基于可見光-近紅外高光譜信息與數據融合的木質化雞胸肉的判別模型構建

張 娜，李 震，蘭維杰，屠 康，武 杰，王兆山，趙 干，潘磊慶,*

（1.南京農業大學食品科技學院，江蘇南京 210095；2.蚌埠學院食品與生物工程學院，安徽蚌埠 233030；3.江蘇益客食品集團股份有限公司，江蘇宿遷 223800）

雞胸肉蛋白質含量豐富，價格低廉，深受消費者喜愛，需求量逐漸攀升，是我國消費產量第二多的肉類產品[1-2]。為提高雞肉產量，育種科學家致力于培養優質品種。然而，在育種過程中由于氧化應激等引起的木質化雞胸肉（wooden breast，WB）十分常見[3]，導致雞胸肉的蛋白質含量降低，脂肪含量升高[4]，且在食用時出現橡膠質地的口感[5]。營養價值和口感及外觀可接受度的下降，降低了消費者的購買欲望，導致肉雞行業遭到不利影響，制約了其進一步發展。在中國，2019 年數據統計出輕微、中度和重度木質化的發生率分別為31.1%、23.3%和7.6%[6]，而巴西由WB 造成的損失可達70000 美元/天[7]。WB 已經成為全球肉雞企業共同面臨的巨大挑戰之一。因此，建立一種快速準確的方法檢測WB 和判別其木質化程度以減少WB 在家禽業中造成的經濟損失，對于整個冷鮮肉雞產業鏈意義重大。

目前，WB 的檢測主要依靠視覺或觸覺等外觀特征，即通過觀察比較WB 的顏色、大小以及表面是否有分泌物和淤血等判斷WB 的木質化等級[8]。Sihvo等[9]于2014 年提出采用觸診法進行WB 木質化分級，這種通過觸摸雞胸肉并根據觸摸時的堅硬程度進行木質化分級的方法過于依賴個人主觀感受，而且易受到溫度、濕度、光線等環境因素的影響。此外，肌體宰后可能會發生僵直等導致雞胸肉硬度增加，從而影響WB 木質化程度的判別準確性[10]。

高光譜成像技術（hyperspectral imaging，HSI）是一種新興的無損檢測技術，可同時獲取樣品的光譜和圖像信息，具有前處理簡單、環保無污染、無破壞性、無損、“圖譜合一”等特點[11]，在食品檢測方面具有獨特優勢，已被廣泛應用于雞肉品質檢測[12]。如，王慧等[13]使用近紅外HSI 結合化學計量學方法成功建立了預測雞胸肉嫩度的偏最小二乘回歸（partial least squares regression，PLSR）模型，預測集相關系數（correlation coefficient of prediction，Rp）大 于0.90，實現了雞肉嫩度的快速無損檢測；何鴻舉等[14]基于HSI 信息構建了預測雞肉滴水損失率的定量PLSR 模型（Rp=0.97），表明HSI 可潛在地實現雞肉滴水損失率的快速預測。Yoon 等[15]研究了光譜域光學斷層掃描和HSI 技術在快速無損檢測和分選木質化雞胸肉方面的潛力，證明400～1000 nm 內的HSI 信息可判別正常和木質化兩類雞胸肉。HSI 在雞肉品質無損檢測中的應用得到了廣泛研究。

不同光譜技術與多元化學計量學和不同數據融合策略的結合已成為提高食品認證和質量評估鑒定可靠性的一種手段。多源數據融合技術通過將來源于不同傳感器的物理信息數據拼接在一起，擴大樣本信息、獲得綜合信息特征數據，提升對樣本的檢測速度，發揮先進技術的優勢。雖然高光譜技術已經獨立用于雞肉品質的檢測，但迄今為止聯合應用兩波段HSI 檢測雞胸肉不同木質化程度的研究在國內鮮有報道。

鑒于HSI 在雞肉品質檢測上展現出的簡單、快速及無損等優勢，本研究嘗試以白羽雞雞胸肉為研究對象，利用高光譜成像系統采集不同等級木質化雞胸肉在可見近紅外（400～1000 nm）和短波紅外（1000～2000 nm）內的HSI 信息，選擇不同光譜預處理算法和特征波長篩選方法，建立基于全波段、特征波段和兩波段數據融合的雞胸肉木質化的分級模型，以期實現木質化雞胸肉等級分類的無損檢測，為快速準確判別WB 木質化程度提供理論參考和技術支持。

1 材料與方法

1.1 材料與儀器

白羽雞雞胸肉 購于江蘇省宿遷市益客集團肉食雞屠宰場。

可見-近紅外高光譜成像系統（400～1000 nm）：包括ImSpector V10E 成像光譜儀 芬蘭Specim；ICLB1620CCD 相機 美國Imperx；IT3900ER 鹵素光源 美國Illumination Technologies。短波近紅外高光譜系統（1000～2000 nm）：包括ImSpector N25E成像光譜儀 芬蘭Specim；Raptor EM285CL 相機英國Raptor Photonics；IRCP0076-ICOMB001 移動平臺 臺灣五鈴光學股份有限公司。兩個系統的圖像采集軟件和HSI 分析軟件 均購于臺灣五鈴光學股份有限公司。

1.2 實驗方法

1.2.1 雞胸肉分級 從肉雞（宰后2～3 h）雞胸肉分割生產線上挑選試驗所需的雞胸肉，共計240 個樣本。參考Tijare 等[8]的分級標準，由經驗豐富的專業人員根據表1，通過肉眼和觸診法將WB 樣本劃分為正常（normal breast，NB）、輕微木質化（mild wooden breast，MILD）、中度木質化（moderate wooden breast，MOD）和嚴重木質化（severe wooden breast，SEV）4 個等級（圖1），每個等級60 個樣品。將樣本表面肌膜剔除后，單獨分裝至一次性塑封袋內并貼上標簽，儲存在4±1 ℃。

圖1 不同等級木質化雞胸肉Fig.1 Different grades of wooded chicken breast

表1 雞胸肉分級標準Table 1 Grading standard of chicken breast

1.2.2 高光譜數據采集與校正 采用線掃描模式獲取每個雞胸肉樣品（皮側）的高光譜圖像?？梢?近紅外高光譜成像系統（圖2a）成像光譜儀的分辨率為2.8 nm。為了避免陰影的干擾[16]，將兩個光源在距離樣品30 cm 處以45°的投射角度固定于相機兩側，相機鏡頭與樣品之間的距離為26 cm，光源強度為45 W，曝光時間為3 ms，移動平臺的速度為7 mm/s。短波紅外高光譜成像系統（圖2b）使用光譜分辨率為6.2 nm 的成像光譜儀，光源在距離樣品31 cm 處以45°的投射角度固定于樣品斜上方，相機鏡頭與樣品之間的距離為26 cm，光源強度為255 W，曝光時間為3.5 ms，移動平臺的速度為17 mm/s。

圖2 可見-近紅外（a）和短波紅外（b）高光成像系統實物圖Fig.2 Physical images of visible-near (a) and short-wave infrared (b) hyperspectral imaging systems

光譜采集前，高光譜成像系統需打開預熱30 min，以穩定光源。擦凈雞胸肉表面水分后，將其放在移動平臺上，進行圖像采集。不均勻的光源強度、相機暗電流和光柵散射等均會影響光譜采集，因此需對采集的原始高光譜圖像（R0）進行黑白校正以消除冗余的信息[17]。其中，白校正使用反射率為99.99%的白色聚四氟乙烯板獲取標準白校正圖像（W），暗校正是通過全部覆蓋鏡頭獲得標準黑校正圖像（B），通過公式（1）可獲得校正后的高光譜圖像（R）：

式中：R 為高光譜校正圖像；R0是原始高光譜圖像；B 為標準黑校正圖像；W 為標準白校正圖像。

1.2.3 光譜信息提取 使用圖像分割法提取雞胸肉樣品的典型光譜數據[18]。為了更準確地獲取與木質化相關的信息，將最先發生木質化的雞胸肉頭部位置作為感興趣區域（region of interest，ROI），每個感興趣區域的大小為900（30×30）像素（圖1）。通過MATLAB R2016a 軟件（MathWorks 公司，美國）進行ROI 的識別和ROI 內光譜數據的提取，獲取并計算每個樣品ROI 區域內的平均光譜值，以平均值作為每個雞胸肉樣品的光譜。

1.3 數據處理

1.3.1 光譜預處理 采用自動標準化（Autoscale）、標準正態變量法（standard normal variate，SNV）、正交信號校正法（orthogonal signal correction，OSC）、平滑法（Smoothing）、一階導數法（first derivative，1-st）等算法進行光譜預處理，以減少光譜采集時由噪音、暗電流及基線漂移等外界環境因素造成的不良影響，降低光譜冗余度，提高模型精確度和魯棒性[19]。

1.3.2 特征波長篩選 HSI 數據龐大，不可避免地包含部分與木質化肌病無關的信息，特征波長篩選可去除無用信息，挑選出與木質化特征最相關的特征波長，這在簡化模型的同時可提高模型運行速度和模型準確率。本文采用連續投影算法（successive projections algorithm，SPA）、競爭性自適應重加權算法（competitive adaptive reweighted sampling，CARS）以及無信息變量消除法（uninformative variable elimination，UVE）3 種方法挑選特征波長。

1.3.3 模型建立與評估 利用多種算法對HSI 數據進行預處理，建立基于400～1000 nm 和1000～2500 nm內的全波長、特征波長及兩波段數據融合的木質化雞胸肉分級的偏最小二乘判別分析（partial least squares-discriminant analysis，PLS-DA）和支持向量機（support vector machine，SVM）判別模型，并通過建模集和預測集的判別正確率對模型性能進行評估。

1.3.4 數據處理軟件 使用MATLAB R2016a 軟件進行光譜數據處理；使用Origin 2020b 軟件繪圖。

2 結果與分析

2.1 光譜分析

可見-近紅外高光譜和短波紅外高光譜的原始光譜范圍分別為383～1011 nm 和982～2526 nm。為降低噪聲影響，去除前后部分波段，最終選取400～1000 nm 和1000～2000 nm 波段進行光譜分析。圖3為不同等級木質化雞胸肉樣品在兩個波段下的反射光譜，每條光譜代表每選取一個感興趣區域內的信息。4 個等級木質化雞胸肉平均光譜的變化趨勢大致相似，平均光譜的相對反射率隨著木質化程度的增加而升高，正常雞胸肉樣品的平均反射率最低。

圖3 不同等級木質化雞胸肉在400～1000 nm（a、b）和1000～2000 nm（c、d）內的原始光譜和平均光譜圖Fig.3 Original and mean spectra of different grades of wooden chicken breast in 400～1000 nm (a, b) and 1000～2000 nm (c, d)

在400～1000 nm 內，正常雞胸肉的相對反射率低于木質化雞胸肉（圖3a 和b），這可能是木質化雞胸肉的組分變化導致光譜曲線的主要反射波段發生了變化，如420、550、760 和970 nm 處出現了較明顯的光譜吸收峰。420 和550 nm 附近的光譜吸收峰主要與血紅蛋白和肌紅蛋白分子上的血紅素吸收有關，反映雞胸肉的表面顏色信息[20]。木質化雞胸肉的肌纖維變性，從而引起肌紅蛋白的過度表達，雞胸肉原本的Ⅱ型纖維轉為Ⅰ型纖維。760 nm 附近的吸收帶是有機物中C-H 鍵的四倍頻吸收帶[21]，而980 nm附近的吸收帶是水分子中O-H 鍵的二級倍頻的拉伸振動引起的反射率變化[22]。

在1000～2000 nm 內，隨著木質化等級的增加，樣品光譜反射強度梯度式從低到高逐漸變化（圖3c和d），在1190、1420 和1940 nm 處出現了較明顯的光譜吸收峰。研究發現，1190 nm 處的吸收峰與脂質中C-H 鍵的二級倍頻有關[23]；1420 nm 處的吸收峰源于N-H 鍵的振動[24]；1940 nm 處的吸收峰與雞肉組分中結構官能團C-H 鍵的一級倍頻相關[25]。由于木質化雞胸肉的肌肉組織結構和組成發生改變，使其結合水與蛋白質的結合能力降低，自由水含量增多。由此可見，不同木質化程度的雞胸肉組分不同，導致其在400～1000 和1000～2000 nm 內的光譜吸收存在差異，這為基于HSI 進行雞胸肉木質化程度判別奠定了基礎。

2.2 基于全波段的木質化雞胸肉判別模型的建立

采用Autoscale、SNV、Smoothing、1st、OSC 等算法進行光譜預處理，構建基于400～1000 和1000～2000 nm 全波段的木質化雞胸肉的PLS-DA 和SVM判別模型，結果如表2 和表3 所示。400～1000 nm內，經光譜預處理的PLS-DA 分級模型的建模集正確率較原始光譜均有所提高，其中經SNV 預處理的PLS-DA 模型的建模集和預測集正確率分別提高了12.8%和5.0%，判別效果最佳。對于SVM 模型，基于原始光譜建立的模型欠擬合，這可能是因為所建模型過于簡單，無法較好地學習數據的特征[26]。經SNV 預處理后，SVM 模型欠擬合程度得到一定改善，建模集和預測集的正確率分別為98.3%和88.3%，甚至高于SNV-PLS-DA 模型的正確率，分類效果較好。因此，在400～1000 nm 內SNV-SVM 模型分類效果最佳。

表2 基于400～1000 nm 波段的木質化雞胸肉等級分類模型Table 2 Classification models for the grades of wooden chicken breast in 400～1000 nm

表3 基于1000～2000 nm 波段的木質化雞胸肉等級分類結果Table 3 Classification models for the grades of wooden chicken breast in 1000～2000 nm

1000～2000 nm 內，Autoscale、SNV、1-st、OSC等光譜預處理算法提高了PLS-DA 模型建模集和預測集的正確率，其中經Autoscale 預處理的PLSDA 模型對4 個等級木質化雞胸肉的正確率均達85.0%以上，預測集達80.0%以上。對于SVM 模型，OSC-SVM 模型效果最差，SNV-SVM 模型的建模集正確率（99.4%）最高，但其預測集正確率（90.0%）低于Raw-SVM 模型。經Autoscale、Smoothing、1-st 預處理的SVM 模型預測集正確率均為95.0%，其中1-st-SVM 模型建模集正確率較低，Smoothing-SVM 模型略高，Autoscale-SVM 模型最高。Autoscale-SVM 模型建模集和預測集正確率分別為96.1%和95.0%，且對4 個不同等級的建模集判別正確率均達到95.0%以上，預測集達85.0%以上。由此可見，基于1000～2000 nm 波段的Autoscale-SVM 模型效果最佳。

比較基于400～1000 和1000～2000 nm 內全波段的木質化雞胸肉等級分類的最佳模型，可以得出1000～2000 nm 內全波段的分類模型正確率高于400～1000 nm 內全波段模型，這表明1000～2000 nm波段可能涵蓋更多與木質化肌胸疾病相關的信息，更適合用于雞胸肉的木質化等級分類。同時，由于基于400～1000 和1000～2000 nm 內全波段的木質化雞胸肉的最佳分類模型均為SVM 模型，因此后續僅建立基于特征波段的SVM 分類模型。

2.3 基于特征波段的木質化雞胸肉判別模型的建立

HSI 數據經預處理后，分別通過SPA、CARS和UVE 算法挑選特征波段（圖4），而后建立并比較基于特征波段的木質化雞胸肉等級的SVM 判別模型（表4）。在400～1000 nm 內，基于SPA 算法的判別模型正確率最低，建模集和預測集的總體正確率分別為84.4%和76.7%，這可能是由于SPA 算法僅篩選出9 個特征變量，使一些與木質化肌病相關的有效變量被剔除，導致模型精度變低。CARS 算法保留了25 個特征波長，所建判別模型建模集和預測集比基于全波段的模型均有所下降，分別降低3.9%和6.6%，且預測集正確率較低，模型欠擬合。UVE 算法保留的特征波長數量最多（43 個），所建模型建模集和預測集正確率較為接近，分別為87.8%和85.0%，模型較為穩定。與基于400～1000 nm 內全波段的建模結果相比，UVE-SVM 模型正確率略有下降，可能是在提取過程中部分有效信息缺失，或者提取的特征波長不在光譜的吸收峰附近，導致模型的精度降低。但提取特征波長可以減少變量數目，同時減少外界環境的影響，提高模型的計算速度[27]。因此，UVESVM 是400～1000 nm 波段內的最佳模型。

圖4 基于不同算法篩選的具體特征波長Fig.4 Specific characteristic wavelengths filtered based on different algorithms

表4 基于SVM 算法的木質化雞胸肉等級全波長和特征波長判別模型Table 4 Full wavelength range and characteristic wavelength prediction models for wooden chicken breast based on SVM algorithm

在1000～2000 nm 內，基于SPA、CARS 和UVE算法提取的特征波長的判別模型預測集總體正確率與基于全波段的建模集相同，均為95.0%。UVESVM 模型總體正確率與全波長模型一致，均為96.1%；CARS 算法雖保留了最多波長，但CARS-SVM 模型建模集正確率（95.6%）在4 個模型中最低；SPA 算法保留了最少的特征波長，但其建模集正確率較1000～2000 nm 內全波長提高了0.6%，同時運行速度得到提升。因此，基于SPA 算法篩選的1000～2000 nm的特征波段的SVM 模型判別雞胸肉木質化程度的效果最好，優于400～1000 nm 波段內的UVE-SVM模型。由此可見，在判別雞胸肉木質化程度時，1000～2000 nm 比400～1000 nm 內的特征波段更具優越性，這與基于全波段的判別結果一致。

2.4 基于兩波段數據融合的木質化雞胸肉判別模型的建立

基于可見-近紅外（400～1000 nm）和短波紅外（1000～2000 nm）高光譜數據融合的木質化雞胸肉等級的SVM 判別模型如表5 所示，基于數據融合的判別模型優于基于單一的可見-近紅外或者短波紅外高光譜信息的SVM 模型，其建模集和預測集總體正確率分別為98.9%和96.7%?；趩我坏腍SI 信息的模型出現了較多樣品誤判，而基于兩波段數據融合的模型建模集僅有2 個樣品誤判，出現在輕微木質化和中度木質化兩個等級之間的相互誤判；在預測集中同樣出現2 個樣品誤判情況，分別是輕微木質化被誤判為正常雞胸肉和嚴重木質化被誤判為中度木質化。數據融合模型對4 個等級的判別效果俱佳，在建模集中對正常雞胸肉和嚴重木質化雞胸肉的總體判別正確率已經達到100%。

表5 基于可見-近紅外（400～1000 nm）和短波紅外（1000～2000 nm）高光譜數據融合的木質化雞胸肉SVM 分類模型Table 5 SVM model classification for wooden chicken breast based on fusion of visible-near infrared (400～1000 nm) hyperspectral and short-wave infrared (1000～2000 nm) hyperspectral data

究其原因，400～1000 nm 內的HSI 光譜信息可以反映由于血紅素等導致的雞胸肉色澤變化[28]，1000～2000 nm 內的HSI 信息可以很好地反映雞胸肉內部成分含量的變化信息[29]?；跀祿诤系呐袆e模型充分考慮了雞胸肉內部成分的化學物質變化，又包含了外部色澤的變化信息，二者特征信息的綜合可以更加全面、準確地對雞胸肉木質化程度進行檢測。因此，對比使用單一變量數據獲取一種信息的預測模型，融合模型覆蓋的信息更能反映雞胸肉木質化的特征[30]。

3 結論

現有研究研究已證明了光譜技術用于木質化雞胸肉檢測的可行性。Yoon 等[15]發現光譜域光學斷層掃描和400～1000 nm 高光譜成像可用于檢測木質化雞胸肉；Li 等[31]使用1000～2500 nm 近紅外光譜技術將雞胸肉分為正常和木質化雞胸肉兩類。本文獲取了4 個木質化等級的雞胸肉在可見-近紅外（400～1000 nm）和短波紅外（1000～2000 nm）兩個波段內的HSI 數據，通過不同的光譜預處理算法和特征波段篩選方法分別基于兩波段內的全波段和特征波段建立了判別雞胸肉木質化等級的PLS-DA 模型和SVM 模型，最后與基于400～1000 和1000～2000 nm兩波段內HSI 數據融合的木質化判別模型進行對比，將雞胸肉分為正常、輕微、中度和嚴重四個等級，實現了更精確的分類。結果表明，雞胸肉樣本的平均光譜反射率隨木質化程度增加而升高，正常雞胸肉樣品的平均反射率最低?；?00～1000 和1000～2000 nm 內全波段的木質化最佳判別模型分別是SNV-SVM 模型和Autoscale-SVM 模型，預測集總體正確率分別為88.3%和95.0%；對應的基于特征波段的木質化判別模型分別是UVE-SVM 模型和SPA-SVM 模型，預測集總體正確率分別為85.0%和95.0%?；?00～1000 和1000～2000 nm 兩波段融合的HSI 信息的SVM 分類模型預測集總體正確率為96.7%，能較好地區分出4 個木質化等級，且判別正常雞胸肉的總體正確率可達到100%。

綜上所述，基于HSI 信息判別雞胸肉木質化程度時SVM 模型優于PLS-DA 模型，基于1000～2000 nm 內全波段和特征波段的最佳模型預測集總體正確率均高于400～1000 nm 內的模型，這表明1000～2000 nm 可能涵蓋更多與木質化肌胸疾病相關的信息，更適合于雞胸肉的木質化等級分類。此外，基于兩波段HSI 數據融合的木質化判別模型優于基于單一波段（包括全波段和特征波段）的模型，可實現雞胸肉木質化程度的準確、快速、無損檢測。

本文為雞胸肉木質化程度的快速無損判別提供了新思路、新方法，同時為HSI 技術在雞胸肉木質化檢測中的應用提供了理論參考。盡管如此，基于400～1000 nm 內HSI 信息的模型木質化判別效果相對較差的原因仍不明朗，如何進一步應用雞胸肉樣品的HSI 圖像信息仍需深入思考。

? The Author(s) 2024.This is an Open Access article distributed under the terms of the Creative Commons Attribution License (https://creativecommons.org/licenses/by-nc-nd/4.0/).