基于电子鼻和可见/近红外光谱技术的羊肉真实性鉴别

张春娟，郑晓春，古明辉，张德权，陈丽*

（1.宁夏大学食品与葡萄酒学院，宁夏银川 750021）（2.中国农业科学院农产品加工研究所，农业农村部农产品质量安全收贮运管控重点实验室，北京 100193）

随着我国居民生活水平的提高和消费观念的转变，肉品消费在居民饮食中所占的比例逐年升高[1,2]，而羊肉因其脂肪和胆固醇含量低，蛋白质、氨基酸、钙钾等矿物质含量高倍受消费者的青睐。据农业农村部和畜牧兽医局监测信息处统计[3,4]，2021 年8 月全国羊肉平均价格为每千克81.91 元，而鸭肉平均价格在每千克15～16 元。因此，不法商家利用消费者难以识别羊肉真假、优劣的漏洞，为了降低成本、谋求更高利润，制作掺假羊肉并流入市场，不仅对消费者经济利益造成损害，还扰乱了市场秩序。因此，亟需一种快速无损的检测方法，为羊肉质量保障提供技术支撑。

肉品真实性检测方法以形态学鉴别法[5]、蛋白质分析法[6,7]、DNA 分析法[8-10]等传统方法为主，检测速度慢、破坏性大、操作技能要求高。新型的方法利用无损分析技术进行肉品鉴别，主要包括光学技术[11-13]、电学技术[14-16]、核磁技术[17-19]等。He 等[17]综述了无损分析技术在食品真实性检测中的应用，发现近红外光谱、拉曼光谱和电子鼻技术在食品掺假检测上具有优势。近红外光谱技术是近年来发展成熟的一种定性定量分析技术，可以穿透和收集样品的结构和检测样品组成信息，其核心是建立稳定且准确的预测模型[20]，已广泛应用在肉品真实性鉴别上。Noha 等[21]采用近红外光谱技术实现了新鲜和冻融牛肉糜中不同掺杂物的检测和定量，所建PLSR 模型准确率分别为96%、93%。电子鼻由多个传感器阵列组成，也被广泛应用于食品真伪的鉴别。张娟等[22]利用电子鼻对牛肉中掺入猪肉进行定性和定量研究，多层感知神经网络分析中决定系数R2达到0.999 3。近年来，随着光电技术的迅速发展，多种技术结合在一定程度上起到互补作用，提高鉴别的准确性。王彬[23]以不同品种及产地的鸡蛋为研究对象，建立了基于电子鼻及近红外光谱的鸡蛋品种及产地鉴别模型，对品种和产地的判别准确率均为100%。史屹君等[24]设计并开发出基于近红外吸收光谱技术的电子鼻，结果对白醋、米醋和苹果醋的识别准确率达到100%，实现了高精度、高稳定度和高分辨率的设计目标。上述研究表明，利用电子鼻结合可见/近红外光谱技术可以应用于食品真实性鉴别，具有快速、简便、高效和环保的优点，但目前对于肉眼难以区分的羊肉掺鸭肉真实性检测还鲜有报道。

鉴于此，为提高肉品真实性鉴定的准确性，本研究以掺入不同比例鸭肉的羊肉肉糜为研究对象，利用电子鼻结合可见/近红外光谱技术对羊肉中掺入不同比例鸭肉样品的气味指标及光谱特征信息进行数字化描述，并进行羊肉真实性定性鉴别和羊肉中掺入鸭肉含量的定量检测，旨在为羊肉真实性判别提供技术依据。

1 材料与方法

1.1 试验材料

实验用羊腿肉、鸭腿肉购买于北京市海淀区某超市，置于装有冰袋的泡沫箱中，30 min 内运回实验室。将羊腿肉剔除表皮的筋膜、脂肪和血块，鸭腿肉剔骨、去脂肪、筋膜等并切块，按照鸭肉加入量占样品总质量的比例分为6 组，分别是0%、20%、40%、60%、80%和100%（m/m）羊肉组，使用绞肉机搅碎，350 W搅碎15 s，重复2 次（间隔10 s 左右手动混匀），取搅碎的样品平铺、压实于直径为90 mm 的培养皿中，每组制备24 个，共制备144 个样品用于模型构建。

后期又重新采样按照上述实验过程每个掺比制作5 个样本，共制作了30 个样本用于外部验证实验。

1.2 仪器与设备

QSJ-C04K3 型绞肉机（额定功率350 W），小熊电器股份有限公司；esto 205 便携pH 计，德国德图公司；CM-600d 分光测色计，日本株式会社；PEN 3.5 型电子鼻（含10 个金属氧化物传感器阵列，各传感器的名称及性能描述见表1），德国Airsense 公司；实验室搭建的近红外光谱采集系统：包括AvaSpec-2048x14 型光谱仪（自建功率20 W 卤钨灯的高效光源、发射采集一体式大区域反射光谱探头，检测波段200～1 100 nm，积分时间为100 ms，平均次数为5，采集波长间隔为0.573 nm，可获得1 608 个波长点的数据，光谱分辨率最小为0.05 nm），荷兰Avantes 公司；Micro NIR 微型近红外光谱仪（含双集成真空钨灯光源，分光器：线性渐变滤光片LVF，检测波段900～1 700 nm，积分时间为38 ms，扫描次数为50，采集的波长间隔为6.194 nm，可获得125 个波长点数据），美国JDSU 公司。

表1 PEN 3.5 电子鼻传感器阵列及其性能特点Table 1 PEN 3.5 Electronic nose sensor array and its performance characteristics

1.3 试验方法

1.3.1 色差值、pH 值的测定

分别使用色差计和pH 计测量样品L*、a*、b*值和pH 值。其中L*代表亮度、a*代表红度、b*代表黄度。每个样品测量不同位置色差值4 次、pH 值3 次，取其平均值作为该样品的色差值和pH 值。

1.3.2 电子鼻数据采集

称取（4.00±0.05）g 肉糜样品于20 mL 顶空瓶中，室温静置30 min 后顶空进样测量（静止30 min 的目的是使顶空瓶中产生足够的挥发性化合物）。电子鼻试验参数设置：样品准备时间5 s，检测时间60 s，测量计数1 s，自动调零时间10 s，清洗时间180 s，内部流量300 mL/min，进样流量300 mL/min。

1.3.3 可见/近红外光谱数据的采集

在实验室温度为（25±1）℃下，分别使用AvaSoft 8.7 和MicroNIR 1.5.7 软件采集200～1 100 nm 和900～1 700 nm 的可见/近红外光谱数据。每个样品采集表面3 个不同的点，取其平均值作为该样品的光谱数据，同一样品两个波段光谱数据采集间隔不超过2 min。

1.4 数据处理方法

所有数据使用Excel 2013 软件整理，采用IBM SPSS 19.0 中的ANOVA 进行方差分析，Duncan’s 多重检验进行差异显著性分析。采用Origin 2019 和SIMCA14.0 软件对电子鼻数据进行主成分分析（Principal Component Analysis，PCA）和正交偏最小二乘判别（Orthogonal Partial Least Squares Discriminant Analysis，OPLS-DA）分析。采用Matlab 2021a 对光谱数据绘图，利用PLS toolbox 工具箱的支持向量机（Support Vector Machine，SVM）结合偏最小二乘法（Partial Least Squares，PLS）对可见/近红外光谱原始数据进行特征变量筛选，建立定性定量预测模型。

可见/近红外光谱数据预处理方法采用一阶导数（First Derivative，1st D）、标准正态变量校正（Standard Normal Variate，SNV）、多元散射校正（Multiplicative Scatter Correction，MSC）、卷积平滑（Savitzky Golay，SG）、SNV 校正结合一阶导（SNV-First Derivation，SNV-1st D）和SG-SNV 叠加，以校正均方根误差（Root Mean Square Error of Calibration，RMSEC）、预测均方根误差（Root Mean Square Error of Prediction，RMSEP）、交叉验证均方根误差（Root Mean Square Error of Cross-Validation，RMSECV）、校正集决定系数（R2c）、验证集决定系数（R2p）、交叉验证集决定系数（R2cv）作为模型的评价指标。

2 结果与讨论

2.1 羊肉中掺入不同比例鸭肉样品的理化指标

羊肉中掺入不同比例鸭肉样品的pH 值和色差值分析结果见图1。由图1a 可知，100%羊肉组的pH 值显著低于0%羊肉组，且随着羊肉占比的减小即鸭肉比例的增加，样品的pH 值显著升高（p＜0.05）。如图1b所示，100%羊肉组的L*、a*和b*值均显著高于0%羊肉组（p＜0.05），这说明羊肉有更高的亮红色泽，与人们的感官认知一致，但随着鸭肉比例的增加，80%、60%、40%羊肉组样品的L*、a*和b*值均无显著差异（p＞0.05），20%和0%羊肉组的L*和a*值均无显著差异（p＞0.05），说明羊肉中掺入鸭肉对其色差值影响不大，肉眼更是难以区分。

图1 羊肉中掺入不同比例鸭肉样品的pH 值（a）、色差（b）变化Fig.1 The changes of pH (a) and color (b) of minced mutton adulterated with different proportions duck

2.2 羊肉中掺入不同比例鸭肉样品电子鼻鉴别技术

2.2.1 不同组样品气味的电子鼻响应结果

试验对所有样品的电子鼻结果进行测定，以一个60%羊肉组样品为例得到的电子鼻响应信号见图2a。由图2a 可知，进样后电子鼻的10 个传感器开始响应，响应值逐渐偏离基线后又趋于平稳，多数传感器在56 s后稳定，因而取稳定状态58～60 s 的平均响应值作为传感器的特征值。由图2b 均值后的10 个传感器响应信号雷达图可知，传感器W5S、W1W、W6S、W1S、W2S、W2W 响应信号均随鸭肉加入量升高而降低，其中传感器W1W 和W5S 对各组样品的响应值具有显著差异；传感器W5C、W1C、W3C、W3S 对各组样品的响应值基本一致。

图2 60%羊肉组电子鼻响应信号图（a）和6 组样品10 个传感器响应信号雷达图（b）Fig.2 Electronic nose response signal diagram of minced mutton adulterated with 60% mutton (a) and 10 sensor response radar diagram of the samples from six groups (b)

2.2.2 主成分分析

为进一步分析不同组样品的气味差异，对6 组样品的电子鼻数据进行主成分分析，结果如图3 所示。用椭圆将单一样品的散点图信息特征概括起来，椭圆距离的远近表示不同组样品之间的气味差异，前两个主成分的贡献率分别为86.6%和6.8%，累积贡献率达93.4%，可解释大部分原始变量的信息。根据鸭肉掺入量不同样品分布于6 个区域，除了两两相近组的样品有部分重叠外，其余组的样品均无交叉，说明两两相近组的样品产生的风味差异不明显，但随着鸭肉加入比例的升高，不同组样品风味差异明显，这是由于掺杂比例间隔大的组分其挥发性成分氮、硫及萜烯类等化合物的含量差异比较大。因此利用电子鼻可以在一定程度上对不同组样品进行区分，但精准性有待进一步提高。

图3 羊肉中掺入不同比例鸭肉样品的PCA 分析结果Fig.3 PCA analysis of minced mutton adulterated with different proportions duck

2.2.3 正交偏最小二乘判别分析

正交偏最小二乘法（OPLS-DA）是偏最小二乘法的扩展，在查找特定样本和数据集变量的相关性方面优势明显。利用SIMCA 14.0 软件对羊肉中掺入不同比例鸭肉肉糜样品进行自动拟合。通过自动拟合建立模型M1，模型R2X 值为1＞0.5，此模型建立成功。此外，模型的R2Y 值为0.669，Q2为0.621＞0.5，且R2Y 与Q2之间的差值＜0.3，说明建立的模型良好，具有较好的预测能力。

由图4a 可知，各组样品均在95%置信区间内，不同组样品均可以较好地聚为一类。图4b 表示第一、二主成分中各指标与不同组样品的相关性，X 变量与Y变量越靠近，相关性越高。W3S、W2S、W1S、W6S、W5S、W1W、W2W 传感器与100%、80%羊肉组具有相关性；W1C、W3C、W5C 传感器与所有样本都靠得较远，说明W1C、W3C、W5C 无法将6 组样品区分开，即羊肉中掺入不同比例鸭肉对羊肉中部分芳香族化合物、氨类、烯烃类化合物的影响不大。权重重要性排序（Variable Importance for the Projection，VIP）图4c展示了每个变量对样品分类的贡献大小，将VIP＞1 且p＜0.05 的变量作为显著性差异成分。传感器W5S、W1W、W1S 的VIP 值大于1，说明不同组样品中主要差异成分为硫化物、萜烯类和氮氧化物。使用有监督模式的OPLS-DA 进行分析时容易产生过拟合的现象，因此可以通过200 次响应的置换检验见图4d 来验证OPLS-DA 模型是否过拟合，模型的R2回归线在Y 轴的截距＜0.5，Q2与Y 轴的截距为负，说明模型没有过拟合。

图4 羊肉中掺入不同比例鸭肉样品的得分图（a）、载荷图（b）、VIP 图（c）以及OPLS-DA 模型验证结果图（d）Fig.4 Score graphs (a),load graphs (b),VIP graphs (c) and model verification results (d) of minced mutton adulterated with different proportions duck

综上所述，利用羊肉中掺入不同比例鸭肉样品的整体气味信息对不同组样品判断，发现不同组样品气味存在一定差异。羊肉中挥发性香气成分如萜烯类、芳香类、有机硫化物等物质的含量高于鸭肉，这主要是由于挥发性含氮和含硫化合物均具有特有的气味和较低的气味阈值[25]，在肉风味的形成中起着至关重要的作用。因此，电子鼻能较好的区分出羊肉中掺入鸭肉源成分。

2.3 羊肉中掺入不同比例鸭肉样品可见/近红外光谱分析技术

2.3.1 基于200～1 100 nm 和900～1 700 nm 波段下羊肉中掺入不同比例鸭肉样品光谱特征

本研究中使用的Ava 光谱仪的实际波长范围为200 nm 至1 100 nm，由于采集的光谱数据两端噪声较大且信号弱，因此选择370 nm 至1 050 nm 范围内的可用数据。144 个样品在370～1 050 nm 和900～1 700 nm波段下的原始反射光谱曲线如图5a、5b 所示，均值后的光谱如图5c、5d 所示。从图5a 中可以看出，所有样品出现光谱吸收峰的位置大致相同，均在430、560、595、750 和980 nm 附近出现反射波谷（吸收峰），其中430、560、595 和750 nm 附近的吸收峰在可见光范围内出现，这与血红蛋白、脱氧肌红蛋白和氧化肌红蛋白等对光的吸收有关[26,27]，而这些物质正是肉品呈现红色的原因[28]。从图5b 中可以看出，样品的主要吸收峰出现在980、1 200 和1 450 nm，其中980 nm 和1 450 nm处吸收峰源于O-H键的倍频吸收，而1 200 nm处吸收峰源于C-H 键的振动吸收[29]。不同样品在相同的波长处，虽然呈现相同的吸收峰但反射率不同，表明样品中化学组分含量不同。从图5c 中可以看出在800～1 000 nm 范围内随着羊肉占比的减小其光谱反射率增大，但在900～1 700 nm 的光谱图5d 中仅0%羊肉组和100%羊肉组光谱图反射率差异明显，其他组无明显变化规律。

图5 不同波段羊肉中掺入不同比例鸭肉样品的光谱特征变化Fig.5 Spectral characteristics of minced mutton adulterated with different proportions duck in the wavelength range of 370～1 050 nm and 900～1 700 nm

2.3.2 370～1 050 nm 波段下羊肉中掺入不同比例鸭肉样品判别模型构建

2.3.2.1 SVM-C 与PLS-DA 定性模型

将采集到的光谱数据进行2 分类和6 分类建模分析，其中2 分类是将样品分为0%～80%的掺伪羊肉组和100%纯羊肉组，6 分类是将样品按照试验分组分为0%、20%、40%、60%、80%和100%羊肉6 组，如表2 所示。以光谱数据为自变量X，各样品的赋值为分类变量Y，将各样本光谱数据与其对应的分类变量对应导入MATLAB 中进行样本集划分，其中75%的样品被划分为校正集，25%的样本被划分为预测集，分别建立SVM 和PLS 定性定量判别模型。

表2 不同分类体系下羊肉中掺入不同比例鸭肉样品的统计结果Table 2 The statistical results of samples of minced mutton adulterated with different proportions duck at different classification systems

2 分类法对原始数据建立的纯羊肉组和掺伪羊肉组SVM-C 与PLS-DA 定性判别结果如表3 所示，SVM-C 定性判别结果显示，校正集判别正确率达到100%，预测集有1 个被错判为纯羊肉，判别正确率为99.17%，建立的判别模型良好。对原始数据建立的PLS-DA 定性判别结果显示，校正集有1 个样本判别错误，将掺伪样品判别为纯羊肉，判别正确率为99.72%。综上，基于370～1 050 nm 波段的可见/近红外光谱技术可实现纯羊肉与掺伪羊肉的快速鉴别。

表3 基于2 分类法建立的SVM-C 与PLS-DA 模型定性判别结果（370～1 050 nm）Table 3 The qualitative discrimination results of the SVM-C and PLS-DA model based on 2-classification method within the wavelength range of 370～1 050 nm

2.3.2.2 SVM-R 和PLS-R 定量模型

光谱数据在采集过程中会产生基线漂移、散射、噪音等问题，严重影响建模的精确度，采用适当的光谱预处理方法会有效提高模型的精确度。表4 比较了不同预处理方法处理的6 分类法建立的不同组样本SVM-R 和PLS-R 定量模型，与原始光谱建模性能相比，经过SNV 处理后，SVM-R 模型性能最佳（见图6a），其R2C和R2P分别为99.68%、98.99%。经过MSC 处理后构建的PLS-R 模型效果最优（见图6b），R2C和R2P分别为99.66%、98.20%，所建模型预测值与真实值相关性较强。因此，利用370～1 050 nm 波段的可见/近红外光谱技术可实现羊肉中鸭肉掺入量的快速检测。

表4 不同光谱预处理方法建立的6 分类不同组样本SVM-R 和PLS-R 定量模型性能（370～1,050 nm）Table 4 The performance of SVM-R and PLS-R quantitative model for 6-classification method of different group samples established by different spectral pretreatment methods within the wavelength range of 370～1,050 nm

图6 370～1 050 nm 最优SVM-R 和PLS-R 模型预测结果Fig.6 Prediction results of the optimal SVM-R and PLS-R model based on the wavelength range of 370～1 050 nm

2.3.3 900～1 700 nm 波段下羊肉中掺入不同比例鸭肉样品判别模型构建

2.3.3.1 SVM-C 与PLS-DA 定性模型

2 分类法对原始数据建立的纯羊肉组和掺伪羊肉组SVM-C 与PLS-DA 定性判别结果如表5 所示，SVM-C 与PLS-DA 定性判别结果显示校正集和预测集均判别正确，其判别正确率均达到100%，说明建立的模型良好。结果表明，基于900～1 700 nm 波段的近红外光谱技术可实现纯羊肉与掺伪羊肉的快速鉴别。

表5 基于2 分类法建立的SVM-C 与PLS-DA 定性判别结果（900～1 700 nm）Table 5 The qualitative discrimination results of the SVM-C and PLS-DA model based on 2-classification method within the wavelength range of 900～1 700 nm

2.3.3.2 SVM-R 和PLS-R 定量模型

不同组样品经过不同预处理方法处理后建立的6分类法SVM-R 和PLS-R 定量模型如表6 所示，与原始光谱建模性能相比，经过MSC 处理后构建的SVM-R模型性能最佳（图7a），其R2C和R2P分别为96.10%、93.96%，在建立的所有SVM-R 模型中具有最高的决定系数。经过MSC处理后构建的PLS-R模型效果最优（见图7b），其R2C和R2P分别为98.24%、94.60%，在建立的所有PLS-R 模型中具有最高的决定系数，所建模型预测值与真实值相关性较强。因此，可以利用900～1 700 nm 波段的近红外光谱技术实现羊肉中鸭肉掺入量的快速检测。

图7 900～1 700 nm 最优SVM-R 和PLS-R 模型预测结果Fig.7 Prediction results of the optimal SVM-R and PLS-R model based on the wavelength range of 900～1 700 nm

表6 不同光谱预处理方法建立的6 分类不同组样本SVM-R 和PLS-R 定量模型性能（900～1 700 nm）Table 6 The performance of SVM-R and PLS-R quantitative model for 6-classification method of different group samples established by different spectral pretreatment methods within the wavelength range of 900～1 700 nm

整体来看，在两个波段下分别建立的定性定量模型结果中，定性判别模型效果（≥99.17%）要优于定量检测模型（≥95.37%），这是由于定性判别只是通过分析样品中光谱线波长就能确定样品所含元素的种类，即不同物质在近红外区域有丰富的吸收光谱，每种成分都有特定的吸收特征。因此在定性的基础上，定量检测是根据谱线的强度确定出样品所含各元素的含量，是定性分析的精确化。

基于两个波段数据构建的两种分类方法的SVM和PLS 判别模型判别正确率均超过95%，且PLS 模型判别效果优于SVM 模型，总的判别正确率均达到96%以上，这是由于SVM 其思想是寻求一个最佳分类面，可以正确分开两类样本且使得两类分类间距最大，而PLS法能对光谱数据进行线性组合，能在降维的同时解决分类问题。多种光谱预处理方法中经过MSC 处理的效果最佳，其可以有效地消除由于样本颗粒分布不均匀及颗粒大小不同而产生的散射对光谱的影响[30]，使所建模型性能均有所提升，因此使用MSC 处理光谱数据后建立的模型性能最好。基于6 分类法在不同波段下建立的最优SVM-R和PLS-R模型预测值与实际值高度融合，线性相关系数R 均比较高，说明预测值与实测值比较接近，模型预测能力良好，预测可靠，可以对未知样品进行预测，能够实现羊肉中掺入鸭肉源的定量检测。

2.3.4 外部验证实验

为了检验上述最优模型的鲁棒性，本研究又进行了外部验证实验。不同波段不同模型的预测集样品预测值与实测值之间的相关关系如图8 所示。由图8 可以看出，除图8c 在900～1 700 nm 波段下SVM-R 模型预测精度较差外，其他各个预测模型预测值和真实值的相关系数R2均比较高，说明预测值与实测值比较接近，模型预测能力良好，预测可靠，可以对未知样品进行预测。

图8 不同波段最优SVM-R 和PLS-R 模型预测值与实测值之间的相关关系Fig.8 Correlation between predicted value and measured value of the optimal SVM-R and PLS-R model based on the wavelength range of 370～1 050 nm and 900～1 700 nm

总体上，本研究详细的介绍了电子鼻结合可见/近红外光谱技术鉴别羊肉中掺入不同比例鸭肉肉糜样品，特别是在可见/近红外光谱技术上采用了2 个波段、2 种分类方法以及6 种光谱预处理方法进行对比分析，此外还对最优模型进行外部验证，模型验证效果良好。

电子鼻和可见/近红外光谱两种技术在羊肉真实性鉴别效果上发挥各自的特点和优势。电子鼻具有识别复杂气味的能力，能够快速提供被检测样品的整体信息及指示样品的隐含特征，通过在线分析肉品挥发性气体成分的变化，能够区分出掺伪羊肉。而可见/近红外光谱技术是利用不同比例掺假肉样中的有机化合物在可见/近红外光谱区内对光的吸收不同进而鉴别掺伪羊肉，可以定性判别和定量检测，弥补了电子鼻技术在掺假检测中无法定量的相对劣势。

3 结论

综上所述，本研究采用电子鼻结合可见/近红外光谱技术对羊肉中掺入不同比例鸭肉肉糜样品的气味指标进行数字化描述，并对光谱特征信息进行定性鉴别和定量检测。通过电子鼻主成分分析，说明不同组样品气味存在差异，进一步通过OPLS-DA 结合电子传感器性能特点发现，羊肉中含有更高的萜烯类、芳香类、有机硫化物等物质，表明电子鼻可以对掺杂不同比例鸭肉的羊肉糜进行有效区分。应用可见/近红外光谱技术对羊肉中掺入不同比例鸭肉样品进行建模分析，基于两个波段数据构建的两种分类方法的PLS 模型判别效果优于SVM模型，总的判别正确率均达到96%以上，且光谱数据经过MSC 处理的效果最佳。因此本研究结果为羊肉真实性在线无损检测、定性和定量检测提供了技术依据，为快速、准确检测监测肉品真实性提供了新的方法，研究结果具有一定的应用价值。