便攜式豬肉營養組分無損實時檢測裝置研究

王文秀 彭彥昆 鄭曉春 孫宏偉 田 芳 白 京

(1.中國農業大學工學院， 北京 100083； 2.國家農產品加工技術裝備研發分中心， 北京 100083)

便攜式豬肉營養組分無損實時檢測裝置研究

王文秀1,2彭彥昆1,2鄭曉春1,2孫宏偉1,2田 芳1,2白 京1,2

(1.中國農業大學工學院， 北京 100083； 2.國家農產品加工技術裝備研發分中心， 北京 100083)

為了實現豬肉營養組分(脂肪和蛋白質)的快速、無損、實時檢測，基于近紅外反射光譜設計了便攜式豬肉營養組分無損檢測裝置。硬件部分包括光譜采集單元、光源單元和控制單元，并開發了相應的檢測軟件，實現樣品光譜信息的有效獲取和實時分析。為了建立穩定可靠的預測模型，考察了波段選擇、樣本分組方式和篩選變量方法對模型的影響。分別基于可見/短波近紅外(Vis/SWNIR)、長波近紅外(LWNIR)及Vis/SWNIR-LWNIR，利用隨機選擇法(RS)、Kennard-Stone法(KS)和基于聯合X-Y距離的樣本劃分法(SPXY)對樣本進行劃分，建立了脂肪和蛋白質質量分數的偏最小二乘預測模型。結果發現，基于Vis/SWNIR-LWNIR波段，利用SPXY算法進行樣本分組，取得了最佳的預測模型。在此基礎上，比較分析競爭性自適應加權算法、隨機蛙跳算法和蒙特卡羅無信息變量消除-連續投影算法3種算法篩選變量建立的模型效果。基于競爭性自適應加權算法篩選變量的模型結果最佳，對脂肪和蛋白質建立的模型驗證集相關系數分別為0.950 5和0.951 0。結果表明：基于近紅外反射光譜設計的便攜式豬肉組分檢測裝置可以對脂肪和蛋白質含量進行快速、無損、實時檢測。

豬肉； 營養組分； 無損檢測； 便攜式裝置； 近紅外反射光譜

引言

豬肉營養價值豐富，是優質蛋白質的重要來源，含有人體必需的各種氨基酸，同時也是脂肪能量的主要供給源和脂溶性維生素的重要載體[1]。隨著生活水平的提高和健康意識的不斷加強，人們對生鮮肉的質量和品質提出了更高的要求，低脂肪、高蛋白的豬肉日益受到人們的青睞[2-3]。依據營養及品質對肉分級，可提高肉品行業的競爭力，也能確保消費者的滿意度。因此，快速、無損、實時獲取豬肉營養組分信息具有重要的意義。

基于近紅外光譜的檢測方法具有快速、無損、實時、原位的優點，國內外許多學者利用該方法對營養成分開展了相關的研究[4-7]。BARBIN等[8]對完整豬肉和絞碎后豬肉的脂肪和蛋白質作了對比研究，利用近紅外反射光譜對絞碎后豬肉建立的偏最小二乘模型驗證集決定系數R2分別為0.95和0.86。劉魁武等[9]對不同溫度下貯藏的豬肉脂肪和蛋白質進行了研究，發現0～4℃下建立的模型優于20℃下模型，相關系數分別為0.950和0.713。LIAO等[10-11]對脂肪和蛋白質含量進行了在線預測，經多元散射校正和一階導數處理后建立了最佳的預測模型，驗證集決定系數R2分別為0.767和0.757。

綜合現有研究，豬肉營養組分的檢測以靜態實驗室研究居多，在線檢測的很少，便攜式檢測的幾乎沒有。并且就目前的檢測結果來看，將樣品絞碎后建立的模型多優于完整肉樣的模型結果，在不損傷樣本的情況下建立的模型效果尚待進一步提高。為了滿足豬肉行業生產、加工和消費者的需求，實現豬肉脂肪和蛋白質含量等營養成分的無損、快速、實時、原位、高通量檢測，本文設計便攜式豬肉營養成分無損實時檢測裝置，并結合化學計量學，建立脂肪和蛋白質含量的無損定量預測模型。

1 材料與方法

1.1 試驗裝置

針對豬肉化學成分的檢測，本文設計了波長范圍覆蓋可見/短波近紅外(Visble/short-wavelength near infrared, Vis/SWNIR)和長波近紅外(Long-wavelength near infrared, LWNIR)的便攜式豬肉營養成分無損實時檢測裝置。該裝置包括光譜采集單元、光源單元和控制單元3部分。其中，光譜采集單元包括：輕巧便攜、操作簡單的USB4000型微型光纖光譜儀(美國Ocean Optics公司)，響應波長范圍345～1 033 nm；高性能近紅外FLAMENIR型微型光纖光譜儀(美國Ocean Optics公司)，響應波長范圍是945～1 665 nm；定制石英采集光纖。針對豬肉樣品不均勻，完整樣品建立模型效果不佳的問題，本研究采用環形光源設計，保證采集光纖收集更多位置處的反射光，進而獲取更多反映樣品營養組分的光譜信息。同時，定制石英光導，優化光導末端與采集光纖的距離和角度，以避免光不進入樣品而直接反射進入采集光纖。整個裝置工作原理圖如圖1所示。

圖1 檢測裝置工作原理圖Fig.1 Working principle diagram of detection device1.計算機 2.光譜儀 3.采集光纖 4.環形光導 5.樣品 6.載物臺 7.光源室 8.鹵鎢燈 9.遮光板

豬肉營養成分無損實時檢測裝置軟件基于Visual Studio 2010平臺開發，采用C語言編程。該軟件的主要功能模塊如圖2所示，主要用于雙波段光譜信息的有效實時采集，對光譜信息進行處理(截去兩端噪聲，平滑及標準化處理)后，代入到預先植入的預測模型中，對豬肉營養組分進行實時預測，同時對樣品的光譜曲線和預測結果實時顯示，實現了一鍵式操作、實時人機界面、檢測結果統計和同步保存等功能。

圖2 檢測軟件功能模塊圖Fig.2 Function modules diagram of detection software

1.2 試驗材料

試驗樣品為經過24 h冷卻排酸的新鮮豬肉，分別購買于北京3家不同的超市，修整為10 cm×5 cm×2.5 cm(長×寬×高)的肉樣后，利用蓄冷裝置運送至中國農業大學無損檢測實驗室，放置于4℃冰箱中待用。為了建立穩健可靠的預測模型，應盡可能使脂肪和蛋白質覆蓋大的含量范圍，因此本研究中分別選取背最長肌樣本30個、后臀尖樣本45個、純瘦肉樣本25個用于脂肪和蛋白質定量預測模型的建立。試驗時，將樣品從冰箱取出，置于室溫(20℃)20～30 min，至樣品恢復至室溫并使表面水分蒸發，來減少對光譜采集的影響。

1.3 光譜信息采集

首先，打開便攜式豬肉營養組分無損實時檢測裝置預熱30 min，并對檢測軟件初始化。然后，設置采集參數(積分時間、平均次數和平滑度)，積分時間的確定應保證參比光強達到總體的80%以上。設置USB4000型光譜儀的采集參數為：積分時間400 ms，平均次數為1，平滑度為4；FLAMENIR型光譜儀的采集參數為：積分時間1 000 ms，平均次數為1，平滑度為4。然后，將探頭對準聚四氟乙烯標準白板采集參比光譜，將黑色遮光板插入光源室，阻止鹵鎢燈光線進入導光纖，采集背景參比。然后，將探頭放置在樣品上，按下按鈕，對樣品的光譜信息進行采集。每個樣品采集5個不同位置處光譜信息，求取平均值后作為該樣品的最終光譜。

1.4 脂肪和蛋白質測定

脂肪的測定參照GB/T 9695.7—2008，取3～5 g樣品，加入50 mL 2 mol/L鹽酸，煮至無明顯肉塊，過濾，濾渣105℃干燥1 h后用石油醚為抽提劑抽提6 h，將接收器103℃干燥1 h，冷卻稱量，重復干燥冷卻步驟直至質量變化小于樣品質量的0.1%[12]。蛋白質的測定參照GB 5009.5—2010，利用全自動凱氏定氮儀對絞碎后的肉樣進行處理。

圖3 模型建立過程Fig.3 Model building process

1.5 數據處理與模型評價

近紅外光譜常受其他與待測組分無關的因素干擾，如儀器響應、隨機噪聲、雜散光等，導致光譜曲線不重復或產生基線漂移，因此首先要對原始光譜信息進行預處理。本文采用懲罰偏最小二乘平滑方法濾除原始光譜中的噪聲信號，該方法的優化目標函數既包括原始光譜和去噪光譜的最小二乘項(用來控制擬合誤差)，又包括了最小二乘的懲罰項(用來限定去噪光譜的平滑程度)，可較好地保持信號真實度[13]。同時采用標準正態變量變換(Standard normal variate transformation, SNVT)對濾波去噪后的光譜數據做中心化和標度化處理，消除固體顆粒大小、表面散射以及光程變化對漫反射光譜的影響。

為建立穩健的預測分析模型，本文對波段選擇、校正集和驗證集的劃分方法以及變量篩選方法進行比較研究。采用隨機選擇(Random selection, RS)法、Kennard-Stone(KS)法和基于聯合X-Y距離的樣本劃分(Sample set partitioning based on jointX-Ydistances, SPXY)法將預處理后的全部樣本按照3∶1的比例劃分為校正集和驗證集，則校正集中含75個樣本，驗證集中包括25個樣本。然后，分別基于Vis/SWNIR、LWNIR及Vis/SWNIR-LWNIR建立脂肪和蛋白質含量的偏最小二乘(Partial least square, PLS)預測模型。在最佳模型的基礎上，采用競爭性自適應加權算法(Competitive adaptive reweighted sampling, CARS)、隨機蛙跳算法(Random Frog)和蒙特卡羅-無信息變量消除-連續投影算法(Monte Carlo-uninformative variable elimination-successive projections algorithm method, MC-UVE-SPA)對變量進行多次篩選，消除無關信息對模型的影響。光譜分析過程如圖3所示。利用相關系數R、校正集標準分析誤差(Standard error of calibration, SEC)和驗證集標準分析誤差(Standard error of prediction, SEP)對預測模型進行評價和驗證。上述分析過程在Matlab R2012a和復雜多變量數據智慧處理軟件系統(大連達碩信息技術有限公司)中完成。

2 結果與討論

2.1 樣品光譜與理化值分析

從圖3所有樣品原始光譜曲線很難看出不同部位樣品光學信息的差異，因此對Vis/SWNIR和LWNIR區域光譜數據作主成分分析，前6個主成分的累積貢獻率為99.39%，然后利用SPSS軟件中Kruskal-Wallis檢驗對前6個主成分作顯著性差異分析，其漸進顯著性為p<0.05，表明不同部位樣品的光譜信息存在差異，為建立穩健模型奠定了基礎[14]。由于Vis/SWNIR區域光譜兩端噪聲信號較大，因此只截取494.29～951.79 nm之間2 438個波長下光譜信息進行后續分析。背最長肌、后臀尖和純瘦肉3個部位樣本在Vis/SWNIR和LWNIR區域的原始光譜曲線如圖4a所示，可見3類樣本總體變化趨勢一致，僅在540～580 nm之間有所不同，該波段與氧合肌紅蛋白和氧合血紅蛋白的吸收峰密切相關[15]。經過平滑和SNVT預處理后的Vis/SWNIR區域和LWNIR區域光譜曲線如圖4b所示。脂肪和蛋白質的理化值統計結果如表1所示。

圖4 樣品光譜曲線Fig.4 Sample spectrum curves

%

2.2 不同波段、不同分組方式建模結果

選擇合適的波段對建立穩健模型至關重要，同時利用合理有效的方法選擇具有代表性的樣本構成校正集也會影響到模型的適應性和預測性能以及模型的精簡程度。基于Vis/SWNIR、LWNIR和Vis/SWNIR-LWNIR，本文利用RS法、KS算法和SPXY法3種方法將樣本劃分為校正集和驗證集。RS法遵循隨機采樣的原則，操作簡單但隨機性強。KS算法通過計算兩兩樣本之間的歐氏距離，保證校正集樣本在空間距離上分布均勻。SPXY法是在KS算法的基礎上發展起來的，且同時考慮y空間的權重，以此改善模型的預測能力[16]。不同光譜范圍、不同分組方式下脂肪和蛋白質的建模結果如表2和表3所示。

分析表中脂肪和蛋白質的建模結果可以發現，不管采用何種校正集驗證集劃分方式，基于Vis/SWNIR波段的建模結果均優于LWNIR波段建模結果，而基于Vis/SWNIR-LWNIR建立的模型結果又優于前兩者。這可能是由于脂肪和蛋白質屬于含C—H鍵及N—H鍵的物質，Vis/SWNIR-LWNIR波段相比單一Vis/SWNIR波段或LWNIR波段涵蓋了更多C—H鍵和N—H鍵的伸縮振動區域，包含了更多與之相關的重要信息。而Vis/SWNIR的有效光譜范圍是500～950 nm，LWNIR的有效波段是900～1 650 nm，前者包含的與C—H鍵和N—H鍵相關的信息多于后者，因此基于Vis/SWNIR波段的建模結果優于基于LWNIR波段的結果。此外，SPXY算法分組后建立的模型結果優于RS算法和KS算法分組后建模結果，對脂肪和蛋白質的驗證集相關系數分別達到0.934 8和0.934 2。這可能是由于SPXY算法在分組過程中，同時將X變量和y變量考慮在內，確保樣本在X和y空間具有相同的權重，因此選出了更加具有代表性的校正集樣本來訓練預測模型。

表2 不同分組方式下脂肪的建模結果Tab.2 Modeling results for fat using different grouping methods

表3 不同分組方式下蛋白質的建模結果Tab.3 Modeling results for protein using different grouping methods

2.3 不同篩選變量方法建模

從上述討論可知，基于Vis/SWNIR-LWNIR光譜范圍對脂肪和蛋白質含量取得了最佳的模型效果。但是，脂肪和蛋白質屬于2類不同的物質，在近紅外光譜區域具有不同的吸收譜帶，因此繼續利用3種不同的變量篩選方法在已建立的最佳模型基礎上提取各個物質的特征變量，提高模型性能。

圖5 對脂肪含量數據進行CARS篩選變量過程圖及特征變量分布圖Fig.5 Process diagram of variables selection using CARS for fat and variable distribution graph

2.3.1CARS算法篩選變量

CARS算法基于模型集群思想，通過自適應重加權采樣篩選PLS模型中回歸系數絕對值大的變量，利用指數衰減函數去掉絕對值小的變量，采樣交互檢驗選出交互驗證均方根誤差最小的變量組合[17-20]。本研究中設置采樣次數為100次，最大潛變量數為10，預處理方法選擇“center”，并選擇十折交叉檢驗法。圖5a所示為對脂肪進行100次CARS篩選變量過程圖，可以看出隨著運行次數的增加，篩選變量的數量呈現由快到慢的變化趨勢，十折交互驗證均方根誤差開始時隨著無關變量的剔除誤差逐漸減小，然后誤差變大，表明與待測組分相關的變量被剔除。由各個變量回歸系數的變化情況可看出，絕對值較大的變量為最終篩選的關鍵變量。圖中垂直星點對應的位置為交互驗證均方根誤差最小的一次，對應的變量為最終入選的特征變量。利用該方法篩選脂肪和蛋白質的特征變量，分別由最初的2 574個減少到56個和49個，特征變量分布圖如圖5b所示。

分析圖5中各個參數特征變量的分布，與脂肪相關的變量中730～760 nm與脂肪族烴的4級倍頻相關，850～950 nm為C—H鍵伸縮的第3級倍頻區域，1 300～1 400 nm為亞甲基C—H對稱伸縮振動的第2級組合頻區。與蛋白質相關的變量多集中在800～850 nm和1 400～1 500 nm之間，前者與N—H鍵伸縮相關，后者為伯醇的1級倍頻區域[21]。從圖5中看出，與C—H鍵和N—H鍵相關的變量，Vis/SWNIR波段多于LWNIR波段，這也驗證了表2和表3中的建模結果，同時也說明CARS算法可以客觀地篩選出各個組分的特征變量。以特征變量為因變量，以脂肪和蛋白質質量分數作為自變量，建立新的PLS模型，各參數驗證集模型結果如圖6所示。與使用全部變量相比，模型結果有所提高。

圖6 基于CARS算法篩選變量建模的驗證集結果Fig.6 Model results for prediction set based on selected variables using CARS

2.3.2Random Frog算法篩選變量

Random Frog算法采用改進的逆跳馬爾科夫鏈蒙特卡洛進行模型采樣，得到多個不同的子模型，統計分析各個變量在模型中的選擇頻率，以此來評價該變量的重要程度，作為選擇變量的重要依據。基于正態分布隨機維數轉換機制的逆跳馬爾科夫改進方法，計算速度快，對模型的預測能力強[22]。本研究中設置運算次數為10 000次，交互驗證最大潛變量個數為10，預處理方法選擇“center”，評價指標為回歸系數。圖7所示為利用Random Frog算法對蛋白質含量數據提取特征變量的過程，設定0.1為閾值，閾值分割線以上變量為最終選擇的特征變量。

圖7 利用Random Frog算法對蛋白質含量數據篩選特征變量Fig.7 Characteristic variables selection for protein using Random Frog algorithm

利用上述方法對脂肪和蛋白質篩選特征變量，分別選出57和49個關鍵變量，占全部變量的2.22%和1.91%。以篩選的特征變量作為因變量，以脂肪和蛋白質質量分數作為自變量，建立PLS模型，其驗證集結果如圖8所示。與基于全部變量建立的PLS模型相比，蛋白質質量分數的預測模型性能有所提高，驗證集相關系數上升至0.948 4，脂肪質量分數的模型結果并無明顯改善，但是使用的變量數目僅是全部變量的2.22%，模型有了很大的簡化，表明該方法的可行性。

2.3.3MC-UVE-SPA算法篩選變量

UVE算法在原始光譜矩陣中加入一個相同大小的噪聲矩陣，采用刀切法基于交互驗證構建多個PLS模型，基于各個變量的回歸系數bj，根據公式sj=mean(bj)/std(bj)，其中mean(bj)為系數向量的平均值，std(bj)為系數向量的標準偏差，以sj的絕對值作為評價指標，顯著大于噪聲的變量保留下來作為特征變量[23]。本研究中設置最大潛變量數為10，預處理方法選擇“centter”，閾值為0.99。圖9a所示為利用UVE算法對蛋白質質量分數篩選變量圖，圖中左側為真實變量，藍線兩側為入選的變量。由于該方法篩選出來的變量數較多，不能很好地簡化模型，因此在其基礎上繼續使用SPA算法篩選特征變量。圖9b為利用SPA算法篩選變量過程均方根誤差隨變量數變化圖。

圖8 基于Random Frog算法篩選變量建模的驗證集結果Fig.8 Model results for prediction set based on selected variables using Random Frog

圖9 利用MC-UVE-SPA算法對蛋白質含量數據篩選特征變量Fig.9 Characteristic variables selection for protein using MC-UVE-SPA

利用SPA算法再次篩選變量后，大大降低了模型的復雜程度，建立的PLS模型驗證集結果如圖10所示。針對脂肪參數，共篩選出23個特征變量，占全部變量的0.89%，驗證集相關系數與使用全部變量相當，但是誤差略有降低。針對蛋白質參數，篩選出30個特征變量，占全部變量的1.17%，但是模型相關系數提高，預測誤差降低。

圖10 基于MC-UVE-SPA篩選變量建模的驗證集結果Fig.10 Model results for prediction set based on selected variables using MC-UVE-SPA

2.4 討論

從上述分析可知，基于3種方法篩選的特征變量建立的PLS模型效果均優于使用全部變量建模結果，表明建立模型過程中篩選變量的重要性，這也符合“奧克姆剃刀”原則[24]，即以模型結果為導向，利用高效簡潔的特征變量來建立最為穩健可靠的預測模型。從所選波長點數目來看，利用MC-UVE-SPA篩選到的變量數目最少，分別占全部變量的0.89%和1.17%，但其模型結果與Random Frog算法篩選到的2.22%和1.91%變量的建模結果相當。就模型結果而言，CARS算法利用與Random Frog算法相當的變量數目，給出了最優的模型結果，具有最低的誤差。綜合比較3種方法，CARS算法能找到最佳的變量組合方式，取得最佳的模型效果，是一種比較穩定的算法。

3 裝置試驗驗證

通過上述討論，找到了脂肪和蛋白質質量分數的特征波長，并建立了PLS預測模型。為了檢驗模型的穩定性和可靠程度，另取20塊豬肉樣本用于對脂肪和蛋白質模型的驗證。將樣本從冰箱取出后，置于室溫30 min，利用便攜式豬肉營養組分無損檢測裝置實時采集樣本的反射光譜曲線。編寫的軟件自動實時進行光譜預處理，并通過內置模型得到脂肪和蛋白質質量分數的預測值。然后參照國家標準方法，對脂肪和蛋白質質量分數進行測定，得到其標準值。試驗驗證結果如表4所示。

表4 試驗驗證結果Tab.4 Results of prediction tests

4 結論

(1)基于近紅外反射光譜設計了便攜式豬肉營養組分無損快速檢測裝置。該裝置由光譜采集單元、光源單元和控制單元等硬件部分和編寫的控制程序組成，可以實現對豬肉脂肪、蛋白質等營養組分的無損、快速、實時檢測。

(2)利用該檢測裝置，分別基于Vis/SWNIR、LWNIR和Vis/SWNIR-LWNIR建立了脂肪和蛋白質的偏最小二乘預測模型。結果表明，利用Vis/SWNIR波段建模結果優于LWNIR，而Vis/SWNIR-LWNIR波段的建模結果最佳。

(3)為建立穩健的模型，比較了RS算法、KS算法和SPXY算法3種分組方式以及CARS算法、Random Frog算法和MC-UVE-SPA 3種變量篩選方法對模型效果的影響。結果表明，SPXY算法優于RS算法和KS算法，可以得到更加具有代表性的樣本作為校正集。在脂肪和蛋白質質量分數的最佳模型基礎上，利用CARS篩選的變量建立更為簡化的偏最小預測模型取得了最佳的預測效果，具有最小的誤差，對脂肪和蛋白質建立的模型驗證集相關系數分別為0.950 5和0.951 0。結果表明，該裝置可以實現對豬肉脂肪和蛋白質的無損、快速、實時預測及分析，具有較高的應用前景。

1 呂自治．豬肉的營養價值及其科學食用[J]．肉類研究，2003(2)：49-50．

2 王重龍，陶立，張東紅，等．安全優質豬肉的生產[J]．安徽農學通報，2005，11(6)：121-123．

3 王笑丹．吉林省優質豬肉品質評定方法[D]．長春：吉林大學，2004． WANG Xiaodan．The evaluation methods of high quality pork in Jilin [D]．Changchun：Jilin University，2004．(in Chinese)

4 成芳，樊玉霞，廖宜濤．應用近紅外漫反射光譜對豬肉肉糜進行定性定量檢測研究[J]．光譜學與光譜分析，2012，32(2)：354-359． CHENG Fang，FAN Yuxia，LIAO Yitao．Qualitative and quantitative detection of minced pork quality by near infrared reflectance spectroscopy [J]．Spectroscopy and Spectral Analysis，2012，32(2)：354-359．(in Chinese)

5 樊玉霞．豬肉肉糜品質與安全可見/近紅外光譜快速檢測方法的實驗研究[D]．杭州：浙江大學，2011． FAN Yuxia．Rapid detection of minced pork quality and safety based on visible and near infrared spectroscopy [D]．Hangzhou：Zhejiang University，2011．(in Chinese)

6 湯修映，牛力釗，徐楊，等．基于可見/近紅外光譜技術的牛肉含水率無損檢測[J]．農業工程學報，2013，29(11)：248-254． TANG Xiuying，NIU Lizhao，XU Yang，et al．Nondestructive determination of water content in beef using visible/near-infrared spectroscopy [J]. Transactions of the CSAE，2013，29(11)：248-254．(in Chinese)

7 KAMRUZZAMAN M，MAKINO Y，OSHITA S．Non-invasive analytical technology for the detection of contamination, adulteration, and authenticity of meat, poultry, and fish: a review [J]．Analytica Chimica Acta，2015，853(1)：19-29．

8 BARBIN D F，ELMASRY G，SUN D W，et al．Predicting quality and sensory attributes of pork using near-infrared hyperspectral imaging [J]．Analytica Chimica Acta，2012，719(10)：30-42．

9 劉魁武，成芳，林宏建，等．可見/近紅外光譜檢測冷鮮豬肉中的脂肪、蛋白質和水分含量[J]．光譜學與光譜分析，2009，29(1)：102-105． LIU Kuiwu，CHENG Fang， LIN Hongjian，et al．Visible/NIR analysis of fat, protein and water in chilled pork[J]．Spectroscopy and Spectral Analysis，2009，29(1)：102-105．(in Chinese)

10 LIAO Yitao，FAN Yuxia，CHENG Fang．On-line prediction of fresh pork quality using visible/near-infrared reflectance spectroscopy [J]．Meat Science，2010，86(4)：901-907．

11 廖宜濤，樊玉霞，伍學千，等．豬肉肌內脂肪含量的可見/近紅外光譜在線檢測[J]．農業機械學報，2010，41(9)：104-107． LIAO Yitao，FAN Yuxia，WU Xueqian，et al．On line prediction of intramuscular fat content in pork muscle with visible/near infrared spectroscopy [J]．Transactions of the Chinese Society for Agricultural Machinery，2010，41(9)：104-107．(in Chinese)

12 張偉力，曾勇慶．豬肉肌內脂肪測定方法及其誤差分析[J]．豬業科學，2008，25(7)：102-103．

13 楊慧中，陳定三．局部懲罰加權核偏最小二乘算法及其應用[J]．控制工程，2011，18(6)：886-889． YANG Huizhong，CHEN Dingsan．Local penalized weighted kernel partial least squares algorithm and its application[J]．Control Engineering of China，2011，18(6)：886-889．(in Chinese)

14 樊書祥，黃文倩，郭志明，等．蘋果產地差異對可溶性固形物近紅外光譜檢測模型影響的研究[J]．分析化學，2015，43(2)：239-244． FAN Shuxiang，HUANG Wenqian， GUO Zhiming，et al．Assessment of influence of origin variability on robustness of near infrared models for soluble solid content of apples[J]．Chinese Journal of Analytical Chemistry，2015，43(2)：239-244．(in Chinese)

15 COZZOLINO D，BARLOCCO N，VADELL A，et al． The use of visible and near-infrared reflectance spectroscopy to predict colour on both intact and homogenised pork muscle[J]．LWT—Food Science and Technology，2003，36(2)：195-202．

16 石力安．基于可見/近紅外光譜的生鮮牛肉水分快速無損檢測方法的研究[D]．北京：中國農業大學，2016． SHI Li’an．Study on rapid and nondestructive detection method of beef moisture content based on VIS/NIR spectroscopic technique [D]．Beijing：China Agricultural University，2016．(in Chinese)

17 李江波，彭彥昆，陳立平，等．近紅外高光譜圖像結合CARS算法對鴨梨SSC含量定量測定[J]．光譜學與光譜分析，2014，34(5)：1264-1269． LI Jiangbo，PENG Yankun，CHEN Liping，et al．Near-infrared hyperspectral imaging combined with CARS algorithm to quantitatively determination soluble solids content in “Ya” pear[J]．Spectroscopy and Spectral Analysis，2014，34(5)：1264-1269．(in Chinese)

18 陸婉珍．現代近紅外光譜分析技術[M]．北京：中國石化出版社，2006．

19 呂程序，姜訓鵬，張銀橋，等．基于變量選擇的小麥粗蛋白含量近紅外光譜檢測[J/OL]．農業機械學報，2016，47(增刊)：340-346．http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=2016s052&journal_id=jcsam．DOI：10.6041/j.issn.1000-1298.2016.S0.052. Lü Chengxu，JIANG Xunpeng，ZHANG Yinqiao，et al．Variable selection based near infrared spectroscopic quantitative analysis on wheat crude protein content [J/OL]．Transactions of the Chinese Society for Agricultural Machinery，2016，47(Supp.):340-346．(in Chinese)

20 劉燕德，施宇，蔡麗君，等．基于CARS算法的臍橙可溶性固形物近紅外在線檢測[J/OL]．農業機械學報，2013，44(9)：138-144．http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20130925&journal_id=jcsam．DOI：10.6041/j.issn.1000-1298.2013.09.025． LIU Yande，SHI Yu，CAI Lijun，et al．On-line NIR detection model optimization of soluble solids content in navel orange based on CARS [J/OL]．Transactions of the Chinese Society for Agricultural Machinery，2013，44(9)：138-144．(in Chinese)

21 梁逸曾，許青松．復雜體系儀器分析[M]．北京：化學工業出版社，2012．

22 陳立旦，趙艷茹．可見-近紅外光譜聯合隨機蛙跳算法檢測生物柴油含水量[J]．農業工程學報，2014，30(8)：168-173． CHEN Lidan，ZHAO Yanru．Measurement of water content in biodiesel using visible and near infrared spectroscopy combined with Random-Frog algorithm [J]. Transactions of the CSAE，2014，30(8)：168-173. (in Chinese)

23 李倩倩，田曠達，李祖，等．無信息變量消除法變量篩選優化煙草中總氮和總糖的定量模型[J]．分析化學，2013，41(6)：917-921． LI Qianqian，TIAN Kuangda，LI Zu，et al．Model of total nitrogen and total sugar in tobacco optimizing after uninformative variable elimination [J]．Chinese Journal of Analytical Chemistry，2013，41(6)：917-921．(in Chinese)

24 BLUMER A，EHRENFEUCHT A，HAUSSLER D，et al．Occam’s razor[J]．Information Processing Letters，1987，24(6)：377-380．

PortableNondestructiveDetectionDeviceforNutrientComponentsofPork

WANG Wenxiu1,2PENG Yankun1,2ZHENG Xiaochun1,2SUN Hongwei1,2TIAN Fang1,2BAI Jing1,2

(1.CollegeofEngineering,ChinaAgriculturalUniversity,Beijing100083,China2.NationalR&DCenterforAgro-processingEquipment,Beijing100083,China)

In order to realize fast, nondestructive and real-time detection of nutrition components (fat and protein) for pork, a portable nondestructive detection device based on near infrared reflectance spectra was designed and developed. The hardware part included spectrum acquisition unit, light source unit and control unit. The corresponding detection software was developed to realize the effective acquisition and real-time analysis of the sample spectrum information. In order to establish a stable and reliable forecasting model, the research focused on the effects of band selection, different sample grouping methods and variables selection methods on the models. Based on visible/short wavelength near infrared (Vis/SWNIR), long wavelength near-infrared (LWNIR) and Vis/SWNIR-LWNIR, all the samples were divided by random selection (RS) method, Kennard-Stone (KS) algorithm and sample set partitioning based on jointX-Ydistances (SPXY) algorithm, and then partial least square prediction models for fat and protein content were built, respectively. The results showed that the best prediction models for fat and protein were built based on Vis/SWNIR-LWNIR by using SPXY algorithm. On the basis of the best model for each parameter, comparative analysis of competitive adaptive weighted algorithm, Random Frog algorithm and uninformative variable elimination-successive projection algorithm were employed to screen variables. The results showed that the simplified model based on competitive adaptive weighting algorithm was the best with correlation coefficients in the prediction set of 0.950 5 and 0.951 0 for fat and protein, respectively. The results indicated that the designed portable detection device based on near infrared reflectance spectroscopy was able to realize fast, nondestructive and real-time detection of fat and protein content for fresh meat and had certain application potential and market prospects.

pork; nutrition component; nondestructive detection; portable device; near infrared reflectance spectroscopy

S379.9

A

1000-1298(2017)09-0303-09

10.6041/j.issn.1000-1298.2017.09.038

2017-02-17

2017-03-24

國家重點研發計劃項目(2016YFD0401205)和公益性行業(農業)科研專項(201003008)

王文秀(1989—)，女，博士生，主要從事農畜產品無損檢測技術與裝置研究，E-mail: Godlovexiu@163.com

彭彥昆(1960—)，男，教授，博士生導師，主要從事農畜產品無損檢測技術與裝置研究，E-mail: ypeng@cau.edu.cn