,2,*,2

(1.河南科技學(xué)院食品學(xué)院,河南新鄉(xiāng) 453003;2.河南科技學(xué)院博士后研發(fā)基地,河南新鄉(xiāng) 453003;3.河南科技學(xué)院新科學(xué)院,河南新鄉(xiāng) 453003)

肉類作為一種重要的營(yíng)養(yǎng)物質(zhì),含有蛋白質(zhì)、脂類、礦物質(zhì)和維生素等豐富的人體所需物質(zhì),能為機(jī)體活動(dòng)和新陳代謝提供物質(zhì)代謝基礎(chǔ)[1]。人們生活水平的不斷提高,膳食結(jié)構(gòu)的日益科學(xué)化,消費(fèi)者對(duì)肉制品的需求更加趨于高質(zhì)量,口感細(xì)膩,營(yíng)養(yǎng)全面。牛肉味道鮮美、肉質(zhì)細(xì)膩、肉質(zhì)紋理清晰,營(yíng)養(yǎng)成分含量較高,是人們追求高質(zhì)量肉品的首選。但因牛肉高品質(zhì)、高售價(jià),目前有不法商販將各種低質(zhì)量肉類摻入牛肉中,以次充好,損害了消費(fèi)者的權(quán)益[2]。市場(chǎng)上常見的摻假牛肉及牛肉制品主要是用比較便宜的肉制品來(lái)部分或者全部代替高質(zhì)量的牛肉,特別是牛肉糜制品。其因原料肉的形態(tài)已經(jīng)發(fā)生了明顯的變化,肉眼無(wú)法分辨出來(lái)[3]。傳統(tǒng)的肉類摻假鑒別方法有感官評(píng)定、理化檢驗(yàn)以及DNA檢測(cè)法等[4-5],需要復(fù)雜的樣品前處理,試驗(yàn)操作過(guò)程繁瑣,耗時(shí)費(fèi)力。因此需要一種高效、環(huán)保、省時(shí)省力、無(wú)損的檢測(cè)方法對(duì)摻假牛肉產(chǎn)品進(jìn)行檢測(cè)。

高光譜成像技術(shù)是一種光譜技術(shù)與圖像技術(shù)相結(jié)合的綜合無(wú)損檢測(cè)技術(shù)。高光譜成像技術(shù)既可以獲得不同波長(zhǎng)處的光譜圖像信息又可以獲得光譜圖像上所反映的波長(zhǎng)信息,具有快速、綠色、高效、無(wú)需復(fù)雜前處理等優(yōu)點(diǎn)[6-7]。迄今為止,高光譜成像系統(tǒng)已被廣泛的運(yùn)用在肉類質(zhì)量品質(zhì)的檢測(cè),特別是肉類產(chǎn)品成分的檢測(cè)[8-12]、肉類產(chǎn)地的溯源[13]、肉類品種的鑒別[14]、肉類辨別的研究[15],如Zheng等[16]采用光譜的多重平均和預(yù)測(cè)相關(guān)空間分布系數(shù)處理光譜減少光譜的噪音,運(yùn)用特征波長(zhǎng)所建立的偏最小二乘模型預(yù)測(cè)羊肉糜中鴨肉的摻假?zèng)Q定系數(shù)達(dá)到0.98,證明近紅外高光譜技術(shù)在羊肉摻假中運(yùn)用的可行性。Zhao等[17]運(yùn)用侵入剔除優(yōu)化(Invasive weed optimization,IWO)結(jié)合最小二乘支持向量機(jī)(Least squares support vector machine,LS-SVM)建立的預(yù)測(cè)牛肉中摻入變質(zhì)牛肉的模型的正確辨別率高達(dá)95%。Yang等[18]在400～1000 nm波段范圍內(nèi)建立了基于多元線性回歸(Multiple linear regression,MLR)方法建立的在線監(jiān)控腌肉干燥過(guò)程中揮發(fā)性鹽基氮(Total volatile basic nitrogen,TVB-N)含量的模型,證明了高光譜技術(shù)在肉品檢測(cè)中運(yùn)用的可行性。

本試驗(yàn)研究近紅外高光譜成像技術(shù)對(duì)牛肉摻假的快速無(wú)損檢測(cè),試驗(yàn)選用高品質(zhì)的牛里脊肉為摻假對(duì)象,以相對(duì)較低價(jià)位的雞胸肉進(jìn)行摻假,對(duì)肉樣進(jìn)行簡(jiǎn)單的前處理,采集摻假樣品的高光譜圖像,選用最優(yōu)的建模方式建立預(yù)測(cè)牛肉摻假的定量預(yù)測(cè)模型,為國(guó)內(nèi)牛肉摻假的定量檢測(cè)提供數(shù)據(jù)支撐。

1 材料與方法

1.1 材料與儀器

新鮮牛肉、雞胸肉 世紀(jì)華聯(lián)超市,樣品密封在0～4 ℃小冰箱中快速運(yùn)至實(shí)驗(yàn)室。

HSI-eNIR-XC130型推掃式高光譜成像系統(tǒng)(主要部件包括:3900-ER光源 Illumination Technologies Inc,New York,USA;ImSpector V10E光譜儀 Spectral Imaging Ltd,Oulu,Finland;光譜分辨率為5 nm;CCD探測(cè)儀DL-604 M,Andor,Ireland;OLE2鏡頭 Schneider,German;IRCP0076-1COMB移動(dòng)平臺(tái) Isuzu Optics Corp,Taiwan,China) 臺(tái)灣五鈴光電股份有限公司;數(shù)據(jù)采集軟件 Spectral Image software,Isuzu Optics Corp,Taiwan,China;TLE204E/02電子分析天平 梅特勒-托利多儀器有限公司;JR06C-200絞碎機(jī) 浙江紹興蘇泊爾生活電器有限公司。

1.2 實(shí)驗(yàn)方法

1.2.1 樣品的制備 為了保證模型的準(zhǔn)確性,首先剔除原料肉的表皮、筋膜、血塊等,隨后運(yùn)用絞肉機(jī)將樣品肉絞至肉糜狀,然后按照一定摻假比例(2%～98%,其中摻假間隔為2%,每個(gè)樣總量為30 g)稱取相應(yīng)質(zhì)量的牛肉和雞肉樣品置于絞肉機(jī)中絞3 min使制取的樣品充分混勻,另外制取純雞肉和純牛肉樣品作為對(duì)照樣品,制備方法參照楊清華等[19]和孟一等[20],最后將制得的摻假樣品與對(duì)照樣品置于專用培養(yǎng)皿中(直徑60 mm,高10 mm)鋪平保持表面平整以備光譜掃描。每個(gè)摻假樣品和對(duì)照樣品制備 3個(gè)平行樣,總共153個(gè)樣本,其中摻假147個(gè),純牛肉糜和純雞肉糜各3個(gè),對(duì)相同摻假量的平行樣品所得到的光譜數(shù)據(jù)進(jìn)行平均計(jì)算,共得到51個(gè)平均光譜數(shù)據(jù)。

1.2.2 高光譜圖像的獲取與光譜的校正 為了保證光源的穩(wěn)定性,消除光譜儀自身的干擾,試驗(yàn)前30 min將高光譜設(shè)備打開進(jìn)行預(yù)熱,待光源穩(wěn)定之后進(jìn)行掃描。首先對(duì)高光譜設(shè)備進(jìn)行相關(guān)參數(shù)的設(shè)定,調(diào)整樣品與鏡頭間的最佳物距,多次采集樣品圖像,在保證所得樣品圖像不失真、不變形的前提下,確定最佳曝光時(shí)間與平臺(tái)移動(dòng)速度。經(jīng)過(guò)多次調(diào)整后,將近紅外高光譜曝光時(shí)間設(shè)置為4.25 ms,載物移動(dòng)平臺(tái)速度設(shè)置為7.27 mm/s,掃描間距為100 mm,掃描波段為900～1700 nm,圖像尺寸為640×512。然后將已摻假樣品置于載物臺(tái)上,把高光譜設(shè)備的暗箱門關(guān)閉后進(jìn)行掃描。

樣品高光譜圖像在采集過(guò)程中,由于光譜儀系統(tǒng)本身暗電流、照明單位以及樣品對(duì)光源反射的影響,需要對(duì)采集的光譜圖像進(jìn)行黑白校正,如下所示:

其中:RC為校正后的摻假樣品圖像；RO為摻假樣品的原始圖像；RB為暗背景圖像,其反射率為0%；RW為白板圖像,其反射率在99.9%左右。

1.2.3 數(shù)據(jù)的提取 高光譜圖像校正后,運(yùn)用圓形提取工具提取高光譜圖像的感興趣區(qū)域,通過(guò)計(jì)算感興趣區(qū)域所有像素的光譜反射率的平均值作為每個(gè)樣品的平均光譜數(shù)據(jù),共得到153組光樣品數(shù)據(jù),將相同摻假比例的樣品平均得到51組樣品數(shù)據(jù),運(yùn)用數(shù)據(jù)采集軟件Spectral Image Software對(duì)數(shù)據(jù)進(jìn)行處理。

1.3 模型的構(gòu)建與評(píng)價(jià)

將得到的51組數(shù)據(jù)按照摻假比例參考值從小到大的順序排列,按照2∶1的劃分方式分為校正集(34個(gè)樣品)與驗(yàn)證集(17個(gè)樣品),其中校正集樣品用于模型的建立,驗(yàn)證集樣品用于模型性能的驗(yàn)證。然后選用偏最小二乘回歸(Partial least squares regression,PLSR)算法和多元線性回歸(Multiple linear regression,MLR)算法建立辨別牛肉中雞肉摻假的定量分析模型。為了降低高光譜數(shù)據(jù)的高維共線性以及提高模型的運(yùn)算速度,選用PLS-β系數(shù)法、逐步回歸法(Stepwise)和連續(xù)投影算法(Successive projection algorithm,SPA)對(duì)全波段波長(zhǎng)進(jìn)行篩選,運(yùn)用篩選出的特征波長(zhǎng)建立簡(jiǎn)化的預(yù)測(cè)模型。

表1 摻假樣品全波段偏最小二乘模型的預(yù)測(cè)結(jié)果Table 1 PLSR model of predicting adulteration samples based on full wavelengths

2 結(jié)果與分析

2.1 摻假樣品光譜曲線的特征

肉中不同化學(xué)成分的電磁輻射造成在不同的波長(zhǎng)處出現(xiàn)特定的吸收峰。在近紅外波段中,這些吸收峰的出現(xiàn)主要是由于C-H、N-H、O-H和S-H等官能團(tuán)伸縮振動(dòng)的各級(jí)倍頻以及合頻形成。從圖1a中可以看出,51組平均摻假樣品的光譜反射率趨勢(shì)大體一致,不同摻假含量在特定波長(zhǎng)處的反射率不同,特別是在980、1200、1450 nm左右出現(xiàn)了較強(qiáng)的吸收峰,在980和1450 nm處出現(xiàn)的吸收峰是由于樣品中O-H鍵第二和第一泛音振動(dòng)所致,而在1200 nm處的吸收峰是由于C-H鍵第二泛音振動(dòng)所致[24-25]。圖1b為雞肉樣品、摻雞肉50%樣品和純牛肉樣品的光譜曲線,從圖中可以看出樣品光譜的反射率曲線相似,在950～1000 nm和1150～1350 nm范圍內(nèi),反射率明顯不同,可能是由于牛肉糜在摻假后因其脂肪、蛋白質(zhì)和水分含量的不同,造成光譜反射率的不同[26-27]。

圖1 摻假樣品的平均光譜Fig.1 Average spectral curve of adulteration samples注:a:摻假樣品平均光譜圖像;b:純牛肉、純雞肉和摻雞肉50%的平均光譜。

2.2 基于全波段偏最小二乘模型的建立

本試驗(yàn)將不同摻假比例的牛肉樣品與相應(yīng)的光譜數(shù)據(jù)進(jìn)行擬合,建立全波段(486個(gè)波長(zhǎng))偏最小二乘模型。表1為全波段偏最小二乘模型的預(yù)測(cè)結(jié)果,從表1中可以看出當(dāng)潛在變量數(shù)為3時(shí),所建全波段模型最優(yōu),校正集與交叉驗(yàn)證集的決定系數(shù)分別為0.98和0.97,接近于1,說(shuō)明實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)性較好,其均方根誤差分別為4.63%和5.65%接近于0,說(shuō)明模型的預(yù)測(cè)誤差較小,精度較高,從表1中可以看出RMSEP>RMSECV>RMSEC,說(shuō)明所選樣品代表性較好。圖2為PLSR模型樣品得分圖,XPC1與XPC2分別表示第一主成分與第二主成分對(duì)光譜(X)的解釋率(分別為73%和26%)、YPC1與YPC2表示第一、二主成分對(duì)預(yù)測(cè)變量(Y)的解釋率(分別為72%和22%)。從圖2中可以看出,光譜(X)的解釋率為99%(73%+26%)說(shuō)明所建立的模型具有可靠性,樣品的得分圖沒有離群值,說(shuō)明了所選樣品的有效性。將驗(yàn)證集帶入所建立的模型中,用于模型的驗(yàn)證,從表1中可以看出,驗(yàn)證集的決定系數(shù)和均方根誤差分別為0.96和5.75%且RPD為6.45>3[28-29],說(shuō)明了高光譜成像技術(shù)結(jié)合PLSR法對(duì)摻假肉檢測(cè)的可行性。

圖2 PLSR模型樣品得分圖Fig.2 Score samples of PLSR model

2.3 特征波長(zhǎng)的選擇

原始光譜中包含了大量的光譜數(shù)據(jù)且具有高維性和共線性問(wèn)題,影響所建模型的穩(wěn)定性與精確性并且增加了模型的運(yùn)算時(shí)間,選擇最優(yōu)變量是多元分析中的一個(gè)重要步驟,用于簡(jiǎn)化和優(yōu)化預(yù)測(cè)模型[30]。從圖3～圖5中可以看出,通過(guò)不同方法所挑選出來(lái)的特征波長(zhǎng)數(shù)量有所不同。

表2 摻假樣品特征波長(zhǎng)建立的偏最小二乘模型預(yù)測(cè)結(jié)果Table 2 Prediction results of PLSR model based on characteristic wavelength of adulteration samples

從圖3中可以看出通過(guò)PLS-β系數(shù)法所選出來(lái)的特征波長(zhǎng)數(shù)為5個(gè),分別為938.421、1081.573、1693.305、1694.963、1698.281 nm,相比全波段波長(zhǎng)數(shù)量減少了99%;圖4中可以看出,通過(guò)SPA篩選出特征波長(zhǎng)為7個(gè)分別為961.468、1086.508、1168.743、1458.51、1534.433、1691.646、1694.963 nm,波長(zhǎng)數(shù)量也減少了99%;圖5為通過(guò)stepwise法篩選出的特征波長(zhǎng)為4個(gè),分別為900.547、917.016、1076.639、1698.281 nm,相比全波段數(shù)量同樣減少了99.0%。

圖3 PLS-β系數(shù)法篩選出最優(yōu)波長(zhǎng)分布圖Fig.3 Distribution of optimal wavelengths selected by PLS-β

圖4 SPA篩選出最優(yōu)波長(zhǎng)分布圖Fig.4 Distribution of optimal wavelengths screened by SPA

圖5 Stepwise法篩選出最優(yōu)波長(zhǎng)分布圖Fig.5 Distribution of optimal wavelengths based on stepwise

2.4 偏最小二乘模型的優(yōu)化

2.5 MLR和PLSR摻假預(yù)測(cè)效果對(duì)比

表3 摻假樣品特征波長(zhǎng)建立的多元線性回歸模型預(yù)測(cè)結(jié)果Table 3 Prodiction resules of MLR model based on characteristic wavelength of adulteration samples

圖6 摻假樣品最優(yōu)模型(SPA-MLR)預(yù)測(cè)結(jié)果Fig.6 Prediction results of adulterated samples by optimal model(SPA-MLR)注:a:校正集與交叉驗(yàn)證集預(yù)測(cè)結(jié)果;b:驗(yàn)證集預(yù)測(cè)結(jié)果。

3 結(jié)論