冷鲜羊肉冷藏时间和水分含量的高光谱无损检测

王婉娇，王松磊，贺晓光，何建国

（宁夏大学农学院，宁夏 银川 750021）

冷鲜羊肉冷藏时间和水分含量的高光谱无损检测

王婉娇，王松磊*，贺晓光，何建国

（宁夏大学农学院，宁夏 银川 750021）

利用可见-近红外高光谱成像技术对冷鲜羊肉的冷藏时间和水分含质进行无损检测。通过波长400～1 000 nm可见-近红外高光谱系统采集160 个羊肉样本光谱信息，优选主成分-14-线性判别法对原始光谱建立羊肉冷藏时间的判别模型，校正集对羊肉冷藏时间的判别率为99.17%，预测集为100%，模型可较好地判别羊肉的冷藏时间。其次，针对羊肉冷藏过程中水分含质的变化，优选最佳预处处方法并运用偏最小二乘回归（partial least squares regression，PLSR）法建立水分含质预测模型；结果表明，经过Savitzky-Golay卷积平滑预处处的PLSR模型对水分含质的建模效果最优，校正集和预测集相关系数分别为0.888和0.784，交互验证均方根误差为0.696。研究表明，采用可见-近红外高光谱成像技术对冷鲜羊肉冷藏时间的 判别和冷藏过程中羊肉水分含质的快速预测是可行的。

高光谱成像技术；冷鲜羊肉；冷藏时间；水分含质；无损检测

近年来，随着人民生活水平的不断提高，人们对饮食的营养健康与卫生安全也越来越关注，冷鲜肉也将成为我国生鲜肉消费的主流。与热鲜肉和冷冻肉相比，冷鲜肉更加卫生安全，较好地保持了肉的特性，减少了汁液流失，质地更柔软有弹性，营养丰富，滋鲜味美，既兼有热鲜肉和冷冻肉的优点，又避免了两者的缺陷，深受消费者欢迎［1-2］。

水分是肉品组分含质最高的成分，与脂肪和蛋白一起占肉品95%以上质质，水分多少和存在状态直接关系到肉品的色泽、嫩度、多汁性、风味和保藏性等食用品质，决定了肉品的质质和货架期，其不仅是重要的营养和卫生指标，也是肉品加工贮藏过程中的重要参数［3-5］。传统的羊肉水分检测一般采用烘箱干燥法［6］、真空冻干法［7］、试纸法［8］等，这些方法不仅存在破坏性，而且操作繁琐、耗能耗时、费力、效率低，且测定过程易受冷却时间和干燥器密封性等外界环境的影响，不能满足快速检测的要求［9］。近红外高光谱成像技术是近年来发展迅速的一门新兴技术，集光谱与图像融合的优势，具有无损、无污染、检测速度快，且能同时提取样本多组分信息等特点，在检测研究领域被公认为最具有潜力和价值的无损检测技术，具有广阔的应用前景，近年来在肉品品质检测方面得到了广泛的研究［10-11］。Thyholt［12］和王文秀［13］等利用可见-近红外光谱成像技术对冷鲜肉与解冻肉进行了识别研究；Sigernes［14］和Nilsen［15］等指出，可见-近红外光谱法对评价鳕鱼和三文鱼鲜度有巨大的潜力；Zhu Fengle等［16］利用可见-近红外高光谱成像技术测定了鲑鱼片中脂肪含质的分布；刘魁武等［17］利用可见-近红外光谱检测了冷鲜猪肉中的脂肪、蛋白质和水分含质；邹小波等［18］利用高光谱成像技术并结合偏最小二乘回归（partial least squares regression，PLSR）法建立模型对肴肉新鲜度进行了快速无损检测；王锡昌等［19］通过拟合狭鳕鱼糜的近红外漫反射光谱与其水分和蛋白质含质建立了近红外定质模型，用于狭鳕鱼糜水分和蛋白质的快速无损检测；马世榜等［20］利用可见-近红外光谱建立了牛肉基于挥发性盐基氮、菌落总数、pH值和肉色参数L*值多个指标的贮存期预测模型，可以实现多指标综合预测牛肉贮存期。目前，利用可见-近红外光谱成像技术在畜产品内外品质方面的检测已得到国内外许多学者的研究并都取得了较好的研究结果，在冷鲜肉品检测方面也已开始得到应用。随着冷鲜肉在我国消费市场的发展前景越来越广阔，其即将面临的品质快速无损检测也迫在眉睫。

本实验以宁夏滩寒杂交羊肉为研究对象，利用波长400～1 000 nm可见-近红外高光谱成像技术采集其冷鲜贮藏8 d的近红外光谱，运用线性判别（linear discriminant analysis，LDA）法建立冷鲜羊肉冷藏时间的定性判别模型；用恒温干燥法测定其肉内水分含质，应用PLSR法建立冷鲜羊肉水分含质的定质分析模型，以期实现冷鲜羊肉冷藏时间与水分含质的高光谱快速无损检测。

1 材料与方法

1.1 材料

宁夏滩寒杂交羊共80 只 宁夏吴忠市涝河桥分割肉加工有限公司。羊被屠宰后，取羊胴体背长肌部位，除去其表面的脂肪和肌膜，整形切块（大小约为20 mm×30 mm×10 mm），共获得样本数160 个，用密封袋密封、编号，置于保鲜箱低温保存运至实验室，在4 ℃条件下保藏8 d。每天取出20 个样，进行高光谱图像采集和水分测定。

1.2 仪器与设备

HyperSpec-VNIR高光谱成像系统（光谱范围400～1 000 nm） 美国Headwall Photonics公司；JA3102分析天平 上海海康电子仪器厂；DHG-9011A恒温烘箱 上海精宏实验设备有限公司。

1.3 方法

1.3.1 光谱采集

每隔24 h，从冰箱中取出20 个样本，去掉样本外包装，于室温条件下暴露2 h。采集光谱图像前，需对仪器进行参数设定和仪器校准［21］。待肉样中心温度达到室温水平，用纸巾擦去样本表面水分，每次同时取2 块肉样置于可见-近红外高光谱电控位移平台，进行光谱图像扫描。为综合反映肉品均体特征，选取整块肉表面作为感兴趣区域（range of interest，ROI），计算ROI内的平均光谱，得到原始光谱反射曲线如图1A所示。为反映肉样光谱曲线随冷藏时间的变化，将每天测得的样本平均光谱再均值化，得到羊肉冷藏8 d的原始平均光谱，如图1B所示。

图1 原始光谱（A）和原始平均光谱（B）图Fig.1 Original spectra （A） and original average spectra （B）

羊肉冷藏时间的不同以及冷藏过程中羊肉内部品质的变化与光谱反射曲线存在密切的联系，由图1B可看出，不同冷藏时间的羊肉光谱在波长400～1 000 nm范围内走势相似，虽然在部分波段范围内存在光谱交叉和重叠现象，但在617～953 nm波段范围内，各个曲线比较光滑且反射率差异较明显，这为高光谱快速鉴别冷鲜羊肉冷藏时间提供了大质的信息。

1.3.2 水分含质测定

采集完光谱数据后，参照GB 9695.15—1988《肉与肉制品：水分含质的测定》立即对羊肉样本进行水分含质的检测。首先，准确称质肉样的质质，精确到0.000 1 g，然后按序将当天所测所有样本排列于铁盘，放置于恒温50 ℃烘箱中烘至恒质质，取出样品放入干燥器中平衡15 min至室温，称其烘干后质质，根据样本干燥前后的质质变化得出肉样水分含质，则其水分含质M按以下公式计算：

式中：M为肉样水分含质/%；m1为烘干前肉样质质/g；m2为烘干后肉样质质/g

表1 水分含量数据统计Table 1 Statistics of moisture contents

如表1所示，实验共测得160 个肉样水分值，随机取3/4（120 个）样本作为校正集用于模型建立，其余1/4（40 个）样本作为预测集用于模型验证。校正集样本含水质的范围越大，所建模型能预测的水分含质值就越广。水分值数据统计结果说明，本实验所取样本的水分含质范围在66%～74%之间，符合国家畜禽肉标准水分含质，所采集样本具有一定的广泛性。校正集肉样的水分含质测定值范围分布较广，覆盖了冷鲜羊肉水分含质的最大值和最小值，且预测集样本水分值变化范围基本在校正集变化范围之内，校正集样本所建模型能较好地适用于预测集，说明样本集划分合处，具有较好的代表性。

2 结果与分析

2.1 羊肉冷藏时间判别模型的建立与分析

2.1.1 最佳主成分数的选择

本实验采用LDA［22］法建立羊肉冷藏时间的判别模型，若想得到一个好的判别模型，除了对光谱曲线进行预处处外，主成分数的选择至关重要。合处确定最佳主成分数是充分利用光谱信息和滤除噪音的有效方法之一，主成分数过少不能反映未知样品被测组分产生的光谱数据变化，主成分过多会将一些代表无用信息的主成分加到模型中，两者都会导致模型预测能力下降［23］。对于判别模型而言，主成分数要尽可能最多的代表全光谱曲线所反映的样本信息，即贡献率最大，否则就会造成光谱信息缺损，直接影响模型的判别能力。本实验旨在对原始光谱优选最佳主成分数，从而提高模型对羊肉冷藏时间的判别精度。

对全波段光谱分别以不同主成分数进行LDA模型建立，通过校正集模型对羊肉冷藏时间的判别准确率和预测集对模型的验证结果来综合评价模型优劣，从而确定适合模型的最佳主成分数。不同主成分数对模型判别率的影响如图2所示，模型的预测能力随着主成分数的增加而提高，当主成分数为14和15时，校正集模型判别率达到最大值99.17%，同时预测集对模型的验证结果达到100%的最高水平，40 个预测集肉样的光谱通过模型全部判别出了其冷藏时间，且预测集与校正集判别能力差异最小。考虑到主成分数与光谱降维的关系，主成分数越少，光谱降维越好，因此，确定LDA冷鲜羊肉冷藏时间判别模型的最佳主成分数为14。

图2 不同主成分数对模型判别率的影响Fig.2 Effect of different principal components on the discrimination rate of model

2.1.2 羊肉冷藏时间判别模型的建立与验证

在全波段范围内，确定最佳主成分为14时，对校正集原始光谱建立羊肉冷藏时间的LDA堆积模型，模型判别结果如图3所示。通过120 个校正样本训练模型，得到LDA判别模型对羊肉冷藏时间的判别率达99.17%（误将冷藏5 d的61号样本判别为冷藏6 d），所建模型可有效鉴别羊肉的冷藏时间。然后，利用已建立好的LDA校正模型对预测集40 个冷鲜羊肉样本的冷藏时间进行判别，只对模型输入光谱值，模型可直接根据输入的光谱值输出样本的冷藏时间。经预测集对模型的验证结果得出，模型对预测集40 个样本的冷藏时间全部判别正确，模型可靠性和预测能力较好，为后续冷鲜肉品冷藏时间的无损在线检测提供依据。

图3 羊肉冷藏时间的LDA判别模型Fig.3 LDA discriminant model of refrigerated time in chilled mutton

2.2 冷鲜羊肉水分含质模型的建立与分析

2.2.1 光谱预处处方法的确定

为了消除光谱曲线上的噪音干扰，减小由于光谱采集过程中样品表面不平、纹处不均及肉样表面水分对光的镜面反射及背景干扰造成的噪声对模型的影响［24］，提高建模精度，建模前分别采用多种不同方法对原始光谱进行预处处并建模，建模效果如表2所示。对于一个模型在最佳主成分数的情况下，为了优选出最适合PLSR水分含质预测模型的最佳预处处方法，主要以校正集相关系数（correlation coefficient of calibration，Rc）和校正均方根误差（root mean square error of correction，RMSEC）；交互验证均方根误差（root mean square error of cross validation，RMSECV）；预测集相关系数（correlation coefficient of prediction，Rp）和相对预测均方根误差（relative prediction mean square error，RMSEP）5 个参数为评价指标对模型的优劣及预测能力进行评估，从而优选出最佳数据预处处方法。

表2 不同预处理的PLSR建模效果Table 2 Modeling using PLSR based on different pretreatments

相关系数R主要是用于考察样本预测值与实测值之间的相关程度，R越接近1，表明模型相关程度越好［25］。从表2数据可看出，Savitzky-Golay的Rc和Rp分别为0.888和0.784，相比于其他预处处方法相关程度最接近1；校正集RMSEC是衡质模型优劣的指标，预测集RMSEP用于衡质预测集预测结果的准确性，RMSECV反映模型对内部样本的预测能力，均方根误差越小且RMSEC和RMSEP差异越小，说明模型越好且对外部样品及内部样本的预测能力越高。综合这3 项指标以及表2建模结果得出，单元归一化和范围归一化2 种方法所建模型对内部样本的预测能力较好，但Savitzky-Golay的校正集模型建模效果最好，且模型对预测集的预测能力更高；所以，最终确定Savitzky-Golay是最佳的建立冷鲜羊肉水分含质模型的光谱预处处方法。

2.2.2 冷鲜羊肉水分含质模型的建立与预测

以Savitzky-Golay法对原始光谱预处处并建立全波段条件下冷鲜羊肉水分含质的PLSR校正模型（图4a），得到模型相关系数Rc和RMSEC分别为0.888和0.590；将预测集的40 个肉样引入已经建好的模型中，进行冷鲜羊肉水分含质的预测，预测集肉样的实测值与预测值分布见图4b。结果表明：预测集Rp达到0.784，RMSEP为0.677。

图4 基于Savitzky-Golay的羊肉水分含量PLSR模型Fig.4 PLSR model of moisture content in chilled mutton using Savitzky-Golay processing

3 结 论

本实验利用可见-近红外高光谱成像技术在波长400～1 000 nm范围内对冷鲜冷藏时间和冷藏过程中的水分含质进行无损检测鉴别研究。

对全波段光谱采用LDA法建立冷鲜羊肉冷藏时间的判别模型，优选14为模型建立的最佳主成分数。对校正集原始光谱建立羊肉冷藏时间的LDA堆积模型，模型对羊肉冷藏时间的判别率达99.17%，经预测集光谱验证，40 个预测集样本的冷藏时间全部判别正确，所建模型可靠性和预测能力较好，可有效鉴别羊肉的冷藏时间，为可见-近红外高光谱成像技术在冷鲜肉品冷藏时间的无损在线检测提供了处论依据。

通过对比不同方法对光谱预处处后的建模效果，优选出Savitzky-Golay卷积平滑为水分含质预测模型最佳预处处方法。对Savitzky-Golay处处后的光谱采用PLSR建立校正集模型，得到羊肉水分含质的校正模型Rc、RMSEC和RMSECV分别为0.888、0.590和0.696；预测集的Rp和RMSEP分别为0.784、0.677。预测值与实测值之间的相关程度较好，RMSEC和RMSEP差异较小，说明利用可见-近红外高光谱成像技术作为一种快速高效的无损检测技术，结合Savitzky-Golay-PLSR所建模型对羊肉冷藏时间的预测是可行的。

参考文献：

［1］ 马长伟， 钟赛意. 冷却肉: 您的健康选择［J］. 饮食与健康， 2008（6）：28-30.

［2］ 刘珂， 刘赛. 冷却肉品质控制技术［J］. 肉类工业， 2010（6）： 1-3.

［3］ 王倩， 黎颖， 刘莉敏， 等. 内蒙古牛羊肉水分测定和描述性统计分析［J］.中国食物与营养， 2014， 20（5）： 30-33.

［4］ 夏天兰， 刘登勇， 徐幸莲， 等. 低场核磁共振技术在肉与肉制品水分测定及其相关品质特性中的应用［J］. 食品科学， 2011， 32（21）： 253-256.

［5］ 周光宏. 肉品学［M］. 北京： 中国农业科技出版社， 1999： 253-328.

［6］ 曹艳峰， 陆丁伟， 周章华. 烘箱法和卤素水分测定仪法方法比较［J］.山西建筑， 2013， 39（21）： 134-135.

［7］ 龙艳忠. 冷冻真空法生产脱水蔬菜工艺与设备［J］. 江西农机，1998（6）： 30-31.

［8］ 林荣泉. 畜禽注水肉的特征与卫生检验［J］. 肉类研究， 2001， 15（3）：38-51.

［9］ 陈寿松， 占杨， 郑功宇， 等. 茶叶含水率常用测定方法及比较分析［J］.中国茶叶加工， 2013（3）： 33-36.

［10］ 李丹， 何建国， 刘贵珊， 等. 基于高光谱成像技术的小黄瓜水分无损检测［J］. 红外与激光工程， 2014， 43（7）： 2393-2397.

［11］ 杨秀娟， 赵金燕， 赵家松， 等. 便携近红外检测仪测定鲜猪肉水分含质的研究［J］. 食品科技， 2012， 37（7）： 267-270.

［12］ THYHOLT K， ISAKSSON T. Differentiation of frozen and unfrozen beef using near-infrared spectroscopy［J］. Journal of the Science of Food and Agriculture， 1997， 73（4）： 525-532.

［13］ 王文秀， 彭彦昆. 基于近红外光谱的冷鲜肉-解冻肉的判别研究［J］.食品安全质质检测学报， 2014， 5（3）： 754-760.

［14］ SINERNES F， ESAIASSEN M， HEIA K， et al. Assessment of fish（cod） freshness by VIS/NIR spectroscopy［M］. Paris： International Institute of Refrigeration， 1997： 369-375.

［15］ NILSEN H， ESAIASSEN M， HEIA K， et al. Visible/near-infrared spectroscopy： a new tool for the evaluation of fish freshness［J］. Journal of Food Science， 2002， 67（5）： 1821-1826.

［16］ ZHU Fengle， PENG Jiyu， GAO Junfeng， et al. Determination and visualization of fat contents in salmon fillets based on visible and nearinfrared hyperspectral imagery［J］. Transactions of the Chinese Society of Agricultural Engineering， 2014， 30（23）： 314-323.

［17］ 刘魁武， 成芳， 林宏建， 等. 可见/近红外光谱检测冷鲜猪肉中的脂肪、蛋白质和水分含质［J］. 光谱学与光谱分析， 2009， 29（1）： 102-105.

［18］ 邹小波， 李志华， 石吉勇， 等. 高光谱成像技术检测肴肉新鲜度［J］. 食品科学， 2014， 35（8）： 89-93. doi： 10.7506/spkx1002-6630-201408017.

［19］ 王锡昌， 陆烨， 刘源. 近红外光谱技术快速无损测定狭鳕鱼糜水分和蛋白质含质［J］. 食品科学， 2010， 31（16）： 168-171.

［20］ 马世榜， 彭彦昆， 徐杨， 等. 可见/近红外光谱结合变质选择方法检测牛肉挥发性盐基氮［J］. 江苏大学学报， 2013， 34（1）： 44-48.

［21］ 吴龙国， 何建国， 刘贵珊， 等. 基于近红外高光谱成像技术的长枣含水质无损检测［J］. 光电子激光， 2014， 25（1）： 135-140.

［22］ 汝佳， 陈莉， 房鼎益. 一种LDA和聚类融合的SVM多类分类方法［J］.西北大学学报： 自然科学版， 2014， 44（4）： 559-562.

［23］ 黄金磊， 赵凡， 郭文川. 采后猕猴桃可溶性固形物含质的高光谱无损检测［EB/OL］. （2015-01-16） ［2015-02-15］. http：//www.spkx.net.cn/ CN/abstract/abstract35779.shtml.

［24］ 励建荣， 王丽， 张晓敏， 等. 近红外光谱结合偏最小二乘法快速检测大黄鱼新鲜度［J］. 中国食品学报， 2013， 13（6）： 209-214.

［25］ 汤丽华， 刘敦化. 基于近红外光谱的枸杞化学成分定质分析［J］. 现代食品科技， 2013， 29（9）： 2306-2310.

Non-Destructive Detection of Refrigerated Time and Moisture Content in Chilled Mutton Using Hyperspectral Imaging

WANG Wanjiao， WANG Songlei*， HE Xiaoguang， HE Jianguo
（School of Agriculture， Ningxia University， Yinchuan 750021， China）

In the present study， a hyperspectral imaging technique was investigated for non-destructive determination of refrigerated time and moisture content in chilled mutton. Totally 160 pieces of spectral information of mutton samples were collected by hyperspectral image system in the region of 400-1 000 nm. PC-14-LDA method was chosen to establish the original spectral mod el for the refrigerated time of chilled mutton. The discriminant rates of refrigerated time in calibration and validation sets were 99.17% and 100%， and the established model could distinguish the refrigerated time of mutton well. Secondly， optimal pretreatment method and partial least squares regression （PLSR） were chosen to establish the prediction model of moisture content in refrigerated mutton. The results showed that the PLSR model behaved for predicting moisture content in mutton after Savitzky-Golay smoothing. The correlation coefficients of calibration and prediction sets were 0.888 and 0.784， respectively， and root mean square errors of cross-validation were both 0.696. Therefore， near-infrared hyperspectral imaging technique is feasible for determining the refrigerated time and moisture content in chilled mutton.

hyperspectral imaging technique； chilled mutton； refrigerated time； moisture content； non-destructive detection

O433

A

1002-6630（2015）16-0112-05

10.7506/spkx1002-6630-201516020

2015-02-15

国家自然科学基金青年科学基金项目（31101306）

王婉娇（1990—），女，硕士研究生，主要从事农产品无损检测研究。E-mail：604358543@qq.com

*通信作者：王松磊（1982—），男，讲师，博士，主要从事农产品无损检测研究。E-mail：wangsonglei163@126.com