王彩霞， 何智武， 吳龍國(guó)， 買玉花， 張智峰， 賀曉光*

(1. 寧夏大學(xué) 農(nóng)學(xué)院， 寧夏 銀川 750021； 2. 寧夏尚農(nóng)生物科技產(chǎn)業(yè)發(fā)展有限公司， 寧夏 固原 756000)

1 引 言

牛肉是我國(guó)消費(fèi)最為普遍的肉制品之一，其味道鮮美，營(yíng)養(yǎng)豐富，深受國(guó)內(nèi)外市場(chǎng)的青睞。近年來，牛肉消費(fèi)量逐年增加[1]。目前國(guó)內(nèi)市場(chǎng)的牛肉品種繁多，不同品種的牛肉在口感和品質(zhì)上存在很大差異，但肉品性狀和顏色極為相似，肉眼無法區(qū)分。為保護(hù)一些優(yōu)良的牛肉品種及消費(fèi)者權(quán)益，對(duì)牛肉品種進(jìn)行快速鑒別具有很重要的現(xiàn)實(shí)意義。

傳統(tǒng)的肉類鑒別方法有酶聯(lián)免疫吸附[2]、蛋白質(zhì)譜技術(shù)[3-5]、PCR[6]等，鑒定成本高，操作復(fù)雜，耗時(shí)耗力。因此，尋求一種快速高效的牛肉品種鑒別方法有很重要的現(xiàn)實(shí)意義。高光譜成像技術(shù)是一種集圖像和光譜于一體的無損檢測(cè)新技術(shù)，具有高效快速、操作簡(jiǎn)單等優(yōu)點(diǎn)[7]，在肉品分析領(lǐng)域得到了廣泛的應(yīng)用。王松磊等[8]在400～1 000 nm波段對(duì)灘羊肉嫩度進(jìn)行檢測(cè)，結(jié)果表明基于圖譜特征變量融合所建立的偏最小二乘回歸(Partial least square regression,PLSR)模型決定系數(shù)為0.88；Jiang等[9]利用Vis/NIR高光譜對(duì)雞胸肉的嫩度進(jìn)行分類，結(jié)果表明基于全光譜波段所建立的偏最小二乘判別(Partial least squares discrimination analysis,PLS-DA)模型的校正集與預(yù)測(cè)集準(zhǔn)確率分別為0.92和0.94；Xiong等[10]利用可見近紅外高光譜對(duì)散養(yǎng)雞和普通飼養(yǎng)方式下的雞進(jìn)行識(shí)別分析，并結(jié)合多元散射校正(Multiplicative scatter correction,MSC)進(jìn)行預(yù)處理，建立基于連續(xù)投影算法(Successive projections algorithm,SPA)和徑向基函數(shù)-支持向量機(jī)(RBF-SVM)的雞肉判別模型，模型準(zhǔn)確率高達(dá)93.33%；Balage等[11]應(yīng)用近紅外高光譜成像技術(shù)對(duì)豬肉的pH值、顏色、脂肪和剪切力值進(jìn)行預(yù)測(cè)，并取得了較好的預(yù)測(cè)結(jié)果；王靖等[12]使用900～1 700 nm高光譜成像系統(tǒng)對(duì)寧夏不同產(chǎn)地的羊肉進(jìn)行品種識(shí)別，結(jié)果表明CARS-PLS-DA為最優(yōu)模型, 校正集正確率90.48%，預(yù)測(cè)集正確率84.21%。

由上述研究可知，利用高光譜成像技術(shù)在肉品定量分析及定性鑒別領(lǐng)域已得到國(guó)內(nèi)外許多學(xué)者的研究并都取得了較好的結(jié)果。本文利用高光譜成像技術(shù)對(duì)安格斯牛、力木贊牛、西門塔爾牛3個(gè)品種的牛肉進(jìn)行鑒別研究，比較不同預(yù)處理方法和特征波長(zhǎng)篩選方法對(duì)模型精度及穩(wěn)定性的影響，并對(duì)400～1 000 nm及900～1 700 nm波段的鑒別結(jié)果進(jìn)行比較分析，進(jìn)而為不同牛肉品種的鑒別提供技術(shù)參考。

2 材料與方法

2.1 材料與儀器

分別采集3歲左右的安格斯牛、力木贊牛、西門塔爾牛各3～5頭，肉樣均采自寧夏固原市寧夏尚農(nóng)生物科技發(fā)展產(chǎn)業(yè)有限公司。各品種牛經(jīng)屠宰后在0 ℃下冷藏，排酸48 h。取出牛肉樣品進(jìn)行分割，取4個(gè)部位肉(脖肉、眼肉、里脊肉、瓜條肉)，每個(gè)部位取0.5 g，放入保溫箱運(yùn)至實(shí)驗(yàn)室，貯藏在4 ℃冷柜備用。光譜掃描前將肉樣整形切塊(大小約為40 mm×30 mm×10 mm)，室溫下放置2 h，待肉樣中心溫度達(dá)到室溫水平后，用濾紙吸干樣品表面的水分，進(jìn)行光譜掃描。

TA-XT plus質(zhì)構(gòu)儀(HDP-BSW刀具，厚度3 mm，英國(guó)Stable Micro Systems有限公司)；WSC-S色差計(jì)(北京精密科學(xué)儀器有限公司)；pHS-25數(shù)顯pH計(jì)(上海儀電科學(xué)儀器股份有限公司)；SMART Turbo微波水分測(cè)定儀(美國(guó)培安有限公司)；Hyper Spec-VNIR高光譜成像系統(tǒng)(光譜范圍400～1 000 nm，美國(guó)Headwall公司)；Hyper SIS-NIR型近紅外光譜成像儀(光譜范圍900～1 700 nm，芬蘭Specimen公司)

2.2 實(shí)驗(yàn)方法

2.2.1 色澤測(cè)定

應(yīng)用色差儀對(duì)牛肉樣品進(jìn)行色澤測(cè)定。在每個(gè)樣品表面取3個(gè)不同的位置，測(cè)定3組L*、a*、b*值，取其平均值。

2.2.2 嫩度值測(cè)定

牛肉嫩度的測(cè)定依據(jù)NY/T 1180-2006標(biāo)準(zhǔn)進(jìn)行。將牛肉塊順著肌纖維方向切成1 cm×1 cm×2 cm的小塊，置于質(zhì)構(gòu)儀上，垂直于肌肉纖維方向剪切，取3個(gè)肉塊剪切力的平均值作為該樣本的最終嫩度值。測(cè)試參數(shù)設(shè)定：測(cè)試模式為壓縮測(cè)試，探頭下降速度為6.0 mm/s，探頭回程速度為6.0 mm/s，測(cè)試距離為20 mm。

2.2.3 pH值測(cè)定

將pH計(jì)的探針插入肉樣中，使pH計(jì)的電極與肌肉組織充分接觸，待讀數(shù)穩(wěn)定后記錄數(shù)據(jù)，每個(gè)肉樣重復(fù)測(cè)定3次，取其平均值。

2.2.4 水分、蛋白質(zhì)及脂肪含量的測(cè)定

采用SMART Turbo微波水分測(cè)定儀進(jìn)行水分、蛋白質(zhì)及脂肪含量的測(cè)定。

2.3 光譜數(shù)據(jù)處理方法

在樣本采集前，需打開高光譜儀器預(yù)熱30 min。由于牛肉樣本形狀、表面紋理、色澤等會(huì)造成光源漫反射，同時(shí)，光源強(qiáng)度分布不均以及相機(jī)中暗電流的存在，使光強(qiáng)在分布較弱波段下的圖像噪聲較大，影響光譜信息采集，因此，需要對(duì)儀器進(jìn)行黑白校正及掃描參數(shù)設(shè)定。經(jīng)過預(yù)試驗(yàn)最終確定VIS/NIR高光譜系統(tǒng)的采集參數(shù)為：相機(jī)曝光時(shí)間為15 ms，物距為380 mm，位移平臺(tái)移動(dòng)速度為15 mm/s；近紅外高光譜采集系統(tǒng)的參數(shù)為：輸送速度14 mm/s，物距為370 mm，曝光時(shí)間20 ms，掃描長(zhǎng)度160 mm。試驗(yàn)過程中，每組取5塊肉樣依次置于電控位移平臺(tái)上，進(jìn)行光譜掃描，獲取所有樣本的高光譜圖像數(shù)據(jù)。圖像數(shù)據(jù)處理之前，利用ENVI 4.8軟件選取整塊肉表面作為感興趣區(qū)域(Region of interest,ROI)，計(jì)算ROI內(nèi)的平均反射光譜，作為樣本的反射光譜。利用SPXY[13]法對(duì)采集到的光譜數(shù)據(jù)進(jìn)行樣本劃分，并對(duì)劃分后的數(shù)據(jù)進(jìn)行預(yù)處理，本文選取SG卷積平滑(Savitzky-Golay smoothing,SG)、歸一化(Normalize)、基線校準(zhǔn)(Baseline)、標(biāo)準(zhǔn)正態(tài)變量變換(Standard normal variate,SNV)和MSC預(yù)處理方法處理。

由于牛肉樣本的全波段光譜數(shù)據(jù)量大、信息混雜，因此，需選用適當(dāng)?shù)奶卣鞑ㄩL(zhǎng)提取方法剔除不相關(guān)或者非線性變量，降低模型運(yùn)算量、提高模型穩(wěn)健性[14]。本文選用SPA、間隔隨機(jī)蛙跳(Interval random frog,IRF)法提取特征波長(zhǎng)。SPA法提取的特征波長(zhǎng)具有共線性小、冗余度低的性能[15]，IRF法是將整個(gè)光譜按照特定寬度劃分成區(qū)間，通過每個(gè)區(qū)間光譜點(diǎn)的絕對(duì)回歸系數(shù)總和來評(píng)估區(qū)間，找到最佳區(qū)間組合的一種方法[16]。

2.4 數(shù)據(jù)統(tǒng)計(jì)分析

應(yīng)用SAS 9.2對(duì)牛肉樣品的色澤、嫩度、pH值及水分含量測(cè)定值進(jìn)行均值差異顯著性分析；光譜數(shù)據(jù)預(yù)處理在The Unscrambler X 10.4中進(jìn)行，其余算法在Matlab R2016a中實(shí)現(xiàn)。

3 結(jié)果與討論

3.1 三個(gè)品種牛肉理化指標(biāo)測(cè)定結(jié)果

不同品種的牛肉在內(nèi)外品質(zhì)上有很大的差異。牛肉的品質(zhì)主要包括食用質(zhì)量(色澤、風(fēng)味、嫩度)、營(yíng)養(yǎng)質(zhì)量(蛋白質(zhì)含量、脂肪含量)、技術(shù)質(zhì)量(系水力、pH值水平)等[17]。本試驗(yàn)對(duì)3個(gè)品種牛肉的理化指標(biāo)進(jìn)行測(cè)定，結(jié)果如表1所示。

表1 3種類型牛肉的理化指標(biāo)統(tǒng)計(jì)情況

注：同行平均值標(biāo)注不同字母為差異顯著(P<0.05)；標(biāo)注相同字母為差異不顯著(P>0.05)。

由表1可知：安格斯牛與力木贊牛的L*值差異不顯著，且均低于西門塔爾牛；安格斯牛與西門塔爾牛的a*、b*、pH值差異不顯著，但a*值、pH值與力木贊牛差異顯著；安格斯牛與力木贊牛的水分含量差異不顯著，蛋白質(zhì)含量差異顯著；3個(gè)品種牛肉的嫩度與脂肪含量差異顯著，力木贊牛的嫩度最高，西門塔爾牛的嫩度最?。话哺袼古５闹竞扛哂诹δ举澟Ｅc西門塔爾牛。

3.2 樣本劃分

樣本集的劃分方法在一定程度上決定了所建模型的優(yōu)劣性，本研究采用SPXY法對(duì)樣品進(jìn)行劃分。結(jié)果如表2所示。

表2 利用SPXY法劃分樣本結(jié)果

3.3 原始光譜及預(yù)處理

為消除原始光譜曲線的噪音及無關(guān)信息，提高所建模型的準(zhǔn)確性，需要對(duì)原始光譜進(jìn)行預(yù)處理。在建立PLS-DA模型時(shí)，需確定模型的最佳主成分?jǐn)?shù)。試驗(yàn)中將最大主成分?jǐn)?shù)設(shè)定為20，進(jìn)行數(shù)據(jù)歸一化處理，并采用百葉窗交互驗(yàn)證[18]，設(shè)置交互驗(yàn)證組數(shù)為10，原始光譜的交互驗(yàn)證錯(cuò)誤率隨主成分?jǐn)?shù)的變化如圖1所示。

從圖1可以看出，在主成分?jǐn)?shù)為18時(shí)，錯(cuò)誤率達(dá)到最低。之后隨主成分?jǐn)?shù)的上升錯(cuò)誤率緩慢增大，因此將18確定為最優(yōu)主成分?jǐn)?shù)。依此類推，可確定其他預(yù)處理數(shù)據(jù)的最佳主成分?jǐn)?shù)，結(jié)果如表3所示。

圖1 交互驗(yàn)證中不同主成分下的錯(cuò)誤率

Fig.1 Error rate of different principal components in cross validation

由表3可知，400～1 000 nm波段內(nèi)校正集準(zhǔn)確率效果較好，均高于95%，其中，校正集準(zhǔn)確率最高的是SNV與MSC，預(yù)測(cè)集中經(jīng)SNV方法預(yù)處理后的模型準(zhǔn)確率略高于MSC方法，說明SNV法可有效消除由于肉品表面不均及操作環(huán)境造成的光譜差異，因此，在400～1 000 nm波段范圍選擇SNV法為建立牛肉樣品分類PLS-DA模型的最優(yōu)光譜預(yù)處理方法。在900～1 700 nm波段范圍，準(zhǔn)確率最高的為SG預(yù)處理，校正集與預(yù)測(cè)集準(zhǔn)確率分別為100%和96.04%，故選用其為900～1 700 nm波段的最佳預(yù)處理方法。

表3 不同預(yù)處理方法后的PLS-DA模型結(jié)果

Tab.3 Results of PLS-DA models by different pretreatment methods

預(yù)處理方法400～1 000 nm900～1 700 nm校正集正確率/%預(yù)測(cè)集正確率/%校正集正確率/%預(yù)測(cè)集正確率/%原始光譜98.5697.1198.5295.05SG平滑98.5696.1510096.04Normalize99.0495.1998.5291.09Baseline96.1794.2396.5597.03SNV10097.1298.0393.07MSC10095.1994.5893.07SG-MSC99.0495.1910095.05SNV-MSC99.5297.1294.5893.07

3.4 特征波長(zhǎng)提取

3.4.1 SPA法提取特征波長(zhǎng)

在采用SPA法進(jìn)行特征波長(zhǎng)篩選時(shí)，首先需要計(jì)算SPA在不同的有效波長(zhǎng)數(shù)下的均方根誤差(Root mean square error of calibration set,RMSEC)，通常將最小的RMSEC值確定為最佳的有效波長(zhǎng)數(shù)。

由圖2(a)可知，特征波長(zhǎng)數(shù)為15之前時(shí)，RMSEC處于顯著下降狀態(tài)，之后隨著波長(zhǎng)數(shù)的增加，RMSEC處于較平穩(wěn)的變化狀態(tài)。當(dāng)波長(zhǎng)數(shù)為15時(shí)，RMSEC為0.546 01，表明特征波長(zhǎng)所含牛肉品種差異信息與真實(shí)值之間具有較高的一致性。圖2(b)為400～1 000 nm波段范圍共125個(gè)波段下挑選出的特征波長(zhǎng)，分別為425,430,459,473,531,550,579,589,598,670,723,761,776,958,987 nm。利用SPA法優(yōu)選出的特征波長(zhǎng)占全部波長(zhǎng)的12%。由圖3(a)可得，特征波長(zhǎng)數(shù)為12之前時(shí)，RMSEC處于顯著下降狀態(tài)，12之后隨著波長(zhǎng)數(shù)的增加，RMSEC處于較平穩(wěn)的變化狀態(tài)。當(dāng)波長(zhǎng)數(shù)為12時(shí)，RMSEC為0.316 84。圖3b為900～1 700 nm波段范圍共256個(gè)波段下挑選出的特征波長(zhǎng)，分別為954,981,993,1 005,1 023,1 151,1 202,1 229,1 607,1 649,1 664,1 673 nm，提取的特征波長(zhǎng)主要位于光譜吸收曲線的波峰波谷位置。

圖2 400～1 000 nm波段利用SPA方法提取特征波長(zhǎng)

圖3 900～1 700 nm波段利用SPA方法提取特征波長(zhǎng)

3.4.2 IRF法提取特征波長(zhǎng)

在利用IRF提取特征波長(zhǎng)時(shí)，設(shè)置迭代次數(shù)N為1 000，間隔寬度W為10，子間隔初始值Q為50，主成分?jǐn)?shù)為20。在400～1 000 nm波段運(yùn)行IRF，得到116個(gè)間隔中排名前10的間隔如表4所示；同時(shí)計(jì)算每個(gè)間隔的RMSECV，如圖4所示。同理可得，900～1 700 nm波段中排名前10的間隔如表5所示，247個(gè)間隔的RMSECV如圖5所示。

由表4可知，挑選出的排名前10的區(qū)間波點(diǎn)為36號(hào)到125號(hào)。而圖4(a)顯示，前18名間隔波長(zhǎng)的RMSECV值最小，因此，選擇排名前18的間隔波長(zhǎng)[19]，最終優(yōu)選出的波點(diǎn)為8～19，35～52，79～99，113～125號(hào)，具體波長(zhǎng)是435～488 nm、565～646 nm、776～819 nm、939～997 nm，共58個(gè)波長(zhǎng)。

由表5可知，挑選出的排名前10的區(qū)間波點(diǎn)為31號(hào)到104號(hào)。而圖4(b)顯示，前18名間隔波長(zhǎng)的RMSECV值最小，因此，選擇排名前32的間隔波長(zhǎng)[19]，最終優(yōu)選出的波點(diǎn)為7～16，24～45，87～121，168～177，186～203號(hào)，具體波長(zhǎng)是936～963 nm、987～1 050 nm、1 175～1 276 nm、1 416～1 443 nm、1 470～1 521 nm，共95個(gè)波長(zhǎng)。

表4 400～1 000 nm波段牛肉光譜數(shù)據(jù)排名前10的波長(zhǎng)間隔

Tab.4 Top ranked 10 wavelength intervals of beef spectral data from 400-1 000 nm

排名間隔排名間隔138～476115～1242116～125735～44341～50839～48436～45942～51537～4610114～123

圖4 波段排名從第一到最后一個(gè)波長(zhǎng)間隔的RMSECV值

Fig.4 RMSECV of the union of the intervals from 1st to last

表5 900～1 700 nm波段牛肉光譜數(shù)據(jù)排名前10的波長(zhǎng)間隔

Tab.5 Top ranked 10 wavelength intervals of beef spectral data from 900-1 700 nm

排名間隔排名間隔132～41633～42231～40735～44388～97893～102490～99992～101591～1001089～98

3.4.3 IRF-SPA特征波長(zhǎng)篩選

通過IRF篩選出的特征波長(zhǎng)變量依然較多，波長(zhǎng)變量之間仍存在共線性，為更加有效地篩選出最少的特征變量，經(jīng)IRF篩選特征波長(zhǎng)后再利用SPA進(jìn)行二次特征波長(zhǎng)篩選。在400～1 000 nm波段，從58個(gè)特征波長(zhǎng)變量中篩選出19個(gè)變量，分別為411,425,435,445,459,488,497,526,541,545,555,589,593,608,617,637,641,646,651 nm；在900～1 700 nm波段，從95個(gè)特征波長(zhǎng)變量中篩選出16個(gè)變量，分別為401,406,440,445,449,454,488,512,550,603,641,723,757,795,819,848 nm。

3.5 全波段及特征波長(zhǎng)下牛肉品種PLS-DA鑒別模型

利用PLS-DA鑒別模型對(duì)不同波段下的牛肉品種進(jìn)行鑒別，并對(duì)全波段及3種特征波長(zhǎng)提取波段下建立的牛肉品種鑒別模型進(jìn)行對(duì)比分析，結(jié)果見表6。

由表6可知，在400～1 000 nm波段，經(jīng)SNV法預(yù)處理的全波段PLD-DA鑒別模型中校正集與預(yù)測(cè)集準(zhǔn)確率分別為100%和97.12%?；诓煌卣鞑ㄩL(zhǎng)提取方法建立的鑒別模型中，SPA法建立的模型準(zhǔn)確率較低，校正集與預(yù)測(cè)集準(zhǔn)確率均低于90%；IRF法提取58個(gè)特征波長(zhǎng)下建立的PLS-DA模型中，校正集準(zhǔn)確率為99.04%，略低于全波段模型，預(yù)測(cè)集準(zhǔn)確率為98.08%，高于全波段模型準(zhǔn)確率。IRF-SPA法共提取了19個(gè)特征波長(zhǎng)，校正集與預(yù)測(cè)集準(zhǔn)確率分別為98.56%和97.12%，所建模型的校正集準(zhǔn)確率接近IRF法建立的模型，預(yù)測(cè)集準(zhǔn)確率與全波段模型相同。IRF-SPA法提取的19個(gè)波長(zhǎng)與全波段及IRF法相比，大大降低了運(yùn)算量，并且建模準(zhǔn)確率高于SPA法。因此，在400～1 000 nm波段內(nèi)IRF-SPA方法提取出的19個(gè)特征波長(zhǎng)可以代替全波長(zhǎng)進(jìn)行3種牛肉的光譜鑒別。

表6 3個(gè)品種牛肉的鑒別準(zhǔn)確率

在900～1 700 nm波段，經(jīng)SG卷積平滑預(yù)處理后的全波段PLD-DA鑒別模型中校正集與預(yù)測(cè)集準(zhǔn)確率分別為100%和96.04%。利用SPA法提取的12個(gè)特征波長(zhǎng)建立的模型的校正集準(zhǔn)確率為94.09%，低于全波段建模的準(zhǔn)確率；預(yù)測(cè)集準(zhǔn)確率與全波段相同，均為96.04%。IRF法提取95個(gè)特征波長(zhǎng)下建立的PLS-DA模型中，校正集準(zhǔn)確率為100%，但預(yù)測(cè)集準(zhǔn)確率僅為83.17%。IRF-SPA法共提取了16個(gè)特征波長(zhǎng)，校正集與預(yù)測(cè)集準(zhǔn)確率分別為94.09%和90.10%，均低于SPA法。SPA法提取的12個(gè)波長(zhǎng)與全波段及IRF法相比，波長(zhǎng)數(shù)大大減少，模型穩(wěn)定性也較高。因此，在900～1 700 nm波段，SPA方法提取出的12個(gè)特征波長(zhǎng)可以代替全波長(zhǎng)進(jìn)行3種牛肉的光譜鑒別。

根據(jù)以上分析可知，在特征波長(zhǎng)提取方法中，SPA法優(yōu)選出的變量數(shù)明顯少于IRF提取方法，但I(xiàn)RF法所建模型的準(zhǔn)確率均高于SPA法。400～1 000 nm波段的鑒別準(zhǔn)確率高于900～1 700 nm波段，說明3種牛肉在外部色澤紋理上的識(shí)別效果比內(nèi)部成分的識(shí)別更加準(zhǔn)確，這與王松磊等[20]對(duì)羊肉品種的多波段識(shí)別結(jié)果一致。

4 結(jié) 論

安格斯牛、力木贊牛、西門塔爾牛3個(gè)品種的牛在內(nèi)外品質(zhì)上有很大的差異。通過實(shí)驗(yàn)研究發(fā)現(xiàn)，在外部色澤方面，安格斯牛與力木贊牛的L*值差異不顯著，安格斯牛與西門塔爾牛的a*、b*值不顯著，因此，僅用色澤差異無法對(duì)3個(gè)品種的牛肉進(jìn)行區(qū)分。通過對(duì)牛肉內(nèi)部品質(zhì)進(jìn)行檢測(cè)發(fā)現(xiàn)，安格斯牛與西門塔爾牛的pH值差異不顯著；安格斯牛與力木贊牛的水分含量差異不顯著；3個(gè)品種牛肉的嫩度與脂肪含量差異顯著，安格斯牛的脂肪含量高于力木贊牛與西門塔爾牛。這是由于牛肉的嫩度不僅與牛肉大理石結(jié)構(gòu)有很大關(guān)系，還受肌肉中各種蛋白質(zhì)結(jié)構(gòu)特性、結(jié)締組織含量及分布的影響。

對(duì)400～1 000 nm及900～1 700 nm波段的牛肉原始光譜進(jìn)行不同預(yù)處理后分別建立牛肉品種的PLS-DA全光譜鑒別模型，對(duì)比得出在400～1 000 nm波段，SNV法為最優(yōu)預(yù)處理方法；在900～1 700 nm波段，SG平滑法為最優(yōu)預(yù)處理方法。

采用SPA、IRF及IRF-SPA方法對(duì)經(jīng)預(yù)處理后的光譜進(jìn)行特征波長(zhǎng)篩選并建立PLS-DA鑒別模型。經(jīng)比較分析，在400～1 000 nm波段，利用IRF-SPA方法提取出的19個(gè)特征波長(zhǎng)下建立的PLS-DA模型的校正集與預(yù)測(cè)集準(zhǔn)確率分別為98.56%和97.12%，接近全波段識(shí)別率，因此可代替全波長(zhǎng)進(jìn)行3種牛肉的光譜鑒別。在900～1 700 nm波段，利用SPA方法提取出的12個(gè)特征波長(zhǎng)下建立的PLS-DA模型的校正集與預(yù)測(cè)集準(zhǔn)確率分別為94.09%和96.04%，校正集準(zhǔn)確率略低于全波段準(zhǔn)確率，預(yù)測(cè)集準(zhǔn)確率與全波段相同，該方法在很大程度上簡(jiǎn)化了模型復(fù)雜程度，提高了運(yùn)算效率。