SCI论文（www.lunwensci.com）
摘要：探索了近红外漫反射光谱数据与鸡蛋不同部位蛋壳厚度之间的关系。以８８个粉壳鸡蛋作为实验样品，分别对鸡蛋大头、赤道、小头进行光谱数据采集与分析；对原始光谱数据、一阶微分、二阶微分预处理数据进行偏最小二乘交互验证，确定偏最小二乘建模所需的主成分数目，然后对不同部位蛋壳厚度进行定量分析与预测。根据偏最小二乘建模及预测结果，鸡蛋赤道部分和大头部分蛋壳厚度预测的误差比小头部分要小，而且校正集误差与预测集误差相差不大。经过一阶导数和二阶导数对数据预处理后，虽然校正集相关系数有所增大，但模型出现了过拟合现象。测试结果表明，近红外光谱原始数据与鸡蛋赤道部分蛋壳厚度相关系数为０．６９１３，校正集均方根误差为２．０６３２（０．０１ｍｍ），预测集均方根误差为２．０１９４（０．０１ｍｍ），定量预测精度不高。
关键词：蛋壳厚度；近红外光谱；偏最小二乘；数据预处理
ＲｅｓｅａｒｃｈｏｎｔｈｅＤｅｔｅｃｔｉｏｎａｎｄＡｎａｌｙｓｉｓＭｅｔｈｏｄｏｆＴｈｉｃｋｎｅｓｓｏｆＤｉｆｆｅｒｅｎｔＰａｒｔｓｏｆ
ＥｇｇｓｈｅｌｌＢａｓｅｄｏｎＮｅａｒ－ｉｎｆｒａｒｅｄＳｐｅｃｔｒｏｓｃｏｐｙ
ＨａｎＹａｗｅｎ１，ＹｕＹａｐｉｎｇ
１，ＺｈａｎｇＱｉａｎｇ１，ＤｏｎｇＧｕｉｍｅｉ１，Ｌｉｌｉｕ'ａｎ２
（１．ＣｏｌｌｅｇｅｏｆＥｎｇｉｎｅｅｒｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙ，ＴｉａｎｊｉｎＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ３００３８４，Ｃｈｉｎａ；２．ＣｏｌｌｅｇｅｏｆＡｎｉｍａｌＳｃｉｅｎｃｅａｎｄＶｅｔｅｒｉｎａｒｙＭｅｄｉｃｉｎｅ，ＴｉａｎｊｉｎＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｔｉａｎｊｉｎ３００３８４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅｃｏｒｒｅｌａｔｉｏｎｂｅｔｗｅｅｎｎｅａｒｉｎｆｒａｒｅｄｄｉｆｆｕｓｅｒｅｆｌｅｃｔａｎｃｅｓｐｅｃｔｒａｌｄａｔａａｎｄｅｇｇｓｈｅｌｌｔｈｉｃｋｎｅｓｓｏｆｄｉｆｆｅｒｅｎｔｐａｒｔｓｏｆｅｇｇｓｉｓｄｉｓｃｕｓｓｅｄ．８８ｐｉｎｋｓｈｅｌｌｅｇｇｓａｒｅｕｓｅｄａｓｅｘｐｅｒｉｍｅｎｔａｌｓａｍｐｌｅｓｔｏｃｏｌｌｅｃｔａｎｄａｎａｌｙｚｅｔｈｅｓｐｅｃｔｒａｌｄａｔａｏｆｅｇｇｂｉｇｈｅａｄ，ｅｑｕａｔｏｒａｎｄｓｍａｌｌｈｅａｄｒｅｓｐｅｃｔｉｖｅｌｙ；ｔｈｅｏｒｉｇｉｎａｌｄａｔａ，ｆｉｒｓｔｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌａｎｄｓｅｃｏｎｄｏｒｄｅｒｄｉｆｆｅｒｅｎｔｉａｌｄａｔａｉｓｃａｒｒｉｅｄｏｕｔｂｙｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｉｎｔｅｒａｃｔｉｖｅｖｅｒｉｆｉｃａｔｉｏｎｗｈｉｃｈｄｅｔｅｒｍｉｎｅｔｈｅｎｕｍｂｅｒｏｆｔｈｅｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔｓｒｅｑｕｉｒｅｄｆｏｒｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｍｏｄｅｌｉｎｇ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｐａｒｔｉａｌｌｅａｓｔｓｑｕａｒｅｓｍｏｄｅｌｉｎｇａｎｄｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ，ｉｔｃａｎｂｅｓｅｅｎｔｈａｔｔｈｅｐｒｅｄｉｃｔｉｏｎｅｒｒｏｒｏｆｔｈｅｅｇｇｓｈｅｌｌｔｈｉｃｋｎｅｓｓｏｆｔｈｅｅｑｕａｔｏｒｉａｌｐａｒｔａｎｄｔｈｅｌａｒｇｅｐａｒｔｉｓｓｍａｌｌｅｒｔｈａｎｔｈａｔｏｆｔｈｅｓｍａｌｌｐａｒｔ，ａｎｄｔｈｅｅｒｒｏｒｏｆｔｈｅｃｏｒｒｅｃｔｉｏｎｓｅｔａｎｄｔｈｅｐｒｅｄｉｃｔｉｏｎｓｅｔｈａｖｅｌｉｔｔｌｅｄｉｆｆｅｒｅｎｃｅ．Ａｆｔｅｒｔｈｅｆｉｒｓｔｄｅｒｉｖａｔｉｖｅａｎｄｓｅｃｏｎｄｄｅｒｉｖａｔｉｖｅｄａｔａｐｒｅｐｒｏｃｅｓｓｉｎｇ，ａｌｔｈｏｕｇｈｔｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｏｆｔｈｅｃｏｒｒｅｃｔｉｏｎｓｅｔｉｎｃｒｅａｓｅｓ，ｔｈｅｒｅｉｓａｎｏｖｅｒ－ｆｉｔｔｉｎｇｐｈｅｎｏｍｅｎｏｎ．Ｔｈｅｔｅｓｔｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｃｏｒｒｅｌａｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔｂｅｔｗｅｅｎｔｈｅｒａｗｄａｔａｏｆｔｈｅｎｅａｒｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙａｎｄｔｈｅｅｇｇｓｈｅｌｌｔｈｉｃｋｎｅｓｓａｔｔｈｅｅｑｕａｔｏｒｏｆｔｈｅｅｇｇｉｓ０．６９１３，ｔｈｅＲＭＳＥＣｉｓ２．０６３２（０．０１ｍｍ），ａｎｄｔｈｅＲＭＳＥＰｉｓ２．０１９４（０．０１ｍｍ）．Ｔｈｅｑｕａｎｔｉｔａｔｉｖｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙｉｓｎｏｔｈｉｇｈ．
Ｋｅｙｗｏｒｄｓ：ｅｇｇｓｈｅｌｌｔｈｉｃｋｎｅｓｓ；ｎｅａｒ－ｉｎｆｒａｒｅｄｓｐｅｃｔｒｏｓｃｏｐｙ；ＰＬＳＲ；ｄａｔａｐｒｅｔｒｅａｔｍｅｎｔ
0引言
蛋壳为鸡蛋内部免受细菌侵蚀构筑了屏障，还为孵化中的胚胎提供了机械保护和气体交换，因此蛋壳的质量是鸡蛋的一项重要品质。对蛋壳进行检测的指标一般有表面污染物、裂纹、厚度和蛋壳密度等［１－２］，其中蛋壳厚度对鸡蛋运输过程中抗碰撞能力及鸡蛋育种有着重要影响。蛋壳太薄，壳内水分蒸发比较快，细菌易侵入，不易久存而且还易发生破损，若种蛋蛋壳太薄则容易让胚胎孵化中途破蛋死掉；蛋壳太厚，在孵化过程后期会导致小鸡不能啄破蛋壳而胎死壳中。蛋壳厚度为０．３１～０．３５ｍｍ时不影响孵化率［３］，番鸭蛋蛋壳厚度在０．３９５～０．４０１ｍｍ时常出现死胚胎蛋［４］，这说明了蛋壳厚度的重要性。检测蛋壳的品质，对养殖场进行营养调控具有重要的指导意义［５］。蛋壳厚度的物理测量方法一般采用蛋壳厚度测试仪。需要将鸡蛋打破后去除蛋壳内膜进行测试。许多学者探索了蛋壳品质的无损检测方法，但国内对蛋壳厚度快速检测方法的研究报道偏少。李光奇等［６］采用超声波厚度计测定鸡蛋蛋壳厚度；孙从佼等［７］研究了蛋壳厚度的数字化测量，采用蛋壳厚度回声探测器对鸡蛋蛋壳厚度进行了无损检测。近红外光谱技术目前在农业、医学和食品等多个领域已经有了很好的应用［８－１１］。方芳等［１２］基于近红外光谱技术对茶籽油掺伪进行了鉴别分析。王鑫［１３］应用偏最小二乘法对复方乙酰水杨酸片和复方氨酚烷胺片两种药物的样品进行了定量分析研究。梁静［１４］等基于近红外光谱去鉴别牛羊肉掺假。冯嘉欣等［１５］采用近红外光谱对冷鲜羊肉中鸡肉掺假鉴别进行分析。近红外光谱虽然也在蛋品质检测方面应用广泛［１６］，但在蛋壳厚度检测方面研究偏少，熊欢［１７］采用近红外反射采集鸡蛋赤道部分的光谱进行检测，采用偏最小二乘回归法、主成分回归法和逐步多元线性回归法进行分析，得出偏最小二乘回归法预测效果最好。
本文在此基础上，对采集的光谱数据进行不同方法的预处理，主要探索不同预处理情况下，鸡蛋大头、赤道部位和小头近红外光谱与蛋壳厚度之间的相关性。
１试验材料及方法
１．１试验样品
所用鸡蛋均为从超市购买的同批次粉壳鸡蛋８８枚。按照２∶１的比例分成校正集和预测集，去除表面污垢，并对鸡蛋进行编号，圈出光谱采集的区域，所有鸡蛋的光谱数据采集在１ｄ内完成。
１．２近红外光谱采集
标定蛋壳厚度的物理采集方法采用蛋壳厚度测定仪，把鸡蛋打碎后，将蛋壳内膜去除，分别对采集光谱的部位进行蛋壳厚度的测定，因为光谱采集部位面积较小，所以每个部位的蛋壳厚度仅采了一次数据。
１．３数据处理方法
数据处理方法采用偏最小二乘回归法［１８］（ＰＬＳＲ）进行建模和预测，在ＭＡＴＬＡＢ软件中完成对数据的预处理及建模分析［１９］。将光谱数据采集的结果８８×３００１分为校正集６０×３００１和预测集２８×３００１，作为自变量矩阵Ｘ，分别对应蛋壳厚度６０×１和２８×１作为因变量矩阵Ｙ。蛋壳大头厚度的最大值０．４５ｍｍ，最小值０．３１９ｍｍ，蛋壳赤道厚度的最大值０．４６９ｍｍ，最小值０．３２５ｍｍ，蛋壳小头厚度的最大值０．５ｍｍ，最小值０．３２２ｍｍ。一个鸡蛋不同部位的蛋壳厚度存在一定的差异。
２数据分析与处理结果
２．１主成分数确定
确定合适主成分个数是ＰＬＳ算法关键的一个问题。因此对鸡蛋不同部位校正集数据预处理后，采用偏最小二乘交互均方根验证（ＲｏｏｔＭｅａｎＳｑｕａｒｅＥｒｒｏｒｏｆＣｒｏｓｓＶａｌｉｄａｔｉｏｎ，ＲＭＳＥｃｖ）的方法，选取１５个主成分进行分析，观察主成分数目与交互均方根误差之间的关系。图２为鸡蛋大头、赤道、小头原始数据的交互均方根验证结果。
从图２可以看出，鸡蛋大头、赤道和小头部位的蛋壳厚度交互均方根误差分别在主成分数为９、１０和１３的时候最小，它们的交互均方根误差ＲＭＳＥｃｖ分别为２．４２９、２．６４３和２．６３４。
２．２ＰＬＳＲ建模与预测
根据上面方法确定不同部位、不同预处理的情况下，均方根误差最小时相对应的主成分数，然后根据确定的主成分，进行建模及预测，分析及预测结果如表１所示。
从表１可以看出，小头厚度与光谱的相关系数比大头和赤道中间部位的都大，校正均方根误差相对较小，但预测误差基本偏大，说明出现了过拟合。丢弃掉过拟合情况，可以看出，鸡蛋大头采用原始数据、中间部分采用原始数据和赤道部分采用二阶导数分析的结果相对较好，当它们的主成分数分别是９、１０和５时，相关系数分别为０．７０１６、０．６９１３和０．９５１２，校正集均方根误差分别为１．９２１１（０．０１ｍｍ）、２．０６３２（０．０１ｍｍ）和０．８８５７（０．０１ｍｍ），预测集均方根误差分别为２．６８１０（０．０１ｍｍ）、２．０１９４（０．０１ｍｍ）和２．６０９５（０．０１ｍｍ）。二阶导数预处理后，虽然相关系数高，但预测效果差，也出现了过拟合现象。因此，比对相关系数、校正集误差和预测集误差大小后，只有赤道部分原始数据和一阶导数建模均方根误差ＲＭＳＥＣ和ＲＭＳＥＰ比值在０．８～１．２之间，模型比较稳定［２０－２１］。结合相关系数判断，赤道原始数据建模效果较好，赤道原始光谱数据建立的校正集和预测集的预测结果分别与实测蛋壳厚度进行比对拟合，拟合结果如图３～４所示。
从预测结果可以看出，校正集蛋壳厚度预测结果与实测值之间的相关系数为０．６９１３，而预测集蛋壳厚度预测结果与实测值的相关系数０．４１１６５，虽然近红外光谱与蛋壳厚度之间存在相关性，但定量检测精度不高。
３结束语
根据ＲＭＳＥＣ和ＲＭＳＥＰ比值在０．８～１．２之间来判定，去除过拟合现象，以上试验结果表明，对赤道部位进行检测时，光谱原始数据与蛋壳厚度之间建立的模型比较稳定，但定量预测，精度偏低。虽然鸡蛋不同部位蛋壳厚度有差别，但是对鸡蛋采用近红外漫反射光谱快速无损测量蛋壳厚度是可行的，本文为采用光谱快速测量蛋壳厚度提供了一定的实验参考依据。若要建立更高精度的蛋壳厚度预测模型，还需要探索更多的多变量处理预处理及建模方法来验证。
参考文献：
［１］马卫东，于亚萍，张樱飘，等．一种声音信号判断鸡蛋裂缝系统设计［Ｊ］．机电工程技术，２０２０，４９（１１）：５３－５４，１１８．
［２］张樱飘，于亚萍，衡耿，等．基于图像处理鸡蛋表面污染物面积的检测条件比较研究［Ｊ］．机电工程技术，２０２０，４９（１０）：７２－７４．
［３］赵阳，俞美子，王喜庆，等．蛋重、蛋形和蛋壳厚度对庄河大骨鸡孵化率的影响［Ｊ］．现代畜牧兽医，２０２２（１）：２７－３０．
［４］李昂，连森阳，王长康，等．番鸭蛋壳气孔数、壳厚对出雏效果的研究［Ｊ］．中国畜牧杂志，２００３（５）．
［５］宿国强，王志跃，杨海明，等．鸡蛋蛋壳品质的营养调控研究进展［Ｊ］．家畜生态学报，２０２２，４３（１）：８６－９１．
［６］李光奇，石凤英，李花妮，等．８０周龄蛋鸡产蛋数与蛋品质性状的相关性分析［Ｊ］．黑龙江畜牧兽医，２０１９（１１）：５３－５５．
［７］孙从佼，刘旭明，杨宁，等．鸡蛋蛋壳厚度的数字化测量［Ｃ］／／中国畜牧兽医学会家禽学分会．安全优质的家禽生产———第十五次全国家禽学术讨论会论文集．华南理工大学出版社，２０１１：４．
［８］陈悦．近红外光谱快速测定大豆油脂含量［Ｊ］．现代畜牧科技，２０１８（３）：１６－１７．
［９］范睿，孙晓凯，周欣，等．基于近红外光谱定量分析花生牛奶可行性［Ｊ］．食品科学，２０１７，３８（２４）：１８９－１９５．
［１０］文元新，祝子喻，陈江，等．基于近红外光谱结合多元分析方法的红花定性定量模型建立及含量差异比较［Ｊ］．中华中医药学刊，２０２２，４０（８）：２００－２０４，２８２．
［１１］覃统佳，刘冬，从彦丽，等．近红外光谱法测定面粉的水分、脂肪、碳水化合物和蛋白质含量［Ｊ］．食品工业科技，２０２０，４１（１２）：２５６－２６３．
［１２］方芳，王耀耀，刘欣，等．基于近红外光谱技术的茶籽油掺伪定性鉴别和定量分析［Ｊ］．中国粮油学报．
［１３］王鑫．近红外光谱－偏最小二乘法无损非破坏药物分析［Ｄ］．长春：吉林大学，２００５．
［１４］梁静，郝生燕，赵祥民，等．基于近红外光谱技术构建牛羊肉掺假鉴别模型［Ｊ］．甘肃农业大学学报，２０２３，５８（１）：１９－２９，３７．
［１５］冯嘉欣，李志刚，张小栓．近红外光谱下冷鲜羊肉中鸡肉掺假鉴别分析［Ｊ］．食品科技，２０２２，４７（７）：２８４－２９０．
［１６］齐亮，赵茂程，李忠，等．无损检测鸡蛋新鲜度技术研究进展［Ｊ］．中国家禽，２０２０，４２（６）：８９－９５．
［１７］熊欢，徐惠荣，周万怀，等．蛋壳品质的近红外光谱检测分析［Ｊ］．农业工程学报，２０１３，２９（Ｓ１）：２６４－２６９．
［１８］叶莺，陈崇帼，林熙．偏最小二乘回归的原理及应用［Ｊ］．海峡预防医学杂志，２００５（３）：３－６．
［１９］张涛．计算机编程软件ＭＡＴＬＡＢ在数据处理方面的运用［Ｊ］．电子技术与软件工程，２０２２（９）：４５－４８．
［２０］汤海青，吴维儿，王晓龙．基于电子舌技术定量分析黄酒理化指标［Ｊ］．农产品加工，２０２０（１２）：６６－６９．
［２１］郑咏梅，张铁强，张军，等．平滑、导数、基线校正对近红外光谱ＰＬＳ定量分析的影响研究［Ｊ］．光谱学与光谱分析，２００４（１２）：１５４６－１５４８．
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！ 文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/77378.html
