Accessible Requires Authentication Published by Oldenbourg Wissenschaftsverlag December 1, 2015

Visible hyperspectral imaging for lamb quality prediction

Bestimmung der Qualität von Lammfleisch mittels hyperspektraler Bildgebung im sichtbaren Bereich
Tong Qiao, Jinchang Ren, Zhijing Yang, Chunmei Qing, Jaime Zabalza and Stephen Marshall
From the journal tm - Technisches Messen

Abstract

Three factors, including tenderness, juiciness and flavour, are found to have an impact on lamb eating quality, which determines the repurchase behaviour of customers. In addition to these factors, the surface colour of lamb can also influence the purchase decision of consumers. From a long time ago, meat industries have been looking for fast and non-invasive objective quality evaluation approaches, where near-infrared spectroscopy (NIRS) and hyperspectral imaging (HSI) have shown great promises in assessing beef quality compared with conventional methods. However, rare research has been conducted for lamb samples. Therefore, in this paper the feasibility of the HSI system for evaluating lamb quality was tested. In total 80 lamb samples were imaged using a visible range HSI system and the spectral profiles were used for predicting lamb quality related traits. For some traits, noise was further removed from HSI spectra by singular spectrum analysis (SSA) for better performance. Considering support vector machine (SVM) is sensitive to high dimensional data, principal component analysis (PCA) was applied to reduce the dimensionality of HSI spectra before feeding into SVM for constructing prediction equations. The prediction results suggest that HSI is promising in predicting some lamb eating quality traits, which could be beneficial for lamb industries.

Zusammenfassung

Die drei Faktoren Zartheit, Saftigkeit und Geschmack beeinflussen die Qualität von Lammfleisch erheblich und sind damit entscheidende Kriterien dafür, ob ein Produkt vom Kunden nochmals gekauft werden wird oder nicht. Neben diesen Faktoren wird das Kaufverhalten des Kunden zusätzlich durch die äußerliche farbliche Erscheinung des Fleisches beeinflusst. Seit langer Zeit ist die Fleischindustrie auf der Suche nach schnellen, nicht invasiven und objektiven Verfahren zur Qualitätskontrolle. Verglichen mit konventionellen Methoden zeigten die Nahinfrarotspektroskopie (NIRS) und die hyperspektrale Bildgebung (HSI) vielversprechende Ergebnisse bezüglich der Bestimmung der Fleischqualität. Lammfleischproben wurden jedoch nur selten untersucht. Daher wurde im Rahmen dieses Beitrags die Eignung eines HSI-Systems zur Prüfung von Lammfleischqualität evaluiert. Insgesamt wurden mittels eines HSI-Systems von 80 Lammfleischproben Bilder im sichtbaren Spektralbereich aufgenommen und für die Bestimmung von mit der Fleischqualität verwandten Merkmalen verwendet. Zusätzlich wurde per Singular Spectrum Analysis (SSA) bei einigen Merkmalen vorhandenes Rauschen von den HSI-Spektren entfernt. Da die Support Vector Machine (SVM) empfindlich auf hochdimensionale Daten reagieren kann, wurde die Dimension der HSI-Spektren mittels einer Hauptkomponentenanalyse (PCA) reduziert, bevor die Daten zum Trainieren der SVM verwendet wurden. Die Klassifikationsergebnisse deuten darauf hin, dass HSI-Spektren für die Bestimmung einiger Qualitätsmerkmale von Lammfleisch durchaus geeignet sind. Für die Fleischindustrie könnten diese Ergebnisse von Vorteil sein.

Funding statement: T. Qiao, J. Ren and J. Zabalza would like to thank the support from University of Strathclyde and Quality Meat Scotland. Z. Yang would like to acknowledge support from National Natural Science Foundation of China (NSFC, #61471132). C. Qing would like to acknowledge the support from both NSFC (#61401163) and the Fundamental Research Funds for the Central Universities (No. 2015ZZ032).

Acknowledgement

Authors would like to thank Dr. Cameron Craigie and Scotland's Rural College (SRUC) for helping preparing the data. Also special thanks to the associate editor and the anonymous reviewers for their careful reading and helpful remarks to improve the paper quality. An earlier version of this paper was presented at the 2nd conference on Optical Characterization of Materials (OCM) in 2015.

Received: 2015-6-3
Revised: 2015-8-7
Accepted: 2015-9-8
Published Online: 2015-12-1
Published in Print: 2015-12-28

©2015 Walter de Gruyter Berlin/Boston