基于凸包剥离算法的可见光谱成像技术增强冻融鸡腿肉鉴别研究

本文创新性地将凸包剥离（convex hull peeling）算法应用于可见光谱成像（HSI）数据降维，通过提取主成分空间中的关键光谱像素（ESPs），显著提升冻融与新鲜鸡腿肉的鉴别效率。研究在保留81%分类准确率的同时，将模型训练时间从426秒缩短至5秒，并实现100%的样本级判别准确率，为食品质量无损检测（noninvasive assessment）提供了高效计算框架。

　　

摘要

研究团队开发了一种基于凸包剥离的高光谱成像（HSI）分析方法，成功实现了冻融与新鲜鸡腿肉的快速鉴别。该方法通过提取主成分空间中外层凸包顶点处的关键光谱像素（ESPs），在仅使用0.6%原始数据量的情况下，达到与全数据集相当的分类性能（准确率81%，特异性89%），同时训练效率提升100倍。

1 引言

高光谱成像技术自1970年代发展至今，已从遥感领域扩展至食品安全检测。冻融肉鉴别是质量控制的重要挑战，因冰晶形成会导致肌肉纹理、色泽和营养价值的改变。传统近红外HSI虽能检测冻融过程，但海量数据带来的计算负担制约了实际应用。研究首次将凸包剥离算法引入分类领域，通过逐层剥离噪声主导的像素，显著提升模型鲁棒性。

2 材料与方法

2.1 样本制备

选取同批次鸡腿肉分为两组：对照组（4°C储存72小时）与冻融组（-18°C冷冻48小时后4°C解冻24小时），共79个样本。通过统一"保质期"控制生化变化干扰。

2.2 数据采集

使用Specim IQ相机（397-1036 nm，204波段）采集数据，配合LED环形光源。空间分辨率达0.49×0.49 mm，光谱分辨率7 nm。

2.3 数据预处理

关键步骤包括：

• 波长筛选（去除>780 nm噪声段）

• 反射率转吸光度（符合比尔-朗伯定律）

• 非对称最小二乘基线校正（AsLS参数λ=10⁵）

• Savitzky-Golay平滑滤波（二阶多项式，窗口7）

2.4 凸包剥离算法

创新性地采用"洋葱式"分层剥离：

1. 在主成分空间构建初始凸包获取ESPs

2. 移除外层数据后重建新凸包

3. 迭代至深层数据（如图7所示）

   该过程有效过滤边缘噪声像素，保留核心光谱特征。

3 结果与讨论

3.1 全数据分类基准

使用全数据集（194万像素）的PLS-DA模型达到81%准确率，但耗时426秒。样本级决策（60%像素阈值）实现100%正确率。

3.2 关键发现

• ESPs效率：仅用178个ESP（0.007%数据量）时，训练时间降至2秒，但准确率降至77%

• 分层优化：6D空间第6层剥离时，14,030个像素（0.6%数据）即恢复81%准确率

• 特异性提升：凸包剥离使特异性从82%升至89%，揭示算法更擅长识别冻融样本

3.3 技术优势

与传统随机采样相比（准确率61-67%），凸包剥离显著提升性能。RGB图像无法区分的样本（图4），经HSI光谱特征提取后呈现明显差异（图9）。

4 结论

该研究开创性地将计算几何算法应用于食品检测领域，建立的"分层筛选"策略兼具：

1. 高效性：百倍速度提升

2. 精准性：100%样本级判别

3. 普适性：可扩展至其他HSI应用场景

   未来可通过优化剥离层数，进一步平衡灵敏度（当前74%）与特异性。