Classification of Astaxanthin Colouration of Salmonid Fish using Spectral

Imaging and Tricolour Measurement

使用光谱成像和三色测量对鲑鱼虾青素颜色进行分类

摘要：本研究的目的是调查是否有可能区分饲喂天然或合成虾青素的虹鳟鱼（Oncorhynchus mykiss）。鱼肉表面颜色的视觉检测采用了三种不同的技术：多光谱图像捕获、三色CIELAB 测量和手动SalmoFan 检测。此外，还测试了最好的预测是来自牛排还是鱼片的测量。用于分类的方法是线性判别分析 (LDA)、二次判别分析(QDA)和稀疏线性判别分析 (SLDA)。

图1.实验期间鱼的体重增加

在喂食时间段的开始和结束时对鱼进行称重，体重增加情况见图1。这表明有些鱼吃得较多，有些鱼吃得不多，这也与他们吸收了多少虾青素。在实验结束时，冷冻保存14天后，用HPLC分析测定虾青素的化学含量，见图2。可以看出，三组之间的平均虾青素含量不同。特别是在天然和合成虾青素组之间，平均虾青素浓度存在很大差异。在这里，我们可以确认体重差异所暗示的鱼之间虾青素含量的巨大差异。

图2.用HPLC测量的鱼片以及左右活检中的虾青素浓度（ppm）

使用VideometerLab分析SalmoFan个体色素沉着水平的反射光谱，结果如图3所示。QDA将对照组分类为92-99%。对于 LDA，SalmoFan 数据将这一组分类为 99-100%，CIELAB分类为 96%。对于CIELAB，天然和合成虾青素的分类范围为63-76%，而 SalmoFan的相应分类为 38-82%。与SalmoFan 数据的天然虾青素分类相比，LDA和QDA的合成结果通常更好。对于CIELAB 值，没有清楚地看到相同的趋势。它表明，在CIELAB 数据上，牛排的分类比鱼片的分类要好一些。

图3.VideometerLab的SalmoFan平均反射光谱，色素沉着等级为20-34

使用VideometerLab 捕获鳟鱼肉的多光谱图像，并使用CDA 进行分割。具有可视化 ROI 的分段鱼片图像的示例可以在图4 中看到，三个不同组的示例可以在图5中看到。所有的鱼片都可以在图6中看到，说明了组的变化。使用 SNV 对每个图像中 ROI 中的像素进行归一化，并提取两个不同的特征集：平均光谱和九个百分点。使用LDA、QDA 和 SLDA 分析这些特征，以便区分喂食合成虾青素、天然虾青素和无虾青素的鱼的鱼肉。

图4.鳟鱼圆角图像示例

图5.三个不同组的鳟鱼鱼片图像

图6.所有鳟鱼片样品

平均样品光谱显示了450和500nm之间的组之间的分离，参见图7。但是，对照组的分离比天然和合成虾青素之间的分离更明显。

图7.鳟鱼活检的45个多光谱图像的平均光谱，每个光谱带的样本标准偏差为±1

结果表明，使用多光谱图像分析、三色分析和SalmoFan分析可以很容易地将天然和合成虾青素与对照组分开。然而，分离天然虾青素和合成虾青素似乎是一项更具挑战性的任务。天然和合成虾青素在光谱反射、三色值和SalmoFan 值方面显示出重叠。使用三色CIELAB 测量结果表明，使用牛排对天然和合成虾青素的分类略好于鱼片。为了区分喂食天然和合成虾青素的鱼，CIELAB 测量显示出比 SalmoFan 值更好的性能。 使用光谱成像，结果表明鱼片比牛排更好地区分合成和天然虾青素

相关阅读

丹麦Videometer Liq固/液体稳定性分析仪检测仪

丹麦VideometerSLS/SGT颗粒/粘度/口感评价测量仪

丹麦videometer多光谱颜色/质构/成分综合分析仪

食品品质光谱成像可视化：应用多光谱成像的黄油曲奇质量评估

食品品质光谱成像可视化：光谱成像应用于面食小麦籽粒真伪检测的可行性研究

食品品质光谱成像可视化：多光谱成像 (MSI)：一种检测掺有马肉的碎牛肉的有前景的方法

食品品质光谱成像可视化：色度计和多光谱图像的肉类颜色测量结果的比较

食品品质光谱成像可视化：蔬菜的多光谱成像

食品品质光谱成像可视化：利用多光谱成像进行非侵入性污染评估和肉类样品绘图

食品品质光谱成像可视化：使用多光谱成像分析快速无损识别注水牛肉样品

食品品质光谱成像可视化：具有不同亚硝酸盐和硝酸盐还原酶活性的肉相关葡萄球菌在发酵香肠中的颜色形成

食品品质光谱成像可视化：虾在冰成熟过程中的可剥性和质量变化

食品品质光谱可视化研究：长时间低温热处理的奶牛和公牛的肉韧性与结缔组织特性的关系

食品品质光谱成像可视化：使用 vis/NIR 多光谱成像对微加工苹果的每日新鲜度衰减：初步测试

食品品质光谱成像可视化：多光谱视觉系统与色度计在肉色评估中的比较