基于手持式近红外光谱仪的三文鱼菌落总数检测技术.pdf

第 5 卷 第 3 期 食 品 安 全 质 量 检 测 学 报 Vol.5 No.3 2014 年 3 月 Journal of Food Safety and Quality Mar.,2014 *通讯作者:曹立民,教授,硕士生导师,主要研究方向为食品安全检测。E-mail:*Corresponding author:CAO Li-Min,Professor,Food Safety Laboratory of the Ocean University of China,Qingdao 266003,China.E-mail: 基于手持式近红外光谱仪的三文鱼菌落总数 检测技术 段 翠1,陈春光2,刘永志2,隋建新1,林 洪1,曹立民1*(1.中国海洋大学食品科学与工程学院,青岛 266003;2.中国海洋大学数学科学学院,青岛 266003)摘摘 要要:目的目的 通过对近红外广谱数据进行神经网络系统训练,讨论近红外广谱技术对冷藏三文鱼菌落总数快速预测的可行性。方法方法 针对三文鱼在 4 贮藏过程中的微生物变化,利用手持式近红外光谱仪,通过小波分析对于光谱进行预处理,之后结合遗传算法和 BP 神经网络系统方法建立预测和检测模型。结果结果 该模型与传统平板计数方法的相关系数为 0.981,均方根误差为 0.097,验证模型的相关系数为 0.960,均方根误差为0.098,具有良好精确度、准确度。结论结论 该方法能够用于冷藏三文鱼菌落总数的无损、现场检测。关键词关键词:三文鱼;近红外光谱;菌落总数;BP 神经网络 Detection of total number of salmon colonies by handheld near infrared spectrometer DUAN Cui1,CHEN Chun-Guang2,LIU Yong-Zhi2,SUI Jian-Xin1,LIN Hong1,CAO Li-Min1*(1.College of Food Science and Engineering,Ocean University of China,Qingdao 266003,China;2.School of Mathematical Sciences,Ocean University of China,Qingdao 266003,China)ABSTRACT:Objective To develop a new method by using artificial neural network for discussing the feasibility of predicting the aerobic plate count of salmon.Methods After spectral pretreatment by wavelet analysis,a new prediction and validation model was established by using a combined tactic of genetic algorithm(GA)and back-propagation artificial neural network(BP-ANN)to predict the aerobic palate count of salmon based on the change of microbe during the storage at 4,and portable near infrared spectrometer was used.Results The model had high accuracy and precision,the calibration curve coefficient of correlation(R)of the model and the traditional plate count method was 0.981,and root mean square error(RMSE)was 0.097.Correlation coefficient of validation model was 0.960 and root mean square error(RMSE)was 0.098.Conclusion This model could be used for non-destructive and on-site detection of the total bacteria colonies in frozen salmon.KEY WORDS:salmon;near infrared spectroscopy;total numbers of colony;back-propagation artificial neural network 890 食品安全质量检测学报 第 5 卷 1 引 言 三文鱼(Salmon)是生长在高纬度地区的冷水鱼类,含有丰富的不饱和脂肪酸,蛋白质,维生素 A,E等,营养价值高,能有效降低血脂和血胆固醇,预防视力减退、增强脑功能,防治心血管疾病和老年痴呆,享有“水中珍品”的美誉1。然而,由于三文鱼易腐败变质,研发更加快速、准确的微生物检测技术,对于其质量安全控制具有重要意义。传统方法菌落总数检测方法主要依据 GB4789.2-2010 基于平板计数法2,一般需要培养(723)h,具有明显的滞后性和破坏性,操作也较复杂;目前所研究开发的检测新技术包括电阻抗法,微量生化法和免疫学法等3,尽管能够在一定程度上提高检测效率,但总体上仍然需要较为复杂繁琐的样品前处理或培养过程,难以达到现场在线检测的要求。近红外光谱技术是近年来涌现出的无损检测技术,能够针对食品等生物样本实现快速、无损、高效地定性或定量分析检测4。在食品微生物的检测方面,Tito等5用近红外光谱仪针对大西洋鲑鱼建立了菌落总数预测模型并取得较好效果。Feng 等 6、Di Egidio等7以及 Alexandrakis 等 8-9针对牛肉、蔬菜、鸡肉等食品样本也进行了类似的研究。然而以上研究工作尚存在两大共性问题:(1)实验所用的近红外光谱仪均为台式光谱仪,价格较为昂贵,搬运困难,目前很难在条件较为简易的养殖、加工和流通企业达到现场检测要求;(2)在数据处理方法上均利用传统的最小偏二乘法建模,然而在实际检测中发现,三文鱼等水产品在腐败过程中,微生物的生长曲线不是简单的直线成长,使用偏最小二乘法进行预测和检测存在较大的偏差。神经网络是一种非线性拟合的方法,善于映射任意复杂的非线性关系;其中 BP 神经网络又由于结构简单、可调整的参数多、训练算法多、可操作性好等优点,得到非常广泛的应用。之前本课题组结合Genetic Algorithm(GA 遗传算法)和 Back-propagation Artificial Neural Network(BP-ANN BP 神经网络系统)，针对白色鱼肉（牙鲆）中的菌落总数，利用手持式近红外光谱仪研究建立了预测模型并取得较好的效果，但是该技术对于深色鱼肉制品的适用效果尚有待确定。因此，本文以三文鱼为原料，建立了菌落总数的 GA-BPANN 预测模型，并对其性能进行了验证。2 材料与方法 2.1 实验材料 FQA-NIR-GUN 手持式近红外光谱仪购自日本FANTEC 研究所;平板计数琼脂培养基(plate count agar)购自北京陆桥技术有限责任有限公司。新鲜的三文鱼(Salmon)购于青岛佳世客超市,快速运送到实验室,均匀分割成长宽高约为2 cm2 cm1 cm的5 g肉样,装入无菌封口袋中,包装后,将样品整齐、无挤压放于 4 冰箱中待检。每隔 12 h 随机取三个样品进行近红外光谱扫描和菌落总数测定,共做4批实验,总计 120 组数据。2.2 实验方法 2.2.1 近红外光谱数据的采集 在无菌室中将三文鱼放置于保鲜膜(长宽为200 mm200 mm)上,将 两 个 载 玻 片(25.4 mm76.2 mm0.8 mm)平铺于三文鱼表面,以调节光谱值范围位于所给定的量程内。手持式近红外光谱仪紧贴载玻片,扫描鱼肉正反两面,共计 12 次,扫描波长为(6001100)nm,分辨率 2 nm。将数据以吸光度方式进行保存,每个样品所扫描的 12 条吸光度取平均值后进行小波分解。2.2.2 菌落总数标准值的测定 采集完三文鱼鱼片的近红外光谱数据后,立即将三文鱼鱼片加入 45 mL 生理盐水中作为原液,均质,然后进行梯度稀释,参照 GB 4789.2-20102对样本进行平板计数检测,计算得到菌落总数。结果以log CFU/g 形式保存,利用“premnmx”函数进行归一化-1,110后进行建模。2.3 近红外广谱的处理 将 2.2.1 中每个样品的平均吸光度进行 Daubechies系列小波11的 db5 为母小波,进行三层小波分解,得到重构相似系数和三层细节系数,取中间层做进一步分析。引入遗传算法和BP神经网络系统相结合的方法12建立三文鱼菌落总数的预测模型。将小波转化后的吸光值与归一化后的菌落总数数据作为输入数据和输出数据。用 GA 遗传算法做适应度评价,GA 遗传算法流程图与计算方法参照文献进行13。采用 BP第 3 期 段 翠,等:基于手持式近红外光谱仪的三文鱼菌落总数检测技术 891 神经网络,构建三层神经网络14,简单来说,当神经网络在工作状态时,把信息从输入层输入,然后通过每个节点所对应的阈值、函数以及节点之间连接权值的运算,通过隐含层流向输出层,计算输出,然后将现行输出与相应的平板计数结果进行比较,计算出误差(RMSE)。若误差符合要求,则结束训练。若误差与要求不符合,则需将误差信号按照沿输入相反的方向传播,并且沿误差降低方向修改各层权值和函数的阈值。用多个训练样本,对网络进行反复的训练,直至误差小于给定的误差值,就可以得到收敛的网络和相应稳定的权值12。以 90 组实验数据进行建模,30 组实验数据进行验证,以 R,RMSE 做评价模型标准。3 结果与讨论 3.1 冷藏三文鱼近红外光谱的小波分解 样品的原始光谱图本身一般含有不同程度的噪声(图 1),对其进行小波分解后可以得到三层信号(图 2)。随着层数的增加,信号越高频的部分被分解出来。一般在使用这些数据时,往往去掉低频和高频的部分,而使用中间频率的部分11,本文也据此选用第二层细节细数,其很好的保留了原始数据的细节信息,同时数据量也比较居中,便于再次分析处理。3.2 GA-BP-ANN 系统的训练与优化 BP 神经网络运算可实现局部精确搜索14,然而它进行网络训练与模型预测时,算法收敛速度有时会很慢,有时会出现震荡,不能保证收敛到全局最小点,网络结构不易确定。而遗传算法能有效的补充这些缺点,易得到全局最优解。因此将遗传算法与 BP 网络结合,进行神经网络的混合训练是较为准确的一种技术手段途径。图 1 冷藏三文鱼典型的原始近红外光谱图 Fig.1 Typical raw near infrared spectra of frozen salmon 图 2 三文鱼原始近红外光谱的三层小波分解图 Fig.2 Three wavelet decomposition map of salmon raw NIRS 892 食品安全质量检测学报 第 5 卷 首先对 GA 系统进行训练。根据前人的研究结果12,将其代数参数设置为 100 代,从图 3 中可以看出经过 20 代训练后,平均适应度和最佳适应度已经重合,说明参数选择可行。BP-ANN 系统的训练过程如图 4 所示,设定 RMSE 期望值为 0.01,训练参数设置为250次,经过138次训练之后,网络的输出值达到0.0093718,网络输出与期望值很接近,证明训练后的 BP 网络是可行的。图 3 GA 遗传算法适应度的训练结果 Fig.3 Training results of GA genetic algorithm fitness 图 4 BP-ANN 系统的训练结果 Fig.4 Training results of BP-ANN system 3.3 冷藏三文鱼菌落总数预测模型的构建与验证 在系统优化的基础上,利用 90 组实验数据构建了菌落总数的预测模型(图 5),其 R=0.981,RMSE=0.097;利用另外 30 组数据进行了交叉验证,表明其 R=0.960,RMSE=0.098(图 7)。之前 Tito 等利用 PCA 主成分分析和最小偏二乘法建模,开展大西洋鲑鱼菌落总数的近红外检测,其 R2=0.95,RMSE=0.12,验证结果为R2=0.64,RMSE=0.32;此外 Feng 等6、Alexandrakis 图 5 冷藏三文鱼菌落总数的预测模型 Fig.5 Prediction model of frozen salmon colonies 图 6 冷藏三文鱼菌落总数预测模型的验证结果 Fig.6 Validation results of prediction model of frozen salmon colonies 第 3 期 段 翠,等:基于手持式近红外光谱仪的三文鱼菌落总数检测技术 893 等8-9针对鸡肉,Peng 等13针对牛肉等其它食品开展的近红外检测,也均利用 PCA 主成分分析和最小偏二乘法建模。与以上研究结果相比,本研究所建立模型 具 有 更 好 的 精 确 度 与 准 确 度,这 也 验 证 了GA-BP-ANN 技术系统比最小偏二乘法等传统建模技术,更加适合于此类复杂生物样本的预测和分析。4 结 论 利用手持式光谱仪,直接采集冷藏三文鱼鱼片的近红外光谱,采用GA-BP-ANN系统建立了一种新的菌落总数定量预测和检测模型。与其他国内外类似研究文献相比,其精确度和准确度都有明显提高,从而为三文鱼以及其它水产品微生物指标的现场无损检测,提供了更为有效的技术方法。参考文献 1 http:/ 2 GB 4789.2-2010 食品微生物学检验,菌落总数测定S.GB 4789.2-2010 Food microbiological examination:Aerobic plate countS.3 林蕾,张炜.食品微生物检验技术的研究进展J.现代农业科学,2008,15(10):9799.Lin L,Zhang W.Research Progress on the Inspection Technique of Food Microorganism J.Mod Agric Sci,2008,15(10):97-99.4 徐富斌,黄星奕,丁然,等.基于近红外光谱的大黄鱼新鲜度评价模型J.食品安全质量检测学报,2012,3(6):644648.Xu FB,Huang XY,Ding R,et al.Freshness evalutation model of Pseudosciaena crocea based on near-infrared spectra J.J Food Safe Qual,2012,3(6):644-648.5 Tito NB,Rodemann T,Powell SM.Use of near infrared spectroscopy to predict microbial numbers on Atlantic salmonJ.Food Microbiol,2012,(32):431436.6 Feng YZ,Sun DW.Determination of total viable count(TVC)in chicken breast fillets by near-infrared hyper spectral imaging and spectroscopic transformsJ.Talanta,2013,(105):244249.7 Di Egidio V,Sinelli N,Limbo S,et al.Evaluation of shelf-life of fresh-cut pineapple using FT-NIR and FT-IR spectroscopyJ.Postharvest Biol Tec,2009,(54):8792.8 Alexandrakis D,Downey G,Scannell AGM.Detection and identification of selected bacteria,inoculated on chicken breast,using near infrared spectroscopy and ChemometricsJ.Sens Instrum Food Qual Safe,2011,(5):5762.9 Alexandrakis D,Downey G,Scannell AGM.Rapid non-destructive detection of spoilage of intact chicken breast muscle using Near-infrared and Fourier Transform mid-infrared spectroscopy and multivariate statisticsJ.Food Bioprocess Tech,2012,(5):338347.10 Vincenzo Esposito Vinzi,Wynne W.Chin,Jrg Henseler,Huiwen Wang.(2010).Handbook of partial leastsquares:Concepts,methods and applications.Springer.11 刘涛,曾祥利,曾军.实用小波分析入门M.北京:国防工业出版社,2006.Liu T,Zeng XL,Zeng J.The Functional of Wavelet AnalysisM.Beijing:National Defence Industry Press,2006.12 Huo XD,Xie ZS.A novel channel selection method for CANDU refuelling based on the BPANN and GA techniquesJ.Ann Nucl Energ,2005,(32):10811099.13 Peng YK,Zhang J,Wang W,et al.Potential prediction of the microbial spoilage of beef using spatially resolved hyper spectral scattering profilesJ.J Food Eng,2011,(102):163169.14 Mohamad H.Hassoun,(1995).Fundamentals of Artificial Neural Network,MIT.(责任编辑:邓伟)作者简介 段翠,硕士生,主要研究方向为水产品安全快速检测。E-mail: 曹立民,教授,硕士生导师,主要研究方向为食品安全检测。E-mail: