基于近红外高光谱成像快速无损检测注胶肉研究

何鸿举,朱亚东,王 魏,蒋圣启,马汉军,2,陈复生,刘 玺,朱明明,赵圣明,王正荣

(1.河南科技学院食品学院,河南新乡 453003; 2.河南科技学院博士后研发基地,河南新乡 453003; 3.河南工业大学粮油食品学院,河南郑州 450001)

近年来,随着经济的快速增长,人们越来越追求高品质生活,饮食追求已经从最初的解决温饱转变为高品质、高营养。肉类作为一种重要的食物占据了很大的市场份额,我国是猪肉生产大国同时也是消费大国[1]。近年来,猪肉产品问题越发严重,市场上“以次充好、以假乱真”的状况日益普遍,如往猪肉里添加其他动物源的肉来降低成本,或用一些边角料来掺假,这不仅扰乱了市场持续,严重的损害了消费者的利益,还严重威胁到广大人民群众的安全健康[2]。此外,肉及肉制品掺假还会带来一些其他方面的问题,例如宗教问题、过敏源的标识问题等[3]。卡拉胶常被用于肉制品,虽说其无毒、无害、无副作用,拥有良好的保水性,使用后可改善肉制品的性质,赋予良好的口感[4],但是违法使用则会导致不良后果,如在胶中掺加工业色素、防腐剂等物质。传统的检测方法包括感官评定法、化学检测法(酶联免疫吸附测定、聚合酶链反应),这些手段虽然检测精度高,但存在耗费时间长、成本投入大、操作复杂、对工艺要求高、以及对检测肉的机械破坏等缺点,使得传统的操作方法已经不适应快节奏的生产加工及销售模式[5]。因此,发展快速、无损、实时、高效的掺假检测技术具有重大意义。

近红外高光谱成像技术是近几年来发展起来的的一项新型非破坏性检测技术,融合了计算机技术、光学、信号处理等多个学科[6-7]。近红外高光谱成像技术运用近红外光谱区与有机分子中含氢基团振动的合频和各级倍频的吸收区一致等优点，结合图像学技术实现对掺假样品的快速无损检测,具有方便、快速、高效、不破坏样品和图谱合一[8]等优点,近年来,近红外高光谱技术已应用于果蔬产品的品质分析与无损检测[9-10],如检测荔枝果皮中花青素的含量[11]、葡萄果实内部品质指标[12]、蓝莓果实的糖度和硬度[13]、柑橘和脐橙的溃疡病[14-15]、枇杷和桃的果实缺陷[16-19]、马铃薯外部的品质[20]、黄瓜冻害[21]以及西瓜种子[22]、番石榴和人心果[23]等果蔬的分类。

鉴于高光谱成像技术的优势,本试验旨在探究近红外高光谱成像技术快速检测注胶肉的可行性。首先选用猪里脊肉为掺假对象,掺入不同浓度卡拉胶,通过获取光谱信息构建数学模型,实现注胶肉的快速评价,为近红外高光谱成像技术用于肉品掺假检测提供数据支撑。

1 材料与方法

1.1 材料与仪器

猪里脊肉 河南省新乡市世纪华联超市,在实验室去膜(表面的结缔组织),切碎,再用绞肉机充分搅拌至肉糜;卡拉胶 浙江一诺生物科技有限公司。

HSI-eNIR-XC130型推扫式近红外高光谱成像系统 台湾五铃光电股份有限公司;3900-ER光源 Illumination Technologies Inc,New York,USA;ImSpector V10E光谱仪 Spectral Imaging Ltd.,Oulu,Finland;光谱分辨率为5 nm;CCD探测仪 DL-604 M,Andor,Ireland;OLE2镜头 Schneider,German;IRCP0076-1COMB移动平台 Isuzu Optics Corp,Taiwan,China;TLE205E电子分析天平 梅特勒-托利多上海有限公司;SUPOR家用绞肉机 浙江绍兴苏泊尔生活电器有限公司。

1.2 实验方法

1.2.1 2%浓度卡拉胶溶液制备 2 g的卡拉胶加入100 mL蒸馏水。

1.2.2 掺胶猪肉糜制备 掺入卡拉胶浓度梯度为0～30%,注胶梯度为2%,注胶猪肉糜总质量为30 g,将得到的注胶样品置于专用培养皿中(直径60 mm,高10 mm)将样品表面铺平,然后进行数据采集,每个梯度各做5个平行样品,共80个注胶样本。

1.2.3 高光谱系统参数设置 为了保证光源的稳定及光谱采集的准确性,实验前开启高光谱设备预热30 min。待仪器稳定后对高光谱仪器进行参数设定和仪器黑白板校准。具体参数为:载物台移动速度为7.27 mm/s,设置调整近红外高光谱系统的曝光时间为4.25 ms,镜头扫描范围为100～200 mm,扫描波段为900～1700 nm,图像尺寸为640×512。

1.2.4 模型构建 获取高光谱图像后,用软件HSI Analyzer将扫描后得到的高光谱图像进行校正,确定感兴趣区域,提取感兴趣区域内的光谱信息,建立偏最小二乘模型。选用连续投影算法(Successive projection algorithm,SPA)对全波段模型进行优化。

1.3 数据处理

将得到的80个样品数据与掺假比例一一对应,按照2∶1(校正集∶预测集)比例划分为校正集与预测集,校正集用于模型构建,预测集用于模型验证。运用数据处理软件Unscrambler 9.7对数据进行处理,运用Matlab R2010b进行特征波长的选择,然后建立偏最小二乘(Partial least square,PLS)模型和多元线性回归(Multiple linear regression,MLR)模型。模型性能由校正集均方根误差(Root mean square error of calibration,RMSEC)、交叉验证集均方根误差(Root mean square error of cross validation,RMSECV)、预测均方根误差(Root mean square error of prediction,RMSEP)、相关系数(R)的值以及预测偏差(Residual predictive deviation,RPD)来评价[24]。

2 结果与分析

2.1 注胶肉的光谱特征

从图1a可看出,每个样本的平均光谱曲线是一条光滑的曲线,在900～1700 nm的范围内,每个样品的反射率有所不同,但光谱变化总趋势大致相同,在980、1200以及1450 nm处有明显的吸收峰,其中980、1450 nm处出现的吸收峰主要是由于水分含量(O-H)不同所引起的,在1200 nm左右出现的吸收峰主要是由于C-H键第二泛音振动所引起的[25]。图1b中可以看出随着掺胶量的增加样品光谱反射率逐渐增大,造成这样现象的原因是由于含胶量的增加导致肉糜产品的保水性增强以及含水量的升高,高含水量肉糜中含H基团含量增加,致使样品的反射率增强。

图1 注胶样品的光谱曲线特征Fig.1 Spectral curve of adulteration samples注:a:注胶样品的平均光谱图像;b:0、10%、20%、30%掺胶量和里脊肉的平均光谱图像。

2.2 全波段偏最小二乘预测模型

将光谱数据与注胶比例进行拟合,按照2∶1(校正集∶预测集)的比例,选出53个样本作为校正集,剩余样本作为预测集,利用偏最小二乘法(PLS)建立注胶肉模型。用预测集来检验全波段偏最小二乘预测模型的预测性能,结果见表1。其中校正集与交叉验证集的相关系数(RC)分别为0.98、0.97,均方根误差(RMSEC)分别为1.74%、2.35%,校正集与交叉验证集相关系数均接近于1,表明所建立的预测模型预测值与真实值相关性较好,能较准确的预测出卡拉胶的掺入量,其均方根误差均较小接近于0,表明所建模型的误差较小。为了检验模型,将预测集样品带入所建立的模型中,得到预测集相关系数(RP)为0.93,均方根误差(RMSEP)为3.16%,RPD>2.5,表明所建立的模型性能较好,精确度较高。综上分析得出,基于全波段所建立的PLS模型在预测注胶肉掺加量方面具有较好的适用性。

表1 全波段偏最小二乘模型预测注胶肉Table 1 PLS model for predicting glue-injected meat using full wavelength

表2 基于特征波长预测注胶肉Table 2 Predicting glue-injected meat based on characterisctic wavelengths

2.3 特征波长选择

高光谱数据中包含了大量信息,具有高纬度和共线性问题,其中一些相关性不强的光谱信息会影响所建模型的精确性,增加模型的运算时间,降低工作效率[26-28]。高光谱系统采集的光谱数据包括两部分,一部分光谱数据与所研究的样本特性相关性较大;另一部分光谱信息与建立的模型预测性能的相关性较小,繁多的无用波段影响数据的处理和分析[29]。为筛选出最优波长,简化模型,提高运算效率,本试验选用连续投影的方法(SPA)筛选最优波长,结果如图2。

图2a为利用SPA筛选出的特征波长分布图,共选择出11个特征波长,分别为903.84、913.72、935.13、961.47、1070.06、1124.34、1175.32、1397.52、1455.21、1527.83、1676.72 nm;与全波段486个波长相比,波长数量减少了97%。图2b为特征波长数量与均方根误差关系图,当最优波长数从1增加到6时,均方根误差逐渐减小,最优波长数从6增加到8时,均方根误差有增长的趋势,但是增加幅度较小,当最优波长大于8时,均方根误差逐渐下降,选择波长数为11其均方根误差为2.4789时,为最优波长数。

图2 基于连续投影算法挑选最优波长Fig.2 The optimal wavelengths selected by SPA

2.4 SPA-PLS和SPA-MLR模型的建立

特征波长筛选后,其波长变量数小于样品个数,选用PLS和MLR建模方式建立模型,将选择的11个特征波长作为输入变量组成11×80矩阵构建简化模型(SPA-PLS,SPA-MLR)。由表2可知,当潜在变量数为8时,所建立的PLS预测模型最优。SPA-PLS简化模型校正集,交叉验证集和预测集的相关系数分别为0.97、0.95和0.93,说明所建立的简化模型真实值与预测值相关性也达到了较好的结果,其均方根误差RMSEP(3.51%)>RMSECV(2.73%)>RMSEC(1.96%),说明了所建简化模型的准确性较高,建模所选择的样品具有较好的代表性,简化模型的稳定性较好。

建立的简化模型SPA-MLR预测结果可知,RP=0.92,RMSEP=3.62%,其预测精度以及RPD低于SPA-PLS预测精度,ΔE(RMSEP与RMSEC差的绝对值)为1.99%>1.55%,说明模型的稳定性也低于SPA-PLS。与全波段PLS模型相比,SPA-PLS模型预测卡拉胶含量的精度与全波段PLS模型基本相同,但利用11个最优波长所构建的SPA-PLS模型,其波长数量减少了97.7%,大大提高了模型的运算效率,因此运用SPA结合PLS算法建立预测模型可以实现对掺胶猪肉的快速无损检测,且其结果优于孟一等[30]研究。最优模型SPA-PLS结果如图3所示,图3a为简化模型预测能力结果图,图3b为对简化模型的验证结果图。

图3 SPA-PLS模型预测结果Fig.3 The prediction results by SPA-PLS注:a:优化模型校正集与交叉验证集预测结果;b:预测集预测结果。

3 结论

本试验运用近红外高光谱成像技术对注胶肉进行快速无损检测。首先基于全波段光谱构建PLS模型,预测效果良好(RC=0.98,RMSEC=1.74%,RP=0.93,RMSEP=3.16%,RPD=2.96)。为了提高建模效率,运用SPA法从全波段中筛选出11个特征波长,建立基于特征波长的SPA-PLS模型和SPA-MLR模型,预测效果依然良好。其中SPA-PLS模型预测效果最优(Rp=0.93,RMSEP=3.51%,RPD=2.66)。近红外高光谱成像技术结合连续投影算法可潜在实现注胶肉的快速无损检测。