Visualization of lamb adulteration based on hyperspectral imaging(초분광 이미징 기술 기반 양고기 혼입의 시각화)

Meat mainly includes livestock, poultry and aquatic products, and is the source of protein, fatty acids, trace elements and other important energy substances required by the human body. As living standards continue to improve, people pay more attention to the quality and nutritional balance of food, but some unscrupulous merchants mix low quality meat with high quality meat, especially the 2013 “horsemeat fiasco” in Europe, which has aroused great concern about meat adulteration. Meat adulteration detection methods include sensory evaluation, fluorescence PCR, electrophoresis and enzyme immunoassay, but most of them require sample pre-treatment, which is tedious and time-consuming, making it difficult to achieve rapid real-time detection in the field with large sample volumes.

Hyperspectral imaging technology is a comprehensive NDT technique that can simultaneously characterize one-dimensional spectral information and two-dimensional spatial information, and has been extensively used in the pharmaceutical, agricultural and ecological protection industries. Most of the existing studies in the literature have used a single band of hyperspectral imaging technology to identify meat adulteration, but few have used both bands for comparative analysis. In this study, the hyperspectral information in the visible-NIR (400-1000 nm) and short-wave NIR (900-1700 nm) bands was collected, and a quantitative model was established by selecting a suitable pre-processing method and the optimal model was selected for image inversion. The method is intended to provide data and technical support for the quantitative detection of lamb adulteration in China.

1. Test materials and methods

1.1 Test samples

Fresh lamb and duck meat were purchased from fresh supermarkets and stored at low temperature for one hour before being returned to the laboratory.

1.2 Test equipment

GaiaField-Pro-V10E (spectral range 400-1000nm, spectral resolution 2.8nm, spectral sampling interval 0.7nm, spectral channel number 125) and GaiaField-Pro-N17E (spectral range 900-1700nm, spectral resolution 5nm, spectral sampling interval 3.5nm). Spectral sampling interval of 3.5nm, number of spectral channels 512) by Jiangsu Shuangli Hepu Technology Co.As showed in Figure 1.

Figure1 Physical map and parameters

1.3.1 Preparation of experimental samples1.3 Experimental methods

Visible fat was removed from lamb and duck meat to reduce interference with the experimental results. After cutting the lamb and duck meat into pieces, the corresponding lamb and duck meat were weighed into a blender and blended for 4 min according to certain adulteration ratios (10%-90%, adulteration interval of 10%, total 50 g per sample), so that the samples were well mixed and then put into a Petri dish and spread flat. Five parallel samples were prepared for each adulterated sample, and five pure lamb samples and five pure duck samples were prepared at the same time, making a total of 55 samples.

1.3.2 Acquisition and calibration of hyperspectral images

Before the hyperspectral image acquisition, the stability of the light source should be ensured and the influence of the spectrometer itself should be eliminated, so the hyperspectral instrument was turned on and preheated for 30 min before the experiment, and then the images were acquired.

After acquiring spectral information for 55 samples, the Teflon white plate (99.99% reflectance) was scanned under the same acquisition conditions to obtain an all-white calibration plate image, and the camera lens cap was covered to obtain an all-black background image, using black and white correction to reduce the effect of dark currents in the instrument itself and the reflection of the light source by the sample itself. In this case, the black and white correction equation is

Figure 2 Schematic diagram of hyperspectral system structure

2. Results and discussion
2.1 Characteristics of the spectral curves of the samples

Figure 3 shows the original spectral images of all samples at 400-1000nm and Figure 4 shows the original spectral images of all samples at 900-1700nm. It can be seen in Fig. 3(a) and Fig. 4(a) that the trends of the spectral curves of the unadulterated and adulterated samples are roughly similar, but from the three spectral curves with different adulteration ratios (0%, 50%, 100%) in Fig. 3(b) and Fig. 4(b), it can be seen that in the 500nm-800nm band, 1000-1400nm band, the adulterated samples are relatively different from the unadulterated samples in terms of There is no clear pattern of increase or decrease in the reflectance curves with the increase of the adulteration percentage in the whole spectral range (400-1000nm and 900-1700nm).

Figure 3 Original spectra of samples (400-1000nm) 
(a) All samples (b) Samples with different adulteration ratios

Figure 4 Original spectra of samples (900-1700nm)

(a) All samples (b) Samples with different adulteration ratios

2.2 Feature wavelength selection and modelling

The best modelling results were found for the 900-1700nm band by feature wavelength selection, and the wavelengths selected by different wavelength selection methods are shown in Figure 5. As can be seen from Table 1, the best modelling results were also obtained after the SPA method of wavelength selection, with a total of 13 wavelengths selected, namely: 899.83nm, 926.51nm, 942.2nm, 965.74nm, 1003.4nm, 1111.68nm, 1136.79nm, 1207.41nm, 1372.18 nm, 1574.62 nm, 1623.27 nm, 1640.53 nm, and 1690.75 nm. The modelling result is shown in Figure 6.

Table 1 Effect of PLSR modeling for 900-1700 nm

Model	Variables	PLSfactors	Calibration		Prediction
			R2cv	SECV	R2p	RMSEP	RPD
CARS	14	13	0.9167	0.0996	0.9575	0.0184	4.8507
iRF	70	7	0.9062	0.0967	0.9434	0.0197	4.2033
SiPLS	205	6	0.9092	0.0951	0.9554	0.0600	4.7351
SPA	13	7	0.9191	0.0997	0.9684	0.0582	5.6254

Fig. 5 Selection of wavelengths in the 900-1700 nm band

Fig.6  900-1700nm band with SPA modeling effect

2.3 Visualization of adulteration

The adulteration trend is evident in Figure 7, where the color deepens (from blue to red) as the proportion of adulteration increases. Hyperspectral imaging provides a practical and reliable way to visualize the distribution of adulterated samples, which are not possible with other methods. However, for each individually prepared adulterated sample, the distribution of adulterated samples was found to be inhomogeneous in Figure 7, despite the fact that the samples were mixed as homogeneously as possible during the pre-sample preparation process.

Figure 7 visualization image of lamb adulteration and duck adulteration3. Conclusion

The 900-1700nm band contains more information about the composition of meat, which is more reflective of the characteristics of meat and may be more suitable for the identification of meat adulteration. In order to expand the comprehensiveness and applicability of the model, the test should be extended to the long-wave NIR band (1700-2500nm). Further validation is needed.

---

초분광 이미징 기술 기반 양고기 혼입의 시각화

육류는 주로 가축, 가금류 및 수산물을 포함하며, 인체에 필요한 단백질, 지방산, 미량 원소 및 기타 중요한 에너지 물질의 공급원입니다. 생활 수준이 지속적으로 향상됨에 따라 사람들은 식품의 품질과 영양 균형에 더 많은 관심을 기울이고 있습니다. 그러나 일부 비양심적인 상인들은 저품질 고기를 고품질 고기에 섞어 팔기도 하는데, 특히 2013년 유럽의 “말고기 파동”은 육류 혼입(adulteration)에 대한 큰 우려를 불러일으켰습니다. 육류 혼입 검출 방법으로는 관능 평가, 형광 PCR, 전기영동 및 효소 면역 분석법 등이 있으나, 대부분은 시료 전처리가 필요하여 번거롭고 시간이 많이 소요되기 때문에 대량의 시료를 현장에서 실시간으로 신속하게 검출하기 어렵습니다.

초분광 이미징 기술은 1차원 스펙트럼 정보와 2차원 공간 정보를 동시에 특성화를 할 수 있는 포괄적인 비파괴 검사(NDT) 기술로, 제약, 농업 및 생태 보호 산업에서 광범위하게 사용되고 있습니다. 문헌에 존재하는 대부분의 연구는 단일 대역의 초분광 이미징 기술을 사용하여 육류 혼입을 식별했지만, 두 대역을 모두 사용하여 비교 분석한 연구는 거의 없습니다. 본 연구에서는 가시광선-근적외선(Vis-NIR, 400-1000nm) 및 단파장 근적외선(SW-NIR, 900-1700nm) 대역의 초분광 정보를 수집하였으며, 적절한 전처리 방법을 선택하여 정량적 모델을 수립하고 이미지 시각화(inversion)를 위한 최적의 모델을 선정하였습니다. 이 방법은 중국 내 양고기 혼입의 정량적 검출을 위한 데이터 및 기술적 지원을 제공하는 것을 목적으로 합니다.

1. 실험 재료 및 방법

1.1 실험 시료

신선한 양고기와 오리고기를 신선 식품 마트에서 구입하여 저온 상태로 실험실로 운송한 후, 실험 전까지 1시간 동안 보관하였습니다.

1.2 실험 장비

Zolix의 GaiaField-Pro-V10E (스펙트럼 범위 400-1000nm, 스펙트럼 해상도 2.8nm, 스펙트럼 샘플링 간격 0.7nm, 스펙트럼 채널 수 125개) 및 GaiaField-Pro-N17E (스펙트럼 범위 900-1700nm, 스펙트럼 해상도 5nm, 스펙트럼 샘플링 간격 3.5nm, 스펙트럼 채널 수 512개)를 사용하였습니다. (그림 1 참조)

그림 1: 장비 실물 및 매개변수

1.3 실험 방법

1.3.1 실험 시료 준비

실험 결과의 간섭을 줄이기 위해 양고기와 오리고기에서 눈에 보이는 지방을 제거했습니다. 양고기와 오리고기를 조각낸 후, 특정 혼입 비율(10%-90%, 혼입 간격 10%, 시료당 총 50g)에 따라 해당 양고기와 오리고기를 무게를 달아 블렌더에 넣고 4분간 혼합하였습니다. 시료가 잘 섞이도록 한 뒤 페트리 접시에 넣고 평평하게 펴주었습니다. 각 혼입 비율별로 5개의 평행 시료를 준비하였으며, 동시에 순수 양고기 시료 5개와 순수 오리고기 시료 5개를 준비하여 총 55개의 시료를 제작하였습니다.

1.3.2 초분광 이미지 획득 및 보정

초분광 이미지 획득 전 광원의 안정성을 확보하고 분광기 자체의 영향을 제거하기 위해, 실험 30분 전 초분광 장비를 켜서 예열한 후 이미지를 획득하였습니다. 55개 시료에 대한 스펙트럼 정보를 획득한 후, 동일한 획득 조건에서 테프론(Teflon) 백색판(반사율 99.99%)을 스캔하여 전백(all-white) 보정판 이미지를 얻고, 카메라 렌즈 캡을 덮어 전흑(all-black) 배경 이미지를 얻었습니다. 이를 통해 흑백 보정을 수행하여 기기 자체의 암전류(dark current) 영향과 시료 자체에 의한 광원 반사 영향을 줄였습니다. 흑백 보정 식은 다음과 같습니다.

그림 2: 초분광 시스템 구조 모식도

2. 결과 및 고찰

2.1 시료의 스펙트럼 곡선 특성

그림 3은 400-1000nm 대역에서 모든 시료의 원본 스펙트럼 이미지를 보여주며, 그림 4는 900-1700nm 대역에서 모든 시료의 원본 스펙트럼 이미지를 보여줍니다. 그림 3(a)와 그림 4(a)에서 볼 수 있듯이 비혼입 시료와 혼입 시료의 스펙트럼 곡선 경향은 대략 유사합니다. 그러나 그림 3(b)와 그림 4(b)의 서로 다른 혼입 비율(0%, 50%, 100%)을 가진 세 개의 스펙트럼 곡선을 보면, 500nm-800nm 대역과 1000-1400nm 대역에서 혼입 시료가 비혼입 시료와 비교적 차이가 있음을 알 수 있습니다. 전체 스펙트럼 범위(400-1000nm 및 900-1700nm)에서 혼입 비율의 증가에 따른 반사율 곡선의 명확한 증가 또는 감소 패턴은 나타나지 않았습니다.

그림 3: 시료의 원본 스펙트럼 (400-1000nm)) (a) 전체 시료 (b) 서로 다른 혼입 비율의 시료

그림 4: 시료의 원본 스펙트럼 (900-1700nm)) (a) 전체 시료 (b) 서로 다른 혼입 비율의 시료

2.2 특징 파장 선택 및 모델링

특징 파장 선택을 통해 900-1700nm 대역에서 가장 우수한 모델링 결과를 확인했습니다. 서로 다른 파장 선택 방법으로 선정된 파장은 그림 5에 나타나 있습니다. 표 1에서 볼 수 있듯이, SPA(연속 투영 알고리즘) 파장 선택 방법 후 가장 우수한 모델링 결과를 얻었으며, 총 13개의 파장이 선택되었습니다. 선택된 파장은 899.83nm, 926.51nm, 942.2nm, 965.74nm, 1003.4nm, 1111.68nm, 1136.79nm, 1207.41nm, 1372.18nm, 1574.62nm, 1623.27nm, 1640.53nm, 1690.75nm입니다. 모델링 결과는 그림 6에 나와 있습니다.

표 1: 900-1700nm 대역의 PLSR 모델링 효과

Model	Variables	PLSfactors	Calibration		Prediction
			R2cv	SECV	R2p	RMSEP	RPD
CARS	14	13	0.9167	0.0996	0.9575	0.0184	4.8507
iRF	70	7	0.9062	0.0967	0.9434	0.0197	4.2033
SiPLS	205	6	0.9092	0.0951	0.9554	0.0600	4.7351
SPA	13	7	0.9191	0.0997	0.9684	0.0582	5.6254

그림 5: 900-1700nm 대역에서의 파장 선택

그림 6: SPA 모델링 효과가 적용된 900-1700nm 대역 결과

2.3 혼입의 시각화

혼입 경향은 그림 7에서 명확하게 나타나는데, 혼입 비율이 증가함에 따라 색상이 짙어지는 것(파란색에서 빨간색으로)을 볼 수 있습니다. 초분광 이미징은 다른 방법으로는 불가능한 혼입 시료의 분포를 시각화하는 실용적이고 신뢰할 수 있는 방법을 제공합니다. 그러나 개별적으로 준비된 각 혼입 시료에 대해, 사전 시료 준비 과정에서 가능한 한 균일하게 혼합했음에도 불구하고, 그림 7에서는 혼입 시료의 분포가 불균일한 것으로 나타났습니다.

그림 7: 양고기 혼입 및 오리고기 혼입의 시각화 이미지

3. 결론

900-1700nm 대역은 육류의 성분에 대한 더 많은 정보를 포함하고 있어 육류의 특성을 더 잘 반영하며, 육류 혼입 식별에 더 적합할 수 있습니다. 모델의 포괄성과 적용 가능성을 확장하기 위해, 장파장 근적외선(LW-NIR) 대역(1700-2500nm)으로 실험을 확장해야 합니다. 이에 대한 추가적인 검증이 필요합니다.