近红外光谱结合灰色关联度分析快速综合评价猪肉新鲜度

张 凡，姜 鑫，张存存，孙剑锋，王 颉，王文秀

（河北农业大学 食品科技学院，河北 保定 071000）

我国是肉品生产和消费大国，2018年禽肉总产量达8 517万t。肉品营养价值丰富，在贮藏、运输和销售过程中，极易受到微生物和酶的作用而发生品质衰变，如pH降低、挥发性盐基氮（TVB-N）含量上升等，造成新鲜度的下降［1］。GB 2707—2016《鲜（冻）畜、禽产品》中以TVB-N为指标，以15 mg/100 g为阈值判断肉的新鲜程度。常规检测方法存在耗时、费力、破坏样品的缺点，无法满足实时监控检测的需要，因此研究新鲜度快速、无损评价的方法具有重要的意义。

光谱技术是近年来迅速发展的无损快速检测方法，在肉品新鲜度检测方面已有较多的研究报道，证实了该方法的可行性［2-5］。Huang等［6］搭建了近红外多光谱成像系统，结合反向传播人工神经网络和自适应增强建模算法，实现了猪肉新鲜度的快速评价，相关系数为0.832 5。Khulal等［7］结合高光谱成像技术和数据降维算法，建立了鸡肉中TVB-N的神经网络预测模型，预测集相关系数为0.754 2。Qiao等［8］利用可见及近红外光谱技术，实现了鸭肉新鲜度的快速评价，预测集相关系数达0.859。上述研究证实了光谱技术的优势，但对新鲜度的评价多集中在TVB-N单一指标上，而肉品新鲜度变化情况复杂，涉及外部感官、内部理化等多方面变化，单一指标评价新鲜度的可靠性和准确性有待进一步提高。另有研究对新鲜度相关的多个指标展开检测研究，如张雷蕾等［9］基于高光谱技术对猪肉pH和TVB-N进行研究，王文秀等［10］基于近红外光谱建立了原料猪肉新鲜度指标（颜色、pH和TVB-N）的快速预测模型。但相关研究大多仅停留在理化值的快速预测上，或根据理化值范围对新鲜度等级进行初步划分，缺少进一步整合多元信息对新鲜度进行客观科学综合评价的研究报道。

因此，为了实现肉品新鲜度的快速综合评价，本研究以猪肉为研究对象，首先基于近红外光谱技术，建立新鲜度相关指标的快速预测模型，进而结合灰色关联度分析，对多元信息进行赋权分析，从而为新鲜度的快速综合评价提供1种新的方法。

1 材料与方法

1.1 试验材料

试验样品为屠宰后经过冷却排酸的生鲜猪肉，部位为背最长肌。将背最长肌去皮、剔除表面筋膜后，切成长×宽×厚为8 cm×5 cm×2.5 cm的试验样品，置于自封袋中编号。随后将样品无挤压置于4 °C冰箱中贮藏，每天随机取出4个样品用于光谱数据获取和理化值测定，试验持续14 d。剔除异常样品后，共获得54个新鲜和不同腐败程度的有效样品。

1.2 仪器与光谱采集

光谱数据的获取通过实验室建立的反射光谱采集系统完成，该系统由可见—短波近红外光谱仪（USB4000，345～1 033 nm，光学分辨率0.21 nm，以下称为第1波段光谱）、近红外光谱仪（FLAMENIR，940～1 665 nm，光学分辨率5.86 nm，以下称为第2波段光谱）、Y型光纤、卤钨灯、环形光导、计算机等组成。试验时，首先打开光谱仪和光源预热30 min；然后，对光谱仪的采集参数进行设置，具体包括：设置USB4000光谱仪的积分时间为400 ms，平均次数为1，平滑度为5，设置FLAMENIR光谱仪的积分时间为800 ms，平均次数为1，平滑度为3；依次获取参比光谱和背景光谱后，采集样品的反射光谱信息。每个样品取5个不同位置进行光谱采集，求平均后作为其最终光谱。

1.3 理化指标测定

参照NY/T 2793—2015《肉的食用品质客观评价方法》、美国肉类出口协会（USDA）和National Pork Board对猪肉颜色检测标准的规定和现有文献报道［11］，以L*、pH和TVB-N作为新鲜度评价指标。L*和pH的测定利用精密色差计和pH计完成，TVB-N的测定参照《GB 5009.228—2016 食品中挥发性盐基氮的测定》进行。

1.4 数据处理与分析

首先对光谱进行预处理，以消除杂散光、散射等引起的误差。本研究对比采用了以下3种方法：（1）散射校正：标准正态变量变换（SNV）；（2）微分处理：窗口移动多项式最小二乘拟合法一阶导数（FD）；（3）FD+SNV。然后，利用竞争性自适应加权算法（CARS）筛选与待测指标相关的特征变量。模型建立采用偏最小二乘回归分析法（PLS），并利用校正集相关系数（Rc）、校正集标准分析误差（SEC）、预测集相关系数（Rp）、验证集标准分析误差（SEP）和相对分析误差（RPD）对模型进行评价。

利用灰色关联度分析对新鲜度进行综合评价。将L*、pH和TVB-N看作灰色系统，每个指标看作灰色系统的因素，选择各评价指标的理想值构建参考序列，待分析样品作为比较序列，分析流程如图1所示。首先进行无量纲处理，并根据式（1）计算参考序列和比较序列的差列，然后计算差列的两极最大差和两极最小值随后根据式（2）计算关联系数，其中ρ为分辨系数，一般取值为0.5，最后根据式（3）计算加权关联度［12］。在计算各个指标权重时，采用主观赋权（层次分析法）和客观赋权（CRITIC和熵权法）结合的方法，将其按式（4）进行乘法合成归一融合［13］，以此克服单一赋权法的不足，提高赋权的科学性［14］。

式中，X0(k)为参考序列，Xi(k)为比较序列，i为比较序列的样品编号，k为比较的指标数，Δi(k)为差列，ξi(k)为关联系数，ri为加权关联度，Wk为第k个指标的权重，为第k个指标用L种方法得到的权重积，表示m个指标用L种方法得到的权重积求和（流程见图1）。

图1 灰色关联度分析流程图Fig.1 Flow chart of grey correlation analysis

2 结果与分析

2.1 理化值分析

利用kennard-stone 算法将54个样品按照约3∶1的比例划分为校正集和验证集，理化值分析结果如表1所示。可以看出校正集样品的理化值范围涵盖了验证集范围，且平均值和标准偏差相当，从而保证了所建立模型的适用性和验证结果的准确性。

表1 猪肉新鲜度指标理化值分析结果Table 1 Statistical results of freshness parameters of pork

2.2 原始光谱信息分析

截去两端信噪比较低的噪音区域，全部试验样品的原始光谱如图2（a）所示，可以发现不同新鲜程度样品的光谱具有相似的变化趋势，仅在强度上有所差异。其中，550和580 nm处与肌肉中血红蛋白和肌红蛋白的浓度和状态有关，980 nm处与O-H键的二级弯曲振动有关，1 094和1 282 nm处则分别与C-H键二级振动和N-H键振动有关［15］。此外，从图中还可以看出，在940.33～981.31 nm重叠的波段范围内，2个波段光谱数据是不重合的。因此，为了最大限度地利用重叠区的优势特征，利用区域特征加权融合法对双波段数据进行融合，具体包括：首先，根据第2波段的采样间隔，分别获取2个波段光谱在940.33、946.19、952.05、957.91、963.76、969.61、975.46和981.31 nm处的光谱数据；然后，结合双波段光谱在上述波长下的数据权重（如表2所示），计算加权融合后各波长下的光谱值；最后，将464～940.33 nm波段范围的原始光谱、940.33～981.31 nm范围的融合光谱、981.31～1 665 nm范围的原始光谱组合形成融合后的双波段光谱。该方法能最大限度的利用重叠区的优势特征，且能保证融合后的光谱能和前后两段原始光谱有效连接起来。效果如图2（b）所示，可以看出双波段光谱能较为平滑地连接在一起，并未出现畸变现象。

图2 试验样品的原始光谱曲线Fig.2 Original spectra of experimental samples

表2 双波段光谱在重叠区波长下的权重Table 2 The weights of wavelengths in the overlap region for the dual-band spectra

2.3 新鲜度指标预测模型建立

对双波段光谱进行融合后，利用不同的预处理方法对原始数据进行处理，并建立新鲜度指标的预测模型。由前期研究可知，L*与肉中肌红蛋白和血红蛋白有关，与之相关的吸收峰主要集中在530～580 nm，因此仅利用第1波段光谱数据的建模结果更好；对于pH和TVB-N，与肉腐败过程中产生的氨、胺类化合物等多种物质有关，双波段光谱能更加全面地涵盖各类物质倍频和合频的吸收峰位置，提供了更多与其理化性质相关的信息，建模结果具有更显著的优势［16］。因此，基于预处理后第1波段光谱，建立了L*的预测模型，基于双波段光谱建立了pH和TVB-N的模型，并与原始光谱建模结果进行对比。在对双波段光谱进行预处理时，由于2台光谱仪获取的数据间隔不同（0.21和5.86 nm），因此前后波段数据分布不均，预处理时计算权重不同。本研究采用样条插值的方法，将数据以2 nm为间隔重排后进行光谱预处理。各个指标的建模结果如表3所示。

表3 不同预处理方法下新鲜度指标的建模结果对比Table 3 Comparison of modeling results for freshness pararmeters using different pre-treatment methods

从表3可以看出，对L*，基于SNV预处理光谱的建模结果优于FD处理后建模结果，可能是微分处理的过程降低了信噪比，扩大了噪声在光谱中的作用。而FD处理后再经SNV处理，能使模型的预测性能有明显提高，Rp上升至0.896 4，且RPD值提高到2.227 6。因此，综合考虑Rp和RPD，FD结合SNV作为L*预测的最佳预处理方法。对参数pH，同样发现SNV预处理后建模结果优于FD结果，但是FD结合SNV处理并未对结果有明显改善，以SNV处理后建模结果为最佳，Rp为0.931 7，RPD为2.407 3。对参数TVB-N，FD结合SNV处理后的结果为最佳，Rp为0.948 1，RPD为2.206 4。

同时，分析表中结果发现，对3个参数预测结果的RPD值均小于2.5，表明利用光谱技术预测该参数是可行的，但是预测性能有待进一步提高。这可能与模型均基于全光谱数据构建，包含的冗余数据增加了光谱信息的复杂性，造成了严重的共线性有关［17］。因此，在各参数最优模型的基础上，进一步利用CARS方法从全光谱数据中筛选特征光谱，建立简化的PLS模型。结果如表4所示，可见各参数的预测模型性能均有显著的提升，Rp分别提高至0.975 4、0.964 2和0.967 7，且RPD值均大于2.5，证明预测模型具有较好的稳定性和准确性。

表4 基于特征波长的各参数建模结果Table 4 Modeling results for freshness parameters based on feature spectra

2.4 新鲜度灰色关联度分析

（1）参考序列构建。在3个新鲜度指标中，TVB-N属于在适宜范围内越小越好的逆向指标，因此选择实际测定数据的最小值5.55 mg/100 g作为参考序列值。L*和pH为中性指标，参照NY/T 2793—2015《肉的食用品质客观评价方法》的规定，分别取45和5.5作为L*和pH的参考序列值。

（2）数据预处理。将新鲜度指标的测定结果进行均值化处理。

（3）关联系数的计算。按照公式（2）计算出比较序列中新鲜度指标的关联系数，其中两级最小差为0，两级最大差为2.007 0，分辨系数ρ为0.5。

（4）关联度权重计算。首先采用层次分析法计算出L*、pH和TVB-N的权重分别是0.268 4、0.117 2和0.614 4。然后，采用客观赋权法计算3个新鲜度指标的权重。其中，熵权法的赋权表现为TVB-N的权重值最大，其次是L*，pH的权重值最小，权重从大到小依次为0.386 6、0.337 2和0.276 2。CRITIC方法计算3个新鲜度指标权重从大到小依次表现为pH＞TVB-N＞L*，权重分别为0.403 3、0.325 6和0.271 1。最后，融合主、客观的权重值，得到L*、pH和TVB-N的组合权重分别是0.213 4、0.113 6和0.673 0。

（5）将计算出的权重代入式（3）中计算出加权关联度，加权关联度值越大表明该样品的新鲜程度越高，反之越差。54个样品的关联度分析结果如图3所示，可以看出其关联度系数基本呈下降趋势，表明样品的新鲜程度逐渐下降，这与试验过程中样品随贮藏时间的延长逐渐腐败的变化趋势一致。参考NY5029—2008《无公害猪肉 TVB-N》、NY2799—2015《绿色食品 畜肉 水分和TVB-N》和NY/T 2793—2015《肉的食用品质客观评价方法》的规定，将灰色关联度介于0.8～1之间的为良好，0.7～0.8之间的为合格，0.6～0.7为差，0.6以下为极差。

图3 不同样品的灰色关联分析结果Fig.3 Grey correlation analysis results for different samples

2.5 新鲜度快速综合评价验证

结合2.3建立的新鲜度指标快速预测模型和2.4中的灰色关联度模型，另取20个样品对新鲜度快速综合评价模型进行验证分析。L*、pH和TVB-N的实测值和预测值之间的关系如图4所示，预测相关系数R分别为0.975 3、0.929 1和0.948 0，SEP分别为0.835 7、0.087 8和2.570 0 mg/100 g，表明模型具有较好的预测能力。将20个样品的预测值代入灰色关联分析模型，计算其加权灰色关联度，其结果如图5所示，20个样品中有4个良好，7个合格，6个差和3个极差。

图4 验证样品实测值和预测值的相关关系图：（a）L＊；（b）pH；（c）TVB-NFig.4 Correlation diagram between actual values and predicted values: (a) L＊; (b) pH; (c) TVB-N

图5 验证样品的灰色关联分析结果Fig.5 Grey correlation analysis results for predicted samples

3 讨论与结论

本研究结合可见及近红外光谱技术和化学计量学方法，建立了新鲜度指标的预测模型，对L*、pH和TVB-N的Rp分别为0.975 4、0.964 2和0.967 7。该结果优于魏文松等［18］利用特征波长建立TVB-N的多元线性回归模型，后者的Rp为0.904 0。与邹昊等［19］对比不同的光谱预处理方法建立羊肉中TVB-N的模型结果相比，本研究的模型性能具有一定的优势，后者的Rc和Rp分别为0.94和0.92。分析原因，一方面与本研究利用CARS优选了与待测组分相关的特征变量有关，无关变量的去除简化了模型，提高了模型的预测能力。另一方面，本研究建模前利用区域特征加权算法对双波段光谱进行了融合，与现有研究中利用的单一波段光谱相比，能提供更加全面反映样品特性的光谱信息，为后续准确模型的建立奠定良好的基础。

本研究在建立L*、pH和TVB-N快速预测模型的基础上，结合灰色关联度分析对其新鲜程度做出综合评价。而现有同类研究，多是仅停留在建立多个指标的快速预测模型的层面，缺少对其新鲜度的综合评价，如Qu等［20］将近红外光谱技术和多指标统计信息融合算法结合，构建了pH和TVB-N的模型。张雷蕾等［9］结合TVB-N和pH将猪肉划分为一级鲜度、二级鲜度和变质肉3个等级，但其分类依据为较为宽泛的数据范围。而本研究采用的灰色关联度分析综合多个指标进行加权分析，能够更加客观、可靠和全面地评价猪肉的新鲜程度。值得注意的是，在灰色关联度分析过程中，科学、可靠的参考序列取值至关重要，将直接影响比较序列和参考序列的关联度分析，进而影响最终的新鲜度评价结果。

本研究为肉品新鲜度快速综合评价提供了1种新的方法和思路，而肉品品质实际上包括了食用性、营养性和安全性等多个方面，因此在后续的研究中，可借鉴本文的研究思路，将其拓展至更多指标的预测分析中，结合各品质参数的权重，对其进行综合评价与分级。