楊菊梅,賀曉光,王松磊,丁佳興,強(qiáng) 鋒,王芹志

(寧夏大學(xué)農(nóng)學(xué)院,寧夏銀川 750021)

?

冷鮮羊肉品質(zhì)的高光譜成像無損檢測(cè)

楊菊梅,賀曉光*,王松磊,丁佳興,強(qiáng) 鋒,王芹志

(寧夏大學(xué)農(nóng)學(xué)院,寧夏銀川 750021)

利用400～1000 nm可見近紅外高光譜成像系統(tǒng)對(duì)冷鮮羊肉蛋白質(zhì)含量、嫩度、pH進(jìn)行無損檢測(cè)研究。采集冷鮮羊肉表面的高光譜散射圖像,提取樣本感興趣區(qū)域的反射光譜曲線獲得原始數(shù)據(jù)。先對(duì)原始光譜預(yù)處理并建立偏最小二乘回歸(PLSR)模型,優(yōu)選最佳預(yù)處理方法,后采用正自適應(yīng)加權(quán)算法(CARS)和連續(xù)投影算法(SPA)提取特征波長(zhǎng),建立不同特征波長(zhǎng)下各品質(zhì)參數(shù)的PLSR預(yù)測(cè)模型。結(jié)果表明:利用原始光譜建立的冷鮮羊肉蛋白質(zhì)、嫩度和pH的PLSR模型均優(yōu)于經(jīng)過光譜預(yù)處理所建PLSR模型;在不同波長(zhǎng)下建立預(yù)測(cè)模型，OS-PLSR光譜模型對(duì)冷鮮羊肉蛋白質(zhì)含量預(yù)測(cè)效果最佳，Rp=0.869,RMSEP=0.097;建立的SPA-PLSR光譜預(yù)測(cè)模型對(duì)pH預(yù)測(cè)效果理想,Rp=0.958,RMSEP=0.067;CARS-PLSR光譜預(yù)測(cè)模型對(duì)嫩度的預(yù)測(cè)能力較高,Rp=0.862,RMSEP=0.706。研究表明:利用可見近紅外高光譜技術(shù)對(duì)冷鮮羊肉品質(zhì)進(jìn)行快速無損檢測(cè)是可行的。

高光譜成像技術(shù),冷鮮羊肉,品質(zhì),無損檢測(cè),偏最小二乘回歸

冷凍肉由于在冷藏過程中較大冰晶的形成,發(fā)生一些物理化學(xué)變化,降低其品質(zhì)[1]。熱鮮肉貯藏期短,易受微生物侵染發(fā)生腐敗變質(zhì)。而冷鮮肉由于在加工和銷售過程中始終處于0～4 ℃[2],彌補(bǔ)了兩者的不足且兼有其優(yōu)點(diǎn),符合人們對(duì)肉品質(zhì)和安全提出的新要求,將成為我國(guó)生鮮肉消費(fèi)的主流[3]。寧夏灘羊具有低脂營(yíng)養(yǎng)、鮮嫩無膻的獨(dú)特優(yōu)秀品質(zhì),現(xiàn)重點(diǎn)以冷鮮肉形式銷往各大城市的高端市場(chǎng)以及中東阿拉伯等國(guó)家。為了提高和保證冷鮮肉品質(zhì),需加強(qiáng)貯藏加工運(yùn)輸過程中食品品質(zhì)快速無損檢測(cè)技術(shù)。

羊肉的蛋白質(zhì)有較高的生物學(xué)特性,是影響其理化指標(biāo)、風(fēng)味、色澤和營(yíng)養(yǎng)價(jià)值的重要因素;嫩度反應(yīng)肉品的感官品質(zhì)[4];pH與肉的加工品質(zhì)和重要呈鮮物質(zhì)谷氨酸鈉有很大的相關(guān)性。對(duì)冷鮮肉貯藏過程中蛋白質(zhì)、pH和嫩度的快速無損檢測(cè),能較好的系統(tǒng)研究冷鮮肉的品質(zhì)變化。傳統(tǒng)檢測(cè)方法,具有樣品前處理繁瑣、費(fèi)時(shí)費(fèi)力、破壞樣品等缺點(diǎn),難以滿足企業(yè)冷鮮羊肉在線快速無損檢測(cè)生產(chǎn)需求。

高光譜成像技術(shù)[5-7],將傳統(tǒng)光譜和成像技術(shù)、光電子和計(jì)算機(jī)技術(shù)緊密結(jié)合,具有無損、無污染、檢測(cè)速度快,集光譜和圖像技術(shù),且能同時(shí)提取樣本多組分信息等特點(diǎn),在肉品檢測(cè)上優(yōu)勢(shì)凸顯。近年來,高光譜成像技術(shù)在牛肉、豬肉、雞肉等相關(guān)領(lǐng)域得到廣泛應(yīng)用,主要檢測(cè)指標(biāo)為嫩度、顏色、新鮮度、持水率、pH[8-16]等。國(guó)內(nèi)外學(xué)者對(duì)冷鮮肉脂肪、蛋白質(zhì)、嫩度、微生物和新鮮度[6,17-19]略有研究,關(guān)于冷鮮羊肉安全品質(zhì)蛋白質(zhì)、加工品質(zhì)pH和感官品質(zhì)嫩度等的綜合檢測(cè)研究鮮有報(bào)道。鑒于此,本文以寧夏特色鹽池灘羊肉為研究對(duì)象,利用可見近紅外高光譜圖像技術(shù)獲取樣品冷鮮貯藏8 d的光譜數(shù)據(jù)。通過軟件分析研究蛋白質(zhì)、嫩度和pH與光譜數(shù)據(jù)之間的相關(guān)性,對(duì)比優(yōu)選最佳原始數(shù)據(jù)預(yù)處理、特征波長(zhǎng)提取方法,建立冷鮮羊肉品質(zhì)預(yù)測(cè)模型,滿足企業(yè)冷鮮羊肉在線快速無損檢測(cè)生產(chǎn)需求,實(shí)現(xiàn)冷鮮肉在市售和流通過程中營(yíng)養(yǎng)、感官品質(zhì)和風(fēng)味的及時(shí)控制。

1 材料與方法

1.1 材料與儀器

寧夏鹽池灘羊 60只,寧夏吳忠市澇河橋分割肉加工有限公司;硫酸銅、95%乙醇 天津市致遠(yuǎn)化學(xué)試劑有限公司:硫酸鉀 廣東省化學(xué)試劑工程技術(shù)研究開發(fā)中心;氫氧化鈉、濃硫酸、濃鹽酸 天津市北聯(lián)精細(xì)化學(xué)品開發(fā)有限公司;硼酸 煙臺(tái)市雙雙化工有限公司;甲基紅 北京化工廠;亞甲基藍(lán) 上海中秦化學(xué)試劑有限公司。

HyperSpec VNIR高光譜成像儀 波長(zhǎng)范圍400～1000 nm,光譜分辨率2.8 nm,狹縫寬度25 um,狹縫長(zhǎng)度18 mm,雜散光小于0.02%,孔徑F/2.0,美國(guó)Headwall Photonics公司,儀器主要由高光譜成像儀(Imspector N系列,Golden Way Scientific CO)、CCD相機(jī)(G4-232,Golden Way Scientific CO)、光源系統(tǒng)包括2個(gè)線分支光源(90-254 VAC,47-63 Hz,Golden Way Scientific CO)、自動(dòng)電控位移平臺(tái)(VT-80,Headwall Photonics Instruments Co)、計(jì)算機(jī)(ThinkPadX220 Tnter(R)Core i5-2450CPU@2.5GHz,RAM 3.41G)和數(shù)據(jù)收集軟件(Hyperspec-N for AndorLuca Rev A.3.1.4.vi,Headwall Photonics Instruments Co)六部分組成;SKD-100型自動(dòng)凱氏定氮儀 上海沛歐分析儀器有限公司;Testo 205型pH酸度計(jì) 深圳市卓越儀器儀表有限公司;質(zhì)構(gòu)儀(TA-XT plus,刀具HDP-BSW) 英國(guó)Stable Micro Systems有限公司;JA3102型分析天平 上海?？惦娮觾x器廠

1.2 實(shí)驗(yàn)方法

1.2.1 采樣 實(shí)驗(yàn)羊60只,羊被屠宰后,取羊胴體背最長(zhǎng)肌,用手術(shù)刀片去除樣本表面的脂肪和肌膜,整形切塊(大小約為20 mm×30 mm×10 mm),獲得樣本數(shù)120個(gè),放于低溫保鮮盒運(yùn)至實(shí)驗(yàn)室,0～4 ℃冷藏8 d。每隔24 h取出15個(gè)樣,于室溫下放置2 h后采集高光譜圖像,隨后進(jìn)行蛋白質(zhì)、pH和嫩度的測(cè)定。

1.2.2 高光譜圖像采集 由于高光譜成像存在暗電流、光源強(qiáng)度不均勻的問題,導(dǎo)致獲取的高光譜圖像中含有很大的噪聲。因此采集光譜前,對(duì)高光譜儀器進(jìn)行預(yù)熱、黑白校正以消除攝像頭中暗電流的影響,黑白校準(zhǔn)公式參考文獻(xiàn)[20]。為了避免獲取的圖像失真,進(jìn)行預(yù)實(shí)驗(yàn)確定采集參數(shù):物距390 mm,輸送步距15 mm/s,掃描線實(shí)際長(zhǎng)度為190 mm,CCD相機(jī)曝光時(shí)間為13 ms。實(shí)驗(yàn)過程中,每組取2個(gè)羊肉樣本,用吸水紙拭去表面水分,按照一定的順序置于電控位移載物中心,連接電機(jī),開始圖像掃描。

1.2.3 理化指標(biāo)的測(cè)定

1.2.3.1 嫩度的測(cè)定 冷鮮羊肉嫩度測(cè)量按農(nóng)業(yè)部行業(yè)標(biāo)準(zhǔn)-NY/T 1180-2006《肉嫩度的測(cè)定剪切力測(cè)定法》標(biāo)準(zhǔn)進(jìn)行。用標(biāo)準(zhǔn)取樣器鉆取3個(gè)樣本,使用TA-XT plus質(zhì)構(gòu)儀垂直于肌肉纖維剪切。測(cè)試參數(shù):模式為壓縮測(cè)試,探頭下降和回程速度均為6.0 mm/s,取3個(gè)樣本的均值作為最終嫩度。

1.2.3.2 蛋白質(zhì)含量測(cè)定 按照GB 5009.3-2010方法進(jìn)行測(cè)定。

1.2.3.3 pH的測(cè)定 利用便攜式pH酸度計(jì)進(jìn)行測(cè)定,將探頭刺入樣本約9 mm,選擇鄰域內(nèi)的3點(diǎn)進(jìn)行測(cè)定,取均值作為樣本的最終pH。

1.3 數(shù)據(jù)處理與分析

1.3.1 原始光譜預(yù)處理 采用ENVI 4.6(Research System,Inc.,USA)軟件,選取整個(gè)樣本作為感興趣區(qū)域(Region Of Interests,ROIs),提取平均光譜,獲得樣本原始光譜數(shù)據(jù)。為了提高建模精度,基于Unscrambler X 10.3(CAMO Software AS,OSLO,Norway)軟件和偏最小二乘回歸法(Partial Least Squares Regression,PLSR),使用S-G卷積平滑(Savitzky-Golay)、歸一化(Normalization)、基線校準(zhǔn)(Baseline)、標(biāo)準(zhǔn)正態(tài)化(SNV)、多元散射校正(MSC)、移動(dòng)平均平滑(Moving Average)、中值濾波(Median Filter)、去趨勢(shì)(De-trending)等方法對(duì)冷鮮羊肉蛋白質(zhì)、嫩度和pH的原始光譜數(shù)據(jù)進(jìn)行預(yù)處理,并與原始光譜數(shù)據(jù)建立的PLSR模型比較,優(yōu)選最佳預(yù)處理方法。

1.3.2 特征波長(zhǎng)的提取 基于美國(guó)MathWorks公司Matlab R2013b軟件,應(yīng)用連續(xù)投影算法(succesive projections algorithm,SPA)、正自適應(yīng)加權(quán)算法(competitive adaptive reweighted sampling,CARS)提取經(jīng)過最佳預(yù)處理光譜的特征波長(zhǎng)。

1.3.3 建模方法 首先建立基于原始光譜和不同預(yù)處理光譜的冷鮮羊肉蛋白質(zhì)、嫩度、pHPLSR模型,優(yōu)選最佳預(yù)處理方法,然后建立基于最佳預(yù)處理的全光譜和特征波長(zhǎng)下冷鮮羊肉各指標(biāo)參數(shù)的PLSR光譜預(yù)測(cè)模型。PLSR是一種新型多元數(shù)據(jù)統(tǒng)計(jì)方法,涵蓋多種數(shù)據(jù)統(tǒng)計(jì)方法的優(yōu)點(diǎn),近年來發(fā)展迅速。

1.3.4 模型評(píng)價(jià)指標(biāo) 為檢驗(yàn)原始光譜經(jīng)過預(yù)處理所建模型的穩(wěn)定程度及擬合效果,采用校正集/預(yù)測(cè)集/交互驗(yàn)證相關(guān)系數(shù)(Rc、Rp、Rcv)和均方根校正/預(yù)測(cè)/交互驗(yàn)證誤差(RMSEC、RMSEP、RMSECV)作為PLSR模型評(píng)判指標(biāo)。相關(guān)系數(shù)(R)是反映波長(zhǎng)吸光度與樣品理化指標(biāo)相關(guān)性的統(tǒng)計(jì)指標(biāo),為了檢驗(yàn)特征波長(zhǎng)下冷鮮羊肉蛋白質(zhì)、嫩度和pH的PLSR光譜預(yù)測(cè)模型,本文采用預(yù)測(cè)集相關(guān)系數(shù)Rp和預(yù)測(cè)均方根誤差RMSEP作為模型評(píng)價(jià)指標(biāo)。RMSEC用來評(píng)價(jià)所建模型的擬合準(zhǔn)確程度;RMSEP用來評(píng)價(jià)所建模型對(duì)目標(biāo)樣品的預(yù)測(cè)能力;RMSECV用于評(píng)價(jià)所建模型的可行性[21]。

2 結(jié)果與分析

2.1 冷鮮羊肉理化指標(biāo)的測(cè)定

隨機(jī)選取寧夏鹽池灘羊60只,取羊胴體背最長(zhǎng)肌獲取總樣120個(gè),按校正集∶預(yù)測(cè)集=3∶1將樣本分成兩組,即用于建立校正模型數(shù)據(jù)90個(gè),預(yù)測(cè)模型30個(gè)。樣本的蛋白質(zhì)、嫩度、pH測(cè)定結(jié)果如表1所示。

表1 冷鮮羊肉的理化參數(shù)

表2 冷鮮羊肉蛋白質(zhì)含量的原始光譜和預(yù)處理光譜的PLSR模型效果比較

2.2 原始光譜預(yù)處理

由于高光譜圖像采集過程中受到儀器暗電流、背景色、外界噪音、肉樣表面水分的鏡面反射等因素影響,使原始光譜不僅含有樣品本身的化學(xué)成分和物理結(jié)構(gòu)信息,還包含一些無關(guān)信息影響后續(xù)建模效果。為了提高建模精度,對(duì)光譜進(jìn)行預(yù)處理。后利用PLSR分別對(duì)預(yù)處理光譜建模,比較效果。

2.2.1 蛋白質(zhì)含量的原始光譜預(yù)處理 基于Unscrambler X 10.3軟件,對(duì)冷鮮灘羊肉蛋白質(zhì)含量的原始光譜采用移動(dòng)平均平滑、面積歸一化、基線校準(zhǔn)、標(biāo)準(zhǔn)正態(tài)化、去趨勢(shì)、多元散射校正、中心化共7種預(yù)處理方法,建立冷鮮羊肉蛋白質(zhì)含量的PLSR預(yù)測(cè)模型,并與原始光譜建模效果進(jìn)行對(duì)比,優(yōu)選最佳預(yù)處理方法。實(shí)驗(yàn)結(jié)果見表2。

由冷鮮羊肉蛋白質(zhì)含量的PLSR模型效果分析對(duì)比可知,采用原始光譜、面積歸一化、基線校準(zhǔn)、標(biāo)準(zhǔn)正態(tài)化和多元散射校正光譜預(yù)處理方法可獲得較高的Rc,綜合Rcv和Rp值,原始光譜預(yù)處理較其它5種方法都高,Rp值和Rc、Rcv較為接近,且有較低的RMSEP值,其RMSEC、RMSECV值和其它預(yù)處理方法差異不明顯。王家云等[22]利用高光譜技術(shù)(900～1700 nm)對(duì)寧夏灘羊肉的蛋白質(zhì)進(jìn)行研究,發(fā)現(xiàn)原始光譜采用基線校準(zhǔn)預(yù)處理的PLSR預(yù)測(cè)模型有較高的Rp,其模型校正集Rc=0.927、預(yù)測(cè)集Rp=0.927、Rcv=0.900均高于本實(shí)驗(yàn)的相對(duì)應(yīng)相關(guān)系數(shù),說明蛋白質(zhì)和波長(zhǎng)(900～1700 nm)吸光度的相關(guān)性好,原因可能是本研究選取冷鮮羊肉為實(shí)驗(yàn)對(duì)象,受貯存時(shí)間的影響,蛋白質(zhì)變化比較大,光譜采集時(shí)波長(zhǎng)吸光度與蛋白質(zhì)相關(guān)性較差,但其RMSEC=0.55,RMSEP=0.52,RMSECV=0.65與本研究對(duì)比較低,說明模型的擬合準(zhǔn)確程度、對(duì)目標(biāo)樣品的預(yù)測(cè)能力、所建模型的可行性沒有本研究理想。光譜預(yù)處理效果不理想,可能是因?yàn)轭A(yù)處理沒能剔除干擾信息反而使樣本原有蛋白質(zhì)信息發(fā)生改變或者缺失,鑒于此,選擇原始光譜數(shù)據(jù)用于后續(xù)特征波長(zhǎng)的提取和預(yù)測(cè)模型的建立。

2.2.2 pH的原始光譜預(yù)處理 基于Unscrambler X 10.3軟件和PLSR模型,對(duì)冷鮮灘羊肉pH的原始光譜采用卷積平滑、均值歸一化、基線校準(zhǔn)、標(biāo)準(zhǔn)正態(tài)化、去趨勢(shì)、多元散射校正及中心化7種預(yù)處理方法,建立冷鮮羊肉pH的PLSR預(yù)測(cè)模型,并與原始光譜建模效果進(jìn)行對(duì)比,優(yōu)選pH最佳預(yù)處理方法。

表3 冷鮮羊肉pH原始光譜和預(yù)處理光譜的PLSR模型效果比較

表4 冷鮮羊肉嫩度的原始光譜和預(yù)處理光譜的PLSR模型效果比較

對(duì)冷鮮羊肉pH原始光譜和預(yù)處理光譜PLSR模型分析比較,原始光譜、基線校準(zhǔn)和去趨勢(shì)對(duì)光譜預(yù)處理有高的Rc值,分別是0.943、0.943、0.948。卷積平滑、均值歸一化、標(biāo)準(zhǔn)正態(tài)化、多元散射校正及中心化5種預(yù)處理方法的Rc值較低。雖然卷積平滑預(yù)處理有較高的Rp值,但其RMSEP值最高,說明模型的可行性不好,且RMSEC、RMSECV都較原始光譜預(yù)處理值高,而且校正集相關(guān)系數(shù)Rc低于原始光譜。綜合Rc、Rcv、Rp值,利用原始光譜建立冷鮮羊肉樣本的PLSR模型,有較高的Rc、Rcv、Rp值,且RMSEC、RMSECV、RMSEP值較其它預(yù)處理較低。因此選擇原始光譜進(jìn)行后續(xù)特征波長(zhǎng)的提取及PLSR預(yù)測(cè)模型的建立與分析。ElMasry G等[8]利用近紅外高光譜技術(shù)對(duì)牛肉的pH進(jìn)行研究,決定系數(shù)R2和交互驗(yàn)證均方差RMSECV分別是0.73和0.06,與本研究結(jié)果相當(dāng)。吳建虎等[10]利用光譜散射特性預(yù)測(cè)牛肉的pH,預(yù)測(cè)相關(guān)系數(shù)為0.86,低于與本研究的預(yù)測(cè)集相關(guān)系數(shù)0.943。王家云等[22]利用高光譜技術(shù)(900～1700 nm)對(duì)寧夏灘羊肉的pH進(jìn)行研究,采用原始光譜預(yù)處理的PLSR模型校正集Rc=0.894、預(yù)測(cè)集Rp=0.843、Rcv=0.849,均低于本研究結(jié)果。

2.2.3 嫩度的原始光譜預(yù)處理 基于Unscrambler X 10.3軟件和PLSR模型,對(duì)冷鮮灘羊肉嫩度的原始光譜采用中值濾波、均值歸一化、基線校準(zhǔn)、標(biāo)準(zhǔn)正態(tài)化、去趨勢(shì)、多元散射校正及中心化7種預(yù)處理,并與原始光譜所建模型進(jìn)行對(duì)比。預(yù)處理效果見表4。

由表4可知,與8種光譜預(yù)處理所建模型相比較,采用原始光譜數(shù)據(jù)建立嫩度的PLSR模型具有最高Rc、Rcv,其值分別是0.950、0.803。雖然原始光譜Rp小于中心化預(yù)處理,但有較低的RMSEC、RMSECV、RMSEP值和較高的Rc、Rcv。因此,原始數(shù)據(jù)將用于后續(xù)冷鮮羊肉嫩度PLSR預(yù)測(cè)模型的建立。王正偉等[14]利用高光譜技術(shù)檢測(cè)雞肉嫩度,原始光譜經(jīng)MSC預(yù)處理的PLSR模型校正集Rc=0.889、預(yù)測(cè)集Rp=0.849、Rcv=0.787,均低于本研究結(jié)論。

2.3 光譜特征波長(zhǎng)的提取

原始光譜波段維數(shù)多且某些波段包含一些無關(guān)信息,采用全波段建模會(huì)影響模型精度,延長(zhǎng)數(shù)據(jù)處理時(shí)間,不利于企業(yè)在線快速無損檢測(cè)[23]。為了優(yōu)化光譜預(yù)測(cè)模型,采用正自適應(yīng)加權(quán)算法(CARS)、連續(xù)投影算法(SPA)提取特征波長(zhǎng)。

2.3.1 正自適應(yīng)加權(quán)算法提取特征波長(zhǎng) 該方法對(duì)無信息變量進(jìn)行有效去除的同時(shí),還可以盡可能的減少共線性變量對(duì)模型的影響,最終優(yōu)選出針對(duì)預(yù)測(cè)目標(biāo)最為關(guān)鍵的變量。結(jié)果顯示:蛋白質(zhì)預(yù)測(cè)模型變量28個(gè),即401、411、416、425、430、435、440、445、449、493、497、517、550、555、574、579、584、593、608、627、656、757、785、853、954、958、987、997 nm處波長(zhǎng)值;嫩度預(yù)測(cè)模型變量38個(gè),即411、425、430、435、459、488、507、531、541、560、569、608、627、646、651、670、675、685、694、718、733、761、776、790、814、819、829、838、857、862、881、891、896、930、939、963、978、987 nm處波長(zhǎng)值;pH預(yù)測(cè)模型變量42個(gè),即406、416、421、425、440、445、459、464、469、473、478、507、512、526、531、545、550、560、574.、584、593、608、613、617、622、632、670、680、704、709、728、733、737、747、757、761、771、776、862、915、944、997 nm處波長(zhǎng)值。

2.3.2 連續(xù)投影算法提取特征波長(zhǎng) 該方法能夠從原始數(shù)據(jù)中篩選出幾列數(shù)據(jù)就可以概括大部分樣品的光譜信息,最大程度篩選出有用信息[24]。最終優(yōu)選出蛋白質(zhì)預(yù)測(cè)模型變量11個(gè),對(duì)應(yīng)406、420、425、430、444、458、579、641、689、804、977 nm處波長(zhǎng)值;嫩度預(yù)測(cè)模型變量5個(gè),即401、415、569、636、732 nm處波長(zhǎng)值;pH預(yù)測(cè)模型變量19個(gè),對(duì)應(yīng)411、440、445、454、469、497、517、545、565、598、646、665、704、733、757、862、925、982、997 nm處波長(zhǎng)值。結(jié)果表明,利用SPA提取特征波長(zhǎng)明顯少于CARS提取的波長(zhǎng)數(shù)。

2.4 模型的建立與分析

基于原始光譜(original specrtum,OS)、SPA和CARS提取出的特征波長(zhǎng),建立冷鮮羊肉蛋白質(zhì)、嫩度和pH的PLSR模型,分析對(duì)比模型的預(yù)測(cè)能力,優(yōu)選最佳建模方法。

圖1 冷鮮羊肉蛋白質(zhì)含量在不同波段下的PLSR預(yù)測(cè)模型Fig.1 PLSR prediction model of chilled muttonprotein content under different wavelengths

由圖1可知，建立冷鮮羊肉蛋白質(zhì)含量的OS-PLSR預(yù)測(cè)模型具有高的相關(guān)系數(shù)，Rp=0.869。SPA-PLSR預(yù)測(cè)模型雖然有較低的預(yù)測(cè)均方根誤差，但其相關(guān)系數(shù)Rp和其它兩種建模方法比較差異明顯降低。建立的CARS-PLSR光譜預(yù)測(cè)模型，其Rp值和RMSEP均小于OS-PLSR。因此，選擇OS-PLSR模型對(duì)冷鮮羊肉的蛋白質(zhì)含量進(jìn)行預(yù)測(cè)。

由圖2可知,利用SPA提取光譜特征波長(zhǎng)具有高的預(yù)測(cè)集相關(guān)系數(shù)Rp值,Rp值達(dá)到0.958,預(yù)測(cè)均方根誤差也較FS-PLSR和CARS-PLSR兩種建模方法低,RMSEP=0.067。SPA-PLSR建模方法對(duì)冷鮮羊肉pH達(dá)到了理想的預(yù)測(cè)效果,且模型的波長(zhǎng)數(shù)相對(duì)于另外兩種建模方法大大減少,利于企業(yè)實(shí)現(xiàn)在線快速無損檢測(cè)。

圖2 冷鮮羊肉pH在不同波段下的PLSR預(yù)測(cè)模型Fig.2 PLSR prediction model of chilled mutton pH value under different wavelengths

由圖3可知,利用SPA提取光譜特征波長(zhǎng)建立冷鮮羊肉嫩度的PLSR預(yù)測(cè)模型,與另外兩種建模方法相比較,有較低的Rp值、高的RMSEP值,說明SPA-PLSR預(yù)測(cè)模型效果不好。FS-PLSR和CARS-PLSR光譜預(yù)測(cè)模型Rp值分別是0.870和0.862;RMSEP值分別是0.705和0.706。FS-PLSR光譜模型預(yù)測(cè)集相關(guān)系數(shù)略高于CARS-PLSR,預(yù)測(cè)均方根誤差略低于CARS-PLSR光譜模型,但考慮到CARS-PLSR波長(zhǎng)數(shù)為38,FS-PLSR波長(zhǎng)數(shù)125,選擇CARS提取的38個(gè)特征波長(zhǎng)作為建立冷鮮羊肉嫩度的PLSR模型,并取得較好的預(yù)測(cè)效果。

圖3 冷鮮羊肉嫩度在不同波段下的PLSR預(yù)測(cè)模型Fig.3 PLSR prediction model of chilled mutton tenderness under different wavelengths

3 結(jié)論

利用400～1000 nm可見近紅外高光譜成像技術(shù)對(duì)冷鮮羊肉蛋白質(zhì)、嫩度和pH的原始光譜數(shù)據(jù)進(jìn)行預(yù)處理,根據(jù)建立的PLSR模型效果,各項(xiàng)理化指標(biāo)均選擇原始光譜用于后續(xù)特征波長(zhǎng)的提取。采用CARS正自適應(yīng)加權(quán)算法(CARS)提取特征波長(zhǎng),優(yōu)選出蛋白質(zhì)變量28個(gè)、嫩度變量38個(gè)、pH變量42個(gè);SPA連續(xù)投影算法(SPA)提取特征波長(zhǎng),優(yōu)選出蛋白質(zhì)變量11個(gè)、嫩度變量5個(gè)、pH變量19個(gè)。對(duì)冷鮮羊肉蛋白質(zhì)、嫩度和pH分別建立原始光譜、特征波長(zhǎng)的PLSR光譜預(yù)測(cè)模型。結(jié)果表明:建立冷鮮羊肉蛋白質(zhì)的OS-PLSR光譜預(yù)測(cè)模型效果最佳,Rp=0.869,RMSEP=0.097;建立的SPA-PLSR光譜預(yù)測(cè)模型對(duì)pH預(yù)測(cè)效果理想,Rp=0.958,RMSEP=0.067;CARS-PLSR光譜預(yù)測(cè)模型對(duì)嫩度的預(yù)測(cè)能力較高,Rp=0.862,RMSEP=0.706。研究結(jié)果表明:高光譜成像技術(shù)對(duì)冷鮮羊肉的蛋白質(zhì)、嫩度、pH進(jìn)行快速無損檢測(cè)是可行的。

[1]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(zhì)量檢測(cè)學(xué)報(bào),2014,5(3):754-760.

[2]李斌,康壯麗,龔宸,等.基于低場(chǎng)核磁共振技術(shù)分析冷凍和冷卻豬肉乳化香腸的品質(zhì)差異[J].食品工業(yè)科技,2015,24:142-150.

[3]王婉嬌,王松磊,賀曉光,等.冷鮮羊肉冷藏時(shí)間和水分含量的高光譜無損檢測(cè)[J].食品科學(xué),2015,36(16):112-116.

[4]任發(fā)政,李興民,張?jiān)w編譯.現(xiàn)代肉品加工與質(zhì)量控制[M].北京:中國(guó)農(nóng)業(yè)大學(xué)出版社,2006:179-190.

[5]Gowen A A,O’donnell C P,Cullen P J,et al. Hyperspectral imaging—an emerging process analytical tool for food quality and safety control[J]. Trends in Food Science Technology,2007,18:590-598.

[6]王婉嬌,王松磊,賀曉光,等. NIR高光譜成像技術(shù)檢測(cè)冷鮮羊肉嫩度[J].食品工業(yè)科技,2015,36(20):77-91.

[7]趙俊華,郭培源,邢素霞,等.基于高光譜成像的臘肉細(xì)菌總數(shù)預(yù)測(cè)建模方法研究[J].中國(guó)調(diào)味品,2016,41(2):74-78.

[8]El Masry G,Sun Da-wen,Allen P. Near-infrared hyperspectral imaging for predicting colour,p H and tenderness of fresh beef[J]. Journal of Food Engineering,2012,110:127-140.

[9]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.

[10]吳建虎,彭彥昆.基于高光譜散射特征的牛肉品質(zhì)參數(shù)的預(yù)測(cè)研究[J].光譜學(xué)與光譜分析,2010,30(7):1815-1819.

[11]Savenije B,Geesink G H,Van-der-Palen J G P,et al. Prediction of pork quality using visible/near-infrared reflectance spectroscopy[J]. Meat Science,2006,73(1):181-184.

[12]Mohammed K,Gamal E,Da-Wen Sun. Prediction of some quality attributes of Lamb meat using near-infrared hyperspectral imaging and multivariate analysis[J].Analytica Chimica Acta,2012(714):57-67.

[13]張雷蕾,李永玉,彭彥昆,等. 基于高光譜成像技術(shù)的豬肉新鮮度評(píng)價(jià)[J].農(nóng)業(yè)工程學(xué)報(bào),2012,28(7):254-259.

[14]王正偉,王家云,王松磊,等. 基于VIS-NIR高光譜成像技術(shù)檢測(cè)雞肉嫩度[J].食品科技,2015,40(11):270-274.

[15]趙杰文,惠喆,黃林,等.高光譜成像技術(shù)檢測(cè)雞肉中揮發(fā)性鹽基氮含量[J].激光與光電子學(xué)進(jìn)展,2013,50(7):1-7.

[16]李媛媛,趙鉅陽(yáng),齊鵬輝,等.高光譜成像技術(shù)在紅肉質(zhì)量特性無損檢測(cè)中的應(yīng)用[J].食品工業(yè),2016,37(1):264-269.

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

[18]陶斐斐,王偉,李永玉,等.冷卻豬肉表面菌落總數(shù)的快速無損檢測(cè)方法研究[J].光譜學(xué)與光譜分析,2010,30(12):3405-3409.

[19]Leroy B,Lambotte S,Dotreppe O. Prediction of technological and organoleptic properties of beef Longissimus thoracis from near-infrared reflectance and transmission spectra[J].Meat Science,2004,66(1):45-54.

[20]吳龍國(guó),何建國(guó),劉貴珊,等.基于近紅外高光譜成像技術(shù)的長(zhǎng)棗含水量無損檢測(cè)[J].光電子激光,2014,25(1):135-140.

[21]金靈.基于高光譜技術(shù)的寧夏灘羊肉內(nèi)部品質(zhì)檢測(cè)方法研究[D].寧夏:寧夏大學(xué),2014:1-51.

[23]郭紅艷,劉貴珊,吳龍國(guó),等.基于高光譜成像的馬鈴薯環(huán)腐病無損檢測(cè)[J].食品科學(xué),2016:1-7.

[24]趙杰文,林顥.食品農(nóng)產(chǎn)品檢測(cè)中的數(shù)據(jù)處理和分析方法[M].北京:科學(xué)出版社,2012:4-5.

Nondestructive detection of quality of chilled mutton using hyperspectral imaging technique

YANG Ju-mei,HE Xiao-guang*,WANG Song-lei,DING Jia-xing,QIANG Feng,WANG Qin-zhi

(School of Agriculture,Ningxia University,Yinchuan 750021,China)

Visible/near infrared hyperspectral imaging system ranging from 400 nm to 1000 nm was investigated for non-destructive determination of protein content,pH value and tenderness in chilled mutton. Collected the hyperspectral scattering image of chilled mutton and extracted the reflectance spectrum at range of interest. Firstly,the partial least squares regression(PLSR)model was established by the pretreatment of original spectrum to prefer the best pretreatment method. Then,the successive projections algorithm(SPA)and competitive adaptive reweighed sampling(CARS)were used to select characteristic wavelengths,the PLSR prediction models of protein content,pH value and tenderness under the characteristic wavelengths were set up and analyzed. The results showed that using original spectrum to establish OS-PLSR models for predicting protein content,pH value and tenderness were better than the PLSR models constructed by pretreatment spectrum;the PLSR prediction model of protein content under full wavelengths has the best effect,the correlation coefficient of prediction(Rp)and the predict root mean square error(RMSEP)were 0.869 and 0.097. The result of SPA-PLSR model for predicting pH value was ideal and RP value was 0.958,RMSEP value was 0.067. The result of CARS-PLSR model for predicting tenderness has high predictive power and the RP value was 0.862,RMSEP value was 0.706. Therefore,visible/near infrared hyperspectral imaging technology is feasible for non-destructive determination of protein content,pH value and tenderness in chilled mutton.

hyperspectral imaging technique;chilled mutton;quality;nondestructive detection;partial least squares regression

2016-05-20

楊菊梅(1991-),女,在讀碩士研究生,研究方向:農(nóng)產(chǎn)品無損檢測(cè),E-mail:1255499035@qq.com。

*通訊作者:賀曉光(1963-),男，教授，主要從事食品加工與食品機(jī)械方面的教學(xué)和科研工作，E-mail:13995015705@163.com。

TS251.5+3

A

1002-0306(2016)22-0084-06

10.13386/j.issn1002-0306.2016.22.008