FSAP | 南京农业大学王鹏教授:基于生物电阻抗特征的鸡木质胸肉深度学习分类

健康   2024-11-21 17:36   北京  

南京农业大学食品科学技术学院、肉品质量控制与新资源创制全国重点实验室、肉品加工重点实验室、江苏省肉类生产与加工质量安全控制协同创新中心的路彤、刘雅婷、舒欣副教授(共同一作)等通过基于阻抗特征值的偏最小二乘法(partial least squaresPLS)和有限内存Broyden-Fletcher-Goldfarb-Shannolimited-memory Broyden-Fletcher-Goldfarb-Shanno,L-BFGS)深度学习预测模型,建立了木质化鸡胸肉(woody breastWB)的高精度分类方法。

Introduction

随着家禽饲养管理和遗传育种技术的发展,肉鸡的产量和消费量一直不断提高。然而,在肉鸡生长速度、产量和胸肌大小提升的同时,鸡胸肉缺陷的发生率也在不断提高,严重威胁着肉鸡产业。其中一种受业内广泛关注的鸡胸肉缺陷称为WB,严重影响了鸡胸肉的感官性状、营养品质和加工特性,降低了消费者的购买欲望,对肉鸡生产企业的经济效益产生了严重的不良影响。目前,生产上对于WB鉴定分级常用的方式是人工触诊,可是存在判定效率低、推广程度差等缺点。电阻抗作为一种依靠电子移动产生电学信号的检测方法已被用于肉品品质分析并取得一定的应用效果,但是将生物电阻抗应用于WB品质检测的研究还相对较少。已有的研究显示生物电阻抗对WB因肌肉生长紊乱导致的肌肉退化有一定的检测潜力,但对不同等级WB的具体区分还需要深入探索。

选择正常鸡胸肉(normal chicken breastNORM)、轻微WBmildly woody chicken breastMILD)、中度WBmoderately woody chicken breastMOD)和严重WBseverely woody chicken breastSEV),对其基本品质指标和阻抗特征值进行测定,建立基于鸡胸肉阻抗特征值的PLS分类模型,对正常鸡胸肉及不同等级WB进行鉴别。采用PLS将鸡胸肉阻抗的实部和虚部拟合为电阻抗复数曲线,通过Cole-Cole方程拟合得到细胞内阻(Ri)、细胞外阻(Re)和细胞膜电容(Cm)等阻抗等效参数,为利用生物电阻抗对不同等级的WB进行鉴别分级提供解释的依据。进一步将采集到的不同等级WB的生物阻抗数据输入一个包含多个隐藏层的神经网络,通过神经网络强大的特征学习能力获得原始数据高层语义特征,对正常鸡胸肉及不同等级WB采用深度学习分类鉴别。

图1  样品三维测量图

Results

结果表明,随木质化等级增加,鸡胸肉质量、顶部厚度(H1)、pH值和硬度增大,颜色劣变,保水性降低,鸡胸肉整体品质降低;同一频率下鸡胸肉的阻抗幅值随着木质化等级增加而减小,中低频段正常鸡胸肉及不同等级WB的阻抗幅值差异更加显著,这些变化是WB分级的重要依据;中高频段正常鸡胸肉的相位角绝对值显著高于WB的相位角绝对值,不同等级WB相位角绝对值也存在显著性差异,利用中高频相位角信息可以区分出正常鸡胸肉及不同等级WB;随木质化等级增加,Ri和特征频率(fc)显著增大,Cole-Cole曲线圆弧的半径、Re、极化系数(K)和松弛因子(α)显著减小,上述阻抗特征参数均可作为生物电阻抗识别不同等级WB的解释参数。

图2  不同等级WB的振幅-频率曲线

图3  不同等级WB的相位频率曲线

a.全频段不同等级WB的Cole-Cole曲线;b.中高频不同等级WB的Cole-Cole曲线。
图4  不同等级WB的生物电阻抗曲线
利用PLS判别分析对上述设定的4 组鸡胸肉样品在0.06200 kHz范围内15 个频点处的阻抗幅值和相位角数据进行训练分级,得到NORM3 个不同等级WB80 组数据中(每组均为20 组数据),75%的数据随机分配到训练样本,25%的数据随机分配到验证样本。SEV训练样本和测试样本以及NORM测试样本的准确率均达到了100%。训练整体正确预测率达到了91.7%;由于MOD测试样本的准确率较低,测试整体正确预测率为80%。因此,NORM和不同等级的WB可以得到较好地区分。MILDMOD具有相似的阻抗特性,这意味着从这两个级别中准确判断鸡胸肉样品质量的可能性较低,需要引入深度学习提升测试的预测正确率。由样本于数据量相对有限,我们使用求解精度较高的L-BFGS方法训练神经网络。神经网络将0.06200 kHz频率范围内的阻抗幅值和相位角值作为输入特征。神经网络包含2 个隐藏层,其大小分别为6432,学习率设定为0.0001。采用随机选择的方法,将80 个样本中的75%用于训练,其余样本用于测试。SEV训练样本、MILD测试样本和MOD测试样本的准确率都达到了100%。整个训练集的准确率为88.35%,而测试样本的总准确率为 90%,相对比于PLS80%测试整体正确预测率有所提高。由于深度学习需要大量训练样本,随着训练样本数的增大,本研究建立的深度学习预测模型的性能还有较大的提升空间。

图5  混淆矩阵的深度学习方法

Conclusion

随着WB等级的增加,鸡胸肉质量、表皮厚度、pH值和硬度下降,而色泽变差,保水性降低。阻抗的大小随WB的增加而减小,中低频段的NORM与不同WB鸡胸肉之间的差异变得更加明显。NORM在中高频段的相位角绝对值高于WB。随着WB的增加,Rifc增加;相反,Cole-Cole曲线的圆弧半径、ReKα减少。这些阻抗特征可用于不同WB的生物电阻抗鉴定。PLS分析模型可对NORM和不同WB进行分类和判断,而深度学习L-BFGS算法对测试样本的预测率较高。本研究对不同级别的WB肉进行了较为准确的分类,避免了人工触诊法测定效率低、推广性差等缺点,对促进鸡胸肉质量快速准确检测、保障企业经济效益具有重要意义。

Abstract


As a serious threat to the broiler industry, woody breast (WB) requires precise classification that is theoretically aligned with the advantage of bioelectrical impedance detection. This research used normal chicken breast (NORM) and three levels of WB condition, namely, mild, moderate and severe (SEV), based on sensory evaluation. The basic objective quality indicators and impedance characteristics of the samples were detected, and then the various levels of WB were categorized by model-classification approach. At a consistent frequency, the impedance amplitude of samples decreased with increased WB level. Significant differences in the absolute value of the phase angle existed among different levels of WB. The increase in WB level led to a considerable increase in intracellular resistance (Ri) and in the characteristic frequency (fc). However, four other indices including the radius of Cole-Cole curve arc, the extracellular resistance (Re), the polarization coefficient (K), and the relaxation factor (α) substantially dropped with increased WB level. The accuracy of SEV training, NORM and SEV test samples achieved a perfect score of 100% according to the partial least squares (PLS) prediction model. The PLS model also exhibited an overall accuracy of 91.70% for training samples compared with the value of 88.35% from limited-memory Broyden-Fletcher-Goldfarb-Shanno (L-BFGS) deep-learning prediction model. However, the L-BFGS model achieved a higher overall correct rate for test samples (90.00%) than PLS model (80.00%). These results provided valuable information for the classification of WB based on the characteristics of bioelectrical impedance.




作者介绍


王鹏  教授

南京农业大学食品科学技术学院

王鹏,男,教授,博士生导师。农业农村部国家现代农业产业技术体系(肉鸡)肉品加工岗位科学家,南京农业大学国家肉品质量安全控制工程技术研究中心团队成员。国际标准化组织食品技术委员会肉禽蛋鱼及其制品分委员会(ISO/TC34/SC6)国内技术对口工作组专家、全国屠宰加工标准化技术委员会(SAC/TC516)家禽屠宰加工及畜禽屠宰加工设施设备工作组委员、中国肉类协会禽(蛋)业分会专家委员会专家委员及科技标准化技术委员会委员、Food Science of Animal Products期刊科学副主编、Foods和《肉类研究》期刊编委。在胶体科学、感知科学与肉品加工的交叉研究领域,主持国家自然科学基金等12 项课题,Food HydrocolloidsFood ChemistryLangmuir等杂志发表SCI文章80余篇,授权专利18 项,共同主编或副主编专著5 部。参与制定国家标准及农业行业推荐标准5 项。荣获教育部科学技术进步奖一等奖等奖项。

路彤 硕士研究生

南京农业大学食品科学技术学院
2015.092019.06 南京农业大学食品科技学院 食品质量与安全专业 获学士学位;

2019.092021.06 南京农业大学食品科技学院 食品加工与安全专业 攻读硕士学位。

刘雅婷 硕士研究生

南京农业大学食品科学技术学院
2018.092022.06 安徽农业大学茶与食品科技学院 食品科学与工程专业 获学士学位;

2022.09至今 南京农业大学食品科技学院 食品科学与工程专业 攻读硕士学位。

舒欣 副教授

南京农业大学人工智能学院

研究方向为机器学习,计算机视觉。

2013.122017.12 南京农业大学信息科技学院 教学科研;

2018.01至今 南京农业大学人工智能学院 副教授。


文章内容由作者团队提供。
编辑:阎一鸣;责任编辑:刘莉



食品科学杂志
传播食品科学知识,促进食品科技交流,弘扬中国传统饮食文化,倡导健康安全饮食习惯。
 最新文章