基于近红外高光谱成像快速预测牛肉中猪肉掺入量

陈亮亮，朱亚东，李梦姣，李柯杰，程 达，李旭卓，何鸿举

（河南科技学院 食品学院，河南 新乡 453003）

生活水平的提高加速了人们膳食结构的日益改变，消费者更加偏爱高质量、高营养的肉制品。牛肉味道鲜美，肉质细腻，营养丰富[1]，因其高品质、高售价的原因，一些不法商贩将低值肉（如猪肉）掺入到牛肉中，以次充好，侵害消费者权益。为防止牛肉制品掺假现象的发生，常采用传统方法鉴别牛肉掺假，如高效液相色谱法[2]、酶联免疫法[3]、聚合酶链式反应PCR法[4]等，但这些检测技术并不能满足快速、简便、批量检测等要求。因此，急需开发一种高效便捷的方法用于牛肉掺假的检测。

高光谱成像技术融合了传统光谱技术与图像技术，具有安全无污染、快速无损等技术特点[5]，已被广泛用于肉类产品的质量检测研究，特别是肉类检测。Zheng等利用特征波长建立偏最小二乘（PLSR）模型预测羊肉中掺入鸭肉，结果证明高光谱成像技术检测羊肉掺假具有可行性[6]。Zhao等运用侵入剔除优化（IWO）结合支持向量机（SVM）建立牛肉中变质牛肉的辨别模型，正确率高达95%[7]。在400～1 000 nm波段内，Yang等运用多元线性回归（MLR）建立腌肉干燥过程中挥发性盐基氮（TVB-N）含量的预测模型，精度良好[8]。

鉴于高光谱成像技术的巨大潜力，本研究主要探究近红外高光谱成像技术对牛肉掺入猪肉的快速无损检测，以牛里脊肉为研究对象，掺入猪肉，制备掺假样品，采集不同浓度掺假样品的高光谱图像并提取光谱信息，建立检测模型，为牛肉掺假定量检测提供数据理论支撑。

1 材料与方法

1.1 肉品材料

牛里脊肉、猪肉均由本地屠宰场提供，样品经冰封处理后，尽快运输到实验室制备肉样。

1.2 仪器与设备

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；20040081型Haier冰箱，中国海尔公司；JR06C-200绞碎机，浙江绍兴苏泊尔生活电器有限公司。

1.3 肉样制备

将原料肉经去皮等处理后，放入绞肉机中绞至肉糜状，然后分装，按照2%～98%的比例进行掺假制样，掺假浓度间隔为2%，样品总重为30 g，充分混匀，同时制取纯牛肉样品以及纯猪肉样品作为对照样品。每个浓度梯度制备3个平行样品，共获得掺假样品147个，纯牛肉糜和纯猪肉各3个样品。

1.4 光谱图像采集

高光谱成像系统光谱参数设置为：采集范围为900～1 700 nm，波长间隔为1.65 nm，共486个波长，光谱仪分辨率为5 nm，镜头的焦距为30 nm，载物台移动速度为7.27 mm/s，光谱的曝光时间为4.25 ms，预热时间为30 min，扫描间距为100 nm，图片尺寸为640 px×512 px。将制得的所有掺假肉样置于专用器皿中（直径60 mm，高10 mm）中，使用高光谱成像系统采集数据，共得到掺假肉样的51个平均光谱图像。

采集原始数据图像后，需要进行黑白版校正。校时系统参数保持不变，将标准白板放置在镜头下方，采集白色背景图像；然后盖上光谱相机镜头盖，采集黑色背景图像，采用如下公式校正图像，

其中，RC为校正后的光谱图像；RO为原始图像；RB为黑色背景图像，反射率为0%；RW为白色背景图像，反射率为99.9%。

1.5 光谱数据提取与预处理

图像校正完毕后，采用系统自带软件提取校正后图像的感兴趣区域内的光谱数据，获得每个样品的平均光谱数据。采集的原始光谱数据会受到系统以及外部环境的影响产生噪声信号，因此选用不同的预处理方法对原始数据进行预处理，以减少干扰，提高信噪比，提高模型精度、稳定性。本研究选用基线校正（Baseline correction，BC）、S-G平滑（Savitzky-Golay smoothing，SGS）及标准正态变换（Standard normal variate，SNV）3 种光谱预处理方法对原始光谱进行预处理。BC 法可以较明显地抑制基线的漂移，提高光谱数据的准确性[9]。SGS法旨在消除噪声影响[10]。SNV法可有效消除由颗粒差异、光程变化等引起的散射干扰[11]。

1.6 模型构建与简化

将得到的51组平均光谱数据按照掺入比例由小到大的顺利排列，再按照2:1的比例将51组样品划分为校正集（34个样品）与验证集（17个样品）。采用PLSR和MLR算法建立定量预测模型。PLSR算法主要用于多个因变量和多个自变量之间的回归与建模，可以解决样品个数少于变量个数问题，具有主成分分析、典型相关分析和多元线性回归分析等优势[12]。MLR通过建立2个或者多个解释变量和1个响应变量之间的关系进行建模，由多个自变量的最优组合预测因变量[13]。为了降低光谱数据高维共线性，提高模型运算效率，本研究选用Stepwise法从全波段波长中筛选出特征波长简化全波段模型[14]。

1.7 模型评价

建立的模型采用如下参数进行评价：决定系数（Coefficients of determination，R2）、均方根误差（Root mean square error，RMSE）以及剩余预测偏差（Residual predictive deviation，RPD）。校正集与交叉验证集的决定系数（R2C、R2CV）和校正集均方根误差（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）用于评价校正模型预测性能。验证集决定系数（R2P）、RPD和预测均方根误差（Root mean square error of prediction，RMSEP）用于评价验证模型预测性能[15]。一般而言，均方根误差数值越接近于0，相关系数数值越接近于1，表明该模型的预测性能越好。研究认为，当RPD＞2时，模型预测效果较差，仅能用于定性判别；当3＞RPD＞2时，模型预测性能可接受；当RPD＞3时，模型预测性能良好，可进行定量预测。R2计算公式为

其中，n代表样品集合的总数，yi表示第i个样品的真实值，ŷi表示第i个样品的预测值，yˉn表示n个样品的测量值的平均值。

RMSE计算公式为

其中，Km是预测集样本数，STD代表预测集测量值的标准偏差，ŷi表示预测集样本的预测值，yi表示预测集样本参考值，Bias表示偏差。

2 结果与分析

2.1 掺假肉品的光谱特征

图1为掺假肉样的光谱特征图。在900～1 700 nm波段范围内，样品光谱反射率走势大体一致，在不同的波长处有不同的反射率，这是由于不同掺入比例所制取的样品具有不同的光谱特性。肉中不同的化学成分在近红外波段范围内出现不同吸收峰，主要源于不同官能团（C-H、N-H、O-H、S-H）振动所致。具体而言，在980、1 190和1 450 nm波长处出现了较强的吸收峰，980 nm 和1 450 nm 波长处出现吸收峰源于样品中O-H 键（水分）的吸收，1 190 nm 波长处出现吸收峰源于C-H（脂肪）的吸收[16]。

图1 猪肉掺牛肉的平均光谱Figure 1 Average spectral curve of adulterated beef samples with pork

2.2 全波段模型定量预测掺假

经过BC、SGS、SNV 3 种光谱预处理，构建不同的PLSR模型定量预测肉品掺假，结果如表1所示。

表1 全波段PLSR模型预测掺假样品结果Table 1 PLSR model for predicting adulteration samples based on full wavelengths

从表1 中可知，4 种模型的预测性能相差不大，模型的校正集、交叉验证集、验证集的决定系数在0.93～0.99 之间，均方根误差在2.72%～7.68%之间，基于原始光谱的PLSR模型RPD最大。3种预处理光谱构建的PLSR模型并没有比原始光谱构建的PLSR模型预测性能优越，这可能是因为在开始的光谱提取并平均的过程已经相当于作了一次预处理。从实际生产意义出发，使用原始光谱构建PLSR，无需增加额外的数据预处理过程，建模效率更高。

2.3 特征波长选择

原始光谱有486个长波信息，其中含有一些冗杂信息，这会影响模型精度和预测效率，同时也增加模型运算时间。特征波长选择尤为重要。本试验采用Stepwise法筛选特征波长，结果如图2所示。

图2 特征波长筛选及分布结果Figure 2 The distribution of optimal wavelengths

从图2中可以看出通过Stepwise法筛选出8个特征波长，分别为918、926、935、1 053、1 055、1 086、1 088、1 382 nm，波长数量减少了478个，减少率为98.4%。

2.4 特征波长模型定量预测掺假

基于筛选的特征波长，优化全波段预测模型，建立简化模型预测肉品掺假，结果如表2所示。基于8个特征波长构建的PLSR模型预测牛肉掺假效果良好（R2P=0.95，RMSEP=6.86%，RPD=4.96），和全波段模型预测效果接近，说明筛选的特征波长可有效提高模型运算效率，代替全波段模型进行肉品掺假预测。

表2 基于特征波长的PLSR模型预测肉品掺假结果Table 2 PLSR model for predicting adulteration samples based on optimal wavelengths

当波长变量比样本变量少很多时，也可使用MLR算法构建模型。基于8个特征波长构建MLR模型预测肉品掺假，结果略好于PLSR 模型（R2P：0.96＞0.95，RMSEP：5.70%＜6.86%，RPD：5.56＞4.96）。因此，可采用MLR模型预测牛肉中猪肉掺入量。

3 结论

本文基于近红外高光谱成像技术（900～1 700 nm）结合线性算法对牛肉掺入猪肉进行快速预测研究。和3种预处理相比，原始光谱数据更适合于构建PLSR模型预测牛肉掺假，预测效果良好。经Stepwise算法筛选出8 个特征波长（918、926、935、1 053、1 055、1 086、1 088、1 382 nm），基于这8 个特征波长构建的MLR 模型预测效果良好，可代替全波段光谱信息实现牛肉掺假的快速预测。