基于近紅外光譜的豬肉水分在線檢測與分級

彭彥昆　楊清華　王文秀

(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)

0　引言

隨著生活水平提高、膳食結構改善，人們對畜禽生鮮肉的需求量在迅速增加，對肉品的質量要求也在不斷提高。其中，豬肉是我國主要畜禽肉品之一，并因其含有豐富的營養物質[1-3]而深受人們喜愛。含水率是生鮮豬肉品質的一個重要參數，對鮮肉品質、口感等都有直接的影響[4-6]，水分過多或過少都會影響肉的加工、運輸和貯藏[7]。目前，肉品市場上注水肉現象加重，注水肉對消費者的健康生活和飲食安全影響重大，所以對水分超標肉進行有效檢測并剔除在當前顯得十分重要與緊迫[8]。傳統的干燥法檢測水分耗時長，屬于破壞性檢測，不適用于規?；a[9-10]。

近紅外光譜技術具有快速、無損、實時、原位等優點，目前，已有許多國內外學者利用該方法對豬肉品質開展了深入研究[11-16]。BARLOCCO等[17]在靜態條件下使用近紅外反射光譜法建立偏最小二乘模型預測豬肉肌脂肪、水分和剪切力，其中水分預測決定系數R2為0.9。LIAO等[18]基于可見近紅外光譜在線單點檢測豬肉含水率，建立的偏最小二乘模型預測決定系數為0.832。張海云等[19]基于近紅外技術建立無損在線檢測系統，采用多點位輪換探頭采集生鮮豬肉樣本反射光譜，實現在線檢測豬肉品質。上述研究表明了近紅外光譜靜態及在線條件下檢測豬肉水分等品質的可行性，但光譜采集及預測模型建立主要基于靜態實驗平臺，或為在線單點檢測，檢測結果不具有代表性，或為多點異步檢測，單個樣品檢測時間較長、效率低，并且沒有考慮不同樣品厚度的影響。在實際生產中，需要更加快速精準的檢測方法監控肉品質量。

由于基于光譜的在線檢測系統檢測精度易受光纖探頭檢測距離的影響[20-21]，為了減少單個樣品檢測時間，本文基于近紅外光譜技術，構建在線分級裝備，優化探頭檢測距離并采用多點同時采集，建立豬肉在線水分分級模型。首先，基于不同檢查距離，在靜態條件下采集生鮮豬肉光譜建立模型，通過光譜和模型比較得出最佳檢測距離；其次，基于最優檢測距離，運用在線多點同時檢測，建立水分在線預測模型，實現在線快速無損檢測生鮮豬肉水分并將不合格豬肉剔除。

1　實驗材料與方法

1.1　材料與試劑

所用材料選用屠宰后經24 h排酸的生鮮豬肉背最長肌部分，用蓄冷裝置快速運至實驗室，將每個樣品去除結締組織并修整成尺寸約8 cm×5 cm×3 cm(長×寬×厚)的肉塊，分別裝入保鮮袋并編號，放置于4 ℃冰箱中備用，本實驗共取有效樣品120個，其中54塊用于檢測距離優化，45塊用于模型建立，21塊用于在線分級驗證。為達到分級目的，需制備注水肉樣品擴大含水率范圍。將樣本靜置室溫(20℃)后，使用1 mL注射器將水從樣本各表面均勻注入，間歇注水，待飽和用濾紙擦拭表面未被肉吸收的水，靜置10 min后即可采集光譜。

1.2　實驗儀器

基于本實驗室前期和他人研究成果[17,22-24]可知，980 nm和1 440 nm附近的吸收波段與O—H鍵拉伸和第一泛音有關，為水分吸收峰，因此本文設計了波長范圍覆蓋短波近紅外(Visble/short-wavelength near infrared， Vis/SWNIR)和長波近紅外(Longwavelength near infrared，LWNIR)雙波段在線檢測分級系統。該系統具體包括樣品傳輸單元、到位識別單元、測距單元、高度調整單元、光譜采集和處理單元等。檢測系統部件主要由傳送帶、激光位移傳感器、愛萬提斯光譜儀(AvaSpec-ULS2048XL型，第1波段349～1 435 nm；AvaSpec-NIR256/512-1.7型，第2波段1 037～1 761 nm)、鹵鎢燈光源、Y型光纖、可調高度升降臺以及計算機等組成。系統中采用2臺光譜儀，波段可覆蓋短波和長波近紅外區域，光譜范圍廣且光譜信息豐富，能得到更加全面地反映水分特性的有效光譜信息，從而建立穩健的水分預測模型。光譜儀及光源連接方式如圖1所示，采用5根Y型光纖探頭與5個鹵鎢燈光源連接并通過圓轉線光纖分別接入2臺光譜儀，同時使用五點同步采集光譜，獲得樣品更加全面的光譜信息。

激光位移傳感器和光纖探頭由夾具固定，激光位移傳感器檢測到距離并反饋調節距離后采集光譜。其中光纖探頭與生鮮豬肉樣品上表面的檢測距離計算公式為

d=d2-d1

(1)

式中d——檢測距離

d1——激光位移傳感器到探頭垂直距離，固定為10 cm

d2——激光位移傳感器到樣品表面距離

在線采集時，樣品經過激光位移傳感器探測得到d2，反饋至計算機得到檢測距離d，再反饋計算機控制部分控制可調高度升降臺使d達到所需求的高度，傳感器反復執行這一過程保持檢測距離一致直到采集光譜，重復定位精度為30 μm。距離優化時，關閉傳送單元并在光纖探頭旁安裝一個激光位移傳感器。靜態與在線檢測系統結構圖如圖2所示，分為測距單元、采集單元以及傳送單元。

圖2　檢測裝置工作原理圖Fig.2　Working principle diagrams of detection device1.激光位移傳感器　2.15W鹵鎢燈　3.光纖　4.光纖探頭 5.生鮮豬肉樣品　6、12.可調高度升降臺　7.AvaSpec-UL2048XL型光譜儀　8.AvaSpec-NIR256-1.7型光譜儀　9.計算機　10.光譜采集單元　11.測距單元　13.樣品傳輸單元

1.3　光譜采集方法

1.3.1探頭檢測距離優化

選定探頭到樣品表面的檢測距離優化范圍5～29 mm，每隔2 mm取一個檢測距離，共13個。采集每個距離下第1波段和第2波段生鮮豬肉的光譜信息，所用樣品為54塊。將樣品放置在升降臺上，根據激光位移傳感器探測到的距離，計算機控制調節升降臺高度使光纖探頭與樣品上表面檢測距離為10 mm，采集黑、白參考后即可采集生鮮豬肉樣品光譜，之后距離依次操作，通過5點同時采集到的5條光譜取平均值作為該樣品的光譜數據。

1.3.2靜態條件與在線條件下的分級模型建立

基于以上優化后的檢測距離，使用45塊鮮豬肉樣品分別于靜態條件下和在線條件下采集光譜。將樣品靜置室溫，擦干表面水分。靜態條件下，確定探頭到樣品的距離為優化距離，使用AvaSoft 7.8軟件采集樣品光譜。在線條件下，激光位移傳感器監測光纖探頭與豬肉樣品上表面距離實時保持為優化距離，并使用自行開發的軟件采集光譜。其中，AvaSpec-ULS2048XL 型光譜儀與AvaSpec-NIR256-1.7型光譜儀參數設置為：積分時間28 ms，平均次數5次，平滑度設置為3。

1.3.3在線檢測分級驗證

依據GB/T 18394—2010《畜禽肉水分限量》規定的豬肉含水率限量值為76.5%，使用21塊獨立生鮮豬肉進行在線分級驗證，即通過在線水分預測模型分選豬肉，將含水率大于76.5%的豬肉剔除。

1.4　水分理化值分析

水分理化值依據GB 5009.3—2010《食品中水分的測定》測量作為標準值對照。

1.5　數據分析方法

采用Matlab 7.0對數據處理分析。首先，從光譜采集區域提取樣品兩波段的反射光譜數據,兩段光譜曲線在1 037～1 435 nm處重疊，為得到全面的水分光譜信息，將兩波段光譜數據有效融合。關于波段融合方法采用前期王文秀等[25]提出的最小二乘法重疊區間連接法，將兩條光譜曲線融合為一條完整的曲線。其次，利用多元散射校正(Multivariate scattering correction，MSC)進行預處理，有效去除光譜散射影響，使有用的光譜信息顯現更加明顯。最后，使用偏最小二乘回歸模型(Partial least square regression，PLSR)建立第1波段、第2波段以及雙波段融合的水分預測模型，并分析比較。為評價模型的準確性與穩定性，本實驗引用校正集相關系數Rc、校正均方根誤差、驗證集相關系數Rp和預測均方根誤差作為模型的評定標準。一般情況下，Rc、Rp越大，校正均方根誤差、預測均方根誤差越小，模型精度越高。

2　結果與討論

2.1　水分理化值結果分析

本實驗共采集120個樣本，其中54個用于優化距離，45個用于建立模型，21個用于在線分級驗證。樣品含水率理化值分析如表1所示，樣本集均值分別為74.61%、75.37%、75.24%，整體范圍內豬肉含水率相對偏高，最小值為66.18%，最大值為83.18%。

表1　含水率結果Tab.1　Result of water value　%

從表1可看到，樣品含水率變化范圍較大，并包含驗證集水分，滿足建立近紅外校正模型基本條件，樣本集含水率最大值大于限量值，達到了分級要求。

2.2　最佳采集距離確定

基于靜態檢測系統采集的兩波段不同距離下的豬肉原始光譜曲線如圖3所示，同一樣品不同距離下采集的光譜曲線差異很大，主要由于檢測距離改變，吸收反射有所影響，尤其第1波段受影響較大。

圖3　第1波段與第2波段不同距離下的原始光譜曲線Fig.3　Original spectrum at different distances of the first band and second band

將單波段以及融合波段經過MSC處理后采用PLSR方法分別建立第1波段、第2波段以及雙波段的含水率預測模型。圖4為不同波段下的校正集與預測集的相關系數散點圖，從圖中可看到，僅間隔2 mm的檢測距離，模型有較大差異，隨著檢測距離的增加，不同波段的校正集和驗證集相關系數Rc和Rp都在19 mm處達到最高，并且不同波段影響模型穩定性，可看到雙波段下校正集與預測集相關系數最高且整體差距最小，說明雙波段下建立模型更加穩定。

圖4　不同波段校正集與驗證集相關系數散點圖Fig.4　Correlation coefficient scatter plot of calibration set and prediction set

根據圖4結果，挑選出每個波段下建模相關系數最優的模型進行比較，結果如表2所示。從表2可知，在雙波段下檢測距離為19 mm時，建立的模型最優最穩定，校正集與預測集相關系數分別為0.913和0.838，均方根誤差分別為0.259和0.534，故將在線檢測分級系統的檢測距離定為19 mm。

表2　不同波段和檢測距離條件下含水率的PLS模型Tab.2　PLSR modeling model of moisture content under different detection distances of the first wave band

2.3　靜態與在線水分分級模型建立

分別采集靜態和在線系統的豬肉光譜數據，圖5a、5b為靜態與在線條件下雙波段融合后的豬肉原始光譜曲線，由圖可知，動態條件與靜態條件下采集的豬肉光譜趨勢一致，但由于樣品運動過程實時發生位移變化且伴有細微的上下震動而造成曲線噪聲較大，為了消除干擾信號影響以及突出光譜中各參數特征信息，需對光譜進行預處理。光譜經MSC處理后如圖5c、5d所示，在保留光譜特征峰的同時也消除了光譜散射的影響，變得更加平滑。

圖5　原始光譜圖Fig.5　Original spectrograms

在靜態條件下，采用原始數據和MSC處理后的數據建立PLS水分預測模型。建模性能如表3所示，利用原始光譜建立的模型性能較差，校正集相關系數最優為0.796，驗證集為0.659，經過MSC預處理后，肌肉表面肌肉組織和肌內脂肪組織的不均勻性,以及切面的不平滑等物理特性不同引起的散射差異得到了消除，模型性能有所改善。最優模型為雙波段模型，其校正集和驗證集相關系數分別為0.915和0.860，相比原始光譜提高了模型的精度，主因子數有所降低。

表3　靜態條件下PLS建模結果Tab.3　Results of PLS model under static condition

在線條件下，采用原始數據和MSC處理后的數據建立PLSR模型，模型性能如表4所示，使用雙波段并經過MSC處理的模型結果最佳，其校正集相關系數和校正均方根誤差分別為0.906和0.598，驗證集相關系數和預測均方根誤差分別為0.836和0.402，主因子數為7，與靜態系統建模結果基本一致，驗證了在線多點同時檢測豬肉水分的可行性并證實了檢測距離的優化與波段的挑選的作用。

2.4　在線分級驗證

為檢驗在線水分分級模型的精度與可靠性，另取21塊新鮮豬肉通脊樣品，其中5塊為注水肉樣品。將樣本靜置室溫，利用在線采集裝置采集反射光譜，通過在線預測模型預測水分并分級，將含水率超過76.5%判為不合格。結果如表5所示，判斷等級正確19個，誤判2個，正確率為90.48%，外部驗證判斷率較高。圖6為在線水分預測結果，決定系數為0.836 7，標準分析誤差為0.018 6，表明模型具有一定的穩定性以及預測精度較高。

表4　在線條件下PLS模型結果Tab.4　Results of PLS model under online condition

3　結論

(1)基于近紅外光譜技術，搭建了探頭檢測距離優化實驗平臺，采集13個不同檢測距離下54個生鮮豬肉樣品的光譜曲線，通過多元散射校正預處理，建立了生鮮豬肉含水率的第1波段、第2波段和雙波段結合的偏最小二乘回歸模型，比較分析得出最優檢測距離為19 mm時模型能夠更好的預測豬肉水分，表明檢測距離對建模的重要性。

表5　含水率檢測結果與預測結果Tab.5　Results of water content test and prediction

圖6　含水率預測結果Fig.6　Prediction result of water content

(2)基于最佳檢測距離19 mm，在線條件下通過距離實時調節系統，5點同時采集鮮豬肉樣品光譜共45條建立水分偏最小二乘預測模型，得出最佳模型校正集相關系數和驗證集相關系數分別為0.906和0.836。

(3)驗證了在線分級模型精度與穩定性。使用21個樣本外部驗證在線分級效果，通過在線分級系統預測，判斷正確率為90.48%，水分預測決定系數為0.836 7，結果表明該模型能夠實現在線實時快速無損檢測豬肉水分并分級。

1孫朋朋,宋春陽. 豬肉品質的評價指標及營養因素對豬肉品質影響的研究進展[J]. 豬業科學, 2014(2):112-114.

2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)

3BALAGE J M, SILVA S D L E, GOMIDE C A, et al. Predicting pork quality using vis/NIR spectroscopy[J]. Meat Science, 2015, 108:37-43.

4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)

5林巖, 郭培源, 王昕琨. 基于近紅外光譜的豬肉蛋白質及脂肪含量檢測[J]. 食品科技, 2014(2):262-266.

LIN Yan, GUO Peiyuan, WANG Xinkun.Detection of meat protein and fat percentage composition based on near-infrared spectrum[J]. Food Science and Technology, 2014(2):262-266. (in Chinese)

6BARBIN D F, ELMASRY G, SUN D W, et al. Non-destructive determination of chemical composition in intact and minced pork using near-infrared hyperspectral imaging[J]. Food Chemistry, 2013, 138(2-3):1162-1171.

7閔連吉. 肉的科學與加工技術[M]. 北京:中國食品出版社, 1988.

8黃玉萍, 陳桂云, 夏建春,等. 注水肉無損檢測技術現狀與發展趨勢分析[J/OL]. 農業機械學報, 2015, 46(1):207-215.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20150130&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2015.01.030.

HUANG Yuping, CHEN Guiyun, XIA Jianchun, et al. Status and trends of nondestructive detection technology for water injected meat[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(1):207-215.(in Chinese)

9劉煒, 吳昊旻, 孫東東,等. 近紅外光譜分析技術在鮮雞肉快速檢測分析中的應用研究[J]. 中國家禽, 2009, 31(2):8-11.

LIU Wei,WU Haomin, SUN Dongdong, et al. Fast determination of fresh chicken using FT-NIR spectroscopy [J].China Poultry, 2009, 31(2):8-11. (in Chinese)

10楊秀娟, 趙金燕, 趙家松,等. 便攜近紅外檢測儀測定鮮豬肉水分含量的研究[J]. 食品科技, 2012(7):267-270.

YANG Xiujuan, ZHAO Jinyan, ZHAO Jiasong, et al. Study on portable near-infrared detection to measure the moisture content of fresh pork[J]. Food Science and Technology,2012(7):267-270.(in Chinese)

11劉媛媛, 彭彥昆, 王文秀,等. 基于偏最小二乘投影的可見/近紅外光譜豬肉綜合品質分類[J]. 農業工程學報, 2014, 30(23):306-313.

LIU Yuanyuan, PENG Yankun, WANG Wenxiu,et al. Classification of pork comprehensive quality based on partial least squares projection and vis/NIR spectroscopy[J].Transactions of the CSAE, 2014, 30(23):306-313.(in Chinese)

12黃偉, 楊秀娟, 曹志勇,等. 近紅外反射光譜快速檢測滇南小耳豬肉中水分、粗脂肪及粗蛋白含量的研究[J]. 中國畜牧雜志, 2015, 51(7):73-77.

HUANG Wei, YANG Xiujuan, CAO Zhiyong,et al. Rapid determination of moisture, crude fat and crude protein content of Diannan small ear in pork by near infrared reflectance spectroscopy[J].Chinese Journal of Animal Science, 2015, 51(7):73-77.(in Chinese)

13PRIETO N, JUAREZ M, ZIJLSTRA R T, et al. Rapid authentication of enhanced quality pork by visible and near infrared spectroscopy[J]. Meat Science, 2015, 99(5):149.

14MONROY M, PRASHER S, NGADI M O, et al. Pork meat quality classification using visible/near-infrared spectroscopic data[J]. Biosystems Engineering, 2010, 107(3):271-276.

15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 contentin pork muscle with visible/near-infrared spectroscopy[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(9):104-107. (in Chinese)

16王文秀, 彭彥昆, 鄭曉春,等. 便攜式豬肉營養組分無損實時檢測裝置研究[J/OL]. 農業機械學報, 2017,48(9):303-311.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20170938&journal_id=jcsam.DOI：10.6041/j.issn.1000-1298.2017.09.038.

WANG Wenxiu, PENG Yankun, ZHENG Xiaochun,et al.Portable nondestructive detection device for nutrient components of pork[J/OL]. Transactions of the Chinese Society for Agricultural Machinery,2017,48(9):303-311.(in Chinese)

17BARLOCCO N, VADELL A, BALLESTEROS F,et al. Predicting intramuscular fat, moisture and Warner-Bratzler shear force in pork muscle using near infrared reflectance spectroscopy[J]. Animal Science, 2006, 82(1):111-116.

18LIAO Y T, FAN Y X, CHENG F. On-line prediction of fresh pork quality using visible/near-infrared reflectance spectroscopy[J]. Meat Science, 2010, 86(4):901-907.

19張海云, 彭彥昆, 王偉,等. 生鮮豬肉主要品質參數無損在線檢測系統[J/OL]. 農業機械學報, 2013, 44(4):146-151.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20130426&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2013.04.026.

ZHANG Haiyun, PENG Yankun, WANG Wei, et al.Nondestructive real-time detection system for assessing main quality parameters of fresh pork [J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(4):146-151.(in Chinese)

20王建旭, 范利鋒, 趙鵬飛,等. 基于近紅外的鮮肉塊水分檢測方法研究[C]∥農業電氣化與信息化工程與學科創新發展學術年會, 2014.

21XUE J, YANG Z, HAN L, et al. Study of the influence of NIRS acquisition parameters on the spectral repeatability for on-line measurement of crop straw fuel properties[J]. Fuel, 2014, 117(1):1027-1033.

22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.

ZHANG Haiyun, PENG Yankun, WANG Wei, et al.Rapid nondestructive detection of water content in fresh pork based on spectroscopy technique combined with support vector machine[J].Spectroscopy and Spectral Analysis, 2012, 32(10):2794-2798.(in Chinese)

23BRONDUM J,BYRNE D V, BAK L S, et al. Warmed-over flavour in porcine meat-a combined spectroscopic, sensory and chemometric study[J]. Meat Science, 2000, 54(1):83-95.

24COZZOLINO D, MURRAY I. Effect of sample presentation and animal muscle species on the analysis of meat by near infrared reflectance spectroscopy[J].Journal of Near Infrared Spectroscopy, 2002, 10(1):37-44.

25王文秀, 彭彥昆, 徐田鋒,等. 雙波段光譜融合的豬肉多品質參數同時檢測方法研究[J]. 光譜學與光譜分析, 2016, 36(12):4001-4005.

WANG Wenxiu,PENG Yankun,XU Tianfeng,et al. Simultaneous detection of multiple quality parameters of pork based on fused dual band spectral[J].Spectroscopy and Spectral Analysis, 2016, 36(12):4001-4005.(in Chinese)