红外光谱图像处理技术的酱牛肉成分真实性研究

范晓云

(苏州技师学院，江苏 苏州 215009)

酱牛肉凭借独特的风味和较高的营养价值受到了消费者的青睐。然而在利益的驱使下，市场上出现以猪肉等廉价肉类、保水性物质掺假的酱牛肉，成为制约我国肉类熟食质量发展的首要因素[1]。因此，亟需开发一种快速、高效判定酱牛肉成分真实性的方法来规范市场[2]。

由于酱牛肉成分复杂，掺假肉与其外观极其相近，传统的检测方法灵敏度较低，所需时间长，结果适用性差，难以准确识别[3-6]。近红外光谱法是近年来发展起来的一种操作简便、检测速度快的无损检测方法，在食品快检领域已得到广泛应用，尤其是真伪鉴别方面[7-10]。但是现有近红外光谱的研究对象单一，成分简单，未见其用于熟肉类制品的掺假检测的报道。本研究为开发一种基于近红外光谱、结合化学计量学的熟肉成分真实性检测方法，以添加不同含量酱猪肉的掺假酱牛肉和添加不同含量卡拉胶的掺假酱牛肉为实验材料，采集样品近红外光谱信息，红外图像经预处理后分析其光谱，建立PLS模型，并对模型进行验证，提出了一种快速、准确的酱牛肉成分真实性判定方法。

1 材料与方法

1.1 材料与仪器

酱牛肉和酱猪肉：购自江苏苏州超市，均为新鲜熟肉，样品保存于4 ℃冰箱并于3 d内食用完；卡拉胶(食品级)。

ISF/28N型傅立叶变换红外光谱仪 德国BRUKER 公司；JR05-300型绞肉机 苏泊尔生活电器有限公司；01387型电子秤 德国Plazotta公司。

1.2 样品制备

为确保模型准确，将酱牛肉和酱猪肉外表的皮层及冻物去除并且尽量选取内部均匀的样品。首先将酱牛肉和酱猪肉都切成0.5 cm3左右的小块，然后将肉块放进绞肉机绞3 min成糜状，分别得到酱牛肉糜和酱猪肉糜。最后，在酱牛肉糜中掺入预设含量的酱猪肉来制造不同含量的酱猪肉掺假酱牛肉样品。酱牛肉糜中酱猪肉糜的含量(质量比)分别为20%、40%、60%。对于添加不同含量卡拉胶的掺假酱牛肉，则分别将5%、10%、20%的卡拉胶添加进酱牛肉糜。再次使用搅拌机搅拌2 min使添加物与酱牛肉糜混合均匀。所有样品均有30个平行，共210个样品(包括纯酱牛肉糜)。取(10.00±0.50) g样品放入5 cm样品杯中压实压平保存2 h。

1.3 光谱数据采集

光谱仪自检并预热后将样品盒放入指定位置，扫描范围为10000～4000 cm-1，分辨率为16 cm-1，每个样品采集3次，将3次采集数据的平均值作为最终光谱数据。实验时环境温度为15～20 ℃，湿度保持稳定。

1.4 图像预处理

为了减小数据容量和降低信噪比，使用Matlab 8.03对红外光谱进行Savitzky-Golay平滑和标准正态变量校正预处理[11,12]。

1.5 模型建立方法

随机选取3/5的样品(即每个样品有18个，共126个)作为训练集，剩余2/5的样本(即每个样品有12个，共84个)作为预测集，用于验证模型性能和统计正确率。PLS-DA是广泛应用的算法，在本研究中我们也采用PLS对样本进行建模分析。数据处理采用Matlab 8.03 软件平台进行分析。

1.6 模型验证与定量分析

将建立好的PLS模型进行稳定性和准确性验证。将上述预测集的84个样品用模型进行预测，以统计其正确率。回归模型评价的指标主要为样本实际值和预测值之间的相关系数(R2)、均方根误差(RMSE)和判别正确率。

2 结果与分析

2.1 原始红外光谱

图1 不同掺假酱牛肉的近红外光谱图Fig.1 Near-infrared spectra of different adulterated marinated beef

由图1可知，在所有样品的红外图谱中，纯酱牛肉的吸光度是最高的，可能是在此检测条件下，牛肉中所含营养物质与红外光谱作用最强烈。但添加酱猪肉或卡拉胶的掺假酱牛肉与纯酱牛肉随波数的变化趋势类似，因为畜肉类的脂肪、蛋白质中的官能团相似；而卡拉胶能与牛肉中的蛋白质紧密相连，形成凝胶网络，故添加卡拉胶的掺假酱牛肉也与纯酱牛肉相似[13]。设置不同掺假物质以及不同含量后，掺假酱牛肉的吸光度略低于纯酱牛肉，但吸光度值差距较小，且随波数变化相同[14]，总之，掺假酱牛肉与纯酱牛肉红外光谱没有明显差别。所以，虽然红外光谱能在一定程度上识别掺假酱牛肉，但若仅仅通过该原始红外光谱来准确指明酱牛肉中酱猪肉或卡拉胶的掺假含量是不可信的[15]。由图1还可知，红外光谱吸光度值与掺假物质、掺假含量之间有一定的相关性。吸光度高低顺序为：纯酱牛肉>添加酱猪肉的酱牛肉>添加卡拉胶的酱牛肉，且掺假含量越高，吸光度越高。这显示出红外光谱图像在掺假检测应用中的潜力。

2.2 PLS模型建立方法

红外图谱经过预处理后，建立PLS模型，在建立过程中，主因子数目会影响模型的稳定性和准确度，故有必要对主因子数目进行比较，以交互验证均方根误差值(RMSECV)作为指标。RMSECV值最低的主因子数模型是最佳PLS模型。添加酱猪肉或卡拉胶的掺假酱牛肉的RMSECV与主因子数的关系见图2。

由图2可知，随着主因子数的增加(0～15)，RMSECV先减小后增大最后平稳。在主因子数为6时，添加酱猪肉或卡拉胶的掺假酱牛肉PLS模型RMSECV值均为最小，分别为3.7和4，故在此条件下，PLS模型是最佳的，找到合适的主因子数有利于提高PLS模型的准确性，同时减少多余变量和信息的干扰。

图2 校正集红外光谱PLS模型交互验证RMSECV随主因子数的变化情况Fig.2 Interactive verification of RMSECV with the number of main factors by PLS model of calibration set infrared spectrum

添加酱猪肉、卡拉胶的掺假酱牛肉校正集和预测集的真实掺假含量和预测掺假含量分别见图3和图4。

图3 校正集(a)和预测集(b)样本(掺假酱猪肉)中模型的预测值与实测值之间的散点图Fig.3 Scatter diagrams between predicted value and measured value of model in correction set (a) and prediction set (b) samples (mixed with adulterated marinated pork)

图4 校正集(a)和预测集(b)样本(掺假卡拉胶)中模型的预测值与实测值之间的散点图Fig.4 Scatter diagrams between predicted value and measured value of model in correction set (a) and prediction set (b) samples (mixed with adulterated carrageenan)

由图3(a)可知，掺有酱猪肉的酱牛肉校正集模型的真实值与预测值的相关系数为0.99，R2为0.9834，而预测集模型的真实值与预测值的相关系数为1.01，R2为0.9679，二者值均较高，说明模型的准确度较高[16]。由图4(a)可知，掺有卡拉胶的酱牛肉校正集模型的真实值与预测值的相关系数为0.98，R2为0.9586，而预测集模型的真实值与预测值的相关系数为0.98，R2为0.9578，低于图3中的值，说明PLS模型准确度低于掺有酱猪肉的酱牛肉。但是总体来看，相关系数和R2值都比较高，接近1，均具有较好的适用性，能够应用于实际预测。

2.3 PLS模型验证与定量分析

为再次验证上述PLS预测集模型的准确性和适用性，应用该模型对掺有不同含量酱猪肉或卡拉胶的酱牛肉进行预测，预测结果见表1。

表1 预测集样品的预测结果Table 1 Prediction results of prediction set samples %

由表1可知，对于掺有酱猪肉的模型，预测误差相对值均在6.0%以内，判别正确率在97.2%～98.3%之间；对于掺有卡拉胶的模型，预测误差相对值均在8.0%以内，判别正确率在95.8%～96.9%之间，整体呈现掺假含量越高，误差越小，正确率越高的趋势。与2.2部分结果相一致，掺有酱猪肉的PLS模型好于掺有卡拉胶的，最低能达到3.8%。7组样品预测结果表明，PLS模型能够很好地判别样品是否为真实酱牛肉，具有较高的稳定性，比较可靠[17]。

3 结论

本研究对比分析了掺有不同含量酱猪肉、卡拉胶的酱牛肉的近红外光谱特征。经图像预处理后，选取了最佳的PLS主因子数，建立了PLS分析模型，进行酱牛肉掺假含量预测。研究结果表明，PLS模型具有较好的识别能力，对于掺有酱猪肉的酱牛肉，模型预测集R2可达0.9679，对预测模型进行验证，各掺假含量相对误差均低于6.0%，判别正确率可高达98.3%；对于掺有卡拉胶的酱牛肉，模型预测集R2可达0.9578，对预测模型进行验证，各掺假含量相对误差均在8.0%内，判别正确率可高达96.9%。由此可见，可以利用红外光谱结合化学计量学的方法来进行酱牛肉的成分真实性分析，该方法为酱牛肉的掺假研究提供了新思路，有助于提高肉制品的质量安全水平。