CN101806703B - 一种畜肉细菌总数无损检测方法 - Google Patents

Abstract

本发明公开了一种畜肉细菌总数无损检测方法，包括以下步骤：S1：获取待测样品原始反射光谱图像R_s，并对其存储；S2：依据国标采用标准平板菌落计数法检测样品TVC作为标准参考数据；S3：按照R＝(R_s-R_d)/(R_r-R_d)获得样品相对反射光谱图像R，其中，R_d为图像获取系统工作在暗电流时的黑色图像，R_r为标准参考白板反射光谱图像；S4：采用SNV方法校正图像R；S5：对校正后的图像R取2-阶微分光谱，并采用逐步回归方法选取表征待测样品TVC的最佳波长；S6：提取2-阶微分光谱相应于所选最佳波长的数据和TVC检测结果，分为两组分别作为校正集数据和验证集数据；S7：建立LS-SVM数据模型，检测待测样品TVC数值。发明以人为本、手法先进，检测过程快速、无污染，在食品质量和安全领域使我国与发达国家接轨。

Description

一种畜肉细菌总数无损检测方法

技术领域

本发明属于农畜产品品质安全检测领域，涉及一种畜肉细菌总数无损快速检测方法，更具体地，涉及一种猪肉细菌总数的光谱学非破坏快速检测方法。

背景技术

我国猪肉产量占据世界猪肉总产量的半壁江山，但我国猪肉生产的卫生状况还不容乐观。细菌总数(Total Viable Bacteria Count，TVC)是衡量猪肉卫生状况的重要指标，当肉类中的细菌数超标，就会危害大众，因此，肉类的微生物安全问题已引起人们的广泛关注。

对生鲜猪肉TVC的检测，传统的检测方法大多基于显微镜、细菌分离、免疫学和基于核酸分析等方法，这些方法虽然有效，但采样准备和检测时间长、效率低、操作繁琐、费时费力、对试样具有破坏性，更重要的是这些方法难以实现自动化及计算机化，不适合在线检测，不能充分满足国内消费和出口贸易的需要。

其它的研究方法有采用傅立叶变换红外光谱(Fourier TransformInfrared Spectroscopy，FTIR)检测牛肉的腐败程度；Duboisa等采用近红外化学成像检测食品中自含微生物，研究表明可以通过观察细菌在一些特定近红外波长的光吸收/反射差异辨识细菌，但是采用这些方法时必须将肉品先磨碎并经相关处理后才能进行，无法实现肉类的非破坏性检测，也就距离生产线在线检测还有无法克服的障碍。

图像光谱技术集成了传统的图像和光谱技术，可同时获得被测物体的空间和光谱信息，相比传统的多光谱方法不能同时兼顾共线性消除和信息充分获取的矛盾，高光谱图像技术因其高的光谱分辨率已成为农产品品质评估和安全检测的强有力工具，Park等开发了利用高光谱图像系统检测禽肉表面的粪便和消化物污染从而间接检测其中所含的大肠埃希氏菌E.coli O157:H7。TVC与肉类腐败程度存在很强的相关性，而肉类腐败程度对应着相应的光吸收(反射)率，尤其高光谱图像方法因其高的光谱分辨率，以及具有同时表征空间光扩散信息的能力，采用该技术可以获得因肉类腐败带来的细微光学特征变化，实现非破坏、快速检测TVC的目的。

发明内容

本发明的目的是提供一种生鲜猪肉细菌总数的高光谱图谱合一的快速、非破坏检测方法，对于高光谱图像技术反映样品光谱和空间特征的信息量大，如何处理这一复杂信息，建模方法的合理与否对获取好的检测结果至关重要，因此本发明在所构建的生鲜猪肉高光谱检测平台基础上，提供能够同时兼顾训练精度和泛化能力两方面的性能最优检测建模方法。

为达到上述目的，本发明的技术方案提供一种畜肉细菌总数无损检测方法，其特征在于，包括以下步骤：

S1：获取待测样品原始反射光谱图像R_s，并对其存储；

S2：依据国标采用标准平板菌落计数法对样品进行细菌总数TVC检测，TVC检测结果数据作为标准参考数据；

S3：按照公式R＝(R_s-R_d)/(R_r-R_d)计算获得样品相对反射光谱图像R，其中，R_d为图像获取系统工作在暗电流时的黑色图像，R_r为标准参考白板反射光谱图像；

S4：采用标准正态变量SNV校正方法校正样品相对反射光谱图像R；

S5：对校正后的相对反射光谱图像取2-阶微分光谱，基于所述2-阶微分光谱图像采用逐步回归方法选取表征待测样品TVC的最佳波长；

S6：提取2-阶微分光谱相应于所选最佳波长的数据和TVC检测结果数据，按照3∶1比例随机分为两组，一组作为校正集数据，另一组作为验证集数据；

S7：用校正集数据建立最小二乘支持向量机LS-SVM数据模型，将验证集数据代入所建模型，检测待测样品TVC数值。

其中，所述步骤S1中样品原始反射光谱图像R_s通过光谱图像在各单个波长沿扫描线上取平均值获得。

其中，所述步骤S1中图像的存储均以16位二进制格式文件存放。

其中，所述步骤S7中所建立的LS-SVM数据模型为：

$y\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{a}_{i}K(x,x_i)+b$

其中，a_i是拉格朗日乘子，i＝1，...，l，l为样本个数，b是偏差量，K(x，x_i)是满足Mercer条件的对称核函数，核函数

为径向基函数，σ为核宽度。

上述技术方案具有如下优点：(1)研究目的以人为本，提高鲜猪肉产品安全质量，有益于人体健康；(2)研究手法先进，借助于猪肉高光谱图像的光学特征参数(包括光扩散和吸收参数)间接反映猪肉的细菌总数，可以达到快速、无污染检测目的；(3)研究结果的实用性，非接触无损伤评估，具有实时在线检测应用的潜力；(4)研究内容的重要性，在食品质量和安全领域，高光谱红外线成像技术在发达国家倍受瞩目，本发明可使我国在该领域与其他发达国家同步接轨。

附图说明

图1是本发明畜肉细菌总数无损检测方法中所使用的高光谱检测仪器结构示意图；

图2是本发明畜肉细菌总数无损检测方法中待测样品生鲜猪肉的线扫描图像；

图3是本发明畜肉细菌总数无损检测方法中待测样品生鲜猪肉线扫描图像的平均光谱反射率曲线；

图4是本发明畜肉细菌总数无损检测方法中待测样品生鲜猪肉某波长处线扫描图像的空间反射率曲线；

图5是本发明畜肉细菌总数无损检测方法中待测样品生鲜猪肉TVC预测值与实测值比较图；

图6是本发明畜肉细菌总数无损检测方法中待测样品生鲜猪肉TVC预测值与标准值相关关系图。

其中，1：CCD相机；2：相机控制单元；3：图像光谱仪；4：聚光透镜；5：计算机；6：试样载物台；7：待测样品；8：光源系统；9：聚光镜；10：光纤。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明的技术方案主要是通过下述内容得以实现的。

(1)试样准备

无须清洗、剔除脂肪或结缔组织、接种细菌等准备工作，将生鲜待测猪肉均匀分割成长×宽×厚为4cm×6cm×4cm的待测样品。

(2)仪器设计

本技术方案所采用的用于猪肉细菌总数无损检测方法的高光谱成像系统如图1所示，成像系统包括一台波长范围在400-1000nm的图像光谱仪3，其光谱分辨率为2.8nm，波长间隔为0.74nm，图像光谱仪3上接有一聚光透镜4；一个高性能的背后照明式CCD相机1及与其相连的控制单元2，控制单元2与计算机5相连接；由石英卤钨灯和稳压电源组成的光源系统8，其与光纤10一端连接，光纤10另一端与聚光镜9相连，共同发出点光源照射待测样品；以及试样载物台6，用于放置待测样品7。

(3)光谱图像获取

在使用图像光谱仪3之前，对其进行空间和光谱维校正；试样载物台6可沿高度方向进行调节；光源系统8发出直径为5mm的点光源，圆形光束发散角小于20°。待测样品放置在载物台6上，当光源照射在其表面时，肉组织的漫反射光经聚光透镜4、图像光谱仪3，通过CCD相机1形成光谱图像，为减小位置的影响，采集图像时使每个待测样品7在载物台6水平面上每间隔120°旋转一次，分别采集相应位置的光谱图像，并取其平均值作为最终结果的光谱图像。在扫描试样漫反射图像的过程中，拉上实验室窗帘并关闭所有照明灯以防止外部环境光的影响。设定CCD相机1的曝光时间为0.025s，调整光密度使其最大值为相机总动态范围的1/3。在采集所有试样图像之前，为校正相机暗电流和室内照明对图像的影响，分别采用盖住镜头和采集标准白板图像的方法获取黑、白图像，然后按公式计算相对反射光谱图像：

R＝(R_s-R_d)/(R_r-R_d)

其中，R为相对反射光谱图像，R_s为试样原始反射光谱图像，R_r为标准参考白板反射光谱图像，R_d为图像获取系统工作在暗电流时的黑色图像。所有的光谱数据在各单个波长沿扫描线上取平均值。包括图像参数在内的图像数据均以16位二进制格式文件存放。获取所有样品的光谱图像后在两小时内送至微生物检测实验室，依据国标采用标准的平板菌落计数法进行TVC的检测，以此作为标准参考数据。

(4)光谱分析与校正模型的波长优化选取

光谱分析采用自编软件包，为克服待测样品厚度和表面不平度差异，首先对相对反射光谱图像采用标准正态变量(Standard NormalVariate，SNV)校正，对校正后的相对反射光谱图像取2-阶微分光谱，基于此数据采用逐步回归方法选取能够表征待测样品TVC的最佳波长，所获得的表征待测猪肉样品细菌总数变化的五个最佳波长为：498nm，555nm，645nm，775nm和989nm；提取2-阶微分光谱相应于所选最佳波长的数据和TVC检测结果数据，按照3∶1比例随机分为两组，一组作为校正集数据，一组作为验证集数据；利用校正集数据，联合最小二乘支持向量机(Least Squares Support Vector Machine，LS-SVM)建模方法进行预测以获得最佳预测结果。

(5)LS-SVM建模

针对非线性、小样本问题，以及光谱维和空间维的大数据量问题，在综合比较偏最小二乘回归(PLSR)、人工神经网络(ANNs)和最小二乘支持向量机(LS-SVM)三种建模方法的基础上，最终选取LS-SVM方法组建模型。基于统计学习理论基础的支持向量机方法(SupportVector Machines，SVM)，通过核函数将低维非线性问题隐式的映射成高维的线性问题，使问题简化，同时在结构风险最小化原则基础上通过间隔最大化方法，可同时兼顾训练精度和泛化能力两方面的性能，因此该方法在分类、回归和人脸识别等诸多领域均获得了广泛应用。同时，为避免因复杂优化算法带来的计算速度问题，本发明采用一种改进的SVM回归方法即LS-SVM建模方法对TVC进行检测。首先选定LS-SVM的核函数，经对比分析我们选择最为常用的高斯函数：

$K(x_i,x)=\exp \{-\frac{{\left|\right|x-x_i\left|\right|}^2}{2{\mathrm{\σ}}^2}\}$

最终模型以估计函数的形式来表达：

$y\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{a}_{i}K(x,x_i)+b$

其中，a_i是拉格朗日乘子，i＝1，...，l，l为样本个数，b是偏差量，K(x，x_i)是满足Mercer条件的对称核函数，核函数

为径向基函数，σ为核宽度。

采用交叉验证方法对核参数进行选择，经过多次仿真试验，最终确定取核宽度σ＝0.1，惩罚系数γ＝100。采用校正集13个样本对LS-SVM进行训练，获得的训练模型的参数如下：α＝[-2.7431，-0.8441，-0.3374，0.6677，0.1370，-0.7208，0.6916，1.3266，0.1814，0.1138，0.3066，1.1188，0.1019]，b＝-6.7851×10-5≈0。接着对预测集13个样本进行预测，图5为预测集13个样本的标准测量值和LS-SVM预测值的比较，图6为相应标准测量值和LS-SVM预测值之间的相关关系图，可以看出，与国标方法相比，预测结果已比较理想。

具体的实施例如下。

2008年1月从北京市顺义区某肉联厂购置宰后24小时出自同一头猪的新鲜猪里脊肉，运至中国农业大学农畜产品无损检测实验室，无须清洗、剔除脂肪或结缔组织、接种细菌等准备工作，将肉样均匀分割成长×宽×厚为4cm×6cm×4cm的肉块，剔除不规则肉块后共获得26块待测样品7。

所有试样用密封袋包装后在4°冰箱中保鲜存放24小时，为加速肉样的腐败过程，存放24小时后每隔两小时，即在存放后的第0h，2h，4h，6h，8h，10h，12h，14h，16h，18h，20h，22h和24h，分别取出2块试样放置在位于室温20-22℃的载物台6上。

当所有试样均从冰箱中取出后，在室温中醒20分钟，用图1所示和上述描述的用于猪肉细菌总数无损检测方法的高光谱成像系统按照上述光谱图像获取的步骤获取所有试样的相对反射光谱图像，获得16位二进制格式图像数据文件。

获取所有待测样品的光谱图像后在两小时内将待测样品送至微生物检测实验室，依据国标采用标准的平板菌落计数法进行TVC的检测，以此作为检测精度的比对数据。

获得16位二进制格式图像数据文件后，对获取的相对反射光谱图像数据进行SNV校正并进一步获取其2-阶微分光谱，进一步采用逐步回归方法获得能够最有效反映TVC的5个最优波长，然后将该2-阶微分光谱相应于此5个最优波长处的数据和TVC检测结果数据，按照3∶1比例随机分为两组，一组作为校正集数据，一组作为验证集数据；将校正集数据和验证集数据分别带入建立的LS-SVM模型，预测细菌总数具体数量数值。

建模方法的结果表明，LS-SVM同时兼顾了训练精度和泛化能力两方面的性能，使其都能做到最优，与标准平板菌落计数法所检测TVC的决定系数分别为0.9872和0.9426，校正均方根误差和预测标准均方根误差分别为0.2071和0.2176，且其建模性能优于偏最小二乘回归(PLSR)、人工神经网络(ANNs)等方法。结果表明，高光谱成像技术结合LS-SVM预测建模方法可作为快速、非破坏预测生鲜猪肉TVC的有效手段。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。

Claims (3)

1.一种畜肉细菌总数无损检测方法，其特征在于，包括以下步骤：

S1：获取待测样品原始反射光谱图像R_s，并对其存储；

S2：依据国标GB4789.2-94采用标准平板菌落计数法对样品进行细菌总数TVC检测，TVC检测结果数据作为标准参考数据；

S3：按照公式R＝(R_s-R_d)/(R_r-R_d)计算获得样品相对反射光谱图像R，其中，R_d为图像获取系统工作在暗电流时的黑色图像，R_r为标准参考白板反射光谱图像；

S4：采用标准正态变量SNV校正方法校正样品相对反射光谱图像R；

S5：对校正后的相对反射光谱图像取2-阶微分光谱，基于所述2-阶微分光谱图像采用逐步回归方法选取表征待测样品TVC的最佳波长；

S6：提取2-阶微分光谱相应于所选最佳波长的数据和TVC检测结果数据，按照3∶1比例随机分为两组，一组作为校正集数据，另一组作为验证集数据；

S7：用校正集数据建立最小二乘支持向量机LS-SVM数据模型，将验证集数据代入所建模型，检测待测样品TVC数值；所建立的LS-SVM数据模型为：

$y\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{a}_{i}K(x,x_i)+b$

其中，a_i是拉格朗日乘子，i＝1，...，l，l为样本个数，b是偏差量，K(x，x_i)是满足Mercer条件的对称核函数，核函数

为径向基函数，σ为核宽度。

2.如权利要求1所述的畜肉细菌总数无损检测方法，其特征在于，所述步骤S1中样品原始反射光谱图像R_s通过光谱图像在各单个波长沿扫描线上取平均值获得。

3.如权利要求1所述的畜肉细菌总数无损检测方法，其特征在于，所述步骤S1中图像的存储均以16位二进制格式文件存放。

Images