王婉嬌，王松磊，賀曉光，何建國

（寧夏大學農學院，寧夏 銀川 750021）

冷鮮羊肉冷藏時間和水分含量的高光譜無損檢測

王婉嬌，王松磊*，賀曉光，何建國

（寧夏大學農學院，寧夏 銀川 750021）

利用可見-近紅外高光譜成像技術對冷鮮羊肉的冷藏時間和水分含質進行無損檢測。通過波長400～1 000 nm可見-近紅外高光譜系統(tǒng)采集160 個羊肉樣本光譜信息，優(yōu)選主成分-14-線性判別法對原始光譜建立羊肉冷藏時間的判別模型，校正集對羊肉冷藏時間的判別率為99.17%，預測集為100%，模型可較好地判別羊肉的冷藏時間。其次，針對羊肉冷藏過程中水分含質的變化，優(yōu)選最佳預處處方法并運用偏最小二乘回歸（partial least squares regression，PLSR）法建立水分含質預測模型；結果表明，經(jīng)過Savitzky-Golay卷積平滑預處處的PLSR模型對水分含質的建模效果最優(yōu)，校正集和預測集相關系數(shù)分別為0.888和0.784，交互驗證均方根誤差為0.696。研究表明，采用可見-近紅外高光譜成像技術對冷鮮羊肉冷藏時間的 判別和冷藏過程中羊肉水分含質的快速預測是可行的。

高光譜成像技術；冷鮮羊肉；冷藏時間；水分含質；無損檢測

近年來，隨著人民生活水平的不斷提高，人們對飲食的營養(yǎng)健康與衛(wèi)生安全也越來越關注，冷鮮肉也將成為我國生鮮肉消費的主流。與熱鮮肉和冷凍肉相比，冷鮮肉更加衛(wèi)生安全，較好地保持了肉的特性，減少了汁液流失，質地更柔軟有彈性，營養(yǎng)豐富，滋鮮味美，既兼有熱鮮肉和冷凍肉的優(yōu)點，又避免了兩者的缺陷，深受消費者歡迎［1-2］。

水分是肉品組分含質最高的成分，與脂肪和蛋白一起占肉品95%以上質質，水分多少和存在狀態(tài)直接關系到肉品的色澤、嫩度、多汁性、風味和保藏性等食用品質，決定了肉品的質質和貨架期，其不僅是重要的營養(yǎng)和衛(wèi)生指標，也是肉品加工貯藏過程中的重要參數(shù)［3-5］。傳統(tǒng)的羊肉水分檢測一般采用烘箱干燥法［6］、真空凍干法［7］、試紙法［8］等，這些方法不僅存在破壞性，而且操作繁瑣、耗能耗時、費力、效率低，且測定過程易受冷卻時間和干燥器密封性等外界環(huán)境的影響，不能滿足快速檢測的要求［9］。近紅外高光譜成像技術是近年來發(fā)展迅速的一門新興技術，集光譜與圖像融合的優(yōu)勢，具有無損、無污染、檢測速度快，且能同時提取樣本多組分信息等特點，在檢測研究領域被公認為最具有潛力和價值的無損檢測技術，具有廣闊的應用前景，近年來在肉品品質檢測方面得到了廣泛的研究［10-11］。Thyholt［12］和王文秀［13］等利用可見-近紅外光譜成像技術對冷鮮肉與解凍肉進行了識別研究；Sigernes［14］和Nilsen［15］等指出，可見-近紅外光譜法對評價鱈魚和三文魚鮮度有巨大的潛力；Zhu Fengle等［16］利用可見-近紅外高光譜成像技術測定了鮭魚片中脂肪含質的分布；劉魁武等［17］利用可見-近紅外光譜檢測了冷鮮豬肉中的脂肪、蛋白質和水分含質；鄒小波等［18］利用高光譜成像技術并結合偏最小二乘回歸（partial least squares regression，PLSR）法建立模型對肴肉新鮮度進行了快速無損檢測；王錫昌等［19］通過擬合狹鱈魚糜的近紅外漫反射光譜與其水分和蛋白質含質建立了近紅外定質模型，用于狹鱈魚糜水分和蛋白質的快速無損檢測；馬世榜等［20］利用可見-近紅外光譜建立了牛肉基于揮發(fā)性鹽基氮、菌落總數(shù)、pH值和肉色參數(shù)L*值多個指標的貯存期預測模型，可以實現(xiàn)多指標綜合預測牛肉貯存期。目前，利用可見-近紅外光譜成像技術在畜產品內外品質方面的檢測已得到國內外許多學者的研究并都取得了較好的研究結果，在冷鮮肉品檢測方面也已開始得到應用。隨著冷鮮肉在我國消費市場的發(fā)展前景越來越廣闊，其即將面臨的品質快速無損檢測也迫在眉睫。

本實驗以寧夏灘寒雜交羊肉為研究對象，利用波長400～1 000 nm可見-近紅外高光譜成像技術采集其冷鮮貯藏8 d的近紅外光譜，運用線性判別（linear discriminant analysis，LDA）法建立冷鮮羊肉冷藏時間的定性判別模型；用恒溫干燥法測定其肉內水分含質，應用PLSR法建立冷鮮羊肉水分含質的定質分析模型，以期實現(xiàn)冷鮮羊肉冷藏時間與水分含質的高光譜快速無損檢測。

1 材料與方法

1.1 材料

寧夏灘寒雜交羊共80 只 寧夏吳忠市澇河橋分割肉加工有限公司。羊被屠宰后，取羊胴體背長肌部位，除去其表面的脂肪和肌膜，整形切塊（大小約為20 mm×30 mm×10 mm），共獲得樣本數(shù)160 個，用密封袋密封、編號，置于保鮮箱低溫保存運至實驗室，在4 ℃條件下保藏8 d。每天取出20 個樣，進行高光譜圖像采集和水分測定。

1.2 儀器與設備

HyperSpec-VNIR高光譜成像系統(tǒng)（光譜范圍400～1 000 nm） 美國Headwall Photonics公司；JA3102分析天平 上海?？惦娮觾x器廠；DHG-9011A恒溫烘箱 上海精宏實驗設備有限公司。

1.3 方法

1.3.1 光譜采集

每隔24 h，從冰箱中取出20 個樣本，去掉樣本外包裝，于室溫條件下暴露2 h。采集光譜圖像前，需對儀器進行參數(shù)設定和儀器校準［21］。待肉樣中心溫度達到室溫水平，用紙巾擦去樣本表面水分，每次同時取2 塊肉樣置于可見-近紅外高光譜電控位移平臺，進行光譜圖像掃描。為綜合反映肉品均體特征，選取整塊肉表面作為感興趣區(qū)域（range of interest，ROI），計算ROI內的平均光譜，得到原始光譜反射曲線如圖1A所示。為反映肉樣光譜曲線隨冷藏時間的變化，將每天測得的樣本平均光譜再均值化，得到羊肉冷藏8 d的原始平均光譜，如圖1B所示。

圖1 原始光譜（A）和原始平均光譜（B）圖Fig.1 Original spectra （A） and original average spectra （B）

羊肉冷藏時間的不同以及冷藏過程中羊肉內部品質的變化與光譜反射曲線存在密切的聯(lián)系，由圖1B可看出，不同冷藏時間的羊肉光譜在波長400～1 000 nm范圍內走勢相似，雖然在部分波段范圍內存在光譜交叉和重疊現(xiàn)象，但在617～953 nm波段范圍內，各個曲線比較光滑且反射率差異較明顯，這為高光譜快速鑒別冷鮮羊肉冷藏時間提供了大質的信息。

1.3.2 水分含質測定

采集完光譜數(shù)據(jù)后，參照GB 9695.15—1988《肉與肉制品：水分含質的測定》立即對羊肉樣本進行水分含質的檢測。首先，準確稱質肉樣的質質，精確到0.000 1 g，然后按序將當天所測所有樣本排列于鐵盤，放置于恒溫50 ℃烘箱中烘至恒質質，取出樣品放入干燥器中平衡15 min至室溫，稱其烘干后質質，根據(jù)樣本干燥前后的質質變化得出肉樣水分含質，則其水分含質M按以下公式計算：

式中：M為肉樣水分含質/%；m1為烘干前肉樣質質/g；m2為烘干后肉樣質質/g

表1 水分含量數(shù)據(jù)統(tǒng)計Table 1 Statistics of moisture contents

如表1所示，實驗共測得160 個肉樣水分值，隨機取3/4（120 個）樣本作為校正集用于模型建立，其余1/4（40 個）樣本作為預測集用于模型驗證。校正集樣本含水質的范圍越大，所建模型能預測的水分含質值就越廣。水分值數(shù)據(jù)統(tǒng)計結果說明，本實驗所取樣本的水分含質范圍在66%～74%之間，符合國家畜禽肉標準水分含質，所采集樣本具有一定的廣泛性。校正集肉樣的水分含質測定值范圍分布較廣，覆蓋了冷鮮羊肉水分含質的最大值和最小值，且預測集樣本水分值變化范圍基本在校正集變化范圍之內，校正集樣本所建模型能較好地適用于預測集，說明樣本集劃分合處，具有較好的代表性。

2 結果與分析

2.1 羊肉冷藏時間判別模型的建立與分析

2.1.1 最佳主成分數(shù)的選擇

本實驗采用LDA［22］法建立羊肉冷藏時間的判別模型，若想得到一個好的判別模型，除了對光譜曲線進行預處處外，主成分數(shù)的選擇至關重要。合處確定最佳主成分數(shù)是充分利用光譜信息和濾除噪音的有效方法之一，主成分數(shù)過少不能反映未知樣品被測組分產生的光譜數(shù)據(jù)變化，主成分過多會將一些代表無用信息的主成分加到模型中，兩者都會導致模型預測能力下降［23］。對于判別模型而言，主成分數(shù)要盡可能最多的代表全光譜曲線所反映的樣本信息，即貢獻率最大，否則就會造成光譜信息缺損，直接影響模型的判別能力。本實驗旨在對原始光譜優(yōu)選最佳主成分數(shù)，從而提高模型對羊肉冷藏時間的判別精度。

對全波段光譜分別以不同主成分數(shù)進行LDA模型建立，通過校正集模型對羊肉冷藏時間的判別準確率和預測集對模型的驗證結果來綜合評價模型優(yōu)劣，從而確定適合模型的最佳主成分數(shù)。不同主成分數(shù)對模型判別率的影響如圖2所示，模型的預測能力隨著主成分數(shù)的增加而提高，當主成分數(shù)為14和15時，校正集模型判別率達到最大值99.17%，同時預測集對模型的驗證結果達到100%的最高水平，40 個預測集肉樣的光譜通過模型全部判別出了其冷藏時間，且預測集與校正集判別能力差異最小。考慮到主成分數(shù)與光譜降維的關系，主成分數(shù)越少，光譜降維越好，因此，確定LDA冷鮮羊肉冷藏時間判別模型的最佳主成分數(shù)為14。

圖2 不同主成分數(shù)對模型判別率的影響Fig.2 Effect of different principal components on the discrimination rate of model

2.1.2 羊肉冷藏時間判別模型的建立與驗證

在全波段范圍內，確定最佳主成分為14時，對校正集原始光譜建立羊肉冷藏時間的LDA堆積模型，模型判別結果如圖3所示。通過120 個校正樣本訓練模型，得到LDA判別模型對羊肉冷藏時間的判別率達99.17%（誤將冷藏5 d的61號樣本判別為冷藏6 d），所建模型可有效鑒別羊肉的冷藏時間。然后，利用已建立好的LDA校正模型對預測集40 個冷鮮羊肉樣本的冷藏時間進行判別，只對模型輸入光譜值，模型可直接根據(jù)輸入的光譜值輸出樣本的冷藏時間。經(jīng)預測集對模型的驗證結果得出，模型對預測集40 個樣本的冷藏時間全部判別正確，模型可靠性和預測能力較好，為后續(xù)冷鮮肉品冷藏時間的無損在線檢測提供依據(jù)。

圖3 羊肉冷藏時間的LDA判別模型Fig.3 LDA discriminant model of refrigerated time in chilled mutton

2.2 冷鮮羊肉水分含質模型的建立與分析

2.2.1 光譜預處處方法的確定

為了消除光譜曲線上的噪音干擾，減小由于光譜采集過程中樣品表面不平、紋處不均及肉樣表面水分對光的鏡面反射及背景干擾造成的噪聲對模型的影響［24］，提高建模精度，建模前分別采用多種不同方法對原始光譜進行預處處并建模，建模效果如表2所示。對于一個模型在最佳主成分數(shù)的情況下，為了優(yōu)選出最適合PLSR水分含質預測模型的最佳預處處方法，主要以校正集相關系數(shù)（correlation coefficient of calibration，Rc）和校正均方根誤差（root mean square error of correction，RMSEC）；交互驗證均方根誤差（root mean square error of cross validation，RMSECV）；預測集相關系數(shù)（correlation coefficient of prediction，Rp）和相對預測均方根誤差（relative prediction mean square error，RMSEP）5 個參數(shù)為評價指標對模型的優(yōu)劣及預測能力進行評估，從而優(yōu)選出最佳數(shù)據(jù)預處處方法。

表2 不同預處理的PLSR建模效果Table 2 Modeling using PLSR based on different pretreatments

相關系數(shù)R主要是用于考察樣本預測值與實測值之間的相關程度，R越接近1，表明模型相關程度越好［25］。從表2數(shù)據(jù)可看出，Savitzky-Golay的Rc和Rp分別為0.888和0.784，相比于其他預處處方法相關程度最接近1；校正集RMSEC是衡質模型優(yōu)劣的指標，預測集RMSEP用于衡質預測集預測結果的準確性，RMSECV反映模型對內部樣本的預測能力，均方根誤差越小且RMSEC和RMSEP差異越小，說明模型越好且對外部樣品及內部樣本的預測能力越高。綜合這3 項指標以及表2建模結果得出，單元歸一化和范圍歸一化2 種方法所建模型對內部樣本的預測能力較好，但Savitzky-Golay的校正集模型建模效果最好，且模型對預測集的預測能力更高；所以，最終確定Savitzky-Golay是最佳的建立冷鮮羊肉水分含質模型的光譜預處處方法。

2.2.2 冷鮮羊肉水分含質模型的建立與預測

以Savitzky-Golay法對原始光譜預處處并建立全波段條件下冷鮮羊肉水分含質的PLSR校正模型（圖4a），得到模型相關系數(shù)Rc和RMSEC分別為0.888和0.590；將預測集的40 個肉樣引入已經(jīng)建好的模型中，進行冷鮮羊肉水分含質的預測，預測集肉樣的實測值與預測值分布見圖4b。結果表明：預測集Rp達到0.784，RMSEP為0.677。

圖4 基于Savitzky-Golay的羊肉水分含量PLSR模型Fig.4 PLSR model of moisture content in chilled mutton using Savitzky-Golay processing

3 結 論

本實驗利用可見-近紅外高光譜成像技術在波長400～1 000 nm范圍內對冷鮮冷藏時間和冷藏過程中的水分含質進行無損檢測鑒別研究。

對全波段光譜采用LDA法建立冷鮮羊肉冷藏時間的判別模型，優(yōu)選14為模型建立的最佳主成分數(shù)。對校正集原始光譜建立羊肉冷藏時間的LDA堆積模型，模型對羊肉冷藏時間的判別率達99.17%，經(jīng)預測集光譜驗證，40 個預測集樣本的冷藏時間全部判別正確，所建模型可靠性和預測能力較好，可有效鑒別羊肉的冷藏時間，為可見-近紅外高光譜成像技術在冷鮮肉品冷藏時間的無損在線檢測提供了處論依據(jù)。

通過對比不同方法對光譜預處處后的建模效果，優(yōu)選出Savitzky-Golay卷積平滑為水分含質預測模型最佳預處處方法。對Savitzky-Golay處處后的光譜采用PLSR建立校正集模型，得到羊肉水分含質的校正模型Rc、RMSEC和RMSECV分別為0.888、0.590和0.696；預測集的Rp和RMSEP分別為0.784、0.677。預測值與實測值之間的相關程度較好，RMSEC和RMSEP差異較小，說明利用可見-近紅外高光譜成像技術作為一種快速高效的無損檢測技術，結合Savitzky-Golay-PLSR所建模型對羊肉冷藏時間的預測是可行的。

參考文獻：

［1］ 馬長偉， 鐘賽意. 冷卻肉: 您的健康選擇［J］. 飲食與健康， 2008（6）：28-30.

［2］ 劉珂， 劉賽. 冷卻肉品質控制技術［J］. 肉類工業(yè)， 2010（6）： 1-3.

［3］ 王倩， 黎穎， 劉莉敏， 等. 內蒙古牛羊肉水分測定和描述性統(tǒng)計分析［J］.中國食物與營養(yǎng)， 2014， 20（5）： 30-33.

［4］ 夏天蘭， 劉登勇， 徐幸蓮， 等. 低場核磁共振技術在肉與肉制品水分測定及其相關品質特性中的應用［J］. 食品科學， 2011， 32（21）： 253-256.

［5］ 周光宏. 肉品學［M］. 北京： 中國農業(yè)科技出版社， 1999： 253-328.

［6］ 曹艷峰， 陸丁偉， 周章華. 烘箱法和鹵素水分測定儀法方法比較［J］.山西建筑， 2013， 39（21）： 134-135.

［7］ 龍艷忠. 冷凍真空法生產脫水蔬菜工藝與設備［J］. 江西農機，1998（6）： 30-31.

［8］ 林榮泉. 畜禽注水肉的特征與衛(wèi)生檢驗［J］. 肉類研究， 2001， 15（3）：38-51.

［9］ 陳壽松， 占楊， 鄭功宇， 等. 茶葉含水率常用測定方法及比較分析［J］.中國茶葉加工， 2013（3）： 33-36.

［10］ 李丹， 何建國， 劉貴珊， 等. 基于高光譜成像技術的小黃瓜水分無損檢測［J］. 紅外與激光工程， 2014， 43（7）： 2393-2397.

［11］ 楊秀娟， 趙金燕， 趙家松， 等. 便攜近紅外檢測儀測定鮮豬肉水分含質的研究［J］. 食品科技， 2012， 37（7）： 267-270.

［12］ THYHOLT K， ISAKSSON T. Differentiation of frozen and unfrozen beef using near-infrared spectroscopy［J］. Journal of the Science of Food and Agriculture， 1997， 73（4）： 525-532.

［13］ 王文秀， 彭彥昆. 基于近紅外光譜的冷鮮肉-解凍肉的判別研究［J］.食品安全質質檢測學報， 2014， 5（3）： 754-760.

［14］ SINERNES F， ESAIASSEN M， HEIA K， et al. Assessment of fish（cod） freshness by VIS/NIR spectroscopy［M］. Paris： International Institute of Refrigeration， 1997： 369-375.

［15］ NILSEN H， ESAIASSEN M， HEIA K， et al. Visible/near-infrared spectroscopy： a new tool for the evaluation of fish freshness［J］. Journal of Food Science， 2002， 67（5）： 1821-1826.

［16］ ZHU Fengle， PENG Jiyu， GAO Junfeng， et al. Determination and visualization of fat contents in salmon fillets based on visible and nearinfrared hyperspectral imagery［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（23）： 314-323.

［17］ 劉魁武， 成芳， 林宏建， 等. 可見/近紅外光譜檢測冷鮮豬肉中的脂肪、蛋白質和水分含質［J］. 光譜學與光譜分析， 2009， 29（1）： 102-105.

［18］ 鄒小波， 李志華， 石吉勇， 等. 高光譜成像技術檢測肴肉新鮮度［J］. 食品科學， 2014， 35（8）： 89-93. doi： 10.7506/spkx1002-6630-201408017.

［19］ 王錫昌， 陸燁， 劉源. 近紅外光譜技術快速無損測定狹鱈魚糜水分和蛋白質含質［J］. 食品科學， 2010， 31（16）： 168-171.

［20］ 馬世榜， 彭彥昆， 徐楊， 等. 可見/近紅外光譜結合變質選擇方法檢測牛肉揮發(fā)性鹽基氮［J］. 江蘇大學學報， 2013， 34（1）： 44-48.

［21］ 吳龍國， 何建國， 劉貴珊， 等. 基于近紅外高光譜成像技術的長棗含水質無損檢測［J］. 光電子激光， 2014， 25（1）： 135-140.

［22］ 汝佳， 陳莉， 房鼎益. 一種LDA和聚類融合的SVM多類分類方法［J］.西北大學學報： 自然科學版， 2014， 44（4）： 559-562.

［23］ 黃金磊， 趙凡， 郭文川. 采后獼猴桃可溶性固形物含質的高光譜無損檢測［EB/OL］. （2015-01-16） ［2015-02-15］. http：//www.spkx.net.cn/ CN/abstract/abstract35779.shtml.

［24］ 勵建榮， 王麗， 張曉敏， 等. 近紅外光譜結合偏最小二乘法快速檢測大黃魚新鮮度［J］. 中國食品學報， 2013， 13（6）： 209-214.

［25］ 湯麗華， 劉敦化. 基于近紅外光譜的枸杞化學成分定質分析［J］. 現(xiàn)代食品科技， 2013， 29（9）： 2306-2310.

Non-Destructive Detection of Refrigerated Time and Moisture Content in Chilled Mutton Using Hyperspectral Imaging

WANG Wanjiao， WANG Songlei*， HE Xiaoguang， HE Jianguo
（School of Agriculture， Ningxia University， Yinchuan 750021， China）

In the present study， a hyperspectral imaging technique was investigated for non-destructive determination of refrigerated time and moisture content in chilled mutton. Totally 160 pieces of spectral information of mutton samples were collected by hyperspectral image system in the region of 400-1 000 nm. PC-14-LDA method was chosen to establish the original spectral mod el for the refrigerated time of chilled mutton. The discriminant rates of refrigerated time in calibration and validation sets were 99.17% and 100%， and the established model could distinguish the refrigerated time of mutton well. Secondly， optimal pretreatment method and partial least squares regression （PLSR） were chosen to establish the prediction model of moisture content in refrigerated mutton. The results showed that the PLSR model behaved for predicting moisture content in mutton after Savitzky-Golay smoothing. The correlation coefficients of calibration and prediction sets were 0.888 and 0.784， respectively， and root mean square errors of cross-validation were both 0.696. Therefore， near-infrared hyperspectral imaging technique is feasible for determining the refrigerated time and moisture content in chilled mutton.

hyperspectral imaging technique； chilled mutton； refrigerated time； moisture content； non-destructive detection

O433

A

1002-6630（2015）16-0112-05

10.7506/spkx1002-6630-201516020

2015-02-15

國家自然科學基金青年科學基金項目（31101306）

王婉嬌（1990—），女，碩士研究生，主要從事農產品無損檢測研究。E-mail：604358543@qq.com

*通信作者：王松磊（1982—），男，講師，博士，主要從事農產品無損檢測研究。E-mail：wangsonglei163@126.com