外文翻译使用高光谱成像系统评估猪肉的质量和细脂肪纹路的水2Word下载.docx
《外文翻译使用高光谱成像系统评估猪肉的质量和细脂肪纹路的水2Word下载.docx》由会员分享，可在线阅读，更多相关《外文翻译使用高光谱成像系统评估猪肉的质量和细脂肪纹路的水2Word下载.docx（12页珍藏版）》请在冰点文库上搜索。
加拿大是世界上最大的猪肉出口国之一。
随着市场的扩张与分割，为了保持领先地位，加拿大的加工行业需要用来评价猪肉品质的高效技术。
鲜猪肉质量变化极大。
传统上,猪肉质量过去常常根据颜色、纹理（坚实度）和分泌物（滴水损失）分为三个级别。
RFN（微粉红色,结实和没有渗出物）级别的猪肉有一个理想的颜色,正常的纹理和持水能力（WHC）。
PSE（苍白色、粉红色或灰色，非常柔软和有渗出物）级别的猪肉有一个不受欢迎的外观；
并且由于过度的滴水损失，缺乏硬度。
DFD（深枣红色,非常坚硬和干燥）级别的猪肉有一个坚实的高持水能力（WHC）的粘表面，非常小的，或者没有滴水损失，很高的pH值。
在过去的几年里，其他两个级别即RSE和PFN也出现了。
RSE（微红，柔软，渗出性）级别的猪肉有一个正常的颜色,却有一个柔软的质地和一个与PSE相似的渗出性（Kauffman,Cassens,Scherer,和Meeker,1992）。
PFN是指苍白、紧实和无渗出物（Nam,Du,Jo,&
Ahn,2002）。
最近，PFN和RSE已经被公认为加拿大猪肉的主要质量缺陷,这对在所有缺陷里面，PSE占13%，DFD占10%，而PFN和RSE占大于13%的比例做出了解释（Murray,2000）。
根据作者的观点,渗出性的猪肉能引起每具动物尸体损失5美元的经济亏损。
肉类行业为了能够快速和客观地识别猪肉缺陷，急需一个高效实用的质量评价系统。
大理石花纹是肌肉里面脂肪与瘦肉交织的混合物，通常是通过视觉来主观评估的。
大理石花纹的分数包括尺寸大小、数量及脂肪微粒的分布（Jeremiah,1998）。
国家猪肉董事会（NPB,1999）按照视觉标准将大理石花纹评分为7个等级。
据一些研究作品所称，用机器视觉检测牛肉或猪肉的细脂肪纹理（Faucitano,Huff,Teuscher,Gariepy,&
Wegner,2005;
Shiranita,Hayashi,Otsubo,Miyajima,&
Takiyama,2000;
Tan,2004;
Toraichietal.,2002;
Yoshikawaetal.,2000）.Shiranita,Miyajima,Takiyama（1998）使用共生矩阵从专业的学生分类出的牛肉样品中提取了标准纹理向量，并且成功地对没有评价的样品进行了分类。
高光谱影像技术不仅可以像常规成像系统那样提供空间信息,而且能在一个影像里面提供每一个像素的光谱信息。
这种信息将会形成一个三维的“超级立方体”，用它可以进行分析，以便确定一个对象的较小的、微妙的物理和化学特性。
因此,高光谱图像可以用来检测对象的物理和几何特征（如颜色、大小、形状和纹理等）。
它也可以用来从一个产品中提取一些内在化学和分子信息（例如水、脂肪、蛋白质和其他由氢元素组成的成分）。
最近有报道称，几项高光谱图像研究了肉类、水果和蔬菜的质量评估。
Kim,Chen,和Mehl（2001）介绍了食品质量安全高光谱反射和荧光成像系统。
Chengetal.（2004）发展了一种利用高光谱图像检查黄瓜损伤情况的方法。
一个用于检查鸡尸体污染情况的类似方法也被成功地开发出来（Kim,Kim,Chen,&
Kong,2004;
Yang,Chao,&
Chen,2005）。
在这项研究中,为了评估猪肉的品质和大理石花纹，高光谱成像技术的潜力被开发出来。
具体的目的有三：
首先是利用主成分分析方法（PCA）和聚类分析方法，根据从高光谱成像系统获得的光谱信息来评估不同猪肉群体的品质；
其次是利用人工神经网络（ANN），发展划分质量水平的模型；
最后是通过从数字化的肉大理石花纹标准中提取的图像纹理指数来估计猪肉的大理石花纹分数。
2.材料和方法
2.1样本准备
新鲜的猪腰部的肉是在2005年11月份从一个来自于加拿大魁北克的当地商业包装公司处获得的。
所有取自于不同的质量群组的样本,是由一个训练有素的员工在运往加拿大马吉尔大学的仪器实验室之前选定的。
在实验室里将腰部样本切成1厘米厚的排骨状。
在整个实验中，共用到４０个样本，包括RFN（10）,PSE（10）,PFN（10）和RSE（10）。
实验在室温20摄氏度到22摄氏度下进行。
在光谱分析前，样品暴露停放20分钟。
2.2.光谱图像采集和处理
2.2.1 高光谱成像系统
高光谱成像系统由一个线扫描光谱仪（ImSpector系列光谱仪,型号为V10E，光谱成像有限公司，芬兰）、CMOS相机（BCi4-USB-M40LP、国际向量,比利时）、直流照明灯（Fiber-Lite，PL900-A,Dolan-Jenner工业公司，美国）、一个输送装置（Dorner2200系列,多恩制造公司，美国）、一个外壳、一种数据采集和预处理软（SpectraCube,机器视觉公司，加拿大，美国）和一个如图1所示的个人计算机组成。
ImSpector系列光谱仪以2.8nm的光谱分辨率和半径小于9nm的光通量采集了波长在400nm–1000nm范围的光谱图像。
将两个从直流照明灯上接来的传输光线的光纤分支安装在外壳上作为光源。
传送带受一个由用户定义速度的步进电机（MDIP22314，智能运动系统公司，美国）所驱动。
这个外壳（450ｍｍx600ｍｍx750ｍｍ）是由受过阳极化处理的附上所有敏感成分的铝合金构造的，而且还提供严格的平台。
2.2.2.图像采集与处理
在图像采集中，猪肉样本被传送带以一个优化的速度1.58mm/s单独地输送到ImSpector光谱仪的视场中。
为了避免图像尺寸和空间分辨率的畸变以及与预定的相机曝光时间相适应，传送的速度由反复试验法所选定。
视场区域是一条6ｃｍ长、180ｃｍ宽的线条区域。
图像采集过程由SpectraCube软件来控制。
当一个样品进了视场时,得到一个高光谱图像，并且图像通过一个USB端口被送到个人计算机存放。
这些照片是以一个原始格式存储的，等待我们的处理。
从每个样本得到一个高光谱图像。
为了矫正摄像机的暗电流影像,通过用一个帽子覆盖镜头和借助一个标准的白色参考图像，一个黑暗的形象和一个白色的形象就得到了。
图1.高光谱成像系统
利用SpectraCube软件，图像以不同的波长得到了。
使用ENVI软件（V.4.1,ResearchSystemInc.,boulder,CO,USA），所有的光谱图像通过以下三个程序进行预处理。
相对反射率由等式
（1）计算得到:
（1）
I表示一个图像的相对反射率;
Io表示原始图像的相对反射率;
B表示黑暗的图像的相对反射率,W表示白色的图像的相对反射率。
选择一个样本图像的感兴趣区域（ROI）是非常关键的。
它对预测模型的性能有深刻的影响。
光谱系统的空间视野通常非常小，所以他们会很容易地受到感兴趣区域（ROI）的选择的影响。
高光谱成像系统一边收集光谱信息，一边获得丰富的空间信息。
定义感兴趣区域（ROI）可以很容易。
在这项研究中,基于对所有样品图像的观察,在每个样品中心的周围，一个10000像素大小的圆形感兴趣区域被使用。
感兴趣区域的平均频谱用来代表样品图像的光谱特征。
如此以后,每一频谱由一个10点均值滤波器平滑化,并计算了它们的第二个衍生物，以修正乘法分散,避免波峰的重叠和修正底线（Geesinketal.,2003）。
这种操作是利用MATLAB7.0（The Math-Works,Inc.,Mass.,USA）进行的。
2.3．数据分析
2.3.1.主成分分析和聚类分析
主成分分析（PCA）是一种压缩变量的方法，该方法生成一个新的名为主成分的组变量。
主成分（PC）是一种原始变量的线性组合。
所有的主成分是相互正交的，所以没有冗余信息（MathWorksInc.,Mass.USA）。
Park、Chen、Hruschka、Shackelford和Koohmaraie（2001）成功应用主成分分析法来分析了有关牛肉柔软度预测的光谱数据。
在这项研究中,从猪肉样本光谱数据中得到几个电脑光谱数据，并进行聚类分析和人工神经网络分析。
集群可被描述为一个包含在相对高密度点的一维空间里面的连续区域，而且它与在同一空间的其他区域高密度点被相对低密度点（Theodoridis&
Koutroumbas,2003）区域隔离。
换句话说,聚类分析是一种将对象分离为几个组，或集群，以这样一种方式，同簇对象的属性非常类似，但是在不同的集群的对象的属性是截然不同的。
我们观察到了猪肉样品的相似性，进而利用聚类分析以确定主观分类后的组群。
2.3.2．前馈优先排序神经网络
将主成分作为输入，质量水平作为输出，一个前馈神经网络模型（FFN）就建立了。
输出包括两个节点。
这两个节点用来识别质量水平：
RFN（1,1）;
PFN（1,1）;
PSE（1,1）和RSE（1,1）。
一个隐层与10个神经元被构造出来了。
利用MATLAB神经网络工具箱（TheMathWorks,Inc.,Mass.USA），设计、训练和测试前馈神经网络模型（FFN）。
Tansig算法传递函数用于隐层，Pureline算法传递函数用于输出层，学习函数带动力的梯度下降法（Learngdm）和性能函数均方误差（Mse）也用到了。
训练算法贝叶斯正则化（Trainbr）被用来避免过于拟合。
三分之二的样本被随机地选定作为试验（校准）组，而剩余的样本被用作前馈神经网络模型（FFN）的验证组。
2.4．大理石花纹的分类
根据猪肉大理石花纹的标准（NPB,1999），猪肉的大理石花纹水平被分为7个分数：
从1.0（缺乏的）到6.0和10.0（丰富的）在这项研究中，大理石花纹标准是由同一个系统数字化的，并且图像纹理指标是通过共生矩阵法（Shiranitaetal.,1998）从数字化图像中提取的。
二阶矩角（ASM）的图像纹理指标被用于参考以估计肉样品图像的大理石花纹分数。
在图像里面，将瘦肉和大理石花纹的差别手动地进行了比较。
筛选出了一个重要的精确到661nm的对比图象，用来估计大理石花纹分数。
选中腰眼区域的最大的内部矩形表面作为感兴趣区域（ROI），二阶矩角（ASM）就是由它计算出来的。
3.结果和讨论
3.1.已经获得的高光谱图像和光谱特征
已获得的处在各质量水平的高光谱图像显示在图2。
通过结合波长在720nm（红色）、580nm（绿色）和460nm（蓝色）的图像，得到了彩色图像。
于是,得到了一个与自然猪肉颜色接近的外观，该外观有着组合的波长。
在近红外范围的图像显示出较高的分辨率,因此这些图像可以用来观察样本的化学属性。
RFN和RSE比PFN和PSE的颜色要深。
RSE样品也比其他种类表现出更多的大理石花纹。
波长在580nm和720nm之间，特别是在661nm，大理石花纹和瘦肉更有可比性。
图2.已获得的高光谱图像,通过结合波长在720nm（红色）、580nm（绿色）,460nm（蓝色）的图像，得到了彩色图像
图3.不同的质量水平猪肉样本典型的光谱反射率和水平二阶微分
图3显示四个质量水平的典型光谱。
由于苍白颜色强烈的反射，PFN和PSE比RFN和RSE显示出更高的反射率。
在750nm和950nm，清楚地观察到水吸收频带。
二阶微分纠正了乘法离散。
它避免了重叠峰，也纠正了底线。
从500nm到600nm范围内的显著差异归因于绿色组分的差异，而在850nm-950nm范围内的差异主要是由水分或其它化学物质的特征所引起的。
由光谱数据的差异,提出了一个用光谱特征来对猪肉样本的质量水平进行分类的可能性。
二阶微分数据被用来产生主成分以对质量水平进行分类。
3.2．主成分分析和聚类分析
图4说明了在不同波长的主成分1（PC1）和主成分2（PC2）的权重。
由于在460nm到945nm的范围内表现出较强的超过0.035的权重，PC1几乎覆盖了整个波段。
收集在这个波段范围内的有关颜色、含水量等的信息。
同时,也观察了两个重要的起作用的波范围即430nm–465nm（权重大于0.04）和780nm–864nm（权重小于－0.04）。
图4.主成分1（PC1）和主成分2（PC2）在不同波长的权重
图5.猪肉样本的主成分1（PC1）和主成分2（PC2）的四种品质水平的得分
二阶微分的主成分1（PC1）和主成分2（PC2）的分布显示在图5。
主成分1显示，RFN和RSE样本位于一个小于零的的区域里。
几乎所有的PSE和一半的PFN样品位于一个大于零的区域里。
主成分2显示，RFN样品大于9.6,而其他的样品低于这个水平。
RFN样本的分类很完美，并且RSE样品也很容易挑选。
然而,PFN样品与RSE和PSE样品混合在一起。
主成分1的解释比例是28%,主成分2的解释比例是12%,总计为40%。
因此,将得分为5的主成分（解释比例为62%）、得分为10的主成分（解释比例为76%）和得分为20的主成分（解释比例为90%）用作聚类分析和前馈优先排序神经网络建模的输入。
质量组的聚合结果显示在图6和表1。
得分为20的主成分的系统树图显示，由于强烈的相似性，RFN样品（1-10）完全被分为集群1.所有的RSE样品（31-40）被分到集群3，然而,3个PSE样品（23,26和28）和3个PFN样品（17,19和20）也被分到这个集群。
4集群包含5个PSE样品，2集群主要包含PFN样品。
不考虑是用得分为5的主成分,得分为10的主成分还是得分为20的主成分，RFN和RSE样本也被成功地分组。
一半的PSE样本分组不正确。
图6.得分为20的主成分的不同的聚类质量组的系统树图
观察没有修正的样品,几乎所有的都被分类到RSE组。
这表明,没有修正的样品显示较强的与RSE样品的相似之处。
这些没有修正的样品位于RSE和PFN（PSE）组（“在样本之间的”）之间。
这些“在样本之间”很难主观地分类。
由三个核查人员基于猪肉质量标准对“在样本之间的”进行分类，提供了不同结果。
它表明了主观分类的局限性。
总准确率比为75%-80%。
3.3．用前馈优先排序神经网络（FFN）进行分类
样品的标识与图6的猪肉样本一致。
27个样品用来生成模型,同时使用了13个样品测试它。
表2说明了分类后的结果。
用得分为5的主成分进行分类的准确率是69%，而用得分为10的主成分进行分类的准确率是85%。
错误再一次来自PSE组。
3.4．大理石花纹的归类
图7.大理石花纹在不同的分数和分类的分数中提取的纹理特征
来自大理石花纹分数的二阶矩角（ASM）的提取的图像纹理显示在图7a。
除了标准分数10.0，二阶矩角（ASM）成功地区别了大理石花纹分数。
从40个样品中提取的带有标准评分（彩色线）的二阶矩角（ASM）显示在图7b。
分类结果表明,大部分样本在3.0–5.0。
然而,分类结果比主观得到的结果要高1.0左右。
主要原因可能是相对数字化的大理石花纹标准，由于新鲜样品较强的光晕，增加了大理石花纹感觉。
应该分析一批样品，以确认和完善这种方法。
4.总结和结论
该研究表明了高光谱成像系统提取光谱信息用于猪肉质量评估的潜力。
它也说明了利用从数字化的大理石花纹标准中提取的纹理特征来确定猪肉的大理石花纹分数的可能性。
主成分分析表明,RFN样品被完美归类,并且RSE样本容易分门别类,但只有PFN样品通过主成分1（PC1）和主成分2（PC2）与RSE和PSE样品混合在一起。
得分为5的主成分,得分为10的主成分和得分为20的主成分的解释比例分别为62%,76%和90%。
聚类分析显示，RFN和RSE样品被成功地分类，总准确率为75%到80%。
前馈神经网络模型产生了修正的分类：
得分为5的主成分为69%，得分为10的主成分为85%。
错误同样来自PSE组。
二阶矩角（ASM）实现了大理石花纹分数的分离，除了分数10.0。
将40个样本分类，他们的分数从3.0到5.0不等。
致谢
致谢加拿大国家科学工程研究理事会的财力支持。
参考文献
1Cheng,X.,Chen,Y.R.,Tao,Y.,Wang,C.Y.,Kim,M.S.,&
Lefcourt,A.
M.（2004）.AnovelintegratedPCAandFLDmethodonhyperspectral
imagefeatureextractionforcucumberchillingdamageinspection.
TransactionsoftheASAE,47,1313–1320.
2Faucitano,L.,Huff,P.,Teuscher,F.,Gariepy,C.,&
Wegner,J.（2005）.
Applicationofcomputerimageanalysistomeasureporkmarbling
characteristics.MeatScience,69,537–543.
3Geesink,G.H.,Schreutelkamp,F.H.,Frankhuizen,R.,Vedder,H.W.,
Faber,N.M.,Kranen,R.W.,etal.（2003）.Prodictionofporkqualityattributesfromnearinfraredreflectancespectra.MeatScience,65,661–668.
4Jeremiah,L.E.（1998）.marblingandporktenderness.PorkFactSheet.
DesMoines,IA:
NationalPorkProducersCouncilandAmerican
MeatScienceAssociation.
5Kauffman,R.G.,Cassens,R.G.,Scherer,A.,&
Meeker,D.L.（1992）.
Variationsinporkquality.DesMoines.IA:
NationalPorkProducers
Council.
6Kim,I.,Kim,M.S.,Chen,Y.R.,&
Kong,S.G.（2004）.Detectionofskin
tumorsonchickencarcassesusinghyperspectralfluorescenceimaging.
TransactionsoftheASAE,47,1785–1792.
7Kim,M.S.,Chen,Y.R.,&
Mehl,P.M.（2001）.Hyperspectralreflectance
andfluorescenceimagingsystemfoodqualityandsafety.Transactions
oftheASAE,44,721–729.
8NPB（Nationalporkboard）（1999）.Porkqualitystandards.DesMoines,
IAUSA.
9Murray,A.C.（2000）.Reducinglossesfromfarmgatetopacker:
aCanadian’sperspective.InProceedingsofthefirstinternational
virtualconferenceonporkquality,Concordia,Brazil:
pp.72–84.
10Nam,K.C.,Du,M.,Jo,C.,&
Ahn,D.U.（2002）.Effectofionizing
radiationonqualitycharacteristicsofvacuum-packagednormal,palesoft-
exudative,anddark-firm-drypork.InnovativeFoodScienceand
EmergingTechnologies,3,73–79.
11Park,B.,Chen,Y.R.,Hruschka,W.R.,Shackelford,S.D.,&
Koohmaraie,M.（2001）.Principlecomponentregressionofnearinfrared
reflectancespectraforbeeftendernessprediction.Transactions
oftheASAE,44,609–615.
12Shiranita,K.,Miyajima,T.,&
Takiyama,R.（1998）.Determinationof
meatqualitytextureanalysis.PatternRecognitionLetters,19,
1319–1324.
13Shiranita,K.,Hayashi,K.,Otsubo,A.,Miyajima,T.,&
Takiyama,R.
（2000）.Gradingmeatqualitybyimageprocessing.PatternRecognition,
33,97–104.
14Tan,J.（2004）.Meatqualityevaluationbycomputervision.Journalof
FoodEngineering,61,27–35.
15Theodoridis,S.,&
Koutr
升级会员 