基于荧光-高光谱成像技术快速检测鸡肉中微生物污染的方法

1.本发明涉及食品质量与安全检测领域，具体涉及一种快速无损在线检测鸡肉微生
2.物含量的方法。


背景技术：

3.鸡肉因为营养价值高、容易被人体吸收，已成为人类健康饮食的重要组成部分。然而生鲜鸡肉作为一种极易腐败的食品，其质量安全也越来越受到消费者的关注。微生物是评价鸡肉卫生质量和安全性的重要参数，但其传统检测方法费时，费力，对样品有一定的破坏性，难以满足肉类检测过程中快速、无损、自动化的需求。相比之下，高光谱成像(hsi)作为一种简单、便捷、高效的检测技术，不需要对样品进行破坏和预处理，在评估食品质量和安全方面已经显示出其优越性。近年来，一些学者开始将高光谱成像技术应用于肉类储运过程中的品质检测。但是由于食品基质和化学成分的复杂性，hsi通常可以定量食品中的主要成分信息，而对次要成分的敏感度较差，从而限制了其在食品质量检测中的准确性。
4.荧光是有机或无机物质在被短波辐射(如紫外线或激光)激发时产生的自然、固有的发射光。荧光对复杂食品基质中的成分具有高度的敏感性和选择性，例如，肉在储藏过程中微生物的生长可以引起肉中荧光成分—色氨酸、nadph和卟啉发生变化。因此，高光谱与荧光结合，除了具有荧光特有的优势外，还增加了一个额外的空间维度，便于深入了解食品中微量组分的光谱特性及异质样品中的定位信息，然而，迄今为止还没有试图将荧光-高光谱成像技术用于预测鸡肉储藏过程中微生物污染的研究报道。
5.cn200520099328提出了一种水果高光谱图像采集装置,其特征在于:光谱仪连接接口镜头,接口镜头连接摄像头,摄像头连接计算机,光谱仪的狭缝对着成像镜头,成像镜头正下方为水果输送及翻转装置。本发明将高光谱成像技术应用于水果的品质与安全性检测,可在线采集水果的可见光及红外光区的高光谱散射图像,用于水果的表面污染和内部品质(如糖酸度、质地和营养成份)检测。但是，该方案使用的是卤素灯和激光灯，未研究紫外灯作为荧光光源，增强光谱的荧光信号；同时，和微生物污染检测并不是同一领域，不具备技术启示。
6.cn200610097857提出了一种针对农畜产品的检测方法,特指基于高光谱图像技术的农畜产品无损检测方法及其装置。其通过高光谱图像技术采集得到能反应农畜产品外观特征(如果蔬、肉类、谷物等农畜产品的颜色、形状、纹理和尺寸等外观明显特性以及疤痕、损伤和污染等外部细微特征)的图像信息和能反应内在特征(如苹果的糖酸度、硬度以及肉类的蛋白质和脂肪含量等)的光谱信息然后再与知识库中专家知识与经验融合起来,进行综合判别。本发明可用于鉴别产品真伪,能够对农畜产品的加工、贮藏和运输过程进行快速、简便、客观的检测,准确、实时、有效地对农畜产品生产过程进行监测,控制从原料到工艺的整个生产过程,从而使农畜产品质量得到保证。但是，该申请主要应用在了农畜产品一些常规理化指标(如农畜产品外观特征、内在特征)上，且研究方法有局限性，没有实现对微
生物污染的预测。


技术实现要素：

7.本发明提供一种可用于预测鸡肉储藏过程中微生物含量的新型快速无损检测技术。本发明弥补了传统微生物检测方法操作繁琐，周期长以及费用高等缺陷，提供了一种简便、快速、无需对样品进行预处理及检测成本低的荧光-高光谱成像技术。与现有的高光谱技术相比，荧光-高光谱成像技术能够定位鸡肉中的微量成分结构信息，提高了鸡肉储藏过程中对微生物定量的预测精度。
8.本发明的第一个目的是提供一种基于荧光-高光谱成像技术快速检测鸡肉中微生物污染的方法，包括以下步骤：
9.步骤1，获取鸡胸肉样品的原始荧光-高光谱图像；
10.步骤2，测定鸡肉样品的微生物污染情况；
11.步骤3，对原始荧光-高光谱图像进行校正；
12.步骤4，选择图像上的感兴趣区域(roi)，提取图像的平均光谱数据；
13.步骤5，对光谱数据进行预处理；
14.步骤6，建立光谱变量与鸡肉微生物污染情况的定量关系预测模型。
15.进一步地，所述步骤1中，荧光-高光谱成像的光源系统有两部分组成：使用波长为365nm、功率为80w的两个紫外灯获取荧光信号，同时使用两个75w的石英卤素灯获取反射信号，两种光源都固定在样品上方45
°
角处。
16.进一步地，所述步骤1中，光谱采集之前，系统需提前预热30min，光源强度设置为350，曝光时间设置为10ms，步进速度为7.5mm/s，扫描宽度为100mm。
17.进一步地，所述步骤1中，荧光-高光谱系统在400-1000nm波长范围内采集光谱数据。
18.进一步地，所述步骤2中，测定所述鸡肉样品的微生物污染情况的方法参考iso4833-1：2013，样品稀释液接种至3m细菌培养测试片上进行测定。
19.进一步地，所述步骤3中，为了避免相机暗电流和外部光线的影响，还需要用以下公式对原始荧光-高光谱图像(i
rw
)进行黑白板校正，得到白色参考图像(iw)和暗电流图像(id)，以获得校正后的图像(i)。
[0020][0021]
进一步地，所述步骤4中，使用envi 5.3.1软件在采集到的肉块图像上选择一个尽可能大的感兴趣区域(roi)，对roi中的光谱值进行平均，得到该区域所有像素的平均光谱数据。
[0022]
进一步地，所述步骤4中，将672nm处的图像进行二进制处理，然后将roi区域赋值为1，背景区域赋值为0，建立掩模，以消除背景干扰。
[0023]
进一步地，所述步骤5中，为了提高信噪比，避免由噪声污染和基线变化引起的不必要误差，利用多重散射校正(msc)、标准正态变量(snv)、一阶导数和二阶导数对荧光-高光谱数据进行预处理。优选地，荧光-高光谱数据预处理方法为snv。
[0024]
进一步地，所述步骤6中，将预处理后的光谱数据与鸡肉中实测微生物数量进行拟
合，利用支持向量机(svm)建立微生物定量预测模型。
[0025]
进一步地，荧光-高光谱成像系统在400-1000nm波长范围内共获得420个波段。
[0026]
本发明的第二个目的是提供前述的荧光-高光谱成像技术在快速预测鸡胸肉储藏过程菌落总数变化规律中的应用。
[0027]
本发明的第三个目的是提供前述的荧光-高光谱成像技术在快速预测鸡胸肉储藏过程大肠菌群变化规律中的应用。
[0028]
本发明的第四个目的是提供前述的荧光-高光谱成像技术，使用最优的预测模型，将荧光-高光谱图像上的每一个像素点转化为相应的菌落总数值，建立微生物腐败的可视化图像。
[0029]
本发明具有以下有益效果：
[0030]
与现有技术相比，本发明所用的荧光，作为高光谱成像系统的辅助光源，增强了原高光谱成像系统对鸡肉中微量物质的敏感性，提高了预测精度。检测过程中，只需要获取被测样品的荧光-高光谱数据，然后直接把值带入所建精度较高的预测模型内即可得到被测样品中微生物的含量，极大地缩短了微生物的培养周期，且不使用任何化学试剂，直接进行非接触光谱扫描，对样品不具有破坏性，可实现微生物的在线快速检测。
附图说明
[0031]
图1为本发明中实施所述的荧光-高光谱数据采集系统的示意图。
[0032]
图2为本发明中实施所述的从360份鸡胸肉样品的roi中提取的荧光-高光谱数据及特征峰。
[0033]
图3为本发明中实施所述的荧光-高光谱成像技术对鸡胸肉储藏过程中菌落总数svm定量模型预测结果示意图。
[0034]
图4为本发明中实施所述的荧光-高光谱成像技术对鸡胸肉储藏过程中大肠菌群svm定量模型预测结果示意图。
[0035]
图5为将本发明中实施所述的荧光-高光谱成像技术构建的最优预测模型应用于鸡胸肉微生物腐败的可视化图例。
[0036]
图6为实施例1中鸡胸肉在不同储存条件下的菌落总数的生长趋势。
[0037]
图7为实施例2中鸡胸肉在不同储存条件下的大肠菌群数的生长趋势。
具体实施方式
[0038]
结合图1，荧光-高光谱成像的光源系统有两部分组成：使用波长为365nm、功率为80w的两个紫外灯1获取荧光信号，同时使用两个75w的石英卤素灯2获取反射信号，两种光源都固定在样品上方45
°
角处；在移动平台3上方放置样品架4，样品架4上放置样品5；移动平台3、样品架4和样品5均置于暗箱6内部；暗箱6的顶部下方设置相机7和光谱仪8，镜头9正对样品5。
[0039]
光谱采集之前，系统需提前预热30min，光源强度设置为350，曝光时间设置为10ms，步进速度为7.5mm/s，扫描宽度为100mm；荧光-高光谱系统在400-1000nm波长范围内采集光谱数据，共获得420个波段。
[0040]
实施例1
[0041]
利用荧光-高光谱成像技术构建鸡肉中菌落总数预测模型，具体方法如下：
[0042]
1.试剂及材料：鸡胸肉，缓冲蛋白胨水，3m菌落总数培养测试片(petrifilm，3m中国)。
[0043]
2.仪器和设备：紫外灯(中联uv光学厂)，高光谱成像光谱仪(五铃光学)，灭菌锅，拍打式均质机，envi 5.3.1软件，matlab软件编写程序。
[0044]
3.实验样品准备：
[0045]
本实例中的新鲜鸡胸肉样品购自当地某大型冷鲜肉售卖公司，在实验室将所有的鸡胸肉样品进行真空、托盘包装后分别于0℃、4℃、8℃下保存15天。每隔24小时取每种条件下的鸡胸肉样品一份，在无菌条件下切成5cm长
×
4cm宽
×
3.5cm厚的肉块，进行光谱扫描及常规菌落总数检测。
[0046]
4.常规菌落总数检测：
[0047]
参考iso4833-1：2013方法(iso，2013)，对样品表面菌落总数进行检测：无菌条件下称取25g肉样品，放入均质袋内，加入225ml缓冲蛋白胨水(bpw)，用均质机拍打混匀2min，进一步以1:10的比例进行梯度稀释，分别接种在3m菌落总数测试片上，每个梯度接种两个平行试纸，然后于37℃下培养48h，结果以菌落总数的对数值(logcfu/g)进行分析。6种不同储藏条件下的鸡胸肉在储藏期间菌落总数增长趋势如图6所示：(v1)0℃真空包装；(v2)4℃真空包装；(v3)8℃真空包装；(p1)0℃托盘包装；(p2)4℃托盘包装；(p3)8℃托盘包装。
[0048]
5.荧光-高光谱图像采集及校正：
[0049]
光谱采集之前，系统需预热30min，光源强度设置为350，曝光时间设置为10ms，步进速度为7.5mm/s，扫描宽度为100mm。为了避免相机暗电流和外部光线的影响，还需要用以下公式对原始荧光-高光谱图像(i
rw
)进行校正，得到白色参考图像(iw)和暗电流图像(id)，以获得校正后的图像(i)。
[0050][0051]
6.荧光-高光谱图像光谱数据提取
[0052]
荧光-高光谱图像采集完成后，使用envi 5.3.1软件在采集到的肉块图像上选择一个尽可能大的感兴趣区域(roi)。为了消除背景干扰，将672nm处的图像进行二进制处理，将roi区域赋值为1，背景区域赋值为0，建立一个掩模，接着对roi中的光谱值进行平均，得到该区域所有像素的平均光谱数据，如图2所示。
[0053]
7.光谱数据预处理
[0054]
利用matlab软件，采用多重散射校正(msc)、标准正态变量(snv)、一阶导数和二阶导数对荧光-高光谱数据进行预处理。
[0055]
8.预测模型的构建
[0056]
本实施例在不同条件下总计获得360组数据样本，按照3:1的比例划分校正集和验证集。将预处理后的光谱数据与鸡肉中实测菌落总数进行拟合，利用matlab软件，采用svm建立菌落总数预测模型。
[0057]
9.基于荧光-高光谱成像技术，利用svm模型在不同预处理方式下预测鸡胸肉中菌落总数的结果如表1所示。使用相关系数r、均方根误差rmse和相对分析误差rpd对所建模型的精度和稳定性进行评价。其中r越接近于1，rmse越接近于0，rpd值越高(rpd》2.5)，模型的
预测效果越好。根据研究结果可知，最佳预处理方式为snv，r
2p
为0.93，rmse
p
为0.44，rpd为2.74，拟合结果如图3所示。
[0058]
表1基于荧光-高光谱成像技术所建立的鸡胸肉菌落总数的svm模型
[0059][0060]
10.本实施例利用最佳预测模型将荧光-高光谱成像中的每个像素点转化为相应的菌落总数值，如图5所示，鸡胸肉在四种不同储藏天数内菌落总数的可视化图像区分明显。根据可视化图像的颜色变化，可以直观的预测鸡胸肉的污染水平。
[0061]
实施例2
[0062]
利用荧光-高光谱成像技术构建鸡肉中大肠菌群预测模型，具体方法如下：
[0063]
1.试剂及材料：鸡胸肉，缓冲蛋白胨水，3m大肠菌群培养测试片(petrifilm，3m中国)。
[0064]
2.仪器和设备：紫外灯(中联uv光学厂)，高光谱成像光谱仪(五铃光学)，灭菌锅，拍打式均质机，envi 5.3.1软件，matlab软件编写程序。
[0065]
3.实验样品准备：
[0066]
本实例中的新鲜鸡胸肉样品购自当地某大型冷鲜肉售卖公司，在实验室将所有的鸡胸肉样品进行真空、托盘包装后分别于0℃、4℃、8℃下保存15天。每隔24小时取每种条件下的鸡胸肉样品一份，在无菌条件下切成5cm长
×
4cm宽
×
3.5cm厚的肉块，进行光谱扫描及常规大肠菌群数检测。
[0067]
4.常规大肠菌群检测：
[0068]
参考iso4833-1：2013方法(iso，2013)，对样品表面大肠菌群进行检测：无菌条件下称取25g肉样品，放入均质袋内，加入225ml缓冲蛋白胨水(bpw)，用均质机拍打混匀2min，进一步以1:10的比例进行梯度稀释，分别接种在3m大肠菌群测试片上，每个梯度接种两个平行试纸，然后于37℃下培养24h，结果以大肠菌群的对数值(logcfu/g)进行分析。6种不同储藏条件下的鸡胸肉在储藏期间大肠菌群数增长趋势如图7所示：(v1)0℃真空包装；(v2)4℃真空包装；(v3)8℃真空包装；(p1)0℃托盘包装；(p2)4℃托盘包装；(p3)8℃托盘包装。
[0069]
5.荧光-高光谱图像采集及校正：
[0070]
光谱采集之前，系统需预热30min，光源强度设置为350，曝光时间设置为10ms，步进速度为7.5mm/s，扫描宽度为100mm。为了避免相机暗电流和外部光线的影响，还需要用以下公式对原始荧光-高光谱图像(i
rw
)进行校正，得到白色参考图像(iw)和暗电流图像(id)，以获得校正后的图像(i)。
[0071][0072]
6.荧光-高光谱图像光谱数据提取
[0073]
荧光-高光谱图像采集完成后，使用envi 5.3.1软件在采集到的肉块图像上选择一个尽可能大的感兴趣区域(roi)。为了消除背景干扰，将672nm处的图像进行二进制处理，将roi区域赋值为1，背景区域赋值为0，建立一个掩模，接着对roi中的光谱值进行平均，得到该区域所有像素的平均光谱数据。
[0074]
7.光谱数据预处理
[0075]
利用matlab软件，采用多重散射校正(msc)、标准正态变量(snv)、一阶导数和二阶导数对荧光-高光谱数据进行预处理。
[0076]
8.预测模型的构建
[0077]
本实施例在不同条件下总计获得360组数据样本，按照3:1的比例划分校正集和验证集。将预处理后的光谱数据与鸡肉中实测大肠菌群数进行拟合，利用matlab软件，采用svm建立大肠菌群定量预测模型。
[0078]
9.基于荧光-高光谱成像技术，利用svm模型在不同预处理方式下预测鸡胸肉中大肠菌群数的结果如表2所示，所得最佳预处理方式为snv，r
2p
为0.92，rmse
p
为0.46，rpd为2.57，拟合结果如图4所示。
[0079]
表2基于荧光-高光谱成像技术所建立的鸡胸肉大肠菌群的svm模型
[0080][0081]
10.本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述的实施例。
[0082]
综上所述，本发明所提供的一种荧光-高光谱成像技术在对鸡肉中菌落总数和大肠菌群数的快速无损检测中都达到了理想的预测效果，光谱数据经snv预处理，svm建模后，菌落总数最佳预测结果可达到r
2p
＝0.93,rmse
p
＝0.44,rpd＝2.74；大肠菌群最佳预测结果可达到r
2p
＝0.92,rmse
p
＝0.46,rpd＝2.57。相较于背景技术中提到的对比文件1和2，本发明通过对比不同光谱预处理方式的效果，提供了最佳的建模方法，并基于荧光-高光谱图像的每个像素点，建立了最佳模型下的鸡肉在储藏过程中微生物腐败的可视化图像，为监测鸡肉供应链上的微生物污染提供了一种有效的分析工具。
[0083]
本文中所描述的具体实施例仅仅是对本发明精神做举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

技术特征：
1.一种基于荧光-高光谱成像技术快速检测鸡肉中微生物污染的方法，其特征在于包括以下步骤：步骤1，获取鸡胸肉样品的原始荧光-高光谱图像；步骤2，测定鸡肉样品的微生物污染情况；步骤3，对原始荧光-高光谱图像进行校正；步骤4，选择图像上的感兴趣区域roi，提取图像的平均光谱数据；步骤5，对光谱数据进行预处理；步骤6，建立光谱变量与鸡肉微生物污染情况的定量关系预测模型，基于定量关系预测模型实现鸡肉中微生物污染的快速检测。2.根据权利要求1所述的方法，其特征在于，步骤1中，荧光-高光谱成像的光源系统有两部分组成：使用波长为365nm、功率为80w的两个紫外灯获取荧光信号，同时使用两个75w的石英卤素灯获取反射信号，两种光源都固定在样品上方45
°
角处。3.光谱采集之前，系统需提前预热30min，光源强度设置为350，曝光时间设置为10ms，步进速度为7.5mm/s，扫描宽度为100mm；荧光-高光谱系统在400-1000nm波长范围内采集光谱数据，共获得420个波段。根据权利要求1所述的方法，其特征在于，步骤2中，测定所述鸡肉样品的微生物污染情况的方法参考iso4833-1：2013，样品稀释液接种至3m细菌培养测试片上进行测定。4.根据权利要求1所述的方法，其特征在于，步骤3中，为了避免相机暗电流和外部光线的影响，还需要用以下公式对原始荧光-高光谱图像i
rw
进行黑白板校正，得到白色参考图像i
w
和暗电流图像i
d
，以获得校正后的图像i：5.根据权利要求1所述的方法，其特征在于，步骤4中，使用envi 5.3.1软件在采集到的肉块图像上选择一个尽可能大的感兴趣区域roi，对roi中的光谱值进行平均，得到该区域所有像素的平均光谱数据。6.根据权利要求1所述的方法，其特征在于，步骤4中，将672nm处的图像进行二进制处理，然后将roi区域赋值为1，背景区域赋值为0，建立掩模，以消除背景干扰。7.根据权利要求1所述的方法，其特征在于，步骤5中，为了提高信噪比，避免由噪声污染和基线变化引起的不必要误差，利用多重散射校正msc、标准正态变量snv、一阶导数和二阶导数对荧光-高光谱数据进行预处理；荧光-高光谱数据预处理方法为snv。8.根据权利要求1所述的方法，其特征在于，步骤6中，将预处理后的光谱数据与鸡肉中实测微生物数量进行拟合，利用支持向量机svm建立微生物定量预测模型。9.根据权利要求1所述的方法，其特征在于，步骤6中，所述鸡肉微生物污染情况由鸡肉微生物污染指标体现，鸡肉微生物污染指标为菌落总数或大肠菌群。10.根据权利要求1所述的方法，其特征在于，它还包括步骤7，利用最佳定量关系预测模型，建立鸡肉微生物腐败的可视化图像；具体步骤为：将所得的最佳定量关系预测模型应用于荧光-高光谱图像的每个像素点上，即每一个像素点转化为相应的菌落总数值，具有相似光谱特征的像素点赋予相似的可视化颜色，以表示相应的菌落总数，从而建立微生物腐
败的可视化图像。

技术总结
本发明公开了一种使用荧光-高光谱成像技术，快速检测鸡肉储藏过程中微生物含量的方法。包括以下步骤：获取400-1000nm鸡胸肉样品的原始荧光-高光谱图像；对原始荧光-高光谱图像进行校正；利用感兴趣区域(ROI)提取荧光-高光谱图像的平均光谱数据；对光谱数据进行预处理；利用SVM建立荧光-高光谱预测模型。本发明提供的荧光-高光谱成像技术，对鸡肉储藏过程中的微生物生长具有良好的预测能力，极大地缩短了微生物培养周期，实现了鸡肉储藏过程中微生物的在线、无损监测。无损监测。无损监测。


技术研发人员：唐长波 靳爽爽 杨粉红 梁盘玉 王嘉栎 潘磊庆 刘小花
受保护的技术使用者：南京农业大学
技术研发日：2023.02.07
技术公布日：2023/7/12