摘要

肉类掺假常见于用低价肉代替高价肉获取非法利益，它不但影响了食品的质量，甚至会威胁到人们的健康。目前的检测手段一般是取样后送样检测，很难实时实地得到检测结果。红肉是指在烹饪前呈现岀红色的肉，如猪、牛、羊肉等，作为日常生活中最常见的肉，避免肉类掺假，消除对人们健康威胁的重要性不言而喻。

推扫式高光谱成像系统的应用

推扫式高光谱成像系统可以获得较高的光谱分辨率，一般做法是将样品放在传送带上，从而获取整个物体的高光谱图像。早在2012年，研究人员就研究了推扫式高光谱相机对猪、牛、羊肉的区分能力，他们对提取的光谱特征进行二阶导数预处理，选择不同肉类光谱差异较大处的波长作为特征波长（光谱的二阶导数被用来研究特定波长的光谱差异，因为预处理后数据相对于原始光谱模式的波段强度和峰位置保持不变，从而对加性和乘性效应进行校正），并采用偏最小二乘判别分析(PLS-DA)进行分类。采用的像素级分类方法导致得到的分类图中包含了许多“椒盐噪声”即错误分类的像素点，作者采用多数投票方法用以得到最终的分类图。

研究人员在2018年提出了一种新的解决方案，即将像素级分类方法转换为面向对象的分类方法，同时利用图像的空间信息，用以提高高光谱分类模型的性能。文章基于现实中红肉的几种状态，建立一个分类模型来区分羊肉与其它红肉（猪肉和牛肉）以及脂肪，实验流程具体如下：

1.数据采集。采购肉类样品集总数为45个，其中羊肉17个，牛肉13个，猪肉13个。将样本随机分成30个训练组（羊肉12个，牛肉9个，猪肉9个），其余样本用于评价。提取每一种肌肉类型的碎片并放入设计好的框架中，图一显示了其中的4个框架，每个框架包含4 * 4个格子，放有特定的肉的类型。将框架放置在传送带上，设置好相应的速度，利用高光谱相机(Xenics XEV a 1.7-320: Xenics nv)获取不同肉类在548-1701 nm光谱范围内的235个波段的光谱数据。从图二可以看到，脂肪与红肉之间差异较大，且不同的物理处理方式也会造成物体反射率曲线的差异。

图1 框架1至框架4(从上至下)为真实和伪彩色图像，其中FSUP是新鲜红肉的缩写，FSP是透明袋包装的新鲜红肉，FRUP是冷冻的无包装肉，FRPF是冷冻包装肉，THUP是融化后的包装肉。框架里F格子代表脂肪，L代表羊肉，B代表牛肉，P代表猪肉(Mahmoud Al-Sarayreh)

图2 不同状态下不同类别肉类的光谱曲线(Mahmoud Al-Sarayreh)

2.选取样本点。一般情况下，样本的选择为人工从每个类中选择roi并进行平均得到其光谱曲线，这种样本选择方法效率较低且不鲁棒，因此作者引入简单迭代线性聚类(SLIC)超像素分割算法用以生成HSI图像的超像素分割图。超像素分割的主要思路是根据像素在特征空间的距离以及视觉特征评价指标定义像素间的相似性，并将部分像素汇集在一起，将整个图像区域划分为数个子区域，每个超像素中的像素拥有相似的局部光谱特征。此外，超像素还反映了图像中的局部空间特征(如纹理特征等)。由于HSI图像维数较高，一般先对其进行主成分分析获取前几个主成分后再进行超像素分割。图三为实验流程，超像素分割图可见图三(c)，可以看到不同种类肉类之间的边界得到很好地区分。

图3 一种用于提取纹理特征的高光谱图像ROI提取表示(Mahmoud Al-Sarayreh)

(a)肉类肌肉的异质高光谱图像；(b)图像的前五个主成分图像；(c) HSI图像的超像素分割图

3.提取光谱特征。为了降低计算成本，文章利用Kennard-Stone将每个超像素采样到一个具有代表性的像素子集作为最终的建模样本，并对样本进行了Savitzky-Golay预处理以及L2和标准正态变量变换(SNV)标准化处理。

为了解决高光谱高维数据带来的冗余性，文章采用递归特征消除(RFE)和随机森林(RF)算法来选择最显著的波长以区分不同种类红肉。具体做法为：在递归中，利用RFE选择一组特征波段并剔除其余的波段。然后，利用提取的特征波段拟合RF分类器，并根据分类性能表现对所选特征进行排序。最后，递归过程会对每个特征波段进行评级以反映其在特定分类任务中的重要性。文章根据不同状态的红肉建立了五个RFE-RF模型，将不同模型筛选出的特征波长组合在一起并去除重复值，得到样本的特征光谱。

4.提取空间特征。高光谱图像中包含丰富的空间信息，文章利用主成分分析(PCA)提取高光谱数据的前五个主成分用于生成超像素分割图。对于每个超像素，使用超像素掩模对其质心像素周围20*20的邻域窗口进行掩码以获得ROI（以避免不同肉类之间的重叠）。提取在五个RFE-RF模型中重要程度排名均为最高的六个波段，计算每个ROI在这六个波段上的CLCM矩阵进而提取纹理特征。

5.分类。最后，将提取的光谱和空间信息结合到一起并输入到支持向量机(SVM)分类器中得到最终的分类结果。定量结果可见表一，可以看到高光谱成像技术可以有效检测红肉成分并且不会被肉的状态影响。而相较于原始数据，两种归一化方法均获得了不同程度的精度增长。同样地，SNV-norm-texture方法取得了最高的分类精度，说明利用空间特征提高分类器的性能是可行的。分类图如图四所示。

表1 不同特征提取方法在对不同状态肉类上的分类结果(Mahmoud Al-Sarayreh)

图4 分类结果图(Mahmoud Al-Sarayreh)

快照式高光谱成像系统的应用

此后，研究人员又探索了快照式高光谱成像在红肉分类中的应用，他们将每张图像采样到若干具有代表性的样本中进行建模，并开发了一种用于对快照HSI图像数据进行分类的深度学习模型。具体实验流程如下，

1.数据采集。采购140个样品，包括羊肉（50）、牛肉（55）和猪肉（35），并随机分为训练组和测试组。利用25个波段的 XIMEA 快照式高光谱相机获取传送带上样本的HSI图像如图五所示。一个图像序列覆盖一个样本的全部区域，共收集了600张图像，这为基于深度学习的模型构建了一个充分的数据集。

图5 不同时间节点获取的图像(Mahmoud Al-Sarayreh)

2.选取样本点。与前文的思路相同，作者采用SLIC方法对HSI图像进行分割，同时将图像手工标记为肉类和脂肪类作为真实图，然后对应每个超像素的质心坐标将此超像素划分为肉、脂肪或背景，提取每个质心周围的S × S × λ（λ为波段数）三维窗口的光谱特征。

3.3D-CNN模型。作者提出的深度模型由9层分层结构组成：输入层是一个S × S × λ大小的3D窗口（窗口大小由寻优结果得到），一组四个具有不同核表示的3D卷积层(结构为两个连续的卷积块)，以及两个3D最大池化层，用于对每个卷积块的特征图进行降采样。然后将提取的CNN特征与全连通的密集层连接，作为红肉类型的特征提取器。最后，添加了一个输出层作为一个完全连接的softmax层。为了避免模型过拟合，在池化和全连接层之后添加三个dropout层。在训练阶段，使用了Adam optimizer，具体结构如表二所示，

表2 提出的深度模型的结构和规格(Mahmoud Al-Sarayreh)

4.分类。将文章方法与PLS-DA和SVM进行对比，对比方法在每个质心周围均提取一个大小为5 × 5 × 25的窗口，计算每个窗口的平均值即一个大小为25 × 1的特征向量作为模型的输入，并进行了参数优化。得到的分类结果如表三所示，3D-CNN方法得到了最高的分类精度，同时其获得的高F1值也表明模型在鉴别肉类时具有较好的鲁棒性。

表3 各方法得到的分类结果(Mahmoud Al-Sarayreh)

最后作者对提出的深度模型进行了进一步的验证：对于一组相同的窗口数据，提取其经3D-CNN第8层全连通层处理后的输出向量进行PCA，同样对不进行其它处理的此组窗口原始数据进行PCA，绘制前两个主成分的散点图如图六所示，可以看到相较于原始光谱特征，深度模型提取的特征各类之间的可分离性较好。

图6 PCA散点图，用于可视化类之间的分离。左:原始光谱特征的前两个PCA分量。右:3D-CNN模型提取的学习特征的前两个PCA分量。(Mahmoud Al-Sarayreh)

总结

实验表明，推扫式和快照式高光谱相机均能够有效检测红肉掺假。近年来，深度模型逐渐取代了传统的机器学习模型，因为它们可以提供了更为显著的准确性水平和广泛的检测范围。然而，缺乏大型的数据库来训练模型，限制了深度模型的应用。快照式高光谱相机可以在较短的时间内获取丰富的高光谱数据，有效解决了构建深度模型面临的问题，具有很大的应用潜力。