用于食品加工中异物检测和识别的近红外高光谱成像

高光谱成像将成像和光谱相结合，以增强对材料的无损分析。当与化学计量学(即多变量)分析相结合时，高光谱成像可用于预测样品中多种成分的浓度和分布。这使得该技术对食品行业内的许多常规质量检查具有吸引力。高光谱成像的一项潜在有用应用是食品加工中的异物检测。

异物污染被认为是食品召回的最常见原因之一。因此，为了符合产品安全要求和维护消费者信心，需要快速、无损的技术来检测和识别食品工业产品中的异物。玻璃、金属和塑料是加工食品中最常提到的异物。金属探测器通常用于食品加工链，以防止成品中出现金属碎片;然而，这些仪器无法检测玻璃和塑料污染。

与在可见光谱范围内捕获的肉类图像(左)不同，高光谱图像向食品质量检查员(右)显示了感兴趣的区域，例如以假色突出显示的脂肪或蛋白质区域

在本文中，介绍了用于识别和分类谷物中异物的高光谱成像数据的化学计量学分析。使用在近红外 (700–1700 nm) 波长范围内以漫反射模式运行的推扫式线扫描高光谱成像仪器获得高光谱图像。调查的异物有：塑料碎片、玻璃珠和橡胶碎片。检测了两种类型的谷物样品：一种相对均匀的白米谷物样品和一种混合品种谷物样品(含有多种脱水谷物豆类)。

用于谷物样品中污染物检测的高光谱成像

每种污染物的平均偏差和标准偏差反射光谱显示了所研究污染物的不同光学特性。玻璃样品表现出非常低的光谱响应，表明从这些样品反射的光水平很低。塑料和橡胶样品在特定波长下表现出对近红外 (NIR) 辐射的特征吸收。尽管污染物在光谱特征上彼此截然不同，但所研究的食品样品的光谱响应与污染物的光谱响应存在一些重叠;因此，使用单波段图像识别污染物是不合适的。

与其他异物检测方法相比，高光谱成像的一大优势是能够根据异物的光谱特性检测异物并对其进行分类。主成分分析 (PCA) 可应用于高光谱图像，将它们压缩为各个波长图像(“分数”)的线性组合，从而产生最大方差投影。因此，PCA 是识别高光谱成像数据中潜在模式的有用工具。为了证明这一点，将 PCA 应用于含有异物的谷物样品的图像。

当没有应用光谱预处理时，混合谷物样品的光谱响应的可变性导致 PC 评分图像的显着可变性，使得异物识别变得困难。因此，为了突出 PC 评分空间中谷物样品和异物污染物之间的差异，对漫反射光谱应用了各种光谱预处理。结果发现，一阶导数 Savitsky-Golay 平滑与标准正态变量预处理的组合导致 PC 分数空间中各种异物的最佳分离。由于应用了上述光谱预处理，谷物样品在 PC 分数图像中显得均匀，具有相对较高的[在水稻的情况下，或较低的 [在混合的情况下]谷物样品，像素强度较异物。因此，可以通过简单的阈值将污染物从图像背景中分离出来。然而，晶粒的一些边缘区域由于其曲率而遭受错误分类。为了去除这些误报并在阈值图像中保持真实的异物，应用了形态学膨胀和腐蚀操作，从而产生更准确的异物检测图像。

为了建立用于异物识别的判别模型，将 PCA 应用于属于异物类的像素。混合谷物样品的 PC2 图像及其对应的直方图。直方图中有三个峰，一个对应于每种污染物。根据这些峰值对 PC2 图像进行阈值处理可以识别每种污染物。

每个样品的 PCA 分析结果可用于算法开发，以检测和识别加工线中的污染物。显示了基于前面章节中描述的混合谷物样品异物检测和分类分析的典型例程的流程图。标准图像预处理和后处理步骤，例如背景去除和死像素为清楚起见，删除被省略。因此，应用 PC 特征向量可以检测和识别样品中的异物。此方法中使用的 PC 特征向量是样本和异物特定的。

总结

NIR 波长范围内的高光谱反射成像与化学计量学相结合，显示出检测和识别食品谷物中异物的前景。这种方法特别适用于识别塑料和橡胶异物，因为这些材料在近红外波长区域表现出特征吸收。该研究还表明了 NIR 反射高光谱成像用于检测谷物样品中玻璃的潜力。所提出的方法可以修改为检测和识别原材料样品中的异物，例如，在食品加工链中。在目标食品样品中可能含有异物的情况下，光透射比反射检测更理想，因为反射成像主要揭示表面特征。可见光-近红外波长区域的透射高光谱成像可能适用于异物的亚表面检测;但它的用途通常是特定于样品的，强烈依赖于样品的光散射特性。