楊少壯,李燦,李辰,3*,王志琪,黃略略

1(深圳華大生命科學研究院,廣東 深圳,518083) 2(深圳市太赫茲科技創(chuàng)新研究院,廣東 深圳,518102) 3(深圳麥科田生物醫(yī)療技術(shù)有限公司,廣東 深圳,518055) 4(深圳職業(yè)技術(shù)學院 應用化學與生物技術(shù)學院,廣東 深圳,518055)

肉類作為人類生活中重要的營養(yǎng)來源和能量補充物質(zhì),具有龐大的市場需求,在百姓生活中扮演著極為重要的角色。近年來,異種肉摻雜、低劣肉偽裝高檔肉、“僵尸肉”等肉類假冒偽劣和欺詐行為事件頻頻發(fā)生,嚴重影響消費者的健康和生活,更甚者涉及到宗教信仰問題,破壞社會安定。因此,開發(fā)高效、靈敏、快速的肉類鑒別技術(shù)尤其是對原料肉的鑒別檢驗方法和體系,有利于打擊肉類摻假和欺詐行為,具有非常重要的實用價值和社會意義。

目前,肉類鑒別技術(shù)主要包括傳統(tǒng)感官檢驗技術(shù)[1-3]、分析色譜[4-5]和電泳[6-7]等化學方法、基因?qū)W技術(shù)[8-9]、免疫學技術(shù)[10-11]等較為成熟的鑒別技術(shù),在實際應用中也得到較為廣泛的應用,但仍受到樣品前處理流程繁雜、操作環(huán)境要求高、檢測設備不便攜等方面的限制。隨著高效靈敏的光譜分析技術(shù)和方法的不斷發(fā)展,極大提高了肉類檢測的效率,其中紅外光譜分析技術(shù)已經(jīng)在肉類檢測中得到初步應用。同時,具有物質(zhì)成分分析和細微結(jié)構(gòu)檢測能力，可同時獲取多種光譜參數(shù)信息且無損的太赫茲光譜分析技術(shù),也逐漸應用在相關(guān)的肉類檢測研究領(lǐng)域中,如利用太赫茲光譜區(qū)分不同的組織器官[12]、開展豬肉組織鑒別[13-14]、檢測豬肉K值以衡量其新鮮度[15]等肉類本身的識別與檢測研究。除此之外,也有相關(guān)單位利用太赫茲技術(shù)對肉類中可能存在的異物進行檢測[16],展現(xiàn)出了太赫茲技術(shù)較強的檢測能力和應用可行性。目前,關(guān)于太赫茲與肉類相關(guān)的研究,大部分都是采用新鮮組織作為測試樣品,實驗結(jié)果受水分的影響較大,測試結(jié)果穩(wěn)定性和重復性不佳。主成分分析(principle component analysis,PCA)是面向模式分類的特征提取最典型的工具。PCA作為經(jīng)典的特征提取方法,是在不減少原始數(shù)據(jù)所包含的內(nèi)在信息前提下,將原始數(shù)據(jù)轉(zhuǎn)化為維數(shù)較少的“有效”特征成分來表示(俗稱降維),使其在統(tǒng)計均方意義下達到方差最優(yōu)的目的[17]。支持向量機(support vector machine,SVM)是由Vapnik 提出的基于統(tǒng)計學理論的一種新的機器學習方法,屬于一種有監(jiān)督的學習算法[18]。SVM在解決小樣本、非線性以及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢,它能夠克服“維度災難”,解決過學習問題,具有良好的分類準確性(由有限訓練樣本得到的決策規(guī)則對獨立的測試集仍能夠得到小的誤差)[19]。PCA與SVM結(jié)合可實現(xiàn)物質(zhì)成分的有效識別。

本文基于太赫茲時域光譜技術(shù)(terahertz time domain spectroscopy,THz-TDS),一方面獲取不同部位新鮮組織的太赫茲時域/頻域信號強度差異,實現(xiàn)同種肉類不同部位之間的判別；同時借助真空冷凍干燥技術(shù),在不破壞樣品分子結(jié)構(gòu)和性質(zhì)的前提下去除其中水分,通過定性分析不同凍干肉類在0.6～1.4 THz上的吸收系數(shù)、折射率、介電常數(shù)虛部和介質(zhì)損耗角正切等多維光譜參數(shù),結(jié)合主成分分析-支持向量機(principal component analysis and support vector machine,PCA-SVM),實現(xiàn)不同肉類的判別與鑒定。

1 材料與方法

1.1 材料與儀器

新鮮肉類,廣東深圳寶安家樂福超市(西鄉(xiāng)店),包括魚肉、雞肉和牛肉等3種不同品種肉類;品德鮮豬肉(帶有脂肪和皮膚)、茂峰豬肉和壹號土豬等3種不同品牌豬肉。(下文中若無特別說明,所述肉類樣品則均指瘦肉)FA2004B電子天平,HANGPING；ALPHA 1-4 LD冷凍干燥機,德國Christ；FW-100高速萬能粉碎機,北京市永光明醫(yī)療儀器有限公司；YP-5T壓片機,鶴壁市鑫利煤質(zhì)分析儀器有限公司；RC-250B切片機,德國FEST；CCT-1800 THz-TDS,華訊方舟科技有限公司。

實驗所用檢測設備為THz-TDS儀,其系統(tǒng)結(jié)構(gòu)如圖1所示。波長為780 nm的飛秒激光器輻射出的激光脈沖經(jīng)二向色鏡后分成泵浦光和探測光,并分別輻射到LT-GaAs為襯底的光電導天線上,從而實現(xiàn)太赫茲波的激發(fā)和探測。其中,L1、針孔和L2組合而成的空間濾波器用于縮小激光光束和濾除高頻噪聲,提高光束質(zhì)量。光學延遲線主要是由反射鏡和移動電機構(gòu)成,用于調(diào)節(jié)泵浦光和探測光之間的相對延遲時間,實現(xiàn)太赫茲波的相干探測。另外,為了減少測試時水汽帶來的干擾,對測試倉進行密封處理,測試過程中可往其中吹掃氮氣排除水汽,以提高測試效果。氮氣環(huán)境下,系統(tǒng)的空載時域信號和頻域譜線如圖4中參考信號所示,具有較高的帶寬和信噪比[20-21],適用于太赫茲光譜探測和分析。

L1,L2-聚光鏡；M1～M5-反射鏡；PM1,PM2-拋物面鏡圖1 THz-TDS系統(tǒng)原理圖Fig.1 Schematic diagram of the THz-TDS

1.2 實驗方法

1.2.1 樣品前處理

1.2.1.1 切片

將新鮮樣品清洗干凈,并用無塵紙巾吸干表面水分,利用切片機、家用切肉刀和砧板等工具獲取若干不同組織和肉類樣品,厚度均為0.8 mm,面積約為6 cm2。其中,不同組織包括品德鮮豬的脂肪、皮膚和瘦肉,不同肉類均為瘦肉,包括魚肉、雞肉、牛肉、品德鮮豬、茂峰豬和壹號土豬6種,如圖2-A～F所示,可以發(fā)現(xiàn),不同肉類之間并無非常明顯的差異特征,無法僅憑外觀和氣味對其精準識別。

新鮮狀態(tài)：A-魚肉;B-雞肉;C-牛肉;D、D1和D2分別為品德鮮豬的瘦肉、脂肪和皮膚;E-茂峰豬;F-壹號土豬；a1～f1和a2～f2分別對應不同肉類的凍干狀態(tài)和壓片形式圖2 不同生物組織樣品的實物圖Fig.2 The photos of different biological tissue samples注:切取瘦肉時需避開骨頭和脂肪,并剔除其中的筋膜等,保證所有肉類均為瘦肉,以確保實驗結(jié)果的可靠性和統(tǒng)一性

1.2.1.2 凍干

每個樣品取出16片,按數(shù)量平均分成4份,進行冷凍干燥去除水分。首先,物料提前放入-35 ℃的速凍冰箱中凍結(jié)10 h,然后放入凍干機中進行冷凍干燥,真空度為20 Pa,冷阱溫度為-53 ℃,加熱板溫度為30 ℃,凍干時間為30 h。在不損壞樣品結(jié)構(gòu)的前提下徹底去除其中含有的水分,凍干后樣品如圖2中a1～f1所示。利用電子天平稱取凍干前后的樣品質(zhì)量,記錄。

1.2.1.3 壓片

利用高速萬能粉碎機,將凍干后的肉類進行粉碎處理,然后在電子天平上,稱取約200 mg粉碎后的肉類樣品,利用壓片機制成直徑約為13 mm的圓形狀壓片,如圖2中a2～f2所示。

1.2.2 樣品含水量測試

研究表明,皮膚的主要組成成分為膠原蛋白,瘦肉的基本成分則是肌纖維蛋白,分布在蛋白質(zhì)分子表面的極性基團與水分子之間存在靜電引力而形成水殼層結(jié)構(gòu),因此皮膚和瘦肉含水量較高[22]。而由甘油三酯混合物構(gòu)成的脂肪,屬于疏水物質(zhì),含水量低[14]。將凍干前后稱取的樣品質(zhì)量分別代入公式(1),可獲得不同樣品的含水量。

(1)

式中:ma、mb分別表示樣品在凍干后和凍干前的質(zhì)量,g。

1.2.3 不同樣品的太赫茲光譜測試

測試樣品包括不同組織(脂肪、皮膚和瘦肉)和不同肉類(均為瘦肉),由于太赫茲波對水具有非常強的吸收特性,導致含水量高且比例相近的新鮮肉類透射信號的強度和信噪比偏低,影響測量結(jié)果的精準性。因此,實驗中采用凍干-壓片的不同肉類進行檢測。而不同組織之間含量差異明顯,利用太赫茲波的信號強度差異可明顯區(qū)分,因此直接采取測量新鮮組織的方式進行實驗。

在THz-TDS透射模塊下,持續(xù)向測試樣品中吹掃氮氣,獲取空載條件下的參考信號。將1.2.1小節(jié)中獲取到的新鮮組織和凍干肉類壓片分別置于樣品架上,對其進行太赫茲光譜采集。楊航等[14]通過觀察脂肪、皮膚和瘦肉在脫水過程中的太赫茲光譜信號變化發(fā)現(xiàn),在分析含水量較低的組織樣品時,其吸收系數(shù)和折射率可作為參考指標。而介電常數(shù)虛部與物質(zhì)在電場的弛豫極化相關(guān),介質(zhì)損耗角正切反映電磁能量轉(zhuǎn)化為其他能量時在其內(nèi)部引起的能量損耗,這兩個參數(shù)在生物表征中起到重要作用[23]。因此,除了吸收系數(shù)和折射率外,下文中還引入介電常數(shù)虛部和介質(zhì)損耗角正切這2個關(guān)鍵參數(shù),通過多維光譜參數(shù)分析實現(xiàn)對不同肉類的精準檢測。

1.2.4 太赫茲光譜參數(shù)計算

假設THz-TDS的參考信號為Eref(ω),樣品(厚度為d)的信號為Esam(ω),則根據(jù)太赫茲光學參數(shù)模型[24]可求得樣品對THz波的光譜響應函數(shù)H(ω)：

=A(ω)e-iφ(ω)

(2)

(3)

(4)

根據(jù)上述公式，樣品的介電常數(shù)ε*(ω)和介質(zhì)損耗角正切tanδ如公式(5)(6)所示：

(5)

(6)

式中:ε′(ω)、ε″(ω)分別表示所測樣品的介電常數(shù)實部和虛部。

1.2.5 分析方法和處理工具

通過1.2.3小節(jié)和1.2.4小節(jié)可獲取到不同樣品的時域信號、頻域信號、吸收系數(shù)、折射率、介電常數(shù)(虛部)、介質(zhì)損耗角正切等太赫茲光譜參數(shù)信息。其中,新鮮組織之間的含水量相差較大,可直接通過比較其時域/頻域信號強度差異來進行區(qū)分；而不同凍干肉類的檢測則需結(jié)合多維光譜參數(shù)之間的差異進行分析評價,使得鑒別結(jié)果更加精準可靠。首先,選取有效頻段上的光譜數(shù)據(jù),以0.1 THz為間隔,獲取各光譜參數(shù)與頻率之間相關(guān)性圖,并進行定性分析。然后,在選取頻段上對各肉類樣品的光譜數(shù)據(jù)做統(tǒng)計分析,加以區(qū)分判別。

原始數(shù)據(jù)中,部分數(shù)據(jù)較為接近或重疊,僅憑數(shù)據(jù)差異無法進行有效區(qū)分和判別。PCA通過數(shù)據(jù)降維的方式對原始數(shù)據(jù)進行有效的壓縮處理,使得樣品的共有信息中相互重疊的部分得以消除,實現(xiàn)特征信息提取和分析,然后建立SVM分類模型,從而對樣品進行精準判別和分類[25-26]。在分析中,常以貢獻率的多少來表征該主成分包含的信息,其中,第一主成分往往貢獻最大,最能體現(xiàn)樣品特征信息,依此類推。因此,通過對不同肉類的光譜數(shù)據(jù)進行PCA處理和建立SVM多分類模型分析,對不同肉類差異進一步展開深入分析和討論。

實驗中,采用MATLAB R2016a以及LIBSVM v3.22工具箱實施數(shù)據(jù)的PCA-SVM分析；采用Origin 2018和Excel 2010對數(shù)據(jù)進行統(tǒng)計、分析并繪制成圖。所有實驗中,均制備4個相同類型的樣品,其實驗結(jié)果的均值作為該樣品的最終測試結(jié)果,從而排除因個體差異造成的干擾。

2 結(jié)果與分析

2.1 不同來源及品種肉質(zhì)的含水量分析

如圖3所示,不同來源和品種肉質(zhì)的含水量為70%～80%,其中牛肉含水量最少,魚肉含水量最高,該結(jié)果也與相關(guān)文獻報道基本吻合[27-28]。不同肉質(zhì)之間雖具有一定的含水量差異,而個別品種肉質(zhì)按公式(1)所測得的含水量誤差較大,使得肉質(zhì)含水量不具有較強的差異性和特征性。因此僅依靠所測含水量之間的差異,針對不同來源和品種肉類之間區(qū)分難度較高。

圖3 不同來源及品種肉質(zhì)中含水量的對比Fig.3 The comparison of water content of meat from different origin and varieties

2.2 肉質(zhì)的太赫茲光譜分析

不同肉質(zhì)的太赫茲時域信號和頻域光譜如圖4所示,通過比較不同肉質(zhì)的時域信號峰值和0.2 THz處的頻域光譜信號強度,可發(fā)現(xiàn)不同肉質(zhì)的THz波形、隨延遲時間變化的時域信號強度、隨頻率變化的頻域信號強度均存在明顯差異。THz波的信號強度差異主要受組織含水量的影響,含水量越高,則透過組織的THz信號越弱,通過不同肉質(zhì)的THz時域信號相比參考信號強度分別衰減了98.69%、96.02%、89.15%,該結(jié)果與相關(guān)的文獻報道一致[13-14]。因此,基于THz對不同肉質(zhì)內(nèi)水分的強衰減特性,利用THz-TDS技術(shù)可對不同肉質(zhì)進行快速精準判別。

a-THz時域信號；b-對應的頻域光譜曲線圖4 新鮮狀態(tài)下不同組織的太赫茲光譜信息Fig.4 The terahertz spectra of different types of fresh tissue

2.3 不同來源及品種肉質(zhì)的太赫茲光譜分析

2.3.1 光譜參數(shù)定性分析

在0.6～1.4 THz頻率范圍內(nèi),以0.1 THz為間隔,不同肉類的太赫茲光譜參數(shù)如圖5所示。不同肉類組織的太赫茲光譜參數(shù)與頻率之間均存在相關(guān)性變化,除了折射率隨頻率的增大而減小外,其余的光譜數(shù)值均隨頻率的增大而增大,同時所測肉類的光譜都沒有特征吸收峰或明顯的突變,主要原因是由于肉類成分的復雜性,其中包含的氨基酸和核苷酸等生物分子對太赫茲波的響應相互交疊,單一特征性質(zhì)不明顯[29-30]。從光譜數(shù)值上看,凍干后不同肉類的折射率在1.66～1.82,彼此之間差異明顯,可作為肉類的定性指標；而關(guān)于吸收系數(shù)、介電常數(shù)虛部和介質(zhì)損耗角正切,魚肉、雞肉、牛肉、品德鮮豬、茂峰豬等肉類之間可以實現(xiàn)較好的區(qū)分,壹號土豬則易于與其他肉類產(chǎn)生混淆。由此表明,凍干處理后的不同肉類,其主要組成分子、結(jié)構(gòu)、元素含量等方面成分信息仍存在差異,從而導致其太赫茲光譜之間的區(qū)別。

a-樣品的吸收系數(shù)；b-折射率；c-介電常數(shù)虛部；d-介質(zhì)損耗角正切值圖5 凍干狀態(tài)下不同肉類的太赫茲光譜信息Fig.5 Terahertz spectra of different kinds of freeze-dried meat

求取0.6～1.4 THz上的光譜參數(shù)平均值和最小/最大值,其結(jié)果分別如表1和表2所示。不同肉類的平均THz光譜參數(shù)統(tǒng)計值均有明顯差異,直觀上(圖5)與其他肉類樣品光譜數(shù)據(jù)重疊的壹豬土豬,在光譜參數(shù)的多種平均值上,壹號土豬與其他肉類,也可實現(xiàn)較好的區(qū)分。由此可見,通過結(jié)合不同肉類的多維太赫茲光譜參數(shù)差異,進行定性分析和統(tǒng)計值處理(均值、最小/最大值),可實現(xiàn)不同品種和同品種不同品牌肉類之間的鑒別。同時,引入介電常數(shù)虛部和介質(zhì)損耗角正切的多維度參數(shù)分析方法,也可有效避免因某一參數(shù)的交叉重疊而導致區(qū)分度較低的情況,提高測試結(jié)果的精準性。

表1 不同肉類在0.6～1.4 THz上的光譜參數(shù)平均值Table 1 Average values of spectral parameters of different kinds of meat at 0.6～1.4 THz

表2 不同肉類在0.6～1.4 THz上光譜參數(shù)的最小值和最大值Table 2 The minimum and maximum values of spectral parameters of different kinds of meat at 0.6～1.4 THz

2.3.2 光譜參數(shù)PCA-SVM分析

為了更全面地探索太赫茲時域光譜對6種不同肉類的鑒別能力,研究不同光譜參數(shù)對肉類鑒別分類的能力,對不同肉類凍干狀態(tài)下所得4種光譜參數(shù)(吸收系數(shù)、折射率、介電常數(shù)虛部及損耗角正切值)在0.6～1.4 THz頻段的光譜數(shù)據(jù)實施PCA-SVM分析。

首先提取該頻段原始光譜數(shù)據(jù)進行PCA降維,如圖6所示為不同肉類凍干狀態(tài)下4種光譜參數(shù)數(shù)據(jù)的PCA得分圖,結(jié)果顯示第一、二主成分(PC1和PC2)的累計貢獻率已達98%以上,可代表原始數(shù)據(jù)進一步分析。

a-樣品的吸收系數(shù)；b-折射率；c-介電常數(shù)虛部；d-介質(zhì)損耗角正切值圖6 不同肉類在凍干狀態(tài)下,4種光譜參數(shù)數(shù)據(jù)的PCA得分圖Fig.6 PCA scores plots of four different groups of THz spectral data measured from six different kinds of freeze-dried meat samples

利用任意1種光譜參數(shù)數(shù)據(jù)的進行多分類SVM分析中,運用隨機化函數(shù)隨機抽取不同肉類數(shù)據(jù)各25條數(shù)據(jù)(共150條)作為訓練集,建立當前光譜參數(shù)的SVM多分類模型；利用該模型對未知分類的測試集(共30條)進行分析。6種不同肉類的訓練集數(shù)據(jù)樣本和測試集數(shù)據(jù)樣本的數(shù)據(jù)分布如表3所示。

表3 SVM分析中6種不同肉類的數(shù)據(jù)分布Table 3 Data distribution of six different meat samples in the SVM analysis

本研究中SVM分類模型均采取徑向基函數(shù)作為核函數(shù),利用三折交叉驗證(K-CV,K=3)和網(wǎng)格劃

分搜索的方法尋找最佳的懲罰參數(shù)c、核函數(shù)參數(shù)g,使K-CV方法過程中取得最高訓練集分類準確率和最優(yōu)分類器性能,避免過學習和過擬合狀態(tài)發(fā)生。表4為獲得的SVM模型最優(yōu)參數(shù)及對應的訓練集分類準確率。

表4 SVM模型的最優(yōu)參數(shù)c&g及對應的訓練集準確率Table 4 Best obtained parameter c&g of SVM models and corresp.train accuracy

為了驗證SVM模型對不同肉類的分類預測性能,取不同肉類數(shù)據(jù)各5條數(shù)據(jù)(共30條)作為測試集,利用4種光譜參數(shù)下建立的SVM模型分別進行預測識別,可得到如圖7所示的測試集樣本分類結(jié)果及對應的測試集分類準確率。

a-樣品的吸收系數(shù)；b-折射率；c-介電常數(shù)虛部；d-介質(zhì)損耗角正切值圖7 不同肉類太赫茲光譜參數(shù)的測試集樣本的分類結(jié)果圖Fig.7 Classification result of test data-sets of terahertz spectra of different kinds of meat注:類別標簽：0-魚肉;1-雞肉;2-牛肉;3-品德鮮豬;4-茂峰豬;5-壹號土豬肉(下同)

結(jié)果顯示,利用4種光譜參數(shù),即吸收系數(shù)、折射率、介電常數(shù)虛部以及損耗角正切值光譜數(shù)據(jù)建立的4個SVM模型,測試集分類準確率分別達到96.67%、96.67%、93.33%和90%。同樣對測試集30個樣本進行預測分類,吸收系數(shù)和折射率建立的SVM模型均僅有1例誤判,介電常數(shù)虛部和損耗角正切值建立的SVM模型分別有2例和3例誤判,說明利用吸收系數(shù)和折射率建立的SVM模型對不同肉類的預測分類更準確,能夠正確無誤的對魚肉、雞肉、牛肉、品德鮮豬進行預測分類；介電常數(shù)虛部SVM模型更適用于雞肉、牛肉、品德鮮豬的準確分類；損耗角正切值更適用于魚肉、雞肉、牛肉的準確分類。不同肉類的太赫茲光譜參數(shù)的測試集分類準確率均在90%及以上,說明根據(jù)不同光譜參數(shù)均能夠?qū)θ忸愡M行準確分類識別,這也為肉類的檢測提供了一個有效的鑒別分析方法。

上述誤判中來自茂峰豬肉與壹號土豬肉之間的誤判有5例,占誤判總數(shù)的71%,說明茂峰豬肉與壹號土豬肉相對于其他肉類類別更容易相互混淆,考慮這2種肉類在所有光譜參數(shù)的SVM分類情況,茂峰豬肉和壹號土豬肉的誤判率分別為15%和10%,混淆誤判率高達12.5%。為了提高太赫茲光譜參數(shù)數(shù)據(jù)對茂峰豬與壹號土豬2種豬肉樣本的鑒別能力,我們提取2種豬肉樣本的PCA降維數(shù)據(jù)進行歸一化([0,1] 區(qū)間)處理后,建立SVM二分類模型,如表5所示,K-CV方法下取最佳參數(shù)均可獲得100%的訓練集驗證分類準確率。利用上述參數(shù)建立SVM模型,對測試集樣本進行預測識別。如圖8所示,僅介質(zhì)損耗角正切數(shù)據(jù)所得測試集分類準確率為90%,其余3種光譜參數(shù)均可獲得100%分類準確率；茂峰豬肉與壹號土豬肉的混淆誤判率已降低至2.5%,其中茂峰豬肉的誤判率為0,壹號土豬肉的誤判率為5%,相比于未歸一化處理直接實施SVM分類的誤判率均有所降低。因此,有效的歸一化處理方法,可有助于降低2種豬肉之間的混淆誤判率,提高PCA-SVM方法的分類準確率。

表5 SVM二分類模型的最優(yōu)參數(shù)c&g及訓練集準確率Table 5 Best obtained parameter c&g of SVM binary classification models and corresp.train accuracy

a-樣品的吸收系數(shù)；b-折射率；c-介電常數(shù)虛部；d-介質(zhì)損耗角正切值圖8 兩種豬肉太赫茲光譜參數(shù)的測試集樣本的分類結(jié)果圖Fig.8 Classification result of test data-sets of terahertz spectra in two pork samples

3 結(jié)論與討論

本文基于太赫茲光譜分析技術(shù),對不同新鮮組織和凍干肉類進行太赫茲光譜檢測,并結(jié)合多維光譜參數(shù)定性分析和PCA-SVM算法等方法對其進行差異表征,實現(xiàn)不同生物組織之間的精準鑒別。研究表明,含水量差別較大的組織(脂肪、皮膚、瘦肉),可直接通過檢測其新鮮狀態(tài)下的太赫茲時域信號和頻域光譜強度差異進行快速檢測鑒別；而針對含水量較高且差異較小的肉類,可結(jié)合真空冷凍干燥技術(shù)去除水分,對不同肉類在0.6～1.4 THz波段上的吸收系數(shù)、折射率、介電常數(shù)虛部和介質(zhì)損耗角正切值等多維光譜參數(shù)進行定性分析以及建立PCA-SVM分類模型,可以實現(xiàn)不同肉類之間的鑒定。該結(jié)果展示了太赫茲光譜分析技術(shù)在不同組織、不同品種及同品種不同品牌肉類鑒別上的檢測能力,有望在肉類摻假等實際應用場景中發(fā)揮作用,為打擊肉類摻假和欺詐行為提供高效精準的鑒別手段。