孟 一，張玉華,2,*，許麗丹,2，陳東杰,2，張應龍,2，張詠梅

（1.山東商業(yè)職業(yè)技術(shù)學院 山東省農(nóng)產(chǎn)品貯運保鮮技術(shù)重點實驗室，山東 濟南 250103；2.國家農(nóng)產(chǎn)品現(xiàn)代物流工程技術(shù)研究中心，山東 濟南 250103）

近年來，“注水肉”事件屢屢曝光，一些不良屠宰點，為謀取高額利潤，不惜給牲畜注水來提高出肉量[1]。由于水的滯留性差，很容易利用擠壓、刀切等簡單方法鑒別。據(jù)悉，注水肉已經(jīng)有了“升級版”，不法商販將食用膠注入牲畜體內(nèi)來應對檢查。為了規(guī)范市場、保護消費者權(quán)益，迫切需要建立快速、方便、準確、客觀的方法對肉品注水進行檢測。

近紅外技術(shù)通過分析光譜提取物質(zhì)的特征信息，具有響應速度快、選擇性和抗干擾能力強、操作成本低、適合多種狀態(tài)及在線檢測等優(yōu)點[2]，被廣泛用于食品真?zhèn)?、摻假判別[3]。迄今為止，近紅外光譜已被成功地用于肉類[4-5]、植物油[6-8]、牛奶[9-11]、蜂蜜[12-14]、奶粉[15]、面粉[16]、飲料[17-19]等的摻假判別，并對摻假物進行了定量預測。表明近紅外光譜技術(shù)用于食品摻假判別具有可行性。在肉品注水檢測方面，楊紅菊等[20]采用近紅外透射光譜結(jié)合聚類分析法為注膠肉的判別提供了一種快速有效的方法。楊志敏等[21-22]利用近紅外光譜技術(shù)結(jié)合Fisher兩類判別法分別對原料肉注水、注膠和摻大豆蛋白進行了鑒別，建立了多種摻假肉的分類判別模型。雖然前人利用近紅外光譜技術(shù)成功地區(qū)分出了原料肉摻水、卡拉膠和大豆蛋白等，但缺乏摻假量對模型判別的影響研究，且沒有對摻假量進行定量檢測。

本研究嘗試利用近紅外光譜結(jié)合模式判別法對肉品注水、注膠進行判別，近紅外光譜結(jié)合偏最小二乘法（partial least squares，PLS）、主成分分析（principal component analysis，PCA）對注水量和注膠量進行定量檢測，以得到快速、有效的肉品注水、注膠的定性判別與定量檢測方法。

1 材料與方法

1.1 材料

豬后腿肉購于超市，粉碎成肉糜，并測得水分含量為65%～68%。

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 8光譜分析軟件） 美國Thermo Electric公司。

1.3 方法

1.3.1 材料處理

共制得260 個樣品，其中62 個作為正常肉樣品，其余的用于制備摻假肉樣品。課題組對摻假肉市場做了大量調(diào)研，兩種摻假肉系根據(jù)調(diào)研結(jié)果制備。一種加入不同量的水，注水肉中注水量占肉的比例分別為1.25%、2.5%、3.75%、5%、7.5%、10%、12.5%、15%、17.5%、20%，每個注水量配制9 個平行樣，共獲得90 個注水肉樣品。另一種加入1%的卡拉膠溶液，注膠肉中膠水量占肉的比例分別為2.5%、5%、7.5%、10%、12.5%、15%、17.5%、20%、22.5%、25%、27.5%、30%，每個注膠量配制9 個平行樣，共獲得108 個注膠肉樣品。

1.3.2 近紅外光譜采集方法

光譜采集時，利用積分球漫反射系統(tǒng)，采用旋轉(zhuǎn)杯，每個樣品連續(xù)采集光譜3 次，分別取平均值為原始光譜。掃描波數(shù)范圍10 000～4 000 cm-1，分辨率8 cm-1，掃描次數(shù)128 次，以內(nèi)置背景為參照。

1.3.3 數(shù)據(jù)處理

建立定性判別模型時，將所采集的注水肉、注膠肉和正常肉的光譜數(shù)據(jù)分別隨機分為訓練集和預測集兩部分，訓練集173 個樣品（注水肉59、注膠肉72、正常肉42）用于校正模型的建立，預測集87 個樣品（注水肉31、注膠肉36、正常肉20）用于檢驗模型的預測能力。根據(jù)判別準確率優(yōu)化建模的光譜范圍、預處理方法和主成分數(shù)，采用判別分析法建立定性判別模型，根據(jù)判別準確率評價模型的預測性能。

建立注水量和注膠量定量分析模型時，為增強模型的實用性，將正常肉數(shù)據(jù)分別加入兩種摻假肉參與建模和模型性能驗證，正常肉的注水量和注膠量均為0。根據(jù)隨機分組結(jié)果，注水量和注膠量模型訓練集分別為102 個和120 個樣品，預測集均為50 個樣品。以訓練集的內(nèi)部交互驗證均方差（cross-validation mean square error，RMSECV）為指標優(yōu)化建模參數(shù)，利用PLS法建立定量模型。利用模型對預測集樣品的預測均方差（prediction mean square error，RMSEP）、預測值與實測值間的相關(guān)系數(shù)r考察模型的預測性能。

2 結(jié)果與分析

2.1 注水肉、注膠肉與正常肉的分類判別

2.1.1 光譜范圍的選擇

選擇合適的建模光譜范圍不僅可以簡化模型，剔除不相關(guān)和非線性變量，得到預測能力強、穩(wěn)健性好的模型，而且有利于光譜有用信息的提取，有效減少建模的運算量[23]。根據(jù)TQ Analyst 8軟件推薦的建模波段和相關(guān)成分與特征波段的相關(guān)性，在原始光譜（圖1）的不同波段分別建立定性判別模型，依據(jù)模型判別準確率確定合適的光譜建模波段范圍。不同光譜范圍所建模型的預測結(jié)果如表1所示。

圖 1 注水肉、注膠肉和正常肉的原始光譜圖Fig.1 Original spectra of water-injected meat, gum-injected meat and normal meat

表 1 不同光譜范圍模型的判別準確率Table 1 Discrimination accuracy of the models in different spectral ranges Table 1 Discrimination accuracy of the models in different spectral ranges光譜范圍/cm-1全光譜 9 168.75～7 167.687 474.74～6 256.396 271.37～5 399.83 5 442.70～4 514 9 085.77～8141.99 7 544.16～6865.36 5 526.99～5009.49判別準確率/%89.77 94.23 92.07 90.07 91.10 92.83

由表1可見，在9 168.75～7 167.68 cm-1光譜范圍，模型的判別準確率最高，達94.23%，因此選擇在該光譜范圍內(nèi)建立定性判別模型。

2.1.2 光譜數(shù)據(jù)的預處理

光譜采集時，由于受樣品均勻度、儀器狀態(tài)、裝樣形式等因素影響，常出現(xiàn)譜圖偏移或漂移、背景干擾現(xiàn)象，干擾光譜與樣品內(nèi)有效成分含量間的關(guān)系，并影響模型的可靠性、穩(wěn)定性[10]。因此，在建立校正模型前，需對原始光譜進行預處理，以減弱或消除各種因素對光譜的影響。采用多元散射校正（multiple scattering correction，MSC）、標準正則變換（standard normal variate，SNV）、一階微分（the first derivative，1stD）、二階微分（the second derivative，2ndD）、Savitzky-Golay濾波平滑（S-G）、Norris Derivative濾波平滑（N-D）等單一方法或多種方法結(jié)合對9 168.75～7 167.68 cm-1范圍的原始光譜進行預處理。表2是光譜經(jīng)不同方法預處理后所建模型對注水肉、注膠肉和正常肉的判別準確率。

表 2 經(jīng)不同方法預處理后模型的判別準確率Table 2 Discrimination accuracy rates of the models after Table 2 Discrimination accuracy rates of the models after different pretreatments ents光譜預處理方法 判別準確率/%原始光譜 86.96 SNV＋1stD 90.07 SNV＋1stD＋D 94.23 SNV＋1stD＋S-G 91.79 MSC＋2ndD＋N-D 84.69 2ndD＋N-D 91.30 1stD＋S-G 90.34 1stD＋N-D 90.58

由表2可知，采用SNV、1stD和N-D 3 種方法結(jié)合對9 168.75～7 167.68 cm-1范圍的原始光譜進行預處理，所得模型對注水肉、注膠肉和正常肉的判別準確率最高，達94.23%。

2.1.3 光譜數(shù)據(jù)的主成分提取

建立模型時，若選擇主成分數(shù)目不當，出現(xiàn)“欠擬合”、“過擬合”等現(xiàn)象，都會使模型的預測能力下降[24]。因此，對模型的主成分數(shù)進行合理選擇，是關(guān)系到今后模型的適用范圍的主要因素。利用TQ Analyst 8軟件對光譜數(shù)據(jù)進行主成分分析，經(jīng)計算提取出前10 個主成分，10 個主成分的累積貢獻率如表3所示，達99.82%，選擇前10 個主成分代表樣品的光譜信息。

表 3 前10 個主成分累積貢獻率Table 3 Cumulative contribution rates of the first ten principal Table 3 Cumulative contribution rates of the first ten principal componentsnents主成分數(shù) 1 2 3 4 5 6 7 8 9 10累積貢獻率/%90.8896.1698.4198.9399.3199.4399.5399.6199.7099.82

2.1.4 定性判別模型的建立與驗證

采用判別分析法建立定性判別模型，求出每個樣品距各類中心的馬氏距離，樣品距哪一類中心的馬氏距離最小，則歸屬哪一類[25]。在9 168.75～7 167.68 cm-1波段范圍內(nèi)，選擇前10 主成分代替全部光譜數(shù)據(jù)，采用SNV、1stD和N-D 3 種方法結(jié)合進行預處理，建立模型。該模型對注水肉、注膠肉和正常肉的分類判別結(jié)果如圖2所示。注水肉中注水量的多少對判別準確率產(chǎn)生影響，當注水量為1.25%～20%時，共有15 個樣品被誤判，其中14 個注水肉被誤判為正常肉，14 個誤判樣品中有7 個注水量為1.25%，6 個注水量為2.5%，1 個注水量為3.75%；1 個注膠肉（注膠量2.5%）被誤判為注水肉，判別準確率為94.23%。當注水量為3.75%～20%時，共有8 個樣品被誤判，其中7 個注水肉被誤判為正常肉，7 個誤判樣品中有5 個注水量為3.75%，2 個注水量為5%；1 個注膠肉（注膠量2.5%）被誤判為注水肉，判別準確率為96.96%。

圖 2 模型對3種肉的判別結(jié)果Fig.2 Discrimination results from the models for three kinds of meat

用所建模型對預測集87 樣品進行驗證，結(jié)果如表4所示。注水肉（注水量1.25%～20%）中3 個樣品被誤判為正常肉，判別準確率為90.32%；注膠肉中有2 個樣品被誤判為注水肉，判別準確率為94.44%；正常肉的判別準確率為100%。模型對3種肉的總體判別準確率為94.92%，可見，所建模型對注水肉、注膠肉和正常肉的判別準確率高，模型預測性能良好。

表 4 模型對預測集的預測結(jié)果Table 4 Prediction results from the models for prediction set Table 4 Prediction results from the models for prediction set預測集 樣品數(shù)量 誤判數(shù) 判別準確率/%注水肉 31 3 90.32注膠肉 36 2 94.44正常肉 20 0 100

2.2 注水量和注膠量的定量分析

2.2.1 建模參數(shù)的優(yōu)選

建立注水量和注膠量定量模型時，采用內(nèi)部交叉驗證法對光譜預處理方法、主成分數(shù)和建模波段進行優(yōu)選。RMSECV越小，交互驗證預測值與實測值間的相關(guān)系數(shù)r越大，對應的建模參數(shù)越好，模型越精確。由表5可見，當采用SNV＋1stD＋N-D光譜預處理方法，主成分數(shù)為6，在5 368.85～4 697.74 cm-1光譜范圍建立注水量校正模型時，所得的RMSECV最小，交互驗證預測值與實測值間的r最大。因此，優(yōu)選上述參數(shù)為注水肉注水量定量分析校正模型的建模參數(shù)。同樣方法優(yōu)選注膠量定量分析模型的建模參數(shù)，光譜預處理法MSC＋1stD＋N-D，主成分數(shù)8，光譜范圍8 766.13～6 523.77 cm-1、5 858.68～4 657.48 cm-1。所建模型的RMSECV最小，交互驗證預測值與實測值間的r最大。

表 5 不同建模參數(shù)的校正模型效果比較Table 5 Comparison of correction models with different parameters Table 5 Comparison of correction models with different parameters模型 光譜預處理方法 主成分數(shù) 建模波段/cm-1 RMSECV/% r注水量模型SNV＋1stD＋N-D 9 9 931.78～4 086.2 3.51 0.920 8 SNV＋1stD＋N-D 6 5 368.85～4 697.74 3.46 0.925 2 MSC＋1stD＋N-D 7 7 486.31～5 368.85 3.61 0.912 8 MSC＋S-G 4 9 665.47～8 391.04 3.86 0.895 7 SNV＋2ndD＋N-D 6 9 665.47～8 391.04 4.27 0.852 7 MSC＋S-G 8 7 883.57～6 809.91 4.72 0.805 7注膠量模型SNV 9 9 106.59～4 438.2 4.31 0.921 5 MSC＋1stD＋N-D 9 8 874.17～8 111.37 7 382.17～6 117.10 5 503.84～4 530.53 3.62 0.912 6 SNV＋1stD＋N-D 8 9 106.59～4 438.2 3.57 0.918 6 MSC＋S-G 7 9 106.59～4 438.2 3.22 0.924 3 MSC＋1stD＋N-D 10 9 106.59～6 896.46 3.94 0.892 5 SNV＋S-G 6 8 766.13～6 523.77 3.16 0.929 5 MSC＋1stD＋N-D 8 8 766.13～6 523.77 5 858.68～4 657.48 3.13 0.930 1

2.2.2 定量分析模型的建立

根據(jù)上述優(yōu)化的建模參數(shù)，利用PLS法分別建立注水量和注膠量的校正模型。模型預測值與實測值的相關(guān)關(guān)系如圖3所示。注水量模型的內(nèi)部交叉驗證均方差RMSECV為3.46%，預測值與實測值的相關(guān)系數(shù)r為0.925 2；注膠量模型的內(nèi)部交叉驗證均方差RMSECV為3.13%，預測值與實測值的相關(guān)系數(shù)r為0.930 1。

圖 3 訓練集的預測值與實測值的散點圖及殘差分布圖Fig.3 Scatter and residual plots of predictive vs. actual values in calibration set

2.2.3 定量分析模型的驗證

圖 4 預測集的預測值與實測值的相關(guān)關(guān)系圖Fig.4 Correlation between predictive and actual values in validation set

將預測集注水肉和注膠肉的平均光譜分別導入注水量定量模型和注膠量定量模型，預測注水量和注膠量，以此來驗證模型的準確性和可靠性。圖4為預測集樣品注水量、注膠量的預測值和實測值的對應關(guān)系。

注水量模型對50 個未知樣品的預測性能為：預測均方差RMSEP為4.01%，相關(guān)系數(shù)r為0.904 2；注膠量模型對50 個未知樣品的預測性能為：預測均方差RMSEP為3.87%，相關(guān)系數(shù)r為0.912 8。驗證結(jié)果表明，所建注水量定量模型和注膠量定量模型均有良好的預測性能。

3 結(jié) 論

近紅外光譜結(jié)合PCA和判別分析法，建立了注水肉、注膠肉和正常肉的定性判別模型。利用10個主成分代替全部光譜數(shù)據(jù)，SNV、1stD和N-D 3 種方法結(jié)合進行預處理，在9 168.75～7 167.68 cm-1光譜范圍建立模型。結(jié)果發(fā)現(xiàn)，當注水量為1.25%～20%時，判別準確率為94.23%；當注水量為3.75%～20%時，判別準確率為96.96%。對誤判樣品進行分析發(fā)現(xiàn)，被誤判的樣品大多為注水肉被誤判為正常肉，且注水量較少，說明注水肉中注水量的多少對模型的判別準確率產(chǎn)生影響，且注水量越多，模型的判別準確率越高。模型對所有預測集樣品的總體判別準確率為94.92%。表明建立的定性判別模型可以很好地區(qū)分注水肉、注膠肉和正常肉。

利用PLS法結(jié)合PCA法分別建立了注水量和注膠量的定量分析模型。利用6 個主成分代替全部光譜數(shù)據(jù)，采用SNV＋1stD＋N-D法對光譜進行預處理，在5 368.85～4 697.74 cm-1光譜范圍建立了注水量定量模型。交叉驗證均方差RMSECV為3.46%，交互驗證預測值與實測值間的r為0.925 2；利用8個主成分代替全部光譜數(shù)據(jù)，采用MSC＋1stD＋N-D光譜預處理法，在8 766.13～6 523.77 cm-1、5 858.68～4 657.48 cm-1范圍內(nèi)建立注膠量定量模型。交叉驗證均方差RMSECV為3.13%，交互驗證預測值與實測值間的r為0.930 1。利用所建模型分別對預測集樣品進行預測，注水量模型預測均方差RMSEP為4.01%，相關(guān)系數(shù)r為0.904 2；注膠量摸預測均方差RMSEP為3.87%，相關(guān)系數(shù)r為0.912 8。表明模型預測性能良好，準確度高。

上述結(jié)果表明，近紅外光譜技術(shù)結(jié)合PCA法、判別分析法建模判別注水肉、注膠肉和正常肉是可行的，PLS結(jié)合PCA法建模能夠?qū)ψ⑺亢妥⒛z量進行快速定量分析，為肉品注水注膠提供了快速準確的判別檢測方法，對打擊肉品注水、注膠摻假，提高我國肉品質(zhì)量安全檢測水平具有重要意義。

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

[2]張玉華, 孟一. 肉類品質(zhì)無損檢測技術(shù)研究現(xiàn)狀與發(fā)展趨勢[J]. 食品工業(yè)科技, 2012, 33(12): 392-395.

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

[4]DING H B. Near-infrared spectroscopic technique for detection of beef hamburger adulteration[J]. Agricultural and Food Chemistry, 2000,48(6): 2193-2198.

[5]GAYO J, HALE S A, BLANCHARD S M. Quantitative analysis and detection of adulteration in crab meat using visible and near-infrared spectroscopy[J]. Journal of Agricultural and Food Chemistry, 2006,54(4): 1130-1136.

[6]李紅蓮, 趙志磊, 龐艷蘋, 等. 近紅外光譜法快速鑒別花生油真?zhèn)渭皳絺纬煞諿J]. 食品安全質(zhì)量檢測學報, 2010(1): 24-29.

[7]莊小麗, 相玉紅, 強洪, 等. 近紅外光譜和化學計量學方法用于橄欖油品質(zhì)分析與摻雜量檢測[J]. 光譜學與光譜分析, 2010, 30(4): 933-936.

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

[9]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]. 光譜學與光譜分析, 2010, 30(5): 1238-1242.

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

[11]王右軍, 朱大洲, 屠振華, 等. CCD 短波近紅外光譜快速檢測牛奶中摻假物質(zhì)的研究[J]. 食品科學, 2009, 30(6): 135-138.

[12]DOWNEY G, FOURATIER V, KELLY J D. Detection of honey adulteration by addition of fructose and glucose using near infrared transflectance spectroscopy[J]. Near Infrared Spectroscopy, 2003,11(6): 447-456.

[13]KELLY J D, PETISCO C, DOWNEY G. Potential of near infrared transflectance spectroscopy to detect adulteration of Irish honey by beet invert syrup and high fructose corn syrup[J]. Near Infrared Spectroscopy, 2006, 14(2): 139-146.

[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[J].食品研究與開發(fā), 2011, 32(5): 114-119.

[15]BORIN A, FERRO M F, MELLO C, et al. Least-squares support vector machines and near infrared spectroscopy for quantification of common adulterants in powdered milk[J]. Analytica Chimica Acta,2006, 579(1): 25-32.

[16]COCCHI M, DURANTE C, FOCA G, et al. Durum wheat adulteration detection by NIR spectroscopy multivariate calibration[J]. Talanta,2006, 68(5): 1505-1511.

[17]DOWNEY G, KELLY J D. Detection and quantification of apple adulteration in diluted and sulfited strawberry and raspberry purees using visible and near-infrared spectroscopy[J]. Agricultrual Food Chemistry, 2004, 52(2): 204-209.

[18]LEON L, KELLY J D, DOWNEY G. Detection of apple juice adulteration using near -infrared transflectance spectroscopy[J].Applied Spectroscopy, 2005, 59(5): 593-599.

[19]PONTES M J C, SANTOS S R B, ARAJO M C U, et al. Classification of distilled alcoholic beverages and verification of adulteration by near infrared spectrometry[J]. Food Research International, 2006, 39(2):182-189.

[20]楊紅菊, 姜艷彬, 候東軍, 等. 注膠肉的近紅外光譜快速判別分析[J].肉類研究, 2008, 22(11): 62-64.

[21]楊志敏, 丁武. 近紅外光譜技術(shù)快速鑒別原料肉摻假的可行性研究[J]. 肉類研究, 2011, 25(2): 25-28.

[22]楊志敏, 丁武. 原料肉中摻大豆蛋白的近紅外檢測技術(shù)的研究[J].肉類工業(yè), 2010(10): 29-33.

[23]廖宜濤, 樊玉霞, 伍學千, 等. 豬肉pH值的可見近紅外光譜在線檢測研究[J]. 光譜學與光譜分析, 2010, 30(3): 681-684.

[24]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)選中的應用[J]. 分析化學研究簡報, 2007, 35(9) :1331-1334.

[25]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]. 光譜學與光譜分析, 2010, 30(12): 3217-3221.