韓方凱 劉璨 黃煜 馬梅 馮凡 段騰飛 張東京

摘要 [目的]建立牛肉中摻假豬肉的快速鑒定方法。[方法]采用傅立葉變換近紅外結合極限學習機（extreme learning machine，ELM）構建純牛肉、牛肉中摻假豬肉、純豬肉的快速識別模型，考察標準正態(tài)變換、多元散射校正（multiplicative scatter correction，MSC）、一階導數(shù)及二階導數(shù)結合核主成分分析（kernel principal component analysis，KPCA）等光譜預處理方法對ELM模型預測性能的影響。[結果]MSC+KPCA預處理下，ELM模型的預測效果最優(yōu)，訓練集及測試集的正確識別率分別為86.67%和83.33%。[結論]近紅外光譜技術結合ELM在牛肉中摻假豬肉的快速鑒定方面具有較大的潛力。

關鍵詞 牛肉摻假;近紅外;極限學習機;核主成分分析

中圖分類號 TS207.3文獻標識碼 A

文章編號 0517-6611（2019）13-0185-03

doi：10.3969/j.issn.0517-6611.2019.13.057

開放科學（資源服務）標識碼（OSID）：

Abstract [Objective] The research aimed to develop a rapid technique for identification of beef adulteration with pork.[Method]The Fourier transform nearinfrared combined with extreme learning machine （ELM） was used to build prediction models for identification of pure beef， beef adulteration with pork， and pure pork. The influence of different spectral pretreatment methods on the performance of ELM models were studied， such as standard normal variate transformation， multiplicative scatter correction （MSC）， first derivative and second derivative combined separately with kernel principal component analysis （KPCA）. [Result]The best ELM model was obtained under MSC+KPCA with the correct recognition rate in train set and prediction set was 86.67% and 83.33% respectively.[Conclusion]The Fourier transform nearinfrared in coupled with ELM has a great potential in rapid identification of beef adulteration with pork.

Key words Beef adulteration;Nearinfrared;Extreme learning machine;Kernel principal component analysis

基金項目 安徽省自然科學基金項目（1908085QC146）;安徽高校自然科學研究重點項目（KJ2018A0447）;宿州學院教授（博士）科研啟動基金項目（2016jb03）。

作者簡介 韓方凱（1989—），男，安徽宿州人，講師，博士，從事食品、農(nóng)產(chǎn)品品質快速檢測新方法研究。

收稿日期 2019-04-12

我國牛肉市場前景廣闊。牛肉營養(yǎng)極為豐富，尤其是氨基酸的分布較其他大宗肉類食品更易滿足機體需要，深受消費者歡迎;隨著經(jīng)濟水平的提高，人們對牛肉的購買力亦在增強。據(jù)經(jīng)濟合作與發(fā)展組織統(tǒng)計資料顯示[1]，2016年我國牛肉的消費量為771.3萬t，較2015年增加了46.26萬t，增長率為6.4%，增速較快。

市場快速發(fā)展的同時，牛肉摻假現(xiàn)象也日趨嚴重。其中，以價格較低廉的豬肉等肉制品摻入牛肉中冒充正常牛肉，賺取高額利潤，是牛肉摻假的常見方式。牛肉摻假嚴重損害消費者利益，阻礙行業(yè)發(fā)展，且有可能牽涉到宗教信仰問題[2]。因此，保障生鮮牛肉的良好品質非常重要。在牛肉品質保障體系的眾多環(huán)節(jié)中，對摻假牛肉進行客觀、準確、快速的識別，是極其重要的一環(huán)。

目前，PCR法、色譜法、質譜法等是摻假肉鑒定最被廣泛采用的技術，雖然檢測結果客觀、可靠，但存在耗時長、樣品預處理復雜，且難以實現(xiàn)在線檢測的缺陷[3]。摻假肉與正常肉風味組分的差異可被電子鼻有效識別[3]，然而基于物理吸附原理的傳統(tǒng)金屬氧化物氣體傳感器存在靈敏度低，難以區(qū)分相似物質，且受環(huán)境濕度影響大的缺陷;高光譜能夠同時獲取檢測對象的圖像及光譜信息，可有效識別摻假肉與正常肉理化組分及形態(tài)學的差異[4]。然而，巨大的數(shù)據(jù)量給高光譜信號的儲存及處理帶來極大的困難。

近紅外光譜是樣品中化學組分含氫基團基頻振動的倍頻和合頻吸收，分析過程快速，且無需復雜的樣品預處理，在食品原料的品質分級、食品加工過程監(jiān)測、成品食品品質鑒定及溯源等領域應用頗為廣泛[5]，非常適合開發(fā)摻假牛肉的快速識別方法。2013年，Alamprese等[6]采用近紅外光譜技術對牛肉中摻假火雞肉進行識別研究，針對摻假比例分別為0～10%、15%～20%、30%～40%、50%及100%的5類樣本構建了線性判別模型（linear discernment analysis，LDA），結果顯示，LDA模型訓練集及測試集的預測準確率分別為88.3%和71.2%。同年，Morsy等[7]采用近紅外光譜技術實現(xiàn)了純牛肉及摻假牛肉（摻入豬肉等）2類樣本的準確判別。2014年，孟一等[8]采用近紅外光譜技術對純豬肉、牛肉和羊肉進行了鑒別研究，LDA模型結果顯示，測試集對豬肉、牛肉和羊肉的識別準確率分別為99.28%、9742%和100%。2015年，張麗華等[9]采用近紅外光譜技術對牛肉中摻假鴨肉進行了檢測分析，并構建了純牛肉、牛肉中摻假鴨肉、純鴨肉3類樣本的支持向量機（support vector machine，SVM）識別模型，結果顯示，SVM模型訓練集及測試集的識別準確率分別為9709%和94.00%，效果良好。

[2] 李婷婷，張桂蘭，趙杰，等.肉及肉制品摻假鑒別技術研究進展[J].食品安全質量檢測學報，2018，9（2）：409-415.

[3] 張娟，張申，張力，等.電子鼻結合統(tǒng)計學分析對牛肉中豬肉摻假的識別[J].食品科學，2018，39（4）：296-300.

[4] ROPODI A I，PAVLIDIS D E，MOHAREB F，et al.Multispectral image analysis approach to detect adulteration of beef and pork in raw meats[J].Food research international，2015，67：12-18.

[5] GRASSI S，ALAMPRESE C.Advances in NIR spectroscopy applied to process analytical technology in food industries[J].Current opinion in food science，2018，22：17-21.

[6] ALAMPRESE C，CASALE M，SINELLI N，et al.Detection of minced beef adulteration with turkey meat by UVvis，NIR and MIR spectroscopy[J].LWTFood Science and Technology，2013，53（1）：225-232.

[7] MORSY N，SUN D W.Robust linear and non-linear models of NIR spectroscopy for detection and quantification of adulterants in fresh and frozen-thawed minced beef[J].Meat science，2013，93（2）：292-302.

[8] 孟一，張玉華，王家敏，等.基于近紅外光譜技術快速識別不同動物源肉品[J].食品科學，2014，35（6）：156-158.

[9] 張麗華，郝莉花，李順峰，等.基于支持向量機的近紅外光譜技術快速鑒別摻假羊肉[J].食品工業(yè)科技，2015，36（23）：289-293.

[10] 韓方凱，張雪柯，呂日琴，等.基于極限學習機的高品質葡萄酒等級識別模型[J].宿州學院學報，2018，33（2）：101-104.

[11] 梁曉燕，郭中華，線文瑤，等.基于高光譜和極限學習機的冷鮮羊肉顏色無損檢測[J].食品工業(yè)科技，2016，37（24）：69-73.

[12] 黎源鴻，王紅軍，鄧建猛，等.基于PCA-ELM和光譜技術預測香蕉成熟度[J].現(xiàn)代食品科技，2017，33（10）：268-274.