Yanhua,Chen Quansheng 犲狋犪犾..Measurementof TVB N contentby multi informationfusion techniquebasedonspectroscopyandimaging [J]. 犔犪狊犲狉牔犗狆狋狅犲犾犲犮狋狉狅狀犻犮狊犘狉狅犵狉犲狊,2012,49(6):063003 赵杰文, 张燕华, 陈全胜等. 光谱和成像融合技术检测猪肉中挥发性盐基氮 [J]. 激光与光电子学进展,2012,49(6): 063003 13Guo Weiliang,WangDan,SongJia 犲狋犪犾..Simultaneousandrapidquantitativeanalysisoffourcomponentsin 犆狅狉犱狔犮犲狆狊犿犻犾犻狋犪狉犻狊 myceliumpowderusingnearinfraredspectroscopy[j]. 犃犮狋犪犗狆狋犻犮犪犛犻狀犻犮犪,2011,31(2):0230002 郭伟良, 王丹, 宋佳等. 近红外光谱法同时快速定量分析蛹虫草菌丝体中 4 种有效成分 [J]. 光学学报,2011, 31(2):0230002 14Z.A.Obanu,A.A.Mpieri.Eficiencyofdietaryvegetableoilsinpreservingthequalityofsheleggsunderambient tropicalconditions[j]. 犛犮犻犲狀犮犲犉狅狅犱犃犵狉犻犮狌犾狋狌狉犲,1984,35(12):1311~1320 15GuoZhiming,ChenLiping,HuangWenqian 犲狋犪犾..Applicationofgeneticalgorithm leastsquaressupportvectorregression withnearinfraredspectroscopyforpredictionofnicotinecontentintobacco [J]. 犔犪狊犲狉牔犗狆狋狅犲犾犲犮狋狉狅狀犻犮狊犘狉狅犵狉犲狊,2012, 49(2):021201 郭志明, 陈立平, 黄文倩等. 近红外光谱结合 GA LSSVR 分析烟草尼古丁含量 [J]. 激光与光电子学进展,2012,49(2): 021201 16LiShuo,WangShanqin,ZhangMeiqin.Comparisonamongprincipalcomponentregression,partialleastsquaresregression andbackpropagationneuralnetworkforpredictionofsoilnitrogenwithvisible nearinfraredspectroscopy[j]. 犃犮狋犪犗狆狋犻犮犪犛犻狀犻犮犪,2012,32(8):0830001 李硕, 汪善勤, 张美琴. 基于可见近红外光谱比较主成分回归 偏最小二乘回归和反向传播神经网络对土壤氮的预测研究 [J]. 光学学报,2012,32(8):0830001 053003 8