何鴻舉,朱亞?wèn)|,王 魏,蔣圣啟,馬漢軍,2,陳復(fù)生,劉 璽,朱明明,趙圣明,王正榮

(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.河南工業(yè)大學(xué)糧油食品學(xué)院,河南鄭州 450001)

近年來(lái),隨著經(jīng)濟(jì)的快速增長(zhǎng),人們?cè)絹?lái)越追求高品質(zhì)生活,飲食追求已經(jīng)從最初的解決溫飽轉(zhuǎn)變?yōu)楦咂焚|(zhì)、高營(yíng)養(yǎng)。肉類作為一種重要的食物占據(jù)了很大的市場(chǎng)份額,我國(guó)是豬肉生產(chǎn)大國(guó)同時(shí)也是消費(fèi)大國(guó)[1]。近年來(lái),豬肉產(chǎn)品問(wèn)題越發(fā)嚴(yán)重,市場(chǎng)上“以次充好、以假亂真”的狀況日益普遍,如往豬肉里添加其他動(dòng)物源的肉來(lái)降低成本,或用一些邊角料來(lái)?yè)郊?這不僅擾亂了市場(chǎng)持續(xù),嚴(yán)重的損害了消費(fèi)者的利益,還嚴(yán)重威脅到廣大人民群眾的安全健康[2]。此外,肉及肉制品摻假還會(huì)帶來(lái)一些其他方面的問(wèn)題,例如宗教問(wèn)題、過(guò)敏源的標(biāo)識(shí)問(wèn)題等[3]?？ɡz常被用于肉制品,雖說(shuō)其無(wú)毒、無(wú)害、無(wú)副作用,擁有良好的保水性,使用后可改善肉制品的性質(zhì),賦予良好的口感[4],但是違法使用則會(huì)導(dǎo)致不良后果,如在膠中摻加工業(yè)色素、防腐劑等物質(zhì)。傳統(tǒng)的檢測(cè)方法包括感官評(píng)定法、化學(xué)檢測(cè)法(酶聯(lián)免疫吸附測(cè)定、聚合酶鏈反應(yīng)),這些手段雖然檢測(cè)精度高,但存在耗費(fèi)時(shí)間長(zhǎng)、成本投入大、操作復(fù)雜、對(duì)工藝要求高、以及對(duì)檢測(cè)肉的機(jī)械破壞等缺點(diǎn),使得傳統(tǒng)的操作方法已經(jīng)不適應(yīng)快節(jié)奏的生產(chǎn)加工及銷售模式[5]。因此,發(fā)展快速、無(wú)損、實(shí)時(shí)、高效的摻假檢測(cè)技術(shù)具有重大意義。

近紅外高光譜成像技術(shù)是近幾年來(lái)發(fā)展起來(lái)的的一項(xiàng)新型非破壞性檢測(cè)技術(shù),融合了計(jì)算機(jī)技術(shù)、光學(xué)、信號(hào)處理等多個(gè)學(xué)科[6-7]。近紅外高光譜成像技術(shù)運(yùn)用近紅外光譜區(qū)與有機(jī)分子中含氫基團(tuán)振動(dòng)的合頻和各級(jí)倍頻的吸收區(qū)一致等優(yōu)點(diǎn)，結(jié)合圖像學(xué)技術(shù)實(shí)現(xiàn)對(duì)摻假樣品的快速無(wú)損檢測(cè),具有方便、快速、高效、不破壞樣品和圖譜合一[8]等優(yōu)點(diǎn),近年來(lái),近紅外高光譜技術(shù)已應(yīng)用于果蔬產(chǎn)品的品質(zhì)分析與無(wú)損檢測(cè)[9-10],如檢測(cè)荔枝果皮中花青素的含量[11]、葡萄果實(shí)內(nèi)部品質(zhì)指標(biāo)[12]、藍(lán)莓果實(shí)的糖度和硬度[13]、柑橘和臍橙的潰瘍病[14-15]、枇杷和桃的果實(shí)缺陷[16-19]、馬鈴薯外部的品質(zhì)[20]、黃瓜凍害[21]以及西瓜種子[22]、番石榴和人心果[23]等果蔬的分類。

鑒于高光譜成像技術(shù)的優(yōu)勢(shì),本試驗(yàn)旨在探究近紅外高光譜成像技術(shù)快速檢測(cè)注膠肉的可行性。首先選用豬里脊肉為摻假對(duì)象,摻入不同濃度卡拉膠,通過(guò)獲取光譜信息構(gòu)建數(shù)學(xué)模型,實(shí)現(xiàn)注膠肉的快速評(píng)價(jià),為近紅外高光譜成像技術(shù)用于肉品摻假檢測(cè)提供數(shù)據(jù)支撐。

1 材料與方法

1.1 材料與儀器

豬里脊肉 河南省新鄉(xiāng)市世紀(jì)華聯(lián)超市,在實(shí)驗(yàn)室去膜(表面的結(jié)締組織),切碎,再用絞肉機(jī)充分?jǐn)嚢柚寥饷?卡拉膠 浙江一諾生物科技有限公司。

HSI-eNIR-XC130型推掃式近紅外高光譜成像系統(tǒng) 臺(tái)灣五鈴光電股份有限公司;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;TLE205E電子分析天平 梅特勒-托利多上海有限公司;SUPOR家用絞肉機(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 2%濃度卡拉膠溶液制備 2 g的卡拉膠加入100 mL蒸餾水。

1.2.2 摻膠豬肉糜制備 摻入卡拉膠濃度梯度為0～30%,注膠梯度為2%,注膠豬肉糜總質(zhì)量為30 g,將得到的注膠樣品置于專用培養(yǎng)皿中(直徑60 mm,高10 mm)將樣品表面鋪平,然后進(jìn)行數(shù)據(jù)采集,每個(gè)梯度各做5個(gè)平行樣品,共80個(gè)注膠樣本。

1.2.3 高光譜系統(tǒng)參數(shù)設(shè)置 為了保證光源的穩(wěn)定及光譜采集的準(zhǔn)確性,實(shí)驗(yàn)前開啟高光譜設(shè)備預(yù)熱30 min。待儀器穩(wěn)定后對(duì)高光譜儀器進(jìn)行參數(shù)設(shè)定和儀器黑白板校準(zhǔn)。具體參數(shù)為:載物臺(tái)移動(dòng)速度為7.27 mm/s,設(shè)置調(diào)整近紅外高光譜系統(tǒng)的曝光時(shí)間為4.25 ms,鏡頭掃描范圍為100～200 mm,掃描波段為900～1700 nm,圖像尺寸為640×512。

1.2.4 模型構(gòu)建 獲取高光譜圖像后,用軟件HSI Analyzer將掃描后得到的高光譜圖像進(jìn)行校正,確定感興趣區(qū)域,提取感興趣區(qū)域內(nèi)的光譜信息,建立偏最小二乘模型。選用連續(xù)投影算法(Successive projection algorithm,SPA)對(duì)全波段模型進(jìn)行優(yōu)化。

1.3 數(shù)據(jù)處理

將得到的80個(gè)樣品數(shù)據(jù)與摻假比例一一對(duì)應(yīng),按照2∶1(校正集∶預(yù)測(cè)集)比例劃分為校正集與預(yù)測(cè)集,校正集用于模型構(gòu)建,預(yù)測(cè)集用于模型驗(yàn)證。運(yùn)用數(shù)據(jù)處理軟件Unscrambler 9.7對(duì)數(shù)據(jù)進(jìn)行處理,運(yùn)用Matlab R2010b進(jìn)行特征波長(zhǎng)的選擇,然后建立偏最小二乘(Partial least square,PLS)模型和多元線性回歸(Multiple linear regression,MLR)模型。模型性能由校正集均方根誤差(Root mean square error of calibration,RMSEC)、交叉驗(yàn)證集均方根誤差(Root mean square error of cross validation,RMSECV)、預(yù)測(cè)均方根誤差(Root mean square error of prediction,RMSEP)、相關(guān)系數(shù)(R)的值以及預(yù)測(cè)偏差(Residual predictive deviation,RPD)來(lái)評(píng)價(jià)[24]。

2 結(jié)果與分析

2.1 注膠肉的光譜特征

從圖1a可看出,每個(gè)樣本的平均光譜曲線是一條光滑的曲線,在900～1700 nm的范圍內(nèi),每個(gè)樣品的反射率有所不同,但光譜變化總趨勢(shì)大致相同,在980、1200以及1450 nm處有明顯的吸收峰,其中980、1450 nm處出現(xiàn)的吸收峰主要是由于水分含量(O-H)不同所引起的,在1200 nm左右出現(xiàn)的吸收峰主要是由于C-H鍵第二泛音振動(dòng)所引起的[25]。圖1b中可以看出隨著摻膠量的增加樣品光譜反射率逐漸增大,造成這樣現(xiàn)象的原因是由于含膠量的增加導(dǎo)致肉糜產(chǎn)品的保水性增強(qiáng)以及含水量的升高,高含水量肉糜中含H基團(tuán)含量增加,致使樣品的反射率增強(qiáng)。

圖1 注膠樣品的光譜曲線特征Fig.1 Spectral curve of adulteration samples注:a:注膠樣品的平均光譜圖像;b:0、10%、20%、30%摻膠量和里脊肉的平均光譜圖像。

2.2 全波段偏最小二乘預(yù)測(cè)模型

將光譜數(shù)據(jù)與注膠比例進(jìn)行擬合,按照2∶1(校正集∶預(yù)測(cè)集)的比例,選出53個(gè)樣本作為校正集,剩余樣本作為預(yù)測(cè)集,利用偏最小二乘法(PLS)建立注膠肉模型。用預(yù)測(cè)集來(lái)檢驗(yàn)全波段偏最小二乘預(yù)測(cè)模型的預(yù)測(cè)性能,結(jié)果見表1。其中校正集與交叉驗(yàn)證集的相關(guān)系數(shù)(RC)分別為0.98、0.97,均方根誤差(RMSEC)分別為1.74%、2.35%,校正集與交叉驗(yàn)證集相關(guān)系數(shù)均接近于1,表明所建立的預(yù)測(cè)模型預(yù)測(cè)值與真實(shí)值相關(guān)性較好,能較準(zhǔn)確的預(yù)測(cè)出卡拉膠的摻入量,其均方根誤差均較小接近于0,表明所建模型的誤差較小。為了檢驗(yàn)?zāi)Ｐ?將預(yù)測(cè)集樣品帶入所建立的模型中,得到預(yù)測(cè)集相關(guān)系數(shù)(RP)為0.93,均方根誤差(RMSEP)為3.16%,RPD>2.5,表明所建立的模型性能較好,精確度較高。綜上分析得出,基于全波段所建立的PLS模型在預(yù)測(cè)注膠肉摻加量方面具有較好的適用性。

表1 全波段偏最小二乘模型預(yù)測(cè)注膠肉Table 1 PLS model for predicting glue-injected meat using full wavelength

表2 基于特征波長(zhǎng)預(yù)測(cè)注膠肉Table 2 Predicting glue-injected meat based on characterisctic wavelengths

2.3 特征波長(zhǎng)選擇

高光譜數(shù)據(jù)中包含了大量信息,具有高緯度和共線性問(wèn)題,其中一些相關(guān)性不強(qiáng)的光譜信息會(huì)影響所建模型的精確性,增加模型的運(yùn)算時(shí)間,降低工作效率[26-28]。高光譜系統(tǒng)采集的光譜數(shù)據(jù)包括兩部分,一部分光譜數(shù)據(jù)與所研究的樣本特性相關(guān)性較大;另一部分光譜信息與建立的模型預(yù)測(cè)性能的相關(guān)性較小,繁多的無(wú)用波段影響數(shù)據(jù)的處理和分析[29]。為篩選出最優(yōu)波長(zhǎng),簡(jiǎn)化模型,提高運(yùn)算效率,本試驗(yàn)選用連續(xù)投影的方法(SPA)篩選最優(yōu)波長(zhǎng),結(jié)果如圖2。

圖2a為利用SPA篩選出的特征波長(zhǎng)分布圖,共選擇出11個(gè)特征波長(zhǎng),分別為903.84、913.72、935.13、961.47、1070.06、1124.34、1175.32、1397.52、1455.21、1527.83、1676.72 nm;與全波段486個(gè)波長(zhǎng)相比,波長(zhǎng)數(shù)量減少了97%。圖2b為特征波長(zhǎng)數(shù)量與均方根誤差關(guān)系圖,當(dāng)最優(yōu)波長(zhǎng)數(shù)從1增加到6時(shí),均方根誤差逐漸減小,最優(yōu)波長(zhǎng)數(shù)從6增加到8時(shí),均方根誤差有增長(zhǎng)的趨勢(shì),但是增加幅度較小,當(dāng)最優(yōu)波長(zhǎng)大于8時(shí),均方根誤差逐漸下降,選擇波長(zhǎng)數(shù)為11其均方根誤差為2.4789時(shí),為最優(yōu)波長(zhǎng)數(shù)。

圖2 基于連續(xù)投影算法挑選最優(yōu)波長(zhǎng)Fig.2 The optimal wavelengths selected by SPA

2.4 SPA-PLS和SPA-MLR模型的建立

特征波長(zhǎng)篩選后,其波長(zhǎng)變量數(shù)小于樣品個(gè)數(shù),選用PLS和MLR建模方式建立模型,將選擇的11個(gè)特征波長(zhǎng)作為輸入變量組成11×80矩陣構(gòu)建簡(jiǎn)化模型(SPA-PLS,SPA-MLR)。由表2可知,當(dāng)潛在變量數(shù)為8時(shí),所建立的PLS預(yù)測(cè)模型最優(yōu)。SPA-PLS簡(jiǎn)化模型校正集,交叉驗(yàn)證集和預(yù)測(cè)集的相關(guān)系數(shù)分別為0.97、0.95和0.93,說(shuō)明所建立的簡(jiǎn)化模型真實(shí)值與預(yù)測(cè)值相關(guān)性也達(dá)到了較好的結(jié)果,其均方根誤差RMSEP(3.51%)>RMSECV(2.73%)>RMSEC(1.96%),說(shuō)明了所建簡(jiǎn)化模型的準(zhǔn)確性較高,建模所選擇的樣品具有較好的代表性,簡(jiǎn)化模型的穩(wěn)定性較好。

建立的簡(jiǎn)化模型SPA-MLR預(yù)測(cè)結(jié)果可知,RP=0.92,RMSEP=3.62%,其預(yù)測(cè)精度以及RPD低于SPA-PLS預(yù)測(cè)精度,ΔE(RMSEP與RMSEC差的絕對(duì)值)為1.99%>1.55%,說(shuō)明模型的穩(wěn)定性也低于SPA-PLS。與全波段PLS模型相比,SPA-PLS模型預(yù)測(cè)卡拉膠含量的精度與全波段PLS模型基本相同,但利用11個(gè)最優(yōu)波長(zhǎng)所構(gòu)建的SPA-PLS模型,其波長(zhǎng)數(shù)量減少了97.7%,大大提高了模型的運(yùn)算效率,因此運(yùn)用SPA結(jié)合PLS算法建立預(yù)測(cè)模型可以實(shí)現(xiàn)對(duì)摻膠豬肉的快速無(wú)損檢測(cè),且其結(jié)果優(yōu)于孟一等[30]研究。最優(yōu)模型SPA-PLS結(jié)果如圖3所示,圖3a為簡(jiǎn)化模型預(yù)測(cè)能力結(jié)果圖,圖3b為對(duì)簡(jiǎn)化模型的驗(yàn)證結(jié)果圖。

圖3 SPA-PLS模型預(yù)測(cè)結(jié)果Fig.3 The prediction results by SPA-PLS注:a:優(yōu)化模型校正集與交叉驗(yàn)證集預(yù)測(cè)結(jié)果;b:預(yù)測(cè)集預(yù)測(cè)結(jié)果。

3 結(jié)論

本試驗(yàn)運(yùn)用近紅外高光譜成像技術(shù)對(duì)注膠肉進(jìn)行快速無(wú)損檢測(cè)。首先基于全波段光譜構(gòu)建PLS模型,預(yù)測(cè)效果良好(RC=0.98,RMSEC=1.74%,RP=0.93,RMSEP=3.16%,RPD=2.96)。為了提高建模效率,運(yùn)用SPA法從全波段中篩選出11個(gè)特征波長(zhǎng),建立基于特征波長(zhǎng)的SPA-PLS模型和SPA-MLR模型,預(yù)測(cè)效果依然良好。其中SPA-PLS模型預(yù)測(cè)效果最優(yōu)(Rp=0.93,RMSEP=3.51%,RPD=2.66)。近紅外高光譜成像技術(shù)結(jié)合連續(xù)投影算法可潛在實(shí)現(xiàn)注膠肉的快速無(wú)損檢測(cè)。