基于支持向量机的近红外光谱技术快速鉴别掺假羊肉

张丽华,郝莉花,李顺峰,纵 伟

(1.郑州轻工业学院食品与生物工程学院,河南郑州 450002;2.郑州轻工业学院食品生产与安全协同创新中心,河南郑州 450002;3.河南省产品质量监督检验院,河南郑州 450002;4.河南省农科院农副产品加工研究所,河南郑州 450002)

基于支持向量机的近红外光谱技术快速鉴别掺假羊肉

张丽华1,2,郝莉花3,李顺峰4,纵 伟1,2

(1.郑州轻工业学院食品与生物工程学院,河南郑州 450002;2.郑州轻工业学院食品生产与安全协同创新中心,河南郑州 450002;3.河南省产品质量监督检验院,河南郑州 450002;4.河南省农科院农副产品加工研究所,河南郑州 450002)

为实现掺假羊肉的无损鉴别,利用傅里叶变换近红外光谱分析技术建立混入鸭肉的掺假羊肉糜的快速检测方法。实验通过在羊肉糜中添加不同比例的鸭肉糜来制备掺假羊肉,采用近红外漫反射方式在全波段范围(10000～4000 cm-1)内采集羊肉、掺假羊肉和鸭肉的近红外光谱图,分别考察多元散射校正(Multiplicative scatter correction,MSC)、标准正态变量变换(Standard normal variate correction,SNV)、面积归一化(Area normalization)、标准化(Autoscale)、15点平滑处理(Smoothing)、一阶导数处理(1stderivative)的光谱预处理方法对所建支持向量机(nu-SVM)判别模型的预测效果。结果显示,不同光谱预处理所建nu-SVM判别模型预测效果不同。其中,经标准化处理后所建的nu-SVM模型的预测能力最差为90.38%;15点平滑处理后所建nu-SVM模型的预测效果最好(96.15%),对建模集正确判别率为99.07%,对检验集正确判别率为96.15%;其余处理所建nu-SVM模型的判别能力介于二者之间。结果表明,采用近红外光谱技术结合15点平滑预处理后所建nu-SVM模型可以实现羊肉中的掺杂鸭肉的鉴别。

支持向量机,近红外技术,羊肉,掺假,鸭肉

羊肉是中国传统的食补典型代表之一,其健康、安全的营养特性被广泛认可。2011年中国人均羊肉消费量为2.96 kg,较1980年提高了6.4倍,增长速度远高于世界平均水平[1]。然而,近年来由于一些不法商贩以低价肉如猪肉、鸡肉、鸭肉等全部或部分替代羊肉进行销售,严重危害了羊肉市场的秩序,同时也挫伤了广大宗教信仰消费者的购买热情。据报道,目前市场上的掺假羊肉尤以鸭肉掺假为多[2-3],这主要是由于鸭肉色泽与两周岁的羊肉色泽较为接近,而且鸭肉纹理细腻,有一定的肌纤维,这就为伪装成羊肉提供了天然的便利条件[4]。如何鉴别掺入低价鸭肉的掺假羊肉已成为确保羊肉安全的问题之一。

目前,针对掺假肉的鉴别主要采用的方法有感官检验法、生物技术法[5]、光谱法[6-7]、电子鼻[8]等,但这些方法易受外界环境、实验设备等因素的影响,使其应用受到一定的限制。近年来,国内外学者根据近红外光谱技术具有的快捷、方便、无损伤、无需样品预处理等优势,采用最小偏二乘和多元线性回归等方法在肉品掺假检测方面开展了相关的研究[9-13],并取得了一定的进展。

支持向量机(Support vector machine,SVM)是一种基于统计学习理论的机器学习方法,它可以克服传统方法的大样本要求与维数灾难及局部收敛,能够较好地解决神经网络难以解决的小样本、高维数和存在局部极小点等实际问题。其出色的学习能力已在生鲜猪肉水分检测[14]、食醋总酸含量检测[15]、大枣内部虫害检测[16]等方面有较成功的应用。然而,还未见将其用于掺假羊肉鉴别的报道。本研究以新鲜羊肉糜为研究对象,通过掺入不同比例的鸭肉糜,评价不同光谱预处理方法对所建支持向量机(nu-SVM)判别模型的预测效果,探索近红外光谱分析方法判别掺假羊肉的可行性。

1 材料与方法

1.1 材料与仪器

羊肉和鸭肉 河南郑州丹尼斯超市,均为冷冻肉,-18 ℃,去离子水解冻。

AntarisⅡ型傅里叶变换近红外光谱仪 美国Thermo公司;MO-385小型绞肉机 桃花岛电器有限公司;BCD-213KDZ型冰箱 新飞电器有限公司;AL204型电子天平 梅特勒-托利多仪器有限公司。

1.2 实验方法

1.2.1 样品制备和检测 解冻后的样品采用不锈钢刀切成小肉丁,分别用小型绞肉机绞碎成肉糜,制备不同的样品。在羊肉糜中掺入适当鸭肉糜(0～35%),掺入比例分别为羊肉糜:鸭肉糜(质量比)为20∶0,19∶1,18∶2,17∶3,16∶4,15∶5,14∶6和13∶7,并人工搅拌均匀。取(20.00±0.50)g肉糜放入5 cm样品杯中,压实,保证底部没有气泡和漏光现象,进行近红外光谱的采集。

仪器检测参数为:扫描范围为全波段扫描,扫描次数64次。仪器参数:光源为卤钨灯,主机光谱范围为10000～4000 cm-1,独立的高灵敏度InGaAs检测器。采用积分球漫反射分析模块,直径5 cm的样品杯。

1.2.2 数据分析方法 根据近红外光谱的原始数据进行统计学分析,考察近红外光谱漫反射方式在羊肉糜中掺入不同比例鸭肉糜的识别效果,并且建立支持向量机判别模型。同时,评价多元散射校正(Multiplicative scatter correction,MSC)、标准正态变量变换(Standard normal variate correction,SNV)、面积归一化(Area normalization)、标准化(Autoscale)、15点平滑处理(Smoothing)、一阶导数处理(1stderivative)的光谱预处理方法对所建支持向量机(nu-SVM)判别模型的预测效果。数据处理软件采用Matlab 8.03软件平台进行分析。

2 结果与分析

2.1 羊肉和羊肉掺鸭肉近红外光谱分析

图1 羊肉和羊肉掺鸭肉的近红外光谱Fig.1 NIR spectroscopies of mutton and mutton adulterated with duck meat

从图1可以看出,羊肉和羊肉掺鸭肉的近红外光谱曲线形状相似,并且羊肉和羊肉掺鸭肉的光谱交叉重合,在样本数较少的情况下可从光谱图中区分出两类肉(图1A)。但随着样本数量的增加及检测仪器性能和环境条件等因素的影响,就很难从光谱曲线上直接予以区分(图1B)。赵红波等[12]采用近红外漫反射光谱法对猪肉和牛肉进行鉴别,直接从光谱图观察,也难以区分猪肉和牛肉,需要采用适宜的光谱预处理方法才能获得较好的鉴别。这主要是由于仪器、样本背景、环境条件及其他因素的影响,近红外光谱常出现噪声、谱图基线平移和漂移等现象,为了消除这些不利因素对所建模型的影响,分别采用多元散射校正(MSC)、标准正态变量变换(SNV)、面积归一化(Area normalization)、标准化(Autoscale)、平滑处理(Smoothing)、一阶导数处理(1stderivative)等方法对原始光谱进行预处理[12,17]。

表1 不同光谱预处理方法所建nu-SVM模型对建模集的判别结果

表2 原始光谱未处理所建nu-SVM判别模型对检验集的判别结果

2.2 支持向量机判别模型的建立与检验

本实验采集肉样本159个,近红外光谱范围为10000～4000 cm-1,共有1557个数据点,构成了159×1557的光谱矩阵,将其中的107个样本作为建模集,其余的52个样本作为验证集。经不同预处理后所建nu-SVM判别模型对建模集的判别效果如表1所示。

从表1可以看出,羊肉、鸭肉和羊肉掺鸭肉的近红外光谱数据经不同光谱预处理方法处理后,除面积归一化和一阶导数(15点)预处理误判率较高外,其余光谱预处理方法基本均可将羊肉和掺假肉进行正确区分。由表1还可以看出,除面积归一化和一阶导数(15点平滑)处理所建模型正确判别率比原始光谱所建模型低外,其余光谱预处理方法所建模型正确判别率均与原始光谱所建判别模型的正确判别率相当。

为了检验所建nu-SVM判别模型对验证集的预测效果,分别用验证集对原始光谱未处理、MSC预处理、SNV预处理、15点平滑预处理和Autoscale预处理所建nu-SVM判别模型进行检验。将52个未参与建模的样本,即检验集,对所建nu-SVM判别模型进行检验。所建nu-SVM判别模型对检验集的判别结果如表2～表6所示。

表3 MSC处理所建nu-SVM判别模型对检验集的判别结果

表4 SNV处理所建nu-SVM判别模型对检验集的判别结果

表5 15点平滑处理所建nu-SVM判别模型对检验集的判别结果

表6 Autoscale处理所建nu-SVM判别模型对检验集的判别结果

由表2～表6可知,不同光谱预处理后所建nu-SVM判别模型预测效果不一。Autoscale处理所建nu-SVM模型的预测能力最差,为90.38%;15点平滑处理所建nu-SVM模型的预测效果最好(96.15%);其余处理所建nu-SVM模型的判别能力介于二者之间。15点平滑处理所建nu-SVM判别模型对掺≤15%鸭肉的羊肉样本和鸭肉样本的误判率为0;10个羊肉样本中有1个样本被误判为掺≤15%鸭肉的羊肉,误判率为10%;20个掺15%～30%鸭肉的羊肉样本中有1个样本被误判为掺≤15%鸭肉的羊肉,误判率为5%;总体样本正确判别率为96.15%,说明采用15点平滑处理所建nu-SVM判别模型应用于羊肉、掺鸭肉的羊肉和鸭肉的判别是可行的。

3 结论

比较了原始光谱、MSC、SNV、面积归一化、Autoscale、15点平滑和一阶导数(15点平滑)光谱预处理后建立的nu-SVM判别模型对羊肉、羊肉掺鸭肉和鸭肉的判别效果,在全波段范围内(10000～4000 cm-1),采用15点平滑预处理所建nu-SVM判别模型的正确判别率最高,模型判别性能稳定,建模集正确判别率为99.07%,对检验集正确判别率为96.15%。说明近红外光谱技术可用于羊肉、羊肉掺鸭肉和鸭肉的鉴别。

[1]丁丽娜.中国羊肉市场供求现状及未来趋势研究[D].北京:中国农业大学,2014.

[2]刘懿德.揭秘鸭肉卷变“精羊肉”的黑链条[N].新华每日电讯,2013:5-11.

[3]卢杰,蒋皓.鸭肉+羊肉+染色剂变“羊肉卷”[N].法制日报,2013:2-4.

[4]李子晨.假羊肉触食品安监高压线[N].国际商报,2013:5-16.

[5]Karabasanavar N S,Singh S P,Umapathi V,et al. A highly specific PCR assay for identification of raw and heat treated mutton(Ovis aries)[J]. Small Ruminant Research,2011,100(2-3):153-158.

[6]Meza-Marquez O G,Gallardo-Velazquez T,Osorio-Revilla G. Application of mid-infrared spectroscopy with multivariate analysis and soft independent modeling of class analogies(SIMCA)for the detection of adulterants in minced beef[J].Meat Science,2010,86(2):511-519.

[7]Boyaci I H B,Temiz H T,Uysal R S,et al. A novel method for discrimination of beef and horsemeat using Raman spectroscopy[J]. Food Chemistry,2014,148:37-41.

[8]Tian X J,Wang J,Cui S Q. Analysis of pork adulteration in minced mutton using electronic nose of metal oxide sensors[J].

Journal of Food Engineering,2013,119(4):744-749.

[9]Rohman A,Sismindari,Erwanto Y,et al. Analysis of pork adulteration in beef meatball using Fourier transform infrared(FTIR)spectroscopy[J]. Meat Science,2011,88(1):91-95.

[10]Kamrazzaman M,Sun DW,EIMasry G,et al. Fast detection and visualization of minced lamb meat adulteration using NIR hyperspectral imageing and multivariate image analysis[J]. Talanta,2013,103(15):130-136.

[11]Alamprese C,Casale M,Sinelli N,et al. Detection of minced beef adulteration with turkey meat by UV-vis,NIR and MIR spectroscopy[J]. LWT-Food Science and Technology,2013,53(1):225-232.

[12]赵红波,谭红,史会兵,等.近红外光谱技术鉴别猪肉和牛肉的研究[J].中国农学通报,2011,27(26):151-155.

[13]Ropodi A I,Pavlidis D E,Mohareb F,et al. Multispectral image analysis approach to detect adulteration of beef and pork in raw meats[J].Food Research International,2015,67:12-18.

[14]张海云,彭彦昆,王伟,等.基于光谱技术和支持向量机的生鲜猪肉水分含量快速无损检测[J].光谱学与光谱分析,2012,32(10):2794-2798.

[15]邹小波,陈正伟,石吉勇,等.基于支持向量机的食醋总酸近红外光谱建模[J].中国酿造,2011,(3):63-65.

[16]陈红光,王健,中野和弘,等.基于支持向量机的大枣内部虫害无损检测[J].东北农业大学学报,2014,45(2):94-102.

[17]李顺峰,张丽华,刘兴华,等.基于主成分分析的苹果霉心病近红外漫反射光谱判别[J].农业机械学报,2011,42(10):158-161.

Fast discriminating the adulteration of minced mutton with near infrared spectroscopy based on support vector machine

Zhang Li-hua1,2,Hao Li-hua3,Li Shun-feng4,Zong Wei1,2

(1.College of Food and Biological engineering,Zhengzhou University of Light Industry,Zhengzhou 450002,China;2.Collaborative Innovation Center for Food Production and Safety,Zhengzhou University of Light Industry,Zhengzhou 450002,China;3.Henan Province Product Quality Supervision and Inspection Center,Zhengzhou 450002,China;4. Institute of Agro-products Processing,Henan Academy of Agricultural Sciences,Zhengzhou 450002,China)

In order to realize the nondestructive determination of the adulterated mutton,a quick method of Fourier transform near infrared(FT-NIR)spectroscopy was employed to analysis the adulteration of duck meat in minced mutton. In this work,the adulterated mutton were obtained by interfusing different percentage of duck meat,and the original spectra of mutton,adulterated mutton and duck meat in the wave-number range of 10000～4000 cm-1were obtained by spread reflection NIR. Then the predicted effects of different support vector machine(SVM)discriminate models that established by multiplicative scatter correction(MSC),standard normal variate transformation(SNV),area normalization,autoscale,15 point smoothing and 1stderivative were evaluated. The results showed that predicted effect of different nu-SVM models built by different preprocessing methods was different. The model accuracy to discriminate mutton,duck meat adulterated into mutton and duck meat was the poorest(90.38%)built by autoscale preprocessing method,and good prediction model was obtained using the 15 point smoothing preprocessing method and the accuracy of the training set and prediction set of the model were 99.07% and 96.15%,respectively. In addition,the predicted effects of other models built by the four preprocessing methods were between the both. Therefore,the nu-SVM model built by NIR combined with 15 point smoothing preprocessing weve proved to be a feasible method to identify duck meat in minced mutton.

support vector machine;near infrared spectroscopy;mutton;adulteration;duck meat

2015-02-13

张丽华(1982-),女,博士,讲师,研究方向:果蔬采后生理及保鲜、加工技术,E-mail:zhanglihua82828@163.com。

国家质检总局科技计划项目;郑州轻工业学院博士科研启动金项目(2013BSJJ003);郑州轻工业学院第三批大学生科技创新项目(2014DC099)。

TS251.5+3

A

1002-0306(2015)23-0289-05

10.13386/j.issn1002-0306.2015.23.051