基于支持向量機的近紅外光譜技術快速鑒別摻假羊肉

張麗華,郝莉花,李順峰,縱 偉

(1.鄭州輕工業學院食品與生物工程學院,河南鄭州 450002;2.鄭州輕工業學院食品生產與安全協同創新中心,河南鄭州 450002;3.河南省產品質量監督檢驗院,河南鄭州 450002;4.河南省農科院農副產品加工研究所,河南鄭州 450002)

基于支持向量機的近紅外光譜技術快速鑒別摻假羊肉

張麗華1,2,郝莉花3,李順峰4,縱 偉1,2

(1.鄭州輕工業學院食品與生物工程學院,河南鄭州 450002;2.鄭州輕工業學院食品生產與安全協同創新中心,河南鄭州 450002;3.河南省產品質量監督檢驗院,河南鄭州 450002;4.河南省農科院農副產品加工研究所,河南鄭州 450002)

為實現摻假羊肉的無損鑒別,利用傅里葉變換近紅外光譜分析技術建立混入鴨肉的摻假羊肉糜的快速檢測方法。實驗通過在羊肉糜中添加不同比例的鴨肉糜來制備摻假羊肉,采用近紅外漫反射方式在全波段范圍(10000～4000 cm-1)內采集羊肉、摻假羊肉和鴨肉的近紅外光譜圖,分別考察多元散射校正(Multiplicative scatter correction,MSC)、標準正態變量變換(Standard normal variate correction,SNV)、面積歸一化(Area normalization)、標準化(Autoscale)、15點平滑處理(Smoothing)、一階導數處理(1stderivative)的光譜預處理方法對所建支持向量機(nu-SVM)判別模型的預測效果。結果顯示,不同光譜預處理所建nu-SVM判別模型預測效果不同。其中,經標準化處理后所建的nu-SVM模型的預測能力最差為90.38%;15點平滑處理后所建nu-SVM模型的預測效果最好(96.15%),對建模集正確判別率為99.07%,對檢驗集正確判別率為96.15%;其余處理所建nu-SVM模型的判別能力介于二者之間。結果表明,采用近紅外光譜技術結合15點平滑預處理后所建nu-SVM模型可以實現羊肉中的摻雜鴨肉的鑒別。

支持向量機,近紅外技術,羊肉,摻假,鴨肉

羊肉是中國傳統的食補典型代表之一,其健康、安全的營養特性被廣泛認可。2011年中國人均羊肉消費量為2.96 kg,較1980年提高了6.4倍,增長速度遠高于世界平均水平[1]。然而,近年來由于一些不法商販以低價肉如豬肉、雞肉、鴨肉等全部或部分替代羊肉進行銷售,嚴重危害了羊肉市場的秩序,同時也挫傷了廣大宗教信仰消費者的購買熱情。據報道,目前市場上的摻假羊肉尤以鴨肉摻假為多[2-3],這主要是由于鴨肉色澤與兩周歲的羊肉色澤較為接近,而且鴨肉紋理細膩,有一定的肌纖維,這就為偽裝成羊肉提供了天然的便利條件[4]。如何鑒別摻入低價鴨肉的摻假羊肉已成為確保羊肉安全的問題之一。

目前,針對摻假肉的鑒別主要采用的方法有感官檢驗法、生物技術法[5]、光譜法[6-7]、電子鼻[8]等,但這些方法易受外界環境、實驗設備等因素的影響,使其應用受到一定的限制。近年來,國內外學者根據近紅外光譜技術具有的快捷、方便、無損傷、無需樣品預處理等優勢,采用最小偏二乘和多元線性回歸等方法在肉品摻假檢測方面開展了相關的研究[9-13],并取得了一定的進展。

支持向量機(Support vector machine,SVM)是一種基于統計學習理論的機器學習方法,它可以克服傳統方法的大樣本要求與維數災難及局部收斂,能夠較好地解決神經網絡難以解決的小樣本、高維數和存在局部極小點等實際問題。其出色的學習能力已在生鮮豬肉水分檢測[14]、食醋總酸含量檢測[15]、大棗內部蟲害檢測[16]等方面有較成功的應用。然而,還未見將其用于摻假羊肉鑒別的報道。本研究以新鮮羊肉糜為研究對象,通過摻入不同比例的鴨肉糜,評價不同光譜預處理方法對所建支持向量機(nu-SVM)判別模型的預測效果,探索近紅外光譜分析方法判別摻假羊肉的可行性。

1 材料與方法

1.1 材料與儀器

羊肉和鴨肉 河南鄭州丹尼斯超市,均為冷凍肉,-18 ℃,去離子水解凍。

AntarisⅡ型傅里葉變換近紅外光譜儀 美國Thermo公司;MO-385小型絞肉機 桃花島電器有限公司;BCD-213KDZ型冰箱 新飛電器有限公司;AL204型電子天平 梅特勒-托利多儀器有限公司。

1.2 實驗方法

1.2.1 樣品制備和檢測 解凍后的樣品采用不銹鋼刀切成小肉丁,分別用小型絞肉機絞碎成肉糜,制備不同的樣品。在羊肉糜中摻入適當鴨肉糜(0～35%),摻入比例分別為羊肉糜:鴨肉糜(質量比)為20∶0,19∶1,18∶2,17∶3,16∶4,15∶5,14∶6和13∶7,并人工攪拌均勻。取(20.00±0.50)g肉糜放入5 cm樣品杯中,壓實,保證底部沒有氣泡和漏光現象,進行近紅外光譜的采集。

儀器檢測參數為:掃描范圍為全波段掃描,掃描次數64次。儀器參數:光源為鹵鎢燈,主機光譜范圍為10000～4000 cm-1,獨立的高靈敏度InGaAs檢測器。采用積分球漫反射分析模塊,直徑5 cm的樣品杯。

1.2.2 數據分析方法 根據近紅外光譜的原始數據進行統計學分析,考察近紅外光譜漫反射方式在羊肉糜中摻入不同比例鴨肉糜的識別效果,并且建立支持向量機判別模型。同時,評價多元散射校正(Multiplicative scatter correction,MSC)、標準正態變量變換(Standard normal variate correction,SNV)、面積歸一化(Area normalization)、標準化(Autoscale)、15點平滑處理(Smoothing)、一階導數處理(1stderivative)的光譜預處理方法對所建支持向量機(nu-SVM)判別模型的預測效果。數據處理軟件采用Matlab 8.03軟件平臺進行分析。

2 結果與分析

2.1 羊肉和羊肉摻鴨肉近紅外光譜分析

圖1 羊肉和羊肉摻鴨肉的近紅外光譜Fig.1 NIR spectroscopies of mutton and mutton adulterated with duck meat

從圖1可以看出,羊肉和羊肉摻鴨肉的近紅外光譜曲線形狀相似,并且羊肉和羊肉摻鴨肉的光譜交叉重合,在樣本數較少的情況下可從光譜圖中區分出兩類肉(圖1A)。但隨著樣本數量的增加及檢測儀器性能和環境條件等因素的影響,就很難從光譜曲線上直接予以區分(圖1B)。趙紅波等[12]采用近紅外漫反射光譜法對豬肉和牛肉進行鑒別,直接從光譜圖觀察,也難以區分豬肉和牛肉,需要采用適宜的光譜預處理方法才能獲得較好的鑒別。這主要是由于儀器、樣本背景、環境條件及其他因素的影響,近紅外光譜常出現噪聲、譜圖基線平移和漂移等現象,為了消除這些不利因素對所建模型的影響,分別采用多元散射校正(MSC)、標準正態變量變換(SNV)、面積歸一化(Area normalization)、標準化(Autoscale)、平滑處理(Smoothing)、一階導數處理(1stderivative)等方法對原始光譜進行預處理[12,17]。

表1 不同光譜預處理方法所建nu-SVM模型對建模集的判別結果

表2 原始光譜未處理所建nu-SVM判別模型對檢驗集的判別結果

2.2 支持向量機判別模型的建立與檢驗

本實驗采集肉樣本159個,近紅外光譜范圍為10000～4000 cm-1,共有1557個數據點,構成了159×1557的光譜矩陣,將其中的107個樣本作為建模集,其余的52個樣本作為驗證集。經不同預處理后所建nu-SVM判別模型對建模集的判別效果如表1所示。

從表1可以看出,羊肉、鴨肉和羊肉摻鴨肉的近紅外光譜數據經不同光譜預處理方法處理后,除面積歸一化和一階導數(15點)預處理誤判率較高外,其余光譜預處理方法基本均可將羊肉和摻假肉進行正確區分。由表1還可以看出,除面積歸一化和一階導數(15點平滑)處理所建模型正確判別率比原始光譜所建模型低外,其余光譜預處理方法所建模型正確判別率均與原始光譜所建判別模型的正確判別率相當。

為了檢驗所建nu-SVM判別模型對驗證集的預測效果,分別用驗證集對原始光譜未處理、MSC預處理、SNV預處理、15點平滑預處理和Autoscale預處理所建nu-SVM判別模型進行檢驗。將52個未參與建模的樣本,即檢驗集,對所建nu-SVM判別模型進行檢驗。所建nu-SVM判別模型對檢驗集的判別結果如表2～表6所示。

表3 MSC處理所建nu-SVM判別模型對檢驗集的判別結果

表4 SNV處理所建nu-SVM判別模型對檢驗集的判別結果

表5 15點平滑處理所建nu-SVM判別模型對檢驗集的判別結果

表6 Autoscale處理所建nu-SVM判別模型對檢驗集的判別結果

由表2～表6可知,不同光譜預處理后所建nu-SVM判別模型預測效果不一。Autoscale處理所建nu-SVM模型的預測能力最差,為90.38%;15點平滑處理所建nu-SVM模型的預測效果最好(96.15%);其余處理所建nu-SVM模型的判別能力介于二者之間。15點平滑處理所建nu-SVM判別模型對摻≤15%鴨肉的羊肉樣本和鴨肉樣本的誤判率為0;10個羊肉樣本中有1個樣本被誤判為摻≤15%鴨肉的羊肉,誤判率為10%;20個摻15%～30%鴨肉的羊肉樣本中有1個樣本被誤判為摻≤15%鴨肉的羊肉,誤判率為5%;總體樣本正確判別率為96.15%,說明采用15點平滑處理所建nu-SVM判別模型應用于羊肉、摻鴨肉的羊肉和鴨肉的判別是可行的。

3 結論

比較了原始光譜、MSC、SNV、面積歸一化、Autoscale、15點平滑和一階導數(15點平滑)光譜預處理后建立的nu-SVM判別模型對羊肉、羊肉摻鴨肉和鴨肉的判別效果,在全波段范圍內(10000～4000 cm-1),采用15點平滑預處理所建nu-SVM判別模型的正確判別率最高,模型判別性能穩定,建模集正確判別率為99.07%,對檢驗集正確判別率為96.15%。說明近紅外光譜技術可用于羊肉、羊肉摻鴨肉和鴨肉的鑒別。

[1]丁麗娜.中國羊肉市場供求現狀及未來趨勢研究[D].北京:中國農業大學,2014.

[2]劉懿德.揭秘鴨肉卷變“精羊肉”的黑鏈條[N].新華每日電訊,2013:5-11.

[3]盧杰,蔣皓.鴨肉+羊肉+染色劑變“羊肉卷”[N].法制日報,2013:2-4.

[4]李子晨.假羊肉觸食品安監高壓線[N].國際商報,2013:5-16.

[5]Karabasanavar N S,Singh S P,Umapathi V,et al. A highly specific PCR assay for identification of raw and heat treated mutton(Ovis aries)[J]. Small Ruminant Research,2011,100(2-3):153-158.

[6]Meza-Marquez O G,Gallardo-Velazquez T,Osorio-Revilla G. Application of mid-infrared spectroscopy with multivariate analysis and soft independent modeling of class analogies(SIMCA)for the detection of adulterants in minced beef[J].Meat Science,2010,86(2):511-519.

[7]Boyaci I H B,Temiz H T,Uysal R S,et al. A novel method for discrimination of beef and horsemeat using Raman spectroscopy[J]. Food Chemistry,2014,148:37-41.

[8]Tian X J,Wang J,Cui S Q. Analysis of pork adulteration in minced mutton using electronic nose of metal oxide sensors[J].

Journal of Food Engineering,2013,119(4):744-749.

[9]Rohman A,Sismindari,Erwanto Y,et al. Analysis of pork adulteration in beef meatball using Fourier transform infrared(FTIR)spectroscopy[J]. Meat Science,2011,88(1):91-95.

[10]Kamrazzaman M,Sun DW,EIMasry G,et al. Fast detection and visualization of minced lamb meat adulteration using NIR hyperspectral imageing and multivariate image analysis[J]. Talanta,2013,103(15):130-136.

[11]Alamprese C,Casale M,Sinelli N,et al. Detection of minced beef adulteration with turkey meat by UV-vis,NIR and MIR spectroscopy[J]. LWT-Food Science and Technology,2013,53(1):225-232.

[12]趙紅波,譚紅,史會兵,等.近紅外光譜技術鑒別豬肉和牛肉的研究[J].中國農學通報,2011,27(26):151-155.

[13]Ropodi A I,Pavlidis D E,Mohareb F,et al. Multispectral image analysis approach to detect adulteration of beef and pork in raw meats[J].Food Research International,2015,67:12-18.

[14]張海云,彭彥昆,王偉,等.基于光譜技術和支持向量機的生鮮豬肉水分含量快速無損檢測[J].光譜學與光譜分析,2012,32(10):2794-2798.

[15]鄒小波,陳正偉,石吉勇,等.基于支持向量機的食醋總酸近紅外光譜建模[J].中國釀造,2011,(3):63-65.

[16]陳紅光,王健,中野和弘,等.基于支持向量機的大棗內部蟲害無損檢測[J].東北農業大學學報,2014,45(2):94-102.

[17]李順峰,張麗華,劉興華,等.基于主成分分析的蘋果霉心病近紅外漫反射光譜判別[J].農業機械學報,2011,42(10):158-161.

Fast discriminating the adulteration of minced mutton with near infrared spectroscopy based on support vector machine

Zhang Li-hua1,2,Hao Li-hua3,Li Shun-feng4,Zong Wei1,2

(1.College of Food and Biological engineering,Zhengzhou University of Light Industry,Zhengzhou 450002,China;2.Collaborative Innovation Center for Food Production and Safety,Zhengzhou University of Light Industry,Zhengzhou 450002,China;3.Henan Province Product Quality Supervision and Inspection Center,Zhengzhou 450002,China;4. Institute of Agro-products Processing,Henan Academy of Agricultural Sciences,Zhengzhou 450002,China)

In order to realize the nondestructive determination of the adulterated mutton,a quick method of Fourier transform near infrared(FT-NIR)spectroscopy was employed to analysis the adulteration of duck meat in minced mutton. In this work,the adulterated mutton were obtained by interfusing different percentage of duck meat,and the original spectra of mutton,adulterated mutton and duck meat in the wave-number range of 10000～4000 cm-1were obtained by spread reflection NIR. Then the predicted effects of different support vector machine(SVM)discriminate models that established by multiplicative scatter correction(MSC),standard normal variate transformation(SNV),area normalization,autoscale,15 point smoothing and 1stderivative were evaluated. The results showed that predicted effect of different nu-SVM models built by different preprocessing methods was different. The model accuracy to discriminate mutton,duck meat adulterated into mutton and duck meat was the poorest(90.38%)built by autoscale preprocessing method,and good prediction model was obtained using the 15 point smoothing preprocessing method and the accuracy of the training set and prediction set of the model were 99.07% and 96.15%,respectively. In addition,the predicted effects of other models built by the four preprocessing methods were between the both. Therefore,the nu-SVM model built by NIR combined with 15 point smoothing preprocessing weve proved to be a feasible method to identify duck meat in minced mutton.

support vector machine;near infrared spectroscopy;mutton;adulteration;duck meat

2015-02-13

張麗華(1982-),女,博士,講師,研究方向:果蔬采后生理及保鮮、加工技術,E-mail:zhanglihua82828@163.com。

國家質檢總局科技計劃項目;鄭州輕工業學院博士科研啟動金項目(2013BSJJ003);鄭州輕工業學院第三批大學生科技創新項目(2014DC099)。

TS251.5+3

A

1002-0306(2015)23-0289-05

10.13386/j.issn1002-0306.2015.23.051