基于高光谱成像快速检测牛肉糜中大豆分离蛋白掺入量

何鸿举,朱亚东,陈 岩,王 魏,马汉军,2,陈复生,刘 玺

(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)

随着人民生活水平的提高,膳食结构也趋于科学化和优质化,牛肉等高营养价值肉类的需求量逐年上涨。牛肉低脂肪、高蛋白的优点使得牛肉拥有娇嫩的口感和鲜美的味道,深受国内外消费者的青睐[1-2]。大豆具有丰富的营养物质,其中蛋白质含量达到40%、油脂含量达到20%,是人类食品和动物饲料的主要原料。其中大豆分离蛋白含有丰富的多不饱和脂肪酸,人体所需8种氨基酸以及含量满足人体需求的植物蛋白,具有较高的消化利用率[3]。随着健康饮食观念的转变,复合型肉糜产品的需求量逐渐增长,通过添加适量的大豆分离蛋白达到改善牛肉蛋白组成,增强牛肉糜口感特性的效果。大豆分离蛋白价格低廉,可以掺入到牛肉糜中,降低成本,提高效益,但在牛肉糜生产销售过程中,一些不法商家擅自添加使用牟取暴利,损害消费者的权益,同时也扰乱了市场秩序[4-5]。因此,开发简捷、快速、定量的大豆分离蛋白掺入量检测方法,对于规范大豆分离蛋白的使用,保障消费者利益、稳定市场秩序具有重要意义。

在以往的研究中,高光谱成像技术多用于牛肉中新鲜度和化学组分的检测,对牛肉中掺假物的研究较少,本试验以生鲜牛肉和大豆分离蛋白为原料,将大豆分离蛋白复水后加入牛肉糜中制备成不同掺入浓度梯度的牛肉糜样品,运用近红外高光谱成像技术获取样品光谱信息,然后运用多元数据分析方法挖掘光谱信息构建预测模型,为近红外高光谱成像技术检测牛肉糜中大豆分离蛋白提供理论基础和数据支撑。

1 材料与方法

1.1 材料与仪器

生鲜牛肉(初始含水量72%～76%) 新乡市世纪华联超市冷鲜肉专柜提供;大豆分离蛋白(食品级) 临沂山松生物制品有限公司。

HSI-eNIR-XC130型推扫式高光谱成像系统 台湾五铃光电股份有限公司;TLE204E/02型电子分析天平 梅特勒-托利多仪器有限公司;JR06C-200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 样品制备 首先将购得的新鲜牛肉快速运回实验室,剔除表皮和筋膜,搅碎至肉糜状;经多次预实验(大豆分离蛋白与水以1∶1、1∶2、1∶3、1∶4、1∶5 g/g的质量比复水)得出,大豆分离蛋白与水按照1∶4 g/g的比例复水可以达到最佳掺入效果,故本试验确定按1∶4 g/g比例复水,然后按照一定比例掺入牛肉糜中(掺入梯度2%～30%,间隔为1%),充分混匀,备用。

1.2.2 高光谱图像采集与校正 打开高光谱成像系统,预热30 min,待光源稳定后,设定系统参数为:曝光时间4.25 ms,载物台移动速度7.27 mm/s,扫描间距100 mm,扫描波段900～1700 nm。然后将混匀的试验样品装于专用培养皿中(直径60 mm,高10 mm,样品重量约30 g),并将培养皿置于高光谱成像系统的载物台上,开启系统扫描获取样品的高光谱图像,每个浓度做3个平行样品,共获得90个样品的光谱信息。同时扫描获取白色图像和黑色图像,用以校正样品的原始高光谱图像[17],可采用如下公式进行:

式(1)

式中:RC为校正后的样品图像;RO为样品的原始图像;RB为黑色图像,其反射率约0%;RW为白色图像,其反射率约99.9%。

1.2.3 光谱信息提取 原始光谱图像校正后,利用高光谱成像系统自带软件工具提取感兴趣区域图像(整个培养皿中的肉样为感兴趣区域)中所有像素点的反射光谱,然后做平均,平均光谱作为一个大豆分离蛋白掺入浓度样品的光谱信息。

1.2.4 多元数据分析 偏最小二乘回归(Partial least squares regression,PLSR)是一种从应用领域提出的多元数据分析方法,通过投影分别将预测变量(如大豆蛋白掺入量)和观测变量(如波长)投影到一个新空间,来寻找一个线性回归模型[18]。多元线性回归(Multiple linear regression,MLR)是利用最小二乘函数对一个或多个自变量之间关系进行建模的一种回归分析。在线性回归中,数据使用线性预测函数来建模,并且未知的函数模型参数也是通过数据来估计[19]。

PLSR模型与MLR模型预测性能通过以下参数进行评价:均方根误差(Root mean square error,RMSE)、决定系数(R2)、剩余预测偏差(Residual predictive deviation,RPD)[20]。决定系数表示模型预测值与真实值间相关性的大小,均方根误差(RMSE)表明模型的预测精度的大小。一般而言,决定系数(R2)越接近于1,均方根误差(RMSE)越接近于0且剩余预测偏差(RPD)大于3的模型预测效果较好[21-22]。

1.2.5 最优波长筛选 采集的高光谱图像包含了大豆分离蛋白掺入样品的光谱和空间信息,信息量大、且相近波段间存在光谱共线性等会影响全波段模型的运算效率[23]。为了简化模型,提高运算速度,降低成本,本试验选用回归系数(Regression coefficients,RC)和连续投影的方法(Successive projection algorithm,SPA)从全波段(900～1700 nm)筛选最优波长,简化全波段预测模型。RC法是基于构建的全波段PLSR模型获得,RC值的大小与模型的性能关系密切,RC绝对值越大说明对所建模型性能影响越大,RC绝对值大的波长被选为最优波长[24]。SPA也是一种迭代前向变量选择方法,能降低多元线性分析中共线性问题,消除原始光谱矩阵中冗杂的信息,常被用于最优波长选择[25-26]。

1.3 数据处理

PLSR模型构建、MLR模型构建和RC法筛选最优波长在Unscrambler 9.7软件(挪威CAMO公司)中进行。SPA法筛选最优波长在MATLAB 2016a软件(美国Mathworks公司)中进行。

2 结果与分析

2.1 掺入样品光谱特征

获取不同掺入量大豆分离蛋白牛肉糜样品、纯牛肉糜样品、纯大豆分离蛋白样品的反射光谱特征,结果如图1所示。在900～1700 nm波长范围内,不同掺入量的牛肉糜样品反射率的趋势基本相同且反射率上下波动明显。从图1a中可以看出,不同样品在相同的波长处,尽管反射率不同但呈现相同的吸收峰,表明样品中化学组分不同。主要的吸收峰出现在980、1200、1450 nm左右,其中980和1450 nm处吸收峰源于O-H键的倍频吸收,而1200 nm处吸收峰源于C-H键的振动吸收[27-28]。图1b为纯牛肉、纯大豆分离蛋白、掺大豆分离蛋白15%牛肉糜样品和掺大豆分离蛋白30%牛肉糜样品的光谱特征,可以看出四条反射率曲线高低不同,但走势相似,在全波段范围内特定波长处,随着大豆分离蛋白掺入量的增加，牛肉糜样品的光谱反射率也逐渐增强。

图1 掺大豆分离蛋白样品的光谱曲线

2.2 基于全波段光谱的PLSR模型预测牛肉糜中大豆分离蛋白掺入量结果

基于全波段光谱信息(486个波长),构建PLSR模型,挖掘光谱信息与大豆蛋白掺入量之间的定量关系,其中62个样品用于模型校正,31个样品用于模型验证,结果如表1所示。从表1中可以看出PLSR模型的相关系数(rC、rCV、rP)均在0.95及以上,预测误差也较小,且RPD为4.04>3,说明所建PLSR模型预测牛肉糜中大豆分离蛋白掺入量的可行性和稳定性较好[29]。

表1 全波段PLSR模型预测牛肉糜中大豆分离蛋白掺入量结果

2.3 最优波长的筛选

基于全波段486个波长,采用RC法和SPA法筛选最优波长,结果如图2和图3所示。从图2中可以看出,通过两种方法选出的最优波长有所不同。通过RC法选出22个最优波长,分别为903.8、913.7、930.2、953.2、989.4、1052.0、1111.2、1137.5、1160.5、1172.0、1213.2、1331.6、1361.3、1465.1、1466.8、1663.5、1665.1、1686.7、1690.0、1691.6、1693.3和1695.0 nm,波长数量减少了96%;图3为通过SPA挑选方法选出的最优波长数与均方根误差图,通过综合分析可以得出,当均方根误差为2.30时,得出的最优主要波长数为21个,分别为900.5、913.7、915.4、923.6、925.2、941.7、968.1、1065.1、1126.0、1303.6、1381.0、1395.9、1466.8、1508.0、1562.5、1638.6、1678.4、1683.4、1688.3、1691.6和1693.3 nm,与全波段波长相比波长数量也减少了96%。

图3 SPA法筛选最优波长

图2 RC法筛选最优波长

2.4 基于最优波长的PLSR模型预测牛肉糜中大豆分离蛋白掺入量结果

基于RC法和SPA法筛选的最优波长,优化全波段PLSR模型,结果如表2所示。从表2中可知,RC-PLSR模型的相关系数(rC、rCV、rP)均在0.95及以上,预测误差较小(RMSEP:2.73%<3.69%),RPD值较大(3.32>2.38),预测性能优于SPA-PLSR模型。此外,和PLSR模型相比,RC-PLSR模型精度并未降低多少,虽然RC-PLSR模型潜在变量有所增加,但是波长减少率远远大于潜在变量的增加率,模型的预测效果并未降低,反而运算效率具有较大的提升,说明基于RC法筛选的22个最优波长建立的RC-PLSR模型可代替PLSR模型定量预测牛肉糜中大豆分离蛋白掺入量。

表2 基于最优波长优化PLSR模型预测牛肉糜中大豆分离蛋白掺入量结果

2.5 基于最优波长的MLR模型预测牛肉糜中大豆分离蛋白掺入量结果

筛选的最优波长数量小于样品数量,可建立MLR模型预测牛肉糜中大豆分离蛋白掺入量,结果如表3所示。从表3中可知,RC-MLR模型的rP和RPD值均高于SPA-MLR模型,且误差(RMSEC、RMSECV、RMSEP)也均小于SPA-MLR模型,预测性能优于SPA-MLR模型。RC-MLR模型预测性能略低于PLSR模型(rP:0.94<0.96;RMSEP:2.97%>2.33%;RPD:3.11<4.04)、RC-PLSR模型(rP:0.94<0.95;RMSEP:2.97%>2.73%;RPD:3.11<3.32),但高于SPA-PLSR模型(rP:0.94>0.91;RMSEP:2.97%<3.69%;RPD:3.11>2.38)。

表3 基于最优波长优化MLR模型预测牛肉糜中大豆分离蛋白掺入量结果

总体而言,基于RC法筛选的22个最优波长建立的RC-PLSR模型和RC-MLR模型预测性能优于基于SPA法筛选的21个最优波长建立的SPA-PLSR模型和SPA-MLR模型,其中最优简化预测模型RC-PLSR验证预测效果与杨清华等[30]研究牛肉-猪肉掺假预测相关系数相当,但预测误差减小了。最优模型预测效果如图4所示。

图4 RC-PLSR模型预测性能

3 讨论与结论

本试验研究了近红外高光谱成像技术快速检测牛肉糜中大豆分离蛋白掺入量的可行性。通过化学计量学算法挖掘900～1700 nm范围内样品光谱信息和大豆分离蛋白掺入浓度的定量关系,建全波段PLSR模型预测牛肉糜大豆分离蛋白掺入量,效果良好(rP=0.96;RMSEP=2.33%;RPD=4.04)。通过RC法和SPA法筛选最优波长,优化PLSR模型,建立RC-PLSR模型、SPA-PLSR模型、RC-MLR模型、SPA-MLR模型预测牛肉糜中大豆分离蛋白掺入量。结果显示,基于RC法筛选的22个最优波长建立的RC-PLSR模型预测效果最好(rP=0.95;RMSEP=2.73%;RPD=3.32),预测误差要小于白亚斌等[31]对牛肉中猪肉的掺假研究。试验表明近红外高光谱成像技术结合PLSR算法可实现对牛肉糜中大豆分离蛋白掺入量的快速检测,为后期试验技术的深入研究以及设备的开发提供了理论基础和数据支撑。

高光谱图像技术具有对肉类掺假快速、无损、安全、无污染的检测优点,但是在实际的运用中也存在一些需要改进的问题:高光谱成像技术不但获得待测物的表面信息还能获得待测物的光谱特征,产生了巨大的数据量,占据了大量的储存空间,影响模型的运算效率;高光谱数据量巨大,需要使用不同的数据降维方法减少数据量,提高运算效率,因此开发新的数据降维方法成为提高模型预测效果的重要手段之一;普及实时在线检测对高光谱适用性要求较高,高光谱检测容易受到外部光照、温度、检测部位等的影响,解决这一技术难题成为高光谱产业化应用的关键。因此为了实现高光谱成像技术在实际生活中的普及运用,应该加强数据运算与建模方法的开发与研究,开发多环境适用高光谱检测设备,促进该技术产业化、优质化的发展。