孟 一，張玉華,2,*，王家敏,2，畢 然,2，王國(guó)利,2

（1.山東商業(yè)職業(yè)技術(shù)學(xué)院 山東省農(nóng)產(chǎn)品貯運(yùn)保鮮技術(shù)重點(diǎn)實(shí)驗(yàn)室，山東 濟(jì)南 250103；

2.國(guó)家農(nóng)產(chǎn)品現(xiàn)代物流工程技術(shù)研究中心，山東 濟(jì)南 250103）

基于近紅外光譜技術(shù)快速識(shí)別不同動(dòng)物源肉品

孟 一1，張玉華1,2,*，王家敏1,2，畢 然1,2，王國(guó)利1,2

（1.山東商業(yè)職業(yè)技術(shù)學(xué)院 山東省農(nóng)產(chǎn)品貯運(yùn)保鮮技術(shù)重點(diǎn)實(shí)驗(yàn)室，山東 濟(jì)南 250103；

2.國(guó)家農(nóng)產(chǎn)品現(xiàn)代物流工程技術(shù)研究中心，山東 濟(jì)南 250103）

利用傅里葉變換近紅外光譜技術(shù)建立豬肉、牛肉和羊肉的定性識(shí)別模型。用主成分分析法將原始數(shù)據(jù)壓縮為10 個(gè)主成分，在全波段9 881.46～4 119.20 cm-1范圍內(nèi)，利用附加散射校正技術(shù)結(jié)合Savitzky-Golay濾波法對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理，采用判別分析法建立模型。模型對(duì)訓(xùn)練集的識(shí)別準(zhǔn)確率為100%，對(duì)預(yù)測(cè)集豬肉、牛肉和羊肉的識(shí)別準(zhǔn)確率分別為99.28%、97.42%和100%。結(jié)果表明：近紅外光譜結(jié)合模式識(shí)別方法能快速無(wú)損地識(shí)別豬肉、牛肉和羊肉。

近紅外光譜；模式識(shí)別法；肉類(lèi)識(shí)別

食品安全問(wèn)題關(guān)乎人民群眾的生命健康、經(jīng)濟(jì)發(fā)展，甚至關(guān)乎社會(huì)穩(wěn)定和國(guó)家安全。近年來(lái)肉類(lèi)及其制品摻假造假、以假亂真、以次充好的現(xiàn)象時(shí)有發(fā)生[1]，造成了企業(yè)和個(gè)人的不正當(dāng)競(jìng)爭(zhēng)，嚴(yán)重危害了消費(fèi)者的利益和健康。因此，識(shí)別肉品種類(lèi)、杜絕肉品造假是保障肉品安全的重要措施之一。傳統(tǒng)的肉品種類(lèi)識(shí)別方法包括感官評(píng)定法和生物技術(shù)法[2-3]。感官評(píng)定的結(jié)果受人為因素和外界環(huán)境的干擾很大，影響到結(jié)果的客觀(guān)性；生物技術(shù)法雖然能夠準(zhǔn)確地識(shí)別肉品種類(lèi)，但繁瑣的步驟和昂貴的費(fèi)用使其應(yīng)用受到限制。因此，迫切需要建立簡(jiǎn)便、快速、客觀(guān)的肉品種類(lèi)識(shí)別現(xiàn)代分析技術(shù)。

近紅外光譜技術(shù)通過(guò)對(duì)光譜信息的分析而提取出物質(zhì)的特征信息，具有響應(yīng)速度快、選擇性和抗干擾能力強(qiáng)、操作成本低、適合多種狀態(tài)分析及在線(xiàn)檢測(cè)等優(yōu)點(diǎn)[4-5]，被廣泛用于食品種類(lèi)識(shí)別和產(chǎn)地溯源上[6-7]。迄今為止，近紅外光譜已被成功地用于食用油[8-9]、牛奶[10-13]、蜂蜜[14]、茶葉[15]、水果[16]、糧食[17]等的識(shí)別和分類(lèi)上。在肉品種類(lèi)識(shí)別方面，Downey等[18]利用中紅外、近紅外和可見(jiàn)光譜進(jìn)行肉的種類(lèi)識(shí)別，但流程復(fù)雜。Cozzolino等[19]利用近紅外光譜結(jié)合主成分分析法對(duì)不同動(dòng)物來(lái)源肉（牛肉、豬肉、羊肉和雞肉）進(jìn)行分析，其準(zhǔn)確鑒別水平達(dá)80%。馬釘凌等[20]利用可見(jiàn)光譜結(jié)合反向傳播人工神經(jīng)網(wǎng)絡(luò)對(duì)牛肉、豬肉和雞肉進(jìn)行識(shí)別，正確識(shí)別率達(dá)97.5%。此外，王麗等[21]利用中紅外光譜對(duì)豬肉、牛肉、明蝦肉及雞胸肉進(jìn)行了區(qū)分。

本研究嘗試?yán)媒t外光譜技術(shù)結(jié)合模式識(shí)別方法對(duì)豬肉、牛肉和羊肉進(jìn)行定性識(shí)別。模式識(shí)別是一種常用的借助數(shù)學(xué)方法進(jìn)行光譜模式的區(qū)分和識(shí)別的綜合方法，即利用樣本光譜所提供的最大信息差異或相似性進(jìn)行識(shí)別。其基本原理是：有相似性的樣本在模式空間中互相接近并形成“集團(tuán)”，即“物以類(lèi)聚”[22]。本研究采用模式識(shí)別中的判別分析法建立定性識(shí)別模型，即求每個(gè)樣品距各類(lèi)中心的馬氏距離，根據(jù)馬氏距離的大小判斷肉品的種類(lèi)，即樣品距哪一類(lèi)中心的馬氏距離最小，則歸屬哪一類(lèi)[23]。

1 材料與方法

1.1 材料與試劑

豬、牛和羊的后腿肉均購(gòu)于超市，分別切成50 g左右的塊狀或片狀，備用。共制備343 個(gè)樣品，其中豬肉125 個(gè)、牛肉116 個(gè)、羊肉102 個(gè)。

1.2 儀器與設(shè)備

AntarisⅡ傅里葉變換近紅外光譜儀（配有積分球漫反射采樣系統(tǒng)、Result操作軟件和TQ Analyst光譜分析軟件） 美國(guó)Thermo Electric公司。

1.3 方法

利用積分球漫反射系統(tǒng)，將樣品置于光譜儀的樣品池光孔處進(jìn)行掃描，每次掃描光孔對(duì)準(zhǔn)樣品的不同部位，共掃描6 個(gè)部位，取其平均值作為該樣品的原始光譜。掃描波段范圍10 000～4 000 cm-1，分辨率8 cm-1，掃描次數(shù)128次，以?xún)?nèi)置背景為參照。

1.4 數(shù)據(jù)處理

采用TQ Analyst 8軟件，對(duì)多維光譜矩陣通過(guò)主成分分析法進(jìn)行降維處理，用主成分得分代替樣品的近紅外光譜數(shù)據(jù)，采用判別分析法建立定性識(shí)別模型。將所采集的樣品光譜數(shù)據(jù)隨機(jī)分為訓(xùn)練集（258 個(gè)樣品）和預(yù)測(cè)集（85 個(gè)樣品）2部分，訓(xùn)練集用于校正模型的建立，預(yù)測(cè)集用于檢驗(yàn)?zāi)Ｐ偷念A(yù)測(cè)能力，根據(jù)識(shí)別準(zhǔn)確率判斷模型的預(yù)測(cè)性能。

2 結(jié)果與分析

2.1 建模波段的選擇

豬肉、牛肉和羊肉的近紅外原始光譜圖如圖1所示。選擇合適的光譜范圍不僅可以簡(jiǎn)化模型、剔除不相關(guān)或非線(xiàn)性變量，從而得到預(yù)測(cè)能力強(qiáng)、穩(wěn)健性好的校正模型，而且有利于光譜有用信息的提取和有效地減少建模的運(yùn)算量[24]。為了更有效地提取光譜信息的特征波段，根據(jù)TQ Analyst 8分析軟件推薦的建模波段范圍和相關(guān)成分特征波段的相關(guān)關(guān)系，將經(jīng)預(yù)處理后的近紅外光譜在不同的光譜區(qū)域建立定性識(shí)別模型，分別討論不同波段范圍對(duì)模型識(shí)別準(zhǔn)確率的影響。

圖1 豬肉、牛肉和羊肉的近紅外原始光譜圖Fig.1 Original near-infrared spectra of pork, beef and mutton

表 1 不同建模波段對(duì)模型識(shí)別結(jié)果的影響Table 1 Effects of different modeling wavebands on pattern identification

由表1可以看出，在全波段9 881.46～4 119.20 cm-1范圍，模型的識(shí)別準(zhǔn)確率最高，達(dá)100%，因此選擇在全波段范圍內(nèi)建立定性識(shí)別模型。

2.2 數(shù)據(jù)預(yù)處理

表 2 經(jīng)不同方法預(yù)處理后的定性識(shí)別模型對(duì)肉品種類(lèi)的識(shí)別準(zhǔn)確率Table 2 Identification accuracy rates of meat types based on different spectral pretreatment methods

實(shí)驗(yàn)中所用的肉類(lèi)樣品為不規(guī)則的塊狀，肉塊形狀、表面平整度和紋理均勻度差別較大，這些都對(duì)光的漫反射產(chǎn)生較大影響，因此需要對(duì)原始光譜進(jìn)行預(yù)處理。以過(guò)濾噪音、提高信噪比、消除基線(xiàn)漂移、消除光程的變化對(duì)光譜響應(yīng)所產(chǎn)生的影響。采用多元散射校正（multiple scattering correction，MSC）、標(biāo)準(zhǔn)正則變換（standard normal variate，SNV）、一階微分（fi rst derivative，1stD）、二階微分（second derivative，2ndD）、Savitzky-Golay（S-G）濾波、Norris derivative（N-D）濾波等單一方法或多種方法結(jié)合對(duì)原始光譜進(jìn)行預(yù)處理。由表2可知，采取MSC結(jié)合S-G濾波預(yù)處理方法可將豬肉、牛肉和羊肉完全區(qū)分開(kāi)，模型識(shí)別準(zhǔn)確率達(dá)100%。

2.3 主成分?jǐn)?shù)的確定

建立識(shí)別模型時(shí)，若使用的主成分?jǐn)?shù)過(guò)少，則不能完全反映樣品被測(cè)組分產(chǎn)生的光譜數(shù)據(jù)變化，其模型預(yù)測(cè)準(zhǔn)確度就會(huì)降低；若使用過(guò)多的主成分建立模型，則會(huì)將一些代表噪聲的主成分加到模型中，使模型的預(yù)測(cè)能力下降。因此，對(duì)主成分的階數(shù)進(jìn)行合理選擇是充分利用光譜信息并濾除噪聲的有效方法之一[25]。圖2是3種肉品的第1和第2主成分的得分圖，該圖能夠更直觀(guān)地揭示樣本的內(nèi)部特征和聚類(lèi)信息。由圖2可知，羊肉在二維空間分布較為獨(dú)立，豬肉和牛肉分布較分散，且三者有部分重疊，因此，僅利用前2 個(gè)主成分不能完全將3種肉品區(qū)分開(kāi)。根據(jù)TQ Analyst 8軟件，經(jīng)計(jì)算，前10 個(gè)主成分的累積貢獻(xiàn)率達(dá)99.98%，選擇前10 個(gè)主成分代表樣品的光譜信息。

圖2 3種肉品第1、2主成分得分圖Fig.2 Score plot for the first and second principal components in three kinds of meat

2.4 識(shí)別模型的建立

在全波段范圍內(nèi)，采用MSC結(jié)合S-G濾波預(yù)處理光譜數(shù)據(jù)，選擇10 個(gè)主成分因子數(shù)，建立識(shí)別分析模型如圖3所示?？梢?jiàn)3種肉品聚類(lèi)效果較好，所建模型可有效地識(shí)別豬肉、牛肉和羊肉。

圖3 識(shí)別模型對(duì)3種肉的定性識(shí)別圖Fig.3 Qualitative identification of three kinds of meat by the identification model

2.5 模型的驗(yàn)證

表 3 模型對(duì)預(yù)測(cè)集樣品的預(yù)測(cè)結(jié)果Table 3 Prediction results of prediction set samples by the identification mooddeell

用建立的模型分別對(duì)預(yù)測(cè)集85 個(gè)樣品進(jìn)行識(shí)別，結(jié)果如表3所示。33 個(gè)豬肉樣品的識(shí)別準(zhǔn)確率為99.28%，28 個(gè)牛肉樣品的識(shí)別準(zhǔn)確率為97.42%，24 個(gè)羊肉樣品的識(shí)別準(zhǔn)確率為100%?？梢?jiàn)，所建模型對(duì)豬肉、牛肉和羊肉的識(shí)別準(zhǔn)確率高，模型可靠性好。

3 結(jié) 論

采用近紅外光譜技術(shù)結(jié)合模式識(shí)別方法，建立豬肉、牛肉和羊肉的近紅外定性識(shí)別模型。經(jīng)主成分分析，確定主成分?jǐn)?shù)為10。模型對(duì)預(yù)測(cè)集258 個(gè)樣品（其中豬肉92 個(gè)、牛肉88 個(gè)和羊肉78 個(gè)）的識(shí)別準(zhǔn)確率為100%，對(duì)驗(yàn)證集33 個(gè)豬肉、28 個(gè)牛肉和24 個(gè)羊肉的識(shí)別準(zhǔn)確率分別為99.28%、97.42%和100%。上述結(jié)果表明，近紅外光譜技術(shù)結(jié)合主成分分析、判別分析法識(shí)別豬肉、牛肉和羊肉是可行的，為不同動(dòng)物來(lái)源肉的快速鑒別提供了新的思路，對(duì)提高我國(guó)肉類(lèi)安全檢測(cè)水平、解決肉品造假等食品安全問(wèn)題、穩(wěn)定肉品市場(chǎng)具有重要意義。

[1] 李巧玲, 劉景艷. 市場(chǎng)鮮豬肉摻假狀況的調(diào)查監(jiān)測(cè)[J]. 食品科學(xué), 2004, 25(10): 273-276.

[2] 趙燕, 李建科. 現(xiàn)代技術(shù)在食品真?zhèn)魏彤a(chǎn)地鑒別中的應(yīng)用[J]. 食品研究與開(kāi)發(fā), 2007, 28(9): 157-161.

[3] GIRISH P S, ANJANEYULU A S R, VISWAS K N, et al. Meats species identification by poly-merase chain reaction-restriction fragment length polymorphism (PCR-RFLP) of mitochondrial 12S rRNA gene[J]. Meat Science, 2005, 70(1): 107-112.

[4] 張玉華, 孟一. 肉類(lèi)品質(zhì)無(wú)損檢測(cè)技術(shù)研究現(xiàn)狀與發(fā)展趨勢(shì)[J]. 食品工業(yè)科技, 2012, 33(12): 392-395.

[5] 趙燕, 李建科. 現(xiàn)代技術(shù)在食品真?zhèn)魏彤a(chǎn)地鑒別中的應(yīng)用[J]. 食品研究與開(kāi)發(fā), 2007, 28(9): 157-161.

[6] 張玉華, 孟一, 張應(yīng)龍, 等. 近紅外光譜技術(shù)在食品安全領(lǐng)域應(yīng)用研究進(jìn)展[J]. 食品科技, 2012, 37(10): 283-286.

[7] 張寧, 張德權(quán), 李淑榮, 等. 近紅外光譜結(jié)合SIMCA法溯源羊肉產(chǎn)地的初步研究[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2008, 24(12): 309-312.

[8] 馮利輝, 劉波平, 張國(guó)文, 等. 芝麻油中摻入菜籽油的近紅外光譜研究[J]. 食品科學(xué), 2009, 30(18): 296-299.

[9] CHRISTY A A, KASEMSUMRAN S, DU Y, et al. The detection and quantif i cation of adulteration in olive oil by near-infrared spectroscopy and chemometrics[J]. Analytical Sciences, 2004, 20(6): 935-940.

[10] 李亮, 丁武. 摻有植物性填充物牛奶的近紅外光譜判別分析[J]. 光譜學(xué)與光譜分析, 2010, 30(5): 1238-1242.

[11] 榮菡, 劉波平, 鄧澤元, 等. 基于PLS-模式識(shí)別近紅外光譜技術(shù)快速檢測(cè)鮮乳和摻假乳[J]. 食品科學(xué), 2009, 29(8): 492-495.

[12] 李亮, 王雷鳴, 丁武. 近紅外光譜技術(shù)結(jié)合人工神經(jīng)網(wǎng)絡(luò)鑒別生鮮奶和蛋白摻假奶[J]. 食品工業(yè), 2009, 30(6): 67-70.

[13] 何勇, 馮水娟, 李曉麗, 等. 應(yīng)用近紅外光譜快速鑒別酸奶品種的研究[J]. 光譜學(xué)與光譜分析, 2006, 26(11): 2021-2023.

[14] 李水芳, 單楊, 張欣, 等. 蜂蜜用葡萄糖溶液摻假的近紅外光譜檢測(cè)[J].食品研究與開(kāi)發(fā), 2011, 32(5): 114-119.

[15] 陳全勝, 趙杰文, 張海東, 等. SIMCA模式識(shí)別方法在近紅外光譜識(shí)別茶葉中的應(yīng)用[J]. 食品科學(xué), 2006, 27(4): 186-189.

[16] 何勇, 李曉麗. 用近紅外光譜鑒別楊梅品種的研究[J]. 紅外與毫米波學(xué)報(bào), 2006, 25(3): 192-194.

[17] 朱大洲, 王坤, 周光華, 等. 單粒大豆的近紅外光譜特征及品種鑒別研究[J]. 光譜學(xué)與光譜分析, 2010, 30(12): 3217-3221.

[18] DOWNEY G, MCELHINNEY J, FEARN T. Species identification in selected raw homogenized meats by reflectance spectroscopy in the mid-infrared, near-infrared, and visible ranges[J]. Applied Spectroscopy, 2000, 54(6): 894-899.

[19] COZZOLINO D, MURRAY I. Identif i cation of animal meat muscles by visible and near infrared ref l ectance spectroscopy[J]. Lebensmittel Wissenschaftand Technologie, 2004, 37(4): 447-452.

[20] 馬釘凌, 張鐵強(qiáng). 基于人工神經(jīng)網(wǎng)絡(luò)的肉類(lèi)光譜識(shí)別[J]. 光譜實(shí)驗(yàn)室, 2007, 24(5): 914-917.

[21] 王麗, 勵(lì)建榮. 紅外光譜技術(shù)在肉品品質(zhì)鑒別中的應(yīng)用[J]. 中國(guó)食品學(xué)報(bào), 2010, 10(5): 232-236.

[22] 張寧, 張德權(quán), 李淑榮, 等. 近紅外光譜定性分析技術(shù)在食品安全中的應(yīng)用研究進(jìn)展[J]. 食品科技, 2008, 36(8): 218-221.

[23] 李勇, 魏益民, 潘家榮, 等. 基于FTIR 指紋光譜的牛肉產(chǎn)地溯源技術(shù)研究[J].光譜學(xué)與光譜分析, 2009, 29(3): 647-651.

[24] 廖宜濤, 樊玉霞, 伍學(xué)千, 等. 豬肉pH值的可見(jiàn)近紅外光譜在線(xiàn)檢測(cè)研究[J]. 光譜學(xué)與光譜分析, 2010, 30(3): 681-684.

[25] 李彥周, 閔順耕, 劉霞. 主成分分析在近紅外定量分析校正集樣本優(yōu)選中的應(yīng)用[J]. 分析化學(xué)研究簡(jiǎn)報(bào), 2007, 35(9): 1331-1334.

Rapid Identification of Meat of Different Animal Origins Based on Near Infrared Spectroscopy

MENG Yi1, ZHANG Yu-hua1,2,*, WANG Jia-min1,2, BI Ran1,2, WANG Guo-li1,2
(1. Shandong Key Laboratory of Storage and Transportation Technology of Agricultural Products, Shandong Institute of Commerce and Technology, Jinan 250103, China; 2. National Engineering Research Center for Agricultural Products Logistics, Jinan 250103, China)

A qualitative identification model for pork, beef and mutton was established by Fourier transform near-infrared spectroscopy (NIR). The raw data were compressed to 10 principal components using principal component analysis. The spectral data were preprocessed by additional scattering correction combined with Savitzky-Golayfilter method in the range of 9 881.46–4 119.20 cm-1. The model was established using discriminant analysis. Identification accuracy rate of the model for training set was 100%. Identification accuracy rates of pork, beef and mutton for prediction set were 99.28%, 97.42% and 100%, respectively. These results showed that pork, beef and mutton could be rapidly and non-destructively identified by near-infrared spectroscopy combined with pattern recognition method.

near-infrared spectroscopy; pattern recognition method; identification of meat

TS207.3

A

1002-6630（2014）06-0156-03

10.7506/spkx1002-6630-201406033

2013-06-03

濟(jì)南市高校院所自主創(chuàng)新計(jì)劃項(xiàng)目（201202060）；山東省科技發(fā)展計(jì)劃項(xiàng)目（2012GNC11009）

孟一（1972—），男，講師，碩士，研究方向?yàn)槭称焚|(zhì)量安全。E-mail：m11f@163.com

*通信作者：張玉華（1973—），女，副教授，博士，研究方向?yàn)槭称焚|(zhì)量安全。E-mail：z11f@163.com