馬嬌妍 ，曹希越 ，韓憲忠，王克儉，淑英，王媛

1.河北農業(yè)大學（保定 071000）；2.國家羊肉加工技術研發(fā)專業(yè)中心-衡水志豪畜牧科技有限公司（衡水 053000）

羊肉味道鮮美，既能抵御風寒又可補身體，隨著羊肉銷量逐漸增加[1]，消費者對羊肉品質的要求越來越高，食品安全問題受到關注[25]。冷鮮肉在4 ℃下進行儲藏，和家用冰箱溫度相符。在冷藏期間肉類的新鮮度會隨著時間增加而變化，經研究發(fā)現(xiàn)，揮發(fā)性鹽基氮（TVB-N）[14]在腐敗過程中使蛋白質分解并產生化學物質，這種物質對肉類營養(yǎng)價值造成很大影響，pH是肉類最基本的檢測指標，可作為反映肉類新鮮程度的主要指標。目前該項工作的重點任務，一是原料肉品質提升技術：通過改善飼料品質、加強飼養(yǎng)管理、減少農獸藥殘留等技術，提供優(yōu)質原料肉；加強宰前管理，減少宰前應激，利用宰后排酸成熟技術，肉品摻假技術檢測，保障原料肉品品質。二是加工過程控制技術：利用腌制、滾揉、凍結等技術，研究發(fā)色劑、品質改良劑等作用，開發(fā)出羊肉調理制品。三是產品質量控制技術：研究天然保鮮劑、包裝技術，利用數(shù)學模型推測肉中微生物變化，以延長產品貨架期。任務目標為：以河北省羊肉品牌“愛揚”為中心，打造“愛揚”系列羊肉調理制品。

冷鮮羊肉儲藏期間依據(jù)傳統(tǒng)的檢測方法例如各種感官判定、理化分析等，耗費時間長、有損害，依據(jù)如今快節(jié)奏的生活發(fā)展，需要找一種快速、精準、無損傷的檢測方法[2,26]。2016年，汪明輝[13]檢測標準有通過腐敗分解產物特異性和數(shù)量變化進行分析，采用神經網絡進行建模，從而預測肉類的新鮮度。近些年，新鮮度檢測更傾向于檢測TVB-N[11]，利用高光譜成像技術[8,22]、近紅外光譜[16,24]、多光譜技術[6]等在進行肉品新鮮度快速無損檢測。2017年，姜新華[4]從不同理化成分和微生物的變化進行檢測，通過對4種指標建立新鮮度等級劃分，發(fā)現(xiàn)在新鮮度的建模上采取BP網絡進行分類的精度更高。趙晶等[9]針對橫山羊肉在不同儲藏溫度下進行羊肉DNA質量的變化，發(fā)現(xiàn)不同溫度下貯藏新鮮度不同，理化性質也隨著時間的延長，發(fā)生不同程度的變化。但是沒有檢測pH、TVB-N對羊肉品質方法的影響。

多光譜成像技術（300～1 700 nm）[12,15]具有精度高、分辨率高等特點，利用光譜技術可通過光譜數(shù)據(jù)對肉類指標進行定量分析。但近幾年在冷鮮羊肉預測與分級方面的研究仍不足，依據(jù)市場研究調查，大多數(shù)消費者采用冷鮮的方式較多，因此有必要開展對冷鮮羊肉新鮮度的快速檢測研究。

選取樣品為冷鮮羊肉，采取部位是羊里脊，基于多光譜技術在羊肉檢測的應用，將光譜數(shù)據(jù)利用不同預處理方法[3,5]提高建模性能，通過建立偏最小二乘模型選取最優(yōu)預處理方法，建立光譜數(shù)據(jù)的偏最小二乘[17]、灰色馬爾科夫[18]、邏輯回歸的預測模型[19]和KNN[10]分級模型，選取最優(yōu)模型，為相關研究提供參考。

1 材料與方法

1.1 材料

試驗時間為7～8月，樣品取自河北省保定市某屠宰場，主要取自2歲左右小尾寒羊的羊里脊部位，將脂肪剔除后，把購買的肉用保鮮膜包裝，放入4 ℃冰箱中進行冷藏。將采買后的肉按照每份20 g（大小約30 mm×25 mm×6 mm）與10 g（大小約25 mm×20 mm×5 mm）進行切塊，共80份，其中40份是用于檢測TVB-N，40份用于檢測pH。將分好的樣本儲藏在溫度4 ℃冰箱中，每天取出3個樣本進行檢測，進行光譜檢測，再用化學方法檢測TVB-N含量與pH，到羊肉變質時結束試驗。

1.2 儀器與設備

多光譜圖像采集系統(tǒng)為海洋光學的微型光譜儀NQ512-1.7、NQ51B0844（光學分別率3.1 nm FWHM w/25 μm狹縫，波長范圍320～1 700 nm，數(shù)據(jù)獲取源于Oceanview軟件，光源為HL-2000系列鹵鎢光源，Ocean Optics（Shanghai）Co.，Ltd.）。

1.3 方法

1.3.1 多光譜圖像采集

由于羊肉的脂肪部分對光譜的反射會有影響，故將樣本中羊肉多余的脂肪與筋膜剔除掉。整個光譜檢測的過程均在暗箱中完成，采集前需要將儀器預熱30 min，把羊肉放在載物臺上進行掃描，采集時需要設置好積分時間與移動速度。試驗設置積分時間100 ms、滑動平均寬度3、平均掃描次數(shù)15，經過黑白校正后的反射率在電腦上自動顯示，每次掃描10個點，每次采集后取平均光譜作為參考光譜。

1.3.2 pH與TVB-N的測定

按照GB 5009.237—2016《食品安全國家標準 食品pH值的測定》測定pH[20]；按照GB/T 5009.44—2003《肉與肉制品衛(wèi)生標準的分析方法》測定TVB-N含量[21]，采用半微量定氮法。

1.3.3 多光譜數(shù)據(jù)預處理

采用MATLAB與SPSS軟件進行數(shù)據(jù)預處理并進行特征波長提取操作，采用一階導、二階導、標準正態(tài)、矢量歸一化、小波變換這5種數(shù)據(jù)預處理方法，對羊肉的pH與TVB-N的原始全波段光譜進行預處理?；赑LSR模型基礎上將原始光譜數(shù)據(jù)與預處理方法進行對比。預測模型用均方根誤差（δRMSE）、相關系數(shù)（R）進行判別。

1.3.4 模型建立

試驗采用PLSR、灰色馬爾科夫、logistics這3種模型建立冷鮮羊肉的預測模型及分級模型，分級模型采用K近鄰（KNN）算法[7]與PLSR算法，根據(jù)國家標定的新鮮度分級標準，將冷鮮羊肉分為“新鮮”“次新鮮”“變質”，兩者用識別率進行比較，選取最優(yōu)模型。針對光譜數(shù)據(jù)與建模算法的處理采用MATLAB R2016a軟件進行處理。

2 結果與討論

2.1 多光譜反射率曲線分析

對冷鮮羊肉樣品的光譜數(shù)據(jù)進行采集，得到的光譜曲線如圖1所示。

光譜儀器在掃描過程中不同區(qū)域的反射率不同，其中，冷鮮羊肉的反射率在450～500 nm波段，光譜反射率偏高，540～680 nm波段，光譜反射率偏低。反射率在9～45之間部分的為新鮮羊肉反射率，50以上部分為次新鮮反射率，9以下為變質羊肉反射率，差異性還是明顯可區(qū)分的，為冷鮮羊肉的新鮮度判別提供可靠信息。

在可見光區(qū)域中，由于羊肉的化學成分有所差異，產生的近紅外吸收基團都是C—H、N—H、O—H等含氫基團，且可見光波段的反射顏色隨時間的變化由鮮紅色變?yōu)榘导t色，反射率就會不同，所以在光譜上會呈現(xiàn)不同差異。

圖1 冷鮮羊肉原始光譜曲線圖

2.2 pH與TVB-N結果分析

平均pH隨儲藏時間的變化趨勢如圖2所示。

隨著冷藏時間變長，pH呈現(xiàn)先下降后上升趨勢，這是由于羊肉受體內微生物生長，肌肉中的物質酵解會對pH產生影響。但整體趨勢呈上升趨勢，意味著羊肉在逐漸變質。

由圖3可以得知，隨冷藏時間增加，TVB-N含量不斷增加，證明羊肉在不斷變質。

圖2 pH隨冷藏天數(shù)的變化

圖3 TVB-N含量隨冷藏天數(shù)的變化

2.3 數(shù)據(jù)預處理方法的選擇

光譜采集系統(tǒng)放置于暗箱中，用于減少外界光源的干擾，另外有一臺計算機連接光譜儀，用于獲取光譜掃描后的數(shù)據(jù)。由于多光譜檢測之后的數(shù)據(jù)量太大，檢測時會受到周圍環(huán)境、測量條件等多方面因素的影響，取得的數(shù)據(jù)存在無用信息與噪聲，會對后期建立預測模型與分級模型造成影響，為降低干擾、提高信噪比，所以需要對數(shù)據(jù)進行處理。

不同顏色代表不同時間的光譜反射率。從圖4中得知，冷鮮羊肉光譜數(shù)據(jù)和TVB-N、pH建立的偏最小二乘模型，二階導的處理性能最優(yōu)，可以減少較多光線與噪聲的干擾，可以提高光譜與TVB-N、pH之間的線性關系。

從圖4中不同預處理和原始光譜的對比可以得出，經過數(shù)據(jù)預處理后的數(shù)據(jù)去除了噪聲與無關信息的干擾，從中提取出有用并且準確的數(shù)據(jù)信息。

二階導進行數(shù)據(jù)預處理的方法是為了減少不同數(shù)據(jù)組分之間的相互干擾，經過處理后的光譜數(shù)據(jù)可以放大光譜中微弱的有用信號。表1是5種預處理方法基于偏最小二乘模型下得到的冷鮮羊肉回歸模型結果。

經過二階導處理后的光譜曲線的波段范圍在600～1 000 nm，R=1.001 3，δRMSE=1.378 9，可以較好預測冷藏期間的羊肉新鮮度。

圖4 不同數(shù)據(jù)預處理結果

表1 不同數(shù)據(jù)預處理評價結果

2.4 建模方法及建模結果的比較分析

不同建模方法對數(shù)據(jù)得出的效果不同。采用偏最小二乘（PLSR）、灰色馬爾科夫、logistic模型與TVB-N、pH進行模型的建立，并進行分析與比較，用R、δRMSE作為評價模型的指標，從而確定最優(yōu)模型。

偏最小二乘建?？梢圆檎倚迈r度指標與光譜反射率之間的關系，原理是將自變量數(shù)據(jù)矩陣x（光譜反射率）與因變量數(shù)據(jù)矩陣y（新鮮度指標pH、TVB-N）構成數(shù)據(jù)表X、Y，從中提取能夠代表各自表中變異信息的成分t1、u1，并且兩成分的相關性強，建立X對t1的回歸、Y對u1的回歸，不斷迭代直到達到精度要求為止，進行殘差矩陣對提取出的m個t1進行回歸，變?yōu)閅對x的回歸方程。具體建模步驟為

1) 將自變量新鮮度指標{x1,x2,...,xp}，因變量光譜反射率{y1,y2,...,yq}進行數(shù)據(jù)標準化，得到標準化變量矩陣E0和標準化列向量f0。

2) 從標準化變量矩陣中提取第一個成分，并經E0和f0在t1上的回歸。并在此基礎上提取第二個成分，不斷迭代。

3) 實施f0對t1,t2,…,tm的回歸：=r1t1+r2t2+…+rmtm寫成xj（j=1,…,p）形式。

在得到回歸方程后就可對模型進行檢驗，用判定系數(shù)R與均方根誤差δRMSE進行模型判定，相關系數(shù)越接近1越好，與此同時均方根誤差越小越好。

式中：n是樣本數(shù)，個；yi為第i個樣本的實際值；為第i個樣本的預測值；是所樣本的平均值；R是采用PLS主成分數(shù)。

灰色馬爾科夫建模方法主要是根據(jù)狀態(tài)轉移變化，計算初始狀態(tài)轉移概率矩陣并進行預測，最終得到預測出的新鮮度指標，適用于數(shù)據(jù)較少、變化浮動不是很大的時間序列。

logistics模型可以說是線性回歸的優(yōu)化，可以實現(xiàn)多重回歸，對不連續(xù)因變量的回歸可以有效地進行求解，把在線性回歸中離散的點的反射率映射到0到1之間，由直線變?yōu)榍€可以更好地對新鮮度指標進行預測。

2.4.1 TVB-N建模結果

采用PLSR方法進行模型的建立，其中R與δRMSE分別是0.983 5和1.599 7，均高于灰色馬爾科夫模型與logistics模型。

圖5為基于TVB-N與光譜數(shù)據(jù)的冷鮮羊肉預測模型，左圖為邏輯預測模型，右圖的PLSR預測模型，對比可得，右圖為PLSR模型預測效果最優(yōu)?；赥VB-N與光譜數(shù)據(jù)的預測模型的結果如表2所示。

偏最小二乘（PLSR）適合自變量的情況下進行回歸并建立模型，并且適合樣本個數(shù)少于變量數(shù)的條件下建模，模型中的以光譜反射率作為擬合的自變量，pH與TVB-N為應變量。根據(jù)判別系數(shù)建立PLSR預測模型的相關系數(shù)達到0.983 5，效果均高于灰色馬爾科夫與logistics模型。

圖5 基于TVB-N與光譜數(shù)據(jù)的冷鮮羊肉預測模型

表2 基于TVB-N與光譜數(shù)據(jù)不同模型預測結果

2.4.2 pH建模結果

基于pH與光譜數(shù)據(jù)預測模型如圖6所示。

在預處理后的數(shù)據(jù)分別采用邏輯模型、PLSR模型進行預測，結果表明圖6中右圖效果最優(yōu)。

圖6 基于pH與光譜數(shù)據(jù)的冷鮮羊肉預測模型

由表3可知，采用PLSR方法進行預測模型建立，其中R與δRMSE分別是0.997 3和0.038 3，均高于灰色馬爾科夫模型與logistics模型。

表3 基于pH與光譜數(shù)據(jù)不同模型預測結果

2.5 分級模型的比較

試驗在基于TVB-N預測模型的基礎上對冷鮮羊肉進行分級模型的建立。根據(jù)國標可知，肉中TVB-N＜ 15 mg N/100 g時為新鮮，15～25 mg N/100 g為次新鮮，＞25 mg N/100 g為變質。從圖2中可以發(fā)現(xiàn)在前2和3 d時冷鮮羊肉處于新鮮狀態(tài)，在第13天之后已經變質。

k近鄰分類算法是將在特征空間中的k個最相似的樣本中的大多數(shù)分為一類。新鮮度的劃分按照規(guī)定分為3類，類別較少適用于KNN算法。算法采用歐氏距離方法，通過已知類別的點與當前點的距離，選擇出與當前距離最小的k個點并確定前k個點所在類別的出現(xiàn)概率，跟出現(xiàn)頻率最高類別作為當前點的預測分類。

分級模型采用的是k近鄰模型（KNN）與PLSR模型進行分級，將羊肉分為3類：新鮮、次新鮮、變質，分別用0，1和2表示。由結果可以得出KNN算法在k值為2時識別率最高，可達到90%，PLSR的識別率為80%，顯然KNN的分級效果優(yōu)于PLSR和logistics的分級結果。結果如表4所示。

表4 PLSR分級結果

3 結論

對新鮮度指標pH與TVB-N含量的變化進行規(guī)律總結與分析，通過不同預處理方法利用偏最小二乘方法進行預測模型建立，得到羊肉pH和TVB-N含量的最優(yōu)光譜預處理方法：二階導，在此基礎上進行PLSR、logistics、灰色馬爾科夫預測模型建立，并選出最優(yōu)建模方法，均為PLSR，pH最優(yōu)模型的R、δRMSE分別為0.997 3和0.038 3，TVB-N最優(yōu)模型的R、δRMSE分別為0.983 5和1.599 7，預測結果很好。KNN模型、logistics與PLSR算法進行冷鮮羊肉分級模型的建立，結果表明KNN分級結果最準確，識別率可達99%。因此，利用多光譜技術的冷鮮羊肉新鮮度分析與分級可行。