基于拉曼光谱技术的掺鸡肉牛肉馅快速判别方法

摘 要：利用拉曼光谱技术结合化学计量学方法对掺入鸡肉的掺假牛肉馅进行快速判别。选取89 个样本，采集样本的拉曼光谱，对原始光谱进行卷积平滑预处理，采用主成分分析法进行聚类分析，并利用支持向量回归建立模型。结果表明：掺假牛肉馅样本校正模型的决定系数R2c为0.999 4，均方根误差（root mean sruare error，RMSE）为0.230 0；交互验证决定系数R2cv为0.999 3，RMSE为0.298 0；预测模型的决定系数R2p为0.971 6，RMSE为0.236 0。因此，利用拉曼光谱技术结合化学计量学方法对掺鸡肉的牛肉馅进行快速判别是可行的。

关键词：拉曼光谱；牛肉馅；鸡肉；主成分分析；支持向量回归

Rapid Discrimination of Minced Beef Adulterated with Chicken Using Raman Spectroscopy

ZHOU Yaling

（School of Agriculture， Ningxia University， Yinchuan 750021， China）

Abstract： The aim of this research was to establish a rapid method for identifying minced beef adulterated with chicken using Raman spectroscopy combined with chemometrics. Raman spectra of 89 samples were collected and preprocessed by Savitzky–Golay smoothing. The obtained data were analyzed using principal component analysis （PCA） and cluster analysis （CA）. As a result， a support vector regression （SVR） model was developed. The coefficient of determination in calibration （R2c） for the model was 0.999 4 with a root mean square error （RMSE） of 0.230 0， and the coefficient of determination in cross-validation （R2cv） was 0.999 3 with a RMSE of 0.298 0. The coefficient of determination in prediction was 0.971 6 with a RMSE of 0.236 0. Therefore， it is feasible to use Raman spectroscopy combined with chemometrics for rapid identification of adulterated beef with chicken.

Keywords： Raman spectroscopy； minced beef； chicken； principal component analysis； support vector regression

DOI：10.7506/rlyj1001-8123-201805005

中图分类号：TS251.1 文献标志码：A 文章编号：1001-8123（2018）05-0026-04

引文格式：

周亚玲. 基于拉曼光谱技术的掺鸡肉牛肉馅快速判别方法[J]. 肉类研究， 2018， 32（5）： 26-29. DOI：10.7506/rlyj1001-8123-201805005. http：//www.rlyj.pub

ZHOU Yaling. Rapid discrimination of minced beef adulterated with chicken using raman spectroscopy[J]. Meat Research， 2018， 32（5）： 26-29. DOI：10.7506/rlyj1001-8123-201805005. http：//www.rlyj.pub

牛肉因其高蛋白质、低脂肪、维生素及矿物质含量高等特点，深受消费者的青睐。近年来，我国牛肉制品的生产和消费总量持续增长，牛肉价格持续上升，市售牛肉馅掺入低价鸡肉的现象屡见不鲜。建立一种快速、有效的牛肉馅纯度检测技术十分重要[1-6]。

目前传统的掺假物质检测方法存在检测费时、费力，物料需要预处理，检测技术效率低，并且只能检测特定的掺假物质，无法全面反映样品内部品质的变化及其所对应的分子结构变化，不能满足市场监管中无损、快速判别的需求。与传统检测技术相比，拉曼光谱法具有预处理简单、测量时所需要的样品量少、分析速度快、无破坏性及适合于在線分析等优点，并且对掺假物没有限定，通过拉曼光谱谱图可以分析肉品中分子结构和各种基团之间的关系，进而达到快速、无损检测肉品品质的目的[7-15]。近年来，国内外学者利用拉曼光谱技术对不同物质的品质和掺假测定进行了大量研究。窦颖等[16]以面粉为原料，利用拉曼光谱技术对其品质进行快速检测，结果表明，当所建立的灰分含量取值范围为0.46%～0.85%、水分含量取值范围为13.3%～15.4%、湿面筋含量取值范围为28.0%～36.8%，定量模型的相关系数分别达到0.945 7、0.993 4和0.981 7，校正均方根误差分别为0.145 0、0.012 6和0.456 0时，可以实现面粉品质高效、无损、快速检测，且具有较大的发展空间。Georgouli等[17]以特级初榨橄榄油为原料，利用红外光谱和拉曼光谱数据进行建模，检测掺假橄榄油，结果表明，局部保持投影（classwise locality preserving projections，CLPP）算法伴随着发现的k-最近邻（k-nearest neighbors，k-NN）算法优于任何其他最先进的模式识别技术，可用于橄榄油的鉴别。已有众多学者利用拉曼光谱技术进行了相关研究，为其结合化学计量学方法快速判别掺假牛肉馅提供了可能。

本研究以拉曼光谱技术为主要手段，结合化学计量学方法中的主成分分析（principal component analysis，PCA）法，对掺入不同比例鸡肉的掺假牛肉馅进行聚类分析，并应用支持向量回归（support vector regression，SVR）分析建立纯牛肉馅及掺鸡肉牛肉馅的分类判别模型，实现掺鸡肉牛肉馅的快速分类鉴别。

1 材料与方法

1.1 材料

黄牛后腿肉和白羽鸡腿肉购自银川市宁阳超市。

1.2 仪器与设备

Inspector 300拉曼光谱仪 美国赛普斯公司；多功能食品搅拌机 中山市安蜜尔电器实业有限公司。

1.3 方法

1.3.1 肉样处理

选取纯牛肉样本40 个，纯鸡肉样本40 个，均为腿部肌肉，去除肌肉表面肌膜后，将肌肉打碎成肉馅；将鸡肉按质量分数0%、10%、20%、30%、40%、50%、60%、70%、80%、90%、100%的比例加入到牛肉馅中，搅拌均匀，制备成掺假牛肉，装入自封袋中，所得样本数为9 个。总计89 个样本，每个样本取不同位置测量5 次，取平均值，随机选取67 个样本作为校正集，剩余的22 个样本作为预测集。

1.3.2 样品测定

取肉样20 g置于载物台中央，调整位置使得激光束通过待测样品中心，于50 倍镜头下进行拉曼光谱测定，测定时间为30 s，拉曼光谱激光波长设定为785 nm，功率设定为10 mW，扫描范围为150～2 500 cm-1，聚焦深度为200 ?m。

1.3.3 光谱预处理

由于受激光及拉曼散射光的发射噪声、暗电流噪声及读出噪声、样品的荧光背景、样品及其周围环境的黑体辐射、环境中射线导致的尖峰等荧光干扰的影响，致使基线漂移较大，干扰有用信息，进而影响校正模型的建立和待测样品的预测效果。为了有效获取光谱信息，除去噪声信号、荧光背景、基线漂移等干扰，故需采用卷积（Savitzky-Golay，SG）平滑法对光谱进行预处理[18-21]。

1.3.4 SVR分析

SVR分析主要是在高维空间中构造线性决策函数来实现线性回归，运用拉曼光谱所得到的数据大部分都是非线性的，因此需要引入SVR中的核函数，将非线性数据映射到高维线性空间中，处理输入与输出之间的非线性关系。在应用SVR建立模型时，首先要对所有的数据集进行分类，然后根据自己的需要选择建模所需要的数据集，在进行建模时，需要进行惩罚参数C、不敏感函数ε、核函数g的设置，以此来获取最佳模拟曲线。在进行SVR模型建立时，为了验证系统所获取的模型是否有效，需要引入“模型验证”模块来进行进一步验证。基本原理为将给定数据随机划分为2 个独立的集合，即校正集和验证集，使用校正集导出模型，然后利用验证集数据评估其准确性[22-24]。

1.4 数据处理

首先用Origin 8.0软件对谱图进行SG平滑处理，然后利用The Unscrambler X 10.3（CAMO Software AS，OSLO，Norway）软件对牛肉样品进行PCA，并随机选取采集得到的样本的3/4做校正集，1/4做验证集，建立SVR模型。

2 结果与分析

2.1 纯牛肉馅及掺鸡肉牛肉馅样品的拉曼光谱分析

由图1～2可知，纯牛肉馅及掺鸡肉牛肉馅样品的拉曼谱图非常相似，均在433、611、835、1 183、1 374 cm-1处产生吸收峰。处在拉曼光谱区611 cm-1处的吸收峰是由于C—S伸缩振动所引起的，位于835 cm-1处的吸收峰是由于异丙基基团的骨架伸缩振动所产生的，位于1 183 cm-1处的吸收峰是由于对称—SO2伸缩振动所产生的，位于1 374 cm-1处的吸收峰是环伸缩振动产生的。而433 cm-1在可见光范围内，反映了纯牛肉馅及掺鸡肉牛肉馅样品的颜色变化[25-28]。由于2 种肉样的拉曼谱图非常相似，难以从谱图上直接判别，本研究通过PCA和SVR建立模型，对2 类样品进行进一步的分类研究。

2.2 混合肉样鉴别模型的建立

2.2.1 纯牛肉馅及掺鸡肉牛肉馅的PCA

采用PCA对原始数据进行降维，从大量数据中提取有用信息，并将其转为能直接判断的PCA图。

由图3可知，前10 个主成分对光谱矩阵的累积方差贡献率高达98%，而总贡献率大于70%～85%的方法即可使用[29-30]，因此，本研究选择主成分1和主成分2建立分析模型。

通常，PCA图中主成分1和主成分2的贡献率越大，说明提取的主成分可以代表更多的原始变量信息。PCA图显示了样本的分散和差异，具有相同或相近性质的样本聚集在一起，样品之间的间距越大，则说明样品之间的品质差距越明显。

由图4可知，每一个大圈代表一类样品的整体特性，而不同的小点代表不同的样品，主成分1和主成分2的得分贡献率分别为97%和3%，累计贡献率为100%。纯牛肉馅与掺入不同比例鸡肉的牛肉馅样品在主成分1轴上得到很好的区分，各组样本由左向右规律分布，并且各组样本之间不存在明显差异。随着掺鸡肉比例的增大，掺鸡肉牛肉馅在主成分1轴上与纯牛肉馅的距离增大，说明差异越明显。这说明拉曼光谱技术结合PCA可以很好地区分纯牛肉馅和掺鸡肉牛肉馅样本，并且可以很好地区分不同鸡肉添加量对牛肉馅品质的影响。

2.2.2 不同混合肉样SVR模型的建立

在PCA的基础上，建立SVR模型，对不同牛肉馅样品进一步进行验证。由SVR建模可知，当C=10、ε=0.1、g=0.01时的建模效果最好。

由表1可知：SVR校正模型的相关系数R2c为0.999 4，RMSE为0.230 0；交互验证R2cv为0.999 3，RMSE为0.298 0；SVR预测模型的相关系数R2p为0.971 6，RMSE为0.236 0。从模型的各个参数可以看出，R2c、R2cv和R2p分别为0.999 4、0.999 3和0.971 6，说明实验数据与拟合函数之间的吻合程度较高，校正模型R2c和交互验证R2cv相差0.000 1，且RMSE比較接近，说明SVR模型稳定；此外，校正集模型和预测集模型的RMSE分别为0.230 0和0.236 0，均小于0.5，说明其可以对不同牛肉馅进行有效判别。

由图5可知，校正集和验证集建模效果良好，模型稳定，可以实现对掺假牛肉馅的快速鉴别。

3 结 论

利用拉曼光谱技术对掺入不同比例鸡肉的掺假牛肉馅进行快速鉴别，结合化学计量学中的PCA和SVR法针对不同肉样建立模型。结果表明：掺入不同比例鸡肉的牛肉馅样品在PCA图中有规律的排列分布，且主要主成分对光谱矩阵的贡献率达到98%左右，说明PCA能将掺假牛肉馅快速鉴别出来；应用SVR建立的分析模型中，当C=10、ε=0.1、g=0.01时的建模效果最好；校正模型的相关系数R2c为0.999 4，RMSE为0.230 0，交互验证R2cv为0.999 3，RMSE为0.298 0，预测模型的相关系数R2p为0.971 6，RMSE为0.236 0；从模型的各个参数可以看出，R2c、R2cv和R2p分别为0.999 4、0.999 3和0.971 6，均接近1，说明实验数据与拟合函数之间的吻合程度较高，校正模型R2c和交互验证R2cv相差0.000 1，且RMSE比较接近，说明SVR模型稳定，可以实现对掺鸡肉牛肉馅的快速、准确判别。

参考文献：

[1] 张玉卿， 孙宝忠， 郎玉苗， 等. 不同形态牛肉食用品质和营养品质分析[J].

肉类研究， 2015， 29（6）： 1-4. DOI：10.7506/rlyj1001-8123-201506001.

[2] 麻海峰， 常征， 杨光辉. 牛肉的营养价值及排酸、速冻工艺研究[J]. 农业科技与装备， 2010（7）： 34-36. DOI：10.3969/j.issn.1674-1161.2010.07.011.

[3] 石力安， 郭辉， 彭彦昆， 等. 牛肉含水率无损快速检测系统研究[J]. 农业机械学报， 2015， 46（7）： 203-209. DOI：10.6041/j.issn.1000-1298.2015.07.029.

[4] 田潇瑜. 基于光谱与图像分析的生鲜牛肉嫩度快速检测技术研究[D].

北京： 中国农业大学， 2014.

[5] 欧阳文， 江发潮， 彭彦昆， 等. 基于可见/近红外光谱技术的牛肉嫩度快速无损检测[C]//中国农业工程学会2011年学术年会论文集. 北京： 中国农业工程学会， 2011.

[6] 代芬， BERGHOLT M S， BENJAMIN A J V， 等. 近红外激发荧光光谱与拉曼光谱快速鉴别马铃薯品种[J]. 光谱学与光谱分析， 2014， 34（3）： 677-680. DOI：10.3964/j.issn.1000-0593（2014）03-0677-04.

[7] 陈倩， 李沛军， 孔保华. 拉曼光谱技术在肉品科学研究中的应用[J]. 食品科学， 2012， 33（15）： 307-313.

[8] CHOI S M， MA C Y. Structural characterization of globulin from common buckwheat （Fagopyrum esculentum Moench） using circular dichroism and Raman spectroscopy[J]. Food Chemistry， 2007， 102（1）： 150-160.

[9] 王桂文， 彭立新， 陈萍， 等. 重型a地中海贫血红细胞的拉曼光谱[J]. 中国激光， 2009， 36（10）： 2651-2656.

[10] 张平丽， 孟耀勇， 肖军， 等. 显微拉曼光谱法定量检测碳氧血红蛋白饱和度[J]. 科学通报， 2012， 57（14）： 1222-1226.

[11] 刘平. 基于近红外和高光谱检测鸡蛋粉掺假的研究[D]. 武汉： 华中农业大学， 2017.

[12] 殷明. 基于宽频太赫兹光谱和化学计量学的食用油脂鉴别及掺假检测研究[D]. 北京： 中国矿业大学， 2017.

[13] 斯仁达来. 利用低场核磁共振技术快速检测掺假驼乳的研究[D]. 呼和浩特： 内蒙古农业大学， 2016.

[14] 王丹丹， 任虹， 李婷， 等. 蜂蜜掺假鉴别检测技术研究进展[J]. 食品工业科技， 2016， 37（16）： 362-367. DOI：10.13386/j.issn1002-0306.2016.16.064.

[15] 田晓静. 基于电子鼻和电子舌的羊肉品质检测[D]. 杭州： 浙江大学， 2014.

[16] 窦颖， 孙晓荣， 刘翠玲， 等. 基于拉曼光谱技术的面粉品质快速检测[J]. 食品科学， 2014， 35（22）： 185-189. DOI：10.7506/spkx1002-6630-201422035.

[17] GEORGOULI K， RINCON J M D， KOIDIS A. Continuous statistical modelling for rapid detection of adulteration of extra virgin olive oil using mid infrared and Raman spectroscopic data[J]. Food Chemistry， 2017， 217： 735-742.

[18] 王风丽. 拉曼光谱退偏度实验数据处理方法改进[J]. 物理与工程， 2017（增刊1）： 276-280.

[19] 張炜， 何石轩， 杜春雷， 等. 一种拉曼光谱预处理方法： 中国， CN 103217409 B[P]. 2015.

[20] 陈珊. 拉曼光谱的荧光背景扣除及其用于药物聚类分析[J]. 光谱学与光谱分析， 2010， 30（8）： 2157-2160. DOI：10.3964/j.issn.1000-0593（2010）08-2157-04.

[21] 夏磊， 张树霖. 拉曼光谱数据的分析和处理[C]//第十四届全国光散射学术会议论文摘要集. 北京： 中国物理学会光散射专业委员会， 2007.

[22] 郭虎升， 王文剑. 动态粒度支持向量回归机[J]. 软件学报， 2013（11）： 2535-2547.

[23] 杨芳. 基于支持向量回归（SVR）的材料热加工过程建模[D]. 上海： 上海交通大学， 2010.

[24] 肖建， 于龙， 白裔峰. 支持向量回归中核函数和超参数选择方法综述[J]. 西南交通大学学报， 2008， 43（3）： 297-303.

[25] VOL N. The applications of Raman spectroscopy in food science[J]. Trends in Food Science and Technology， 1996， 7： 361-370. DOI：10.1016/S0924-2244（96）10037-6.

[26] LI H， LIANG Y， XU Q. Support vector machines and its applications in chemistry[J]. Chemometrics and Intelligent Laboratory Systems， 2009， 95（2）： 188-198.

[27] 刘燕德， 劉涛， 孙旭东， 等. 拉曼光谱技术在食品质量安全检测中的应用[J]. 光谱学与光谱分析， 2010， 30（11）： 3007-3012. DOI：10.3964/j.issn.1000-0593（2010）11-3007-06.

[28] 阮榕生. 核磁共振技术在食品和生物体系中的应用[M]. 北京： 中国轻工业出版社， 2009.

[29] LAURENT W， BONNY J M， RENOU J P. Muscle characterisation by NMR imaging and spectroscopic techniques[J]. Food Chemistry， 2000， 69（4）： 419-426. DOI：10.1016/S0308-8146（00）00051-0.

[30] 陈亚斌， 刘梅红， 王松磊， 等. 低场核磁技术结合化学计量学法快速检测掺假牛奶[J]. 食品与机械， 2016（7）： 51-55. DOI：10.13652/j.issn.1003-5788.2016.07.012.